Wer sich ein wenig in der wissenschaftlichen Literatur zu Scholarship of Teaching and Learning (SoTL) auskennt, ist vielleicht der Namen Janice Miller-Young bekannt: Sie ist unter anderem eine der Autorinnen des Buchs SoTL Research Methodologies. Entsprechend neugierig war ich auf einen aktuellen Beitrag von Miller-Young und anderen, der im Titel eine Exploration des Potenzials generativer Künstlicher Intelligenz (KI) in SoTL-Arbeiten ankündigt: Miller-Young, J., Hays, L. & McCollum, B. (2026). Exploring genAI’s potential contributions as a partner in SoTL research: The practice model. Teaching & Learning Inquiry, 14, 1-19.
Nach der Lektüre muss ich sagen, dass ich eher wenig Neues mitgenommen habe, was aber nicht den Autoren anzulasten ist; man liest derzeit einfach überall nahezu dasselbe, wenn es um KI in Wissenschaft und Hochschulbildung geht. Selbst kann ich derzeit ebenfalls keinen originellen Beitrag zu der Frage leisten, wie KI die SoTL-Bewegung vorwärtsbringen oder ihr auch (unbeabsichtigt) schaden könnte.
Durchaus interessant ist die eigene explorative Nutzung von KI seitens des Autorenteams, die im Text exemplarisch beschrieben wird. Sie ähnelt aber vermutlich inzwischen den Nutzungsmodi vieler sozial- oder geisteswissenschaftlich tätigen Forscherinnen und Forscher. Und auch das ist wenig verwunderlich: Es dauert ja immer einige Zeit, bis ein eingereichter Text endlich mal veröffentlich ist; da wird die eine oder andere Aussage zu KI schnell mal durch neue Einsichten oder Erfahrungen überholt.
Alles in allem attestiert der Text den gängigen KI-Systemen einige Vorzüge für die Beforschung der eigenen Lehre: KI könne das Brainstorming unterstützen, Forschungsideen und -protokolle strukturieren und Methoden oder Werkzeuge erweitern. Natürlich werden auch die Grenzen beleuchtet: unzuverlässige Ergebnisse, inhärente Verzerrungen, Intransparenz und Datenschutzprobleme. Prinzipiell aber sehen es die Autorinnen als machbar an, in SoTL-Arbeiten KI zu integrieren, ohne dabei akademische Integrität und ethische Aspekte wissenschaftlicher Forschung zu vernachlässigen. Die Empfehlungen, wie das gehen kann, bündelt der Text im „PRACTICE Model“: Promote reflexivity – Read the literature – Act transparently – Conduct ethical research – Think critically – Invest in continuous learning – Check and validate outputs – Experiment and share. Das mag inhaltlich nicht neu sein, ein gelungenes Akronym – abgestimmt auf den Bedarf im Kontext SoTL – ist es allemal.
Was ist bei mir vor allem hängen geblieben? Das sind ein kritischer Gedanke und ein Impuls mit offener Frage:
Der kritische Gedanke, der mir hier wie bei vielen Texten zu KI in der Wissenschaft und Hochschulbildung kommt, bezieht sich auf die Bezeichnung von KI als Partner. Das mag inzwischen normal sein, vielleicht auch unverfänglich klingen. Aber man bedenke beispielsweise, dass große Bewegungen wie „Students as Partners“ besonders darauf ausgerichtet sind, die soziale Beziehung etwa zwischen Lehrenden und Studierenden zu verbessern und Studierende an verschiedenen Aktivitäten oder Prozessen teilhaben zu lassen. Studierende und KI werden mit dem Begriff Partner und die Aussicht auf Partnerschaft auf die gleiche Ebene gehoben. In jedem Fall leistet es der Anthropomorphisierung von KI Aufschub, wenn diese überall zum Partner menschlicher Aktivitäten erklärt wird. Was wäre eine Alternative? Darauf habe ich leider keine Antwort. Jedenfalls bemühe ich mich selbst in der Regel, KI als Maschine zu sehen, und vor allem als Spiegel oder Test meiner Thesen oder Überlegungen heranzuziehen. Einige Aussagen im hier besprochenen Text gehen übrigens auch in diese Richtung; mein Eindruck ist denn auch nicht der, dass die Autoren KI in den Status eines menschenähnlichen Gegenübers heben; aber: Sie sprechen von KI als Partner.
Der Impuls, den ich mitgenommen habe, ist folgender: In der Mitte des Textes erörtern die Autoren, inwieweit KI Scholars of Teaching and Learning dabei helfen kann, etwas über verschiedene Methodologien und Methoden zu lernen, die man für das Beforschen der eigenen Lehre nutzen kann. Hier kommt ein wichtiger Aspekt von SoTL zum Tragen: Es können im Prinzip alle gängigen Erkenntniswege in SoTL-Projekten genutzt werden, doch als Fachwissenschaftler ist man in der Regel auf ein bestimmtes Set wissenschaftlicher Methodik festgelegt bzw. eben nur mit einem Ausschnitt möglicher Methoden vertraut. Wenn aber eine Frage- oder Problemstellung in einem SoTL-Vorhaben eine andere Herangehensweise als die, die einem vertraut sind, nahelegt, ist das eine Herausforderung: Wie eignet man sich die jeweiligen Methoden in diesem Fall an? Kann KI helfen? Ich kann mir hier tatsächlich KI-Szenarien vorstellen, wenn sie denn auch menschlich moderiert werden – etwa von Hochschuldidaktikern. Ich denke, hier ist ein interessantes Einsatzfeld für KI möglich, zumal, da wir es im SoTL-Kontext nicht mit wissenschaftlichen Novizen zu tun haben.
Nach Einschätzung der Autorinnen werde KI (ohnehin) zum festen Bestandteil auch von SoTL werden, unter anderem beim Verfassen von Veröffentlichungen von SoTL-Erkenntnissen. Sie machen aber ebenso klar, dass ihre Hoffnung nicht dahin geht, KI würde SoTL vor allem beschleunigen; vielmehr erwarten sie dank KI einen besser informierten Dialog auf diesem Feld.