Ko-Konstruktion von Lehrportfolios mit genKI: Lehrkompetenzen erfassen, entwickeln, validieren und präsentieren

Lehrportfolios sind zentrale Instrumente der hochschuldidaktischen Kompetenzentwicklung von Hochschullehrenden. GenKI bietet hierfür neue Möglichkeiten, Lehrkompetenzen zu dokumentieren, zu reflektieren, zu validieren und zu präsentieren, ohne auf oberflächliche Hochglanzdokumente reduziert zu werden.

Dieser Use Case soll Lehrenden aufzeigen, wie GenKI gezielt, kritisch und verantwortungsvoll in die Portfolio- und Lehrkompetenzentwicklungsarbeit integriert werden kann. Als Leitprinzipien gelten dabei Evidenzinformierung, epistemische Integrität und menschliche Autorschaft/Authentizität.

Voraussetzungen

• Zugang zu einem LLM (z. B. ChatGPT, Claude,Gemini oder Local LLMs)

• Idealerweise eigene Portfolioartefakte (bspw. Lehrphilosophie, Lehrveranstaltungsübersicht, Kursevaluationen, Syllabi, Reflexionsnotizen)

• Grundkenntnisse zu Lehrkompetenzen und Lehrpersonenprofessionalität, im Prompting, Context und Agentic Engineering empfohlen

• Sensibilität für Datenschutz: z. B. keine personenbezogenen Informationen in Cloud-KIs weitergeben

Eckdaten

Fachgebiet	Hochschuldidaktik, Hochschulentwicklung, Bildungstechnologien, lehrbezogenes Wissensmanagement; Transfermöglichkeit auf alle Disziplinen im Hochschulkontext
Lehrformat	Synchron / Präsenz oder hybrid; in einer Lehrveranstaltung (Workshop); Gruppen- und Einzelarbeit; auch als Selbststudiumseinheit mit Reflexionsauftrag und Hospitation kombinierbar (Blended Learning und/oder Flipped Classroom)
Zeitrahmen	Halbtägiger bis ganztägiger Workshop (4–8 Stunden) als Kick-off mit Design-Werkstatt oder als Kurseinheit über 2–3 Wochen in hochschuldidaktischen Zertifikatsprogrammen verteilt.
Zielgruppe	Lehrende an Hochschulen und Universitäten; Dozierende in hochschuldidaktischen Weiterbildungsprogrammen; Hochschulentwickler*innen; Berufungskommissionen
Gruppengrösse	8–20 Dozierende (kleinere Gruppen ermöglichen tiefere Reflexionsdialoge und die Arbeit an authentischen Artefakten in Peergruppen).
Assessment	Reflexionseintrag im eigenen Lehrportfolio (dokumentiert KI-Einsatz und persönliche Learnings); Peer-Feedback auf einen KI-unterstützten Portfolioabschnitt; optionale Selbstevaluation mit Rubrics für Lehrportfolios.
Mögliche Tools	ChatGPT (OpenAI) / Claude (Anthropic) / Gemini (Google) / local LLM für Reflexionsdialoge, Textentwurf und Kompetenzvalidierung Custom GPTs mit RAG-Anbindung für fokussierte Outputs auf Basis eigener Portfoliomaterialien, reduziert Halluzinationsrisiko Obsidian oder andere Markdown-basierte Tools für Personal Knowledge Management und Digital Gardening als Basis nachhaltiger Portfolioarbeit

Lernziele

• LZ1: Die Lehrenden können GenKI-Tools gezielt für ausgewählte Portfolioaufgaben einsetzen (Framing, Dokumentieren, Reflektieren, Validieren, Präsentieren von Lehrkompetenzen).

• LZ2: Die Lehrenden können Chancen und Risiken des GenAI-Einsatzes abwägen und begründet entscheiden, wann dies sinnvoll und wann nachträglich sein kann.

• LZ3: Die Lehrenden können authentische Portfolioartefakte ko-konstruktiv mit genKI-Tools erstellen, die ihre Lehrkompetenzen reflektieren, ohne menschliche Autorschaft an KI-Systeme abzugeben.

• LZ4: Die Lehrenden können ihren KI-Einsatz transparent dokumentieren und ethisch begründen (u.a. Datenschutz, Autorenschaft, Integrität).

