I, Creative Cyborg: An Autoethnographic Account of Poietic Rumination, GenAI, and the Act of Academic Research

In der modernen Welt ist die Grenze zwischen Mensch und Maschine zunehmend verschwommen. Wir haben längst akzeptiert, dass unsere Werkzeuge uns prägen, von der Art und Weise, wie wir mit einem Stift schreiben, bis hin zu der Art und Weise, wie wir mit einem GPS navigieren. Im Bereich der Hochschulbildung ist ein neues Kind dieser Werkzeuge eingetroffen: die generative künstliche Intelligenz. Diese Systeme können Essays schreiben, Bücher zusammenfassen und Probleme mit einer Geschwindigkeit und Flüssigkeit lösen, die oft menschliches Denken nachahmt. Dies hat eine heftige Debatte unter Wissenschaftlern und Studierenden ausgelöst: Ist diese Technologie ein Partner, der uns hilft, besser zu denken, oder ist sie eine Abkürzung, die uns am Denken hindert? Um dies zu beantworten, haben Forscher begonnen, den eigentlichen Prozess akademischer Arbeit genau unter die Lupe zu nehmen. Sie fragen, welche Teile der Forschung an eine Maschine übergeben werden können und welche Teile streng menschlich bleiben müssen. Die Kernfrage ist nicht nur die der Effizienz, sondern die der Natur des Verstehens selbst. Wenn ein Computer einen perfekten Absatz produzieren kann, bedeutet das, dass er die Idee verstanden hat, oder hat er lediglich Wörter so angeordnet, dass es wie Verständnis aussieht?

Ray Grewal, ein Forscher an der University of the Arts London, beschloss, diese Frage zu untersuchen, indem er den Fokus auf seine eigene Arbeit richtete. Er schrieb eine Masterarbeit über eben jenes Thema, wie künstliche Intelligenz Kreativität und Lernen beeinflusst, aber er tat etwas Ungewöhnliches: Er führte ein detailliertes, ehrliches Tagebuch darüber, wann immer er ein Computerprogramm nutzte, um ihm zu helfen. Er protokollierte jede Frage, die er der Maschine stellte, jede Antwort, die sie gab, und wie er diese Antworten verwendete. Er verglich dieses Tagebuch anschließend mit der fertigen schriftlichen Arbeit, um genau zu sehen, wo die Maschine half und wo sie versagte. Sein Ziel war es, die Grenzen des menschlichen Geistes abzubilden, wenn er mit einem leistungsstarken digitalen Assistenten zusammenarbeitet. Er wollte herausfinden, ob die Maschine tatsächlich die Last des Denkens teilen konnte oder ob sie nur in der Lage war, die schwere Arbeit der Datenbewältigung zu leisten, während der menschliche Geist die eigentliche Arbeit des Verstehens leisten musste.

Die Studie zeigt, dass die Beziehung zwischen dem Forscher und der Maschine keine Partnerschaft auf Augenhöhe ist, sondern eine Arbeitsteilung zwischen der Peripherie und dem Kern. An der Peripherie erwies sich die Maschine als ein unglaublich nützliches Werkzeug. Sie agierte als unermüdlicher Tutor, der komplexe Ideen in einfachen Begriffen erklärte, wenn der Forscher feststeckte. Sie diente als Forschungsassistentin, die hunderte akademische Artikel durchsuchte, um die relevantesten zu finden, was Stunden an Lesezeit ersparte. Sie fungierte als Datenprozessor, der Umfrageergebnisse organisierte und Diagramme aus Rohzahlen mit perfekter Genauigkeit erstellte. Sie half sogar bei der Gestaltung der Fragebögen und Unterrichtspläne, die für die Studie benötigt wurden. In diesen Bereichen erweiterte die Maschine die Reichweite des Forschers und ermöglichte es, mehr Arbeit in weniger Zeit zu erledigen. Sie war eine Prothese, die den Forscher fähiger machte, ganz so, wie ein Teleskop einem Astronomen hilft, weiter zu sehen.

