Lehre im Zeitalter von KI

Dieser Essay thematisiert, wie der unreflektierte Einsatz von KI in Studium und Lehre den mündigen Denkprozess erodiert, für den es als Produktivkraft eingesetzt wird. Ausgangspunkt sind Praxiserfahrungen, bei denen die studentische Nutzung von Large Language Models einen geradezu antiwissenschaftlichen Habitus hervorbringt, in dem die intellektuelle Aneignung und Reflexion von Gedanken eine untergeordnete Rolle spielt und so den Bildungsprozess gefährdet. Dabei werden Spannungsfelder der Studierenden in den Blick genommen, aus denen sich Motivlagen begründen lassen. Ziel ist es, integrative Momente von KI zu diskutieren, die als Lernergänzung Kernkompetenzen des Studiums stützen.

In der hochschulischen Lehre und auf studentischen Schreibtischen ist Künstliche Intelligenz (KI) - hier als Kürzel genutzt für Large Language Models wie ChatGPT - nicht mehr wegzudenken. Vielmehr hat die Nutzung von KI, kulturpessimistisch ausgedrückt, einen pandemischen Umfang erreicht:1 Sollen Studierende in der Lehre in einer kleinen Gruppe zu einem Thema arbeiten, ist ChatGPT häufig das erweiterte Gruppenmitglied. Geht es darum, eigene Gedanken in Diskussionen einzubringen wird oft erst die KI gefragt und dann deren Antwort mehr oder weniger gut verarbeitet wiedergegeben. Bei schriftlichen Arbeiten geht die Nutzung von KI regelmäßig in alle Arbeitsschritte mit ein, dabei kommt selbst die Erfindung von Forschungsdaten vor.

Dies wirft Fragen auf, die den Charakter von Hochschulen als Orte des Forschens und Denkens, des Lernens und der Lehre berühren, denn hier trennen Studierende im Vollzug einer genuin wissenschaftlichen Tätigkeit den wissenschaftlichen Gehalt von seiner Tätigkeit.

Eliminierung des Lesens aus der Arbeit mit Texten

Das Lesen und Verstehen eines Textes, die Arbeit mit Literatur, ist eine der basalsten wissenschaftlichen Tätigkeiten: Als lesende Person nehme ich die Gedanken eines anderen Menschen auf: Erkenntnisse und Argumente, berichtete empirische Forschungsergebnisse etc. Ich setze diese verschriftlichten Resultate eines fremden Denk- und Forschungsprozesses in ein Verhältnis zu den eigenen schon vorliegenden Erkenntnissen, korrigiere sie gegebenenfalls, erweitere sie vielleicht auch. Idealiter folgen die lesenden Menschen im Streit der Erklärungen dem "zwanglosen Zwang des besseren Arguments" (Habermas).

Aus Gründen, die noch zu diskutieren sind, arbeiten einige Studierende anders. Dabei lassen sich zentral zwei Formen unterscheiden:2

Einige Studierende nehmen einen Text, den sie aus eigener Recherche oder vorgegeben durch die lehrende Person haben, und lassen ihn sich durch die KI zusammenfassen. Wenn sie Pech haben, fasst die KI einen anderen Artikel zusammen. Wenn sie Glück haben, bekommen sie eine Kurzfassung der Resultate des Textes geliefert. Aus einem 20 Seiten langen Artikel, in dem empirische Ergebnisse vorgestellt oder theoretische Überlegungen entwickelt werden, wird dann eine Kurzzusammenfassung. Passend in der Regel als Auflistung von Spiegelstrichen durch die KI präsentiert. Es geht dann nicht mehr um die Abfolge von Gedanken und Argumenten, sondern um eine artifizielle Passung von Text und KI-Resultat.

Die zweite Strategie kommt ganz ohne eigene Texte aus. Hier wird ein mehr oder weniger guter Befehl ("Prompt") in die KI der Wahl eingegeben und die dort ausgegebenen Antworten als "state of the art" des vorliegenden gesellschaftlichen Wissens zusammengefasst und herauskopiert. Dies sieht dann vielleicht so aus:

Prompt bei ChatGPT: "Was ist laut Bourdieu kulturelles Kapital?"

