Wir haben in vier Folgen viel erreicht. Wir begannen damit, die Vorteile der JMP Student Edition im Unterrichtskontext zu beleuchten, bevor KI ins Spiel kam. Wir untersuchten, wie KI die Rolle des Dozenten verändern kann, beleuchteten die praktische Funktionsweise von JMP Assistant und LearnBot und widmeten uns anschließend eingehend den Risiken, insbesondere den potenziellen Problemen durch KI und wie man Schutzmechanismen in die Kursgestaltung einbauen kann.
Nun möchte ich einen Schritt zurücktreten und die übergeordnete Frage stellen: Wohin führt das alles?
Ich habe keine Kristallkugel. Niemand hat die. Aber ich arbeite seit über 15 Jahren mit Hochschuldozenten in ganz Europa zusammen und beobachte, wie sie sich – anfangs langsam, dann plötzlich – an neue Werkzeuge und neue Herausforderungen anpassen. Und was ich gerade sehe, unterscheidet sich von früheren Übergängen. Nicht etwa, weil KI Magie wäre, sondern weil sie eine Diskussion anstößt, die Statistikdozenten nun ernsthaft führen: Was wollen wir eigentlich lehren?
Die LehrplanfrageDasKI zwingt uns zu antworten
Jahrzehntelang waren Einführungskurse in Statistik um Verfahren herum aufgebaut. Man lehrte den t-Test, die ANOVA und die Regression. Das war sinnvoll. Studierende müssen verstehen, was diese Methoden leisten, wann sie angewendet werden und auf welchen Annahmen sie beruhen. Aktuell steht nicht dieses Wissen selbst unter Druck, sondern die Vorstellung, dass die reine Behandlung von Verfahren ausreicht. Künstliche Intelligenz kann sich zwar in der Verfahrenslandschaft zurechtfinden, aber sie kann nicht beurteilen, ob das richtige Verfahren gewählt wurde oder was das Ergebnis im Kontext tatsächlich bedeutet.
KI kann sich nun auch in der prozeduralen Landschaft zurechtfinden. Nicht perfekt, nicht zuverlässig, aber gut genug, um Lernenden das Gefühl zu geben, ihre Frage sei beantwortet. KI zwingt uns, eine Frage zu beantworten, die wir jahrelang aufgeschoben haben: Was sollen Lernende eigentlich lernen?
Ich glaube, die Antwort lautet: alles, was wirklich zählt. Statistisches Denken. Die Fähigkeit, eine Frage aus der realen Welt in ein Datenproblem zu übersetzen. Die Fähigkeit, die Vertrauenswürdigkeit eines Ergebnisses einzuschätzen. Die Disziplin, zu fragen: „Moment mal, ist das wirklich sinnvoll?“ und es auch so zu meinen.
Hier zeigt sich eine wichtige Parallele. Gerade bei Problemen, bei denen menschliches statistisches Urteilsvermögen entscheidend ist – neuartige Daten, seltene Situationen, wirklich komplexe analytische Fragestellungen ohne etablierte Lösungsansätze – sind KI-Tools oft am wenigsten zuverlässig. LLM-Experten sind zwar auf den Umgang mit Daten im Überfluss trainiert, haben aber Schwierigkeiten mit Seltenheit und Neuartigkeit. Die explorativen, kreativen und innovativen Aspekte der Datenanalyse bleiben im Wesentlichen menschliches Terrain. Das ist kein Trostpflaster. Es ist vielmehr das Argument dafür, warum statistisches Denken weiterhin gelehrt und gut vermittelt werden muss.
Der Berufsstand reagiert.,langsam aber ernsthaft
Die Statistikdidaktik hat dies nicht ignoriert. Der GAISE College Report [13], das meistzitierte Rahmenwerk für die Einführung in die Statistik, wird derzeit überarbeitet [14], explizit angestoßen durch den Einzug der KI – ein bedeutender Schritt. Dies zeigt, dass die Disziplin das Thema als echte Herausforderung für den Lehrplan und nicht nur als Problem der Unterrichtsorganisation betrachtet.
