1 Einleitung

23

1.1 Kurze Einführung in die künstliche Intelligenz

26

1.1.1 Algorithmus

27

1.1.2 Maschinelles Lernen

29

1.1.3 Tiefes Lernen

32

1.2 Generative künstliche Intelligenz

35

1.3 Große Sprachmodelle

36

1.3.1 Wie funktionieren große Sprachmodelle?

39

1.3.2 Halluzinationen

52

1.4 Die Bedeutung von generativer KI für das Lernen, Lehren und Vortragen

54

1.5 Quellenverweise für Kapitel 1

56

2 Überblick über generative KI-Tools

59

2.1 Arten von KI-Tools

65

2.2 Sprachmodelle

70

2.2.1 OpenAI: GPT

71

2.2.2 Google: Gemini

73

2.2.3 Anthropic: Claude

74

2.2.4 Meta: Llama

75

2.2.5 Mistral

76

2.2.6 xAI: Grok

76

2.2.7 DeepSeek

76

2.3 KI-Chatbots

77

2.3.1 The Big Three: ChatGPT, Gemini und Claude

78

2.3.2 Microsoft Copilot

80

2.3.3 Perplexity

81

2.3.4 Duck AI

82

2.3.5 MyGPT

83

2.3.6 Kurzes Fazit zu Chatbots

86

2.4 Recherchetools

88

2.5 Übersetzungstools

90

2.5.1 Wann sind Übersetzungstools wie DeepL besser für das Übersetzen geeignet?

92

2.5.2 Wann sind allgemeine Sprachmodelle bzw. KI-Chatbots besser für das Übersetzen von Texten geeignet?

93

2.6 Gesprochene Sprache

94

2.6.1 Einfache Audio-Features in Chatbots

94

2.6.2 Digitale Gespräche

96

2.6.3 Digitale Stimmklone

98

2.7 Transkriptionen

100

2.8 Bilderstellung

101

2.9 Tools für Lehrende

104

2.9.1 Twee

105

2.9.2 Microsoft Reading Coach

106

2.9.3 AI Tutor Pro

106

2.9.4 Fobizz

107

2.9.5 To Teach

108

2.9.6 FelloFish

109

2.10 Weitere Tools

110

2.10.1 NotebookLM

110

2.10.2 Canva

112

2.10.3 Gamma

115

2.10.4 Miro

116

2.11 Fazit zu KI-Tools

117

2.12 Quellenverweise für Kapitel 2

118

3 Prompt- und Context-Engineering

119

3.1 Was ist Prompt-Engineering?

119

3.2 Was ist Context-Engineering?

122

3.3 Prompt-Engineering

124

3.3.1 Rolle

125

3.3.2 Kontext

126

3.3.3 Beispiele

130

3.3.4 Sprache

132

3.3.5 Unterstützung durch die KI

133

3.3.6 Rückfragen fordern

135

3.3.7 Escape Hatch

136

3.3.8 Prompt-Vorlagen

139

3.4 Context-Engineering

143

3.4.1 Kontextfenster

144

3.4.2 Systemprompts

146

3.4.3 Projekte und benutzerdefinierte Chatbots

149

3.4.4 Erinnerungen / Memory

152

3.4.5 Delimiter

154

3.4.6 Generated Knowledge Prompting

156

3.4.7 Retrieval-Augmented Generation

159

3.4.8 Prompt-Verkettung

163

3.4.9 Zoom-Prinzip

164

3.4.10 Chatbot-Tools

167

3.4.11 Fazit zum Prompt- und Context-Engineering

168

3.5 Quellenverweise für Kapitel 3

170

4 Mit KI Lehr- und Vortragskonzepte strategisch planen

175

4.1 Lernziele definieren und strukturieren

175

4.1.1 Blooms Taxonomie

176

4.1.2 SMART-Formel

183

4.1.3 Hierarchien bilden

186

4.2 Strukturiert planen: Constructive Alignment, Instruktionsdesign und KI

189

4.2.1 Constructive Alignment

189

4.2.2 Instruktionsdesign

190

4.3 Paradigmenwechsel durch KI

195

4.3.1 Was wird gelernt? Die Verschiebung der Lernziele

195

4.3.2 Wie wird gelernt? Vom Monolog zum Dialog

196

4.3.3 Wie wird geprüft? Neue Formen der Leistungsmessung

197

4.4 Mit KI iterativ zum Lehrkonzept

198

4.4.1 Das iterative Planungsmodell mit KI

199

4.4.2 Qualitätssicherung durch iterative Validierung