Antwort von ChatGPT (Version 5.3, April 2026): Nach Pierre Bourdieu bezeichnet kulturelles Kapital eine zentrale Ressource, die Menschen hilft, sich in der Gesellschaft zu positionieren und soziale Ungleichheiten zu reproduzieren. Es umfasst Wissen, Fähigkeiten, Bildung und kulturelle Kompetenzen, die als "wertvoll" gelten.

Bourdieu unterscheidet drei Formen:

1. Inkorporiertes kulturelles Kapital

Das ist alles, was du dir persönlich aneignest - etwa Sprachstil, Bildung, Geschmack oder Umgangsformen. Es ist eng mit deiner Sozialisation verbunden und braucht Zeit, um sich zu entwickeln.

2. Objektiviertes kulturelles Kapital

Darunter fallen materielle Dinge wie Bücher, Kunstwerke oder Instrumente (z.B. ein Klavier). Diese haben kulturellen Wert, aber man muss auch das entsprechende Wissen besitzen, um sie sinnvoll nutzen zu können.

3. Institutionalisiertes kulturelles Kapital

Das sind offiziell anerkannte Abschlüsse und Titel, wie Schul- oder Universitätsdiplome. Sie machen kulturelles Kapital "messbar" und gesellschaftlich vergleichbar. Die Idee dahinter: Kulturelles Kapital beeinflusst stark, welche Chancen jemand im Bildungssystem und später im Beruf hat. Es trägt also dazu bei, dass sich soziale Unterschiede über Generationen hinweg fortsetzen.

Diese Kurzfassung der in einen Diskurs eingebetteten und wirkmächtigen Theorie von Bourdieu ist für einige Studierende der theoretisch gültige und praktisch hinreichende Ersatz der Auseinandersetzung mit ebenjener.

Damit ist Lesen als wissenschaftlicher Prozess des Nachvollzugs der Gedanken anderer Menschen verwandelt in eine möglichst effiziente Produktion des Scheins von Belesenheit.

Eliminierung des Denkens aus der Verschriftlichung von Gedanken

An Hochschulen und im wissenschaftlichen Kontext ist die Verschriftlichung von Überlegungen als argumentativer Selbstverständigungsprozess verstehbar. Diese werden zu einem theoretischen Verständnis entwickelt, basieren auf vielleicht impliziten, vielleicht explizierbaren Heuristiken, versuchen sich an Argumenten, beziehen empirische Erkenntnisse mit ein und positionieren sich damit innerhalb eines Diskurses. Dies mündet in der Regel als Argumentationsfolge im Verfassen einer schriftlichen Arbeit, vielleicht auch in der Vorbereitung einer Präsentation bzw. eines Referates, häufig im Rahmen einer Prüfungsleistung.

Dieser Prozess der gedanklichen Aneignung, das Nachdenken über einen Gegenstand, das Verstehen und sich befähigen, Gedanken kohärent und schlüssig ins Außen zu tragen, also dialogfähig zu sein, ist keine Selbstverständlichkeit des Studiums mehr. Die Austreibung des Nachdenkens aus der Verschriftlichung von Gedanken kann in Anknüpfung an die obige Darstellung diese Form annehmen:

Prompt bei ChatGPT: "Ich brauche eine halbe Seite Text mit seitengenauer deutschsprachiger Quellenangabe im Text (APA-Style) für eine Hausarbeit. Stell bitte einen Bezug her zu sozialräumlicher Sozialer Arbeit."

Antwort von ChatGPT (Version 5.3, April 2026):

Nach Pierre Bourdieu stellt kulturelles Kapital eine zentrale Ressource dar, die soziale Ungleichheiten strukturiert und reproduziert. Es umfasst Bildung, kulturelles Wissen, Sprachkompetenzen sowie alltägliche Umgangsformen und tritt in inkorporierter, objektivierter und institutionalisierter Form auf. Besonders relevant ist, dass kulturelles Kapital ungleich verteilt ist und stark durch familiäre Herkunft geprägt wird. Dadurch beeinflusst es maßgeblich Bildungs- und Teilhabechancen im Lebensverlauf (Bourdieu, 1983, S.185-186).