Der Live-Entwurf ist lesenswert, nicht weil er alle Antworten liefert, sondern weil er genau die richtigen Fragen aufwirft. Was sollten Studierende mit Daten anfangen können, was KI nicht leisten kann? Was bedeutet es im Jahr 2026, ein statistisches Ergebnis zu verstehen?
Ich habe diese Überarbeitung mit großem Interesse verfolgt. Sollte das Ergebnis ein Rahmenwerk sein, das statistisches Denken, Urteilsvermögen und Interpretationsfähigkeit in den Mittelpunkt stellt, anstatt die reine Verfahrensbeschreibung, so erhalten Dozenten die professionelle Unterstützung, ihre Kurse so umzugestalten, dass KI sie nicht so leicht untergraben kann.
Was bleibt ungeklärt?
Ich möchte ehrlich über die Fragen sprechen, für die wir noch keine guten Antworten haben. Drei Fragen sind es wert, genauer betrachtet zu werden:
Bewertung. Wenn KI die meisten traditionellen Statistikaufgaben lösen kann, wie sieht dann eine sinnvolle Bewertung aus? Mündliche Prüfung? Portfoliobasierte Bewertung? Live-Datenprobleme ohne Vorbereitung? Das sind keine neuen Ideen, aber ihre Umsetzung in großem Umfang in Bachelor-Kursen ist äußerst schwierig. Niemand hat eine einfache Antwort.
Neil Selwyn [10][11] formuliert diese Frage prägnanter: Besteht die Gefahr, dass wir durch die Umgestaltung von Bewertungsmethoden im Hinblick auf KI die Bildung maschinenlesbar machen und sie so optimieren, dass sie eher auf die Bewertungskriterien der KI als auf die tatsächlichen Lernbedürfnisse der Menschen ausgerichtet ist? Dieser Bedenken bedarf mehr Aufmerksamkeit, als ihr derzeit zuteilwird.
Chancengleichheit. Der Zugang zu KI-Werkzeugen ist ungleich verteilt. Studierende an gut ausgestatteten Hochschulen mit guter digitaler Infrastruktur und starker Unterstützung durch Dozenten machen ganz andere Erfahrungen als Studierende an anderen Hochschulen. Wenn KI-Kompetenz zu einer Kernkompetenz für Hochschulabsolventen wird, müssen wir ehrlich benennen, wer darauf vorbereitet ist und wer nicht.
So sieht ein erfolgreiches Ergebnis aus. Wir befinden uns in diesem Übergang noch in einer frühen Phase, weshalb es nur wenige gut dokumentierte Beispiele für die Integration von KI in den Statistikunterricht gibt, die eindeutig funktioniert haben, bei denen Studierende mehr gelernt, besser argumentiert und ein stärkeres analytisches Urteilsvermögen entwickelt haben, als sie es ohne KI gehabt hätten. Ich glaube, dass es solche Beispiele gibt. Ich würde mir wünschen, dass mehr davon dokumentiert und geteilt werden.
| „Die besten Analysten, Ingenieure und Wissenschaftler werden den von ihnen verwendeten Werkzeugen immer einen Schritt voraus sein.“ |
Wo JMP in dieses Bild passt
Ich habe in dieser Reihe bewusst darauf geachtet, keine Produktwerbung zu machen. JMP Student Edition ist ein Werkzeug – meiner Ansicht nach ein wirklich gutes für den Unterricht –, aber eben nur ein Werkzeug. Die pädagogischen Argumente dieser Reihe stehen und fallen mit ihrer eigenen Qualität, nicht damit, dass JMP sie vorbringt.
Dennoch halte ich die Designphilosophie hinter JMPs KI-Ansatz – Werkzeuge, die analytisches Denken unterstützen statt es zu ersetzen, die den visuellen und explorativen Workflow in den Mittelpunkt stellen und das Denken sichtbar machen, anstatt es zu verbergen – für den richtigen Weg. Ob andere Werkzeuge ähnliche Prinzipien übernehmen oder ob der Markt sich in Richtung mehr Automatisierung und weniger Transparenz entwickelt, bleibt abzuwarten.
