Ten recommendations for the use of generative artificial intelligence into epidemiology teaching: Results from an expert workshop
Im Anschluss an einen Expertenworkshop im Jahr 2026 präsentiert dieses Paper zehn evidenzbasierte Empfehlungen, die in die Bereiche Governance, Kompetenzen und Feedback unterteilt sind, um Dozenten der Epidemiologie bei der verantwortungsvollen Integration generativer KI in den Unterricht zu leiten, während gleichzeitig grundlegende wissenschaftliche Fähigkeiten gewahrt und ethische Bedenken adressiert werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In der Epidemiologie, dem Fachgebiet, das sich mit der Ausbreitung von Krankheiten und der Aufrechterhaltung der Gesundheit von Bevölkerungsgruppen beschäftigt, hing die Kernarbeit schon immer vom menschlichen Urteilsvermögen ab. Experten müssen Daten betrachten, Muster erkennen und entscheiden, was diese Muster für die öffentliche Gesundheit bedeuten. Dies erfordert ein tiefes Verständnis von Ursache und Wirkung, die Fähigkeit, Fehler bei der Informationserhebung zu entdecken, und das Geschick, komplexe Ergebnisse klar zu erklären. Jahrzehntelang bedeutete das Lehren dieser Fähigkeiten, Studierende durch die harte Arbeit des eigenständigen Denkens zu führen, um sicherzustellen, dass sie ein solides Wissensfundament aufbauen konnten, bevor sie versuchten, ein Problem zu lösen. Nun ist eine neue Art von Technologie angekommen, die Texte schreiben, Zahlen analysieren und Antworten fast augenblicklich generieren kann. Diese Technologie, genannt generative künstliche Intelligenz, bietet leistungsstarke Werkzeuge, die beim Lernen helfen können, birgt aber auch eine verborgene Gefahr. Wenn Studierende diese Werkzeuge zu früh oder zu leichtfertig nutzen, könnten sie die harte Arbeit des Denkens überspringen und dadurch unfähig werden, Probleme eigenständig zu lösen, wenn die Technologie nicht zur Verfügung steht. Die Frage, vor der Lehrer heute stehen, ist nicht, ob sie diese Werkzeuge nutzen sollen, sondern wie sie sie nutzen können, ohne genau jene Fähigkeiten zu verlieren, die einen Experten zum Experten machen.
Eine Gruppe von Experten aus Universitäten und Forschungsinstituten aus Deutschland, Norwegen und Österreich kam zusammen, um diese Frage zu beantworten. Sie trafen sich drei Tage lang in einem Workshop, um eine Reihe von Regeln für die Lehre der Epidemiologie im Zeitalter der künstlichen Intelligenz zu erstellen. Diese zehn Empfehlungen sollen Dozenten dabei helfen, das Gleichgewicht zwischen den Vorteilen der neuen Technologie und der Notwendigkeit, die Studierenden scharf und fähig zu halten, zu finden. Die Gruppe, die aus erfahrenen Lehrkräften, Studierenden und Spezialisten für künstliche Intelligenz bestand, entschied, dass das Ziel nicht darin besteht, diese Werkzeuge zu verbieten, sondern sie sorgfältig zu integrieren, damit die Studierenden lernen, verantwortungsbewusst mit ihnen umzugehen, während sie gleichzeitig die Grundlagen ihres Fachgebiets meistern.
Der erste und wichtigste Schritt, den die Experten empfehlen, ist das Festlegen klarer Regeln. Jede Lehrveranstaltung benötigt eine schriftliche Richtlinie, die den Studierenden genau sagt, was sie mit künstlicher Intelligenz tun dürfen und was nicht. Dies beinhaltet auch Regeln darüber, welche Art von Daten mit diesen Werkzeugen geteilt werden darf, da einige Informationen privat sind und geschützt werden müssen. Die Regeln müssen auch erklären, wie Studierende angeben sollen, wenn sie die Technologie genutzt haben, so wie ein Wissenschaftler angeben muss, wenn er eine bestimmte Methode verwendet hat, um ein Ergebnis zu erzielen. Wenn ein Student das Werkzeug nutzt, um seine Grammatik zu prüfen oder um Hilfe beim Verständnis eines schwierigen Konzepts zu erhalten, sollte er dies angeben. Wenn er es nutzt, um eine gesamte Aufgabe zu schreiben, ist dies in der Regel verboten. Auch die Lehrkräfte selbst müssen diesen Regeln folgen und den Studierenden zeigen, wie man die Technologie ehrlich und transparent nutzt.
