In den letzten Monaten ist es immer einfacher geworden, Zugang zu Programmen erhalten, die automatisiert Texte schreiben. Das führt zur grundsätzlichen Frage, wie ein didaktisch sinnvoller Umgang mit dieser Technologie im Schreibunterricht aussieht. Der folgende Text ist eine Einführung ins Thema und gibt auf verschiedenen Ebenen der Schreibdidaktik Möglichkeiten zur Einordnung von KI-Programmen. Der Beitrag wird laufend überarbeitet und erweitert.
Was sind und was können KI-Schreibprogramme?
Grundsätzlich handelt es sich um Algorithmen, die Textmuster imitieren. Übers Internet können sie auf eine enorme Menge von Texten zugreifen und so abgleichen, ob der Text, den sie produzieren, den wesentlichen Merkmalen von Vergleichstexten entspricht. Die Programme folgen nicht einem festgelegten Ablauf (niemand hat einprogrammiert, wie sie schreiben), sondern sie lernen beim Schreiben besser zu schreiben. Deshalb spricht man in ihrem Zusammenhang von »künstlicher Intelligenz«, weil sie Muster imitieren und dabei dieses Verfahren gleichzeitig optimieren.
Wir können uns exemplarisch an GPT-3 und an DeepL orientieren – andere und künftige Programme werden ähnlichen Prinzipien folgen. Beide Tools haben eine sehr einfache Oberfläche. Bei GPT-3 erscheint ein leeres Fenster, in das ich eine Anweisung in einer beliebigen Sprache schreibe. Diese Anweisung interpretiert GPT-3, indem es einen Text verfasst:
DeepL bietet zwei Fenster an: Ins eine schreibe (oder kopiere) ich einen Text, der dann in eine Zielsprache übersetzt wird.
Die Qualität der Texte ist grundsätzlich hoch. Für nicht-persönliche Alltagstexte funktionieren die Programme schnell und zuverlässig. Zudem lernen sie laufend dazu: Je mehr sie benutzt werden und je mehr Texte digital abrufbar sind, desto stärker werden die Tools.
Wir können also zusammenfassen: KI-Schreibprogramme können standardisierte Schreibaufgaben automatisiert bearbeiten und für den Alltag brauchbare Texte generieren.
Schwächen von KI-Schreibprogrammen
Gleichwohl haben die Algorithmen Beschränkungen:
- Die Programme verfügen über kein außersprachliches Kontextwissen. Sie wissen nicht, wie ich in der Regel schreibe, wo ich wohne, wen ich kenne etc.
- Kohärenz und Einheitlichkeit sind bei längeren Texten oft nicht gewährleistet.
- Umgang mit Fachbegriffen zuweilen unsauber, sowohl DeepL als auch GPT-3 schreiben mit Standard-Einstellungen keine brauchbare Fachsprache.
- Bei mehrdeutigen Wendungen muss sich das Programm für eine Version entscheiden, die zuweilen falsch ist.
(Eine genauere Diskussion der Funktionsweise von GPT-3 findet sich in diesem Aufsatz.)
Was bedeutet das für Lernende und Schreibkompetenz?
Wenn nun eine Alltags- oder Unterrichtsaufgabe darin besteht, einen Text zu verfassen oder zu übersetzen, dann können Lernende grundsätzlich auf diese Tools zurückgreifen. Ob sie das getan haben oder nicht, lässt sich kaum überprüfen (GPT-3 liefert immer wieder neue Texte zu denselben Inputs, DeepL-Übersetzungen verändern sich von Tag zu Tag).
Die Tools werden wie eine Stahlfeder, ein Radiergummi oder ein Textverarbeitungsprogramm selbstverständlicher Bestandteil von Schreibprozessen werden. Wer kompetent schreibt, nutzt sie. Schreiben ist und war nie technologiefrei, sondern ist ein Prozess, der verfügbare Technologie einbezieht.
Das Ende der Aufsatz- und Übersetzungsdidaktik
Fachdidaktisch sind Aufsätze zu kontextlosen Fragestellungen (»Was ist Mut?«) und Übersetzungen seit Jahrzehnten überholt. Deshalb ist es keine grundsätzliche Katastrophe für den Sprachunterricht, dass diese Algorithmen nun in dieser Qualität offen verfügbar sind. Etwas polemisch könnte man festhalten, dass Algorithmen nur Schreibaufgaben unterminieren, die an sich schon problematisch sind. Die Möglichkeit, im oder außerhalb des Unterrichts auf Programme GPT-3 zugreifen zu können, beendet nun faktisch die Arbeit mit klassischen Aufsatzthemen.
