top of page
AI Literacy Ostschweiz

Der didaktische Doppeldecker: KI-gestützte Seminarplanung & LMS-Design

Planung und Erstellung eines kompletten Vertiefungsmoduls im Studiengang Sekundarstufe I zum Thema "Künstliche Intelligenz in der Schule". Der Use Case beschreibt den Prozess der Inhaltsgenerierung (Drehbücher, Übungsanlagen) und der technischen Gestaltung (ansprechender HTML-Code für das LMS OLAT) unter intensivem Einsatz von Gemini und NotebookLM. Das Ziel war ein "didaktischer Doppeldecker": Die Studierenden als angehende Lehrende lernen nicht nur über KI, sondern bewegen sich in einer Lernumgebung, die sichtbar durch KI mitgestaltet wurde. Der Fokus liegt auf effizienter Vorbereitung und professionellem LMS-Design ohne vertiefte Programmierkenntnisse.


Beispiele

Voraussetzungen

  • Zugang zu einem leistungsfähigen LLM (z.B. Gemini Advanced oder ChatGPT Plus) für die Code-Generierung. 

  • Zugang zu Google NotebookLM. 

  • Autorenrechte im verwendeten LMS (z.B. OLAT, Moodle). 

  • Grundlegendes Verständnis, wie man im LMS in den "Quellcode-Modus" umschaltet (keine Programmierkenntnisse nötig). 


Eckdaten
Fachgebiet

Medienpädagogik / Informatikdidaktik (Verweis: Prinzipiell auf alle Fachbereiche übertragbar, die text- und materialintensive Seminare im LMS abbilden)

Lehrformat

  • Vorbereitung: Asynchron / Selbststudium (Dozierende). 

  • Durchführung: Präsenz (Meta-Reflexion mit Studierenden). 

Das gesamte Modul ist in einem Blended Learning Setting angelegt mit Praxisumsetzungen durch die Studierenden (Eigene technische KI Kompetenzen, didaktischer Einsatz von KI). 

Zeitrahmen

  • Einsatz während der gesamten Vorbereitungsphase eines Semesters (ca. 2–3 Wochen intensiv), punktuell während des Semesters zur Anpassung.

  • Vorbereitung erfolgte in ca. 2 Arbeitstagen für das gesamte Modul (1 Semester à 2 Wochenlektionen).

Zielgruppe

Dozierende und wissenschaftliche Mitarbeitende (zur Vorbereitung von Lehre) & Lehramtsstudierende 

Gruppengrösse

1 (Dozierende Person in der Vorbereitung). Das Ergebnis der KI-gestützten Seminarplanung und Materialentwicklung skaliert für beliebige Gruppengrössen.

Assessment

Das Assessment der KI-gestützten Seminarplanung und Materialentwicklung erfolgt auf zwei Ebenen: 

  1. Implizit: Durch die Nutzung und das Feedback der Studierenden zur Klarheit und Struktur der Lernumgebung. 

  1. Explizit: Meta-Reflexion im Seminar (Diskussion: "Erkennt man den KI-Ursprung?", "Wie wirkt das Design auf den Lernprozess?"). 

Mögliche Tools

  • Google NotebookLM (für Quellenarbeit & RAG). 

  • Google Gemini Advanced (für Coding & Brainstorming). 

  • LMS OLAT (als Zielplattform). 


Lernziele

  • Die Lehrenden können LLMs (Gemini, NotebookLM) als "Sparringspartner" für didaktische Grob- und Feinplanung nutzen. 

  • Die Lehrenden sind in der Lage, mithilfe von KI visuell ansprechende und strukturierte HTML-Layouts für Lernplattformen (z.B. OLAT) zu generieren, ohne selbst Code schreiben zu müssen. 

  • Die Lehrenden können den Einsatz von KI im Planungsprozess transparent machen und als Lerngegenstand nutzen. 

  • Die Lehramtsstudierenden reflektieren Qualität und Wirkung von KI-generierten Materialien und ziehen Folgerungen für ihre künftige Lehrpraxis. 


