Vor einigen Jahren veränderte sich etwas in den Statistikvorlesungen, und zwar ohne offizielle Ankündigung. Plötzlich erschienen Studierende mit KI-generierten Interpretationen ihrer JMP-Ausgaben – flüssige, überzeugende und manchmal völlig falsche. Die Analyse selbst war vorhanden. Das Verständnis fehlte oft.
Diese Kluft zwischen leistungsstarker Datengenerierung und fragilem Denkvermögen stellt heute die zentrale Herausforderung beim Unterrichten von Datenanalyse dar, doch ein Verbot von KI ist nicht die Lösung. Die eigentliche Frage ist, ob wir Aufgaben entwickeln, die tatsächlich kritisches Denken erfordern.
In der ersten Folge dieser Blogreihe habe ich dargelegt, wie guter Statistikunterricht aussehen könnte, bevor KI Einzug hält. In dieser Folge geht es darum, was sich durch den Einsatz von KI verändert und wie Lehrende diese Veränderungen aktiv nutzen können, anstatt sie nur zu verwalten.
Die veränderte Realität im Klassenzimmer
Ethan Mollick, dessen Buch „Co-Intelligence“ [5] zur Pflichtlektüre für alle geworden ist, die sich ernsthaft mit KI im Bildungsbereich auseinandersetzen, bringt es auf den Punkt: Hausaufgaben, wie wir sie kennen, haben ausgedient. Ich denke, das trifft im Großen und Ganzen zu, doch anstatt eine Krise darzustellen, ist es eher eine gestalterische Herausforderung.
Heutige Studierende sind bemerkenswert gut darin, Antworten zu formulieren . Weniger sicher sind sie sich jedoch darin, diese zu beurteilen . Sie können die Ausgabe von JMP in ein universelles KI-Tool einfügen und erhalten einen prägnanten Interpretationstext zurück. Was ihnen aber oft schwerfällt, ist zu beurteilen, ob diese Interpretation korrekt ist, ob das richtige Modell gewählt wurde, ob die Annahmen überprüft wurden oder ob die Schlussfolgerung tatsächlich aus den Daten folgt.
Hier kann sich die Rolle des Dozenten verändern: vom reinen Informationsvermittler hin zum Lerncoach. Anstatt lediglich zu erklären, was beispielsweise ein p-Wert ist, sollten Dozenten Lernerfahrungen gestalten, in denen Studierende sich aktiv damit auseinandersetzen, warum eine bestimmte Analyse angemessen ist und welche Bedeutung die Ergebnisse im jeweiligen Kontext haben.
Erweiterung, nicht Automatisierung
Die zentrale Designfrage für jedes KI-Tool im Bildungsbereich ist, ob es zur Automatisierung oder zur Unterstützung eingesetzt wird. Automatisierung ersetzt eine menschliche Entscheidung. Unterstützung ergänzt und verbessert sie. Diese Funktionen sind nicht dasselbe, und die Verwechslung dieser beiden Aspekte ist die Hauptursache für die meisten Bedenken hinsichtlich KI im Unterricht.
Ziel der Statistiklehre sollte stets die Unterstützung sein: Künstliche Intelligenz, die Studierenden hilft, klarer zu denken, nicht KI, die für sie denkt. Diese Unterscheidung prägt alles – von der Auswahl und Anwendung der Werkzeuge bis hin zu den Aufgaben, die noch zuverlässig Aufschluss darüber geben, ob ein Lernprozess stattgefunden hat.
Was KI wirklich bietet
Bevor wir auf die Risiken eingehen, die real sind und in Folge 4 ausführlich untersucht werden, lohnt es sich, zu erläutern, wie KI einem Statistik-Kurs tatsächlich zugutekommt:
- Immer erreichbar. Studierende können jederzeit Fragen stellen, ohne auf die Sprechstunde warten zu müssen oder sich schämen zu müssen, weil sie der Vorlesung nicht folgen konnten.
- Unendlich geduldig. Die KI erklärt dasselbe Konzept so oft wie nötig und auf so viele verschiedene Arten wie gewünscht.
- Dadurch wird Unterrichtszeit frei. Wenn routinemäßige Verfahrensfragen außerhalb des Klassenzimmers geklärt werden, kann die verbleibende Zeit für Diskussionen, Interpretationen und die Art von Mehrdeutigkeit genutzt werden, die KI tatsächlich nicht auflösen kann.
Eine andere Art von KI: LearnBot in JMP
LearnBot [3] ist ein kostenloses Add-in, das im JMP Marketplace heruntergeladen werden kann und über das Hilfemenü in der JMP Student Edition zugänglich ist. Es wurde mit der JMP-Dokumentation und Lernressourcen trainiert und ist daher ein zielgerichteter, kontextbezogener Tutor und kein allgemeiner Chatbot.
LearnBot ist eine textbasierte, dialogbasierte KI, die als Tutor für JMP und Statistik fungiert. Sie hat keinen Zugriff auf die Daten oder Ergebnisse der Lernenden. Stattdessen beschreiben die Lernenden in ihren eigenen Worten, was sie sehen, und LearnBot reagiert auf diese Beschreibung.
Diese Nähe ist wichtig. Anstatt zu einem Browser-Tab zu wechseln, bleibt der Student mit einem Klick in der Analyseumgebung, genau dort, wo die Arbeit stattfindet.
Und schon die Beschreibung der Ausgabe an LearnBot ist ein Lernprozess. Bevor man eine gute Frage stellen kann, muss man die passenden Worte für das finden, was man sieht. Genau in dieser Artikulation liegt der Punkt, an dem sich das Verständnis entweder offenbart oder scheitert.
