A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI

Die neue Matheklasse: Wenn der Taschenrechner den Code schreibt

Stellen Sie sich vor, Sie lernen das Kochen. Jahrhundertelang war der schwierigste Teil des Kochens das Schneiden des Gemüses und das Rühren im Topf. Sie mussten die Messerfertigkeiten, das Timing und das Muskelgedächtnis lernen, um eine perfekte Sauce herzustellen. Doch dann hat jemand einen Roboter-Koch erfunden. Dieser Robot schneidet nicht nur; er kann ein Rezept lesen, das Sie in einfacher Sprache beschreiben, die Zwiebeln hacken, die Sauce rühren, sie probieren und sie sogar korrigieren, wenn sie zu salzig ist. Plötzlich verändert sich der Akt des „Kochens“. Sie müssen kein Meister der Messerführung mehr sein; Sie müssen ein Meister des „Schmeckens“ und ein klarer „Anweisungsgeber“ werden. Wenn Sie nur sagen „mach es lecker“, liefert der Roboter vielleicht ein Desaster, das zwar gut aussieht, aber nicht schmeckt.

Genau das passiert gerade in der Welt der Physik- und Naturwissenschafts-Ausbildung. Lange Zeit bedeutete das Erlernen von „computergestützter Physik“, Computer-Code zu schreiben – also Anweisungen einzutippen, damit ein Computer komplexe mathematische Probleme löst, wie etwa die Vorhersage der Bewegung eines Planeten oder die Ausbreitung eines Virus. Aber eine neue Art von künstlicher Intelligenz (KI) ist angekommen. Dies sind nicht bloß Chatbots, die Fragen beantworten; es sind „agentische“ Werkzeuge. Sie können einen einfachen Satz wie „simuliere einen hüpfenden Ball mit Luftwiderstand“ nehmen und den Code schreiben, die Simulation ausführen, die Grafiken zeichnen und ihre eigenen Fehler korrigieren.

Die große Frage für Lehrer ist: Wenn der Roboter das Kochen übernimmt, was müssen die Schüler dann noch lernen? Müssen sie immer noch das Schneiden lernen? Und wenn der Roboter einen perfekt aussehenden Bericht abliefert, woher wissen wir, ob der Schüler tatsächlich das Rezept verstanden hat? Dieses Paper befasst sich mit genau diesem Problem und argumentiert, dass die alte Art der Bewertung (nur auf den fertigen Bericht zu schauen) kaputt ist, und schlägt einen neuen Weg vor, Studenten zu lehren und zu prüfen, der sich auf das Verständnis des Warum und Wie konzentriert, statt nur auf das Tippen.

---

Die große Idee des Papers: Vom Tippen zum Denken

Der Autor, Larry Engelhardt, argumentt, dass wir einen massiven Wandel erleben, ähnlich wie damals, als Taschenrechner die Rechenschieber ersetzten. In der Vergangenheit mussten Studenten die „Mechanik“ des Werkzeugs lernen: die spezifischen Befehle, die Syntax und die Tippfertigkeiten, um den Computer zum Arbeiten zu bringen. Jetzt wird die „Mechanik“ von der Maschine übernommen. Die Aufgabe des Studenten hat sich vom Bediener zum Regisseur gewandelt.

Das Paper legt nahe, dass sich die Kernkompetenzen, die ein Student wissen muss, zwar geändert haben, aber im Kern gleich geblieben sind. Engelhardt ordnet diese in fünf „Säulen“ ein, die wahr bleiben, egal ob man einen Bleistift, einen Taschenrechner oder eine supersmarte KI verwendet:

1. Inputs und Outputs: Wissen, was man in das System einspeist und was man als Ergebnis erwartet.
2. Konzeptionelles Verständnis: Wissen, was die Methode eigentlich macht und wie sie funktioniert, nicht nur, wie man sie eintippt.
3. Terminologie: Die richtigen wissenschaftlichen Begriffe verwenden, um das Problem klar zu beschreiben.
4. Sensemaking (Sinngebung): Die Fähigkeit, auf ein Ergebnis zu schauen und zu sagen: „Das ergibt Sinn“ oder „Das sieht falsch aus“.
5. Bedienung des Werkzeugs: Die Fertigkeit, das aktuelle Werkzeug zu nutzen (was früher das Tippen war, heute aber das Geben klarer Anweisungen an eine KI ist).

Die wichtigste Erkenntnis des Papers ist, dass im Zeitalter der KI die wichtigste Fähigkeit zum Sensemaking (Säule 4) geworden ist. Da die KI Code und Grafiken sofort generieren kann, ist die Fähigkeit des Studenten, zu verifizieren, ob diese Ergebnisse real bzw. korrekt sind, nun die kritischste Fähigkeit. Der Autor nennt dies „Verifikationsautorität“. Nur weil die KI sagt „hier ist die Antwort“, heißt das nicht, dass sie richtig ist; der Student muss der Richter sein.

Warum die alten Tests kaputt sind

Das Paper argumentiert explizit gegen die traditionelle Art der Bewertung von Computational-Kursen. Jahrzehntelang gaben Lehrer Projekte vor: „Schreibe Code, um ein Pendel zu simulieren, erstelle eine Grafik und reiche einen Bericht ein.“ Die Annahme war, dass der Student die Physik versteht, wenn er einen funktionierenden Bericht einreicht.

