Brauchen wir (mehr) Kontrolle beim wissenschaftlichen Schreiben?
Eine Hausarbeit abgeben, Noten bekommen, fertig. Was lange Zeit relativ selbstverständlich erschien, wird durch generative KI zunehmend kompliziert. Denn inzwischen können KI-Systeme Texte produzieren, die auf den ersten Blick kaum von menschlich geschriebenen Texten zu unterscheiden sind.
Für Hochschulen und Lehrende entsteht dadurch ein echtes Problem: Wie lässt sich noch feststellen, welche Leistung tatsächlich von Studierenden erbracht wurde?
Die Suche nach einer Antwort führt häufig zu technischen Lösungen. Wasserzeichen sollen KI-Texte kennzeichnen, andere Systeme überwachen gleich den gesamten Schreibprozess. Doch können wir menschliche Eigenleistung wirklich technisch messen?
KI im fertigen Text erkennen
Eine vermeintliche Lösung bieten Wasserzeichen. Dabei erzeugt ein KI-System ein statistisches Muster im generierten Text, das später von einem entsprechenden Detektor erkannt werden kann. Das klingt zunächst vielversprechend. Allerdings sagt eine solche Kennzeichnung darüber aus, wie und in welchem Maße KI verwendet wurde.
Ein positives Signal bedeutet daher nicht automatisch, dass keine eigene Leistung erbracht wurde. Ein negatives Signal beweist nicht das Gegenteil.
Und was, wenn wir den Schreibprozess überwachen…?
Wenn sich am fertigen Text nicht zuverlässig feststellen lässt, wie er entstanden ist, liegt eine andere Lösung nahe: die Dokumentation des gesamten Schreibprozesses.
Systeme zum „Proof of Process“ können beispielsweise erfassen, wie lange an einem Dokument gearbeitet wurde, welche Textpassagen eingefügt wurden und wie stark ein Text überarbeitet wurde. So können bestimmte Schreibmuster als auffällig markiert werden.
Doch auch hier wird nicht ausreichend beachtet, dass Menschen unterschiedlich schreiben. Manche überarbeiten einen Text öfter oder schreiben ihn zunächst außerhalb des Dokuments. Eine kurze Schreibzeit oder wenig Bearbeitung bedeuten deshalb nicht zwingend, dass ein Text mit oder durch KI entstanden ist.
Vor allem aber zeigen Prozessdaten nur, was innerhalb eines Dokuments passiert ist, und nicht unbedingt, wer die wissenschaftliche Denkleistung erbracht hat. Das sollte nicht außer Acht gelassen werden.
Was denn dann?
Statt immer genauer kontrollieren zu wollen, lohnt sich deshalb eher die Frage: Was soll mit einer wissenschaftlichen Arbeit geprüft werden?
Hier kann das 3-P-Modell von Doris Weßels, erstmals 2023 vorgestellt, Orientierung bieten:
Produkt: Wie ist das schriftliche Ergebnis?
Präsentation: Kann die Person ihre Argumentation erklären, Entscheidungen begründen und Rückfragen beantworten?
Prozess: Wie wurde gearbeitet? Welche Methode und wie wurde KI eingesetzt?
Nicht mehr überwachen, lieber anders prüfen
Der Wunsch nach technischen Lösungen ist verständlich. Doch mehr Daten bedeuten nicht automatisch mehr Gewissheit über die erbrachte Leistung. Vielleicht sollten wir deshalb nicht versuchen, noch genauer zu kontrollieren, sondern lieber beobachten, wie Lernende ihre Texte produzieren.
Klare Anforderungen und Erwartungen helfen den Lernenden zu verstehen, was gelernt werden soll. Das schult den Umgang mit KI und macht gleichzeitig die Frage auf: Wie gestalten wir wissenschaftliche Arbeiten und Prüfungen so, dass menschliche Kompetenzen auch dann sichtbar werden, wenn KI selbstverständlicher Bestandteil wissenschaftlicher Arbeitsprozesse ist?
Künstliche Intelligenz verändert gerade massiv, wie Studierende recherchieren. KI-Tools können Literatur vorschlagen, Zusammenfassungen schreiben und sogar komplette Quellenangaben erzeugen. Das klingt zunächst praktisch, bringt jedoch ein großes Problem mit sich: Manche dieser Quellen existieren gar nicht.
Immer häufiger berichten Lehrende von Hausarbeiten mit Literaturangaben, die frei erfunden wurden. Genau deshalb müssen wir heute mehr denn je über wissenschaftliche Recherchekompetenz sprechen. Denn auch im Zeitalter von KI gilt eine goldene Regel wissenschaftlichen Arbeitens:
Du darfst nur mit Quellen arbeiten, die tatsächlich existieren und die Du selbst geprüft hast.
Warum KI manchmal Quellen erfindet
Viele Studierende gehen davon aus, dass eine KI „schon wissen wird“, welche Quellen es gibt. Genau hier liegt die Gefahr. Sprachmodelle funktionieren nicht wie wissenschaftliche Datenbanken. Sie „denken“ sich keine Quellen absichtlich aus, sondern erzeugen Texte auf Basis von Wahrscheinlichkeiten.
