How Physics Professors Use and Frame Generative AI Tools

Diese Studie analysiert anhand von Interviews mit Physikprofessoren, wie diese Generative KI durch sechs epistemische Rahmen – von einem nützlichen Werkzeug bis hin zu einer Bedrohung für das echte Lernen – in Lehre und Forschung einordnen, wobei die Sorge um die akademische Integrität alle anderen Perspektiven überschattet.

Das Wesentliche

Stell dir vor, die Welt der Physik ist wie eine riesige, alte Bibliothek, in der die Wissenschaftler (die Professoren) seit Jahrhunderten Bücher lesen, Formeln auf Papier schreiben und Experimente durchführen. Früher mussten sie alles selbst berechnen, wie einen riesigen Puzzle, bei dem jedes Teil mühsam von Hand gelegt wurde.

Dann kam Generative KI (wie ChatGPT) – ein neuer, extrem schneller und wissender Assistent, der plötzlich nicht nur die Sprache der Menschen, sondern auch die Sprache der Mathematik und des Codes fließend spricht.

Dieser Artikel von Skogvoll und Odden ist wie ein Gespräch mit 12 Physik-Professoren an einer großen norwegischen Universität. Die Forscher haben sie gefragt: „Wie nutzt ihr diesen neuen Assistenten? Seht ihr ihn als Freund oder als Feind?"

Hier ist die Zusammenfassung der Ergebnisse, übersetzt in einfache Bilder und Metaphern:

1. Die große Angst: Der „Spickzettel"-Effekt

Die größte Sorge der Professoren ist, dass der Assistent den Studenten den Weg zu echtem Lernen verbaut.

• Die Metapher: Stell dir vor, du willst lernen, wie man ein Fahrrad fährt. Wenn dir jemand das Rad unter dem Hintern wegzieht und du einfach nur auf einem fahrenden Roller sitzt, lernst du nie das Balancieren.
• Das Problem: Die Professoren fürchten, dass Studenten den KI-Assistenten nutzen, um Hausaufgaben zu „spicken" oder Prüfungen zu betrügen, ohne wirklich zu verstehen, was sie tun.
• Die Reaktion: Um das zu verhindern, ändern einige Professoren ihre Prüfungsformen. Statt einer Hausarbeit, die man zu Hause mit KI schreiben kann, gibt es jetzt mündliche Prüfungen oder Tests ohne Hilfsmittel – so wie ein Fahrradtrainer, der den Schüler direkt beobachtet. Andere bitten die Studenten, offen zu sagen: „Ich habe KI benutzt, und zwar so und so."

2. Der Assistent als „Wissensspeicher"

Die Professoren nutzen die KI, um schnell Fakten zu prüfen oder neue Themen zu verstehen.

• Die Metapher: Die KI ist wie ein Super-Bibliothekar, der sofort weiß, wo das Buch steht. Aber dieser Bibliothar macht manchmal Fehler oder erfindet Dinge.
• Die Praxis: Die Professoren nutzen die KI, um sich schnell einen Überblick über ein neues Thema zu verschaffen (z. B. „Erkläre mir Batterien"). Aber sie vertrauen ihr nicht blind. Sie prüfen die Antworten immer selbst, genau wie man einen Bericht eines Kollegen überprüft. Sie haben sogar neue Aufgaben für Studenten entwickelt: „Hier ist eine KI-Lösung – finde die Fehler darin!" Das trainiert das kritische Denken.

3. Der Gesprächspartner für Ideen

Manchmal ist die KI wie ein Sparringspartner im Ring.

• Die Metapher: Wenn du eine Idee hast, aber nicht weißt, wie du sie formulieren sollst, kannst du mit der KI „diskutieren". Sie wirft Ideen ein, die du dann aufgreifen oder verwerfen kannst.
• Das Problem: Die Professoren hoffen, dass Studenten so mit der KI „philosophieren" und Ideen entwickeln. Aber oft nutzen die Studenten sie nur, um technische Fragen zu beantworten oder Texte zu korrigieren. Sie nutzen den „Sparringspartner" nicht für das große Denken, sondern nur für das kleine Hantieren.