Wovon ich überzeugt bin: Dozenten, die wissen, was ihre Studierenden lernen sollen und ihre Kurse darauf ausrichten, werden diesen Übergang gut meistern – unabhängig von den verwendeten Tools. Die Pädagogik steht an erster Stelle, die Tools folgen.
Ein offenes Ende
Ich begann diese Reihe mit einem Blick zurück in die frühen 1990er-Jahre, in eine Zeit, als KI noch ein Forschungsthema und nicht nur ein Browsertab war und statistisches Denken durch echte Auseinandersetzung mit Daten und Methoden entwickelt werden musste. Ich bin nicht nostalgisch für diese Zeit. Die Werkzeuge, die uns heute zur Verfügung stehen, sind tatsächlich besser, und Studierende haben heute Zugang zu Analysemöglichkeiten, die meinen Doktorvater in Erstaunen versetzt hätten.
Doch Advait Sarkars Warnung [7] bleibt mir im Gedächtnis: Die Gefahr besteht nicht darin, dass KI zu mächtig ist, sondern darin, dass wir aufhören zu denken, bevor wir die Fähigkeit entwickelt haben, die Ergebnisse der KI zu bewerten. Ethan Mollick [9] hat Recht, wenn er sagt, dass KI als Co-Lehrer, Coach und Kollaborateur fungieren wird. Und die strukturellen Bedenken, die Selwyn [10][11] hinsichtlich der Nutznießer von KI im Bildungsbereich aufwirft, sind Fragen, über die jeder Lehrende nachdenken sollte.
Diejenigen, die in Zukunft herausstechen werden, sind nicht diejenigen, die Analysen durchführen können, sondern diejenigen, die die Ergebnisse betrachten und sagen können: „Ich bin nicht überzeugt, und hier ist der Grund.“ Genau diese Fähigkeit ist es wert, vermittelt zu werden. Und genau darum geht es in einer guten Statistikausbildung seit jeher.
Wenn Sie JMP Student Edition, LearnBot oder den Assistant in Ihrem Unterricht eingesetzt haben, was hat sich bewährt? Was hat Sie überrascht? Welche Frage beschäftigt Sie noch? Ich freue mich über Ihre Rückmeldung an volker.kraft@jmp.com .
| In dieser Serie verwendete Softwareversionen JMP Student Edition 19.1.3 • Data Analysis Director 4.0 • LearnBot 1.1.1 • JMP Assistant 2.3 |
Referenzen
[1] JMP-Akademieprogramm , jmp.com/academic
[2] JMP Studentenversion , jmp.com/student
[3]JMP-Community
[4] Leiter Datenanalyse (JMP Marketplace) , marketplace.jmp.com
[5]LearnBot (JMP Marketplace) , marketplace.jmp.com
[6] JMP Assistant (JMP Marketplace) , marketplace.jmp.com
[7] Advait Sarkar: „Wie man verhindert, dass KI das kritische Denken zerstört“ , TED-Vortrag, 2025
[8] Amy Bruckman: „Die Neugestaltung des Unterrichts nach der Einführung von KI“ , TEDx-Vortrag, 2026
[9] Ethan Mollick: Ko-Intelligenz: Leben und Arbeiten mit KI , Portfolio/Penguin, 2024
[10] Neil Selwyn: Sollten Roboter Lehrer ersetzen? , Polity Press, 2019
[11] Neil Selwyn: Über die Grenzen der künstlichen Intelligenz in der Bildung , 2024
[12] Russ Wolfinger: Die sieben wichtigsten Wege, wie sich Wissenschaftler und Ingenieure auf das KI-gesteuerte Zeitalter vorbereiten sollten , JMP-Whitepaper
[13]GAISE-Hochschulbericht (2016)
[14]GAISE College-Berichtsrevision (in Bearbeitung, 2025)
[15] Verloren im JMP-System? Abnehmen für eine bessere Passform , Kraft und Rijpkema, JMP Discovery Summit Europe 2026
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 5 von 5 • Serienende
Ich begrüße die große Aufmerksamkeit, die dem Einfluss von KI auf die Statistiklehre zuteilwird, und denke, dass fast alle darin übereinstimmen, dass der Schwerpunkt von Verfahren und Methoden hin zu Problemdefinition, Kommunikation und Ergebnisnutzung verlagert werden muss. Dieser Trend besteht schon lange vor der KI, es sei denn, man betrachtet JMP und ähnliche Software als eine Form von KI (was ich tue). Meiner Erfahrung nach – und ich bin mir bewusst, dass dies eine Vereinfachung ist – ist die Datenbereinigung die wichtigste Fähigkeit, die Menschen bewahren müssen (und genau hier glänzt JMP). Datenbereinigung erfordert Fachwissen, Verständnis für Variationen und ausgeprägte Fähigkeiten zum kritischen Denken. KI kann bei der Datenbereinigung helfen, aber fast jeder Versuch, die Bereinigung zu automatisieren, ist meiner Erfahrung nach gescheitert. Tatsächlich ist er irreführend.