Im Kontext der sozialräumlichen Sozialen Arbeit lässt sich dieses Konzept nutzen, um Unterschiede zwischen Quartieren und Lebenslagen besser zu verstehen. Sozialraumorientierte Ansätze gehen davon aus, dass soziale Probleme nicht nur individuell, sondern im Zusammenhang mit räumlichen und strukturellen Bedingungen entstehen. In benachteiligten Stadtteilen kumulieren häufig geringe ökonomische Ressourcen mit eingeschränktem Zugang zu Bildungs- und Kulturangeboten, wodurch auch weniger kulturelles Kapital aufgebaut werden kann. Dies wirkt sich wiederum auf Bildungserfolge, gesellschaftliche Teilhabe und Zukunftsperspektiven aus.

Bourdieu, P. (1983). Ökonomisches Kapital, kulturelles Kapital, soziales Kapital. Soziale Welt, Sonderband 2, 183-198 (hier 185-186).

Diese kurzen Sätze mögen auf den ersten Blick erstaunlich wirken. Auf den zweiten Blick zeigt sich dann aber ihr phraseologischer Charakter und wird deutlich, dass sich KI-Texte argumentativ nicht so recht entwickeln.3

Von entscheidender Relevanz ist, selbst wenn es der zu diesem Thema beste denkbare Text wäre: Diese Resultate eines automatisierten kontextsensitiven Textgenerators, der auf Wahrscheinlichkeiten basierend Worte verknüpft, entstehen durch den KI-Prompt und ohne weitere gedankliche Zutat der Studierenden. Damit hat sich das Denken der Studierenden auf einen anderen Gegenstand gerichtet: Nicht mehr die Durchdringung der Gedanken eines anderen Menschen ist Ziel der theoretischen Bemühungen; erst recht nicht mehr die Positionierung innerhalb eines Diskurses. Sondern es geht darum, mit Prompts und "gut klingenden", aber inhaltlich von den Autor:innen selbst gar nicht überprüfbaren KI-Resultaten den Schein eines in sich geschlossenen Textes zu produzieren; nicht überprüfbar, weil ja nicht - in diesem Fall - Bourdieu auf der einen Seite, die verschiedenen Konzepte der Sozialraumorientierung auf der anderen Seite zur Kenntnis genommen werden. Es muss vielmehr der KI vertraut werden. Und wird es, leider, auch regelmäßig.

Entwicklung eines antiwissenschaftlichen Habitus durch KI-gestützte Performanz

Diese beiden hier wegen ihrer Relevanz und Prominenz innerhalb der wissenschaftlichen Tätigkeit diskutierten Momente der hochschulischen Einsozialisation in einen wissenschaftlich-fragenden Habitus verweisen auf ein zentrales Problem: die Verwendung von KI durch Studierende in diesem Prozess unterstellt und verstärkt ein Wissenschaftsverständnis, das dem Grunde nach unwissenschaftlich ist, da sie dem Sinn und Zweck der theoretischen Durchdringung und Präsentation dieser Resultate des Nachdenkens widersprechen:

Im Dialog mit KI wird die Mehrheitsmeinung - der vorurteilsbehaftete Charakter von LLMs steht schon auf Basis ihrer Trainingsdaten fest4 - mit der vorab feststehenden Beweisabsicht der Studierenden amalgamiert, gerne auch ergänzt durch das Phänomen der "Sycophancy"5, der positiven Bestärkung der Nutzer:innen, auch bei Fehlern.

