Text: Maik Philipp
Wenn wir Texte an der Hochschule schreiben, verfolgen wir damit häufig den Zweck, Wissen zu dokumentieren, es zu kritisieren oder es weiterzuentwickeln. Dabei stützen wir uns zum einen auf Wissensquellen wie andere Texte, aber auch auf unsere eigenen Ideen. Was für Forschende gilt, wird auch für das Lernen im Rahmen des Studiums beansprucht. Diese traditionelle Sicht auf das, was «epistemisches Schreiben» genannt wird, hat sich zu verändern begonnen, seitdem mit ChatGPT ein Game Changer aufgetreten ist, dessen mögliche Auswirkungen zurzeit Gegenstand von umfassenden Abwägungen sind. Automatische Textproduktion mittels Large-Language-Models ist die vorerst letzte, aber bei Weitem nicht einzige technologisch basierte Etappe in der offenen Frage, wie wir hochschulisches Lernen und Lehren betreiben wollen, wenn neue Technologien aufkommen.
Reine Reproduktion beim Schreiben und die Ausweichmöglichkeiten
Vielleicht ist es gar nicht unbedingt die technische Seite, die im Kern das Problem ausmacht. Die Frage, die sich stellt, wenn Algorithmen Texte herstellen, betrifft natürlich Chancen der Arbeitserleichterung und Risiken der Eigenleistungsbestimmung. Aber sie tangiert doch viel mehr eine andere Grundsatzthematik: Wozu und was schreiben wir denn an den Hochschulen noch bzw. lassen wir schreiben? Damit sind unweigerlich Zielvorstellungen angesprochen und infolgedessen wiederum die Notwendigkeit, sich über diese Ziele Gedanken zu machen. Solche Klärungsnotwendigkeit besteht freilich nicht nur bei den Prüfungsformaten, sondern zusätzlich bei den Lernaufgaben, ja: beim Lernen allgemein.
Dabei müssen wir keineswegs wieder von Null starten. Die Lehr-Lern-Forschung hat sich intensiv damit beschäftigt, wie das Schreiben das Fachlernen unterstützt und welche Arten von kognitiven Prozessen und welche Arten von Wissen für das Lernen unterscheidbar sind. Dabei wird schnell deutlich, dass es verschiedene Facetten des Lernens gibt, die sich darin unterscheiden, wie stark Gegenstände im Rahmen des Lernens kognitiv verändert werden müssen. So kann zum Beispiel unterschieden werden, ob man eine Theorie nur wiedergeben, ihre Logik und Anwendungsgebiete erläutern, sie auf einen Fall anwenden, sie mit einer anderen Theorie vergleichen oder begründet kritisieren soll. Je nach Aufgabe müssen Lernende zu sehr unterschiedlichen Dingen kognitiv in der Lage sein. Nicht alles davon ist in allen Fällen immer gefragt oder sinnvoll, aber entscheidend ist, dass wir Lernaufgaben profilieren und charakterisieren können, welche Prozesse sie einfordern und welche Wissensarten sie touchieren. Wir können zudem kartieren, welche Prozesse und Produkte des Denkens höherer Ordnung wir lesend und schreibend an Hochschulen nutzen wollen und wie wir Enkulturation in Wissensgemeinschaften mit dem Schreiben verbinden.
Was automatische Textproduktion zumindest ansatzweise kann, ist das Reproduzieren von Inhalten auf der Basis von Mustererkennung in riesigen Textkorpora, anhand derer der Algorithmus trainiert wurde. Dass Tools wie ChatGPT diese Reproduktion sprachlich auf hohem Niveau leisten, mag arbeitserleichternd sein, aber es entbindet nicht davon, wozu Personen schreibend in der Lage sein müssen: einem evaluierenden Verarbeiten, welches seinerseits Verstehen voraussetzt. Ein ChatGPT-Text ist zunächst ein Angebot. Dessen Eignung oder Nicht-Eignung, seine Richtigkeit, seine Angemessenheit und seine Verwertbarkeit bemessen sich daran, dass die Texte von kritisch denkenden Personen eingeschätzt werden müssen. Hier bestehen Ausweichmöglichkeiten für die Hochschullehre, die teils zutiefst in das hineinragen, was zum Beispiel im Falle des naturwissenschaftlichen Lernens gefordert wird. Wir können und sollten uns darum Lern- und Leistungsaufgaben überlegen, welche das Denken höherer Ordnung fördern und fordern. In diesen Aufgaben sollte weniger die Reproduktion eine Rolle spielen als die begründete und begründbare Evaluation von Aussagen und ihrem Geltungsanspruch als Wissen.
Prüfen von Aussagen als immer wichtiger werdende Fähigkeit: Was ist weshalb wahr und wer ist warum vertrauenswürdig?
Was es – nicht nur bei KI-basierten Texten – zu prüfen gilt, ist die Plausibilität, also die potenziell zugeschriebene Wahrheit von Aussagen, und die Vertrauenswürdigkeit von Quellen hinter der Aussage. Die Leseforschung nennt dies Erste- und Zweite-Hand-Einschätzung. Die Zuweisung von Plausibilität als Erste-Hand-Einschätzung ist an Wissen über den Gegenstand, kohärentes Begründen von Aussagen und auch die Produktion von wissensbezogenen Aussagen gebunden. Die Bestimmung der Vertrauenswürdigkeit als Zweite-Hand-Einschätzung bemisst sich daran, welchen Personen und Organisationen zugestanden wird, sich inhaltlich qualifiziert und gesellschaftlich wohlwollend zu äussern, weil Expertise und Redlichkeit unterstellt werden. Solche Zweite-Hand-Beurteilungen von Aussagen werden von ChatGPT zwar erschwert, aber sie sind dadurch nicht unwichtiger geworden – im Gegenteil. Vielmehr geht es zunehmend um die Abwägungen, was warum wahr ist und wie wir sinnvoll vorgehen, um begründbare und ausreichend sichere Antworten auf diese Frage zu finden. Anders gesagt: Das tiefe Nachdenken und mit ihm eine Entschleunigung wirken nötiger denn je.
Damit ist ein Bündel von Fähigkeiten angesprochen, welches in der Leseforschung schon seit Längerem als wichtig erachtet wird und durch die Zunahme an digitalen Texten und Dokumenten noch an Bedeutung gewonnen hat. ChatGPT und andere KI-Applikationen werden diese Fähigkeiten mutmasslich nicht weniger wichtig werden lassen. Darin liegt auch eine Chance, Lern- und Lehrprozesse an den Hochschulen anzupassen.
INFOBOX
Das Schreibzentrum der PH Zürich pilotiert derzeit Kurse für Studierende und Dozierende. Im Kern der Angebote stehen Prozesse des Lernens. Die Erfahrungen werden voraussichtlich am Tag der Lehre der PH Zürich (2. Februar 2024) im Workshop «Los, KI, denk für mich?! Lernen und Lehren mit Texten» vorgestellt.
Zum Autor
Maik Philipp ist Professor für Deutschdidaktik an der PH Zürich. Seine Schwerpunkte sind Lese- und Schreibförderung mit Fokus auf Evidenzbasierung.
