KI - Informationen für Lehrende

• Wissenschaft setzt auf Nachvollziehbarkeit. Ausgaben aus GenKI haben jedoch nicht den Status einer Quelle, die für Dritte les- und nachvollziehbar ist, denn die jeweilige Ausgabe zu einem Prompt gilt nur für diesen Prompt in Verbindung mit der entsprechenden Version eines Tools, der Lizenz, ggf. sogar der Uhrzeit, der Region des Zugriffs etc.

Zur Erklärung:

• KI-generierte Texte nutzen große Sprachmodelle, sogenannte Large Language Models (LLM), die darauf trainiert sind, Muster in natürlicher Sprache zu erkennen und entsprechend reproduzieren zu können. Diese großen Sprachmodelle (z. B. GPT-3.5, GPT-4 für OpenAI ChatGPT und CoPilot, Claude von Antrophic, Gemini Nano von Google uvm.) erzeugen Textausgaben auf der Grundlage komplexer neuronaler Netzwerke und anhand statistischer Wahrscheinlichkeiten. 
• Sie werden mit sehr großen Mengen an Daten trainiert. Der Datensatz, der jeweils zum Training einer Anwendung verwendet wurde, ist allerdings entweder Geschäftsgeheimnis (z. B. bei Claude) oder besteht vor allem aus einem Common Crawl, einer speziell zusammengestellten Datenbasis aus Webtexten, der englischsprachigen Wikipedia und frei verfügbaren Büchern (siehe Für GPT-3 OpenAI Juli 2020: https://arxiv.org/pdf/2005.14165).

Texte, die von GenKI erstellt wurden, weisen inzwischen in den meisten Fällen eine bemerkenswerte sprachliche Qualität auf. Hohe sprachliche Qualität bedeutet aber nicht gleichzeitig auch hohe inhaltliche Qualität bzw. Richtigkeit. Selbst wenn Texte komplex formuliert sind und glaubwürdig klingen, hat GenKI ein Problem mit Faktentreue.
 
Denn GenKI recherchiert nicht in Quellen (Datenbanken, Büchern etc.), sondern ist so trainiert, dass sie bei dem Verfassen einer Antwort nach dem statistisch wahrscheinlichsten Folgeelement (Zeichen, Wort) sucht. So entstehen zwar sprachlich kohärente Texte, aber das Verfahren kann keine inhaltliche Korrektheit garantieren. Zuweilen halluziniert GenKI und erfindet wahrscheinliche Antworten, ohne faktische Richtigkeit. Wenn dieselbe Anfrage mehrfach gestellt wurde, werden die Ergebnisse immer variieren.

Die Überprüfung der Richtigkeit, also die Faktentreue und das kritische Hinterfragen von KI-generierten Texten, liegt bei uns Menschen.

Autor:in eines Textes zu sein – sei es eine wissenschaftliche Publikation oder eine Studienarbeit – bedeutet, die Urheberschaft für diesen Text zu übernehmen. Als Autor:in sind Sie für die Inhalte, die Art der Darstellung und die korrekte Angabe von Quellen verantwortlich. Es ist wichtig, klar zwischen eigenen Ideen und denen anderer zu unterscheiden und alle Quellen wie Belege transparent anzugeben. 

Wenn Sie textgenerierende KI-Systeme für mehr als ein reines Textlektorat / Korrekturlesen hinaus einsetzen, müssen Sie die Richtigkeit der von der KI gelieferten Informationen a) kritisch überprüfen und b) klären, wie der Einsatz von KI im jeweiligen Fall anzugeben ist. Die Kennzeichnungsvorgaben können je nach Publikationsart variieren. Vergewissern Sie sich also, was für Ihre jeweilige Publikation gilt.

Zum verantwortlichen Umgang mit GenKI zählt auch rechtskonform zu sein. Was das im Einzelnen bedeutet, findet sich hier in dieser Checkliste von KI:connect:NRW. Urheberrechtlich geschützte Materialien dürfen z.B. nicht einfach in eine GenKI zur Weiterverwendung hochgeladen werden.

In der aktuellen KI-Eigenständigkeitserklärung der Hochschule Bremen wird zwischen 2 Optionen gewählt:

• Option 1 - Nutzung von KI-Technologien ohne Kennzeichnungspflicht
• Option 2 - Nutzung von KI-Technologien mit Kennzeichnungspflicht

In beiden Fällen ist eine Abstimmung zwischen Studierenden und Prüfenden notwendig.

Hier finden Sie die Folien aus dem

• ZLL KI-Impuls vom 24.06.2025 zum Thema:  "KI in Prüfungsordnung & Kennzeichnungsvarianten" (Foliensatz ist eine komprimierte Form der wichtigstens Infos zur KI-Kennzeichnung).
• Weitere KI-Impulse finden Sie hier. 

Auf der Seite der Universität Graz werden verschiedenste Kennzeichnungsvarianten vorgestellt (Zitation, AI-Usage Cards, Dokumentationstabellen etc.) und ihre Vor- und Nachteile ausführlich dargestellt.