206

4.5 Planung mit KI-Personas testen

213

5 Lehrveranstaltungen wirksam gestalten

221

5.1 Mit KI effektive Lehr- und Lernmaterialien erstellen und differenzieren

222

5.1.1 Grundmaterialien erstellen

223

5.1.2 Übungen und Aufgaben entwickeln

237

5.1.3 Materialien adaptieren und differenzieren

242

5.2 Methodenrepertoire mit KI erweitern

252

5.2.1 Methodenauswahl treffen

252

5.2.2 Bewährte Methoden mit KI effizienter gestalten

256

5.2.3 KI-gestützte Methoden

260

5.3 KI als Lernbegleiter einsetzen

268

5.3.1 KI als Tutor

269

5.3.2 KI als Dialogpartner

277

5.3.3 KI als Co-Intelligenz

283

6 Leistungsüberprüfung im KI-Zeitalter

295

6.1 Die Illusion der KI-Erkennung

296

6.1.1 Der Trugschluss der Vertrautheit

296

6.1.2 Die KI-Kenner-Falle

298

6.1.3 KI-Detektoren

300

6.1.4 Trojanisches Pferd

301

6.1.5 Wasserzeichen

302

6.1.6 Halluzinationen

303

6.1.7 Verräterische Formulierungen

304

6.1.8 Fazit: KI-generierte Texte erkennen

304

6.2 Sinnvolle Leistungsüberprüfung im KI-Zeitalter

305

6.2.1 Was wir wirklich prüfen sollten

305

6.2.2 Höhere Anforderungen statt Verbote

309

6.2.3 Lernprozesse statt Lernprodukte bewerten

311

6.3 Mit KI bewerten – ein komplexes Kontinuum der Möglichkeiten

314

6.3.1 Das Kontinuum der Bewertung

315

6.3.2 Die fundamentalen Probleme traditioneller Bewertung

316

6.3.3 Was KI leisten kann – und was nicht

317

6.3.4 Prompt-Vorlagen für Korrektur, Feedback und Feedforward

320

6.3.5 KI als indirekter Bewertungshelfer

326

6.3.6 Leistungsbeurteilung mit KI – ein Experiment

330

6.4 Wie kann ich KI-gestützte Leistung beurteilen?

332

6.4.1 Das Bewertungsdilemma

332

6.4.2 Prompting als neue Schlüsselkompetenz

333

6.4.3 Bewertungsmodelle in der Praxis

335

6.5 Ausblick

337

6.6 Quellenverweise für Kapitel 6

339

7 Herausforderungen und Risiken von KI in der Lehre und Wissensvermittlung

343

7.1 Datenschutz

344

7.1.1 Wann wird es problematisch? Typische Praxis-Szenarien

346

7.1.2 Was Sie rechtlich wissen müssen

347

7.1.3 Was Sie praktisch tun können

348

7.2 Geistiges Eigentum

350

7.2.1 Was dürfen Sie mit der KI teilen?

351

7.2.2 Wem gehört KI-generierter Output?

352

7.2.3 Urheberrechtsverletzungen durch KI-Output

354

7.2.4 Plattformbeschränkungen für KI-Inhalte

354

7.3 Akademische Integrität

355

7.3.1 Das Kontinuum der KI-Nutzung in Wissenschaft und Forschung

355

7.3.2 Ein praktischer Rahmen für akademische Integrität

356

7.3.3 Die sieben Säulen akademischer KI-Nutzung

358

7.4 Bias und Diskriminierung

358

7.4.1 Der Unterschied zwischen menschlichem und maschinellem Bias

359

7.4.2 Dimensionen von Bias

359

7.4.3 Praktische Konsequenzen für den Bildungsalltag

360

7.4.4 Technisches Problem, technische Lösung?

360

7.5 Transparenz und Nachvollziehbarkeit

361

7.6 Pädagogische Risiken

362

7.6.1 Kompetenzverluste durch KI

363

7.6.2 Macht KI dumm?

365

7.6.3 Die Gefahr der Oberflächlichkeit

366

7.7 Fazit zu den Herausforderungen

368

7.8 Quellenverweise für Kapitel 7

369

Anhang

375

A Weiterführende Ressourcen: Blogs, Plattformen, Lehr- und Lernmaterialien, Tools

375

B KI-Tools

377