Hochschuldidaktisch spielt Künstliche Intelligenz (KI) nicht nur eine Rolle in Fragen des Lehrens, Lernens und Prüfens, sondern auch in der Beforschung und Entwicklung der eigenen Lehre. Die zentrale Botschaft des Positionspapiers zu generativer KI in Studium und Lehre an der Hochschule Niederrhein lautet: „Die Hochschule Niederrhein befürwortet ausdrücklich den Einsatz generativer KI in Lehren, Lernen und Prüfen im Rahmen des Wertekompasses der Hochschule.“1 Das gibt der Hochschule eine gemeinsame Orientierung und lässt zugleich Raum für die dynamische Entwicklung generativer KI. Es ermutigt Studierende und Lehrende, KI kreativ, kritisch und verantwortungsvoll zu nutzen und neue Lehr-, Lern- und Prüfungsformen zu erproben. Wissenschaftliche Standards, Transparenz, Eigenverantwortung und rechtliche Vorgaben Positionspapier bleiben dabei zentral. An dieser Stelle lohnt sich ein Blick über den Tellerrand: Wie blicken wissenschaftliche Fachgesellschaften auf die Fragen nach wissenschaftlichen Standards, Transparenz, Eigenverantwortung und rechtliche Vorgaben?
Vom 28. September bis 02. Oktober 2026 tagte die Deutsche Gesellschaft für Soziologie (DGS) auf ihrem 43. Kongress an der Johannes Gutenberg-Universität in Mainz unter dem Titel „Zukünfte der Gesellschaft“. Das Fach der Soziologie gilt gemeinhin als eine der wichtigsten Entwicklerinnen und Exporteurinnen sozialwissenschaftlicher Methoden. Hochschuldidaktisch wird dieser Umstand bedeutsam, wenn in der Begleitforschung in hochschuldidaktischen Entwicklungsprojekten, der Beforschung der eigenen Lehre (Scholarship of Teaching and Learning: SoTL) und der Evaluation von Lehrveranstaltungen sozialwissenschaftliche Methoden angewendet werden.
Der Einsatz von KI in der qualitativen Forschung eröffnet neue Möglichkeiten, wirft aber zugleich grundlegende methodische, rechtliche und ethische Fragen auf. Besonders deutlich wird dies in der Auseinandersetzung mit KI-gestützter Transkription, Codierung und Interpretation. Während automatische Transkription bereits vergleichsweise etabliert ist und Forschende deutlich entlasten kann, wird der Einsatz von KI bei der eigentlichen qualitativen Auswertung – dem Codieren – wesentlich kritischer gesehen. Technisch ist vieles bereits möglich: Interviews können automatisch zusammengefasst, Themen vorgeschlagen, Forschungsfragen generiert oder Textstellen codiert werden. Doch allein die technische Verfügbarkeit legitimiert diese Verfahren noch nicht wissenschaftlich. Qualitative Methoden stehen hier vor einer besonderen Herausforderung der Transformation durch KI. Für qualitative Daten – wie beispielsweise Interviewaufzeichnungen – gilt das Prinzip der Nichtschädigung der an der Forschung teilnehmenden Personen ganz speziell, da hier Personenbezüge in besonderer Weise durch die Praxis des Erzählens zum Tragen kommen. Das verpflichtet Forschende dazu, mögliche Nachteile für Teilnehmende zu vermeiden. Bei KI-gestützter qualitativer Forschung betrifft das vor allem Risiken wie unbeabsichtigte Re-Identifikation, Weitergabe sensibler Informationen, unklare Datennutzung durch externe Anbieter oder Fehlinterpretationen durch KI-Systeme.