Das bedeutet, dass eine Quellenangabe absolut überzeugend aussehen kann mit Autor:innenname, Titel, Jahreszahl, Journal und Seitenzahlen – und trotzdem ist sie komplett erfunden. Gerade in den ersten Jahren des KI-Booms war dieses Problem extrem verbreitet. Deshalb lohnt sich ein Blick auf die Entwicklung der KI-Recherche.
Die vier Phasen von KI und Fake-Quellen
Phase 1: Erfundenen Quellen gab es schon vor KI
Auch vor ChatGPT und anderen KI-Tools tauchten manchmal falsche Quellen in Hausarbeiten auf. Dafür gab es unterschiedliche Gründe:
fehlende Recherchekompetenz
Zeitdruck kurz vor der Abgabe
Verzweiflung
bewusste Täuschung
Egal aus welchem Grund: Wissenschaftlich korrekt war das noch nie. Wer Quellen erfindet, verletzt die Grundprinzipien wissenschaftlichen Arbeitens.
Phase 2: KI halluziniert wissenschaftliche Quellen
Mit dem Aufstieg generativer KI-Tools ab 2022 wurde das Problem deutlich größer. Die Modelle hatten damals noch keinen Internetzugang und arbeiteten mit sogenannten „Cut-off-Daten“. Sie kannten also nur Informationen bis zu einem bestimmten Zeitpunkt.
Gleichzeitig konnten sie wissenschaftliche Quellenangaben erstaunlich gut imitieren. Das führte dazu, dass viele KI-generierte Literaturverzeichnisse täuschend echt wirkten, obwohl die Quellen gar nicht existierten. Die Folge war, dass zahlreiche Studierende diese Angaben ungeprüft in ihre Arbeiten übernahmen.
Phase 3: KI mit Internetzugang
Als KI-Tools später Zugriff auf das Internet bekamen, wurde die Situation etwas besser. Die Systeme konnten nun reale Quellen finden, die frei im Netz verfügbar waren. Dadurch nahm die Zahl komplett erfundener Quellen zwar ab, aber ein neues Problem entstand: die Qualität der Recherche. Denn KI fand häufig nur leicht zugängliche Quellen aus dem offenen Internet. Wissenschaftlich relevante Literatur aus Bibliothekskatalogen, Fachportalen oder Datenbanken blieb oft außen vor.
Existierende Quellen sind also nicht automatisch gute Quellen.
Phase 4: Spezialisierte KI-Recherchetools
Mittlerweile gibt es spezielle KI-Tools für wissenschaftliche Literaturrecherche. Diese greifen auf Datenbanken, Bibliothekskataloge und wissenschaftliche Archive zu. Das ist definitiv ein Fortschritt. Die Wahrscheinlichkeit von Halluzinationen wird deutlich geringer. Trotzdem gilt weiterhin:
Auch spezialisierte KI-Recherchetools sind keine Garantie für wissenschaftliche Qualität oder Fehlerfreiheit.
KI kann Dich bei der Recherche unterstützen, aber sie kann Dir die Verantwortung nicht abnehmen.
Die wichtigste Regel wissenschaftlichen Arbeitens
Am Ende läuft alles auf eine einfache Regel hinaus:
Prüfe jede Quelle selbst.
Das klingt banal, ist aber essenziell. Du kannst wissenschaftlich nur mit Dingen arbeiten, die Du selbst gesehen und überprüft hast.
Das bedeutet konkret:
Öffne jede Quelle selbst
Prüfe Autor:in, Titel und Erscheinungsjahr
Kontrolliere Seitenzahlen
Schaue nach, ob die Quelle wirklich existiert
Lies zumindest die relevanten Abschnitte selbst
Verlasse Dich niemals blind auf KI-generierte Literaturangaben.
Was viele Studierende unterschätzen
Ein großes Problem sind in diesem Zusammenhang sogenannte Second-Hand-Zitate. Dabei wird eine Quelle zitiert, die man selbst gar nicht gelesen hat, sondern nur aus einer anderen Arbeit übernimmt. Genau hier zeigt sich dieselbe Problematik wie bei KI-Quellen, denn viele Menschen vertrauen darauf, dass die Angaben „schon stimmen werden“.
Doch wissenschaftliches Arbeiten funktioniert nicht auf Vertrauensbasis, sondern auf Überprüfbarkeit! Wenn Du akademisch sauber arbeiten möchtest, musst Du Quellen eigenständig kontrollieren und das unabhängig davon, ob sie aus einer KI, aus Google oder aus einer anderen wissenschaftlichen Arbeit stammen.
KI kann Recherche erleichtern, aber nicht ersetzen
KI-Tools können Dir heute viel Arbeit abnehmen. Sie können Suchbegriffe vorschlagen, Themen strukturieren oder erste Literaturhinweise liefern. Das kann unglaublich hilfreich sein. Recherchekompetenz wird dadurch nicht unwichtig, sondern wichtiger denn je. Denn wer nicht weiß, wie wissenschaftliche Recherche funktioniert, erkennt oft auch nicht, wenn eine KI Fehler macht. Deshalb solltest Du KI immer als Unterstützung sehen und niemals als Ersatz für Deine eigene Prüfung und Bewertung von Quellen.
Denn die goldene Regel bleibt bestehen: Eine Quelle, die Du zitierst, muss existieren.
So oder ähnlich begegnet mir derzeit eine Sorge, die in vielen Bildungsdebatten mitschwingt. Manchmal wird sie differenziert formuliert, manchmal eher im Alarmton, manchmal mit einem leichten Seufzen darüber, dass Lernende nun offenbar auch noch das Denken auslagern und „gar nichts mehr selbst machen”.
