Wie Studierende Claude nutzen

• Anthropic hat 1 Million anonymer Gesprächsdaten aus Claude.ai analysiert, um zu untersuchen, wie Studierende KI in realen Bildungsszenarien tatsächlich einsetzen
• Dies ist die erste groß angelegte Analyse realer Nutzung, die die Grenzen bisheriger umfrage- oder experimentbasierter Forschung ergänzt

Zusammenfassung der wichtigsten Erkenntnisse

• Studierende aus dem MINT-Bereich setzen Claude am aktivsten ein, insbesondere entfiel auf das Fach Computer Science 36,8 % aller Gespräche (obwohl sein Anteil an US-Abschlüssen nur 5,4 % beträgt)
• Die Art der KI-Nutzung durch Studierende lässt sich in vier Typen einteilen: direkte Problemlösung, direkte Output-Erzeugung, kollaborative Problemlösung, kollaborative Output-Erzeugung
• Die meisten Studierenden nutzen Claude für höherwertige kognitive Funktionen wie 'Creating' und 'Analyzing'
• Diese entsprechen den oberen Stufen von Blooms Taxonomie der Lernziele und werfen die Sorge auf, dass die Abhängigkeit von KI das kritische Denken schwächen könnte

Wie die Nutzung von KI im Bildungsbereich identifiziert wurde

• Mit einem internen Analysetool namens Clio wurden Claude-Gespräche thematisch klassifiziert, von personenbezogenen Daten bereinigt und anschließend aggregiert
• Von 1 Million Gesprächen wurden 574.740 als direkt mit Studium oder Forschung verbunden identifiziert
• Clio klassifizierte die Daten automatisch in übergeordnete Kategorien wie „Code-Debugging“ oder „Erklärung wirtschaftlicher Konzepte“

Wofür Studierende Claude verwenden

• 39,3 % aller Gespräche wurden zur Erstellung und Verbesserung von Bildungsinhalten genutzt (z. B. Erstellen von Übungsaufgaben, Bearbeiten von Essays, Zusammenfassungen usw.)
• 33,5 % dienten der Bearbeitung von Aufgaben und technischen Erklärungen (z. B. Code-Debugging, Implementierung von Algorithmen, Lösen von Mathematikaufgaben usw.)
• Weitere Nutzungszwecke:
  • Datenanalyse und Visualisierung: 11,0 %
  • Forschungsdesign und Tool-Entwicklung: 6,5 %
  • Erstellung technischer Diagramme: 3,2 %
  • Sprachübersetzung und Korrektur: 2,4 %

Vergleich der Claude-Nutzung nach Fachbereichen

• Überproportional vertretene Fächer:
  • Computer Science: Anteil an Abschlüssen 5,4 % → Anteil an Gesprächen 38,6 %
  • Naturwissenschaften und Mathematik: Anteil an Abschlüssen 9,2 % → Anteil an Gesprächen 15,2 %
• Unterrepräsentierte Fächer:
  • Business: 18,6 % → 8,9 %
  • Health Professions: 13,1 % → 5,5 %
  • Humanities: 12,5 % → 6,4 %
• Studierende in MINT-Fächern übernehmen Claude besonders schnell

Analyse der Interaktionstypen zwischen Studierenden und KI

• Anhand von zwei Achsen wurden vier Interaktionstypen definiert:
  • direkt vs. kollaborativ (schnell eine Antwort erhalten vs. dialogische Zusammenarbeit mit der KI)
  • Problemlösung vs. Output-Erzeugung (Lösungen auf Fragen vs. Erzeugung von Outputs wie Essays)
• Die vier Typen machten jeweils 23–29 % aller Gespräche aus und waren damit relativ gleichmäßig verteilt
• Positive Lernbeispiele:
  • Erklärung philosophischer Konzepte
  • Erstellung von Chemie-Lehrmaterialien
  • Erklärung von Konzepten der Muskelanatomie

Potenzial für Betrug mithilfe von KI

• Etwa 47 % der Gespräche waren direkte Interaktionen, bei denen ein Missbrauchspotenzial besteht
  • Beispiele: Anforderung der richtigen Antwort auf eine Machine-Learning-Aufgabe, Anforderung von Antworten auf Prüfungsfragen, Umformulierung zur Vermeidung von Plagiaten
• Auch kollaborative Gespräche können nur einen geringen Lernbeitrag leisten
  • Beispiel: Bitte um Lösung einer Statistik-Hausaufgabe

