Es folgt ein Blog-Artikel, der zunächst einmal nur eine Notiz bzw. eine Übersetzung darstellt und den ich lange vor mir her geschoben habe. Dennoch finde ich es wichtig, den Gedanken in die deutschsprachige Diskussion über den Umgang mit KI einzubringen. Dabei geht es um den Transfer der bekannten Bloom’schen Taxonomie auf Möglichkeiten der KI. Der Impuls stammt von einer Konferenz in Bad Hofgastein, auf der ich die Eingangskeynote halten durfte. Die Original-Tabelle stammt von der Universität von Oregon, die sich auch nicht auf Schülerinnen und Schüler, sondern auf Studierende bezieht.
Die Taxonomie von Bloom ist ein Rahmenwerk zur Klassifizierung von Lernzielen, das ursprünglich in den 1950er Jahren von Benjamin Bloom und anderen Pädagogen entwickelt wurde. Sie dient dazu, die Tiefe des Lernens in verschiedenen Bildungskontexten zu beschreiben und zu organisieren. Die Taxonomie teilt Lernziele in drei Hauptdomänen: kognitiv, affektiv und psychomotorisch. In Deutschland wird zuweilen mit der Taxonomie gearbeitet, meist werden jedoch in standardisierten Kontexten Operatoren der einzelnen Anforderungsbereiche genutzt, die sich lose mit dem Schema verbinden lassen.
Joscha Falck hat eine Übersicht gestaltet, mit der man ausdifferenzieren kann, wie Schülerinnen und Schüler in Zeiten von KI das Lernen gestalten können. Nämlich mit, über, durch, trotz und ohne KI. Dieses Modell ist ob seiner Übersicht und der Anlehnung an die bekannte Dreiteilung von Beat Döbeli-Honegger (die ich an anderer Stelle erweitert habe) sehr einprägsam und sinnvoll. Gleichzeitig habe ich mich gefragt, inwiefern die verschiedenen Kompetenzbereiche im Sinne der Arbeit mit KI in Beziehung gebracht werden können.
Hier setzt das Modell an.
Die schon genannte Universität von Oregon erklärt auf ihrer Website, auf der ich das Modell gefunden habe, den Anspruch der Übersicht. An dieser Stelle folgt eine Übersetzung durch mich (mit Unterstützung der KI deepl.com). Oben sieht man das darauf beruhende auf Deutsch übersetzte Modell, das zur Weiterarbeit und zum Weiterdenken genutzt werden kann.
Die Bloom'sche Taxonomie wird häufig als Werkzeug verwendet, um Hochschullehrenden dabei zu helfen, zu beurteilen, welche Arten oder "Niveaus" des Lernens auf der Grundlage von Kursergebnissen geplant sind, und um in diesem Zusammenhang geeignete Aktivitäten und Bewertungen zur Unterstützung des Lernens und des Erfolgs der Studierenden auszurichten. Hier haben wir die Bloom'sche Taxonomie als Prüfstein verwendet, um Kursergebnisse und studentisches Lernen im Zeitalter der generativen KI neu zu überdenken. Die folgende (hier: obige) visuelle Übersicht und die begleitenden Erläuterungen sollen Lehrenden als Leitfaden dienen, um über ihre Aktivitäten, Bewertungen und (möglicherweise) Kursergebnisse nachzudenken und herauszufinden, welche Veränderungen notwendig sein könnten, um sinnvolles Lernen in der Zukunft zu gewährleisten.
Überlegungen zu den einzelnen Stufen der Bloomschen Taxonomie
Im Folgenden werden die einzelnen Stufen der Bloom'schen Taxonomie unabhängig voneinander betrachtet, um zu erläutern:
-wie Studierende KI-Tools für Lernaktivitäten und Beurteilungen auf dieser Ebene nutzen können, wobei wir uns auf Beispiele konzentrieren, die für asynchrone Online-Kurse relevant sind;
-ausgeprägte menschliche Fähigkeiten, die Lehrkräfte beim Lernen auf diesem Niveau weiterhin betonen und bewerten können, was eine durchdachte Überarbeitung der Kursaktivitäten und -bewertungen (und möglicherweise der Lernergebnisse) ermöglichen kann;
-zusätzliche Hinweise, die für Lehrkräfte hilfreich sein können, wenn sie überlegen, wie sie sich an das Lehren und Lernen in diesem neuen Zeitalter anpassen können.