Orientiert man sich aber an prozessorientierten Kompetenzmodellen des Schreibens (mehr dazu unten), dann sind GPT-3 und DeepL nichts als Werkzeuge, die Schreibaufgaben erleichtern können.
Da im Unterrichtsalltag oft auch an Teilkompetenzen im Fokus stehen, kann es sinnvoll sein, kurze Texte schreiben und übersetzen zu lassen. Die Versuchung, hier mit Tools Abkürzungen zu nehmen, ist bei Schüler*innen sicher vorhanden. Damit sabotieren sie ihre eigenen Lernprozesse genauso, wie wenn sie bei Nachbar*innen abschreiben, bei den Lösungen nachsehen, die Aufgabe von der älteren Schwester erledigen lassen etc. Die Lösung ist hier nicht Überwachung oder Bestrafung, sondern die Etablierung einer konstruktiven Lernkultur.
Unterrichts- und Lernkultur
Grundsätzlich ist davon auszugehen, dass einige Schüler*innen diese neueren Tools genauso nutzen werden, wie sie Texte aus dem Internet kopiert und abgeschrieben haben. Damit zeigt sich, dass ein offener, vertrauensvoller und auch kritischer Umgang mit Technologie in einem guten Unterricht zentral ist.
Das bedingt eine Unterrichtskultur, in der Schüler*innen lernen wollen und lernen können. Werden sie mit Aufgaben unter Druck gesetzt, beginnen sie eher heimlich einen Text von GPT-3 schreiben lassen, als wenn sie verstehen, wie sie ihre Schreibkompetenz entwickeln können. Stehen Noten im Vordergrund der Schule, dann werden Schüler*innen versuchen, mit unbekannten oder auch verbotenen Tools bessere Bewertungen zu erhalten.
KI-Tools als Teil des Schreibprozesses
Guter Schreibunterricht orientiert sich an (materialgestützten) Prozessen: Eine Schreibaufgabe wird geplant, orientiert sich an geeigneten Materialien (Notizen, Fachtexten, Vorlagen etc.), entworfen, überarbeitet, mit Feedback versehen, reflektiert etc. KI-Programme bedeuten nun eigentlich nur, dass ein neuer Prozess hinzukommt. Oder mehrere Prozesse.
Betrachtet man das oben abgebildete Modell, so wird deutlich, dass ein Tool wie GPT-3 auf verschiedenen Ebenen eine Rolle spielt:
- Medium: Wird mit einem Computer geschrieben, so stellt das hohe Anforderungen an das Wissen, wie entsprechende Programme funktionieren. Algorithmen werden zunehmend in Textverarbeitungsprogramme integriert, so dass Word oder GoogleDocs Funktionen enthalten, die mit algorithmischer Sprachproduktion zusammenhängen.
- Prüfverfahren: Schreibende müssen nicht eigene Formulierungen prüfen, sondern maschinell generierte – semantisch, syntaktisch und textbezogen.
- Kombination von Texten: Von KI-Tools generierte Texte müssen mit Textvorlagen und eigenen Textteilen kombiniert werden. Dabei müssen Orthografie und Lexik vereinheitlicht werden, Bezüge hergestellt werden etc.
(Interessant ist hier dieses Beispiel für eine Facharbeit, die mit GPT-3 verfasst wurde.) - Kombination von automatisierten und nicht-automatisierten Prozessen: KI-Tools können für verschiedene Schreibaufgaben eingesetzt werden. Beispielsweise kann die Ideenfindung für einen Text über nicht-maschinelles Brainstorming erfolgen, über einen Austausch in einem Gespräch mit anderen Personen oder durch einen ersten Durchgang mit GPT-3. Dasselbe gilt für die Überarbeitung von Texten. (DeepL kann z.B. alle Kommafehler entfernen.)
