Bericht zeigt, wie Hochschulen fundierte KI-Studiengänge über Fächergrenzen hinweg aufbauen können

Zwei Modelle, um KI mit anderen Fächern zu verbinden

Der Bericht entstand in Workshops, an denen 30 Teilnehmende aus 29 Institutionen mitwirkten. Zu den Autorinnen und Autoren zählen Emmanuel S. Peters (AI4ALL), Douglas Fisher (Vanderbilt University), Leen-Kiat Soh (University of Nebraska-Lincoln) und Rebecca Allen (Mount St. Joseph University) sowie Sri Yash Tadimalla und Noah Cowit von der Computing Research Association.

Ausgangspunkt ist die Unterscheidung zwischen zwei Modellen. Ein interdisziplinäres KI-Programm stellt KI-Expertise in den Mittelpunkt und bezieht Wissen, Konzepte und Methoden aus einem anderen Bereich ein. Ein KI-erweitertes Fachprogramm geht den umgekehrten Weg: Es stellt die Expertise in einem Nicht-KI-Fach in den Mittelpunkt und integriert KI-Kompetenz, Werkzeuge und Methoden in diese Disziplin. Laut Bericht kann diese Wahl alles prägen, von den Studienanforderungen bis zu den Problemen, die Studierende lösen lernen.

Unabhängig vom Modell nennt der Bericht gemeinsame Grundlagen. Hochschulen könnten einen technischen KI-Grundlagenkurs entwickeln, der auch soziotechnische Inhalte umfasst, dazu einen Kurs zur KI-Kompetenz mit Schwerpunkt auf verantwortungsvoller Nutzung. Zudem sollten Studierende KI als soziotechnisches System kennenlernen, einschließlich Datenschutz, Verzerrungen (Bias), Verantwortlichkeit, Umweltauswirkungen und weiterer ethischer, beruflicher und gesellschaftlicher Fragen. Diese Themen könnten in einem eigenen Kurs behandelt oder über das gesamte Curriculum verteilt werden.

Identität, Abschlussprojekte und Curriculum-Gestaltung

Der Bericht beleuchtet außerdem, wie Studierende ihren Platz in ihrem Fach verstehen. Lehrende müssten Studierenden helfen, nicht nur zu überlegen, wie sie KI-Werkzeuge einsetzen, sondern auch, wie KI das Wesen fachlicher Expertise, berufliches Urteilsvermögen und ihr Zugehörigkeitsgefühl verändert. Soh, Professor an der University of Nebraska-Lincoln, sagte: „Es geht nicht nur darum, was KI Studierenden ermöglicht, sondern darum, wie sie verändert, wie sie sich selbst als Lernende und künftige Fachkräfte begreifen.“

Die Empfehlungen reichen über Lehrveranstaltungen hinaus. Dazu gehören:

• interdisziplinäre Abschlussprojekte (Senior Capstones) mit realen Anwendungen
• Forschung im Bachelorstudium
• Praktika und Co-op-Programme
• ein interdisziplinäres KI-Nebenfach (Minor), offen für Studierende mit und ohne Informatikbezug

Bei der Curriculum-Gestaltung empfiehlt der Bericht, gemeinsame Anforderungen zu suchen, die die Erwartungen sowohl der KI als auch des Partnerfachs erfüllen. Das würde Redundanzen verringern und die Kapazitäten im Curriculum erhöhen. Hochschulen könnten außerdem Brückenkurse erwägen, die KI-Studierende in ein anderes Fach einführen, oder modulare „KI-Labore“ mit einem Leistungspunkt, in denen KI-Methoden praktisch in anderen Kursen angewendet werden. Angewandte Kurse sollten auf authentische Probleme, Daten und Praktiken des Partnerfachs zurückgreifen, und Studierende sollten lernen, über Fächergrenzen hinweg zu kommunizieren.

Strukturen, die die Zusammenarbeit der Lehrenden fördern

Kurse allein schaffen laut Bericht noch keine wirklich interdisziplinären Programme. Er fordert Hochschulen auf, sowohl administrative als auch akademische Fürsprecher für KI-Bildung zu benennen, ein gemeinsames Verständnis von KI-Kompetenz und KI-Souveränität (AI fluency) zu entwickeln und Kulturen aufzubauen, die die Zusammenarbeit zwischen KI-bezogenen und anderen Studiengängen unterstützen. Als mögliche Strukturen nennt er Team-Teaching, abteilungsübergreifende Stellen, Anschubfinanzierungen, Anreize für Lehrende, Vereinbarungen zur Erlösbeteiligung und hochschulweite Praxisgemeinschaften.

Roderick Lee von der Pennsylvania State University sagte, interdisziplinäre KI-Ausbildung dürfe „nicht darauf beruhen, dass einzelne Lehrende informell Partner in anderen Fachbereichen finden und die Arbeit zusätzlich zu ihren bestehenden Aufgaben übernehmen“. Hochschulen müssten Zeit, Anreize, Ressourcen und administrative Unterstützung bereitstellen.

Enrico Pontelli, Dekan des College of Arts and Sciences an der New Mexico State University, sagte, eine solche Ausbildung „sollte eine echte Partnerschaft sein“, bei der Lehrende beider Bereiche eine substanzielle Rolle bei der Gestaltung des Curriculums spielen.

Was das für Hochschulleitungen bedeutet

Die zentrale Botschaft an Hochschulleitungen fasst die Computing Research Association so zusammen: Die Ausweitung der KI-Ausbildung über Fächergrenzen hinweg lasse sich nicht darauf reduzieren, bestehenden Kursen KI-Inhalte hinzuzufügen. Sie erfordere Entscheidungen über das Curriculum, die Zusammenarbeit der Lehrenden, institutionelle Strukturen und darüber, was Studierende an der Schnittstelle von KI und einem anderen Fach können sollten.

Ziel sei es laut Artikel, Studierende darauf vorzubereiten, KI zu verstehen, zu bewerten, verantwortungsvoll anzuwenden und mit dem Wissen und den Praktiken ihrer eigenen Fächer zu verknüpfen. Der Bericht ist einer von sieben Empfehlungsberichten aus den Workshops von NSF LEVEL UP AI. NSF LEVEL UP AI ist eine gemeinsame Initiative von ACM, CRA, IEEE-CS, AAAI und weiteren Partnerorganisationen, gefördert von der US-amerikanischen National Science Foundation unter der Grant-Nr. CNS-2434416.