Korrelation oder Ursache? KI-Erklärungen im Seminar prüfen

Das Problem

Frau Keller zeigt im Seminar eine KI-Erklärung: Studierende, die häufiger Lernhilfen nutzen, erzielen bessere Ergebnisse, also verbessere die Lernhilfe die Leistung. Der Satz klingt einleuchtend. Er überspringt aber die Frage, weshalb manche Studierende die Hilfe häufiger nutzen.

Korrelation bezeichnet einen beobachteten Zusammenhang; Kausalität bedeutet eine Beziehung von Ursache und Wirkung. Eine Störvariable ist ein weiterer Einfluss, der sowohl mit der vermuteten Ursache als auch mit dem Ergebnis zusammenhängen kann. Beispielsweise könnten Vorkenntnisse die Nutzung und die Leistung beeinflussen.

Studierende sollen solche Alternativen nicht nur aufzählen, sondern am konkreten Untersuchungsaufbau prüfen. KI liefert dafür Material und Rückfragen; das methodische Urteil entsteht in der gemeinsamen begründeten Analyse.

So lösen Sie es mit KI – Schritt für Schritt

1. Wählen Sie eine überschaubare Aussage. Öffnen Sie einen freigegebenen oder selbst erfundenen Fall mit beobachtetem Zusammenhang. Lassen Sie die Lernenden zuerst markieren, welche Wörter eine Ursache behaupten und welche lediglich eine Beobachtung beschreiben.

1. Klären Sie die zeitliche Reihenfolge. Zeichnen Sie auf, wann vermutete Ursache und Ergebnis erfasst wurden. Wenn beide zugleich erhoben wurden, ist häufig nicht geklärt, welche Veränderung zuerst kam; eine KI-Erzählung darf diese Lücke nicht schliessen.

1. Sammeln Sie alternative Erklärungen selbst. Die Studierenden notieren mögliche gemeinsame Einflüsse und eine umgekehrte Wirkungsrichtung. Erst danach soll KI ergänzende Rückfragen stellen, damit die eigene Überlegung nicht bloss eine übernommene Liste bleibt.

1. Prüfen Sie das Forschungsdesign. Lesen Sie, wie Gruppen gebildet, Merkmale gemessen und Unterschiede berücksichtigt wurden. Eine zufällige Zuteilung kann bestimmte Verzerrungen begrenzen; auch dann müssen Durchführung, Ausfälle und Messung betrachtet werden.

1. Lassen Sie eine überzogene Erklärung korrigieren. Geben Sie KI nur die bekannten Designmerkmale und verlangen Sie eine Trennung zwischen Beobachtung, Annahme und nicht geklärter Ursache. Prüfen Sie, ob die neue Formulierung dieselben Grenzen wie die Untersuchung hat.

1. Vergleichen Sie zusätzliche Untersuchungsmöglichkeiten. Fragen Sie, welche Information zwischen den alternativen Erklärungen unterscheiden könnte. Nicht jede realistische Forschungsfrage erlaubt ein Experiment; die Studierenden sollen deshalb den Erkenntnisgewinn und verbleibende Annahmen eines anderen Designs benennen.

1. Sichern Sie den Transfer. Geben Sie einen neuen kurzen Fall ohne KI-Unterstützung. Lassen Sie eine zulässige Aussage und eine noch unbegründete Ursache formulieren sowie den entscheidenden methodischen Unterschied erklären.

Vorlage zum Kopieren

Ich plane ein Forschungsseminar zum Unterschied zwischen Zusammenhang
und Ursache. Lerngruppe: [Vorwissen]
Erfundener oder freigegebener Fall: [Beobachtung und bekannte Designmerkmale]
Problematische Erklärung: [Beispielsatz]
Erstellen Sie Rückfragen zu zeitlicher Reihenfolge, Gruppenauswahl,
Messung, Störvariablen und möglicher umgekehrter Wirkungsrichtung.
Ordnen Sie: beobachtet | angenommen | nicht geklärt.
Erfinden Sie keine zusätzlichen Untersuchungsdaten.
Formulieren Sie eine engere Aussage und eine neue Transferaufgabe.
Halten Sie Lösungshinweise getrennt, damit ich zuerst eigene Begründungen
von den Studierenden einholen kann.

Ersetzen Sie die Platzhalter durch Ihre Lehrsituation und ausschliesslich durch zur Nutzung freigegebene Inhalte.

Welche Erklärung ist noch möglich?

Die Cochrane-Darstellung zu nicht randomisierten Studien erläutert die Bedeutung von Designmerkmalen für kausale Aussagen. Daraus folgt keine pauschale Abwertung aller beobachtenden Untersuchungen: Entscheidend ist, welche Schlussfolgerung das konkrete Vorgehen mit welchen Annahmen trägt.

