MIT-Kurs „Hack Yourself“ lehrt Studierende, eigene Gewohnheiten zu testen

Ein Kurs auf Basis von Evidenz, nicht von maschinellem Lernen

Entwickelt wurde der Kurs von Ana Bell, Senior Lecturer am EECS, Carter Jernigan, Visiting Instructor an der ESG, und Paola Rebusco, Senior Lecturer an der ESG. Im Mittelpunkt stehen weder maschinelles Lernen noch Mikroprozessoren, Kryptografie oder Quantencomputing. Das Versprechen: Studierende können mit Werkzeugen der Informatik ein persönliches Toolkit aus mehr als 60 positiven Gewohnheiten zusammenstellen und so ihr Studium verbessern.

Der Kurs wird im Rahmen der Common Ground for computing and AI education angeboten, einer Initiative des MIT Schwarzman College of Computing. Sie führt mehrere Fachbereiche zusammen, um neue Kurse zu entwickeln, die Informatik mit anderen Disziplinen verbinden.

Die Dozierenden sagen, MIT-Studierende seien skeptisch, solange sie keine Belege sehen. Deshalb stützt sich der Kurs auf wissenschaftlich fundierte Ansätze. Wohlbefinden und Lernen behandeln sie fast wie Systemprobleme: aussagekräftige Daten erheben, eine große Frage in handhabbare Teile zerlegen, eine Intervention testen und das Ergebnis auswerten.

Von Umfragen bis zur Pre-Mortem-Analyse

Die Ziele lassen sich in zwei Gruppen einteilen: persönliche Interventionen, die Studierende in ihrem eigenen Leben anwenden können, und analytische Fähigkeiten, mit denen sich prüfen lässt, ob diese Gewohnheiten wirken. Bell nennt den Kurs „eine Einführung in die Data-Science-Pipeline und in evidenzbasiertes Denken“. Die Studierenden lernen, Umfragen zu gestalten, Interviews zu führen und über Verzerrungen und Messung nachzudenken.

Die Projekte der Studierenden sind vielfältig. Jernigan zufolge geht es häufig darum, die Smartphone-Nutzung zu verringern oder regelmäßiger zu schlafen, während sich Studierende höherer Semester eher mit Arbeitsgewohnheiten, Produktivität und dem Übergang ins Berufsleben befassen. Auch Beziehungen, sportliche Leistung, Musik und Motivation wurden untersucht. Die Studierenden entwickeln Hypothesen und einen Analyseplan, führen aber keine groß angelegten Studien durch.

Viele Aufgaben drehen sich um Teamarbeit. Eine kleine Intervention ersetzt den üblichen Smalltalk durch eine Aufforderung wie „Erzähl mir etwas Gutes, das gerade in deinem Leben passiert.“ Eine andere ist die Pre-Mortem-Analyse: Eine Gruppe stellt sich vor, ein Projekt sei bereits gescheitert, listet auf, was schiefgelaufen sein könnte, und arbeitet rückwärts, um das zu verhindern. Auch die Leseaufgaben sind kollaborativ und laufen über die gemeinsame Annotations-App Perusall.

Laut Jernigan hat sich keine einzelne Intervention als universell beste herausgestellt; die Antworten der Studierenden auf die Frage nach den wirkungsvollsten Strategien gingen weit auseinander.

Intention Cards und Erfahrungen der Studierenden

Eine Besonderheit sind die „Intention Cards“: professionell gedruckte Sammelkarten im Spielkartenformat. Jede fasst eine wissenschaftlich fundierte Gewohnheit in wenigen Worten und einem KI-generierten Bild zusammen. Die Studierenden verdienen sich jede Woche einige davon und haben am Ende des Semesters mehr als 60 in einem Heft gesammelt.

Rebusco zufolge ordnen die Studierenden die Karten neu, schauen sich alte noch einmal an, wenn neue hinzukommen, und tragen die Hefte mit sich herum. So wenden sie nach ihren Worten Spaced Repetition und aktives Abrufen an, „dieselben Lernprinzipien, die wir im Kurs besprechen“. Die Dozierenden sagen, die Karten adressierten ein grundlegendes Problem erfahrungsbasierter Kurse: Wissen allein verändere in der Regel kein Verhalten.

Sarah Hopp, Studentin im dritten Jahr und im Hauptfach 6-3 (Computer Science and Engineering), sagt, die Karten dienten zugleich als Gedächtnisstütze und als Andenken. Ihre Lieblingsaufgabe, ursprünglich 2001 von Laura King entwickelt, bestand darin, sich 20 Minuten lang ihr „bestmögliches zukünftiges Ich“ vorzustellen und diesem anschließend einen Brief zu schreiben.

Student Amitoj Singh, ebenfalls im Hauptfach 6-3, wandte eine Lektion über den Flow-Zustand an und plante längere, zusammenhängende Zeitblöcke für seine Ziele ein. Derzeit beschäftigt er sich mit „Satisficing“, also damit, zu erkennen, wann ein Ergebnis gut genug ist.

KI-Werkzeuge kritisch bewerten

Der Kurs behandelt auch große Sprachmodelle, wobei es darum geht, die Qualität sowohl des Prompts als auch der Antwort zu beurteilen. Die Studierenden dürfen generative KI nutzen, um Ideen zu erkunden oder Daten zu analysieren, müssen den Prozess aber reflektieren und die Ergebnisse kritisch hinterfragen. Bell sagt, die dauerhafte Fähigkeit sei nicht „der souveräne Umgang mit heutiger KI“, sondern zu wissen, wie sich jedes künftige Werkzeug bewerten lässt.

Die Dozierenden hoffen, dass die Studierenden den Kurs mit der Fähigkeit verlassen, bessere Fragen zu stellen, eine Kompetenz fürs ganze Leben. Sie betonen, sie hätten bewusst vermieden, daraus einen weiteren Kurs über maschinelles Lernen zu machen.