Die Hochschulen in Niedersachsen haben sich in einer Arbeitsgruppe auf folgende Zusammenstellung geeinigt: 

• Baresel, Kira; Eube, Cornelia; Knorr, Dagmar; Lutter, Ly; Nys, Jasmin de; Röben, Marieke (2024): KI-Gebrauch im Studienkontext dokumentieren (Version 1.0). Online verfügbar unter https://doi.org/10.48548/pubdata-1476, zuletzt geprüft am 18.03.2025.
• Besonders interessant die verschiedenen Dokumentationstabellen:
  • holistische Dokumentation
  • werkzeugorientierte Dokumentation
  • arbeitsphasenorientierte Dokumentation
  • reflexionorientierte Dokumentation

Das Schreibzentrum der Goethe-Universität Frankfurt/Main hat in Anlehnung an ein Framework von Rowland (2023) eine Übersicht erstellt, die den GenKI-Einsatz auf einer Skala von 1 (Inspiration) bis 4 (Inhaltsgestaltend) differenziert. 

• Schreibzentrum der Goethe-Universität Frankfurt/Main: Framework zur Entwicklung von Regeln bei KI-gestützten Schreibprozessen. Online verfügbar unter https://www.starkerstart.uni-frankfurt.de/149427334.pdf, zuletzt geprüft am 26.03.2025.

Eine Betrachtung von KI-Handreichungen und typischen Problemen, die sich daraus für Studierende ergeben:

• Radau, Jakob; Maibaum, Miriam; Weßels, Doris (2025): Multiperspektivische Betrachtung problematischer KI-Handreichungen an deutschen Hochschulen – die Sichtweise der Studierenden. In: Hochschulforum Digitalisierung, 27.02.2025. Online verfügbar unter https://hochschulforumdigitalisierung.de/multiperspektivische-betrachtung-problematischer-ki-handreichungen/, zuletzt geprüft am 10.03.2025.

Buck, Isabella (2025): Wissenschaftliches Schreiben mit KI. 1. Auflage. Stuttgart: UTB; UVK.

• Erstes deutschsprachiges Übersichtsbuch zur Thematik.
• Ein zentraler Gedanke: Denkprozesse werden als Grundlage des Schreibens durch KI-Tools nicht ersetzt (werden können).

Durch die uneingeschränkte Nutzung von GenKI bieten Sie Ihren Studierenden die Möglichkeit, sich intensiv mit modernen Technologien auseinanderzusetzen. Dabei sollte auf jeden Fall klar kommuniziert werden, dass die Studierenden die volle Verantwortung für die inhaltliche Richtigkeit der generierten Inhalte tragen.

Textbaustein für Ihren AULIS-Kurs/Syllabus: 

"In dieser Lehrveranstaltung ist die Nutzung von generativer KI (GenKI) uneingeschränkt möglich. Bitte beachten Sie jedoch, dass Sie die volle Verantwortung für die inhaltliche Richtigkeit der generierten Inhalte tragen. 

Durch die gezielte Erlaubnis bestimmter KI-Tools können Sie den Lernprozess der Studierenden bereichern, weil sie ihnen ermöglichen, moderne Technologien in einem kontrollierten Rahmen zu erforschen und sich damit kritisch auseinanderzusetzen.

Textbaustein für Ihren AULIS-Kurs/Syllabus:

"In dieser Lehrveranstaltung ist die Nutzung bestimmter generativer KI-Tools erlaubt. Diese werden im Kurs explizit thematisiert und dürfen für die Erstellung von Studien- und Prüfungsleistungen verwendet werden. Die erlaubten Tools sind [Name oder Art der Werkzeuge einsetzen].

Durch die Festlegung, wie und wofür GenKI genutzt werden darf, können Studierende die Vorteile der Technologie nutzen ohne die Integrität ihrer Arbeit zu gefährden. Zum Beispiel könnte GenKI für die Vorverarbeitung und Analyse von Daten erlaubt sein, jedoch nicht für die Interpretation der Ergebnisse. Nutzungs- und Kennzeichnungsvorlagen bei Einsatz von GenKI finden Sie hier.

Textbaustein für Ihren AULIS-Kurs/Syllabus:

"Generative KI darf in dieser Lehrveranstaltung für spezifische Aufgaben genutzt werden. Erlaubt ist beispielsweise [die Verwendung für die Ideenfindung oder Textüberarbeitung], jedoch nicht [das Erzeugen ganzer Textabschnitte]. 

Der Ausschluss von generativer KI in bestimmten Lehrveranstaltungen kann sinnvoll sein, um Basiskompetenzen bei den Studierenden zu fördern. Dies stellt sicher, dass die Studierenden die Grundlagen selbst erlernen, anstatt sich auf KI-Tools zu verlassen. So werden die Lernziele der Lehrveranstaltung besser unterstützt.

Textbaustein für Ihren AULIS-Kurs/Syllabus:

„In dieser Lehrveranstaltung ist die Nutzung von generativer KI nicht gestattet. Der Fokus liegt darauf, Basiskompetenzen zu fördern. Bitte erarbeiten Sie die Aufgaben eigenständig, um die Lernziele der Veranstaltung zu erfüllen. 

