Veröffentlicht 12. August 2025 | Version v1
Conference paper Offen

"MOOC-ing ohne Mensch". Fallstudie zum KI-generierten MOOC "Societech". (Preprint).

Beschreibung

Dieser Artikel untersucht im Rahmen einer Fallstudie den Einsatz und Qualität eines MOOCs und insbesondere dessen Videos, der mit Hilfe von generativen KI-Anwendungen erstellt wurde, mit Hilfe der Rückmeldung von acht Expert*innen sowie einem Teil der mehr als 500 MOOC-Teilnehmenden. Die Fachleute bewerteten die Qualität und das pädagogische Potenzial von KI-generierten Lernvideos des MOOCS „Societech: Gesellschaft im Kontext der Informationstechnologien“ in qualitativen Interviews. Mit Hilfe der Antworten der Teilnehmenden des MOOCs in den Kursfragebögen (n=57) und den Forenbeiträgen (n=155) wurden Schwächen und Stärken von KI-generierten Lerninhalten aus Sicht von Teilnehmenden ermittelt. Die Antworten ergeben gemischte Reaktionen, sowohl von Fachleuten als auch von Teilnehmenden. Die Hälfte der Fachleute würde KI-generierte Inhalte in der eigenen Lehre einsetzen. Die Expert*innen erkannten keine inhaltlichen Fehler, kritisierten aber vor allem die Oberflächlichkeit der Inhalte, während Teilnehmende eher Sorge vor fehlerhaften Inhalten hatten. Aktuell sind KI-generierte Inhalte aus Sicht der Lernenden vor allem anhand der unnatürlich wirkenden Avatare zu erkennen. 

Zitationsvorschlag:

Edelsbrunner, Sarah; Gritsch, Philipp; Ebner, Martin; Lanzinger, Michael & Schön, Sandra (2023). „MOOC-ing ohne Mensch“. Fallstudie zum KI-generierten MOOC „Societech“. (Preprint). Akzeptiert für die GMW 2023 „INTEGRATION & KO-KREATION: Miteinander von Mensch und Maschine in Forschung und Bildung“ vom 2.-3.11.2023 in Jena. DOI: 10.3217/f60fm-mpk56 

Bitte berücksichtigen Sie: Der Tagungsband der GMW 2023 ist bis 12.8.2025 nicht erschienen (vgl. https://www.gmw-online.de/veranstaltungen/jahrestagungen/), sodass wir uns entschieden haben, den begutachteten, akzeptierten, präsentierten und überarbeiteten Beitrag in der gewählten Weise als Preprint zu veröffentlichen

Dateien

preprint_edelsbrunner_GMW2023.pdf

Dateien (1.2 MB)

Name Größe Alle herunterladen
md5:ce1d3c253f17bf20424ebd14e1199822
1.2 MB Vorschau Herunterladen