- Metakognition: All diese Verwendungskontexte führen zu umfangreichen Reflexionen darüber, wie Schreiben funktioniert, wie es der schreibenden Person leicht fällt, wie wirksame Passagen entstehen. Die Verwendung von KI-Tools dürfte wie die Wahl von Schreibinstrumenten etc. höchst subjektiven Bedingungen unterworfen sein. Zu verstehen, wie automatisierbare und subjektiv bedeutsame Prozesse verbunden sind, ist eine komplexe Aufgabe für die Reflexion, die beim Schreiben mit Rückmeldungen von Leser*innen verbunden werden sollte.
Die Verfügbarkeit von KI-Tools zeigt, dass zunächst die Komplexität steigt. Gleichzeitig werden andere Prozesse weniger wichtig: Z.B. sollte Orthografie mittelfristig ein vernachlässigbares Problem darstellen, weil die Automatisierung hier relativ einfach korrekte Texte herstellen kann (vgl. diesen Test automatisierter Schreibtools).
KI-Tools im Unterricht
Ausgehend von diesen Grundlagen und Einsichten lässt sich nun konkret formulieren, was diese Werkzeuge für den Unterricht bedeuten. Aus meiner Sicht ist das die produktivere Frage, als von einer Disruption des Bestehenden auszugehen, auf die dann reagiert werden muss.
Doris Wessels formuliert aus dieser Perspektive etwa Handlungsempfehlungen, die sich auf bestehende Schreib- und Prüfungslogiken (an Hochschulen) beziehen. U.a. handelt es sich um folgende Tipps, die Urs Henning zusammengefasst hat:
- projektorientierte, praxisrelevante Aufgabenstellungen ausweiten
- einzigartige und singuläre Fragestellungen präferieren
- den Anteil mündlicher Prüfungen im Vergleich mit schriftlichen Arbeiten erhöhen
- Aufklärungsarbeit und Weiterbildung für Lehrende forcieren
- einen Verhaltens- und Ehrenkodex fest in der Prüfungsordnung verankern
Diese Empfehlungen sind aktuell sicher alle korrekt, helfen aber nicht dabei, Lernenden dabei zu helfen, kompetent mit KI-Werkzeugen und Schreibaufgaben umzugehen.
Deshalb formuliere ich fünf Lernziele, an denen sich Sprachunterricht orientieren kann.
Lernziel 1: Verständnis und Beherrschung
Lernende sollten KI-Tools kompetent nutzen können: Das beginnt beim Zugang, für den oft Accounts nötig sind und teilweise englischsprachige Menus erschlossen werden müssen und führt über die konkrete Bedienung bis zum Umgang mit den Ergebnissen.
Gleichzeitig brauchen sie ein rudimentäres Verständnis dessen, was im Hintergrund abläuft. Hilfreich sind hier z.B. Aufgaben, die dabei helfen, die Funktionsweise von Werkzeugen zu vergleichen – etwa leicht veränderte Sätze mit DeepL übersetzen oder GPT-3 nutzen, um unterschiedliche Witze erklären zu lassen (die Idee stammt aus diesem Essay von Steven Johnson).
Lernziel 2: Einsatz bei der Bewältigung von Schreibaufgaben
Ist ein Verständnis vorhanden, können bei Schreibaufgaben, die sich an anderen Lernzielen orientieren, die didaktisch festgelegt werden, diese Tools eingesetzt werden.
Hier bietet sich ein spiralförmiger Ansatz an, bei dem dieselben Zug immer wieder Verwendung finden, aber mit gesteigerten Ansprüchen und Komplexität. So könnte z.B. GPT-3 zunächst für einen Entwurf einer Einleitung verwendet werden, dann für mehrere Teile eines Textes und dann fürs Überarbeiten etc.
Lernende wenden so also KI-Tools praktisch an und kennen sich dadurch besser mit ihrer Anwendung aus, können aber gleichzeitig auch besser beurteilen, welche Leistungen die Tools erbringen.
Lernziel 3: Reflexion und Ethik
Kürzlich habe ich mit einer Klasse unterschiedliche Gedichte mit KI-Programmen erzeugt: Lerneinheit Wir erzeugen ein Gedicht
Teil solcher Lernphasen ist immer, darüber nachzudenken, was es bedeutet, automatisiert Lyrik zu generieren. Welche Muster lassen sich beobachten? Wo liegen Grenzen der KI? Wie sind die entstandenen Texte zu beurteilen? Kann Kunst automatisch generiert werden?
