Ich möchte mit einer kleinen, aber aussagekräftigen Geschichte beginnen.
Einmal zeigte mir ein Student eine wunderschön formatierte Regressionsanalyse – saubere Ausgabe, korrekte p-Werte, alles sah perfekt aus. Nur ein Problem gab es: Er hatte das Ergebnis völlig falsch interpretiert. Auf meine Frage, wie er zu dieser Schlussfolgerung gekommen war, lautete die Antwort simpel: „Die KI hat es gesagt.“
Dieser Moment ist mir im Gedächtnis geblieben. Nicht, weil die KI falsch lag (das tat sie nicht), sondern weil das Denken aufhörte, bevor es überhaupt begonnen hatte. Die Argumentation wurde ausgelagert, noch bevor der Student eine einzige Hypothese aufgestellt hatte.
Und genau das ist, kurz gesagt, das eigentliche Risiko von KI in der Ausbildung im Bereich Datenanalyse.
Das Problem ist nicht das Werkzeug.,Es ist der Arbeitsablauf.
Wenn wir über die Risiken von KI im Bildungsbereich sprechen, dreht sich die Diskussion oft um akademische Integrität, etwa Plagiat und automatisierte Aufgaben. Das sind berechtigte Bedenken. Für Statistikdozenten liegt das tieferliegende Problem jedoch im kognitiven Bereich: Was geschieht mit dem Denkvermögen eines Studierenden, wenn ein Tool die Analyse generieren, die Ergebnisse erläutern und die Schlussfolgerung vorschlagen kann, noch bevor der Studierende eine Frage formuliert hat?
In seinem TED-Talk von 2025 über KI und kritisches Denken [3] bezeichnet Advait Sarkar dies als die Entwicklung zu „mittleren Managern unserer eigenen Gedanken“, die KI-Ergebnisse absegnen, anstatt selbst Ideen zu generieren. Diese Formulierung hallt immer wieder nach, wenn ich sehe, wie ein Student einen Bericht in flüssiger Prosa einreicht, den er nicht in eigenen Worten wiedergeben kann. Die Worte sind da. Das Verständnis fehlt.
Das nenne ich die Illusion von Kompetenz : KI ermöglicht es Studierenden, überzeugende Analysen und Darstellungen zu erstellen, ohne dass ihnen das nötige Verständnis fehlt, um Fehler zu erkennen. Das Ergebnis sieht korrekt aus. Der dahinterstehende Denkprozess existiert möglicherweise gar nicht.
Drei Muster, die ich immer wieder sehe
- Vertrauen ohne Überprüfung.
KI-Tools antworten oft autoritär, selbst wenn sie sich unsicher sind. Ein Student fragt nach den Annahmen der ANOVA und erhält eine plausibel klingende Antwort. Niemand prüft die Residuenplots. In einem traditionellen Labor hätte ein Dozent gesagt: „Gut, aber zeigen Sie mir die Diagnoseergebnisse.“ Diese Reibung war pädagogisch wertvoll. Wir sollten sie nicht wegautomatisieren.
Die folgende Grafik veranschaulicht genau dies. Eine einfache lineare Regression der Pinguindaten (die die Artenvielfalt außer Acht lässt) mag auf den ersten Blick akzeptabel erscheinen. Doch die Residuenanalyse zeigt ein anderes Bild.
Residual by Predicted Plot from a linear regression on the penguin data set, but the pattern signals that the model is missing something. Species, in this case.Die Grafik zeigt die Differenz zwischen Residuen und vorhergesagten Werten aus einer linearen Regression des Pinguin-Datensatzes. Das Muster deutet jedoch darauf hin, dass dem Modell etwas fehlt. In diesem Fall die Art.
Was ohne Überprüfung verloren geht: gesunde Skepsis .
- Fließende Berichte, fragiles Verständnis.
KI-generierte Erklärungen klingen oft professionell und überzeugend. Doch wenn man Studierende bittet, ihre Ergebnisse in eigenen Worten zu erläutern, werden die Lücken deutlich. Ich bitte meine Studierenden daher, mir die von der KI erstellten Texte mündlich zu erklären. Der Unterschied zwischen dem, was sie einreichen, und dem, was sie anschließend artikulieren können, ist mitunter frappierend.
Was verloren geht: wahres Verständnis .
- Den unordentlichen Mittelteil überspringen.
Warum sollte man sich mit der Modellkonfiguration abmühen, wenn KI direkt zur Interpretation übergehen kann? Doch genau in diesem Prozess liegen die wichtigsten Erkenntnisse: das Erkennen von Datenungleichgewichten, das Aufspüren fehlerhafter Variablendefinitionen, das Aufdecken von Annahmenverletzungen, bevor sie sich in der Analyse ausbreiten.
Was dabei verloren geht: Lernen durch Handeln .
| „Wenn eine Aufgabe ohne Verständnis erledigt werden kann, wurde das Verständnis nie wirklich geprüft.“ |
Ein besserer Ansatz: Gestalten statt einschränken.
KI zu vermeiden ist nicht die Lösung. Durchdachte Integration hingegen schon. Hier sind vier Strategien, die sich in der Praxis bewährt haben:
- KI zum richtigen Zeitpunkt einführen.