Ganz unberechtigt finde ich diese Sorge nicht. Wer KI nutzt, um nicht mehr selbst zu lesen, nicht mehr selbst zu schreiben, nicht mehr selbst zu urteilen, verliert vermutlich Fähigkeiten oder entwickelt sie gar nicht erst in der nötigen Tiefe. Wenn ein System permanent Formulierungen, Zusammenfassungen, Gliederungen, Argumente und Entscheidungen anbietet, kann man sich schnell daran gewöhnen, weniger selbst zu tun. Es ist ja so herrlich bequem.
Das ist die berechtigte Seite der Deskilling-These. Als Bildungsdiagnose bleibt sie aus meiner Sicht aber zu klein, denn häufig wird so getan, als bestünde Bildung vor allem darin, bestimmte Leistungen ohne Hilfsmittel selbst zu erbringen. Erst selbst denken, dann KI. Erst Bildung, dann Werkzeug. Erst ordentlich lesen, schreiben, rechnen, recherchieren, argumentieren — und wenn das sitzt, darf die Maschine vielleicht dazukommen (aber nur, wenn die Lehrperson es erlaubt…). Das klingt zunächst vernünftig und ich habe in einem Gastbeitrag für das HFD-Forum auch für die „Erst ohne und dann mit“-Variante des Lernens plädiert. Das war allerdings im Februar 2023. Bei genauerem Hinsehen ist es mittlerweile aber echt schräg.
Bildung entsteht nicht vor der Welt
Wenn wir Bildung im humboldtschen Sinn ernst nehmen, dann ist Bildung nicht einfach das Anhäufen von Fähigkeiten. Sie ist auch nicht nur Kompetenzaufbau und schon gar nicht bloß Prüfungsfähigkeit. Bildung meint ein Verhältnis: des Menschen zur Welt, zu anderen und zu sich selbst (nachzulesen etwa in Humboldts „Theorie der Bildung des Menschen“).
Mit Humboldt lässt sich sagen: Man bildet sich nicht vor der Welt, sondern an ihr.
Und KI ist inzwischen Teil dieser Welt. Kein nettes Zusatztool für Fortgeschrittene, kein digitales Extra nach der eigentlichen Bildung, sondern eine reale Bedingung von Kommunikation, Arbeit, Schreiben, Lernen, Öffentlichkeit und Wissen.
Deshalb finde ich die Formel „erst Bildung, dann KI“ schräg. Sie behandelt KI so, als könne man sie aus Bildungsprozessen heraushalten, bis Lernende gebildet genug sind, um mit ihr umzugehen. Fun fact: Genau dieses Umgehen gehört zu Bildung (also „Umgehen“ im Sinne von „Umgang“, nicht „einen Weg außenrum nehmen“ ;-)).
Wer versucht, KI aus Unterricht und Lehre auszuschließen, schützt Bildung deshalb nicht automatisch. Die Auseinandersetzung verschiebt sich dann eher in informelle Räume. Das halte ich nicht für eine besonders tragfähige Bildungsstrategie. Ich finde, das ist eher eine Form pädagogischer Auslagerung: KI-Nutzung findet ohnehin statt, nur häufig ohne Sprache dafür, ohne Kriterien, ohne gemeinsame Reflexion und ohne geklärte Verantwortung. Sie wird nicht mehr begleitet und didaktisch fruchtbar gemacht.
KI ist nicht nur Werkzeug
Der Satz „KI ist nur ein Werkzeug“ beruhigt viele. Leider beruhigt er etwas zu schnell.
Ein Hammer ist ein Werkzeug. Ein Taschenrechner ist ein Werkzeug. Eine textgenerierende KI ist auch ein Werkzeug, aber nicht in diesem schlichten Sinn. Sie arbeitet mit Sprache und erzeugt dabei Plausibilität, bietet Deutungen an, formuliert Einwände, sortiert Gedanken, glättet Unsicherheiten und macht Vorschläge dafür, wie ich klingen, denken, argumentieren oder mich selbst beschreiben könnte. Sie simuliert Verstehen.
Damit rückt KI deutlich näher an Bildungsprozesse heran als viele ältere Werkzeuge wie der Hammer oder der Taschenrechner (diesen Vergleich habe ich ihm oben erwähnten Gastartikel auch verwendet. In drei Jahren kann offensichtlich viel passieren…).
KI ist zunächst einmal ein technisches, soziales, ökonomisches und kulturelles Phänomen. Sie ist damit „Welt”, zu der ich mich verhalten muss. Ich muss verstehen, was diese Systeme können, was sie nicht können, welche Interessen in ihnen stecken, welche Fehler sie machen, welche Autorität sie ausstrahlen und warum ihre Antworten oft so überzeugend wirken.
Zugleich bleibt KI aber nicht einfach ein Gegenstand da draußen. Sie wird zunehmend auch zu einem großen Teil des „Selbst”, zu einem Medium meines Selbstverhältnisses. Wenn ich mit KI denke und entscheide, betrifft das nicht nur irgendeine äußere Aufgabe. Es betrifft meine Sprache, mein Urteil, meinen Ausdruck, meine Verantwortung. KI ist nicht mein Selbst. Aber sie spricht an den Stellen mit, an denen sich mein Selbst bildet und zeigt.
