AI Literacy: KI-Kompetenz in der Schule

Zusammenfassung

Vroni Hackl entfaltet AI Literacy als kontextabhängige, mehrdimensionale Kompetenz. Nicht alle müssen KI-Systeme entwickeln können; entscheidend ist, was Menschen in ihrer jeweiligen Rolle mit ihnen tun. Ihr Modell unterscheidet technische Grundlagen, Anwendung, kritisches Denken, Integration in Arbeitsprozesse, rechtliche Aspekte, Ethik und gesellschaftliche Folgen. Diese Bereiche überschneiden sich mit Daten-, Medien- und informatischer Kompetenz, bleiben aber auf das Verstehen, Bewerten und verantwortliche Nutzen von KI bezogen. Als regulatorischen Anlass nennt Hackl Artikel 4 des EU AI Act, der bei der Nutzung von KI-Systemen ein angemessenes Maß an Kompetenz verlangt.

Für die schulische Praxis greift sie vier Bereiche des AI-Literacy-Frameworks der OECD auf: KI erkennen und Antworten bewerten, mit KI Inhalte erstellen, Arbeit sinnvoll an KI delegieren sowie KI-Systeme gestalten. Zu jedem Bereich zeigt sie Risiken und Übungen. Lernende können Antworten mit verlässlichen Quellen abgleichen, verschiedene Prompts vergleichen, einen Arbeitsablauf in menschliche und maschinelle Schritte zerlegen oder stereotype Bildausgaben untersuchen. Hackl warnt davor, eloquente Formulierungen mit korrektem Wissen zu verwechseln, komplexe Denkarbeit unbemerkt auszulagern oder ohne ausreichende Fachkenntnis KI-generierte Anwendungen zu veröffentlichen. Ihr Leitgedanke ist eine bewusste Arbeitsteilung: Mechanische Aufgaben können delegiert werden, interpretative Entscheidungen und Verantwortung bleiben beim Menschen.

Takeaways

• KI-Kompetenz richtet sich nach Rolle und Anwendungskontext; ein einheitliches Kompetenzniveau für alle wäre unpassend.

• Sprachmodelle sind keine verlässlichen Wissensquellen, weshalb ihre Antworten mit belastbaren Quellen geprüft werden sollten.

• Prompting ist nur ein Teil von AI Literacy und muss mit Reflexion, Rechtswissen, Ethik und gesellschaftlicher Einordnung verbunden werden.

• Lernende sollten bewusst entscheiden, welche Arbeitsschritte KI übernimmt und wo eigenes Denken erforderlich bleibt.

• Bias wird erst bearbeitbar, wenn stereotype Ausgaben, Trainingsdaten und die Grenzen eigener Einflussmöglichkeiten sichtbar gemacht werden.