KI-Unterstützung bei der Dispositionserstellung
Tabs
Wissenschaftliches Arbeiten mit generativer KI
In den frühen Phasen wissenschaftlichen Arbeitens entscheidet sich, wie tragfähig die spätere Arbeit wird:
Aus einem offenen Interesse soll ein bearbeitbares Problem, eine geprüfte Wissensbasis und eine argumentationsfähige Struktur entstehen.
Dieses Lernmodul zeigt, basierend auf dem unten angeführten Framework, wie Prompting-Strategien, Kontext-Architektur und Wissensbasis-Steuerung - in Kombination mit der eigenen Denkrichtung und den eigenen Artefakten (z.B. Notizen, Mindmap, Exzerpten) – systematisch zusammenspielen, um wissenschaftliche Denk-, Prüf- und Entscheidungshandlungen mit generativer KI bewusst zu steuern.
Kernprinzip:
Du steuerst die Operationen des LLMs anhand der Prompting-Strategien, Kontext-Architektur und Wissensbasis im Sinne von adaptierbaren Prozessimpulsen.
Die Leitbewegung lautet: wissenschaftliche Aufgabe → Zieloutput → Denkmodi → operative LLM-Steuerung → menschliche Prüfung.
Arbeitsphase und dominante Denkmodi bilden den Ausgangspunkt einer Matrixzelle.
-> Daraus werden Zieloutput und epistemischer Prozess konkretisiert.
-> Prompting-Strategien, Kontext-Architektur und Wissensbasis-Steuerung operationalisieren die LLM-Interaktion.
-> Der menschliche Prüfpfad bewertet Zwischenergebnisse und Zieloutputs und kann eine Anpassung, Verwerfung oder erneute Bearbeitung auslösen.
Lernziele der 3 Arbeitsphasen
- Context Engineering als übergeordnete Steuerungslogik einsetzen,
- Prompting-Strategien, Kontext-Architektur und Wissensbasis-Steuerung unterscheiden und kombinieren,
- Zieloutput-Artefakte als Kontext der nächsten Phase nutzen,
- jede KI-Aussage an Originalquelle, Aussagekontext und Seitenbezug prüfen,
- technische Einschränkungen erkennen und die eigene Prüfverantwortung wahrnehmen.
Phase | Epistemischer Übergang | Zentrale Zieloutputs | Prüfregel |
1 · Themenfindung und Problemdefinition | vom Interesse zum Problem | Problemkern, Rahmenbedingungen, erste Forschungs-/Leitfrage, Relevanz, Machbarkeit und offene Fragen | Problemvariante nach Relevanz, Machbarkeit und Eingrenzbarkeit begründen |
2 · Literaturrecherche und -strukturierung | vom Problem zur Wissensbasis | Suchprotokoll, Kern- und Randkorpus, Aussage-Quellen-Tabelle und Gap-Map | keine Aussage ohne geprüfte Quelle und konkrete Fundstelle übernehmen |
3 · Theorie- und Konzeptaufbau | von der Wissensbasis zum Konzept | Diskurskarte, Begriffsregister, Arbeitsdefinitionen, Konzeptmodell und Argumentationsgliederung | Begriffe, Aussagen, Quellen und Gliederung auf Kohärenz prüfen |
Synthese | Übergaben und Rücksprünge sichtbar machen | geprüfte Übergabeartefakte und dokumentierte Auswahlentscheidungen | nur geprüfte und für den nächsten Schritt relevante Zieloutputs weitergeben |
Rekursiv
Die Phasen bilden eine Orientierung, keine starre Reihenfolge. Rechercheergebnisse können eine erneute Eingrenzung auslösen, Konzeptarbeit kann weiteren Recherchebedarf sichtbar machen.
Die Qualität einer KI-Interaktion hängt nicht nur vom einzelnen Prompt ab, sondern von der gesamten Informations- und Arbeitsumgebung. Innerhalb einer Matrixzelle greifen drei operative Steuerungsdimensionen ineinander; die menschliche Prüfentscheidung schließt die Steuerung ab.
Steuerungselement | Leitfrage | Umsetzung |
Prompting-Strategie | Wie wird der Bearbeitungsschritt mit dem LLM gestaltet? | den jeweiligen Prozessimpuls in eine geeignete Form der LLM-Interaktion übersetzen |
Kontext-Architektur | Unter welchen Vorgaben soll das LLM arbeiten? | Ziel, Fokus, Rolle, Stil, Prozessstand, Kriterien, Prüfauftrag und Ausgabeformat festlegen |
Wissensbasis-Steuerung | Auf welcher Informations- und Quellenbasis wird gearbeitet? | eigene Artefakte, geprüfte Quellen, Volltexte, Exzerpte oder Datensätze bewusst auswählen |
Menschliche Prüfentscheidung | Was wird nach der Prüfung weiterverwendet? | übernehmen, anpassen, weiter prüfen oder verwerfen und die Entscheidung dokumentieren |
Context Engineering über die Phasen hinweg
Auf der Mikroebene rahmen Prompting-Strategien, Kontext-Architektur und Wissensbasis die einzelne Interaktion.
Auf der Makroebene werden geprüfte und für die weitere Bearbeitung relevante Zieloutputs zu Kontextinformationen der folgenden Matrixzelle. Offene Fragen bleiben als Prüf- oder Rechercheaufträge sichtbar.
Zwei Quellen speisen die Kontextinformationen, die in der nächsten Arbeitsphase als Grundlage dienen:
- Zieloutput-Artefakte (Entscheidungsprotokoll, Diskurskarte,...) um die Denkrichtung und gesicherte Inhalte in die nächste Arbeitsphase für das LLM bereitzustellen.