Darin liegt die bildungstheoretische Brisanz.
Bieri: Gebildet ist, wer sich ins Verhältnis setzen kann
Peter Bieri denkt Bildung stark vom Selbstverhältnis her (Bieri 2005, „Wie wäre es, gebildet zu sein?“ Festrede zur Eröffnung der Pädagogischen Hochschule Bern, abzurufen hier: https://www.phbern.ch/sites/default/files/2025-01/20051104_bieri_festrede.pdf ). Gebildet ist nicht einfach, wer viel weiß. Gebildet ist, wer sich zu sich selbst, zu den eigenen Gedanken, Wünschen, Urteilen und Ausdrucksformen in ein Verhältnis setzen kann: „Der Gebildete ist also einer, der sich in der Welt zu orientieren weiss.“ (S. 2).
Übertragen ins KI-Zeitalter mag das bedeuten, dass es egal ist, ob ein Text mit oder ohne KI entstanden ist. Vielmehr sollten wir uns fragen: Kann die Person noch sagen, was sie meint? Kann sie begründen, warum diese Formulierung passt? Erkennt sie, wo ein KI-Vorschlag glatt, aber leer ist? Merkt sie, wann eine Zusammenfassung etwas unterschlägt? Kann sie fremde Vorschläge prüfen, verändern, verwerfen, verantworten?
Wer einfach übernimmt, was gut klingt, bildet sich nicht. Es entsteht Scheinbildung, die sich in einem Text zeigt, der aussieht wie etwas Gedachtes, oder in einem Literaturverzeichnis, das Wissenschaftlichkeit vortäuscht.
Das Problem ist dabei nicht, dass KI Arbeit abnimmt. Das Problem entsteht, wenn KI die Arbeit am Verstehen unsichtbar ersetzt.
Nicht jede Entlastung führt gleich zu Ungebildetheit
Die Deskilling-Sorge übersieht häufig einen wichtigen Punkt: Nicht jede Entlastung macht ungebildeter.
Niemand fordert ernsthaft, wissenschaftliche Texte wieder mit der Hand abzuschreiben, weil Copy-and-paste sonst die Schreibfähigkeit schwächt, oder Regressionen ohne Statistikprogramm zu rechnen, um die mathematischen Fähigkeiten nicht verkümmern zu lassen. Niemand behauptet, Literaturverwaltungsprogramme zerstörten automatisch Zitierkompetenz.
So ist es auch mit KI. Sie kann entlasten, Vorschläge machen, Alternativen zeigen und Denkprozesse sichtbar machen, wenn man sie entsprechend einsetzt. Der Haken ist: Dafür braucht es Bildung, und zwar nicht vorher, sondern währenddessen.
Wir streichen daher am besten die Frage: „Dürfen Lernende KI nutzen, obwohl sie noch nicht gebildet genug sind?“ aus unseren Gedanken. Die klügere Frage lautet meiner Meinung nach: „Wie müssen Lernprozesse gestaltet sein, damit KI-Nutzung selbst bildend werden kann?“
Nicht “erst Bildung, dann KI”. Besser ist “Bildung an, mit und gegen KI”.
Wir brauchen eine Bildung an KI und mit KI. Und, jetzt kommt’s, auch eine Bildung gegen KI.
An KI, weil sie Gegenstand von Bildung ist. Lernende müssen verstehen, was diese Systeme sind, wie sie wirken, wo ihre Grenzen liegen und warum sie gesellschaftlich relevant sind.
Mit KI, weil sie als Denk-, Schreib- und Lerngegenüber durchaus produktiv sein kann. Sie kann Fragen zuspitzen, Gegenargumente liefern, Texte variieren, Perspektiven eröffnen, Rückmeldungen simulieren und Denkblockaden lösen.
Gegen KI, weil Bildung auch Distanz braucht. Auf der inhaltlichen Ebene bedeutet das, dass nicht jeder Vorschlag es verdient, übernommen zu werden. Auf den Prozess bezogen möchte ich betonen, dass nicht alles, was effizient ist, auch sinnvoll ist.
Bildung im KI-Zeitalter heißt deshalb auch, Distanz aufzubauen und KI-freie Momente ernst zu nehmen. Ganz konkret etwa selbst lesen und mit den fremden Gedanken ringen. Selbst formulieren und dabei grandios scheitern. Dabei sollten wir uns nicht vormachen, dass die Welt KI-frei ist. Als Lernende können wir diese Entscheidung für KI-freie Momente für uns selbst treffen, und als Lehrende treffen wir sie manchmal aus didaktischen Gründen. Denn es gibt Zeiten, in denen KI im Lernprozess nichts zu suchen hat, weil bestimmte Erfahrungen nicht übersprungen werden sollten, wie etwa das langsame Verstehen eines schwierigen Textes oder das Aushalten einer unklaren Fragestellung. Solche Phasen müssen in der Lehre aber begründet werden, damit sie nicht zu bloßen Verboten werden und Umgehungstrategien provozieren.
Fazit
Ich fasse zusammen: Die eigentliche Gefahr bei der KI-Nutzung liegt darin, Menschen KI nutzen, ohne zu merken, was sie dabei abgeben.
KI macht sichtbar, wo Bildung fehlt.