Die folgende Textpassage sollte immer ergänzt werden:

"Eine KI-Eigenständigkeitserklärung ist bei jeder Prüfungsleistung gemäß § 7 AT-BPO und AT-MPO wie Referat, Hausarbeit, Projektarbeit, Bericht, Präsentation, Experimentelle Arbeit, Entwicklungsarbeit, Portfolio als auch die Bachelor- bzw. Masterthesis erforderlich. Werden in Prüfungsleistungen gemäß AT-BPO und AT-MPO die gute wissenschaftliche Praxis (z.B. Arbeiten Dritter richtig kennzeichnen) und die Kennzeichnung von KI-Nutzung nicht korrekt umgesetzt, werden diese nach § 16 Abs.2 der AT-BPO und AT-MPO als Täuschung betrachtet. Wie Sie die Nutzung von GenKI kennzeichen, finden Sie hier in den Vorlagen.“

Definieren Sie präzise, welche der vier KI-Nutzungsmodelle – von vollumfänglicher Integration bis zum kompletten Ausschluss – in Ihrer Lehrveranstaltung Anwendung finden. Legen Sie fest, welche KI-Tools verwendet werden dürfen oder ausgeschlossen sind, um Unklarheiten zu vermeiden. Orientieren Sie sich an der Leitlinie: Nur was ausdrücklich untersagt ist, gilt als nicht erlaubt.

Wir haben den Leitfaden zu Generativer KI in der Lehre von Birgit Phillips, FH JOANNEUM, August 2024 genutzt und auf die Belange der Hochschule Bremen angepasst.
https://www.fh-joanneum.at/hochschule/hochschuldidaktik-und-ki/kuenstliche-intelligenz-in-der-lehre/ki-leitfaden-fuer-die-lehre/ abgerufen am 06.03.2025

Dieser Text steht unter der Lizenz Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International - CC BY-NC-SA 4.0.

Diese Empfehlungen zur KI-Transparenz in Veranstaltungen an der Hochschule Bremen steht ebenfalls unter der Lizenz Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International - CC BY-NC-SA 4.0.

Unter dem Oberbegriff „Künstliche Intelligenz“ (KI) wird eine Vielzahl von verschiedenen Systemen verstanden, die sich auf ganz unterschiedliche Art unterteilen lassen. Jede dieser Unterscheidungsmöglichkeiten repräsentiert eine bestimmte Perspektive innerhalb der IT. Eine mögliche Unterteilung ist z. B. die Differenzierung von Expertensystemen und generativer KI. Ein Expertensystem ist ein Programm, das Handlungsempfehlungen auf einer umfangreichen gesicherten Wissensbasis ableitet und auf diese Weise Menschen wie ein Experte bei der Lösung komplexerer Probleme unterstützt. Sie generieren also keine neuen Inhalte, sondern reproduzieren in der Regel bereits vorher existente Ergebnisse. Generative KI-Tools sind dagegen explizit darauf ausgelegt, neue Inhalte zu erzeugen. Generative KI wird zwar ebenfalls mit Daten und Informationen trainiert, aus denen sie Muster und Strukturen ableitet. Diese Muster nutzt die KI jedoch dazu, neue Inhalte wie Text, Audio, Bilder oder Videos zu produzieren. Zwar können auch andere KI-Formen Inhalte generieren, aber dies ist nur ein Nebeneffekt und nicht ihre Hauptfunktion. Bei der generativen KI ist die Generierung neuer Inhalte die primäre Aufgabe. In der EU KI-Verordnung (EU KI-VO) wird wiederum zwischen General Purpose AI (GPAI) wie ChatGPT und spezieller KI-Software unterschieden. 

Large Language Models (LLMs) bzw. Große Sprachmodelle stellen eine besonders leistungsfähige Form generativer KI dar und werden hauptsächlich für Text-to-Text Generierung in den bekannten Chatbots eingesetzt. Sie basieren auf tiefen neuronalen Netzwerken und sind in der Lage, menschenähnliche Texte in verschiedenen Sprachen zu generieren und zu verarbeiten. Durch das Training mit umfangreichen Textkorpora können LLMs umfangreiche Sprachmuster erkennen und anwenden, was sie zu vielseitigen Werkzeugen beispielsweise für das Verfassen, Zusammenfassen oder Übersetzen von Texten macht. 

Andere Formen generativer KI sind z. B. Text-to-Image-Modelle (Bildgenerierung). Auch dabei handelt es sich um Modelle, die auf neuronalen Netzwerken beruhen und aufgrund eines Trainings mit großen Bildkorpora, die von Menschen verschlagwortet wurden, neue Bilder generieren können. 

Herkömmliche Chatbots vereinen üblicherweise verschiedene Modelle, die im Hintergrund laufen und einzelne Aufgaben übernehmen. 

Die Funktionsweise von Sprachmodellen führt dazu, dass der Output der Modelle auf statistischen Berechnungen beruht. Der Output der Modelle ist demnach nicht unbedingt faktisch korrekt und wird vor der Ausgabe nicht überprüft. Das führt zu statistisch wahrscheinlichen Aussagen, die faktisch nicht richtig sein müssen. Zudem tendieren die gängigen Chatbots dazu, die Nutzenden in ihren Ideen und Meinungen zu bestätigen. Die Verlässlichkeit der Informationen aus Sprachmodellen ist daher immer zu prüfen. 

An der Hochschule Bremen stehen die Services der Academic Cloud und HSBrain (basierend auf HAWKI) zur Verfügung. Angehörige der Hochschule können sich dort mit ihren HSB-Anmeldedaten einloggen und verschiedene Angebote nutzen, z. B. den Chatbot ChatAI (AcademicCloud), in dem verschiedene Sprachmodelle zur Auswahl stehen. 

