Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing

Stellen Sie sich vor, Sie versuchen zu lernen, wie man Fahrrad fährt. Sie könnten einfach nur dasitzen und jemandem beim Fahren zusehen, oder Sie könnten versuchen, den exakten Pfad, den sie genommen haben, auswendig zu lernen. Aber die wahre Magie entsteht, wenn Sie anfangen, Ihre eigenen kleinen Rampen zu bauen, Ihre eigenen Hindernisse zu entwerfen und herauszufinden, wie man das Gleichgewicht auf einer von Ihnen selbst erfundenen, wackeligen Oberfläche hält. In der Welt der Physikpädagogik wird dieser Akt des Erfindens eigener Herausforderungen als „Problem Posing“ bezeichnet. Das ist eine schicke Art zu sagen: Anstatt nur ein mathematisches Rätsel zu lösen, das Ihnen jemand gegeben hat, verbiegen Sie die Regeln, ändern die Zahlen oder stellen sich ein neues Szenario vor, um zu sehen, ob Sie wirklich verstehen, wie das Universum funktioniert.

Stellen Sie sich nun vor, Sie haben einen superintelligenten, allwissenden Roboterfreund (Generative KI), der Ihnen helfen kann, diese Rampen zu bauen. Aber hier ist der Haken: Wenn Sie den Roboter einfach nur fragen: „Bau mir eine harte Fahrradrampe“, liefert er Ihnen vielleicht etwas Seltsames oder Unbrauchbares. Wenn Sie jedoch lernen, mit dem Roboter unter Verwendung einer speziellen „Geheimsprache“ namens Prompt Engineering – bei der Sie sehr spezifische Anweisungen, Rollen und Schritte vorgeben – zu kommunizieren, wird er zu einem unglaublichen Partner. Dieses Paper untersucht, was passiert, wenn Studenten lernen, diese Geheimsprache zu sprechen. Die Forscher wollten wissen: Ändert das Lehren der Studenten, wie man richtig mit KI spricht, die Art und Weise, wie sie sie nutzen, um ihre eigenen Physikprobleme zu erfinden? Und mögen die Studenten diesen Roboterfreund zum Lernen eigentlich, oder denken sie, dass dies eine Methode ist, die den Lernprozess untergräbt?

---

Das Experiment: Den Studenten beibringen, mit dem Roboter zu sprechen

In dieser Studie luden Forscher der Purdue University eine Gruppe von College-Studenten, die einen Physikkurs belegten, dazu ein, ein Spiel mit Generativer KI zu spielen. Das Ziel war es zu sehen, ob ein wenig Training eine unbeholfene Interaktion mit der KI in ein leistungsstarkes Lerkinstrument verwandeln konnte. Die Studenten durchliefen im Laufe einer Woche drei Phasen.

Zuerst, in der Phase „Vor dem Training“, wurden die Studenten angewiesen, ein KI-Tool ihrer Wahl zu nutzen, um eine neue Version eines Physikproblems zu erstellen, das sie bereits gelöst hatten. Sie mussten mit der KI chatten, ein neues Problem erstellen und dann aufschreiben, was sie über das Gespräch dachten. Zu diesem Zeitpunkt stellten die meisten Studenten nur grundlegende Fragen, wie zum Beispiel: „Gib mir eine schwierigere Version davon.“

Danach kam die „Trainingsphase“. Die Studenten schauten sich ein 15-minütiges Video an. Dies war kein langweiliger Vortrag; es lehrte sie, wie man „Prompt Engineering“ anwendet. Stellen Sie sich das wie das Erlernen von sehr spezifischen Wegbeschreibungen für ein GPS vor. Anstatt nur zu sagen „Fahr zum Strand“, lernt man zu sagen: „Fahr zum Strand, aber nimm die malerische Route, vermeide die Autobahn und halte für ein Eis an.“ Das Video lehrte sie auch eine spezielle Art, über Physikprobleme nachzudenken, was ihnen half zu verstehen, wie man den Kontext oder den Schwierigkeitsgrad eines Problems auf sinnvolle Weise verändert.

Schließlich, in der Phase „Nach dem Training“, kehrten die Studenten zur KI zurück. Sie erhielten die Aufgabe, genau dasselbe zu tun: ein neues Physikproblem zu erstellen. Aber dieses Mal mussten sie die neue „Geheimsprache“ und die Denkweisen anwenden, die sie gerade gelernt hatten. Danach reflektierten sie darüber, wie sich die Erfahrung im Vergleich zum ersten Mal angefühert hatte.

Was die Studenten entdeckten

Die Ergebnisse waren, als würde man beobachten, wie eine Gruppe von Menschen vom Herumstümmeln mit einem neuen Videospiel-Controller zu Profi-Spielern aufsteigt. Als die Forscher die Reflexionen der Studenten untersuchten, fanden sie heraus, dass 76 % der Studenten eine positive Veränderung in der Art und Weise, wie sie mit der KI interagierten, nach dem Training verspürten.