KI-Kompetenzrahmen

Dieser Use Case zahlt in die folgenden Dimensionen des St.Galler KI-Kompetenzrahmens ein:

Gestalten, Anwenden, Zusammenarbeiten & Verantworten
Gestalten, Anwenden, Zusammenarbeiten & Verantworten
Ablauf

  1. Grounding & Recherche (NotebookLM): Relevante Fachartikel und Whitepapers werden in NotebookLM geladen. Daraus werden Kernaussagen extrahiert, Zusammenfassungen erstellt und Audio-Podcasts für den Einstieg generiert. 

  2. Drehbuch & Didaktisierung (Gemini): Basierend auf den Inhalten erstellt Gemini detaillierte Drehbücher für die Inputs und entwickelt Szenarien für die Übungen (z.B. "Stationenlernen"). 

  3. Visual Design & Coding (Gemini): Gemini fungiert als "Web-Entwickler". Mit spezifischen Design-Prompts (Farbvorgaben, Layout-Wünsche) wird HTML/CSS-Code generiert. Dieser Code wird direkt in die Quelltext-Ansicht der OLAT-Bausteine kopiert. 

  4. Meta-Reflexion (Im Seminar): Die erstellten Inhalte werden im Seminar genutzt. An geeigneter Stelle wird die "Black Box" geöffnet: Die Studierenden erfahren, dass und wie die Materialien generiert wurden, und reflektieren die Qualität und Wirkung. 


Vorteile

  • Professionalisierung: Lernumgebungen wirken visuell hochwertig ("Agentur-Niveau"), was die Motivation der Lernenden steigert. 

  • Effizienz: Die Erstellung von komplexem HTML-Code dauert Sekunden statt Stunden. 

  • Konsistenz: Durch definierte Farb-Prompts zieht sich ein "Roter Faden" (Corporate Design) durch das ganze Modul. 

  • Glaubwürdigkeit: Dozierende leben vor, was sie lehren (Role Model). 

Nachteile

  • Technische Hürden: Der generierte Code kann Fehler enthalten (z.B. nicht geschlossene Tags), die Darstellungsfehler im LMS verursachen. Ein iteratives "Debuggen" mit der KI ist oft nötig. 

  • LMS-Filter: Manche LMS filtern bestimmte CSS-Stile aus Sicherheitsgründen heraus. 

  • Inhaltliche Kuratierung: Die Gefahr besteht, sich vom schönen Design blenden zu lassen; die inhaltliche Tiefe muss durch die Fachexpertise (via NotebookLM) gesichert bleiben. 

Beispielprompts

Design-Prompt: 

Du bist Webdesigner. Erstelle einen HTML-Code für eine OLAT-Seite. Nutze ein modernes 'Card-Design'. Hauptfarbe: Türkis (#16a085), Akzentfarbe: Orange (#f39c12). Der Inhalt soll in 3 Spalten (Theorie, Praxis, Reflexion) gegliedert sein. Integriere Platzhalter für Icons. Der Code muss inline-CSS verwenden und responsive sein.

Planungs-Prompt:

Erstelle basierend auf den hochgeladenen Quellen in NotebookLM ein Drehbuch für einen 20-minütigen Input zum Thema 'Bias in LLMs'. Zielgruppe: Lehramtsstudierende. Nutze eine Metapher, um 'Next Token Prediction' zu erklären.

Weitere Aspekte

Der Einsatz von NotebookLM minimiert das Risiko von Halluzinationen in der inhaltlichen Vorbereitung massiv, da die KI auf die hochgeladenen Quellen beschränkt ("Grounding") wird. Dies ist ein entscheidender Qualitätsfaktor im akademischen Kontext.

Dieser Use Case ist ein idealer Einstieg für Dozierende, die ihre LMS-Kurse optisch aufwerten wollen ("Pimp my OLAT", aber Respekt vor Technik haben.

bottom of page