Solche Fragen sind bei der Verwendung von entsprechenden Programmen wichtig. Zur Reflexion gehören auch ethische Fragen: Dürfen Schreibende KI-Texte als eigene ausgeben? Unter welchen Bedingungen ist das eher, unter welchen gar nicht denkbar? Wie können in gemischten Texten KI-Anteile seriös ausgewiesen werden?
Letztlich stellen sich generelle Fragen: Wozu schreiben Menschen (und Programme)? Wer drückt in Texten was aus? Was kann (und soll) Schreiben in einer Kultur der Digitalität bedeuten?
Lernziel 4: Literarisches Lernen
Die oben erwähnte Lerneinheit arbeitet mit Bildern, aus denen dann Gedichte automatisiert generiert werden. Solche Transformationen sind viele denkbar. Sie können sichtbar machen, wie ein Algorithmus einen künstlerischen Prozess modelliert (bzw. welche Muster er abruft, um einen künstlerischen Prozess zu simulieren).
Generell können im Umgang mit literarischen Texten KI-Tools genutzt werden, um sichtbar zu machen, wie Vorlagen funktionieren und welchen Regeln sie gehorchen. Sehr einfach sichtbar gemacht werden kann das, indem Programme genutzt werden, um Vorlagen weiterzuschreiben. Hannes Bajohr hat das schon sehr früh mit Kafka-Texten gemacht, die sich dafür sehr gut eignen. Eine Skizze für den Umgang mit Prosa, Lyrik und Dramatik findet sich in diesem Blogpost:
Lernziel 5: Experimente und kreativer Umgang
Mittlerweile gibt es eine Reihe von journalistischen Texten, die von GPT-3 (mit-)geschrieben worden sind – kürzlich ist z.B. ein solcher Beitrag im NZZ Folio erschienen. Das ist ein einfacher Ansatzpunkt für den Unterricht: Testen, welche Schul- und Alltagstexte in welcher Qualität automatisiert generiert werden können.
Solche Versuche können dann einen Ansatz bieten, um subversive Experimente zu machen und mit den Möglichkeiten und Schwächen der Programme zu spielen. Hier können Lernende wohl schnell eigene Ideen generieren, mit welchen Anweisungen die Tools gefüttert werden könnten.
Ausblick
Aktuell läuft in der Schweiz eine Aktion, bei der ein Digitalaktivist Schüler*innen dabei hilft, längere Facharbeiten automatisch zu generieren. Versuche, so einerseits die Anforderungen von Schulen oder Universitäten zu umgehen, andererseits auf die bestehenden technischen Möglichkeiten aufmerksam zu machen, wird es in den nächsten Jahren einige geben. Sie zeigen zwei Dinge: Schulen und Unterricht durchlaufen erstens die digitale Transformation und müssen darauf Rücksicht nehmen, welche Aufgaben automatisiert werden können. Zweitens steht die aktuelle Bewertungskultur zeitgemäßen Lernformen im Weg. Lernende haben in Bezug auf ihre Entwicklung nichts davon, wenn sie eine wichtige Arbeit mit zahlreichen Lerneffekten automatisieren lassen – in Bezug auf ihre Noten hingegen schon.
Besonders interessant sind solche Effekte aber nicht: Gewisse Menschen werden immer wieder verblüfft sein, wie leistungsfähig Programme sind. Ihr Reflex wird dann auch immer wieder dazu übergehen, diese Möglichkeiten zu verbieten und den Zugang dazu einzuschränken.
Wichtiger werden aber didaktisch die Fragen sein, wie ein kompetenter Umgang mit Werkzeugen aussieht, wie eine Zusammenarbeit von Menschen und Maschinen angeleitet und gestaltet werden kann.
Schule Social Media 
Wenn man mal ein bisschen in der Literatur sucht, ist es schon spannend zu sehen, dass es schon 2009 erste Veröffentlichungen zur semi-automatisierten Texterzeugung gab, z.B.: „Automated Essay Spinning – An Initial Investigation“ von Thomas Lancaster und Robert Clarke der Birmingham City University (https://www.researchgate.net/publication/234127136_Automated_Essay_Spinning_-_An_Initial_Investigation). Damals konnten die Werkzeuge vorhandene Texte allerdings „nur“ umschreiben, nicht selbstständig erzeugen.
In Bits & Bytes Folge 24 haben wir (Hendrik Steinbeck und Mathias Magdowski) uns auch mit dem KI-gestützten Schreiben in der Bildung beschäftigt: