KI in der Lehre
Künstliche Intelligenz ist Teil moderner akademischer Praxis. Richtig eingesetzt unterstützt sie Lernen, Lehren und Forschen, ohne dabei eigenständiges Denken, Verantwortung oder akademische Integrität zu ersetzen. Ziel ist eine reflektierte und kompetenzorientierte Nutzung von KI über alle Studienphasen hinweg. KI dient dabei sowohl als unterstützendes Werkzeug im Lernprozess als auch als Gegenstand der Lehre und wissenschaftlichen Auseinandersetzung im Studium.
Lernende
KI ist ein Werkzeug, keine Abkürzung. Sie kann Lernen, Arbeiten und Forschen unterstützen, ersetzt jedoch weder Eigenleistung noch kritisches Denken oder Transparenz. Gute Lehre bleibt ein menschlicher Prozess, den KI ergänzen und verstärken kann. Entscheidend sind der reflektierte Umgang mit KI sowie das eigenständige Prüfen und Verstehen ihrer Ergebnisse.
Lehrende
KI eröffnet neue didaktische Möglichkeiten, insbesondere bei Feedback, Übung, Differenzierung und der Unterstützung großer Lerngruppen. Sie kann helfen, Lernprozesse individueller zu begleiten und Freiräume für vertiefende Interaktion zu schaffen. Die Rolle der Lehrenden entwickelt sich vom reinen Vermitteln hin zum Begleiten, Einordnen und gezielten Impulsgeben – unterstützt durch KI, aber weiterhin geprägt durch pädagogische Verantwortung und fachliche Expertise.
Rahmen für unsere KI-Lehre
Wie bildet eine Hochschule KI-Kompetenz aus — strukturiert, zukunftssicher und über alle Fachbereiche hinweg verbindlich? Unser Rahmenmodell gibt darauf eine Antwort. Es gliedert KI-Kompetenz in drei Ebenen: eine gemeinsame Grundkompetenz für alle Studierenden, fachspezifische Anwendung in Informatik, Technik und Wirtschaft — unseren drei Fachbereichen — sowie eine Vertiefungsebene für diejenigen, die KI-Systeme selbst entwickeln, erforschen und verantworten.
Ergänzt wird dieses Ebenenmodell durch eine horizontale Dimension — Ethik, Recht, Nachhaltigkeit und gesellschaftliche Einbettung — die nicht einem Fachbereich gehört, sondern alle Ebenen durchzieht.
Das Modell ist kein Lehrplan, sondern ein Orientierungsrahmen: für Studierende, die verstehen wollen, was sie hier lernen; für Praxispartner, die wissen wollen, welche Kompetenz sie erwarten können; und für uns selbst als Maßstab, an dem wir unsere Lehrentwicklung messen.
Beispiel für gute KI-Lehre: Das Projekt Data Science
Deep Learning für die Versorgungsforschung: Verborgene Muster in Gesundheitsdaten
Im Deep-Learning-Projekt des Masterstudiengangs arbeiten Studierende der FH Wedel ein Semester lang an einer realen Forschungsfrage — beauftragt, nicht simuliert. Bereits in der vierten Iteration entsteht das Projekt in Zusammenarbeit mit dem DGDA-Institut (Institut für deskriptive Gesundheitsdatenanalyse OHG), unter Leitung von Dr. Katja Gehrke und Sebastian Lempfert.
Die Aufgabe: Bei Diabetes gibt es einen typischen Krankheitsverlauf — doch Begleiterkrankungen (Komorbiditäten) verfälschen dieses Bild und erschweren es der Forschung, klare Muster zu erkennen. Die Studierenden entwickeln KI-Verfahren, die klassische Diabetes-Verläufe von solchen mit verzerrenden Begleiterkrankungen unterscheiden. Grundlage sind professionell anonymisierte Gesundheitsdaten von rund einer halben Million Versicherten. Es ist eine Fragestellung, an der Forschungsteams weltweit arbeiten — mit unmittelbarem Nutzen für die medizinische Versorgungsforschung.
Die Teams arbeiten mit echten, anonymisierten Abrechnungsdaten — Diagnosen und Verordnungen über zahlreiche Quartale hinweg. Sie stimmen sie sich mit den Fachleute des DGDA-Instituts ab, um die Struktur der Daten sowie die medizinische Realität hinter den Daten zu verstehen: Was verrät ein Abrechnungscode (bspw. ICD- oder ATC-Code) über einen tatsächlichen Krankheitsverlauf — und was gerade nicht? Welche Erkenntnis wäre für die Versorgungsforschung wirklich handlungsleitend?
Methodisch treffen die Studierenden eigenständige Entscheidungen: Sie überführen medizinische Codes mittels künstlicher neuronaler Netze in aussagekräftige Vektorrepräsentationen, wählen und begründen ihre Clustering- und Modellierungsansätze und dokumentieren ihre Experimente reproduzierbar. Dabei wurde deutlich, dass allein das Embedding zu Beginn eine wichtige Grundvoraussetzung schafft und nicht trivial ist. Die Studierenden machen ferner nicht nur die erwartbaren Komorbiditäts-Muster sichtbar, sondern auch seltene Hochrisiko-Konstellationen. Ebenso wichtig wie das Modell ist die ehrliche Einordnung seiner Grenzen — denn Routinedaten bilden die klinische Wirklichkeit nur teilweise ab, und ein Verfahren, das seine blinden Flecken kennt, ist wertvoller als eines, das perfekte Genauigkeit vortäuscht.
Bewertet wird nicht nur das Modell, sondern der gesamte Prozess: Wie hat das Team Entscheidungen getroffen? Wie ist es mit widersprüchlichen und komplexen Daten umgegangen? Wer hat welche Rolle übernommen — und warum? Dass die Studierenden ihre Ergebnisse am Ende nicht nur dem Lehrenden präsentieren, sondern gemeinsam mit den Projektpartnern in einer wissenschaftlichen Fachzeitschrift veröffentlicht haben, ist dabei das beste Zeugnis (https://www.monitor-versorgungsforschung.de/wp-content/uploads/2026/03/Annuth.pdf). Die Motivation ist entsprechend hoch — weil die gesellschaftliche Bedeutung dieser Arbeit für alle Beteiligten unmittelbar greifbar ist.