Künstliche Intelligenz in der Hochschulbildung – MINT- und Sozialwissenschaftliche KI-Kompetenzen
Kurzbeschreibung
Die Autor*innen untersuchen Kompetenzunterschiede im Bereich Künstlicher Intelligenz (KI) zwischen Studienanfänger*innen der Sozialen Arbeit, Medieninformatik und digitalen Forensik am Beispiel der Hochschule Mittweida. Im Ergebnis zeigt die Studie, dass die Kompetenzen im technischen Verständnis allgemein niedrig sind, die Studienanfänger*innen in MINT-Fächern aber insgesamt bessere Ergebnisse erreichen als solche aus den Sozialwissenschaften. Aus diesem Ergebnis leiten die Autor*innen Bedarfe für die Hochschulbildung ab.
Annahmen über die Folgen der Digitalisierung
Die gesellschaftliche Relevanz Künstlicher Intelligenz wird als hoch beschrieben und ihr Einsatz in verschiedenen Berufszweigen besonders für Berufsanfänger*innen als eine wichtige Herausforderung. Aus diesem Grund sei es wichtig, mehr über den Status quo von KI-Kompetenzen bei Student*innen zu wissen, argumentieren die Autor*innen. Fehlende KI-Kompetenzen müssten in der Hochschuldbildung früh erkannt und umfassend adressiert werden, sodass das Studium besser auf den Umgang mit Künstlicher Intelligenz in verschiedenen Berufsfelder vorbereiten könne.
Kompetenzanforderungen
Anforderungen an KI-Kompetenzen werden in Bezug auf die Anwendung, das technische Verständnis und die kritische Reflexion von Künstlicher Intelligenz formuliert. Beispiele sind etwa die Einbindung von Künstlicher Intelligenz als Entscheidungsunterstützungssysteme oder für Prognosen in der Fallarbeit sowie die ethische Reflexion solcher Systeme.
Kompetenzbegriffe (nach dem Papier)
Unterdimensionen (nach dem Papier)
praktische Anwendung,
kritische Auseinandersetzung,
technisches Verständnis
Kompetenzdimensionen (nach dem Rahmenkonzept von Digitales Deutschland)
Instrumentell-qualifikatorische Dimension: Effektiv mit Künstlicher Intelligenz kommunizieren und zusammenarbeiten; Künstliche Intelligenz als Werkzeug nutzen (z. B. für Übersetzungen).
Kognitive Dimension: Technisches Verständnis von Künstlicher Intelligenz; Funktionslogik von Künstlicher Intelligenz verstehen.
Kritisch-reflexive Dimension: Künstliche Intelligenz als gesellschaftliches und ethisches Thema verstehen; KI-Technologien kritisch bewerten.
Zentrale theoretische Annahmen über Kompetenz
KI-Kompetenz wird in Unterdimensionen unterteilt, die abgegrenzt voneinander erhoben und gefördert werden müssen.
Perspektive der Kompetenzträger*innen auf Kompetenz einbezogen?
keine Angabe
Lebenskontexte der Kompetenzträger*innen einbezogen?
Die Studie wurde unter Studienanfänger*innen unterschiedlicher Studiengänge an der Hochschule Mittweida erhoben. Die in der Ergebnissen vorfindbaren Kompetenzunterschiede wurden teilweise über die Einschreibung in eher technikaffine oder eher sozialwissenschaftliche Studiengänge erklärt. Dabei wurden auch die Unterdimensionen von KI-Kompetenz beachtet. So wurden von Studierenden von MINT-Fächern eher mit Technik verbundene Kompetenzen erwartet, von den sozialwissenschaftlichen eher reflexive Kompetenzen. Die Erwartungen bestätigten sich nur teilweise. Das führen die Autor*innen auf eine fehlende curriculare Verankerung von Inhalten zu Künstlicher Intelligenz zurück, aber auch auf ein mangelndes Angebot an niedrigschwelligen und lebensweltnahen Lerngelegenheiten.
Herausforderungen der Erfassung von Kompetenz
Die verwendete SNAIL-Skala (Scale for the assessment of non-expert AI literacy) basiert auf Selbsteinschätzungen durch die Befragten. Die Selbsteinschätzung kann jedoch ungenau ausfallen. Zudem erlaubt die Studie lediglich Einblicke in das Kompetenzerleben von Studierenden zu Studienbeginn. Inwiefern sich Kompetenzen im Rahmen des Studiums entwickeln, bleibt offen.
Zentrale empirische Befunde über Kompetenz
Über die SNAIL-Methode wird KI-Kompetenz über drei Unterdimensionen erhoben: praktische Anwendung, kritische Auseinandersetzung, technisches Verständnis. Die Unterdimensionen sind bei Student*innen in MINT-Fächern insgesamt besser ausgeprägt als bei Student*innen in sozialwissenschaftlichen Fächern. Allerdings fällt das technische Verständnis Künstlicher Intelligenz dabei studiengangübergreifend vergleichsweise gering aus.
Quellenangabe
Winterlich, J., & Lohse, M. (2026). Künstliche Intelligenz in der Hochschulbildung: MINT- und Sozialwissenschaftliche KI-Kompetenzen. Informatik Spektrum, 48, 123-127. https://doi.org/10.1007/s00287-025-01598-y
Sonstige Anmerkungen
Die Erhebung bezieht sich auf Student*innen der Hochschule Mittweida in drei Studienfächern (Wirtschaftsinformatik, Digitale Forensik, Soziale Arbeit). Die Teilnehmer*innenzahlen an der Studie aus den drei Studiengängen waren sehr unterschiedlich (n = 45, n = 38, n = 242). Auch wird als Limitation erwähnt, dass es bei Selbsteinschätzungen teilweise zur Überschätzung der eigenen Kompetenzen kommt.