Spec Sheets bauen

LLMs als Hypothesengenerator und Lernende-Simulator

Workshop-Überblick

Ein 3-Stunden-Workshop, in dem du für eine Teilaufgabe aus deiner eigenen Lehre ein Spec Sheet baust: eine möglichst klare, falsifizierbare Beschreibung dessen, was eine Lernende mitbringen muss, was sie wahrscheinlich nicht hat, welche Fehlkonzepte plausibel sind. Programmierkenntnisse brauchst du nicht.

Das Spec Sheet ist werkzeug-unabhängig formuliert: dasselbe Markdown lässt sich in unterschiedlichen Chat-Werkzeugen einsetzen, und der Spec selbst altert nicht so schnell wie die Prompts, in die er übersetzt wird. Ein Prompt für ein bestimmtes Werkzeug ist nur eine Übersetzung des Spec Sheets, die du in Block 3 einmal probierst.

Was du im Workshop tust

  1. Eine Teilaufgabe wählen aus einer deiner Aufgaben (oder ein Backup-Szenario).
  2. Ein Spec Sheet bauen: drei Sektionen (Teilaufgabe; Skills und Knowledge Components; Misconceptions), mit Hilfe eines LLM in zwei Rollen (Hypothesengenerator für die Skills und Knowledge Components, Lernende-Simulator für die Misconceptions).
  3. Das Spec Sheet in ein laufendes Werkzeug einfügen, den strukturierten Output beobachten und das Spec dort schärfen, wo der Output generisch oder ungenau ist.
  4. Eine konkrete Verpflichtung formulieren, an welcher Stelle deiner Lehre du das Spec in den nächsten zwei Wochen anwendest.

Was du am Ende hast

  • Ein eigenes Spec Sheet (drei Sektionen) für eine Teilaufgabe deiner Lehre.
  • Erste Beobachtungen darüber, wie sich die Qualität des Outputs eines KI-Werkzeugs mit der Schärfe deines Specs verändert.
  • Eine konkrete, datierte Verpflichtung für die nächsten zwei Wochen.
  • Eine Take-Home-Seite mit zwei optionalen Hausaufgaben (Falsifikationsnotiz; Selbst-Tun-vs-Zuschauen-Tagging), Architektur-Erklärung des Werkzeugs und Prompt-Skizzen für vier weitere Einsätze deines Specs.

Lernziele

Am Ende des Workshops kannst du:

  1. Eine Teilaufgabe deiner Lehre in Skills und Knowledge Components zerlegen, die idealerweise alle drei kognitiven Operationen abdecken: Abrufen (Faktenwissen), Erkennen (Klassifikationswissen), Begründen (Erklärungswissen).
  2. Wahrscheinliche Fehlkonzepte und implizit vorausgesetzte Knowledge Components identifizieren, mit Hilfe eines LLM in zwei Rollen (Hypothesengenerator und Lernende-Simulator).
  3. LLM-Vorschläge gegen deine eigene Lehrerfahrung prüfen: behalten, was passt; korrigieren, was teilweise zutrifft; verwerfen, was generisch oder unpassend ist. Optional markierst du Einträge als vermutet (V) oder beobachtet (B), um die Validierung über den Workshop hinaus weiterzuführen.
  4. Dein Spec Sheet in ein laufendes Werkzeug einfügen und das Werkzeug-Verhalten anhand deines Specs diagnostizieren, wenn der Output vom Erwarteten abweicht.
  5. Eine konkrete, datierte Verpflichtung formulieren, an welcher Stelle deiner Lehre du dein Spec in den nächsten Wochen einsetzt (das Tagging der Bausteine als Selbst-Tun-erforderlich oder Zuschauen-reicht liegt als optionale Take-Home-Hausaufgabe bei).

Programm

3-Stunden-Programm (9:00 bis 12:00 Uhr)

Zeit Dauer Block Aktivität
9:00-9:10 10 min Einstieg Cross-discipline-Paar: am eigenen Material den Expert Blind Spot erleben
9:10-9:45 35 min Block 1 Drei Eröffnungs-Slides; Worked Example live an Statistik-Aufgabe; Spec-Vorschau
9:45-10:00 15 min Pause
10:00-11:00 60 min Block 2 Eigenes Spec Sheet bauen: Sektion 1-3 mit Hypothesengenerator und Lernende-Simulator, Paar-Review
11:00-11:35 35 min Block 3 Spec in laufendes Werkzeug einfügen; Output beobachten; Spec schärfen; (optional: Cross-discipline Role-Play)
11:35-11:50 15 min Closing Leitsatz-Erweiterung; Downstream-Uses-Gallery; persönliche Verpflichtung

Gesamt: 170 min Inhalt plus 15 min Pause, mit 10 min Puffer bis 12:00. Bei knapper Zeit kann das Role-Play in Block 3 (10 min) entfallen, ohne die Kernerfahrung zu beschneiden.

Voraussetzungen

Inhaltlich

Du hast den Aufbauworkshop “KI in der Lehre” absolviert oder kennst die dort behandelten Konzepte aus eigener Auseinandersetzung. Insbesondere:

  • Grundlagen der Cognitive Load Theory (intrinsisch, extrinsisch, lernrelevante Verarbeitung)
  • Cognitive Offloading vs. Outsourcing
  • Expertise-Reversal-Effekt
  • Das Evaluationsparadox

Diese Inhalte werden in Block 1 nicht wiederholt. Sie liegen als Substrat unter dem heutigen Workshop, der mit einer feineren Analyse-Auflösung arbeitet (Wissensbausteine pro Teilaufgabe).

Werkzeuge

Was du zur Hand haben solltest

  • Zugriff auf Microsoft Copilot (mit deiner BFH-Lizenz).
  • Optional: ein Account auf HuggingChat (kostenlos, ohne Anmeldung mit Limitationen nutzbar).
  • Optional: ein Account auf Claude.ai oder ChatGPT (kostenlose Stufe genügt).

In Block 2 nutzt du ein Chat-Werkzeug deiner Wahl, um die beiden LLM-Rollen (Hypothesengenerator, Lernende-Simulator) für dein eigenes Material laufen zu lassen. In Block 3 fügst du dein fertiges Spec in ein gehostetes Werkzeug ein, das wir bereitstellen. Du musst nichts installieren.

Verbindung zur Trilogie

Dies ist der dritte Workshop der Reihe “KI in der Lehre” der Virtuellen Akademie der BFH:

  • Der Einstiegsworkshop führt in generative KI in der Lehre allgemein ein.
  • Der Aufbauworkshop etabliert Cognitive Load Theory, die Offloading-vs-Outsourcing-Unterscheidung und das diagnostische Vokabular.
  • Dieser Vertiefungsworkshop macht aus diesem Vokabular eine konkrete Methode: das Spec Sheet, mit LLMs als Hypothesengenerator und Lernende-Simulator.

Loslegen

Bereit? Falls du es noch nicht getan hast: die Vorbereitung lesen, dann mit dem Einstieg beginnen.

Back to top