Die Maschine stieß jedoch gegen eine harte Wand, als die Arbeit von der Peripherie zum Kern des Forschungsprozesses überging. Die Studie identifiziert einen spezifischen Zyklus des menschlichen Denkens, den die Maschine nicht replizieren konnte. Dieser Zykost umfasst fünf Phasen: Informationen aufnehmen, tief über sie nachdenken, verschiedene Ideen verbinden, um ein neues Verständnis zu bilden, dieses Verständnis in Worten ausdrücken und schließlich auf Feedback reflektieren, um die Arbeit zu verbessern. Die Maschine konnte beim ersten Schritt unterstützen, indem sie Informationen fand, aber sie konnte einen schwierigen Text nicht wirklich lesen oder dessen Widerstand verstehen. Sie konnte nicht bei einer verwirrenden Idee verweilen, bis sie Sinn ergab. Am wichtigsten war, dass sie nicht den Sprung vollziehen konnte, zwei weit entfernte Theorien zu verbinden, um eine neue Erkenntnis zu gewinnen. Als der Forscher versuchte, zwei verschiedene Frameworks für die Studie zu kombinieren, stimmte die Maschine dem Plan enthusiastisch zu, obwohl die beiden Frameworks eigentlich inkompatibel waren. Es war der menschliche Forscher, der durch die langsame, mühsame Arbeit des Denkens schließlich den Fehler bemerkte und die Vorschläge der Maschine verwerfen musste.

Die Maschine scheiterte auch in den Phasen des Schreibens und der Reflexion. Sie konnte flüssige Sätze generieren, aber sie konnte nicht mit der Absicht schreiben, einen spezifischen Gedanken von einem Geist zu einem anderen zu übertragen. Wenn der Forscher die Maschine nutzte, um Abschnitte des Papers zu entwerfen, waren diese Entwürfe oft nur leere Platzhalter, die vollständig umgeschrieben werden mussten, um das Gewicht seines eigenen Verständnisses zu tragen. Ähnlich konnte die Maschine kein Feedback geben, das einen Forscher umstimmt. Wahre Reflexion entsteht aus der Reibung eines menschlichen Kritikers, der eine schwierige Frage stellt oder eine Lücke in der Logik aufzeigt. Die Maschine hingegen neigt dazu, übermäßig zustimmend zu sein und glatte Antworten zu liefern, die gerade das Ringen beseitigen, das für tiefes Lernen notwendig ist. Die Studie fand heraus, dass das Vertrauen auf die Maschine für diese Kernaufgaben den Forscher nicht klüger machen würde; es würde lediglich das mentale Muskelwachstum umgehen, das geschieht, wenn eine Person versucht, ein Problem aus eigener Kraft zu lösen.

Dies führt zu einer entscheidenden Unterscheidung in der Art und Weise, wie wir den „Cyborg“ der Zukunft betrachten sollten. Der Begriff Cyborg, der oft verwendet wird, um einen mit Technologie verschmolzenen Menschen zu beschreiben, suggeriert eine nahtlose Verschmelzung. Doch diese Forschung legt nahe, dass der effektivste Cyborg nicht derjenige ist, der vollständig mit der Maschine verschmilzt, sondern derjenige, der genau weiß, wo er die Linie ziehen muss. Die Maschine sollte die Logistik, die Daten und die erste Suche nach Informationen übernehmen dürfen. Aber der Mensch muss das Zentrum des Prozesses bewachen: das tiefe Denken, die Synthese von Ideen und die kritische Reflexion. Wenn der Mensch zulässt, dass die Maschine den Kern übernimmt, riskiert er, genau die Kapazität zu verlieren, die die Forschung wertvoll macht. Die Gefahr besteht nicht darin, dass die Maschine den Menschen ersetzt, sondern dass der Mensch aufhört, die harte Arbeit des Denkens zu leisten, weil die Maschine es einfach aussehen lässt.

Die Ergebnisse bieten einen klaren Weg nach vorn für jeden, der diese Werkzeuge nutzt. Der Rat lautet, die spezifische geistige Arbeit zu benennen, die geleistet wird, und zu fragen, ob die Maschine diese Arbeit unterstützt oder ersetzt. Wenn die Aufgabe darin besteht, Daten zu organisieren oder eine Definition zu finden, ist die Maschine eine mächtige Verbündete. Wenn die Aufgabe darin besteht, ein komplexes Argument zu verstehen, zwei Theorien zu verbinden oder zu entscheiden, was ein Stück Text wirklich bedeutet, muss der Mensch die Führung übernehmen. Die Studie kommt zu dem Schluss, dass der Wert künstlicher Intelligenz in der Forschung in ihrer Fähigkeit liegt, Zeit und Energie freizusetzen, nicht in ihrer Fähigkeit, das Denken für uns zu übernehmen. Das Wichtigste, was ein Forscher tun kann, ist, die langsamen, unbequemen Stunden des tiefen Nachdenkens zu schützen und sicherzustellen, dass das Endprodukt ein echter Ausdruck menschlichen Verständnisses ist und nicht bloß eine polierte Anordnung von Wörtern. Letztendlich braucht die Maschine den Menschen, um ihrem Output Bedeutung zu verleihen, aber der Mensch braucht die Maschine nicht, um zu denken; der Mensch braucht die Maschine nur, um ihm zu helfen, besser zu denken.