KI-Kompetenzrahmen

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

Verstehen, Evaluieren, Gestalte, Anwenden, Zusammenarbeiten & Verantworten

Ablauf

Empfohlener Ablauf:

1. Einführung: Lehrportfolios als dynamische Wissensarchitekturen verstehen – Funktionen, Dimensionen (Framing, Dokumentieren, Reflektieren, Validieren, Präsentieren) und Qualitätskriterien

2. Identifikation von Chancen und Risiken: Chancen (u.a. Syntheseleistung, Reflexionsscaffolding, Kompetenzvalidierung) und Risiken (bspw. simulierte Reflexion, Deskilling, Datenschutz) nach dem AI-ECP-Modell

3. Entscheidungsrahmen: PAIR-Framework (Problem – genKI – Interaction – Reflection; Acar 2023) als Modell für bewusste Entscheidungen, ob, welches Tool, wie und für welchen Zweck

4. Umsetzung: Arbeit mit eigenen Portfolioartefakten: a) Evidence Synthesizer: KI unterstützt bei der Extraktion von Mustern aus Kursevaluationen; b) Reflective Coach: KI stellt Fragen z.B. nach Brookfield’s 4 Lenses (Brookfield, 2017);

5. Reflexion & Ethik: Diskussion zu Authentizität, Transparenz und Verantwortung; Grundprinzip „Think first – GenAI second – Think again“

Vorteile

• KI erkennt Muster in Kursevaluationen und Feedbackdaten, die manuell leicht übersehen werden

• Zeitersparnis bei administrativen Aufgaben (Strukturieren, Verschlagworten) schafft Raum für tiefere menschliche Reflexion

• Reflexionsscaffolding: KI als Gesprächspartner rund um die Uhr verfügbar und ermöglicht niedrigschwelligen Zugang zu strukturierter Selbstreflexion

• KI kann helfen, implizites pädagogisches Wissen (tacit knowledge) zu versprachlichen und sichtbar zu machen

• KI unterstützt die Übersetzung zwischen Praxissprache und formalen Kompetenzrahmen (u.a. Dublin Deskriptoren, St.Galler Entwicklungsrad Hochschullehre)

• Kreativitätsimpulse durch alternative Framings, Gegenargumente und neue Strukturvorschläge

Nachteile

• KI produziert sprachlich polierte, aber inhaltlich oberflächliche Texte ohne persönliche Authentizität und epistemische Autorschaft

• Zu intensive KI-Nutzung schwächt langfristig eigene Urteils- und Reflexionsfähigkeit (Deskilling; Skill-Skipping)

• LLMs tendieren dazu, Nutzeraussagen zu bestätigen, statt zu hinterfragen

• KI-Outputs wirken präzise, sind aber nicht immer zuverlässig und bedürfen einer kritischen Überprüfung

• Datenschutz: Sensible Lehr- und Studierendendaten dürfen nicht ungeschützt in kommerzielle Cloud-KIs hochgeladen werden

• Homogenisierungstendenzen von LLMs verwischen individuelle Reflexionen im Portfolio

• Berufungskommissionen könnten KI-generierte Passagen im Lehrportfolio als unauthentische Reflexionen werten

Weitere Aspekte

• KI-Einsatz im Portfolio sollte transparent und explizit dokumentiert werden

• Leitmotiv „Think first – GenAI second – Think Again“: Eigene Reflexion und Urteilsbildung haben Vorrang; KI ergänzt, ersetzt aber keine Kernkompetenz

• KI eignet sich für administrative und strukturierende Aufgaben (Lower-Order); (Higher-Order) Core Tasks bedürfen menschlicher Autorschaft und Urteilskraft

• Theoretische Fundierung: Use Case basiert auf dem AI-Enhanced Competence Portfolio (AI-ECP)-Modell und dem PAIR-Framework (Acar, 2023, zit. in Buck, 2025)

Beispielprompts

1. Evidence Synthesizer:

„Analysiere folgende Kursevaluationen und identifiziere wiederkehrende Themen, Stärken, Schwächen, Spannungsfelder und blinde Flecken: [Text einfügen]. Was lässt sich daraus für meine Lehrkompetenzen und deren Weiterentwicklung ableiten?“

2. Reflective Coach (Brookfield’s 4 Lenses):

„Nimm die Rolle eines kritischen Freundes ein. Stelle mir aus den 4 Linsen nach Brookfield  metakognitive Fragen zu meiner Lehrphilosophie: [Text einfügen]“

3. Widerspruchssuche:

„Identifiziere Inkonsistenzen, Redundanzen und oberflächliche Passagen in meiner Reflexion. Was bleibt unbelegt oder zu allgemein? [Text einfügen]“