Betrachten wir ein konkretes Beispiel. Ein Student führt eine Regression durch und erhält ein R² von 0,71 sowie ein Residuenplot mit einem deutlichen Muster. Er gibt in LearnBot ein: „Mein multiples Regressionsmodell zeigt ein R² von 0,71, aber das Residuenplot weist eine klare Struktur oder ein Muster auf. Was bedeutet das?“
Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Mit LearnBot in JMP Student Edition beschreibt ein Student seine Regressionsergebnisse und erhält statistische und JMP-bezogene Hinweise.
LearnBot erklärt die Bedeutung eines Residuenplots und fragt anschließend: „Möchten Sie Hilfe beim Hinzufügen eines quadratischen Terms oder beim Durchführen einer Transformation in JMP?“ Genau darum geht es. Ziel ist nicht, die Antwort vorzugeben, sondern den Lernenden zum nächsten Denkschritt anzuregen.
Advait Sarkar [4] warnt vor der Gefahr, zu „mittleren Managern unserer eigenen Gedanken“ zu werden und das Denken an KI auszulagern, anstatt es selbst zu entwickeln. LearnBot wurde entwickelt, um genau dieser Tendenz entgegenzuwirken.
„Es gibt einen Unterschied zwischen einem Werkzeug, das Ihre Frage beantwortet, und einem, das Ihnen hilft, eine bessere Frage zu stellen.“ |
Der eigentliche Wandel:AAufgabengestaltung
Die größte Veränderung für Dozenten besteht nicht in der Auswahl der zuzulassenden KI-Tools, sondern in der Neugestaltung der gestellten Aufgaben. Die Qualität der Ergebnisse, die ein Student durch ein KI-Tool erzielt, hängt maßgeblich von der Qualität der eingegebenen Daten ab. Vergleichen Sie diese beiden Aufgabenstellungen:
- ✘ Führen Sie eine Regression durch und geben Sie das R² an.
- ✔ Vergleichen Sie zwei Modelle, begründen Sie Ihre Wahl und benennen Sie eine Annahme, die Sie nicht überprüfen können.
Die zweite Aufgabe kann nicht ohne Verständnis ausgelagert werden. Der visuelle, explorative Workflow von JMP lädt naturgemäß genau zu dieser Art der Interpretation ein, was einer der Gründe dafür ist, dass es sich auch dann gut als Lernumgebung eignet, wenn KI im Spiel ist.
Ein intelligenteres Klassenzimmer
In umgedrehten oder hybriden Lernumgebungen entfaltet es seine volle Wirkung. Studierende analysieren Daten und nutzen KI-Unterstützung, um vor dem Unterricht selbstständig Lösungen zu finden. Die Unterrichtszeit konzentriert sich dann auf Diskussionen, Beurteilungen und die Art von realen Unklarheiten, die KI derzeit noch nicht zufriedenstellend lösen kann.
Wie Russ Wolfinger von JMP es formuliert [6]: KI ergänzt, ersetzt aber nicht. Die Aufgabe der Lehrenden besteht darin, die Lernumgebung so zu gestalten, dass die Studierenden diese Ergänzung tatsächlich erleben und nicht eine Abkürzung für das notwendige Denkvermögen.
In Folge 3 geht es tiefer auf JMP Assistant ein: seine konkreten analytischen Arbeitsabläufe, was er kann und was nicht, und wie man ihn so einsetzt, dass die Studierenden die Kontrolle behalten.
Probieren Sie Folgendes:
Installieren Sie LearnBot [3] aus dem JMP Marketplace und öffnen Sie es über das Hilfemenü in der JMP Student Edition. Geben Sie den Studierenden einen Datensatz und bitten Sie sie, eine Analyse ihrer Wahl durchzuführen. Anschließend sollen sie LearnBot ein Ergebnis, bei dem sie sich unsicher sind, in eigenen Worten beschreiben und den Austausch in der nächsten Unterrichtsstunde fortsetzen. Was die Studierenden LearnBot schreiben, verrät oft mehr über ihr Verständnis als die Analyse selbst.
Referenzen
[1] JMP-Akademieprogramm , jmp.com/academic
[2] JMP Studentenversion , jmp.com/student
[3]LearnBot (JMP Marketplace) , marketplace.jmp.com
[4] Advait Sarkar, „Wie man verhindert, dass KI das kritische Denken zerstört“, TED-Vortrag, 2025
[5] Ethan Mollick, „Co-Intelligenz: Leben und Arbeiten mit KI“, Portfolio/Penguin, 2024
[6] Russ Wolfinger, „Die sieben wichtigsten Wege, wie sich Wissenschaftler und Ingenieure auf das KI-gesteuerte Zeitalter vorbereiten sollten“, JMP-Whitepaper
[7]GAISE College-Berichtsrevision (in Bearbeitung, 2025)
Über dieaAutor
Volker Kraft ist Principal Academic Ambassador (EMEA) bei JMP Statistical Discovery (einem Unternehmen von SAS) und Teil des globalen akademischen Teams von JMP. Seit 2011 unterstützt er Universitäten in ganz Europa bei der Integration von JMP in Lehre und Forschung. Sein Hintergrund liegt in der Sprachtechnologieforschung – einem Feld, in dem statistische Strenge und ingenieurwissenschaftlicher Pragmatismus lange vor dem allgemeinen Aufkommen von KI Hand in Hand gehen mussten. Sie erreichen ihn über die JMP-Community oder auf LinkedIn .
Folge 2 von 5 • Weiter: JMP Assistant in der Praxis: INwas es für Sie tun kann