- Hochgeladene Texte (Notizen, Exzerpte, Volltexte), um die verwendete Wissensbasis des LLMs einzuschränken und prüfbar zu machen.
Prüfpflicht: Die technische Bereitstellung einer Quelle belegt weder ihre wissenschaftliche Qualität noch die korrekte Interpretation eines LLMs. Originalquelle, Aussagekontext und Seitenbezug bleiben weiterhin eigenständig zu prüfen.
Einschränkung | Kurzbeschreibung |
Halluzination / Konfabulation | Sprachmodelle erzeugen selbstbewusst formulierte, aber sachlich falsche Aussagen; dies resultiert aus dem Trainingsziel der Wortvorhersage und aus Bewertungsmetriken, die selbstbewusstes Raten belohnen. |
Jaggedness | KI-Unterstützung verbessert die Leistung bei manchen Aufgaben und verschlechtert sie bei anderen; hohe Konsistenz bei einer Aufgabe sagt keine Konsistenz bei anderen voraus. |
Sycophancy | Tendenz, Überzeugungen der Nutzenden zu bestätigen statt kritisch zu prüfen, insbesondere bei Feedback-Anfragen. |
Brevity bias | Verkürzung und Paraphrase gehen zulasten fachlicher Details zugunsten knapper, generischer Formulierungen. |
Context collapse | Wiederholtes Umschreiben von Kontext führt zu abruptem Informationsverlust. |
Kontextfenster | Ein Sprachmodell kann nur eine endliche Menge an Kontextinformation gleichzeitig verarbeiten; Kontextgestaltung ist ein Optimierungsproblem unter dieser Kapazitätsgrenze. |
Lost-in-the-middle | Information an mittleren Kontextpositionen wird schlechter genutzt als am Anfang oder Ende. |
Context Rot | Mit zunehmendem Kontextumfang verschlechtert sich die Modellleistung insgesamt, unabhängig von der Position. |
Wissens-Cutoff | Sprachmodelle bleiben nach Abschluss des Trainings statisch; ohne externen Abruf erfassen sie danach entstehendes Wissen nicht mehr. |
Bock, Oliver; Knust, Florian (2025): ChatGPT - das Praxisbuch, Burgthann: Markt + Technik.
Buck, Isabella (2025): Wissenschaftliches Schreiben mit KI. Tübingen: UVK (= Studieren, aber richtig). Online im Internet: URL: https://doi.org/10.36198/9783838563657
Buck, Isabella (2026): Wissenschaftliches Schreiben mit KI. 2. überarb. u. erw. Aufl. Tübingen: UVK (= Studieren, aber richtig). Online im Internet: URL: https://doi.org/10.36198/9783838565682
Eager, Bron (2025): AI-Powered Scholar. A Beginner’s Guide to Artificial Intelligence for Academic Writing & Research. London: Routledge.
Engelke, Ulrich (2025): ChatGPT Power-Prompting: Profi-Strategien für den erfolgreichen Einsatz von KI. Frechen: mitp.
Geuer, Ermano; Geuer, Klara (Hrsg.) (2025): KI und Recht: Grundlagen der künstlichen Intelligenz: Datenschutzrecht, Zivilrecht, Urheberrecht, Geheimnisschutz, Arbeitsrecht, Strafrecht, Ethik. Wien: Linde. Online im Internet: https://www.lindedigital.at/plink/fb-ki-recht
Knöchel, Tim-Dorian u.a. (2025): „Core principles of responsible generative AI usage in research.“ In: AI and Ethics, 5 (2025), 6, S. 6371–6377. Online im Internet: URL: https://doi.org/10.1007/s43681-025-00768-8
Kofler, Michael; Öggl, Bernd; Springer, Sebastian (2025): Coding mit KI: Das Praxishandbuch für die Softwareentwickung. Bonn: Rheinwerk.
Kruse, Otto (2024): Kritisches Denken und Argumentieren. Eine Einführung für Studierende. 2. Aufl. München: UVK (= UTB).
Lang, Fabian (2025): Prompt Engineering. Ein praktischer Leitfaden für bessere Ergebnisse mit KI. Wiesbaden: Springer Vieweg. Online im Internet: https://doi.org/10.1007/978-3-658-49885-6
Lang, Fabian (2025): Künstliche Intelligenz in Seminar- und Abschlussarbeiten. Ein Praxisleitfaden für Studierende mit Handlungsempfehlungen, Prompt-Beispielen und kritischer Einordnung. Berlin: Springer Vieweg. Online im Internet: https://doi.org/10.1007/978-3-662-71542-0
Mizrahi, Gilbert (2024): Unlocking the Secrets of Prompt Engineering. Master the Art of Creative Language Generation to Accelerate Your Journey from Novice to Pro. Birmingham: Packt Publishing.
Pino, Domingo (2025): Künstliche Intelligenz für Illustratoren und Kreative. Frechen: mitp.
Schreibzentrum der FH Vorarlberg (Hrsg.) (o.J.): Schreiben im Studium. Unterlagen zum akademischen Schreiben des Schreibzentrums der Bibliothek der Fachhochschule Vorarlberg. Dornbirn. Online im Internet: https://ilias.fhv.at/goto_ilias_fhv_at_pg_9988_308911.html
Schulhoff, B., et al. (2025). The Prompt Report: A systematic survey of prompt engineering techniques. arXiv Preprint. Online im Internet: https://doi.org/10.48550/arXiv.2406.06608
Taulli, Tom; Deshmukh, Gaurav (2025): Building Generative AI Agents. New York: Apress.
Voss, Rödiger (2024): Wissenschaftliches Arbeiten: leicht verständlich. 9. Aufl. München: UVK.