Die Ausgangslage

Die zunehmende Bedeutung von KI ist in aller Munde. KI-Anwendungen finden sich im Gesundheitswesen, im Finanzwesen, im Ingenieurwesen und in vielen weiteren Branchen. Das bedingt auch den Bedarf nach mehr Wissen und Ausbildung rund um KI (Laupichler et al., 2022).

Verschiedene Arten der KI-Bildung

KI-Bildung lässt sich in unterschiedliche Arten unterteilen. Im Kontext dieses Blogs unterscheiden wir zwischen (1) KI-Bildung, die allgemeine Grundlagen vermittelt, (2) KI-Expert:innenbildung, die die Grundlage für die Forschung legt, und (3) domänenspezifischer KI-Bildung, die Bildung an der Schnittstelle von KI und Fachbereichen beinhaltet. Während die ersten beiden Arten bereits viel Aufmerksamkeit bekommen haben, bietet letztere ein großes Potenzial, um die KI-Ausbildung auf verschiedene Bereiche auszuweiten (Schleiss et al., 2023).

Domänenspezifische KI-Ausbildung

Es gibt drei Gründe, warum domänenspezifische KI-Ausbildung wichtig ist:

1. Interdisziplinäre Relevanz: KI überschneidet sich mit verschiedenen Disziplinen und ist eine Technologie, die erst in der Anwendung ihren Mehrwert zeigt. Daher hilft die Integration von KI-Bildung in den jeweiligen Fachbereich den Studierenden zu verstehen, wie KI in für den Fachbereich relevanten Anwendungsfällen eingesetzt werden kann.
2. Verbesserung der Beschäftigungsfähigkeit: Absolvent:innen, die sich mit der Anwendung von KI in ihrem Fachgebiet auskennen, haben einen Wettbewerbsvorteil auf dem Arbeitsmarkt.
3. Förderung von Innovation: KI-Bildung kann Studierende dazu inspirieren, KI-basierte Lösungen für reale Herausforderungen zu entwickeln.

Herausforderungen in der domänenspezifischen KI-Ausbildung

Gleichzeitig stellt die domänenspezifische KI-Ausbildung sowohl für die Lernenden als auch für die Lehrenden eine Herausforderung dar. Die Lernenden kommen aus verschiedenen Disziplinen und bringen daher unterschiedliche Vorkenntnisse und Fähigkeiten mit. Lehrende, die an der Schnittstelle von KI und ihrem Fachgebiet unterrichten, müssen eine Brücke zwischen zwei Bereichen schlagen. Das Unterrichten eines domänenspezifischen KI-Kurses erfordert eine gründliche (Selbst-)Reflexion der Kompetenzen der Lehrenden im Bereich KI und der eigenen Rolle im Lernprozess.
 

AI Course Design Planning Framework

Im Folgenden wird ein kurzer Überblick über die Kategorien des Frameworks gegeben.

Abbildung: Das AI Course Design Planning Framework (Schleiss et al., 2023)

KI in der Disziplin

• Domäne: Disziplin, in der KI angewendet wird, z. B. Radiologie in der Medizin oder Maschinenbau im Ingenieurwesen
• Anwendungsfälle: Identifizieren der zukünftigen (potenziellen) Anwendungen von KI in der Domäne
• Daten in der Domäne: Identifizieren der Art der Daten (z. B. Zeitreihen, Texte oder Bilder), die in den Anwendungsfällen verwendet werden, unter Berücksichtigung von Datentypen und vorhandenen Datenmengen
• Implikationen: Erarbeiten der ethischen, rechtlichen und sozialen Auswirkungen des Anwendungsfalls
• Lernressourcen: Identifizieren von vorhandenen (Lehr-)Materialien, auf denen aufgebaut werden kann, insbesondere Open Educational Resources (OER)

Lernumgebung

• Lernende: Einordnung von bestehenden KI-Fähigkeiten sowie Rollen, die die Lernenden einnehmen sollen
• Lehrende: Bewertung der Fähigkeiten der Lehrenden (z. B. in Bezug auf KI-Wissen, Fachwissen und pädagogische Fähigkeiten)
• Interne Unterstützung: Erkennen von Ressourcen und Einschränkungen, einschließlich der Verfügbarkeit von Daten, Software und Hardware

Kursimplementierung

• Lernergebnisse: Definieren von spezifischen, messbaren Lernzielen
• Prüfung: Erarbeiten von Prüfungsformaten, z. B. Verknüpfung der Bewertungen mit realen Anwendungen und Einbeziehung von Reflexion
• Lernaktivitäten: Planung von Lernaktivitäten

Wie funktioniert das Framework?

Das AI Course Design Planning Framework ist ein visuelles und praktisches Werkzeug für Lehrende und Kursentwickler:innen im Hochschul- oder Berufsbildungskontext mit besonderem Fokus auf Studierende außerhalb von Informatik-Studiengängen. Es kann als Mittel zur Ideensammlung, Innovation, Planung und Kommunikation von Ideen für domänenspezifische KI-Kurse verwendet werden.

Das Framework kann als eigenständiges Instrument für Einzelpersonen, im Tandem mit KI- und Domänenexpert:innen oder in einem Workshop-Setting mit mehreren Personen verwendet werden. Wir schlagen vor, den Rahmen von links nach rechts auszufüllen, wobei zunächst die Fragen zu KI in der Domäne, die Lernumgebung des Kurses und schließlich die Kursdurchführung berücksichtigt werden.

Drei Schritte zu einer besseren KI-Ausbildung für alle

1. Probiert es selbst aus
   Experimentieren ist besser als lesen, deshalb freuen wir uns, wenn ihr das Framework ausprobiert. Ein leeres Framework kann hier heruntergeladen werden.
2. Teilt eure Ergebnisse
   Wir bauen eine Datenbank mit ausgefüllten Frameworks auf, um es allen zu erleichtern, KI-Kurse für Studierende zu erstellen. Wenn ihr ein ausgefülltes Framework beisteuern möchtet, könnt ihr es gerne an johannes.schleiss@ovgu.de schicken.
3. Nehmt an Folgestudien teil
   Wir sind daran interessiert, das Framework weiter in der Praxis zu testen und seinen Einsatz in verschiedenen Anwendungsbereichen zu evaluieren. Außerdem sind zusätzliche Workshops rund um das Thema geplant. Derzeit führen wir eine Studie in der Ingenieurausbildung durch. Ihr könnt euch hier für die Teilnahme registrieren.

Literatur

Laupichler, M. C., Aster, A., Schirch, J., & Raupach, T. (2022). Artificial intelligence literacy in higher and adult education: A scoping literature review. Computers and Education: Artificial Intelligence, 100101.

Schleiss, J., Laupichler, M. C., Raupach, T., & Stober, S. (2023). AI Course Design Planning Framework: Developing Domain-Specific AI Education Courses. Education Sciences, 13(9), 954.