Die Überlegungen, die wir auf jeder Ebene anstellen, können unabhängig davon nützlich sein, ob Lehrkräfte dazu neigen, die Nutzung von KI durch Studierende in Lernprozessen in ihrem Kurs zu fördern, zu entmutigen oder einzuschränken. Lehrkräfte, die von der Nutzung von KI-Tools abraten, könnten diesen Leitfaden beispielsweise nutzen, um herauszufinden, bei welchen Aufgaben die Studierenden versucht sein könnten, KI-Unterstützung in Anspruch zu nehmen; die Lehrkräfte könnten dann ihre Aufgaben ändern, um klarzustellen, warum die Studierenden diese Aufgaben ohne Unterstützung bearbeiten müssen. Umgekehrt könnte eine Fakultät, die von den Studierenden ausdrücklich verlangt, die Ergebnisse eines KI-Tools zu konsultieren und sie dann strategisch zu überarbeiten, die besonderen menschlichen Fähigkeiten im Zusammenhang mit dieser Aufgabe berücksichtigen und sie in explizite Benotungskriterien einfließen lassen, um sicherzustellen, dass die Studierenden die KI-Ergebnisse tatsächlich überarbeiten.
Wichtig ist auch, dass dieser Leitfaden zu einem bestimmten Zeitpunkt (Sommer 2023) und für einen bestimmten Zeitraum erstellt wurde, und zwar auf der Grundlage von Literaturrecherchen zu KI-Fähigkeiten und unseren eigenen Experimenten. Die unten aufgeführten Beispiele für die Nutzung von KI-Tools durch Studierende sind notwendigerweise nicht umfassend und sollen nur einen Einblick in die Art und Weise geben, wie Studierende die Tools derzeit nutzen. Da die KI-Fähigkeiten wachsen und sich weiterentwickeln, kann es sein, dass sich die zu betonenden menschlichen Fähigkeiten und die zusätzlichen Überlegungen, die wir anstellen, entsprechend ändern müssen. Wir ermutigen die Lehrkräfte, ihre Annahmen darüber, was KI "kann" und "nicht kann", durch Forschung und Experimente mit Vorsicht zu testen. Viele unserer Annahmen wurden bei der Erstellung dieses Tools widerlegt - wie z. B. die Vorstellung, dass nur Aktivitäten, Bewertungen und Ergebnisse auf den unteren Ebenen der Bloom’schen Taxonomie überarbeitet werden müssen.
Schließlich werden die Stufen der Bloom'schen Taxonomie im Folgenden absichtlich in umgekehrter Reihenfolge angeboten, um der damit verbundenen Komplexität der Interaktionen mit KI-Tools gerecht zu werden - angefangen bei einfachen Aufforderungen bis hin zu engagierteren Interaktionen.
Schlussfolgerung
Das tägliche Leben und die Arbeitswelt werden zunehmend von KI-gestützten Technologien durchdrungen, und es ist wichtig zu verstehen, wie Studierende diese leistungsstarken Werkzeuge bereits nutzen können. Diese sich verändernde Landschaft veranlasst uns alle in der Hochschulbildung dazu, unsere beabsichtigten Ergebnisse sowie die Lehr- und Bewertungspraktiken für Studierende zu überdenken, und wir hoffen, dass diese Informationen dazu beitragen können, Entscheidungen auf Kurs- (und Programm-) Ebene über mögliche Änderungen zu treffen. Andere Abschnitte dieses Leitfadens unterstützen die nächsten Schritte für kleinere Überarbeitungen, die die Lehrkräfte selbst vornehmen können, oder für größere Überarbeitungen, die eine Neuentwicklung des Studiengangs erforderlich machen können.
Literatur
Siemens, G., Marmolejo-Ramos, F., Gabriel, F., Medeiros, K., Marrone, R., Joksimovic, S., & de Laat, M. (2023). Human and artificial cognition. Computers and Education: Artificial Intelligence 3.