Examplers
Lernen an Beispielarbeiten
Was steckt dahinter – und wofür ist es gut?
«Examplers» sind bewusst ausgewählte beispielhafte Arbeiten, z.B. Prüfungsantworten, Projektberichte oder Textentwürfe. Sie dienen Studierenden als Grundlage, inhaltliche Qualität, Argumentationsweise, Struktur und Passung zur Aufgabenstellung zu untersuchen und zu bewerten. So steigern sie ihr evaluatives Urteilsvermögen – die Fähigkeit, Qualität zu erkennen und zu begründen. Examplers können auf verschiedenen Niveaus eingesetzt werden und unterstützen die Studierenden dabei, Leistungsanforderungen besser zu verstehen und die eigene Arbeitsweise zu verbessern.
Die Beispielarbeiten können von Studierenden aus vorherigen Kohorten stammen oder auch von KI erstellt werden. Durch die Arbeit mit KI-generierten Textbeispielen lernen Studierende zusätzlich, kritisch mit digitalen Inhalten umzugehen. Sie müssen prüfen, ob Argumentationsstrukturen schlüssig sind, Quellen korrekt genutzt werden und die Ausführungen inhaltlich tragfähig erscheinen.
Einblicke
| Aktivität | Nutzen |
|---|---|
| Im Kurs «Fachspezifisches Latein» bringt die Dozentin zwei von ChatGPT generierte Texte mit, die auf dieselbe Seminaraufgabe hin erstellt wurden. Ein Text ist inhaltlich präzise und gut strukturiert, der andere enthält typische Schwächen wie unklare Argumentation, Oberflächlichkeit und fehlende Quellen. Da es sich um Studienanfänger*innen handelt, analysieren die Studierenden zunächst einzelne Elemente der Texte (z.B. Einleitung, Argumentationsstruktur, Literaturverwendung) in Gruppen mithilfe eines Bewertungsrasters. Erst danach folgt eine gemeinsame Gesamteinschätzung der Texte im Plenum. | Der Einsatz von KI-generierten Texten zur gleichen Aufgabe bietet strukturiertes und gut vergleichbares Ausgangsmaterial für die Analyse. Zusätzlich wird durch KI-Material die Hemmschwelle für Kritik gesenkt, da keine realen Arbeiten beurteilt werden. |
| Aktivität | Nutzen |
|---|---|
| Zum Auftakt eines Gruppenprojekts im Masterseminar «Geomorphologische Feldaufnahmen» stellen die Dozierenden drei Projektberichte bereit: Zwei davon stammen von früheren Studierendengruppen, einer wurde mit Hilfe generativer KI erstellt. Die Berichte werden gemeinsam mit den Studierenden analysiert und hinsichtlich Inhalt, Aufbau und Verständlichkeit bewertet. Dabei werden Erwartungen an die Qualität der Projektarbeit sichtbar und ein gemeinsamer Kriterienkatalog entwickelt. | Indem die Studierenden Kriterien selbst entwickeln und anwenden, verstehen sie, was eine überzeugende wissenschaftliche Dokumentation auszeichnet, und erhalten eine klare Orientierung für die eigene Arbeit. Die Studierenden gewinnen Sicherheit, arbeiten zielgerichteter und vermeiden häufige Fehler bei der Planung und Umsetzung ihres Projekts. |
Stolperfrei durchstarten
| Was kann herausfordernd sein? | Was hilft in der Praxis? |
|---|---|
| Studierende übernehmen Beispiele unkritisch in eigene Arbeiten (z.B. Aufbau oder Argumentation), ohne sie zu hinterfragen oder auf den eigenen Kontext anzupassen. |
Betonen Sie, dass Beispiele Übungsmaterial sind – keine Vorlagen. Formulieren Sie begleitende Fragen wie: «Was ist an diesem Beispiel spezifisch für diese Aufgabenstellung?». |
| Diskussionen über die «Examplers» bleiben oberflächlich. |
Geben Sie konkrete Beobachtungsaufträge: «Achten Sie auf Argumentationsstruktur, Quellenverwendung, roter Faden etc.». Nutzen Sie Bewertungsraster (siehe Leistungsbewertung).
|
Fokus der Beurteilung liegt zu stark auf Einzelaspekten, z.B. nur Sprache, Aufbau, oder Quellen – kein ganzheitliches Qualitätsverständnis. |
Nutzen Sie fokussierte Teilbeispiele zum Einstieg und Komplexe Gesamtbeispiele zur späteren Verbindung. |
| Hoher Vorbereitungsaufwand. |
Arbeiten Sie mit kurzen Textauszügen oder von einem Chatbot unterstützend erstellten Beispielen. Nutzen Sie Chatbots auch zur effizienten Entwicklung von Impulsen oder Aufgabenformaten. |
Der Lerntransfer auf eigene Aufgaben gelingt den Studierenden nicht. |
Stellen Sie Anschlussaufgabe, z.B. «Wenden Sie drei gelernte Merkmale auf Ihren eigenen Entwurf an.». |
Ressourcen
Literatur
Bearman, M., Tai, J., Dawson, P., Boud, D., & Ajjawi, R. (2024). Developing evaluative judgement for a time of generative artificial intelligence. Assessment & Evaluation in Higher Education, 1–13.