Wenn Sie Fragen oder Beratungsbedarf haben, oder unsicher sind, welche Modelle Sie verwenden sollen, wenden Sie sich an das ZLL-Support-Team. 

Chat AI stellt eine Auswahl verschiedener Open-Weight Large-Language-Models (LLMs) zur Verfügung, die von der GWDG (Gesellschaft für wissenschaftliche Datenverarbeitung mbH Göttingen) datenschutzkonform auf ihrer Plattform gehostet werden. Die bei der Nutzung von ChatAI an diese Modelle gesendeten Daten, inkl. Prompts und Antworten, werden nicht in den Systemen der GWDG gespeichert. ChatAI bietet aber auch einige extern gehostete Modelle an, wie zum Beispiel OpenAIs GPT-5, GPT-4o und o3. Bei den externen Modellen werden Daten an die jeweiligen Betreiber gesendet. 

Die GWGD aktualisiert die Liste der zur Verfügung gestellten Modelle regelmäßig, wenn neuere und leistungsfähigere Varianten veröffentlicht werden. Die GWDG stellt zudem eine Vergleichsliste der Modelle zur Verfügung, die ebenfalls stetig aktualisiert wird (Link). 

Der verantwortungsvolle Umgang mit GenAI-Technologien im akademischen Kontext wirft Fragen auf, auf die es oft noch keine endgültigen Antworten gibt. Hier bieten wir Informationen zum Einsatz von Sprachmodellen sowie zu deren Kennzeichnung und Dokumentation.

• Dozierende und Prüfer*innen sollten die relevanten Richtlinien zum Einsatz von Sprachmodellen (und anderen Modellen) mit ihren Studierenden besprechen. Auf diesen Seiten finden Sie Empfehlungen für verschiedene Anwendungsszenarien.
• Haben Sie konkrete Anliegen oder Informationen zu GenAI, die über Ihre Lehrveranstaltungen hinausgehen? Bitte wenden Sie sich an LehrePlus – wir haben ein offenes Ohr für Ihre Bedürfnisse.
• Bei technischen Fragen zu proprietären, Open-Source- oder selbst entwickelten GenAI-Lösungen wenden Sie sich bitte an das ZLL-Support-Team.

Die EU KI-Verordnung schafft einen rechtlichen Rahmen, der die Nutzung von Künstlicher Intelligenz in der EU sicher und ethisch gestaltet. Seit August 2024 ist sie grundsätzlich in Kraft, mit schrittweiser Umsetzung der einzelnen Vorgaben. Erste Verbote für unannehmbare Risiken gelten seit Februar 2025, während die meisten Vorschriften für Hochrisiko-KI-Systeme erst 2026 und 2027 vollständig wirksam werden.

Für die Hochschule Bremen als Bildungs- und Forschungseinrichtung sind die Klassifizierungen der EU KI-Verordnung entscheidend: KI-Systeme mit unannehmbarem Risiko, wie soziale Bewertungssysteme, sind verboten. Hochrisiko-Systeme, etwa für die Bewertung von Lernergebnissen oder Prüfungsüberwachung, unterliegen strengen Vorgaben, die unter anderem Dokumentation, Überwachung und Schulungen erfordern. Auch Sprachmodelle wie ChatGPT zählen zu den General Purpose AI (GPAI) und sind je nach Einsatz streng reguliert.

Die Hochschule verpflichtet sich zu einer verantwortungsvollen Nutzung von KI im Rahmen dieser Vorgaben. Lehrende spielen eine zentrale Rolle, indem sie Studierende nicht nur im technischen Umgang mit KI schulen, sondern auch für ethische und rechtliche Fragestellungen sensibilisieren. Das Ziel ist, Studierende zu befähigen, KI kompetent, reflektiert und verantwortungsvoll anzuwenden.

In Rücksprache mit Jurist:innen ist die Hochschule Bremen bemüht, im Rahmen der EU KI-VO einen rechtlich sicheren Zugang zu GenKI-Tools für Lehrende und Studierende zu ermöglichen. Bei Unsicherheiten und Fragen wenden Sie sich an das ZLL-Support-Team. 

Ein Studium soll auf eine zukünftige Berufstätigkeit vorbereiten und es ist davon auszugehen, dass GenKI-Modelle Teil des professionellen Handelns in Wissenschaft und anderen Berufsfeldern werden. Daher ist es sinnvoll, dass Studierende bereits während des Studiums Sprach- und andere Modelle kennen und (kritisch) nutzen lernen. 

Sie sollten prüfen, ob und wie GenKI-Modelle in Ihrem Modul eine Rolle spielen können und sollten. Wenn Sie eine Entscheidung über die Nutzung für Ihr Modul getroffen haben, ist es wichtig die Studierenden darüber zu informieren. Seitens der Studierenden besteht eine große Unsicherheit darüber, wie sie GenKI-Modelle im Studium einsetzen dürfen. Daher ist es sehr wichtig mit ihnen über den transparenten Einsatz von Sprach- und anderen Modellen zu sprechen.

Es gibt verschiedene Möglichkeiten, den Einsatz von KI im Studium zu regeln:

1. Uneingeschränkte Nutzung von GenKI
2. Selektiver Einsatz spezifischer GenKI-Modelle
3. Gezielte GenKI-Einbindung mit klaren Nutzungsgrenzen
4. Keine Nutzung von GenKI erlaubt

Weitere Informationen und auch Formulierungshilfen z. B. für die AULIS-Kurse der Module sind hier zu finden. 