Wie lässt sich also Künstliche Intelligenz sinnvoll in qualitative Forschung integrieren, ohne methodische Standards, Datenschutz und wissenschaftliche Nachvollziehbarkeit aus dem Blick zu verlieren? Mit dieser Frage beschäftigt sich der Workshop „KI in qualitativer Forschung und Lehre?! Impulse und Herausforderungen für methodische Fundierung, Datenhoheit und Lehre“ von Thorsten Dresing und Thorsten Pehl.2
Gerade bei qualitativen Interviewdaten reicht eine reine Anonymisierung oder Pseudonymisierung häufig nicht aus, um sensible Forschungsdaten sicher mit internetbasierten KI-Systemen zu verarbeiten. Datenhoheit wird deshalb als methodische und ethische Gestaltungsaufgabe verstanden. Lösungen können unter anderem sein: lokale LLM-Implementationen sowie erweiterte Einwilligungserklärungen. Grundsätzlich gilt aber in der qualitativen Forschung, dass KI keine Abkürzungsstrategie für eine intensive Durchdringung der Daten durch die forschende Person ist. Forschende müssen sich selbst als Erhebungs- und Analyseinstrument im Forschungsprozess begreifen, die eine Datenfamilialität nur selbst herstellen können. Deshalb bleibt der „Human in the Loop“ zentral. Forschende müssen KI-generierte Aussagen prüfen und deren Begründungen nachvollziehen können. An dieser Stelle entsteht ein Paradox: Je gründlicher die Kontrolle erfolgt, desto kleiner kann der ursprünglich erhoffte Zeitgewinn werden. Zugleich besteht die Gefahr, dass Forschende der KI gerade dann stärker vertrauen, wenn ihnen selbst Expertise oder intensive Kenntnis des Materials fehlt.
Interessanter erscheinen daher Ansätze, die KI nicht als automatischen Ersatz für qualitative Analyse verstehen, sondern als Sparringspartner*in. Vorgestellt und gedanklich erprobt wurden in dem Workshop verschiedene Prompttechniken sowie zwei weiterentwickelte Ansätze: die Hybride Interpretation mit dialogisch integrierten LLMs und das Serendipity-Prompting. Während bei der hybriden Interpretation die dialogische Auseinandersetzung zwischen Forschenden und KI im Mittelpunkt steht, zielt Serendipity-Prompting darauf, durch unerwartete Perspektiven, Irritationen und alternative Deutungsangebote neue Denkanstöße für den Interpretationsprozess zu gewinnen. Für die Beforschung der eigenen Lehre könnten solche Verfahren beispielsweise dazu beitragen, eigene Vorannahmen über studentische Lernprozesse zu hinterfragen und alternative Interpretationen von Lehr- und Lernerfahrungen zu entwickeln. Damit wird KI nicht als Ersatz für qualitative Interpretation verstanden, sondern als möglicher Bestandteil eines reflektierten Forschungsprozesses. Der Einsatz von KI in der qualitativen Forschung eröffnet neue Möglichkeiten, verlangt aber zugleich eine sorgfältige methodische, rechtliche und didaktische Reflexion. Ziel ist nicht eine möglichst umfassende Automatisierung qualitativer Forschung, sondern ein begründeter und verantwortungsvoller Umgang mit KI als neuem Werkzeug wissenschaftlicher Praxis.
Im Verlaufe der Tagung wurden im Format Lunch & Learn Campfire Sessions als alternatives Diskussionsformat zum üblichen Fachvortrag erprobt, organisiert durch Isabel Steinhardt (Universität Paderborn), Michael Bigos (Hochschule Darmstadt) und Johannes Hiebl (Hochschule Niederrhein) aus der DGS-Arbeitsgruppe „Soziologische (digitale) Lehre“. An mehreren Tischen stellten Präsentierende kurze Praxisbeispiele zur Nutzung von KI in Forschung und Lehre vor. Auf jeweils zehn Minuten Input folgten zehn Minuten Austausch, anschließend wechselten die Teilnehmenden den Tisch. Durch die Rotation konnten verschiedene Themen kennengelernt und eigene Erfahrungen eingebracht werden. Das Format, das ursprünglich für die Lehre entwickelt wurde, sollte so einen intensiveren und stärker beteiligungsorientierten Austausch ermöglichen als klassische Vortragsformate.