Interaktionsmuster nach Fachbereichen

• Naturwissenschaften und Mathematik: stärker auf Problemlösung ausgerichtet (z. B. Bitte um schrittweise Lösung)
• Computer Engineering, Engineering, Naturwissenschaften: bevorzugen kollaborative Interaktionen
• Humanities, Business, Gesundheitsfächer: ausgewogen zwischen direkten und kollaborativen Interaktionen
• Lehramts-/Pädagogikfächer: höchster Anteil an Output-Erzeugung (74,4 %)
  • Einschließlich Fällen, in denen Lehrkräfte Claude zum Erstellen von Unterrichtsmaterialien und Stundenplänen verwenden

Analyse der kognitiven Aufgaben, die Studierende an KI delegieren

• Analyse der von Claude übernommenen kognitiven Funktionen auf Basis von Bloom’s Taxonomy
  • Anteil höherwertiger kognitiver Aufgaben:
    • Creating: 39,8 %
    • Analyzing: 30,2 %
  • Anteil niedrigerer kognitiver Aufgaben:
    • Applying: 10,9 %
    • Understanding: 10,0 %
    • Remembering: 1,8 %
• Dass generative KI höherwertige Denkaufgaben übernehmen kann, ist bildungspolitisch bedeutsam, könnte aber auch zu einem Kompetenzverlust bei Lernenden führen

Grenzen der Studie

• Die Daten könnten stark von Early Adopters geprägt sein
• Die Nutzung anderer KI-Systeme neben Claude wird nicht abgebildet
• Ein Teil der Daten könnte von Lehrenden oder Mitarbeitenden stammen
• Unterschiede in der Nutzung je nach Zeitpunkt im Semester werden nicht berücksichtigt
• Es wurde nicht analysiert, ob die KI-Ausgaben tatsächlich zu besseren Lernergebnissen beitragen
• Interdisziplinäre Nutzung zwischen Fächern wurde nicht gesondert klassifiziert
• Die Anwendung von Blooms Taxonomie auf KI hat methodische Grenzen

Fazit und nächste Aufgaben

• KI bietet große Chancen für das Lernen, bringt aber auch erhebliche Herausforderungen für kritisches Denken und Lernethik mit sich
• Zentrale Fragen:
  • Wie können Studierende im KI-Zeitalter grundlegende kognitive Fähigkeiten aufbauen und erhalten?
  • Wie sollten Prüfungen und Bewertungsmaßstäbe neu definiert werden?
  • Was bedeutet Lernen überhaupt in einer Zeit, in der KI Essays schreiben und komplexe Probleme lösen kann?
• Claude wird bereits als sinnvolles Lernwerkzeug im Bildungsbereich eingesetzt, und die Zusammenarbeit mit Lehrenden soll weiter ausgebaut werden

Anthropics Bildungsansatz

• In Zusammenarbeit mit Hochschulen untersucht Anthropic fortlaufend die Bildungsrolle von KI
• Es wird mit einem 'Learning Mode' experimentiert, der eher auf Konzeptverständnis als auf direkte Antworten setzt
• Künftig soll vertieft erforscht werden, welche Auswirkungen KI auf das Lernen hat

[GN⁺]

