Pen & Paper AI-Training

Kontext

In immer mehr Fachdisziplinen spielt der Einsatz von Künstlicher Intelligenz (KI) eine Rolle, ohne dass das technische Grundverständnis für die dahinterliegenden Modelle bekannt ist. Insbesondere in Masterstudiengängen, Wahlpflichtfächern oder spezialisierten Vertiefungen steht häufig die Anwendung im Vordergrund, während die Funktionsweise der Modelle unklar bleibt.

Um die Potenziale von KI bewusst und zielgerichtet im Hochschulkontext z.B. für die Unterstützung bei einer Prüfungs- und Studienarbeit einsetzen zu können, ist es notwendig, ein grundlegendes Verständnis über die Arbeitsweise und Limitationen von Large Language Modells (LLMs) wie ChatGPT oder Claude zu entwickeln.

Problem

Die Anwendung Künstlicher Intelligenz (KI), insbesondere von großen Sprachmodellen (Large Language Models, LLMs), wird oft unreflektiert vorgenommen. Dies führt zu Missverständnissen über ihre Fähigkeiten und zu enttäuschenden Ergebnissen. Häufig fehlen Anwendern grundlegende Kenntnisse über die Funktionsweise und die Grenzen solcher Modelle. Dadurch werden unrealistische Erwartungen geschürt und mögliche Einsatzgebiete nicht optimal genutzt.

Wirkkräfte

Die Anwendung künstlicher Intelligenz ist heute von essentieller Bedeutung und für Studierende einfach und sogar kostenfrei möglich. Sie nutzen KI als „Helferlein“ und vertrauen häufig zu stark auf die Nützlichkeit der Werkzeuge. Dabei gibt es eine Reihe einfach identifizierbarer Wirkkräfte, die zur oben genannten Problemstellung führen.

1. Technologische Komplexität: KI-Modelle sind hochkomplex und schwer verständlich. Ihre Funktionsweise basiert auf zahlreichen ineinandergreifenden IT-Technologien, deren Zusammenspiel für viele Anwender intransparent bleibt.

2. Fehlendes Grundlagenwissen: Viele Nutzer setzen KI-Anwendungen ein, ohne die zugrunde liegenden Mechanismen zu kennen. Dies erschwert eine fundierte Einschätzung der Ergebnisse und kann zu Fehleinschätzungen führen.

3. Black-Box-Phänomen: KI-Modelle treffen Entscheidungen auf Basis großer Datenmengen, ohne dass für den Nutzer ersichtlich ist, welche Faktoren dabei eine Rolle spielen. Dies führt zu Unsicherheit und mangelnder Nachvollziehbarkeit.

4. Fehlendes Transferwissen: Das Wissen über KI bleibt häufig theoretisch und wird nicht auf konkrete Anwendungsfälle übertragen. Dadurch entstehen Unsicherheiten im praktischen Einsatz.

Pen & Paper – AI Training soll für Interessierte einen Einstieg in das Verständnis großer Sprachmodelle geben und damit das Erwartungsmanagement den Tools gegenüber objektivieren.

Lösung

„Pen & Paper – AI Training“ ist ein didaktisches Konzept, das in einem rollenspielbasierten Setting grundlegende KI-Mechanismen erfahrbar macht. Studierende übernehmen unterschiedliche Rollen innerhalb eines Sprachmodells, wie Input-Management, Embedding, Intention-Management und Vorhersage. Durch die simulierte Verarbeitung von Textbausteinen (z. B. Bewerberprofile) erleben sie unmittelbar, wie ein KI-Modell Eingaben zerlegt, Bedeutungen erfasst und Ergebnisse generiert. Diese interaktive Methode ermöglicht ein tiefgehendes Verständnis der Funktionsweise von KI und hilft, deren Einsatzmöglichkeiten kritisch zu reflektieren.

Details der Lösung

Studierende sollen in kleinen Gruppen von 12–18 Personen einen praxisnahen Zugang zur Funktionsweise von KI-Modellen erhalten, um deren Potenzial und Grenzen besser bewerten zu können.