Früher konnte man Bildung stärker daran erkennen, dass jemand etwas selbst hervorbringt: einen Text, eine Lösung, eine Recherche, eine Argumentation. Heute wird Bildung zunehmend daran sichtbar, wie jemand mit erzeugten Ergebnissen umgeht: auswählt, prüft, begründet, verbessert, verwirft, verantwortet.
Umgekehrt kann KI Bildungsprozesse vertiefen, wenn sie nicht als Abkürzung verstanden wird, sondern als Anlass zur Prüfung: Was meine ich eigentlich? Warum überzeugt mich dieser Vorschlag oder warum vielleicht eben noch nicht? Was fehlt? Was ist falsch? Was klingt nur gut? Wo muss ich selbst weiterdenken?
Die Bildungsfrage im KI-Zeitalter lautet deshalb:
Wie gestalten wir Bildung so, dass Menschen sich in einer KI-geprägten Welt zu dieser Welt und zu ihrem Selbst verhalten können?
Seit der Veröffentlichung von ChatGPT ist „Prompting“ zu einem Buzzword geworden. Plötzlich hieß es überall: Wer KI sinnvoll nutzen will, muss richtig prompten können. Es entstanden Prompt-Frameworks, Kurse und sogar neue Berufsbezeichnungen wie „Prompt Engineer“. Doch inzwischen wird immer häufiger behauptet, dass Prompting längst nicht mehr relevant sei.
Aber stimmt das wirklich?
In der jüngsten Sternstunde des VK:KIWA haben wir uns genau diese Frage gestellt. Brauchen wir Prompting noch als Kompetenz oder erledigen moderne KI-Systeme inzwischen alles selbst? Die Antworten darauf fielen überraschend unterschiedlich aus. Beteiligt waren (in alphabetischer Reihenfolge): Dr. Isabella Buck, Joscha Falck, Johanna Gröpler, Dr. Anika Limburg, Nadine Lordick, Margret Mundorf, Prof. Dr. Doris Weßels und ich.
Gerade für Menschen an Hochschulen lohnt sich ein genauer Blick auf diese Debatte. Denn wir möchten ja schon ganz gern wissen, was wir (in Zukunft) können sollten. Wenn Du bis zum Ende liest, findest Du noch einen weiteren Gedanken, warum Prompting gerade an Hochschulen weiterhin wichtig sein kann.
Mehrere Stimmen argumentierten, dass klassische Prompt-Frameworks heute deutlich weniger wichtig seien als noch vor zwei Jahren. Moderne KI-Systeme stellen Rückfragen, ergänzen fehlende Informationen selbstständig und führen Nutzer:innen Schritt für Schritt durch Prozesse.
Statt komplizierter Eingaben gehe es zunehmend um sogenannten „Kontext“. Gemeint ist damit alles, was eine KI über Dich, Deine Aufgabe oder Dein Ziel wissen muss, um sinnvoll arbeiten zu können. Manche sprechen deshalb inzwischen lieber von „Context Engineering“ statt von „Prompt Engineering“.
Hinzu kommt, dass viele Tipps aus der Anfangszeit von ChatGPT heute kaum noch funktionieren. Dinge wie besonders komplizierte Rollenzuweisungen oder starre Prompt-Formeln verlieren an Bedeutung, weil sich die Modelle verbessern und in vielen Fällen gar keine kleinteiligen Anweisungen benötigen. Im Gegenteil: Wir verhindern dadurch, dass das Tool selbst einen besseren Weg einschlägt.
Die (immer noch weit verbreitete) Vorstellung, es gäbe den „perfekten Prompt“, wurde erwartungsgemäß kritisch gesehen. KI funktioniert nicht wie ein Automat, in den man den richtigen Code eingibt und von dem man dann automatisch das ideale Ergebnis erhält. Vielmehr entsteht Qualität oft erst im Dialog, also durch Nachfragen, Präzisierungen und iterative Zusammenarbeit mit der KI.
Warum Prompting meiner Meinung nach trotzdem wichtig bleibt
Trotzdem halte ich es für falsch, Prompting komplett abzuschreiben. Gerade im Hochschulkontext sollte Prompting weiterhin gelehrt werden, allerdings sinnvoll, aktuell und ohne den ganzen Hype.
Denn gute Prompts helfen Dir nicht nur dabei, bessere KI-Ergebnisse zu bekommen. Sie helfen Dir vor allem dabei, Klarheit über Deine eigene Aufgabe zu gewinnen.
Wenn Du einer KI erklären musst, was Du brauchst, musst Du zunächst selbst verstehen:
Was genau ist eigentlich meine Aufgabe?
Was ist mein Ziel?
Welche Informationen fehlen mir noch?
Wie soll das Ergebnis aussehen?
Das ist wertvoll, weil Du damit zunächst einmal für Dich selbst Klarheit herstellen musst.
Prompting als Denk- und Analysewerkzeug
Daran schließt sich gedanklich mein Punkt an, zu dem wir in der Diskussion leider nicht mehr gekommen sind: Ich verstehe und nutze Prompting als Analyseinstrument. Ein Prompt zeigt meist schnell, wo noch Unsicherheiten oder Wissenslücken bestehen.
Das gilt beispielsweise beim wissenschaftlichen Schreiben. Wenn Studierende Schwierigkeiten haben, einen sinnvollen Prompt zu formulieren, liegt das häufig nicht daran, dass sie „schlecht prompten“. Vielmehr fehlt oft noch Klarheit über:
die Struktur eines wissenschaftlichen Textes,
die Anforderungen der Aufgabe,
die Zielsetzung der Arbeit,
oder die einzelnen Arbeitsschritte.