Bevor Studierende KI-Tools einsetzen, sollten sie Daten analysieren, Modelle entwickeln und Hypothesen aufstellen. So wird KI zu einem Sparringspartner für ihr Denken, nicht zu einem Ersatz. Die Reihenfolge ist wichtig: Zuerst eine eigene Sichtweise entwickeln, dann diese mit den Ergebnissen des Tools vergleichen.
- Stelle Fragen, die die KI nicht beantworten kann.
Statt „Interpretieren Sie dieses Modell“ sollten Sie fragen:
- Was hat Sie an den Daten überrascht?
- Was würdest du beim nächsten Mal anders machen?
- Warum ist das für die anstehende Entscheidung von Bedeutung?
Diese Fragen erfordern persönliches Denken, keinen vorgefertigten Text.
- KI-Fehler in lehrreiche Momente verwandeln.
KI macht Fehler, also nutzen Sie das. Zeigen Sie Ihren Schülern einen fehlerhaften KI-Vorschlag und fragen Sie: „Würden Sie diesem vertrauen? Wie würden Sie ihn überprüfen?“ Wenn Schüler lernen, KI-Fehler zu erkennen, entwickeln sie genau die Fähigkeiten zur kritischen Beurteilung, die in jedem anderen analytischen Kontext anwendbar sind. KI wird so zu einem Motor für kritisches Denken , nicht zu einer Abkürzung.
- Seien Sie transparent hinsichtlich Ihrer Erwartungen.
Studierende akzeptieren klare Richtlinien im Allgemeinen. KI zum Lernen einzusetzen ist in Ordnung. KI als Ersatz für selbstständiges Denken zu nutzen, ist hingegen nicht akzeptabel. Diese Unterscheidung ist wichtig und funktioniert, wenn sie frühzeitig, explizit und konsequent kommuniziert wird. Neil Selwyn [4] erinnert uns daran, dass KI im Bildungsbereich eine Wahlmöglichkeit und keine unausweichliche Notwendigkeit ist. Die Lehrkraft gestaltet weiterhin die Lernumgebung.
Was die JMP-Tools selbst tun
Die KI-Tools in JMP Student Edition verfügen über integrierte Schutzmechanismen. Jede LearnBot- und Assistant-Sitzung enthält einen expliziten Hinweis: „KI-generierte Inhalte: Überprüfen Sie Genauigkeit und Eignung vor der Verwendung.“ Als didaktischer Impuls dient er genau dem Beispiel, das wir bei den Studierenden fördern möchten.
Wie Russ Wolfinger von JMP es formuliert hat [6]: KI ergänzt, ersetzt aber nicht. Die Werkzeuge wurden nach diesem Prinzip entwickelt. Ob sie im Unterricht auch so eingesetzt werden, hängt vom jeweiligen Dozenten ab.
Das Gesamtbild
Neil Selwyn [4][5], dessen Arbeit zu den strukturellen Grenzen von KI im Bildungsbereich mehr Beachtung verdient, als ihr üblicherweise zuteilwird, argumentiert, dass KI im Unterricht eine Wahlmöglichkeit und keine Unvermeidbarkeit ist. Die Frage ist nicht, ob man sie einsetzen soll, sondern wer von den jeweiligen Anwendungen profitiert – und ob die Kernkompetenzen des statistischen Denkens gefördert oder stillschweigend verdrängt werden.
Bei guter Datenanalyse geht es nicht darum, schnell Antworten zu finden. Es geht darum, mit Unsicherheit umzugehen, Ergebnisse zu hinterfragen, Entscheidungen zu verteidigen und manchmal zu sagen: „Ich verstehe das noch nicht ganz.“ Genau diese Fähigkeiten sind am meisten gefährdet, wenn KI alles übernimmt, bevor der Lernende überhaupt Zeit zum Nachdenken hatte.
In Folge 5 blicken wir in die Zukunft: Wie sieht die Zukunft der Datenkompetenzausbildung aus und welche Rolle spielen dabei Tools wie JMP?
Probieren Sie Folgendes:
Nehmen Sie eine Aufgabe, die Ihre Studierenden derzeit mit KI-Unterstützung bearbeiten. Fügen Sie eine Frage hinzu, die die KI nicht beantworten kann: Welche Annahme dieser Analyse bereitet Ihnen die größten Sorgen und warum? Bringen Sie diese Antworten anschließend in die Vorlesung mit. Die von den Studierenden geäußerten Bedenken – und die, die sie übersehen – geben Ihnen mehr Aufschluss über ihr Verständnis als die Analyse selbst.
Referenzen
[1] JMP-Akademieprogramm , jmp.com/academic
[2] JMP Studentenversion , jmp.com/student
[3] Advait Sarkar: „Wie man verhindert, dass KI das kritische Denken zerstört“ , TED-Vortrag, 2025
[4] Neil Selwyn: Sollten Roboter Lehrer ersetzen? , Polity Press, 2019
[5] Neil Selwyn: Über die Grenzen der künstlichen Intelligenz in der Bildung , 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 den Autor
Volker Kraft ist Principal Academic Ambassador (EMEA) bei JMP Statistical Discovery (einem Unternehmen der SAS-Gruppe) 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 4 von 5 • Weiter: Wie geht es weiter – die Zukunft der Datenkompetenzvermittlung
