Inhalt

Abstract:

Der Kurs „AI Literacy“ unterstützt Studierende dabei, Künstliche Intelligenz kritisch reflektiert, rechtskonform und selbstbestimmt im eigenen Studium einzusetzen. Im Fokus stehen typische Studiensituationen wie Hausarbeiten, Literaturrecherche, Prüfungsvorbereitung, Gruppenprojekte, Präsentationen und Datenanalyse. Ziel ist es, dass die Teilnehmenden verstehen, wie generative KI funktioniert, wo ihre Chancen und Grenzen liegen und wie sie KI-Ergebnisse systematisch prüfen, bevor sie diese im Studium verwenden. Der Kurs stärkt Entscheidungskompetenz, wissenschaftliche Eigenleistung und Transparenz im Umgang mit KI.
Zusammenfassend vermittelt dieser Kurs grundlegende Konzepte und praxisnahe Routinen rund um AI Literacy. Die Teilnehmenden bestimmen zu Beginn und am Ende ihren Kompetenzstand mit einem Self-Assessment, erproben Prompting, Qualitätsprüfung und Dokumentation an realistischen Use Cases, arbeiten mit modulspezifischen Custom-Chatbots und entwickeln in einem kursbegleitenden Portfolio ihren persönlichen KI-Kompass für das weitere Studium.

Gliederung:

1. KI im Studienalltag: Nutzen, Grenzen und Entscheidungsfelder: Ankommen im Kurs, Self-Assessment zur eigenen KI-Nutzung, Einführung in Prompting als Basiskompetenz und Szenario-Landkarte typischer Studiensituationen, in denen KI eine Rolle spielt.
2. Funktionsweise generativer KI: Plausibilität, Wahrscheinlichkeit und Grenzen: Grundverständnis, wie Sprachmodelle Antworten erzeugen, warum sie überzeugend klingen und weshalb plausibel nicht gleich korrekt ist.
3. Rechtliche und institutionelle Rahmenbedingungen der KI-Nutzung: Datenschutz, Urheberrecht, gute wissenschaftliche Praxis, Transparenzpflicht und Hochschulregeln als Grundlage für rechtssicheres Handeln.
4. Wissenschaftliches Schreiben mit KI und wissenschaftliche Eigenleistung: Themenfindung, Forschungsfrage, Gliederung, Argumentation und Überarbeitung mit KI als Werkzeug zur Strukturierung und Qualitätssicherung.
5. Literaturrecherche mit KI und kritische Quellenprüfung: Einsatz von KI-Recherchetools, Erkennen erfundener Quellen und Halluzinationen sowie systematische Quellenbewertung und Dokumentation.
6. KI-gestützte Lernprozesse und digitale Autonomie: KI als Lernbegleitung für Lernpläne, Selbsttests und Erklärungen bei gleichzeitiger Sicherung der eigenen Denkleistung und Selbstwirksamkeit.
7. Bias, Fehlerquellen und Trainingslogiken generativer KI: Trainingsdaten, Mustererkennung und Verzerrungen als Erklärung dafür, warum KI Fehler macht und wie Bias erkannt wird.
8. Qualitätsprüfung und Validierung von KI-Ergebnissen: Prüfschema für KI-Outputs mit Quellencheck, Plausibilitätsprüfung, Korrekturprompt, Perspektivwechsel und Abgleich mit Fachliteratur.
9. Kollaborative KI-Nutzung: Transparenz und Fairness: Teamregeln, Rollenverteilung, Kennzeichnung von KI-Anteilen und faire Leistungszuschreibung in Gruppenprojekten.
10. KI-gestützte Medienproduktion und Präsentationskompetenz: Visualisierung, Storytelling, Folienlogik und Medienbausteine für Präsentation und Portfolio mit kritischer Einordnung KI-generierter Inhalte.
11. KI in Projekten und Datenanalyse: Potenziale und Grenzen: Unterstützung bei Hypothesenbildung, Datenaufbereitung und Interpretation sowie Grenzen methodischer Verantwortung in empirischer Projektarbeit.
12. KI-Kompass: Haltung, Verantwortung und Transfer: Abschließendes Self-Assessment, persönliche Regeln, Workflows und Qualitätsroutinen als eigener KI-Kompass für das weitere Studium.

