Take-Home: Was du nach dem Workshop mitnimmst
Das laufende Werkzeug
Du kannst dein Spec jederzeit in das Werkzeug einfügen, das du in Block 3 verwendet hast. Die URL bleibt stabil:
Strukturierter Output: das Konzept
Bevor du dich in die konkrete Architektur des Werkzeugs einliest, lohnt sich eine konzeptuelle Einführung: was strukturierter Output ist, wie er sich von normalen Chat-Antworten unterscheidet, und warum er eine andere Klasse von Werkzeugen ermöglicht. Code-light, mit Pseudo-Schema statt vollständiger Python-Beispiele:
Wie das Werkzeug funktioniert
Wenn du den technischen Mechanismus nachvollziehen möchtest (Markdown-Parser, Pydantic-Schema, Anthropic-API, strukturierter Output): die Architektur-Erklärung in plain Deutsch findest du hier:
Spec-Vorlage und Beispiel
- Die Spec-Vorlage zum Wiederverwenden in deiner eigenen Lehre.
- Das Beispiel-Spec zur Multiple Regression als gefülltes Modell.
Selbst-Tun-vs-Zuschauen-Tagging (optional)
Eine zweite optionale Übung: tagge jeden Eintrag in deinem Spec mit Selbst-Tun-erforderlich oder Zuschauen-reicht. Der Tag macht explizit, was die KI für diese Komponente leisten darf und was die Lernende selbst tun muss.
- Selbst-Tun-erforderlich: die kognitive Operation, die diesen Eintrag aufbaut, kann die KI nicht für die Lernende leisten. Wenn die KI sie übernimmt, wird der Lernschritt umgangen.
- Zuschauen-reicht: die Lernende profitiert auch dann, wenn die KI die Arbeit teilweise oder ganz übernimmt.
Diese Unterscheidung ist die Anwendung der Offloading-vs-Outsourcing-Diskussion aus dem CAS Lernpsychologie. Sie ist hier optional, weil sie eine separate Argumentation erfordert, die im Workshop selbst nicht mehr trägt.