Engelhardt sagt, dass dies nicht länger wahr ist. Er nennt dies den „Proxy-Kollaps“. Ein „Proxy“ (Stellvertreter) ist ein Ersatz für etwas anderes. Der Bericht war ein Stellvertreter für das Verständnis des Studenten. Aber da nun eine KI auf Abruf einen perfekten Bericht erstellen kann, beweist der Bericht nicht mehr, dass der Student etwas weiß. Es ist so, als würde ein Student einen perfekten Essay abgeben, der von einem berühmten Autor geschrieben wurde; der Essay ist gut, aber er beweist nicht, dass der Student schreiben kann. Das Paper argumentt, dass wir aufhören müssen, das „Artefakt“ (den Code oder die Grafik) als Beweis für das Lernen zu behandeln.

Die neue Lösung: Die „mündliche Verteidigung“

Wenn wir also nicht der Hausaufgabe vertrauen können, wie testen wir die Studenten? Das Paper schlägt ein praktisches, zweiteiliges System vor, das für die kleinen Klassen konzipiert ist, in denen Physik normalerweise unterrichtet wird:

1. KI-freie Quizze: Studenten nehmen weiterhin an kurzen Coding-Quizzen im Unterricht teil, bei denen sie keine KI benutzen dürfen. Dies stellt sicher, dass sie nicht das grundlegende „Muskelgedächtnis“ dafür verloren haben, wie der Code funktioniert. Sie könnten gefragt werden, einen fehlerhaften Code zu reparieren oder eine kleine Funktion von Grund auf neu zu schreiben.
2. Die mündliche Verteidigung: Dies ist die große neue Idee. Nachdem die Studenten KI genutzt haben, um ein Projekt zu erstellen, setzen sie sich mit dem Lehrer für ein 10-minütiges Gespräch zusammen.
   • Der Clou: Vor dem Treffen nutzt der Lehrer ein Werkzeug, um alle Kommentare (die erklärenden Notizen im Code) aus der Abgabe des Studenten zu entfernen.
   • Der Test: Der Lehrer bittet den Studenten, seinen eigenen Code durchzugehen, zu erklären, was die Grafiken bedeuten, und Fragen zu beantworten wie: „Warum haben Sie diese Methode gewählt?“ oder „Was würde passieren, wenn wir die Masse verdoppeln?“
   • Das Tor zur Verifizierung: Es gibt ein spezifisches „Verifikations-Gate“. Der Student muss beweisen, dass er seine Arbeit überprüft hat. Wenn er nicht erklären kann, warum das Ergebnis korrekt ist, fällt er durch, selbst wenn der Code perfekt läuft.

Der Autor schlägt vor, dass diese mündliche Verteidigung der einzige Weg ist, um zu zertifizieren, dass der Student die Arbeit tatsächlich „besitzt“. Es ähnelt der Art und Weise, wie ein Doktorand seine Dissertation verteidigt; beim Paper wird nicht nur das Schreiben bewertet, sondern die Fähigkeit des Studenten, es in Präsenz zu erklären und zu verteidigen.

Was das Paper sagt (und nicht sagt)

Das Paper merkt vorsichtig an, dass dies ein neuer Rahmen ist, der auf der Erfahrung und Anpassung des Autors basiert, und nicht das Ergebnis massiver, langfristiger wissenschaftlicher Studien ist. Der Autor gibt zu, dass wir noch nicht wissen, welche „Dosis“ an Coding-Praxis nötig ist, bevor man zu KI übergeht. Er schlägt vor, dass Studenten immer noch die „White Box“ (den transparent arbeitenden Code) mindestens einmal sehen müssen, um ein mentales Modell aufzubauen, ist sich aber nicht sicher, wie viel genau nötig ist.

Das Paper schließt zudem die Idee aus, dass wir KI einfach „verbieten“ können. Der Autor argumentiert, dass der Versuch, Studenten zu Hause am Gebrauch von KI zu hindern, vergleichbar mit dem Versuch ist, sie am Gebrauch eines Taschenrechners zu hindern; es ist unmöglich. Stattdessen muss der Fokus auf Motivation und dem Design von Prüfungen liegen, die den Gebrauch von KI zum richtigen Weg des Lernens machen, nicht zum einfachen Weg des Betrugs.

Das Fazit

Das Paper kommt zu dem Schluss, dass das „Produkt“ eines Computational-Physics-Kurses nicht länger der Code oder die Grafik ist. Diese sind heute billig und leicht zu bekommen. Das wahre Produkt ist die Fähigkeit des Studenten, die Ergebnisse unter Verwendung der Sprache der Physik zu erklären und zu verteidigen.

In einer Welt, in der Maschinen die schwere Arbeit erledigen können, liegt der menschliche Wert im Urteilsvermögen. Das Paper legt nahe, dass die Zukunft des Lehrens nicht darin besteht, den Roboter am Schreiben des Codes zu hindern; es geht darum, den Studenten zu lehziehen, der kluge, kritische Regisseur zu sein, der genau weiß, was der Roboter tut, warum er es tut und ob die Antwort tatsächlich wahr ist. Das Gespräch zwischen dem Studenten und dem Lehrer wird der wichtigste Teil des Kurses, denn das ist der einzige Ort, an dem wahres Verständnis bewiesen werden kann.