Detaillierter Inhalt:

Der Kurs „AI Literacy“ vermittelt grundlegende Kompetenzen für einen kritisch reflektierten, rechtskonformen und selbstbestimmten Einsatz Künstlicher Intelligenz im Studium. Er verbindet technisches Grundverständnis, rechtliche Handlungssicherheit und praktische Anwendung in typischen Studiensituationen. Ziel des Kurses ist es, dass die Studierenden KI im Studium sinnvoll und reflektiert einsetzen, KI-Ergebnisse systematisch prüfen und dabei ihre wissenschaftliche Eigenleistung sichern. In jedem der zwölf Module eröffnet ein kurzer Lernfilm mit einer realistischen Studiensituation, Lerntexte und Infografiken sichern die Begriffsarbeit, Knowledge Checks, Matching-Übungen und Flashcards geben unmittelbares Feedback, und modulspezifische Custom-Chatbots führen die Studierenden ins praktische Tun.
Der Einstieg erfolgt über KI im Studienalltag. Die Studierenden bestimmen mit einem Self-Assessment ihren Ausgangspunkt, lernen Kurslogik und Portfolio-Konzept kennen, erwerben Prompting als Basiskompetenz und erhalten mit der Szenario-Landkarte einen Überblick über die Studiensituationen, in denen KI hilft oder neue Probleme erzeugt.
Die technischen Grundlagen werden in zwei Modulen so vermittelt, dass Studierende konkrete Konsequenzen daraus ableiten können. Sie verstehen, wie generative KI als Wahrscheinlichkeitsmodell funktioniert und warum überzeugend klingende Antworten falsch sein können. Darauf aufbauend erklären Trainingsdaten, Mustererkennung und Verzerrungen, warum KI Fehler macht und wie Bias entsteht.
Die rechtlichen und institutionellen Rahmenbedingungen schaffen Handlungssicherheit: Datenschutz, Urheberrecht, gute wissenschaftliche Praxis, Transparenzpflicht und Hochschulregeln werden an konkreten Fragen aus dem Studienalltag geklärt, etwa ob Seminarunterlagen in KI-Tools hochgeladen werden dürfen oder wie KI-Nutzung in Abgaben gekennzeichnet wird.
Ein Schwerpunkt liegt auf dem wissenschaftlichen Arbeiten mit KI. Die Studierenden nutzen KI für Themenfindung, Forschungsfrage, Gliederung und Überarbeitung, ohne ihre Eigenleistung aufzugeben. In der Literaturrecherche lernen sie, erfundene Quellen und Halluzinationen zu erkennen, Evidenz zu bewerten und den KI-Einsatz nachvollziehbar zu dokumentieren.
Im Themenfeld KI-gestützte Lernprozesse wird KI als Lernbegleitung für Lernpläne, Selbsttests und Erklärungen erprobt. Zugleich reflektieren die Studierenden, wo KI falsche Sicherheit erzeugt und passives Lernen fördert, und entwickeln eigene Regeln, um KI als Denkverstärkung statt als Wissensersatz zu nutzen.
Das methodische Kernmodul zur Qualitätsprüfung vermittelt ein Prüfschema für KI-Ergebnisse: Quellencheck, Plausibilitätsprüfung, Korrekturprompt, Perspektivwechsel, Vergleich mit Fachliteratur und die bewusste Suche nach Unsicherheiten. Diese Routine wird in den folgenden Anwendungsmodulen wiederholt eingesetzt.
Die Anwendungsmodule übertragen die erworbenen Kompetenzen auf Gruppenarbeit, Medienproduktion und Datenanalyse. Die Studierenden vereinbaren Teamregeln für transparente und faire KI-Nutzung, entwickeln Visuals, Folienlogik und Medienbausteine für Präsentation und Portfolio und nutzen KI zur Hypothesenbildung und Dateninterpretation, ohne methodische Verantwortung abzugeben.
Den Abschluss bildet der KI-Kompass. Die Studierenden wiederholen das Self-Assessment aus dem ersten Modul, machen ihre Entwicklung sichtbar und formulieren persönliche Regeln, Workflows, Qualitätsroutinen und Transparenzprinzipien für den künftigen Umgang mit KI im Studium. Das Portfolio wird in diesem Modul finalisiert.