Der Prompt macht diese Unsicherheiten sichtbar. Deshalb kann ein aktuelles Prompt-Framework durchaus hilfreich sein; nur nicht als starres Rezept, sondern eben eher als Orientierungshilfe. Gute Frameworks strukturieren Denkprozesse. Sie helfen Dir dabei, Aufgaben systematisch zu durchdenken und Arbeitsprozesse besser zu planen.
KI-Kompetenz ist mehr als Technik
Die Diskussion hat außerdem deutlich gemacht: Es geht längst nicht mehr nur um Technik. Wer KI sinnvoll nutzen möchte, braucht vor allem Kommunikations- und Reflexionskompetenz.
Du musst beurteilen können:
ob eine KI-Antwort sinnvoll ist,
ob sie wissenschaftlichen Standards entspricht,
ob wichtige Informationen fehlen,
oder ob die KI gerade einfach nur überzeugend formulierten Unsinn produziert.
Gerade deshalb reicht es nicht, Studierende einfach mit KI „machen zu lassen“. Hochschulen müssen Räume schaffen, in denen der reflektierte Umgang mit KI geübt werden kann. Prompting kann dabei weiterhin eine wichtige Rolle spielen, wenn man es für sich einzusetzen weiß.
Fazit: Prompting ist immer noch ein Ding, aber ein anderes als noch vor zwei Jahren
Vielleicht verschwindet der Begriff „Prompting“ irgendwann tatsächlich wieder. Vielleicht sprechen wir in ein paar Jahren nur noch über KI-Kompetenz, Kommunikation oder Kontextarbeit. Aber die zugrunde liegende Fähigkeit bleibt wichtig, nämlich klar denken, klar formulieren und Ziele präzise beschreiben zu können.
Prompting sollte deshalb nicht als magische Technik verstanden werden, mit der man KI „perfekt steuert“. Viel sinnvoller ist es, Prompting als Werkzeug zur Strukturierung von Gedanken und Aufgaben zu begreifen, denn genau das ist eine Kompetenz, die Anwender:innen an Hochschulen nicht nur für KI brauchen, sondern für das wissenschaftliche Arbeiten insgesamt.
Weiterführender Link
Hier bloggt meine Kollegin Dr. Isabella Buck aus ihrer Sicht zur VK:KIWA-Sternstunde:
Die Literaturrecherche ist der grundlegende Baustein für Deine wissenschaftliche Arbeit. Egal, ob Hausarbeit oder Abschlussarbeit – eine systematische Literaturrecherche ist wichtig, um gute Ergebnisse zu erzielen und eine runde Arbeit zu schreiben. Aber wo fängt man da überhaupt an? Und wie findet man geeignete (wissenschaftliche) Literatur?
Monografien, Sammelbände und Co. – Welches sind die Hauptquellenarten und wie zitierwürdig sind sie?
Fangen wir erst mal ganz von vorne an… Es ist nämlich wichtig, dass Du die Grundlagen kennst. Bevor Du mit Deiner Literaturrecherche beginnst, solltest Du verstehen, nach welchen Quellenarten Du überhaupt suchen kannst. Die folgenden Informationen helfen Dir dabei, Quellen besser einzuordnen und sie hinsichtlich ihrer Zitierwürdigkeit zu prüfen. Die Zitierwürdigkeit einer Quelle beschreibt die Eignung dieser Quelle, in eine wissenschaftliche Arbeit aufgenommen zu werden. Sie muss also wissenschaftlichen Qualitätsansprüchen genügen. Hierzu zählen beispielsweise Nachvollziehbarkeit und Zuverlässigkeit.
Die vier Hauptquellenarten, die Du bei einer Haus- oder Abschlussarbeit vermutlich verwenden wirst, sind: Monografien, Beiträge in Sammelbänden, Zeitschriftenartikel und Internetquellen.
Monografien: Monografien sind selbständig erschienene Bücher. Sie sind in sich geschlossene Einzelwerke einer einzelnen Person oder eines Teams, das gemeinsam für das Schreiben und Veröffentlichen des Buches verantwortlich ist. Auch einzelne Bände einer Reihe sind Monografien.
Sammelbände: Ein Sammelband ist ein von einer (oder mehreren) Person(en) veröffentlichtes Buch mit einzelnen, voneinander getrennten Beiträgen.
Zeitschriftenartikel: Das ist ein Text von einer oder mehreren Personen, der in einer wissenschaftlichen Zeitschrift erschienen ist – meist nachdem er ein Review-Verfahren durchlaufen hat, also begutachtet wurde.
Internetquellen: Ist die Datei oder der Text, den Du im Internet gefunden hast, auch in gedruckter Form vorhanden, so handelt es sich nicht um eine „echte“ Internetquelle und Du solltest die Quelle beim Zitieren genauso behandeln wie ein Buch oder Zeitschriftenartikel. Alles, was nicht in gedruckter Form vorliegt, zählt als „echte“ Internetquelle und muss mit URL und dem letzten Zugriffsdatum (da sich Texte im Internet schnell ändern können oder später vielleicht nicht mehr zugänglich sind) erfasst werden.