Die KI-Eigenständigkeitserklärung der Hochschule Bremen sieht aktuell die Möglichkeit vor, GenKI-Modelle mit oder ohne Dokumentationspflicht in Lehre und Prüfungen zu nutzen. Achten Sie darauf, Ihre Studierenden darauf hinzuweisen, welche Angaben sie in der Eigenständigkeitserklärung machen sollen, passend zu Ihrem gewählten Nutzungsszenario. Dazu müssen Sie die Eigenständigkeitserklärung ggf. Ihren Bedarfen anpassen. 

Sollten Sie überlegen die Nutzung von GenKI-Modellen in der Lehre verpflichtend zu machen, müssen verschiedene Aspekte beachtet werden, darunter fällt u. a. der Grundsatz der Datensparsamkeit, die informierte Einwilligung der Studierenden zur Verarbeitung ihrer Daten durch bestimmte Dienste und/oder Organisationen, anfallende Kosten und Abrechnungsmöglichkeiten, sowie die Nutzungsbedingungen der Dienste, in denen insbesondere der Umgang mit den Nutzungsdaten geregelt ist. Besonders die Nutzungsbedingungen variieren je nach Software, Modell oder Platform. 

Kann keine datenschutzkonforme Lösung (nach DSGVO) gewährleistet werden, sollte die Nutzung kritisch betrachtet und nur auf freiwilliger Basis erlaubt werden. Einen datenschutzkonformen Zugang zu Sprachmodellen und weiteren Diensten bietet die Academic Cloud und HSBrain (auf Basis von HAWKI). 

Grundsätzlich gilt darüber hinaus, dass das Urheberrecht der hochgeladenen Dokumente, besonders bei proprietären GenKI-Modellen, beachtet werden muss. 

Als Lehrende sollten Sie Ihre Studierenden darauf hinweisen, dass die Prinzipien der guten wissenschaftlichen Praxis eingehalten werden müssen, auch wenn GenKI-Modelle genutzt werden. Die genutzten Quellen müssen transparent und nachvollziehbar angegeben werden; dabei ist zu beachten, dass der Output von Sprachmodellen nicht als wissenschaftliche Quelle gilt (siehe 3.3). Der Einsatz von GenKI-Modellen muss in Texten gekennzeichnet werden. Dazu gibt es verschiedene Möglichkeiten, die hier aufgezeigt werden. 

Desweiteren sollten Studierenden lernen, dass sie die Outputs von GenKI-Modellen nicht unreflektiert übernehmen. Studierende sind Autor:innen und für den Inhalt ihrer Texte verantwortlich.

In Lehrveranstaltungen und Prüfungen sollten Lehrende sich mit ihren Studierenden auf eine Nutzung von GenKI-Modellen einigen (siehe 2.1). Dazu gehört auch eine Verständigung über die zu nutzende (KI-)Einverständniserklärung. Dadurch wird auch §16 der Allgemeinen Bachelor- bzw. Masterprüfungsordnung genüge getan, in dem festgelegt wird, wann eine Täuschung aufgrund des Gebrauchs nicht-erlaubter Hilfsmittel vorliegt. 

Es gibt keine allgemeingültigen Antworten auf diese Frage. Aus der aktuellen Forschung sowie aus den Erfahrungen von Hochschuldidaktiker:innen lassen sich allerdings einige Prinzipien ableiten, die hilfreich für die Entscheidung sein können. 

Grundsätzlich ist der Umgang mit GenKI-Modellen je nach Disziplin, Studiengang und Modul unterschiedlich. Lehrende richten sich zunächst nach den Lernzielen ihrer Module, und können darauf aufbauen entscheiden, inwiefern der Einsatz von GenKI-Modellen sinnvoll ist und diese ggf. Lerninhalt sein können. Wenn GenKI-Modelle von Studierenden eingesetzt werden sollen, sollten Studierende kritisch und schrittweise an die Technik herangeführt werden. 

Aktuelle Studienergebnisse erscheinen auf den ersten Blick widersprüchlich. Doch daraus lässt sich ableiten, dass es beim Einsatz von GenKI-Modellen darauf ankommt, wie diese genutzt werden (zusammengefasst bei Hanke et al, 2026: KI beim wissenschaftlichen Schreiben: Wann sie denken fördert – und wann sie es verdrängt). Wenn Studierende die GenKI-Modelle als Krücke nutzen, untergräbt es ihr Lernen (Bastani et al, 2024: Generative AI Can Harm Learning). Wenn GenKI-Modelle hingegen so trainiert werden, dass sie keine fertigen Lösungen ausgeben, können sie das Lernen unterstützen (Kestin et al, 2025: AI tutoring outperforms in-class active learning). 

Für Lehrende stellen sich daher grundlegende Fragen zu ihrer Lehre: 

• Was lernen die Studierenden beim Bearbeiten der Aufgaben ohne den Einsatz von GenKI-Modellen und was mit?
• Inwiefern verändern sich die Lernziele, wenn die Studierenden GenKI-Modelle zur Unterstützung nutzen?

