Das Aufkommen generativer KI hat Hochschulen vor neue Herausforderungen gestellt. Dabei verdeckt das vordergründige Problem, dass etablierte Prüfungsformate wie Hausarbeiten plötzlich hinterfragt werden müssen, um Missbräuche bzw. Betrugsversuche zu erschweren (Eke, 2023; Zhai, 2023), häufig die dahinterliegenden größeren Zukunftsfragen: Wie überzeugt man Studierende, dass ein gesicherter Informationszugang nicht über Prompts funktioniert? Was sind überhaupt noch „gesicherte Informationen“? Wie können ein digital divide (Lim et al., 2023) oder Deskilling (Reinmann, 2023) verhindert werden? Wie motiviert man Studierende, einen langen, manchmal mühsamen Lern- und Entwicklungsprozess zu durchlaufen, wenn es nun für Abschnitte davon eine bequeme Abkürzung gibt? Kurz: Wie vermittelt man genAI Study Literacy? Und wie lässt sich diese überhaupt definieren?
In unserem Beitrag möchten wir präsentieren, wie wir im Rahmen eines DBR-Projekts (Euler, 2014) vorgehen, um genAI Study Literacy zu definieren und zu fördern. Anders als bei anderen KI-Kompetenzrahmen (z.B. Long & Magerko 2020) gehen wir dabei gleichzeitig theoriegeleitet und praxisgestützt vor: Nach der theoriegestützten Entwicklung von Studierendenworkshops zum Einsatz generativer KI im Hochschulstudium wird in deren Rahmen – u. a. mithilfe von studentischen Positionspapieren – erhoben, wie die Studierenden einen verantwortungsbewussten Einsatz von generativer KI im Studium definieren. Diese Datenquelle wird qualitativ ausgewertet (Kuckartz 2018) und mit Ergebnissen aus Iterationen des Workshops sowie weiterer theoretischer Forschung zu AI Literacy (Long & Magerko 2020) und zu Risiken von generativer KI im Hochschulkontext (z.B. Lo 2023; Fecher et al. 2023) ins Verhältnis gesetzt, um schließlich einen Kompetenzrahmen für den verantwortungsbewussten Umgang mit generativer KI im Studium zu entwickeln.
In unserem Beitrag möchten wir unsere Vorgehensweise und unser Zwischenergebnis zur genAI Study Literacy präsentieren.