4. Der Code-Schreiber

In der Physik wird viel programmiert, um Daten zu analysieren.

• Die Metapher: Früher mussten die Physiker jeden einzelnen Nagel selbst in die Wand schlagen. Jetzt kann die KI den Hammer halten und die Nägel einschlagen, während der Physiker plant, wo das Bild hängen soll.
• Die Praxis: Viele Professoren nutzen die KI, um einfache Programmcode-Schnipsel zu schreiben oder Fehler zu finden. Das spart Zeit.
• Die Sorge: Ein paar Professoren machen sich Sorgen: Wenn die KI den Code schreibt, lernen die Studenten dann noch, wie man programmiert? Es ist wie beim Autofahren: Wenn das Auto immer selbst fährt, verlernen wir vielleicht, wie man lenkt.

5. Der Text-Veredler

Die KI ist hervorragend darin, Sprache zu verarbeiten.

• Die Metapher: Stell dir vor, du hast einen rohen, ungehobelten Holzblock (deinen Text). Die KI ist wie ein Schleifpapier, das den Block glatt macht, die Kanten rundet und ihn poliert.
• Die Praxis: Professoren nutzen die KI, um Grammatikfehler zu korrigieren, Texte zu übersetzen oder Zusammenfassungen zu schreiben. Das wird als sehr nützlich angesehen, besonders für Leute, deren Muttersprache nicht Englisch ist.
• Die Grenze: Aber niemand will, dass die KI den Gedanken schreibt. Das wäre wie jemand, der für dich denkt, während du nur zuschaust. Das ist tabu.

6. Der Zeit-Retter

Letztendlich wollen alle mehr Zeit für das Wesentliche haben.

• Die Metapher: Die KI ist wie ein Reinigungsservice für den Schreibtisch. Sie räumt die staubigen, langweiligen Aufgaben (E-Mails schreiben, Formulare ausfüllen, einfache Korrekturen) weg.
• Das Ziel: Durch diese Erleichterung hoffen die Professoren, mehr Zeit für das zu haben, was wirklich zählt: Forschen, mit Studenten reden und neue Ideen entwickeln.

Das Fazit: Ein Werkzeugkasten mit zwei Seiten

Die Studie zeigt, dass die Physik-Professoren die KI nicht als Monster sehen, sondern als neues Werkzeug in ihrem Werkzeugkasten.

• Positiv: Es hilft, langweilige Arbeit zu erledigen, Ideen zu sortieren und Zeit zu sparen.
• Negativ: Es besteht die Gefahr, dass man zu sehr darauf verlässt und das eigene Denken verlernt.

Die Professoren sind wie erfahrene Handwerker, die gerade lernen, wie sie einen neuen, sehr mächtigen Elektrowerkzeug nutzen, ohne sich dabei zu verletzen oder die Qualität ihrer Arbeit zu verlieren. Sie passen ihre Methoden gerade an, um sicherzustellen, dass die KI ihnen dient – und nicht umgekehrt.

Kurz gesagt: Die KI ist ein mächtiger Assistent, der die Physik verändert. Aber die Professoren wollen sicherstellen, dass sie die Kontrolle behalten und dass die Studenten immer noch lernen, wie man selbst „das Rad fährt".

Technische Zusammenfassung

1. Problemstellung und Forschungsfrage

Die Generative KI (GenAI) verändert grundlegend, wie Physiker forschen, lehren und lernen. Während die Auswirkungen auf die akademische Integrität und den Lernprozess in den Geisteswissenschaften intensiv diskutiert werden, ist wenig darüber bekannt, wie Physik-Fakultäten auf diese Technologien reagieren. Physik als empirische Disziplin, die stark auf mathematische Herleitungen, numerische Modelle und experimentelle Daten angewiesen ist, könnte eine andere Rolle für GenAI haben als andere Fächer.