Dies in seine zwei Momente ausgeblättert: Die KI als mit "Leitplanken" versehene Wahrscheinlichkeitsmaschine verknüpft erstens ein Wort mit dem rechnerisch am besten passenden nächsten Wort. Damit ist die Häufigkeit des Auftretens von Worten der Grund für die Aneinanderreihung. Man stelle sich einmal eine KI vor, die auf Basis der Texte des Nationalsozialismus trainiert worden wäre und darauf basierend Antworten gäbe. Oder, nicht ganz so übertrieben: Germani und Spitale6 beschreiben systematische Verzerrungen bei LLMs. Zweitens basiert die Entwicklung von Prompts auf einem bereits vor der inhaltlichen Auseinandersetzung mit einem Thema feststehenden Erkenntnisinteresse der Studierenden und führt damit selbiges ad absurdum: Damit findet gerade keine Überprüfung der eigenen Gedanken an den vorliegenden Texten mehr statt; diese werden auch nicht mehr auf Stringenz, Stichhaltigkeit, Nachvollziehbarkeit etc. hin überprüft, sondern zweckmäßig unter den eigenen Erkenntniswunsch subsumiert.

Damit gibt es in dieser Art der Textproduktion keinen individuellen Fortschritt im Denken und der Erkenntnis. Sondern sie ist eher im Segment der Reproduktion von (Bias-)Wissen zu verorten. Literaturarbeit besteht beispielsweise dann nicht mehr in der intellektuellen Auseinandersetzung mit vorliegenden, vielleicht auch widersprüchlichen und / oder unvollständigen Theorien, sondern schwerpunktmäßig im Suchen und Finden von "Belegen" für die Richtigkeit, d.h. "Fundierung" der eigenen schon vorher feststehenden Gedanken.

Dies nicht nur einmal durchgeführt, sondern durch das gesamte Studium hinweg als gelebte Praxis, entwickelt sich ein Habitus vorurteilsbelastetem Vertrauen in eine nicht gekannte und nicht geprüfte Mehrheitsmeinung und damit genau das Gegenteil dessen, was ein Studium systematisch hervorbringen möchte: eine wissenschaftliche, d.h. auch fragende und prüfende Haltung.

Spekulationen über die Motive von Studierenden

Anekdotische Evidenz deutet auf drei zentrale Motive der Nutzung von KI durch die Studierenden hin:

Auf der strukturellen Seite ist das Gefüge von Prüfungsdruck und Zeitnot zu verorten. Gerade die Notwendigkeit des Ablegens von vielleicht zeitlich dicht getakteten Prüfungen führt zu Suchbewegungen zur Abkürzung des Aufwandes und direkt hinein in die hier diskutierten Versuche, den Anforderungen gerecht zu werden, ohne sich ihnen zu stellen.7 Ein Effekt, der seinen Ausgangspunkt sicherlich in den Bologna-Reformen hat, die eine kontinuierliche Lernleistungsüberprüfung vorgeschrieben haben. An die hieraus erwachsende Haltung zu Bildung als zu bewältigendem "Stoff" für Prüfungen war zuvor zumindest für die Prüfungsvorbereitungen Wissensaneignung vonnöten. KI knüpft hier logisch und kongenial an: Sie ersetzt den Prozess mit dem (vermeintlich druckfertigen) Resultat.

Daneben, vielleicht auch verstärkend oder ergänzend, wirkt der Widerspruch zwischen zeitaufwendigen Aneignungsprozessen und Kompetenzerwerb und leicht erreichbaren und auf den ersten Blick erfolgreichen Alternativen: Studierende am Beginn ihres Studiums kämpfen meistens mit ihrer ersten Hausarbeit. Dabei kommt es hier nicht auf sprachliche Schönheit an, auch nicht auf die grundumstürzenden neuen Gedanken, die das ganze Feld revolutionieren. Sondern es geht um die mühselige Einarbeitung in eine Form geistiger und eben auch handwerklicher Tätigkeit. Dem gegenüber steht ein gedankenloser, aber formell oft adäquater Text der KI. Wird für das eine vielleicht 80 oder 100 Stunden konzentrierte Arbeit gebraucht, dauert das andere vielleicht 10 Stunden.