Die Hochschuldidaktik der FH Aachen schlägt drei Prinzipien für die Gestaltung von Lehre mit GenKI-Modellen vor: 

1. Studierende arbeiten erst eigenständig, bevor sie GenKI-Modelle nutzen
2. Sprachmodelle sollten keine fertigen Lösungen ausgeben
3. Studierende dokumentieren, welche Outputs sie übernehmen und begründen ihre Entscheidungen. 

Darüber hinaus sollte Studierenden stets klar kommuniziert werden, warum genKI-Modelle im jeweiligen Modul oder der Prüfung erlaubt oder verboten sind. Außerdem ist es wichtig, situativ und kontextabhängig geltende Regeln festzulegen wie: „In dieser Sitzung sind keine Hilfsmittel erlaubt, weil…“ oder „Bei der Nutzung generativer KI für diese Aufgabe kennzeichnen Sie dies bitte wie folgt: …“.

Wissenschaftliches Schreiben erfüllt vielfältige Funktionen. Es dient nicht nur der Präsentation und Kommunikation von Forschungsergebnissen, sondern auch als Denk- und Lernhilfe. Durch das Schreiben und Lesen von Fachtexten entwickeln Studierende Inhalte sowie fachtypische Denk- und Argumentationsstrukturen. Diese Funktionen sollten bewusst gemacht werden, damit Schreibende entscheiden können, welche Aufgaben sie eigenständig erledigen und welche sie automatisieren wollen.

Prüfungsleistungen sind in der allgemeinen Bachelor- und Masterprüfungsordnung jeweils in § 7 festgelegt. Es werden insgesamt 11 zugelassene Prüfungsformen genannt, die durch die fachspezifischen Prüfungsordnungen genauer definiert werden können. Die Prüfungsformen sind für jedes Modul eines Studiengangs festgelegt, und können entsprechend über die bekannten Verfahren geändert werden. 

In der Öffentlichkeit wird vielfach diskutiert, ob schriftliche Prüfungen in Zukunft abgeschafft werden sollten. Da Lese- und Schreibkompetenzen in vielen Bereichen nach wie vor relevante Kompetenzen darstellen, ist eine flächendeckende Abschaffung eher unwahrscheinlich. Eine Alternative ist eine zusätzliche mündliche Prüfung (Kolloquium) zu jeder schriftlichen Prüfung, besonders zu Abschlussprüfungen, so dass Studierende ihre Kompetenzen noch einmal vor einem Prüfungsgremium darstellen können. Wie sich der Bereich Prüfungen entwickelt, ist noch nicht abschließend abzusehen. 

Die Nutzung von Sprachmodellen ist verführerisch. Sie produzieren schnell fehlerfreie, gut klingende Texte, und geben auf komplexe Aufgabenstellungen fundiert klingende Texte aus. Viele Ergebnisse sind besonders auf der Textoberfläche erstaunlich gut.

Doch die Studierenden einer Hochschule sollten die Bedeutung und den Wert eigenständiger wissenschaftlicher Arbeit anerkennen. Lehrende sollten, um den Studierenden diese Aspekte näher zu bringen 

• über das wissenschaftliche Schreiben sprechen,
• über gute wissenschaftliche Praxis sprechen,
• erläutern, was Eigenleistung im Kontext einer Lehrveranstaltung bedeutet,
• das wissenschaftliche Arbeiten und Schreiben aktiv durch passende Übungen unterstützen,
• über die prüfungsrechtlichen Konsequenzen bei einem Täuschungsversuch sprechen.

Die aktuelle Forschung in diesem Bereich scheint auf den ersten Blick widersprüchlich und ambivalent. So weisen z. B. Neurowissenschaftler:innen darauf hin, dass die Nutzung von Sprachmodellen beim Schreiben dafür sorgt, dass weniger kognitive Ressourcen genutzt werden und sich die Gehirnaktivitäten verschieben (Kosmyna et al, 2025: your Brain on ChatGPT). Es gibt Hinweise darauf, dass die unkontrollierte Nutzung von proprietären Sprachmodellen dafür sorgt, dass Lernende weniger lernen (Bastani et al, 2024: Generative AI Can Harm Learning), dass die Nutzung zu gedanklicher Faulheit führen kann (Fan et al, 2024: Beware of metacognitive laziness) oder dass Studierende sich zu sehr auf die GenKI-Systeme verlassen (overrealiance) und die Outputs auch auf ihrem eigenen Studiengebiet nicht hinterfragen (Krupp et al, 2024: Unreflected Acceptance). Andere Studien weisen darauf hin, dass speziell trainierte GenKI-Systeme (Kestin et al, 2025: AI tutoring outperforms in-class active learning) oder GenKI-Systeme mit RAG-Funktionen (Ma et al, 2024: Integrating AI tutors in a Programming Course) bei Studierenden zu besseren Lernergebnissen führen. Bei Studierenden, die nicht in ihrer Erstsprache studieren, kann die Nutzung von GenKI-Modellen zu einer verbesserten sprachlichen Qualität führen (Nguyen Minh, 2024: Leveraging ChatGPT for Enhancing English Writing Skills and Critical Thinking in University Freshmen).

