Gelebtes Europa. Ein KI-Workshop mit Wissenschaftlern aus 7 Ländern. Erkenntnis: Nicht Theoretisieren - Testen!
Ich habe gestern für die Arqus European University Alliance einen KI-Tages-Workshop für Dozenten aus Deutschland, Irland, Italien, Litauen u.a. Ländern gegeben. Es war eine intensive Erfahrung - abseits des KI-Hypes.
Teil 1: Visualisierungen mit KI erstellen
Im 1. Teil ging es darum, KI für Visualisierungen in Lehre und Forschung zu nutzen. Los ging's mit generellen Ausführungen: welche Grundprinzipien gelten für gute Visualisierungen und findet wie man den richtigen Darstellungsstil.
Im praktischen Teil haben die Teilnehmer gelernt, Diagramme mit Mermaid-Code zu erstellen, um sie leicht bearbeiten zu können. Dafür haben wir draw.io genutzt. Anschließend haben wir wissenschaftliche Netzwerke und Forschungslücken mit Hilfe von Mermaid und KI sichtbar gemacht.
Weiter ging's mit Datenvisualisierungen, wo wir Mistral-Agenten, Julius und einen von mir erstellten Claude-Skill getestet haben, der die Statistik hinter den Diagrammen erklärt. Mit figurelabs haben wir Abbildungen erstellt und mit v0 Inhalte interaktiv gestaltet.
Teil 2: Recherche im Zeitalter der KI
Dann kam Teil 2: die Recherche. Ich habe erklärt, wie KI die Recherche verändert. Das Bewerten von Informationen, Daten und Literatur wird wichtiger, während die Zahl der zero click Searches steigt. Zwischen Suchanfrage und Dokument schiebt sich eine von KI erzeugte Interpretationsschicht, die als Antwort daherkommt, tatsächlich aber der Beginn einer Recherche sein müsste. Dazu gab es Daten zum Ausmaß von Halluzinationen und mit BibFox ein Tool, um sie zu erkennen.
Dann haben wir uns jene Säulen der Such-Infrastruktur angeschaut, an denen KI integriert ist. Den Anfang machten wiss. Suchmaschinen wie Semantic Scholar, Google Scholar Labs und OpenAlex, das inzwischen auch eine KI-Suche hat. Auch Preprints sind über das leistungsstarke alphaXiv mit KI recherchierbar.
Dann ging's in die Spezialtools. Wir haben die Recherche-Ebenen von Perplexity kennengelernt (siehe dazu auch meinen Test-Bericht zu Perplexity hier) und uns in die Suche und Bibliothek von scienceOS vertieft. Zudem haben wir getestet, was Claude leistet, wenn man es mit einem Recherche-Skill und Konnektoren wie Consensus und Scite verbindet. Ergebnis: das bringt richtig was.
Ich habe diese Tools genannt, weil der Workshop wieder mal gezeigt hat, wie wichtig es ist, die Infrastruktur UND die KI-Tools zu kennen. Denn je nach Fach und Thema kann ein Tool ein großartiger Helfer oder weitgehend nutzlos sein.
Oft lese ich auf LinkedIn, Tool-Kenntnis sei nicht so wichtig. Doch, das ist sie! Denn nur wer die Tools kennt, kann die bestmöglichen auswählen. Und lernt ihre Grenzen kennen, z.B. wenn KI am SMILES-Code chemischer Abbildungen scheitert. Und merkt, wie schwer es geisteswiss. Fächer und solche, mit einer stark monografischen Publikationskultur haben, KI-Tools zu finden, die einen echten Mehrwert bringen. Aber es gibt sie.
Deshalb DANKE an alle für die Teilnahme. Und DANKE auch an die Hochschuldidaktik Sachsen fürs Organisieren. Jederzeit gern wieder.
Eine breite Kenntnis von KI-Tools ist wichtig. Denn nur wer die Tools kennt, kann die bestmöglichen auswählen - und lernt zugleich ihre Grenzen kennen.