Als drittes und sich hiermit verbindendes Element gibt es ein weit verbreitetes Misstrauen gegen die eigenen kognitiven Kompetenzen und ein Unwohlsein in Bezug auf Fehlerkultur, Redundanzen des Lernprozesses sowie die Bereitschaft, eigene Gedanken zu äußern und so möglicher Kritik auszusetzen. KI bedient hier das Bedürfnis der Versicherung, dass eigene Positionen soziale Anerkennung sichern. Das ist als Lehrender ganz besonders traurig stimmend: Weil die eigenen Gedanken noch unfertig sind und auch noch nicht in "schönen Worten" dargelegt werden können, die KI aber im Gestus der Selbstverständlichkeit und in wohlklingender Sprache auftritt, wird ihr häufig mehr zugetraut als sich selbst. Selbst dann, wenn die KI den gröbsten Unfug zusammenhalluziniert. Hier wirken negative Selbstwirksamkeitserfahrungen negativ auf die Entwicklung von (einigen) Studierenden.

Möglichkeiten hochschulischer Lehre

Unter Annahme der Transferierbarkeit der geschilderten Lehrerfahrungen und Spekulationen über die Motive von Studierenden stellt sich wie so oft bei zivilisatorischen Umbrüchen auch hier die Frage: "Was tun?" Wie KI von Studierenden konkret für Prüfungsleistungen genutzt werden kann, lässt sich gut bei Lang (2025) nachlesen.8 Doch anknüpfend an die hier vorgestellten Überlegungen, braucht es Ergänzungen und Eingrenzungen, um den (Selbst-)Bildungsaspekt zu stärken.

Die angedeuteten Strukturreformen, die nötig wären, um minutiös durchgetaktete Bildungseinheiten zu Räumen des Nachdenkens zu (re-)transformieren, sind - Stand heute - eher Utopie als Gegenstand von policy setting. Hinzu tritt, dass die Durchgesetztheit der KI-Nutzung unter Studierenden mit dem Primat "Abschluss machen!" kaum rückgängig zu machen ist, zu widersprüchlich sind die Anforderungen an Studierende in den formalisierten Bildungsprozessen. Auch das Abwarten, ob sich KI mangels Rentabilität und immer größeren Verwertungsanforderungen durch Kreditierung als kurzlebig erweist, ist keine hinreichende Perspektive, ihre Nutzung stellt jetzt Herausforderungen an Lehrende und wird es absehbar noch Jahre tun.

Erforderlich ist fürs Erste also eine integrierende Auseinandersetzung mit KI in Lehre und Prüfung. Zum einen scheint es geboten, dass Studierende die Funktionsweise ihres stochastischen Token-Generators verstehen und so zumindest mit den Themen Bias, Ungenauigkeit und Argumentfreiheit in Berührung kommen. Dabei zeigt sich in der Praxis, dass die Erfahrbarmachung dieser "Limitationen" gerade bei persönlichkeitsnahen Interessen verfängt. Hier sind Studierende bei ihren Hobbies Expert:innen und können in dialogischen Formaten experimentieren, inwieweit die KI korrekt arbeitet und wo Halluzinationen den Sinn aktiv verändern. Beide Momente zusammen lassen sich dann auf Bildungsinhalte übertragen und eröffnen Studierenden eine kritische Perspektive auf einen vorbehaltslosen KI-Umgang.

Der zweite Aspekt greift auf, was in den Beispielprompts oben bereits gezeigt wurde: Die berechnete Antwort der KI kann nur so gut sein wie die Frage. Dies stellt aber gerade zu Beginn der Auseinandersetzung mit einem Thema eine zentrale Herausforderung dar. Zu lernen, wie sinnvolles Prompten - insbesondere das context-engineering - funktioniert, dass die konstante Rückkopplung der Antworten mit der Realität erforderlich ist und ein dialogisches Format die kontextualen "Leitplanken" der KI thematisch erst schärft, sind hierbei essentiell.