Lern-/Qualifikationsziele:

• Die Studierenden können die grundlegende Funktionsweise generativer KI erklären und begründen, warum Sprachmodelle plausible, aber fehlerhafte Antworten erzeugen können.
• Die Studierenden sind in der Lage, Grundbegriffe des maschinellen Lernens zu erläutern und die Repräsentation von Wissen durch KI einzuordnen.
• Die Studierenden können ihre eigene KI-Nutzung im Studium mithilfe eines Self-Assessments reflektieren und ihren Kompetenzzuwachs über den Kurs hinweg dokumentieren.
• Die Studierenden wenden Grundlagen zielführenden Promptings an und passen Prompts an konkrete Studiensituationen an.
• Die Studierenden können Chancen und Grenzen von KI im Studienkontext abwägen und in konkreten Situationen begründet entscheiden, wann KI-Einsatz sinnvoll und wann er riskant ist.
• Die Studierenden setzen KI unter Beachtung von Datenschutz, Urheberrecht, guter wissenschaftlicher Praxis und institutionellen Regeln rechtskonform ein und kennzeichnen KI-Nutzung transparent.
• Die Studierenden können KI beim wissenschaftlichen Schreiben und in der Literaturrecherche als Werkzeug einsetzen und dabei ihre wissenschaftliche Eigenleistung sichern.
• Die Studierenden erkennen Bias, Halluzinationen und typische Fehlerquellen in KI-Ergebnissen und prüfen KI-Outputs anhand eines systematischen Prüfschemas.
• Die Studierenden können KI in Gruppenarbeit, Medienproduktion und Datenanalyse verantwortungsvoll nutzen und Einsatzszenarien für das eigene Studium weiterentwickeln.
• Die Studierenden sind in der Lage, Zukunftsentwicklungen Künstlicher Intelligenz zu diskutieren, kritisch-ethisch zu bewerten und einen persönlichen KI-Kompass für ihr weiteres Studium zu formulieren.

Lehrveranstaltungstyp:

Kurs

Interaktionsformen mit Betreuer/in:

E-Mail, Übungsaufgaben, Chat

Interaktionsformen mit Mitlernenden:

Forum, E-Mail, Chat

Kursdemo:

zur Kursdemo

Nutzung

Kurs ist konzipiert für:

FAU: M.A. Learning Design
TH Rosenheim: B.Eng Wirtschaftsingenieurwesen

Formale Voraussetzungen:

keine

Erforderliche Vorkenntnisse:

keine

Hinweise zur Nutzung:

StudOn-Kurs (ILIAS) mit Articulate Rise Lernmodulen (via SCORM 1.2 Schnittstelle). Leistungsnachweis: Portfolio (benotet). 

Kursumsetzung (verwendete Medien):

Videos, Podcasts, Texte, Abbildungen, interaktive Aufgaben (Articulate), KI-Chatbot (optional) via ILIAS Plugin, Übersichtsgrafiken, Evaluationen, Selbst-Reflexionen u.s.w.

Erforderliche Technik:

Erforderlich ist ein möglichst aktueller Browser

Nutzungsentgelte:

für andere Personen als (reguläre) Studenten der vhb Trägerhochschulen nach Maßgabe der Benutzungs- und Entgeltordnung der vhb

Rechte hinsichtlich des Kursmaterials:

-

Verantwortlich

Anbieterhochschule:

Uni Erlangen-Nürnberg (FAU)

Anbieter:

Prof. Dr. Svenja Bedenlier

Prof. Dr. Edeltraud Botzum

Autoren:

Edeltraud Botzum

Elisabeth Krauss

Betreuer:

Elisabeth Krauss

Prüfung

Art der Prüfung:

Studienarbeit

Bemerkung:

PORTFOLIO: benotet; Abgabezeitraum 11.01.27 bis 12.03.27.

Prüfer:

Prof. Dr. Svenja Bedenlier

Prüfungsanmeldung erforderlich:

ja

Anmeldeverfahren:

Weitere Hinweise zur Prüfung und zur Prüfungsanmeldung erhalten Sie im Kurs.

Prüfungsanmeldefrist:

–

Prüfungsabmeldefrist:

–

Kapazität:

–

Prüfungsdatum:

–

Prüfungszeitraum:

–

Prüfungsdauer:

–

Prüfungsort:

Online

Zuständiges Prüfungsamt:

Durchführung und Prüfungsordnung FAU; Anerkennung Heimathochschule der Studierenden

Zugelassene Hilfsmittel:

–

Formale Voraussetzungen für die Prüfungsteilnahme:

keine

Inhaltliche Voraussetzungen für die Prüfungsteilnahme:

Erfolgreiche Bearbeitung der Lernmodule, Bearbeitung und Einreichung der Reflexionsaufgaben/Workbookaufgaben pro Modul.

Zertifikat:

Ja (benoteter Schein)

Anerkennung:

Studierende außerhalb der oben aufgeführten Studiengänge bzw. Hochschulen können den Kurs besuchen, müssen die Anrechnung in ihrem Studiengang aber eigenständig an ihrer Heimathochschule abklären.