Lassen Sie die Gruppe auch diskutieren, welche Alternative durch vorhandene Informationen weniger wahrscheinlich wird. Methodenkritik soll begründete Abstufungen ermöglichen und nicht jede Erkenntnis mit einem beliebigen «Es könnte auch anders sein» entwerten.

Worauf Sie achten müssen

• Daten begrenzen: Geben Sie keine Personendaten von Studierenden oder Schülerinnen und Schülern in öffentliche KI-Dienste ein. Verwenden Sie für Lehrübungen erfundene Fälle oder freigegebenes Material; prüfen Sie auch Kommentare und angehängte Dateien.
• Fehler erkennen: KI kann plausible, aber falsche Aussagen erzeugen. Eine flüssige Erklärung, eine Quellenangabe oder eine selbst vergebene Sicherheitseinstufung ersetzt keine Kontrolle am Ausgangsmaterial.
• Eigenständigkeit erhalten: Lassen Sie Lernende zuerst einen eigenen Vorschlag festhalten und danach eine Änderung begründen. Besprechen Sie Unsicherheiten persönlich, statt eine KI-Rückmeldung als Urteil über die Person zu behandeln.
• Zugang fair gestalten: Stellen Sie bei Lehrveranstaltungen eine gleichwertige Arbeitsmöglichkeit ohne privaten Bezahlzugang bereit. Klären Sie bei jüngeren Teilnehmenden zusätzlich die Altersbedingungen und die notwendige Begleitung.
• Örtliche Regeln klären: An Schweizer Hochschulen und PH gelten die Vorgaben der jeweiligen Institution und des Moduls; kantonale Rahmenbedingungen können unterschiedlich sein. Klären Sie zulässige Hilfsmittel, Offenlegung und offene Rechtsfragen mit den zuständigen Fachstellen im Einzelfall.

Ein Beispiel aus der Praxis

Ein erfundenes Beispiel: In einem Seminar in Bern erklärt KI bessere Leistungen mit dem Besuch freiwilliger Übungen. Frau Keller fragt, wer diese Übungen freiwillig besucht. Die Studierenden nennen Motivation und Vorkenntnisse als mögliche Einflüsse.

Sie formulieren den beobachteten Zusammenhang enger und schlagen vor, zusätzliche Informationen zur Ausgangslage zu berücksichtigen. In einer zweiten Aufgabe erkennen sie selbstständig, dass eine zeitliche Veränderung nach einer Einführung ebenfalls nicht automatisch deren Wirkung beweist.

So hilft Ihnen Alpasana

Mit Prompt Engineering können Sie die dafür nötige KI-Arbeitsweise üben. Sie üben, Aufgabe, Kontext, Ziel und Ausgabeformat klar zu beschreiben, komplexe Arbeiten aufzuteilen und Antworten zu überprüfen. Daraus entsteht ein getestetes Set wiederverwendbarer Arbeitsanweisungen; Programmierkenntnisse sind dafür nicht erforderlich.

Für Frau Keller ist das eine Grundlage, um eigene Lehrvorlagen bewusster zu gestalten und Ergebnisse nachvollziehbar zu kontrollieren. Die fachliche Beurteilung wissenschaftlicher Arbeiten und die Freigabe durch Ihre Hochschule bleiben bei den dafür zuständigen Personen.

Häufige Fragen

Sind Korrelationen wertlos?

Nein, sie können Zusammenhänge beschreiben, Fragen eröffnen und unter geeigneten Bedingungen Vorhersagen unterstützen. Problematisch wird es, wenn ohne weitere Begründung daraus eine Ursache abgeleitet wird.

Beweist eine statistische Kontrolle die Ursache?

Sie kann bestimmte bekannte Einflüsse berücksichtigen, hängt aber von Messung und Annahmen ab. Unbekannte oder unzureichend erfasste Einflüsse können weiterhin eine Rolle spielen; lassen Sie anspruchsvolle Schlussfolgerungen methodisch prüfen.

Wie verhindere ich eine reine Begriffsabfrage?

Verlangen Sie eine konkrete alternative Erklärung und eine passende Änderung am Untersuchungsplan. Wer die Begriffe nur wiederholt, kann diese Verbindung meist noch nicht nachvollziehbar herstellen.

Für den nächsten Arbeitsschritt helfen Ihnen Forschungsdesigns mit KI vergleichen und selbst begründen und Mit KI vorsichtig formulieren, ohne Aussagen zu verwässern.