What do university students know about Artificial Intelligence? Development and validation of an AI literacy test
Kurzbeschreibung
In diesem Beitrag geht es um die Entwicklung und Validierung eines Kompetenztests zu Künstlicher Intelligenz. Ausgehend von einem Konzept zu AI Literacy von Duri Long und Brian Magerko soll dieser Multiple-Choice-Test dazu dienen, AI Litercy von Studierenden zu bewerten. Die meisten befragten Studierenden haben ein grundlegendes Verständnis von Künstlicher Intelligenz. Ihre AI Literacy variiert allerdings stark, beispielsweise je nach Studienfach oder früheren Erfahrungen mit Künstlicher Intelligenz. Die Autor*innen leiten daraus erstens einen Bedarf an guten Kursen zu Künstlicher Intelligenz für ein breiteres Spektrum von Studierenden ab. Zweitens sollten Lehrkräfte solche Kurse an die Vielfalt der Vorkenntnisse von Studierenden anpassen.
Annahmen über die Folgen der Digitalisierung
Künstliche Intelligenz beeinflusst bereits heute unsere Gesellschaft, zum Beispiel den Berufsalltag und das Bildungswesen. So werden etwa Studierende Künstliche Intelligenz in ihrem Alltag sowie in ihrem künftigen Berufsleben nutzen. Viele Anwendungen Künstlicher Intelligenz bieten vielversprechende Möglichkeiten für die Gesellschaft, zum Beispiel im Gesundheitswesen. Manche Anwendungen bergen jedoch auch Risiken für Mensch und Gesellschaft, beispielsweise die vorausschauende Polizeiarbeit oder Deep Fakes.
Kompetenzanforderungen
Um Chancen und Herausforderungen zu begegnen, die mit Künstlicher Intelligenz verbunden sind, müssen Studierende aller Disziplinen ein grundlegendes Verständnis über Künstliche Intelligenz entwickeln sowie Fähigkeiten, solche Systeme zu nutzen und zu bewerten.
Kompetenzbegriffe (nach dem Papier)
Unterdimensionen (nach dem Papier)
keine Angabe
Kompetenzdimensionen (nach dem Rahmenkonzept von Digitales Deutschland)
Instrumentell-qualifikatorische Dimension: Künstliche Intelligenz als Werkzeug online, zuhause und am Arbeitsplatz nutzen.
Kognitive Dimension: Wissen über Künstliche Intelligenz.
Soziale Dimension: Effektiv mit Künstlicher Intelligenz zusammenarbeiten und kommunizieren.
Kritisch-reflexive Dimension: Technologien Künstlicher Intelligenz kritisch bewerten.
Zentrale theoretische Annahmen über Kompetenz
AI Literacy ist ein verhältnismäßig neues Konzept, zu dem es allerdings schon eine Reihe von Definitionen gibt. Vielen dieser Definitionen liegt ein ähnliches Verständnis zugrunde. Die Autor*innen orientieren sich an ein Kompetenzmodell von Duri Long und Brian Magerko, wonach sich AI Literacy als „eine Reihe von Kompetenzen, die es dem Einzelnen ermöglichen, KI-Technologien kritisch zu bewerten, effektiv mit KI zu kommunizieren und zusammenzuarbeiten und KI als Werkzeug online, zu Hause und am Arbeitsplatz zu nutzen“ verstehen lässt (S. 2). In diesem Modell werden Kompetenzdimensionen anhand von fünf Fragen gruppiert: Was ist Künstliche Intelligenz? Was kann sie leisten? Wie funktioniert Künstliche Intelligenz? Wie sollte sie eingesetzt werden? Und wie nehmen Menschen Künstliche Intelligenz wahr?
Perspektive der Kompetenzträger*innen auf Kompetenz einbezogen?
keine Angabe
Lebenskontexte der Kompetenzträger*innen einbezogen?
In vorliegendem Artikel wird zum einen dem Studienfach Aufmerksamkeit geschenkt. Denn je nach Studienfach ergeben sich Kompetenzunterschiede. Studierende technischer Fächer weisen eine höhere AI Literacy auf als Studierende der Sozialwissenschaften. Da an der Studie vorwiegend Studierende technischer Studiengänge teilnahmen, wird vermutet, dass das in der Studie gemessene Kompetenzniveau etwas höher ausfällt als es in der gesamten Studierendenschaft wäre. Zum anderen beziehen die Autor*innen eine Reihe weiterer individueller Aspekte in ihre Überlegungen ein. So wird etwa danach gefragt, inwiefern die Studierenden bereits Erfahrungen mit solchen Anwendungen gemacht haben, wie ihre Haltung zu Künstlicher Intelligenz ist, ob sie sich für das Thema interessieren und inwiefern sie sich im Umgang mit Künstlicher Intelligenz als selbstwirksam erleben. Von all diesen Aspekten wird angenommen, dass sie mit AI Literacy zusammenhängen.
Herausforderungen der Erfassung von Kompetenz
Die meisten Studien zu AI Literacy stützen sich auf Selbsteinschätzungen. Diese können allerdings zu verzerrten Ergebnissen führen, weswegen die Autor*innen für Kompetenztests plädieren. Um zu garantieren, dass Aufgaben gut verständlich sind, wurde der Fragebogen im Vorfeld mit Studierenden erprobt. An ihrem Erhebungsinstrument merken die Autor*innen jedoch kritisch an, dass Items womöglich veralten werden. Deswegen kann es nötig werden, den Test in Zukunft zu überarbeiten.
Zentrale empirische Befunde über Kompetenz
Die Befragten verfügen über ein grundlegendes Verständnis von Künstlicher Intelligenz. Es wird aber ein Mangel an umfassenderem Wissen deutlich. Studierende mit Erfahrung in Informatik oder im Umgang mit Künstlicher Intelligenz (an der Universität oder durch informelles Lernen) erreichen ein höheres Niveau an AI Literacy. Auch weisen Studierende aus MINT-Fächern ein höheres Kompetenzniveau auf als Studierende der Sozialwissenschaften.
Quellenangabe
Hornberger, M., Bewersdorff, A., & Nerdel, C. (2023). What do university students know about Artificial Intelligence? Development and validation of an AI literacy test. Computers and Education: Artificial Intelligence, 5, 1–12. https://doi.org/10.1016/j.caeai.2023.100165
Sonstige Anmerkungen
Die Ergebnisse deuten darauf hin, dass mehr Bildungsprogramme zu Künstlicher Intelligenz nötig sind, um vorhandene Wissenslücken zu schließen. Der Ausbau solcher Angebote würde die allgemeine AI Literacy erhöhen und Studierende in die Lage versetzen, sich effektiver mit der zunehmenden Verbreitung von KI-Technologien in der Gesellschaft auseinanderzusetzen. Dabei stellt die Heterogenität der Studierenden eine wesentliche pädagogische Herausforderung dar. Bei der Gestaltung von Kursen zu Künstlicher Intelligenz sollten folgende Variablen berücksichtigt werden: die Absolvierung früherer Universitätskurse über Künstliche Intelligenz, früheres informelles Lernen zu Künstlicher Intelligenz sowie das Vorwissen der Studierenden über Informatik.