💻 computer science

Self-Regulated Personal Contracts as a Harm Reduction Approach to Generative AI in Undergraduate Programming Education

Diese Studie evaluiert einen unverbindlichen, selbstregulierten GenAI-Vertrag in einem Programmierkurs für Bachelorstudierende und stellt fest, dass dieser zwar bei vielen Studierenden erfolgreich Selbstreflexion und Verantwortungsbewusstsein förderte, die kognitive Belastung durch die Aufrechterhaltung intentionaler Richtlinien jedoch oft unter akademischem Druck zur Aufgabe führte, was die Herausforderungen bei der Abstimmung von studentischer Handlungsfähigkeit mit der Leichtigkeit der uneingeschränkten KI-Nutzung verdeutlicht.

Ursprüngliche Autoren: Aadarsh Padiyath, Jessica Shen, Barbara Ericson

Veröffentlicht 2026-07-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Aadarsh Padiyath, Jessica Shen, Barbara Ericson

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie lernen gerade kochen. Sie haben einen neuen, unglaublich leistungsfähigen Küchenassistenten (Generative KI), der Gemüse schneiden, Saucen mischen und sogar das Gericht in Sekundenschnelle anrichten kann. Das Problem ist: Wenn Sie den Assistenten alles machen lassen, lernen Sie nie selbst kochen. Aber wenn Sie den Assistenten komplett verbieten, könnten Sie ausbrennen, weil Sie drei Stunden lang Zwiebeln schneiden, obwohl Sie eigentlich schon erschöpft sind.

Dies ist das Dilemma, vor dem Studenten beim Erlernen der Programmierung heute stehen. Sie haben Zugriff auf KI-Tools, die Code sofort schreiben können, aber sie kämpfen mit der Entscheidung, wann sie die KI nutzen sollten und wann sie die Arbeit selbst erledigen müssen.

Dieses Paper beschreibt ein Experiment, bei dem Forscher versuchten, dieses Problem nicht durch ein Verbot der KI zu lösen, sondern indem sie den Studenten einen „Persönlichen Vertrag“ an die Hand gaben. Betrachten Sie dies nicht als ein rechtliches Dokument, das mit Blut unterzeichnet wurde, sondern eher wie einen Fitnessplan oder ein Ernährungsabkommen, das man mit sich selbst schließt.

So funktionierte das Experiment, einfach erklärt:

Das Setup: Eine „Urteilsfreie Zone“

Die Forscher nahten 217 Studenten in einem Kurs für fortgeschrittene Python-Programmierung. Anstatt zu sagen „KI verboten“ oder „Nutze die KI, wie du willst“, baten sie die Studenten, ihre eigenen Regeln aufzustellen.

Der Vertrag bestand über den Verlauf eines Semesters aus vier Hauptschritten:

Das Ziel: „Was möchte ich eigentlich aus diesem Kurs mitnehmen?“ (z. B. „Ich möchte verstehen, wie Schleifen funktionieren“, und nicht nur „Ich möchte eine Eins bekommen“).
Der Plan: „Hier ist meine persönliche Regel für die Nutzung von KI.“ (z. B. „Ich werde die KI nur bitten, eine Fehlermeldung zu erklären, wenn ich 30 Minuten lang feststecke“, oder „Ich werde niemals zulassen, dass die KI die ganze Funktion für mich schreibt.“)
Der Check-in: Zur Mitte des Semesters blickten die Studenten zurück. „Habe ich meine Regeln befolgt? Haben mir meine Regeln beim Lernen geholfen?“
Die abschließende Reflexion: Am Ende reflektierten sie darüber, was sie über sich selbst gelernt hatten.

Entscheidend war, dass dieser Vertrag nicht erzwungen wurde. Niemand wurde bestraft, wenn er seine eigenen Regeln brach. Die einzige Anforderung war, das Papier auszufüllen. Er war als Spiegel gedacht, nicht als Polizist.