Vor dem Training beschrieben viele Studenten ihre Gespräche mit der KI als „basal“, „unfokussiert“ oder so, dass die Antworten nicht ganz dem entsprachen, was sie brauchten. Es war, als würde man versuchen, eine maßgeschneiderte Pizza zu bestellen, indem man einfach nur „Ich will Pizza!“ schreit und auf das Beste hofft. Nach dem Training fühlten sich die Studenten, als würden ihre Gespräche eher wie ein echter Dialog werden. Sie nutzten Techniken wie „Rollenspiel“ (der KI sagen, sie solle wie ein bestimmter Charakter agieren) und „Chain of Thought“ (die KI bitten, ihre Arbeit Schritt für Schritt aufzuzeigen). Ein Student merkte an, dass die Antworten zuvor weniger detailliert wirkten, aber nach dem Erlernen der neuen Techniken die Antworten der KI „klarer, gründlicher und erklärten die beteiligten Schritte besser“.

Interessanterweise gehörten die wenigen Studenten, die keine große Veränderung spürten, meist zu denen, die bereits wussten, wie man mit KI spricht, oder die bereits einfache Tricks auf eigene Faust anwandten. Für sie gab das Training lediglich Namen für Dinge, die sie bereits tanzten.

Mögen Studenten die KI zum Lernen nutzen?

Die zweite große Frage war: Möchten Studenten diese Methode tatsächlich eigenständig zum Lernen nutzen? Die Antwort war größtenteils ein fröhliches „Ja“, aber mit einigen grimmigen „Neins“ und einigen „Vielleichts“.

Etwa 68 % der Studenten hatten eine positive Einstellung zur Nutzung von KI für das Problem Posing. Sie sahen darin eine Möglichkeit, personalisierte Übungsaufgaben zu erhalten, Feedback im Stil eines Tutors zu bekommen und gezielt die Bereiche anzugehen, in denen sie Schwächen hatten. Sie stellten sich vor, die KI zur Vorbereitung auf Prüfungen oder zur Vertiefung ihres Verständnisses schwieriger Konzepte zu nutzen. Es war, als hätte man einen persönlichen Coach, der nur für einen Millionen verschiedene Übungen erfinden kann.

Weitere 17 % der Studenten hatten gemischte Gefühle. Sie fanden die Idee cool und potenziell nützlich, waren aber zögerlich. Einige besorgten sich, dass die KI Fehler machen oder falsche Probleme generieren könnte, sodass sie alles doppelt prüfen müssten. Andere fanden es zwar hilfreich, bevorzugten aber, sich an die offiziellen Hausaufgaben und Probetests ihrer Lehrer zu halten. Sie waren wie Kinder, die die Idee toll finden, eine eigene LEGO-Burg zu bauen, aber dennoch sicherstellen wollen, dass die Anleitung perfekt ist, bevor sie anfangen.

Schließlich vertraten etwa 9 % der Studenten negative Ansichten. Diese Studenten waren strikt gegen die Nutzung von KI für ihr Studium. Ihre Gründe betrafen nicht die Qualität der Probleme, sondern die Ethik. Einige fanden es moralisch falsch, KI für die Schularbeit zu nutzen, während andere besorgt über die Umweltauswirkungen des Betriebs dieser leistungsstarken Computer waren. Sie glaubten, dass Studenten seit Jahren ohne KI, stattdessen mit Lehrbüchern und menschlichen Lehrern, Physik gelernt haben und dass KI nicht gefördert werden sollte.

Das große Ganze

Wenn man alle Teile zusammenfügt, deutet die Studie auf einen klaren Trend hin: Training ist entscheidend. Die große Mehrheit der Studenten, die eine Verbesserung ihrer Interaktion mit der KI nach dem Training verspürten, hatte am Ende auch eine positive Einstellung zur Nutzung von KI für das Problem Posing. Selbst unter den Studenten, die generell skeptisch gegenüber KI waren, erkannten diejenigen, deren Interaktionen sich verbesserten, dennoch an, dass das Erlernen des richtigen Promptings für die KI entscheidend war.

Die Forscher fanden heraus, dass die meisten Studenten offen dafür sind, die KI als Lernpartner zu nutzen, es aber eine kleine Gruppe gibt, die sie aufgrund moralischer Bedenken niemals nutzen wird. Für den Rest scheint das Lehren der Studenten, wie man richtig mit der KI spricht, der Schlüssel zu sein, um ihr Potenzial freizusetzen. Es verwandelt ein Werkzeug, das einem vielleicht nur Antworten liefert, in einen Partner, der hilft, das eigene Verständnis aufzubauen. Die Studie kommt zu dem Schluss, dass Schulen in Betracht ziehen sollten, diese „Prompt Engineering“-Fähigkeiten zu lehren, um Schülern zu helfen, das Beste aus der KI herauszuholen, ohne dabei ihre eigene Fähigkeit zum kritischen Denken zu verlieren. Es geht nicht darum, den Studenten durch den Roboter zu ersetigen; es geht darum, dem Studenten beizubringen, wie er den Roboter steuert.