Von Jacqueline Ruffen.
Künstliche Intelligenz gewinnt im Hochschulkontext zunehmend an Bedeutung – insbesondere als potenzielle Unterstützung für selbstgesteuerte Lernprozesse. ChatGPT gilt dabei als vielversprechendes Tool, das Lernenden flexibel, schnell und niedrigschwellig Informationen bereitstellt. Dennoch ist bislang wenig darüber bekannt, wie Studierende generative KI tatsächlich im Selbststudium nutzen und welche Faktoren ihren Lernerfolg beeinflussen.
Die vorliegende Arbeit untersucht daher explorativ, wie drei Masterstudentinnen ChatGPT nutzen, um sich die statistischen Verfahren t-Test und ANOVA in SPSS anzueignen. Der Fokus liegt auf ihren Lernstrategien, den wahrgenommenen Potenzialen und Grenzen sowie dem Zusammenspiel zwischen KI-Unterstützung und selbstgesteuertem Lernen.
Methodisches Vorgehen
Die Studie basiert auf einem qualitativ-explorativen Design. Die Teilnehmerinnen erhielten die Aufgabe, mithilfe von ChatGPT selbstständig die statistischen Verfahren zu erlernen. Weitere Hilfsmittel waren ausgeschlossen. Erhoben wurden:
- Chatverläufe (17–28 Seiten)
- Ein Wissenstest (0–8 Punkten)
- Ein Fragebogen zur subjektiven Einschätzung des Lernprozesses
Die qualitative Auswertung erfolgte mittels inhaltlich-strukturierender Inhaltsanalyse nach Kuckartz & Rädiker (2024). Die Hauptkategorien deckten unter anderem Lernstrategien, Interaktion mit ChatGPT sowie Potenziale und Risiken der KI-Nutzung ab.
Ergebnisse
Lernstrategien und Prompting
Die Analyse zeigt deutliche Unterschiede im Umgang mit ChatGPT: Während eine Teilnehmerin gezielte Nachfragen stellte und die höchste Punktzahl erreichte, übernahmen die zwei anderen Teilnehmerinnen überwiegend ChatGPTs Vorschläge, ohne aktiv nachzusteuern – ihr Lernerfolg war deutlich geringer. Prompting erwies sich im Kontext als zentrale Kompetenz: Erfolgreiches Lernen fand vor allem dann statt, wenn Lernziele präzisiert und Rückfragen gestellt wurden. Passives Folgen von KI-Vorschlägen führte hingegen zu oberflächlichen Lernfortschritten.
Qualität und Grenzen des ChatGPT-Outputs
ChatGPT wurde hinsichtlich Verständlichkeit und Übersichtlichkeit überwiegend positiv bewertet. Gleichzeitig äußerten alle Teilnehmerinnen Unsicherheiten bezogen auf die wissenschaftliche Validität, die Transparenz der Datenquellen (Black-Box-Problem) und die Möglichkeit der Falschinformationen. Zudem zeigte sich, dass fehlende praktische Anwendung und ausbleibende menschliche Rückmeldungen den Lernprozess einschränkten.
Potenziale von ChatGPT im Self-Directed-Learning-Kontext (SDL)
Die KI wurde als hilfreiche Unterstützung erlebt – insbesondere für die schnelle Informationsbeschaffung, die Strukturierung komplexer Inhalte, die niedrigschwellige Möglichkeit der Fragestellung und personalisierte Erklärungen und Beispiele. Für den Einstieg in neue Themen erwies sich ChatGPT als entlastend und motivierend.
Risiken & Herausforderungen
Die Studie macht deutlich, dass KI-Nutzung auch problematische Effekte haben kann, die unter anderem die Tendenz zu reduziertem kognitiven Engagement, die Gefahr oberflächlicher Auseinandersetzung mit Inhalten sowie Schwierigkeiten bei zielgerichteter Steuerung des Lernprozesses und fehlende soziale und metakognitive Unterstützung beinhalten. Ohne menschliche Begleitung bleiben zentrale SDL-Komponenten wie Reflexion, Evaluation und strategische Anpassung oft ungenutzt.
Fazit
Die Studie zeigt, dass der Lernerfolg nicht primär vom Tool, sondern vom aktiven und reflektierten Umgang mit ebendiesem abhängt. ChatGPT kann selbstgesteuertes Lernen sinnvoll unterstützen – jedoch nur als ergänzendes, nicht als ersetzendes Element. Menschliches Feedback, metakognitive Anleitung und emotionale Unterstützung bleiben weiterhin unerlässlich.
Gleichzeitig hebt die Untersuchung hervor, wie entscheidend Prompting-Kompetenzen, kritische Bewertung von KI-Ausgaben und ein grundlegendes Verständnis selbstgesteuerter Lernprozesse sind. Diese sollten künftig gezielt in hochschulischen Lernkontexten gefördert werden.
Limitationen und Ausblick
Die Studie ist aufgrund der geringen Fallzahl nicht repräsentativ. Zudem beeinflussten individuelle Faktoren wie Motivation, Zeitdruck und Vorerfahrung der Teilnehmerinnen die Ergebnisse maßgeblich. Auch die qualitative Codierung durch nur eine Person stellt eine methodische Einschränkung dar.
Für weiterführende Forschung bieten sich demnach vor allem größere, diversere Stichproben in unterschiedlichen Lernsettings an. Ergänzend können vertiefende Interviews zur subjektiven Lernwahrnehmung durchgeführt und Untersuchungen von Prompting-Trainings und KI-Kompetenzen hinzugezogen werden.
Langfristig stellt sich nicht die Frage, ob KI im Bildungsbereich eingesetzt wird, sondern wie Lernende befähigt werden können, diese Technologien kompetent, kritisch und reflektiert zu nutzen.
Literaturverzeichnis
Kuckartz, Udo/Stefan Rädiker (2024): Qualitative Inhaltsanalyse. Methoden, Praxis, Umsetzung mit Software und künstlicher Intelligenz, 6. Aufl., Weinheim Deutschland: Beltz Juventa Verlag.