Das Papier adressiert die folgende Lücke in der Forschung:

• Problem: Es fehlt an empirischen Daten darüber, wie Physik-Professoren GenAI-Tools in ihrer täglichen Arbeit (Lehre und Forschung) tatsächlich nutzen und wie sie diese Tools konzeptualisieren.
• Forschungsfragen:
  1. Wie nutzen Physik-Professoren GenAI-Tools in ihrer Lehre und Forschung?
  2. Wie rahmen (framen) diese Professoren diese Tools epistemisch?

2. Methodik

Die Studie basiert auf einer qualitativen Fallstudie an einer großen skandinavischen Forschungsuniversität.

• Datenerhebung: Es wurden Interviews mit 12 Physik-Professoren im Zeitraum von Spätfrühling bis Frühherbst 2024 durchgeführt.
• Interview-Leitfaden: Die Fragen konzentrierten sich auf die Nutzung von GenAI in Lehre und Forschung, Erfahrungen mit den Tools, Feedback von Studierenden sowie zukünftige Anwendungsmöglichkeiten.
• Analyseverfahren:
  • Die Interviews wurden transkribiert und anonymisiert.
  • Es wurde eine induktive thematische Analyse durchgeführt.
  • Als theoretischer Rahmen diente das Konzept des epistemischen Framings (Wissensrahmen). Dieses Framework untersucht, wie Akteure Lernsituationen und Werkzeuge wahrnehmen („Was passiert hier?").
  • Prozess: Nach einer ersten Kodierung wurden 19 Praktiken identifiziert und in 6 überlappende epistemische Rahmen gruppiert. Eine zweite, deduktive Kodierung sicherte die Konsistenz der Daten.

3. Schlüsselbeiträge

Das Paper liefert einen der ersten systematischen Überblicksartikel über die tatsächliche Nutzung von GenAI durch Physik-Experten. Die Hauptbeiträge sind:

• Identifikation von 19 spezifischen Praktiken, die von Physik-Professoren in Lehre und Forschung angewendet werden.
• Entwicklung eines Rahmens aus 6 epistemischen Frames, durch die Professoren GenAI interpretieren.
• Die Erkenntnis, dass die Wahrnehmung von GenAI als „Bedrohung" einen übergeordneten Einfluss auf alle anderen positiven Nutzungsszenarien hat.
• Eine Differenzierung zwischen der Nutzung von GenAI als reines Werkzeug zur Effizienzsteigerung und als potenzieller Ersatz für kognitive Prozesse.

4. Ergebnisse

Die Analyse ergab 19 Praktiken, die in 6 epistemische Frames kategorisiert wurden:

A. Frame 1: GenAI als Bedrohung für echtes Lernen und Bewertung (Threat to genuine learning and assessment)

Dies war der dominierende Frame. Professoren befürchten, dass GenAI Studierende dazu verleitet, Lernen zu umgehen, Schreiben zu ersetzen oder Denken abzuladen.

• Praktiken: Änderung des Bewertungsformats (z. B. mündliche Prüfungen statt Hausarbeiten), Anforderung einer Deklaration der KI-Nutzung, Diskussionen mit Studierenden über KI, Zuweisung von Reflexionsaufgaben zur KI-Nutzung, Überprüfung der Zuverlässigkeit von KI-Antworten im Fachgebiet, kritisches Bewerten von KI-Ausgaben durch Studierende.
• Kernbotschaft: Dies ist ein übergeordnetes Anliegen, das alle anderen Frames einfärbt.

B. Frame 2: GenAI als Wissensquelle (Source of knowledge)

GenAI wird als Informationsrepositorium betrachtet, ähnlich einem Lehrbuch oder einem Kollegen.

• Praktiken: Überprüfung der fachlichen Zuverlässigkeit, kritisches Bewerten von Ausgaben, Antworten und Hinweise erhalten, Erkundung neuer Themen.
• Nuance: Die Professoren sind skeptisch gegenüber der faktischen Genauigkeit („Ich traue nichts, was die KI sagt") und nutzen KI oft nur als Gerüst für tiefere Recherche.