Prinzipiell kannst Du Internetquellen verwenden! Du solltest dabei nur etwas vorsichtiger sein und die Quelle genau ansehen. Prüfe, wer für die Seite verantwortlich ob die Informationen auch von anderen Quellen gestützt werden.
Wir sehen: Keine dieser Quellenarten ist per se „wissenschaftlich“ oder „unwissenschaftlich“! Nein, auch nicht Internetquellen😊
Nun verfügst Du über eine gute Grundlage für Deine nächste Literaturrecherche! Der Unterschied zwischen den Quellenarten wird übrigens auch später noch einmal interessant, wenn es ans Zitieren geht. Je nach Quellenart brauchst Du dann andere Angaben.
Vorabrecherche – Dein Weg durch den Info-Wald
Ohne Dir etwas unterstellen zu wollen: Wahrscheinlich kennst Du das Gefühl, dass sich Deine wissenschaftliche Arbeit am Anfang so anfühlt, als würdest Du vor einem riesigen Berg von Arbeit stehen und den Wald vor lauter Bäumen nicht mehr sehen?
Mach Dir keine Sorgen, das ist ganz normal und geht den meisten von uns so! Und – Du kannst Dir ganz leicht Abhilfe verschaffen. Wie, das erfährst Du hier!
Egal, ob Du schon weißt, worüber Du (ungefähr) schreiben möchtest, oder ob Du noch keine Ahnung hast, worum es in Deiner Arbeit gehen soll: Es ist immer sinnvoll, sich zunächst einen ersten Überblick über das Themengebiet zu verschaffen. Zum Beispiel kannst Du das Thema bei Wikipedia nachlesen. Was? Wikipedia? Ja, als Quelle ist Wikipedia nicht zulässig, aber als erste Informationsstelle ist es durchaus geeignet! Hier kannst Du sehen, was überhaupt alles zu diesem Themengebiet gehört und – zumindest grob – wie der aktuelle Wissenstand ist. Wenn Du Glück hast, findest Du sogar schon erste brauchbare Quellenangaben zum Thema.
Vielleicht gibt es auch Seiten aus Deinem Fachbereich, die eine gute Übersicht über verschiedene Themen aus dem Bereich bietet? Wenn ja, kannst Du diese mit Lesezeichen versehen und immer wieder darauf zurückgreifen, wenn Du vor demselben Problem stehst. Idealerweise bieten die Seiten auch einen Überblick über relevante einleitende oder umfassende Fachliteratur, die Du später in Deiner Literaturrecherche nutzen kannst! Oft findest Du auch auf der Homepage oder dem Studienführer Deines Seminars empfohlene Literatur und Zugänge zu Datenbanken zu Deinem Fach. Ein Beispiel für das Fach Geschichte wären beispielsweise EBSCO, historicum.net und Gnomon.
Hast Du schon einen Beitrag in einem Sammelband oder eine Monographie gefunden, die genau zu Deinem Thema passen? Dann wirf doch einfach mal einen Blick in die Bibliographie oder weiterführende Literatur des Werks. Dort befindet sich oft weitere hilfreiche Literatur.
Und einfach googlen? Das kannst Du auf jeden Fall machen, bevor Du an die vertiefte Recherche mit Google Scholar, den Datenbanken Deiner Hochschulbibliothek oder KI-Tools gehst. Achte jedoch darauf, dass Du dabei genau selektierst, welche Seiten für Dich wichtig und relevant sind und ob diese Seiten auch vertrauenswürdig sind bzw. korrekte Informationen bieten.
Es ist nicht förderlich, jeder Spur nachzugehen, wenn diese nicht heiß ist, sonst wird aus der kurzen Literaturvorabrecherche, bei der Du nur Dein Thema eingrenzen oder erste relevante Quellen finden wolltest, ein ganzer Urwald.
Wenn Du zum ersten Mal recherchierst: Kenne bessere Suchorte als Google!
Lass es mich so sagen: Wenn Du Delikatessen kaufen willst, gehst Du nicht unbedingt in den Discounter. Wenn Du wissenschaftliche Literatur suchst, solltest Du daher auch nicht „im normalen Internet“ recherchieren, sondern spezielle Seiten nutzen.
Ein allererster Ansatz wäre, zumindest einmal Google Scholar statt Google zu verwenden. Danach kommen dann vielleicht noch Microsoft Academic und BASE ins Spiel. Je nach Verfügbarkeit an der Hochschule hast Du auch Zugriff auf Springer Link, wiso-net und EBSCO, um nur einmal drei zu nennen. Die verlinke ich nicht, weil Du darauf am besten über Deinen Hochschul-Account zugreifst.
Für Fortgeschrittene: Mach den Vergleich!
Alles Pillepalle? Die oben genannten Suchorte waren Dir längst bekannt, und es ist Dir klar, dass das nur eine winzige Auswahl ist. Dann schau doch mal genauer hin und vergleiche bei Deiner nächsten Suche systematisch die Ergebnisse der einzelnen Suchorte. Wie das aussehen kann, zeigt Dir meine Kollegin Heike Baller in einem Blogartikel:
Übrigens: Der Referenzrahmen Wissenschaftliches Arbeiten (WISAR) zeigt Dir auf einen Blick, welche Erwartungen an Dich gestellt sind, wenn es um Recherchieren und Quellenbewerten bei wissenschaftlichen Arbeiten geht. In der Dimension „Rezipieren“ findest du in den Unterkategorien 2 und 3 die einzelnen Lernschritte, denen Du Dir bewusst sein solltest, um eine gute Recherche zu betreiben und die Kriterien guter wissenschaftlicher Quellen zu kennen.