Über das Festlegen von Regeln hinaus betonen die Experten, dass Lehrkräfte auf dem Laufenden bleiben müssen. Die Technologie verändert sich so schnell, dass eine Lehrkraft, die sich letztes Jahr über sie informiert hat, bereits wieder hinterherhinken könnte. Dozenten benötigen regelmäßige Schulungen, um zu verstehen, wie diese Werkzeuge funktionieren, wo ihre Grenzen liegen und wie sie sie so einsetzen können, dass sie das Lernen unterstützen, statt den Lernprozess zu ersetzen. Diese Schulung sollte sich nicht nur darauf konzentrieren, wie man eine Frage in den Computer tippt, sondern wie man beurteilt, ob die Antwort, die der Computer gibt, korrekt ist. Lehrkräfte müssen auch lernen, zu erkennen, wann ein Student sich zu sehr auf die Maschine verlässt – ein Problem, das die Forscher als „Never-Skilling“ bezeichnen, wobei ein Student nie die eigentliche Fertigkeit lernt, weil die Maschine die Arbeit für ihn erledigt hat.
Um dies zu verhindern, schlagen die Experten vor, dass Studierende zuerst die Grundlagen ohne Hilfe durch künstliche Intelligenz lernen müssen. Bevor sie die Werkzeuge nutzen dürfen, um Code zu schreiben oder Daten zu analysen, müssen sie in der Lage sein, diese Dinge von Hand oder mit Standardsoftware zu erledigen. Sie müssen verstehen, wie man ein Risiko berechnet, wie man einen Fehler in einer Studie entdeckt und wie man ein Ergebnis eigenständig interpretiert. Erst nachdem sie dieses Fundament aufgebaut haben, sollten sie die Werkzeuge nutzen dürfen, um ihre Arbeit zu überprüfen, ihre Texte zu verfeinbaren oder neue Ideen zu erforschen. Dies stellt sicher, dass die Technologie als Helfer fungiert und nicht als Krücke. Wenn ein Student nicht erklären kann, warum er eine bestimmte Entscheidung in seiner Analyse getroffen hat, hat er das Material nicht wirklich gelernt, selbst wenn das Endergebnis korrekt aussieht.
Wenn es darum geht, das Wissen der Studierenden zu prüfen, warnen die Experten davor, dass alte Methoden wie Hausarbeiten nicht mehr ausreichen, da ein Student einfach den Computer bitten könnte, den Essay zu schreiben. Stattdessen sollten Lehrkräfte verschiedene Wege nutzen, um die Studierenden zu testen, wie etwa mündliche Prüfungen, Präsentationen vor Ort oder kontrollierte Schreibphasen, in denen die Nutzung künstlicher Intelligenz nicht erlaubt ist. Diese Methoden zwingen die Studierenden dazu, ihr Denken offenzulegen und ihre Argumentation in Echtzeit zu erklären. Die Experten raten zudem von Software ab, die behauptet, erkennen zu können, ob ein Student künstliche Intelligenz genutzt hat. Diese Erkennungswerkzeuge sind oft unzuverlässig und können Fehler machen, wodurch Studierende, die gegen die akademische Integrität verstoßen haben, ungerechtfertigt bestraft werden könnten. Es ist besser, sich auf klare Regeln, ehrliche Offenlegung und menschliches Urteilsvermögen zu verlassen, um Fairness zu gewährleisten.
Die Empfehlungen heben auch die Bedeutung hervor, den Studierenden beizubringen, wie sie effektiv mit dem Computer kommunizieren. Dies wird als „Prompt Engineering“ bezeichnet, was schlicht die Fähigkeit ist, die richtigen Fragen zu stellen, um die beste Antwort zu erhalten. Ein Student, der eine vage Frage stellt, wird eine vage Antwort erhalten, während ein Student, der eine spezifische, gut strukturierte Frage stellt, ein viel besseres Ergebnis erzielen kann. Lehrkräfte sollten die Studierenden in dieser Fertigkeit anleiten, indem sie ihnen zeigen, wie sie komplexe Probleme in kleinere Schritte zerlegen und wie sie die Informationen, die der Computer liefert, verifizieren. Dies beinhaltet das Überprüfen von Fakten, das Suchen nach Fehlern und die Sicherstellung, dass der Computer keine Quellen oder Daten erfindet, die nicht existieren.
Schließlich drängen die Experten die Lehrkräfte dazu, das Gelernte untereinander zu teilen. Da dies ein neues Feld ist, hat noch niemand alle Antworten. Lehrkräfte sollten verschiedene Ansätze ausprobieren, sehen, was funktioniert und was nicht, und dies dann ihren Kollegen mitteilen. Dies könnte bedeuten, einen Unterrichtsentwurf zu teilen, der gut funktioniert hat, oder zuzugeben, dass ein bestimmtes Werkzeug mehr Probleme verursacht hat, als es gelöst hat. Durch die Zusammenarbeit und das Lernen aus den Erfahrungen der anderen kann sich das gesamte Feld der Epidemiologie an diese neue Technologie anpassen, um sicherzustellen, dass die Studierenden sicher, kompetent und bereit für die Zukunft sind. Das ultimative Ziel ist es, Epidemiologen hervorzubringen, die diese leistungsstarken Werkzeuge nutzen können, um bessere Arbeit zu leisten, aber die auch über das kritische Denkvermögen verfügen, um zu wissen, wann sie der Maschine vertrauen und wann sie ihrem eigenen Urteil vertrauen sollten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.