«KI erklärt sich selbst» – Die KI-generierte SOL-Lernumgebung als didaktisches Experiment
- Samuel Müller & Beat Temperli
- 31. März
- 3 Min. Lesezeit
Entwicklung und Durchführung einer Selbstlern-Einheit (SOL) zum Thema «Funktionsweise von KI». Das Besondere: Die Einheit wurde inhaltlich, strukturell und technisch (HTML-Code) fast zu 100% durch KI erstellt. Dies dient als didaktisches Experiment («Didaktischer Doppeldecker»): Die Studierenden erarbeiten sich Fachwissen anhand von Materialien, die von einer KI generiert wurden. Im Anschluss wird dieser Prozess offengelegt und kritisch reflektiert (Qualität, Nutzen, Ressourcenersparnis).
Technisch liegt der Fokus auf der «Kontext-Injektion»: Der KI wurden spezifische LMS-Strukturdaten (Hardlinks) und der gesamte Semesterplan übergeben, um eine funktionierende Navigation zu codieren und inhaltliche Redundanzen zu vermeiden.
Beispiele
Voraussetzungen
Zugang zu Gemini Advanced (für Coding & Logik) und NotebookLM (für Content).
Zugriff auf die Link-Struktur des LMS (Kenntnis, wie man statische URLs der Kursbausteine ausliest).
Bereitschaft zum «Prompt Chaining» (Ergebnisse eines Schritts im nächsten weiterverwenden).
Eckdaten
Fachgebiet | Medienbildung und informatische Bildung, Medienpädagogik, Informatikdidaktik, Bildungswissenschaften |
Lehrformat |
|
Zeitrahmen |
|
Zielgruppe | Studierende der Pädagogischen Hochschule (Lehramt Sek I, alle Semester), Dozierende in der Hochschuldidaktik |
Gruppengrösse | Skalierbar (Erstellung: 1-2 Personen; Nutzung: unbegrenzt). |
Assessment | Das Assessment ist formativ und reflexiv: Die Studierenden bewerten die Qualität der KI-Materialien als Teil ihrer Lernaufgabe. Es findet keine klassische «Prüfung» des KI-Wissens statt, sondern eine Prüfung der «KI-Kompetenz» durch die Analyse des Materials. |
Mögliche Tools |
|
Lernziele
Inhaltliche Fachkompetenz (Funktionsweise von KI):
Die Studierenden können den Unterschied zwischen regelbasierter Programmierung und Machine Learning erklären.
Sie verstehen die grundlegenden Prinzipien neuronaler Netze (Training, Mustererkennung) und von Large Language Models (Next Token Prediction, Probabilistik).
Sie erkennen, dass KI-Modelle keine Wissensdatenbanken sind, sondern auf statistischen Wahrscheinlichkeiten basieren, und können daraus Konsequenzen für die Nutzung (Halluzinationen, Bias) ableiten.
Methodenkompetenz (AI Literacy):
Die Studierenden können KI-generierte Lernmaterialien kritisch auf faktische Korrektheit, didaktischen Wert und Konsistenz überprüfen.
Sie erleben und reflektieren die Abhängigkeit des Outputs von der Qualität des Inputs («Garbage in, Garbage out») am konkreten Beispiel der bereitgestellten Lerninhalte.
Für Dozierende (Meta-Ebene):
Sie sind in der Lage, durch «Context Injection» (Übergabe von strukturierten Daten wie Link-Listen und Lehrplänen) komplexe, vernetzte Lernumgebungen effizient durch KI erstellen zu lassen.
Sie verstehen die Mechanismen des «Prompt Chaining», um didaktische Konzepte technisch in ein LMS zu übersetzen.
KI-Kompetenzrahmen
Dieser Use Case zahlt in die folgenden Dimensionen des St.Galler KI-Kompetenzrahmens ein:
Ablauf
Redundanz-Check (Gemini): Der KI wurde die Planung der gesamten SOL-Einheit übergeben. Auftrag: «Erstelle eine Gliederung für die SOL-Einheit 'Funktionsweise KI', die sich nicht mit den Präsenzinhalten des Seminars überschneidet.»
Content-Erstellung (NotebookLM): Um Halluzinationen zu minimieren, wurden kuratierte Fachtexte in NotebookLM geladen. Daraus wurden Lerntexte, Video-Skripte und Podcasts generiert.
Vorbereitung der Navigation: Eine Liste der statischen Links (Hardlinks) der Ziel-Bausteine im LMS (OLAT) wurde erstellt.
Coding & Linking (Gemini): Gemini generierte den HTML-Code für die einzelnen Seiten. Dabei fügte die KI automatisch die korrekten Links («Weiter zu Kapitel 2») an den richtigen Stellen ein und platzierte Medien-Platzhalter.
Medienproduktion: Aus der Erstellung der Inhalte folgte eine ToDo-Liste mit den zu erstellenden Medien (Bilder, etc.). Diese wurden in Midjourney, NotebookLM und Gemini Nano Banana erstellt und in das LMS integriert. Bei Bedarf wurden Darstellungsfehler iterativ mittels KI gebugged.
Einsatz & Reflexion: Die Studierenden durchlaufen die Einheit. In der Folgesitzung wird analysiert: Hat die KI das Thema verständlich erklärt? Wo lagen die Schwächen?
Vorteile
Enorme Effizienz: Die manuelle Verlinkung von HTML-Seiten im LMS ist fehleranfällig und zeitaufwendig – die KI übernimmt dies in Sekunden.
Kohärenz: Durch den Abgleich mit dem Semesterplan (Redundanz-Check) fügt sich die SOL-Einheit nahtlos in das Modul ein.
Authentizität: Studierende erleben die Leistungsfähigkeit der KI am eigenen Lernprozess («Walk the Talk»).
Nachteile
Abhängigkeit von Struktur: Wenn man im LMS einen Baustein löscht oder verschiebt, ändern sich oft die IDs/Links. Die KI-generierten Buttons führen dann ins Leere (Broken Links).
Qualitätskontrolle: Trotz NotebookLM muss jeder fachliche Inhalt kurz geprüft werden. Die KI neigt dazu, Inhalte didaktisch manchmal zu stark zu vereinfachen oder zu akademisch zu formulieren.
Beispielprompts
Redundanz-Check:
Du bist Hochschulplaner. Analysiere das angehängte PDF (Semesterplan). Entwickle eine Gliederung für eine Online-Einheit 'Neuronale Netze', die Themen vermeidet, die wir laut Plan schon in Woche 3 behandeln.Coding mit Links:
Erstelle die HTML-Seite für 'Kapitel 1'. Nutze das Design Türkis/Orange. Integriere am Ende einen Button 'Weiter zu Kapitel 2'. Nutze dafür zwingend diesen Link: [OLAT_LINK_NODE_245]. Der Textinhalt stammt aus dieser NotebookLM-Zusammenfassung: [Text einfügen]Weitere Aspekte
Der Use Case zeigt den Übergang von KI als «Text-Tool» hin zu KI als «LMS-Architekt», der auch technische Infrastruktur und Navigationslogik verstehen und bearbeiten kann. Er baut technisch und inhaltlich auf „Der didaktische Doppeldecker“ auf und zeigt die operative Vertiefung.
