Mein Lieblingsteil beim Unterrichten in der Mittelschule war nicht die Benotung. Es war das Chaos des Experimentierens.
Ich habe den Buchbericht verschrottet. Bei der Ankunft tot. Stattdessen verwendeten die Schüler für multimodale Antworten grafische Organisatoren, die auf 100 Wörter begrenzt waren. Für mündliche Berichte galt eine harte Obergrenze von zwei Minuten. Wenn ich dich während der SSR beim Lesen erwischt hätte? Bonuspunkte. Einfach.
Tests? Bringen Sie Ihre Notizen mit. Meine Folien. Das Lehrbuch. Irgendetwas.
Es war mir egal, ob du dich an Daten erinnerst. Ich wollte sehen, ob Sie etwas zusammenfassen, bewerten und analysieren können.
In den zwölf Jahren meiner Lehrtätigkeit habe ich keinen einzigen Studenten dazu gezwungen, einen Aufsatz mit fünf Absätzen zu schreiben.
Warum?
Ich war schon vor der Geburt der meisten dieser KI-Modelle ein professioneller Autor. Ich verabscheue das Format. Struktur ist wichtig. Aber eine Struktur, die nur innerhalb eines Klassenzimmers existiert? Das ist Zeitverschwendung.
Kürzlich haben einige Substack-Autoren zum Thema KI in der Bildung mein Interesse am Design neu geweckt.
Ich habe einen Test durchgeführt.
Ich habe die großen LLMs eines gefragt: Was macht eine Aufgabe für Sie einfach?
Ich wusste die Antwort, bevor ich fragte. Mustererkennung.
Wir geben der Technik die Schuld. Das ist faul.
Das Problem ist nicht, dass KI zu mächtig ist.
Das Problem besteht darin, dass wir unsere Aufgaben so konzipiert haben, dass sie vorhersehbar, prozedural und langweilig automatisierbar sind.
Die Industrie weiß das: Wenn man es automatisieren kann, wird es automatisiert. Bildung kommt einfach zu spät.
Die Formel, die KI liebt
Wir sind nicht auf KI-freundliche Aufgaben gestoßen. Wir haben sie gebaut.
LLMs leben von der Struktur. Keine Einsicht. Keine Lebenserfahrung. Struktur.
Folgendes tötet die Kreativität von Schülern – und fördert die KI:
1. Starre Vorlagen
Der Aufsatz mit fünf Absätzen ist König. Einführung. Drei Hauptabsätze. Abschluss. Tauschen Sie das Thema. Die Form bleibt.
KI muss nicht denken. Es füllt nur die Lücken aus.
2. Offensichtliche Aufforderungen
„Erklären Sie den Wasserkreislauf.“
„Ursachen der Revolution auflisten.“
Das sind keine Fragen. Es handelt sich um Suchbefehle.
Das Modell ordnet den Hinweis der gespeicherten Antwort zu. Es ist Vollendung, nicht Schöpfung.
3. Flaches Denken
Zusammenfassen. Definieren. Liste.
Kognitionswissenschaftler nennen dies „Oberflächenebene“. Hier ist die Musterdichte am höchsten. KI dominiert die Oberfläche. Es geht kaum um Tiefe.
4. Checklisten-Rubriken
Fügen Sie drei Beispiele hinzu.
Verwenden Sie fünf Vokabeln.
Hilfreich? Ja.
Algorithmenfreundlich? Erschreckenderweise.
LLMs entwickeln Ihre Rubrik zurück. Sie optimieren auf Punkte, nicht auf Bedeutung.
5. Kein Kontext
Wenn bei einer Aufgabe nicht berücksichtigt wird, wer der Schüler tatsächlich ist, handelt es sich um dekontextualisiertes Wissen.
Ich habe Kinder dazu gebracht, Bücher mit Fernsehsendungen zu verknüpfen. Zu Videospielen. Zu ihrem Leben.
KI hat kein Leben. Wenn der Aufgabe der Kontext fehlt, hat die KI keinen Nachteil gegen Sie.
Die Backward-Design-Falle
Ironie? Unsere besten Frameworks haben dazu beigetragen.
Rückwärtsdesign beginnt mit Ergebnissen. Dann erstellen Sie den Test.
Es ist kohärent. Es ist ordentlich.
Und es ist schrecklich für das Denken.
Wenn Sie „Erfolg“ zu klar definieren – These, drei Zitate, 800 Wörter – schreiben Sie nur eine Aufforderung für eine KI.
Ich habe meinen Nichten dabei zugeschaut. Das Erste, was sie tun? Kopieren Sie die Anweisungen und die Rubrik und fügen Sie sie in ChatGPT ein.
Konformität ist garantiert.
Eine Checkliste reicht nicht aus. Sie brauchen Qualitätsindikatoren. Sie benötigen High-Level-Domains aus der Taxonomie von Bloom. Nicht nur Kästchen zum Ankreuzen.
Ja, neue Modelle ahmen die Synthese nach. Ja, sie täuschen Kreativität vor.
Es macht das Entwerfen schwieriger. Es erleichtert die Überprüfung.
Wo die KI stolpert
Verbrennen Sie nicht Ihren Lehrplan. Ändern Sie einfach die Variablen.
KI hat Probleme mit:
- Authentische Mehrdeutigkeit
- Lokaler, spezifischer Kontext
- Sichtbarer Prozess
- Menschliches Urteilsvermögen
- Originalsynthese unter Einschränkungen
Einschränkungen sind der Schlüssel.
Mit dem Stadtrat reden? Hart.
Einen Podcast schreiben? Seltsam für einen LLM.
Widersprüchliche lokale Daten verwenden? Schwierig.
Basierend auf Peer-Hassmails überarbeiten? Schmerzhaft für einen Bot.
Wenn eine Aufgabe von der Musterausführung zur Bedeutungskonstruktion übergeht, gerät der Bot ins Stocken.
Wir brauchen „produktive Reibung“.
Kein Chaos.
Reibung.
Kollegen von AI Friction Labs bauen das. Sie ersetzen „hilfreiche“ KI durch Widerstand. Sokratischer Dialog. Stakeholder-Verhandlung. Verteidigen Sie Ihre Argumente in Echtzeit.
Sie beurteilen das Denken, nicht das PDF.
Projektbasiertes Lernen?
- Definieren Sie das Chaos.
- Finden Sie heraus, was Sie nicht wissen.
- Testen Sie eine Lösung.
- Scheitern. Iterieren.
Hier funktioniert keine Vorlage. Keine Notluke mit fünf Absätzen.
Was nun?
Wir stellen die falsche Frage.
Nicht „Wie stoppen wir das Betrügen?“
Aber „Warum war dieser Auftrag so leicht zu fälschen?“
Das tut weh. Es sollte.
Wenn ein Bot es in Sekunden erledigt, haben wir dann den Lernerfolg gemessen? Oder haben wir den Gehorsam gegenüber einer Formel gemessen?
Die Aufgaben, die die KI zerstören, sind diejenigen, die Folgendes erfordern:
- Neuartige Ideen.
- Fachkompetenz.
- Gelebte Erfahrung, über die kein Datensatz verfügt.
Das ist keine Krise. Es ist ein Filter.
Es zeigt uns, wo unsere Aufgaben versagt haben.
Wir müssen Erfahrungen entwerfen, die situiertes, iteratives, menschliches Denken erfordern.
Das ist für sie immer noch schwer.
Viel Glück.