Hacker-News-Kommentare

• Es wird oft gefragt, in welchem Ausmaß Studierende mit AI schummeln. Das ist schwer zu beantworten, weil der pädagogische Kontext, in dem Claudes Antworten verwendet werden, unbekannt ist.
  • Es wurde ein populäres Produkt entwickelt, das Lehrkräften helfen soll, dieses Problem anzugehen.
  • Sich auf AI zu verlassen, ist äußerst verlockend. Es gibt Erinnerungen daran, wie schwierig es war, komplexe Datenstrukturen zu implementieren.
  • Mit AI kann man Code kopieren/einfügen und Probleme lösen. Das ist erstaunlich, kann aber dem Lernprozess schaden.
  • Es wirkt so, als habe Anthropic einen Anreiz, die Nutzung von LLMs durch Studierende zum Verfassen von Aufgaben zu minimieren.
  • Studierende verwenden Claude häufig, um technische Erklärungen oder Lösungen zu erhalten.
  • „Essay schreiben“ kann als Lösung für eine Studienaufgabe betrachtet werden.
  • Wahrscheinlich erledigen Studierende das Abschließen von Aufgaben mit LLMs über separate Accounts.
• Studierende verwenden AI-Systeme hauptsächlich, um Neues zu lernen.
  • Das ist eine Möglichkeit, das Wort „Schummeln“ zu vermeiden und Kreativität positiv darzustellen.
  • Es ist wichtig sicherzustellen, dass Studierende AI-Systemen keine wesentlichen kognitiven Aufgaben übertragen.
  • Fast die Hälfte der Gespräche zwischen Studierenden und AI dient dazu, direkte Antworten zu finden.
  • Beispiele sind Antworten auf Machine-Learning-Probleme oder direkte Antworten auf Fragen in Englischprüfungen.
  • Diese Probleme verletzen nicht unbedingt die Grundsätze der Bildung, könnten aber das Lernen behindern.
  • Schon vor 50 Jahren gab es ähnliche Debatten, als Taschenrechner eine vergleichbare Rolle wie AI spielten.
• Es gibt den Verdacht, dass dieser Artikel ein PR-Stück ist, um eine strenge Kontrolle der LLM-Nutzung zu vermeiden.
  • Neben Schummeln gibt es auch akademische Fächer, die kontinuierliche Lernsitzungen erfordern.
  • Wenn Studierende darum bitten, „die Arbeit zu zeigen und zu erklären“, könnte das ein Beleg für Schummeln sein.
  • Wenn Studierende Aufgaben an LLMs delegieren, kann das zu schwerwiegenden Kompetenzproblemen führen.
  • Auch beim Selbststudium gibt es die Versuchung, nach Lösungen zu suchen.
  • Anthropic muss anerkennen, dass Lösungen für jeden Text sofort und kostenlos verfügbar sind.
  • Das macht eine grundlegende Veränderung der Lehrmethoden notwendig.
  • Auch in Bereichen wie Musik könnte AI genutzt werden, um Lernen zu umgehen.
  • In der aktuellen „Übergangsphase“ gibt es außerdem Probleme mit Benotung nach Kurve.
  • Bei faulen Professoren oder solchen, die keine neuen Bewertungsmethoden übernehmen, haben ehrliche Studierende keinen Anreiz, auf die schwierige Weise zu lernen.
• Es gibt die Meinung, dass Schreiben nicht unwichtig ist.
  • Schreiben steht für Denken, und wenn das Denken ausgeschlossen wird, kann das Probleme verursachen.
  • Wenn Studierende nicht durch eigenes Denken schreiben lernen, kann das negative Folgen haben.
  • Es besteht der Wunsch, dass mehr Menschen Schreiben in einer Weise betrachten, die das Denken betont.
  • Es werden Werkzeuge entwickelt, die nachweisen sollen, dass Studierende und Autoren Texte auf traditionelle Weise verfasst haben.
• Es gibt die Frage, wie man als Studierender verhindern kann, dass Sprachmodelle das Lernen behindern.
  • Claude wird häufig genutzt, indem Folien hochgeladen und Fragen dazu gestellt werden.
  • Es finden viele Gespräche mit Claude statt, um Probleme zu lösen.
  • In Machine-Learning-Kursen ist Schummeln ein großes Problem.
  • Manche Studierende nutzen LLMs in Quizzen, um Antworten zu finden.
  • Claude wurde genutzt, um Fehler in Aufgaben zu prüfen, aber es gibt Zweifel, ob man nicht mehr gelernt hätte, wenn man sie selbst gelöst hätte.
• Es wird angenommen, dass viele Studierende Claude als Ersatz für den Aufbau grundlegender Fähigkeiten verwenden.
  • Gespräche mit Claude scheinen meist darauf hinauszulaufen, dass Studierende Hilfe beim Lösen von Problemen bekommen.
• Es gibt keine Möglichkeit zu verhindern, dass Studierende mehrere AI-Modelle verwenden, deren Antworten mischen und dies bei Lehrkräften einreichen.
• Trotz der materiellen Nachteile von Bildung im AI-Zeitalter gibt es Neid auf Studierende, die Zugang zu solchen Systemen haben.
  • Es gab Erfahrungen mit einigen Professoren, denen es gleichgültig war, ob Studierende das Material wirklich verstanden.
  • Man hätte sich die Möglichkeit gewünscht, moderne LLMs zu nutzen, um sich Konzepte auf andere Weise erklären zu lassen.