1. Vorbereitung:
a) Materialien erstellen (Beispiel siehe Downloads):
– Rollenkarten (Input-Manager, Embedding-Spezialist, Intention-Manager, Output-Manager) mit klaren Aufgaben und Beispielen.
– Textbausteine als Input-Material, z. B. Bewerberbeschreibungen mit relevanten und irrelevanten Informationen.
– Tabellen oder Vorlagen für Tokenisierung, Embeddings und Ergebnisdarstellungen.
b) Gruppen einteilen:
– Zunächst themengleiche Gruppen (jeweils eine Rolle), später heterogene Gruppen mit je einer Person aus jeder Rolle.
c) Ziel und Ablauf kommunizieren:
– Den Studierenden zu Beginn die Lernziele sowie den Zeitplan der Übung erläutern.

2. Ablauf:
a) Einführung (10 Minuten):
– Kurze Erklärung der Funktionsweise von Large Language Models (LLMs) und ihrer Relevanz für das Bewerbermanagement.
– Vorstellung der Rollen und des Übungsformats.

b) Phase 1: Rollenspezifische Aufgaben (15 Minuten):
– Themengleiche Gruppen lösen rollenspezifische Aufgaben (z. B. Texttokenisierung, Embedding-Erstellung, Zieldefinition).
– Jede Gruppe erstellt Teilergebnisse, die später zusammengeführt werden.

c) Phase 2: Heterogene Gruppenarbeit (15 Minuten):
– Neue Gruppen setzen die Ergebnisse zusammen:
– Input-Manager liefern die Tokens,
– Embedding-Spezialisten erklären die Vektoren,
– Intention-Manager definieren die KI-Ziele,
– Output-Manager gestalten eine Bewerberbewertung oder Empfehlung.

d) Präsentation und Reflexion (10 Minuten):
– Jede Gruppe stellt kurz ihre Ergebnisse vor.
– Gemeinsame Diskussion zu Stärken, Schwächen und Grenzen von LLMs im Bewerbermanagement.

3. Stolpersteine und Lösungsansätze:
a) Unklare Rollenverständnisse:
– Erläutern Sie die Rollen und ihre Bedeutung im KI-Kontext zu Beginn klar und geben Sie Beispiele.
b) Zeitmanagement:
– Planen Sie die Zeit für Diskussionen und Abstimmungen großzügig ein.
c) Überforderung mit abstrakten Konzepten:
– Verwenden Sie einfache, anschauliche Beispiele, um technische Aspekte greifbar zu machen.

4. Nachbereitung:
– Optional: Kurze Feedbackrunde, um Verständnisfragen zu klären.
– Bereitstellung von Materialien (z. B. ausgefüllte Vorlagen, Lösungsskizzen) zur Nacharbeit.

Folgen (Vorteile, Nachteile)

Vorteile von „Pen & Paper – AI Training“:

1. Einfachheit und Zugänglichkeit:
Die Methode benötigt keine digitalen Werkzeuge, sodass sie in jeder Lernumgebung und ohne technische Infrastruktur einsetzbar ist.

2. Förderung des Verständnisses:
Studierende erleben KI-Konzepte auf einer praktischen, greifbaren Ebene und können abstrakte Prozesse wie Tokenisierung oder Embedding nachvollziehen.

3. Kollaboratives Lernen:
Die Rollenverteilung und Gruppenarbeit fördern Teamarbeit, Perspektivenvielfalt und eine tiefere Auseinandersetzung mit den Aufgaben.

Diese Methode dient der Problemlösung, indem sie nicht nur theoretisches Wissen, sondern auch kritisches Verständnis fördert. Studierende lernen, KI-gestützte Systeme reflektiert zu bewerten und deren Einsatzmöglichkeiten sowie Limitationen realistisch einzuschätzen – eine zentrale Kompetenz in der zunehmend digitalisierten Berufswelt.

Nachteile von „Pen & Paper – AI Training“:

1. Begrenzte Realitätsnähe:
Ohne den Einsatz realer KI-Tools bleibt die Methode abstrakt und vermittelt kein vollständiges Bild der technologischen Komplexität von KI-Anwendungen.

2. Zeitintensiv:
Die Methode erfordert sorgfältige Vorbereitung und längere Bearbeitungszeiten, die in eng getakteten Lehrveranstaltungen schwer umzusetzen sein können.

3. Reduzierter Umfang:
Komplexere technische Aspekte, wie die tatsächliche Implementierung oder die Effizienz von Algorithmen, können nur oberflächlich behandelt werden.