Was funktionierte: Der „Neuer Fahranfänger“-Effekt

Die Ergebnisse zeigten, dass dieser Ansatz für Studenten, die neu im Umgang mit KI waren, sehr gut funktionierte.

Die Analogie: Stellen Sie sich einen Fahranfänger vor, der noch nie gefahren ist. Er kennt die Verkehrsregeln noch nicht. Wenn man ihm eine Karte und eine Checkliste gibt („Wann halten, wann fahren“), wird er ein viel sichererer Fahrer.
Das Ergebnis: Etwa 58 % der Studenten sagten, dass der Vertrag ihr Denken verändert habe. Sie erkannten, dass sie die KI gedankenlos nutzten (wie eine Krücke) und begannen, sie bewusst einzusetzen (wie ein Werkzeug). Sie entwickelten spezifische „Wenn-Dann“-Regeln, wie: „Wenn ich 20 Minuten feststecke, DANN darf ich die KI um einen Hinweis bitten, aber nicht um die Lösung.“
Warum es funktionierte: Für diese Studenten fungierte der Vertrag als Gerüst (wie Stützräder). Er half ihnen, vage Gefühle in konkrete Pläne zu verwandeln.

Was nicht funktionierte: Die „Willenskraft-Falle“

Der Vertrag hatte jedoch einen großen Mangel. Er verließ sich vollständig auf das Gedächtnis und die Willenskraft der Studenten.

Die Analogie: Stellen Sie sich vor, Sie schreiben am Montag einen Diätplan. Bis Mittwoch sind Sie hungrig, müde und gestresst. Sie vergessen, dass das Papier existiert. Sie essen den Keks. Das Papier hat Sie nicht aufgehalten, weil es dem Keks nicht im Weg stand.
Das Ergebnis:
- Vergessen: Viele Studenten gaben zu, dass sie zwischen den Check-ins den Vertrag vergessen hatten. Es war nur eine Datei auf einem Computer, nach der sie nicht schauten.
  [] Der Druckkessel: Wenn Deadlines näher rückten und die Studenten erschöpft waren, gaben 11 % von ihnen zu, dass sie ihre eigenen Regeln aufgaben. Die KI bot eine „Abkürzung“, um die Hausaufgaben zu erledigen, und die „langsame Spur“ des Lernens fühlte sich zu mühsam an. Obwohl sie wussten, dass sie die KI nicht nutzen sollten, war der Druck zu groß.
- Die „bereits Könner“: Etwa 25 % der Studenten hatten bereits ihre eigenen strengen Regeln. Für sie war der Vertrag nur eine Formalität. Sie brauchten keine Stützräder; sie fuhren bereits Fahrrad.

Das große Fazlem

Das Paper kommt zu dem Schluss, dass Bewusstsein allein nicht ausreicht.

Zu wissen, dass man Gemüse essen sollte, hindert einen nicht daran, Kuchen zu essen, wenn man gestresst ist. Ähnlich verhält es sich damit, dass das Wissen, programmieren zu lernen, einen nicht davon abhält, KI zu nutzen, wenn man müde ist und hinter dem Lernstoff zurückliegt.

Der „Persönliche Vertrag“ war ein großartiges Werkzeug, um Studenten dabei zu helfen, über ihre Entscheidungen nachzudenken. Aber er konnte sie nicht immer dazu bringen, diese Entscheidungen auch durchzuziehen, wenn das Leben hart wurde. Die Forscher schlagen vor, dass wir für eine langfristige Wirkung vielleicht die Umgebung ändern müssen (indem wir die Kekse zum Beispiel in eine verschlossene Box legen), anstatt uns nur auf die Willenskraft der Studenten zu verlassen.

Kurz gesagt: Der Vertrag half den Studenten zu erkennen, dass sie eine Wahl hatten, aber er konnte ihnen nicht immer helfen, die schwierige Wahl zu treffen, wenn die Uhr tickte.