Ein Beispiel, wie die Autor:innen mit der dem Role, Input, Context, Constraint, Evaluation / Example Framework (R.I.C.C.E.)9 arbeiten:

<role> Du bist ein:e Professor:in für Kindheitspädagogik mit einem Forschungsschwerpunkt [Themenbereich des Referates]. Du hast selbst 10 Jahre Berufserfahrung, unterrichtest im Bachelor-Studiengang Kindheitspädagogik das sechste Semester. </role>

<instruction> Ich bin ein:e Student:in im sechsten Semester Kindheitspädagogik und werde ein Referat zum Thema [Thema einfügen] halten. Du erarbeitest dir mit mir das Thema und unterstützt mich dabei, mein Thema zu finden, zu gliedern und leitest mich an, meine Ideen, Interessen und Wünsche auszudrücken. Dabei gehst vorrangig fragend vor, damit ich Ideen formulieren kann. </instruction>

<context> Das Referat findet in dem Modul [Modulname] statt und ich hatte im Studiengang schon folgende relevanten Module: [drei Module nennen, z. B. Pädagogik, Entwicklung und Sozialisation…]. Das Referat soll 15 Minuten lang sein und mit einer Diskussion enden. </context>

<constraints> Gib mir keine Antworten oder Stichpunkte vor, leite mich ausschließlich zur Selbstreflexion an und vertiefe meine Ideen mit mir, solange sie sich sinnvoll auf das Thema beziehen. Korrigiere mich ansonsten begründet. </constraints>

<evaluation> Prüfe mit Zwischenfragen, ob ich die Einzelschritte nachvollzogen habe. Prüfe selbst, ob die Einzelschritte, die wir erarbeiten ein übliches methodisches Vorgehen darstellen </evaluation>

Und dieses Vorgehen ist vor allem eins: Ein eigener Aufwand. Es muss nach- und mitgedacht, Fragen der KI selbst beantwortet sowie das Feedback integriert oder abgelehnt werden. Das reduziert den oben erwähnten Effekt der Arbeitserleichterung ohne ihn zu nivellieren und unterstützt dabei den Bildungsprozess statt ihn zu ersetzen.

Hier knüpft logisch an, die i.d.R. in das Selbststudium ausgelagerten Schreiberfahrungen systematisch an die Lernräume rückzukoppeln. Kurzzusammenfassungen oder essayistische Abhandlungen zu schreiben und die Resultate gemeinsam mit den Peers zu diskutieren, die eigenen Gedanken idealerweise mit Kritik in Kontakt zu bringen, argumentativ zu verteidigen oder Einwände zu reflektieren und anzunehmen, schärft die eigene Beurteilung und wirkt somit kompetenzfördernd. KI kann hier insofern unterstützen, als dass sie nach der erfolgten Auseinandersetzung diskursiv in die Überarbeitungsprozesse eingebunden wird und hilft, sprachliche Verbesserung, deren Muster es aus dem wissenschaftlichen Duktus der Trainingsdaten kennt, auf die eigenen (!) Gedanken zu übertragen. Die vergleichende Analyse der Schriftfassungen bietet eine passgenauere Hilfe, eigene Gedanken "professioneller" ausdrücken zu lernen. Analog gilt dies auch für die Vorbereitung mündlicher Trainings, wobei hier der Fokus auf der diskursiven Auseinandersetzung liegen muss, etwa durch ein gezieltes Prompting, dass mittels sokratischer Fragen und verbindlicher Reflexionshilfen, ein iteratives Vorgehen ermöglicht.

Diese Ansätze sind vor allem als Beitrag zu einer Diskussion um die Integration von KI zu ermöglichen, ohne dabei das durch strukturelle Vorgaben bereits gebeutelte humanistische Bildungsideal weiter zu strapazieren. Das hat zudem den kleinen Nebeneffekt, dem Kulturpessimismus zumindest ein kleines Stück entgegentreten zu können.

Anmerkungen

1) Marc Hüsch, Nina Horstmann, Andreas Breiter 2025: DatenCHECK 6/2025: Künstliche Intelligenz im Studium - die Sicht von Studierenden im Wintersemester 2024/25, Gütersloh - veröffentlicht am 12. Juni 2025 auf https://hochschuldaten.che.de/kuenstliche-intelligenz-im-studium-die-sicht-von-studierenden-im-wintersemester-2024-25/ (abgerufen am 30.4.2026); A. Marczuk, F. Multrus, T. Hinz & S. Strauß 2025: Künstliche Intelligenz (KI) im Studienalltag: Einschätzungen von Studierenden zum Einsatz von KI an deutschen Hochschulen. (DZHW Brief 02/2025), Hannover, https://doi.org/10.34878 /2025.02.dzhw_brief.