Literaturrecherche? Da gibt’s doch eine KI!
Du hast keine Lust, Dich selbst durch die oben genannten Suchorte zu kämpfen? Google Scholar liefert Dir nicht die gewünschten Ergebnisse und Connected Papers ist für Dich schon ein alter Hut? Dann gibt es hier noch ein paar interessante Tipps für KI-Tools zur Literaturrecherche! Hast Du schon mal was von Research Rabbit, Open Knowledge Maps oder Litmaps gehört? Nein? Dann ist die heutige Mail perfekt für Dich… Im folgenden Ranking erhältst Du einen kurzen Überblick über die drei Tools.
Platz 3: Open Knowledge Maps
Platz 3 ergattert sich Open Knowledge Maps (https://openknowledgemaps.org/). Über eine Schlagwortsuche erhältst Du die 100 relevantesten Quellen zum gesuchten Thema. Leider ist unklar, wie das Tool über die Relevanz der Quellen entscheidet. Oft erweckt es sogar den Anschein, als würden die ausgewählten Quellen nicht mit den tatsächlich relevanten Artikeln aus dem gesuchten Themengebiet übereinstimmen.
Die Ergebnisse werden thematisch sortiert und in einer Art Concept Map in verschieden großen Kreisen dargestellt. Die Themenkreise sind mit Schlagwörtern beschriftet, die die zugeordneten Artikel gemeinsam haben – leider sind diese nicht sehr aussagekräftig und können in verschiedensten Sprachen (je nach Quellen, keine Filtermöglichkeit) verfasst sein. Zudem erscheinen die Ergebnisse auch in einer Liste, die Du nach unterschiedlichen Kriterien sortieren lassen kannst.
Leider kannst Du Deine Ergebnisse nicht abspeichern, um später an Deiner Recherche weiterzuarbeiten. Sobald Du eine neue Suche startest, sind Deine Ergebnisse verloren. Jedoch kannst Du einzelne Ergebnisse per BibTex exportieren und in Deine Literaturverwaltungssoftware übernehmen. Open Knowledge Maps stellt auch Quellenangaben in verschiedenen Zitierstilen zu den Quellen zur Verfügung, die Du Dir herauskopieren kannst. Zudem kannst Du Dir die PDFs von Artikeln, die frei verfügbar sind, direkt auf der Seite des Tools anschauen oder herunterladen.
Platz 2: Litmaps
Mein Platz 2, Litmaps (https://www.litmaps.com/), vereint Deine Recherche und das Speichern Deiner Suchergebnisse. Du beginnst Deine Suche mit einem bestimmten Paper oder Keyword – anhand des gewählten Ausgangartikels findest Du dann schnell weitere Literatur. Denn Litmaps zeigt Dir in einem anschaulichen Graph und einer Liste Quellen, die in Deinem Ausgangsartikel zitiert werden und welche neuere Literatur diesen Artikel zitiert. Zusätzlich werden Dir auch ähnlich Quellen, die zu Deinem Thema passen könnten, vorgeschlagen. So kannst Du Dich schnell und effizient durch ein Netzwerk an Artikeln zu Deinem Thema klicken – und alle für Dich interessanten Werke mit einem Klick in Deine Map – einen Graph, der die Verbindung der Artikel zueinander aufzeigt – aufnehmen.
Litmaps bietet Dir zu vielen Artikeln Abstracts an, sowie die Möglichkeit, Artikel mit Kommentaren zu versehen. Deine Map kannst Du außerdem mit deinen Kommiliton:innen teilen und als BibTex- oder CSV-Datei exportieren. Auch der Download von frei verfügbaren PDFs funktioniert zum Teil, ist jedoch nicht ganz so intuitiv wie bei Open Knowledge Maps oder Research Rabbit.
Platz 1: Research Rabbit
Für mich der Gewinner! Warum? Research Rabbit (https://www.researchrabbit.ai/) verbindet die Vorteile von Litmaps mit einer leichten Handhabung und einer spannende Extrafunktion. Nachdem Du einen Ausgangsartikel gewählt hast, führt Research Rabbit Dich neben ähnlichen Artikeln auch zu passenden Arbeiten, die später oder früher verfasst wurden. Darüber hinaus bekommst Du auch weitere Artikel des/der Autor:in und von vorgeschlagenen Autor:innen angezeigt.
Neben den unter Litmaps genannten Vorteilen, bietet Research Rabbit Dir die Möglichkeit, das Tool mit Deinem Zotero-Account zu verbinden, so dass Du Deine Rechercheergebnisse direkt in Deine Literaturverwaltung exportieren kannst.
Wer wird Deine Nummer 1? Übrigens: Wenn Dir keins der Tools zu 100% zusagt, dann schau Dir doch mal unseren Blogartikel zu Scinapse an! Dieses Literaturrecherche-Tool verbindet Vorteile von Google Scholar mit denen der anderen genannten Tools.
Und noch ein Tipp: Wenn Du all‘ diese Dinge in Kurzfassung zur Hand haben möchtest, dann schau‘ doch mal in meinen einfach Recherchieren-Guide, dort findest du alles auf einen Blick!