Technisches Resümee: Selbstregulierte persönliche Verträge als Schadensminimierungsansatz für generative KI in der Informatik-Lehre für Bachelorstudierende

Problemstellung

Bachelorstudierende der Programmierung sind einem ständigen Strom impliziter Entscheidungen bezüglich der Nutzung generativer KI-Werkzeuge (GenAI) wie ChatGPT und Copilot ausgesetzt. Diese Entscheidungen werden häufig durch externe Faktoren – wie Zeitdruck vor Abgabefristen, das Verhalten von Gleichaltrigen und karrierebedingte Ängste – getrieben, statt durch eine explizite Ausrichtung an persönlichen Lernzielen. Während Lehrende oft binäre Richtlinien verfolgen (vollständiges Verbot oder uneingeschränkte Akzeptanz), versagen diese „Einheitslösungen“ dabei, die vielfältigen Motivationen und Kompetenzniveaus der Studierendenschaft zu berücksichtigen. Zudem fördern die reibungsfreien Affordanzen von GenAI häufig eine passive, produktivitätsorientierte Nutzung, die tiefgreifendes Lernen und die Selbstwirksamkeit untergräbt. Das Kernproblem ist ein Mangel an Handlungsfähigkeit (Agency) und Selbstregulationskapazität der Studierenden, um die Spannung zwischen der Leichtigkeit des Werkzeugs und dem für echten Kompetenzerwerb erforderlichen kognitiven Aufwand zu bewältigen.

Methodik

Die Autorinnen und Autoren implementierten eine Intervention in Form eines „GenAI-Vertrags“, die auf der Theorie des selbstregulierten Lernens (SRL) und der Philosophie der Schadensminimierung (Harm Reduction) basiert, innerhalb eines Python-Kurses auf fortgeschrittenem Niveau ( $N=217$ ) an einer großen öffentlichen Forschungsuniversität.

Theoretischer Rahmen: Das Design operationalisiert das Drei-Phasen-Modell von Zimmerman (Vorbereitung, Durchführung, Selbstreflexion) sowie die Implementierungs-Intentions-Theorie (Wenn-Dann-Planung). Der Ansatz der Schadensminimierung erkennt an, dass Studierende GenAI unabhängig von der Richtlinie nutzen werden; daher verschiebt sich das Ziel von Abstinenz hin zur Unterstützung einer intentionalen, informierten Entscheidungsfindung.
Interventionsdesign: Der Vertrag war ein unverbindliches, nicht durchgesetztes Reflexionswerkzeug, das ausschließlich nach Vollständigkeit bewertet wurde. Er bestand aus vier Prompts, die über einen elfwöchigen Semesterverlauf verteilt waren:
1. Woche 2 (Schritt 1 & 2): Studierende formulierten spezifische persönliche Lernziele und erstellten „Wenn-Dann“-Nutzungsrichtlinien (z. B. „Ich werde GenAI erst nach 30 Minuten eigenständiger Problemlösung nutzen“).
2. Woche 5 (Schritt 3): Post-Midterm-1-Reflexion über tatsächliche Nutzungsmuster, die Übereinstimmung mit den Zielen und Anpassungen der Richtlinien.
3. Woche 11 (Schritt 4): Post-Midterm-2-Reflexion über die Nutzung im Semester, das Konfidenzniveau und abschließende Planungserklärungen für das zukünftige Lernen.
Datenerhebung: Die Analyse stützte sich auf die qualitative Auswertung der eingereichten Verträge der Studierenden sowie auf selbsterhobene Daten. Das Forschungsteam identifizierte Muster in Engagement, Zielbindung und Verhaltensadhärenz, ohne die Interrater-Reliabilität zu berechnen, wodurch die Arbeit als Erfahrungsbericht positioniert wird.