Inwiefern die GenKI-Nutzung Lernen grundsätzlich verhindert, kommt also darauf an, wie die Modelle genutzt werden. Aufgrund der allgegenwärtigen Verfügbarkeit von proprietären GenKI-Modellen besteht allerdings die Gefahr, dass diese außerhalb von Forschungsexperimenten unkontrolliert genutzt werden. Da Sprachmodelle schnell fehlerfreie und gut klingende Texte produzieren, ist ihre Nutzung verführerisch. Dies kann dazu führen, dass Studierende ihre eigenen Fähigkeiten in Frage stellen, verlieren (Deskilling) oder gar nicht erst entwickeln (Skill Skipping). Beim Programmieren wird in diesem Fall von Vibe Coding gesprochen, d. h. Personen ohne Programmierkenntnisse lassen sich Code von GenKI-Programmen ausgeben (mit signifikanten Sicherheitsproblemen). Ähnliche Praktiken finden sich mittlerweile auch im Designbereich (Vibe Designing).

Für die Lehre an der Hochschule bedeutet das vor allem, dass Lernende in ihrer Nutzung GenKI-Nutzung kritisch begleitet werden müssen. Es reicht nicht, die Nutzung der Modelle zu erlauben. Ergänzend sollten auch wissenschafts- und berufsethische Fragen bearbeitet werden. 

Studierende sollten lernen, sich aktiv mit Themen auseinander zu setzen. Kritische Betrachtungen, Deutungen, Wertungen sollten nicht einer KI überlassen werden, sie gehören zu wichtigen Denk- und Lernschritten, die Studierende im Studium lernen sollten. Dazu muss ihnen innerhalb der Lehrveranstaltungen Gelegenheit gegeben werden.

Es gibt an der HSB keine einheitlich gültige Regelung zur Kennzeichnung von GenKI-Nutzung.

• Es liegt daher am jeweiligen Studiengang und/oder Lehrenden, diese Nutzung zu regeln und den Studierenden zu Beginn des jeweiligen Seminars transparent zu kommunizieren. 
• Je nach Lernziel und Prüfungsleistung kann eine GenKI-Nutzung vollumfänglich, eingeschränkt oder gar nicht erlaubt sein. 
• Für schriftliche Arbeiten bietet die HSB zwei Richtlinien an: In der Eigenständigkeitserklärung wird die Zulässigkeit der GenKI-Nutzung für die jeweilige Arbeit geregelt. Diese muss ggf. an Ihr jeweiliges Nutzungsszenario angepasst werden. 
• Darüber hinaus finden sich für Lehrende und  Studierende Hinweise zu drei verschiedenen Möglichkeiten der Kennzeichnung von GenKI-Nutzung in schriftlichen Arbeiten. 
• Für Prüfungsformen wie z. B. Präsentationen sind separate Abmachungen zu treffen. 

Die EU KI-Verordnung (EU AI Act) sieht es in bestimmten Fällen vor, dass die Nutzung von KI-Systemen offengelegt wird. Dies gilt u. a. für Deepfakes sowie die Veröffentlichung von Texten zur Information der Öffentlichkeit über Angelegenheiten des öffentlichen Interesses (EU KI-VO § 50 (4)). In diesen Fällen sind Lehrende in ihrer Lehre zur Offenlegung der Nutzung von GenKI-Modellen verpflichtet. Forschungsaktivitäten sind davon üblicherweise nicht betroffen. 

Darüber hinaus nutzen viele Lehrende GenKI-Modelle, z. B. um ihre Lehre vorzubereiten. Lehrende können mit gutem Beispiel vorangehen, indem sie kennzeichnen, wenn Lehrmaterialien, Prüfungsfragen, usw. mithilfe von GenKI-Modellen erstellt wurden. Dabei können Lehrende die gleichen Kennzeichnungsvarianten nutzen wie Studierende oder sich an anderen Formaten wie z. B. den AI Use Cards orientieren (Whitepaper dazu).

Wenn die Nutzung von GenKI-Modellen nicht explizit Bestandteil der Aufgabenstellung war, dürfen die Nutzung oder Nicht-Nutzung als solches sich nicht auf die Beurteilung auswirken. Wenn die Nutzung von GenKI-Modellen Bestandteil der Aufgabenstellung ist, ist dafür zu sorgen, dass die Nutzung der jeweiligen Modelle 1) gelehrt und in die Lehre eingebettet wird, und 2) für eine datenschutzkonforme Nutzung gesorgt wird. 

Darüber hinaus ist sowohl für Lehrende als auch Studierende relevant, dass einzelne Personen durch Betreibende von digitalen Diensten ausgeschlossen werden können, wie z. B. durch Microsoft im Fall des IStGH-Chefanklägers Karim Khan geschehen. 

Da es sich bei GenKI-Outputs nicht um zitierwürdige Quellen handelt, wird in diesem Zusammenhang nicht von Zitation gesprochen. Stattdessen sollte die jeweilige GenKI-Nutzung im Sinne der guten wissenschaftlichen Praxis offengelegt und dokumentiert werden. Siehe dazu Vorschläge zur Kennzeichnung und die KI-Eigenständigkeitserklärung.

Zum Hintergrund: Wissenschaftliche Zitation dient der Transparenz und Nachvollziehbarkeit. Das Nachschlagen einer Quelle soll es ermöglichen, die Schlussfolgerungen von anderen Wissenschaftler:innen nachzuvollziehen. Dies ist bei durch Sprachmodelle generiertem Text nicht in allen Modellen möglich: Die Outputs sind für Dritte nicht les- und nachvollziehbar, da der jeweilige Output nur in einer Kombination aus Prompt, User:in, KI-Modell, Modellkontext, etc. entsteht und von Dritten nicht reproduziert werden kann. Darüber hinaus wird das Thema der Nachvollziehbarkeit von Outputs aktuell in der IT-Community breit diskutiert; weitere Informationen dazu finden Sie z. B. bei Joshi et al, 2026: Stochastic CHAOS. 

