A longitudinal constructionist case study of five student positions on AI as a creative collaborator in open source AI art pedagogy
Diese longitudinale konstruktivistische Fallstudie über fünf Studierende der Kyoto Seika University verfolgt deren sich entwickelnde mentale Modelle und distinkte Positionen zu KI als kreativem Kollaborateur über einen Zeitraum von 25 Monaten, wobei sie ein fünfteiliges Spektrum an Haltungen offenlegt und spezifische Mechanismen identifiziert, in denen das KI-Scaffolding die Realisierung nicht unterstützt.
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
Stellen Sie sich einen zweijährigen Kunstworkshop vor, in dem ein Lehrer und eine Gruppe von Studierenden ein neues, mächtiges Werkzeug erkunden: Künstliche Intelligenz (KI). Aber dies ist kein Standardkurs, bei dem alle die gleichen Schritte lernen, um zum gleichen Ergebnis zu gelangen. Stattdessen hat der Lehrer einen „Spielplatz“ eingerichtet, mit niedrigen Schwellen (einfacher Einstieg), breiten Wänden (viele verschiedene Wege zur Erkundung) und hohen Decken (Raum für tiefergehende Beschäftigung).
Das Ziel war nicht, jeden zum gleichen Typ Künstler zu machen. Das Ziel war zu sehen, was passiert, wenn fünf verschiedene Studierende diesen selben Spielplatz über zwei Jahre hinweg durchschreiten.
Hier ist das Ergebnis der Studie, einfach erklärt:
1. Dasselbe Werkzeug, fünf verschiedene Beziehungen
Obwohl alle fünf Studierenden dieselbe KI-Software verwendeten (beginnend mit einem komplexen Open-Source-Tool namens ComfyUI und später unter Hinzunahme anderer KI-Tools), entwickelten sie fünf völlig unterschiedliche Vorstellungen davon, wofür die KI eigentlich da ist. Es ist, als würde man fünf verschiedenen Köchen denselben hochtechnologischen Ofen geben; einer wird ein Meister der Mechanik des Ofens, einer nutzt ihn nur, um Brot zu backen, und ein anderer weigert sich, ihn für das Hauptgericht zu verwenden, weil er glaubt, dass die „Seele“ der Speise aus den eigenen Händen kommen muss.
Das Paper bezeichnet diese fünf „Positionen“ als:
- Der Systemarchitekt: Eine Studentin behandelte die KI als Co-Piloten. Sie baute eine komplexe Maschine, in der sie und die KI eng zusammenarbeiteten, um eine fertige Kunstinstallation zu erschaffen. Für sie ist die KI ein Partner im Designprozess.
- Das Betriebshandbuch: Ein anderer Student sah die KI als ein hilfreiches Instruktionsbuch. Sie weiß, wie die Software funktioniert und kann die schwere Arbeit erledigen, aber der Mensch bleibt der Chef, der die kreative Richtung vorgibt.
- Der konzeptionelle Verstärker: Eine dritte Studentin nutzte die KI nur für das Brainstorming von Ideen und das Schreiben von Texten. Wenn es an die Zeit kam, die Kunst tatsächlich zu erschaffen, legte sie die KI beiseite und erledigte die technische Arbeit selbst.
- Der ethische Pragmatiker: Ein vierter Student empfand eine moralische Zurückhaltung. Er sorgte sich, dass er, wenn er KI zur Erstellung der Kunst nutzen würde, die Ideen der KI „stehlen“ würde. Zudem fand er den von der KI geschriebenen Code unordentlich und ineffizient, wessofern er den Einsatz der KI einschränkte, um diese Probleme zu vermeiden.
- Der philosophisch Begrenzte: Der fünfte Student glaubte, dass wahre Kreativität einen menschlichen Körper und reale Lebenserfahrung erfordert. Für ihn sind KI-Outputs wie „Träume“ – interessant, aber ein Mensch muss sie in die Realität bringen. Er nutzte die KI für das Brainstorming, hielt die endgültige Kreation jedoch strikt menschengemacht.