Unter anderem wurden spannende Praxiserfahrung diskutiert: Den Bot für die Hausarbeit schon im Seminar gebaut! - Eine Reflexion von Chatbots und ihrer Funktionsweise durch die Erstellung eigener Bots im Seminarkontext (Lea Biere); Machine Learning in R: zwischen Methodenpraxis und theoretischer Fundierung von (un-)supervised learning Algorithmen (Oliver Wieczorek); Generative KI in der Wissenschaft - Wie verändert sich wissenschaftliche Praxis? (Anne K. Krüger & Ingmar Mundt) und viele weitere… Die Diskussionen hierzu werden in den kommenden Wochen im Fachinformationsdienst (FID) Soziologie weitergeführt.3
Die Beiträge in den Kongress-Veranstaltungen „Zukünfte der qualitativen Methodenausbildung in der Soziologie unter dem Eindruck generativer KI“ und „Forschungsethik und Künstliche Intelligenz in der Soziologie“ haben vor allen Dingen eines gezeigt: Es ist unumgänglich zum Thema KI in Lehren, Lernen und Prüfen, sowie zur Beforschung und Entwicklung der (eigenen) Lehre im Gespräch zu bleiben. Es geht weniger darum, ob KI sozialwissenschaftliche Forschung übernehmen kann, sondern darum, wie ihr Einsatz methodisch begründet und intersubjektiv nachvollziehbar gemacht werden kann. Am Ende steht damit auch eine grundsätzliche Kritik an der zunehmenden Beschleunigung wissenschaftlicher Arbeit: Warum müssen immer größere Datenmengen in immer kürzerer Zeit ausgewertet werden? KI verspricht Abkürzungen – qualitative Forschung lebt jedoch gerade von Reflexion, genauer Auseinandersetzung mit dem Material und der Rolle der Forschenden als interpretierendem Forschungsinstrument. Und in Bezug auf das Beforschen der eigenen Lehre (SoTL) steckt gerade in dieser genauen Auseinandersetzung nicht zuletzt die Chance die Lehrpraxis reflexiv aus einem anderen Standpunkt zu erfahren.
Vielleicht liegt gerade darin eine wichtige hochschuldidaktische Perspektive auf KI: Nicht jede Irritation, Unsicherheit oder zeitaufwendige Auseinandersetzung mit empirischem Material ist ein Problem, das technisch gelöst werden muss. Vielmehr können gerade diese Momente den Ausgangspunkt für Erkenntnis- und Lernprozesse bilden. Für die Beforschung der eigenen Lehre könnte KI deshalb besonders dann produktiv werden, wenn sie nicht nur bestehende Interpretationen bestätigt oder Arbeitsschritte beschleunigt, sondern neue Fragen aufwirft, alternative Sichtweisen eröffnet und die eigenen didaktischen Selbstverständlichkeiten irritiert. Entscheidend ist damit weniger die Frage, wie viel Forschungsarbeit KI übernehmen kann, sondern wie ihr Einsatz wissenschaftliche Reflexion und die Weiterentwicklung von Lehre unterstützt.
1 https://www.hs-niederrhein.de/angebote-fuer-lehrende/leni-blog/blogbeitrag/ja-zu-generativer-ki-aber-wie/
2 https://www.audiotranskription.de/ki-einsatz-in-der-qualitativen-forschung/
3 https://www.sociohub-fid.de/s/soziologische-digitale-lehre
Autor
Johannes Hiebl ist im Projekt „Dein Weg – Lernhindernisse überwinden“ an der Hochschule Niederrhein als wissenschaftlicher Mitarbeiter tätig. Er ist Co-Sprecher der DGS-Arbeitsgruppe „Soziologische (digitale) Lehre“.
_______________________
Abonnieren & Abbestellen
Wenn Sie keine Ausgabe des Blogs verpassen möchten, können Sie ihn bequem hier abonnieren. Und falls Sie den Blog zu einem späteren Zeitpunkt wieder abbestellen möchten, ist das natürlich jederzeit formlos möglich.