Die Nutzung von GenKI-Modellen in Prüfungen muss von den jeweiligen Lehrenden explizit erlaubt und für alle Studierenden des entsprechenden Moduls transparent kommuniziert werden. 

In der Allgemeinen Prüfungsordnung heißt es: „Der nicht ausdrücklich erlaubte Gebrauch von Künstlicher Intelligenz stellt den Gebrauch eines nicht zugelassenen Hilfsmittels dar“ (§16 (2), AT-BPO, AT-MPO, Neufassung von 10/2023). Wird also keine explizite Erlaubnis von Lehrenden ausgesprochen, gilt die Nutzung von GenKI-Modellen als Nutzung eines unerlaubten Hilfsmittels und damit als Täuschungsversuch.

Wenn GenKI-Modelle unerlaubt in Prüfungen eingesetzt werden, gilt dies als Einsatz nicht-erlaubter Hilfsmittel und kann als Täuschungsversuch gewertet werden (siehe §16 AT-BPO & AT-MPO). Das Verfahren ist das gleiche wie zur Feststellung anderer Täuschungsversuche. 

Die Regularien für die jeweilige Prüfung, inkl. der Nutzung von GenKI-Modellen, sollten vorher festgesetzt und den Studierenden frühzeitig mitgeteilt werden. 

Weder spezielle KI-Detektoren noch allgemein nutzbare Plagiatssoftware kann die Nutzung von GenKI-Modellen zuverlässig nachweisen. Diese Tools bewerten automatisch generierte Texte als von Menschen geschriebene Texte und umgekehrt. Von letzterem sind besonders Studierende betroffen, die schriftliche Prüfungen nicht in ihrer Erstsprache ableisten oder aus nicht-akademischen Haushalten kommen (Gostmann und Hildermeier, 2026). Damit reproduzieren solche Detektoren bestehende Ungleichheiten. 

Für einen Täuschungsversuch ist vorsätzliches Handeln Voraussetzung. Fahrlässiges Handeln stellt hingegen keinen Täuschungsversuch dar. Zunächst muss also vorsätzliches Handeln, in der Regel über äußere Indizien, nachgewiesen werden (Baresel u. a., 2025).

Da ein zuverlässiger Nachweis der GenKI-Nutzung über Detektoren nicht möglich ist, müssen Prüfende eine unzulässige Nutzung selbst nachweisen, z. B. über den Vergleich verschiedener Textpassagen, einen Vergleich zwischen Leistungen verschiedener Studierender, oder den Nachweis von typischen Ausdrucksformen von GenKI-Modellen (Baresel u. a., 2025). Beispiele von typischen KI-Formulierungen finden sich (auf Englisch) u. a. beim Wikipedia Projekt AI Cleanup. 

Das Verfahren zum Feststellen eines Täuschungsversuchs beruht auf §16 (1 & 2) AT-BPO & AT-MPO. 

Prüfungsleistungen, die über stark vorstrukturierte Formate wie bspw. Multiple-Choice-Klausuren hinausgehen, unterliegen dem Urheberrecht. Die Eingabe einer solchen Prüfungsleistung ohne vorheriges explizites und informiertes Einverständnis der Studierenden stellt eine unzulässige Vervielfältigung, und eine Verletzung des Urheberrechts dar. 

Darüber hinaus fällt die automatisierte Bewertung von studentischen Leistungen durch KI-Systeme laut der EU KI-VO unter eine Hochrisiko-Anwendung. Im Falle einer solchen Nutzung von KI-Systemen müssen die Hochschule sowie die jeweiligen Prüfenden besondere Verpflichtungen erfüllen (Baresel u. a., 2025). Solange die Hochschule Bremen dazu keine Regelungen getroffen und Maßnahmen eingeführt hat, sind Hochrisiko-Anwendungen von KI-Systemen unzulässig. Herkömmliche Praktiken, wie bspw. die automatisierte Bewertung von Multiple-Choice-Klausuren, in denen Prüfungsergebnisse deterministisch und regelbasiert automatisch ermittelt werden, sind davon nicht betroffen. 

• KI-Campus: Tool Tip Tuesday 
• ZHAW Hochschulbibliothek: Tools für die Recherche mit KI
• VK:KIWA: Tools und Ressourcen 

• KI-Campus - Lernplattform für Künstliche Intelligenz, gefördert vom Bundesministerium für Bildung und Forschung (BMBF)

Online-Veranstaltungen 

• Schulungen des Multimedia Kontor Hamburg zum Thema KI
• Veranstaltungen des Netzwerks Landeseinrichtungen für digitale Hochschullehre

• Gutachten: Didaktische und rechtliche Perspektiven auf KI-gestütztes Schreiben in der Hochschulbildung (RUB)
• Leitlinien der DFG zum Einsatz von KI in der Wissenschaft (PDF)
• Impulspapier der SWK zu „Large Language Models und ihren Potenzialen im Bildungssystem“ (PDF)