2) Alle folgend benannten Formen und Schwierigkeiten wurden von Studierenden gezeigt und / oder berichtet, mehrfach durch die Autoren durchgeführt und so als problematisches Verfahren geprüft. Die nachstehend genutzten Prompts sind nicht gut und es wird die kostenfreie ChatGPT-Version genutzt. Darin aber stehen sie prototypisch für die durch uns anekdotisch erlebte studentische Nutzung von KI. Ein Anspruch auf Repräsentativität soll damit auf keinen Fall erhoben werden. Vielmehr wird aus der Praxis der hochschulischen Lehre in den Studiengängen Soziale Arbeit und Kindheitspädagogik berichtet.

3) Um es im Sinne einer Lesehilfe nur kurz anzudeuten: Im Absatz eins geben Satz eins und Satz drei in anderen Worten den gleichen Gedanken wieder; die zweite Hälfte von Satz zwei bräuchte es in diesem Kontext nicht, da dieser Inhalt nicht weiter aufgenommen wird. Das "wie" der Wirkmächtigkeit wird behauptet, aber nicht ausgeführt und wäre entscheidend in diesem Kontext. In Absatz zwei findet keine logische Anknüpfung an den Absatz eins statt. Dessen Thema - kulturelles Kapital - wird überhaupt nur in Form von nicht vorhandenen Bildungs- und Kulturangeboten thematisiert. Sozialräumlich wird hier außerdem eng an Armut geknüpft.

4) Anne Kruspe & Mia Stillmann 2024: "Saxony-Anhalt is the Worst: Bias Towards German Federal States in Large Language Models", in: German Conference on Artificial Intelligence, Basel, http://doi.org/10.1007/978-3-031-70893-0_12.

5) Myra Cheng, Lee Cinoo, Pranav Khadpe & Dan Jurafsky 2026: "Sycophantic AI decreases prosocial intentions and promotes dependence", in: Science (6792): 392, https://www.science.org/doi/10.1126/science.aec 8352.

6) Frederico Germani & Giovanni Spitale 2025: "Source framing triggers systematic bias in large language models", in: Science Advances, https://www.science.org/doi/10.1126/sciadv.adz2924.

7) Dass dies gleichzeitig einen schweren Verstoß gegen Grundsätze wissenschaftlicher Redlichkeit darstellt und im schlimmsten Fall zur Exmatrikulation führen kann, ist vielen Studierenden nicht bewusst.

8) Fabian Lang 2025: Künstliche Intelligenz in Seminar- und Abschlussarbeiten. Ein Praxisleitfaden für Studierende mit Handlungsempfehlungen, Prompt-Beispielen und kritischer Einordnung, Wiesbaden, https://doi. org/10.1007/978-3-662-71542-0.

9) Mike Allton 2024: Prompt Engineering Made Easy: The RICCE Framework for AI Content Writing, https://theaihat.com/prompt-engineering-made-easy-the-ricce-framework-for-ai-content-writing/.

Aljoscha Jegodtka ist Professor für Soziale Arbeit an der IU - Internationale Hochschule in Berlin und lehrt in den Studiengängen Soziale Arbeit und Kindheitspädagogik. Er forscht unter anderem zu Gruppenbezogener Menschenfeindlichkeit (GMF) in Profession und Disziplin Sozialer Arbeit und Kindheitspädagogik sowie zu Partizipation und Inklusion in pädagogischen Settings. 
Sebastian Bornemann ist Professor für Soziale Arbeit an der IU - Internationale Hochschule in Berlin und lehrt in den Studiengängen Soziale Arbeit und Kindheitspädagogik. Forschungsschwerpunkte sind soziale Ungleichheit und GMF.