Ich denke, Menschen müssen die Daten, mit denen sie arbeiten, verstehen und sie entsprechend aufbereiten. Ausreißer sind nur ein Beispiel – manchmal sind sie Fehler, oft offenbaren sie aber wichtige Informationen. Ähnlich verhält es sich mit fehlenden Daten. Jeder Versuch, deren Behandlung zu automatisieren, ist zum Scheitern verurteilt, denn in manchen Kontexten deutet ein Ausreißer auf einen Fehler hin, in anderen repräsentiert er die tatsächliche Variabilität. Der Kontext ist entscheidend, und genau damit hat KI die größten Schwierigkeiten. JMP ist schlichtweg ein hervorragendes Werkzeug, um Daten zu analysieren und zu verstehen, welche Bereinigungen, Transformationen, Filterungen usw. angebracht sind. Und das bildet die Grundlage dafür, KI für Aufgaben einzusetzen, die Menschen und/oder die von ihnen verwendete Software nicht bewältigen können.
Hier kommt der Teil, den Softwareanbieter (einschließlich JMP) wohl nicht so gern hören. Diese Komplettpakete sind zwar praktisch, aber eigentlich überflüssig. Ich habe festgestellt, dass KI, sobald die Daten aufbereitet sind und ich eine Vorstellung von einer geeigneten Analyse habe, die Analyse viel besser durchführen kann als ich mit JMP. Ein Beispiel: gewichtete Umfragedaten. JMP kann bei komplexer, stratifizierter Gewichtung keine korrekten Schlussfolgerungen ziehen, KI hingegen schon. SAS, R oder Python können das auch. Müssen Studierende diese Programme lernen? Manche ja, je nach ihrem Berufswunsch, aber die meisten nicht. Ich weiß nicht, wie man solche Analysen korrekt durchführt, habe aber mit KI gearbeitet und dabei gelernt, wie sich die Gewichtung auf die Schlussfolgerungen auswirkt – zumindest konzeptionell. Ich überlasse die detaillierte Analyse (die für mich mühsam ist) gerne der KI.
Ich denke, das hat finanzielle Auswirkungen für Softwareanbieter. KI reduziert die zu erwartenden Einnahmen aus Einzel- und Gruppenabonnements. Gleichzeitig vergrößert sie aber potenziell den Markt. Da KI fast jedem zur Verfügung steht, besteht die Versuchung, sich allein auf KI zu verlassen – ein Fehler. Für korrekte und aussagekräftige Analysen müssen Anwender die Daten selbst intensiv analysieren – wofür JMP hervorragend geeignet ist. Sie benötigen jedoch nicht so viele der komplexen Tools und sind wahrscheinlich auch nicht bereit, dafür so viel zu bezahlen. Ich denke, sie werden die Fähigkeit von JMP, Boosted-Tree-Modelle auszuführen, zu schätzen wissen, aber das letztendlich beste Modell wird wohl eher von KI als von JMP selbst stammen.
Ich würde gern hören, was andere darüber denken. Es verändert meine Denk- und Lehrweise rasant – zu rasant, aber wir haben keine Wahl.