Zentrale Beiträge

Operationalisierung der Schadensminimierung in der Informatikausbildung: Die Arbeit demonstriert eine praktische Anwendung von Prinzipien der Schadensminimierung in der Programmierausbildung, indem sie sich von der Überwachung des Verhaltens weg hin zur Unterstützung von Handlungsfähigkeit und Metakognition bewegt.
Differenzierte Auswirkungen von SRL-Interventionen: Die Studie liefert Belege dafür, dass Scaffolds zur Selbstregulation am effektivsten für Studierende sind, die neue Verhaltensweisen initiieren (Novizen ohne etablierte GenAI-Gewohnheiten), aber weniger effektiv bei der Modifikation bestehender starker Gewohnheiten, seien diese produktiv oder unproduktiv.
Identifizierung der „Willenskapslücke“ (Willpower Gap): Die Forschung hebt eine kritische Einschränkung rein reflexiver Interventionen hervor: Bewusstsein führt nicht automatisch zu nachhaltiger Verhaltensänderung. Studierende gaben ihre selbst gesetzten Richtlinien häufig unter Zeitdruck auf, was zeigt, dass Selbstregulation allein gegenüber dem kostengünstigen Sog der Standard-Affordanzen von GenAI nicht ausreicht.

Ergebnisse

Hohes Engagement: Die Abschlussraten waren hoch (97 % für die ersten Schritte, 85 % für die abschließende Reflexion), was darauf hindeutet, dass die Studierenden bereit waren, sich auf den Reflexionsprozess einzulassen.
Verhaltensänderungen: 58 % der Studierenden berichteten, dass der Vertrag ihr Denken verändert habe, indem er half, Verantwortlichkeitsstrukturen zu etablieren und bewusstere Entscheidungen zu treffen.
Beständigkeit von Gewohnheiten: 25 % der Studierenden verfügten bereits über etablierte GenAI-Praktiken (entweder hochgradig restriktiv oder hochgradig permissiv) und fanden den Vertrag eher bestätigend als transformativ.
Abnahme der Richtlinien-Treue: 13 % der Studierenden vergaßen den Vertrag zwischen den Kontrollpunkten, und 11 % gaben ihre Richtlinien unter Zeitdruck explizit auf.
Feedback der Studierenden: Die Studierenden merkten an, dass die Intervention nicht ausreichend in ihren tatsächlichen Workflow integriert war. Sie forderten häufigere Check-ins (wöchentlich statt midterm-basiert), konkrete Beispiele für verantwortungsvolle Nutzung und technisches Scaffolding (z. B. KI-Tools, die Lernschritte erzwingen), um die kognitive Last der Selbstregulation zu senken.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass selbstregulierte persönliche Verträge zwar ein wertvolles Instrument sind, um implizite Entscheidungen explizit zu machen und Studierende zu unterstützen, die noch keine etablierten GenAI-Strategien besitzen, sie jedoch kein Allheilmittel darstellen. Die Autorinnen und Autoren argumentieren, dass die intentionale Nutzung von GenAI mehr als nur Selbstbewusstsein erfordert; sie erfordert eine umweltbezogene und strukturelle Unterstützung.

Die Bedeutung dieser Arbeit liegt in ihrem bescheidenen Fazit: Für viele Studierende könnte die „agentischste Wahl“ die bewusste Nichtnutzung von GenAI sein, statt ein Kampf darum, es „korrekt“ gegen das Design des Werkzeugs zu nutzen. Die Autorinnen und Autoren legen nahe, dass zukünftige pädagogische Interventionen über die individuelle Reflexion hinausgehen müssen und stattdessen technische und pädagogische Designs entwickeln müssen, die die Last der Selbstregulation reduzieren – potenziell durch die direkte Einbettung von Lernbeschränkungen in die Werkzeuge selbst. Die Studie dient als Aufruf an Lehrende, die Grenzen willpower-basierter Interventionen angesichts hochgradig zugänglicher, auf Produktivität optimierter KI-Werkzeuge anzuerkennen.