2. Die „Breiten Wände“ funktionierten
Die Theorie des Lehrers war, dass eine flexible Umgebung unterschiedliche Ergebnisse produzieren würde. Die Studie bewies dies. Die Studierenden erstellten nicht nur unterschiedliche Bilder; sie entwickelten unterschiedliche Philosophien über die Technologie. Die „breiten Wände“ ermöglichten nicht nur unterschiedliche Projekte; sie ermöglichten unterschiedliche Denkweisen darüber, wer die Kontrolle hat: der Mensch oder die Maschine.
3. Die „Lücke“ zwischen Idee und Realität
Die Studie stellte auch ein schwieriges Problem fest. Manchmal ist die KI großartig darin, einem bei einer brillanten Idee zu helfen (die konzeptionelle Ebene), scheitert aber daran, einem beim eigentlichen Aufbau zu helfen (die Realisierungsebene).
Denken Sie es sich so vor: Die KI kann dir helfen, ein perfektes Rezept für einen Kuchen zu schreiben, aber wenn du nicht weißt, wie man den Teig mischt oder den Ofen benutzt, kann der Kuchen trotzdem schlecht werden. Die Studie fand vier spezifische Gründe, warum das passiert:
- Die Werkzeug-Diskrepanz: Manchmal weiß die KI nicht, wie sie bei sehr spezifischen, visuellen Werkzeugen helfen kann.
- Die Entscheidung der Studierenden: Manchmal hört ein Student einen großartigen Vorschlag des Lehrers, entscheidet sich aber für eine einfachere Version, weil er noch nicht bereit für die komplexere ist.
- Die Medien-Limitierung: Manchmal wählt ein Student ein Werkzeug (wie eine Videospiel-Engine), das perfekt zu seiner Vision passt, auch wenn es weniger „beeindruckend“ wirkt als eine große Projektionsfläche.
- Das Schweigen: Manchmal erzählt ein Student dem Lehrer nicht von einem Problem, an dem er feststeckt, sodass der Lehrer keine Lösung anbieten kann.
4. Wie die Studierenden lernten (Der „Mentoren-Mix“)
Der Lehrer hielt keine bloßen Vorlesungen. Die Studie fand heraus, dass die Studierenden durch eine „Mischung“ verschiedener Arten der Unterstützung lernten, oft gleichzeitig.
- Einige Studierende arbeiteten mit dem Lehrer daran, Werkzeuge zu bauen.
- Einige Studierende nahmen die großen Ideen des Lehrers und passten sie auf ihre eigenen Fähigkeiten an.
- Einige Studierende nutzten den Rat des Lehrers, um eine spezifische Fachsprache oder Denkweisen über Kunst zu lernen.
- Einige Studierende nutzten die Anleitung des Lehrers, um das „Große Ganze“ zu verstehen, während sie KI oder Online-Templates für die winzigen technischen Details verwendeten.
5. Der „Vorher-Nachher“-Beweis
Um sicherzustellen, dass diese Ideen real sind, betrachteten die Forscher zwei Momentaufnahmen:
- Der Anfang (2024): Sie fragten die Studierenden, wie sie über die KI-Werkzeuge dachten.
- Das Ende (2026): Sie fragten dieselben Studierenden erneut, nachdem sie ihren Abschluss gemacht hatten und an ihren Abschlussprojekten arbeiteten.
Sie fanden heraus, dass sich das Denken der Studierenden in fünf deutlichen Mustern entwickelte. Zum Beispiel begann eine Studentin mit der vagen Vorstellung, KI sei wie „Kochen“, und endete mit einem sehr detaillierten, vielschichtigen Verständnis davon. Ein anderer Student begann ohne klare Vorstellung und entwickelte durch den Prozess eine starke, einzigartige Philosophie.
Das Fazit
Dieses Paper zeigt, dass Studierende nicht alle gleich werden, wenn man ihnen eine flexible, offene Umgebung zum Spielen mit KI gibt. Stattdessen sortieren sie sich ganz natürlich in verschiedene Rollen ein. Einige werden Meister der Maschine, andere werden ihre Kritiker und wieder andere nutzen sie nur als Sprungbrett. Die „Magie“ der Lehrmethode lag nicht darin, alle zu zwingen, das Werkzeug auf die gleiche Weise zu nutzen, sondern darin, einen Raum zu schaffen, in dem all diese fünf verschiedenen, validen Arbeitsweisen existieren und wachsen konnten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.