C. Frame 3: GenAI als Diskussionspartner (Discussion partner)

KI wird als „Sparringspartner" oder „Buddy" gesehen, um Ideen zu verfeinern und Forschungsfragen zu entwickeln.

• Praktiken: Brainstorming, Formulierung von Forschungsfragen, formatives Feedback auf Texte, Debugging von Code durch Dialog.
• Erkenntnis: Professoren wünschen sich einen sokratischen Dialog, beobachten aber oft, dass Studierende die KI nur für technische Aufgaben nutzen.

D. Frame 4: GenAI als Codier-Tool (Coding tool)

Da Codieren oft ein Mittel zum Zweck ist (Datenanalyse, Visualisierung), wird KI als pragmatisches Werkzeug zur Code-Generierung und -Fehlerbehebung akzeptiert.

• Praktiken: Auslagern einfacher Code-Generierung, Erstellen von Visualisierungen, Debugging und Struktur-Feedback.
• Unterschied: Professoren, die Codieren nicht als Teil ihrer Identität sehen, lagern es vollständig aus. Andere nutzen KI als Partner, behalten aber die Kontrolle, um das Verständnis nicht zu verlieren.

E. Frame 5: GenAI als Textverarbeitungs-Tool (Text-processing tool)

Fokus auf die Fähigkeit der KI, Texte zu generieren, zu verbessern, zusammenzufassen oder zu übersetzen.

• Praktiken: Entwurf von Inhalten, Sprachverfeinerung (Grammatik/Stil), formatives Feedback, Übersetzung, Unterstützung beim Literatur-Review.
• Hierarchie: Die Korrektur von Details (Kommas, Stil) wird als akzeptabel angesehen, während das Erstellen von Ideen oder ganzen Entwürfen skeptischer betrachtet wird.

F. Frame 6: GenAI als Arbeitsersparnis (Labor-saving device)

KI wird genutzt, um Zeit bei „langweiligen" administrativen oder repetitiven Aufgaben zu sparen.

• Praktiken: Automatisierung administrativer Arbeiten (E-Mails, Einladungen), Literatur-Review-Unterstützung (mit gemischten Ergebnissen), Erstellung von Grafiken, Potenzial für automatisiertes Bewerten.

5. Signifikanz und Implikationen

• Transformation der Physiker-Identität: Die Studie zeigt, dass GenAI beginnt, zu definieren, was es bedeutet, Physiker zu sein. Während Computertechnologie bereits etabliert ist, könnte GenAI die Rolle des Professors vom reinen Bewerter hin zu einem „Ingenieur von Lernumgebungen" verschieben.
• Spannungsfeld: Es besteht ein fundamentaler Konflikt zwischen der Effizienzsteigerung (durch Auslagern von „Grunt Work") und dem Risiko, dass produktive Denkprozesse (wie Schreiben und Problemlösen) umgangen werden.
• Anpassung der Lehre: Die Professoren reagieren proaktiv, indem sie Prüfungsformate ändern (z. B. mündliche Prüfungen) und Transparenz fördern.
• Zukunftsausblick: Da die Technologie sich schnell entwickelt, sind die aktuellen Nutzungsmuster wahrscheinlich nur ein erster Schritt. Die Studie schlägt vor, dass sowohl Professoren als auch Studierende eine gezielte „KI-Literacy" benötigen, um diese Tools kritisch und konstruktiv in die Physik-Praxis zu integrieren.

Fazit: Die Physik-Community steht nicht passiv der GenAI gegenüber, sondern integriert sie aktiv als Werkzeug, während sie gleichzeitig die Risiken für die akademische Integrität und das tiefe Verständnis der Physik kritisch hinterfragt. Die Studie liefert eine fundierte Basis für die weitere Entwicklung von Lehrplänen und Richtlinien im Bereich der Physikbildung.