Eine Explorative Studie über die Nutzung von Großen Sprachmodellen als Werkzeuge in einem semesterübergreifenden Projekt von Studierenden der Informatik im höheren Semester

Core Concepts

Studierende der Informatik im höheren Semester nutzen Große Sprachmodelle wie ChatGPT und Copilot sowohl für technische als auch für professionelle Aufgaben in ihren Projekten, was ihre Produktivität steigert, aber auch Bedenken hinsichtlich Wissenserhalt und Überabhängigkeit aufwirft.

Abstract

Die Studie untersuchte, wie Studierende der Informatik im höheren Semester Große Sprachmodelle (LLMs) wie ChatGPT und Copilot in einem semesterübergreifenden Softwareentwicklungsprojekt nutzen. Dafür wurden Interviews mit neun Studierenden zu zwei Zeitpunkten im Semester durchgeführt. Die Studierenden verwendeten LLMs für verschiedene Zwecke: Technische Unterstützung: Programmierung: Studierende nutzten LLMs, um Code zu generieren, neue Programmiersprachen zu erlernen und Konzepte zu verstehen. Ideenfindung: Studierende verwendeten LLMs, um kreative Aufgaben wie Systemdesign und Problemlösung zu unterstützen. Professionelle Unterstützung: Schreibunterstützung: Studierende nutzten LLMs, um Kommunikation wie E-Mails und Berichte zu verfassen. Projektmanagement: Einige Studierende setzten LLMs ein, um organisatorische Aufgaben wie Zeitplanung und Arbeitsteilung zu unterstützen. Die Studierenden sahen sowohl Vorteile als auch Herausforderungen in der Nutzung von LLMs: Verbesserter Zugang zu Informationen und Lösungen: LLMs ermöglichten den Studierenden einen schnelleren Zugriff auf Wissen und Lösungen. Bedenken zum Wissenserhalt: Einige Studierende befürchteten, dass die Nutzung von LLMs zu einem Verlust an eigenständigem Lernen führen könnte. Erforderliches Vorwissen: Die Studierenden betonten, dass die effektive Nutzung von LLMs ein gewisses Vorwissen erfordert. Erhöhte Selbstständigkeit: Einige Studierende gaben an, durch LLMs weniger Unterstützung von Lehrkräften benötigt zu haben. Gefahr der Überabhängigkeit: Einige Studierende äußerten Bedenken, dass eine zu starke Nutzung von LLMs zu einer Abhängigkeit führen könnte.

Stats

"Stattdessen ist es so, dass ich, wenn ich ChatGPT nutze, innerhalb von fünf Sekunden 10 Zeilen Code habe, anstatt dass ich das in zwei Minuten selbst schreiben muss." [Par. 3] "Ich denke, es ist eine Herausforderung, die Verantwortung beim Einsatz von ChatGPT zu lernen, besonders in Einführungskursen wie Datenstrukturen und Algorithmen, wo man die Grundlagen lernen soll." [Par. 6]

Quotes

"Manchmal, wenn ich es nutzen möchte, kann ich es nicht nutzen, was mich erkennen lässt, dass es leicht ist, eine Abhängigkeit davon zu entwickeln, und wenn [Online-LLM-Dienste] ausfallen, ist das ziemlich ärgerlich." [Par. 8] "Ich denke, Dinge sind aus einem Grund eine Herausforderung, und du sollst denken und dein Gehirn benutzen, sonst wirst du faul. Wenn du den ganzen Sommer nichts tust, kommst du in die Schule zurück und denkst: 'Ich habe gerade vergessen, wie man denkt.' [Der Einsatz von LLMs] ist so ähnlich." [Par. 4]

Key Insights Distilled From

An Exploratory Study on Upper-Level Computing Students' Use of Large Language Models as Tools in a Semester-Long Project

by Ben Arie Tan... at arxiv.org 03-28-2024

https://arxiv.org/pdf/2403.18679.pdf

Deeper Inquiries

Wie können Lehrende Studierende dabei unterstützen, LLMs verantwortungsvoll und effektiv in ihren Lernprozess zu integrieren?

Um Studierende dabei zu unterstützen, Large Language Models (LLMs) verantwortungsvoll und effektiv in ihren Lernprozess zu integrieren, können Lehrende verschiedene Maßnahmen ergreifen: Schulung und Anleitung: Lehrende können Schulungen anbieten, die den Studierenden helfen, die Funktionsweise von LLMs zu verstehen und wie sie diese effektiv nutzen können. Dies kann beinhalten, wie man präzise Anfragen stellt, um relevante Informationen zu erhalten, und wie man die generierten Ergebnisse kritisch bewertet. Ethik und Verantwortung: Lehrende sollten die Studierenden über die ethischen Aspekte der Nutzung von LLMs informieren, einschließlich des Risikos von Plagiat und der Notwendigkeit, Quellen ordnungsgemäß zu zitieren. Es ist wichtig, den Studierenden beizubringen, wie sie LLMs verantwortungsbewusst einsetzen und die erzeugten Inhalte kritisch hinterfragen. Integration in den Lehrplan: LLMs können gezielt in den Lehrplan integriert werden, um den Studierenden zu zeigen, wie sie diese Technologie in ihren Projekten und Aufgaben einsetzen können. Durch die Integration von LLMs in den Unterricht können die Studierenden lernen, wie sie diese Werkzeuge effektiv nutzen können, um ihre Lernziele zu erreichen. Feedback und Unterstützung: Lehrende können den Studierenden regelmäßiges Feedback zu ihrer Nutzung von LLMs geben, um sie bei der Verbesserung ihrer Fähigkeiten zu unterstützen. Indem sie aufzeigen, wie LLMs effektiv eingesetzt werden können und auf mögliche Verbesserungsbereiche hinweisen, können Lehrende den Lernprozess der Studierenden fördern.

Welche Auswirkungen hätte eine stärkere Einbindung von LLMs in den Lehrplan auf die Entwicklung von Problemlösefähigkeiten und kritischem Denken bei Studierenden?

Eine stärkere Einbindung von Large Language Models (LLMs) in den Lehrplan könnte sowohl positive als auch negative Auswirkungen auf die Entwicklung von Problemlösefähigkeiten und kritischem Denken bei Studierenden haben: Positive Auswirkungen: Effizienzsteigerung: Die Nutzung von LLMs kann Studierenden helfen, schneller auf Informationen zuzugreifen und Lösungen zu generieren, was ihre Problemlösefähigkeiten verbessern kann. Vielfältige Perspektiven: LLMs können den Studierenden Zugang zu einer Vielzahl von Informationen und Lösungsansätzen bieten, was ihr kritisches Denken fördern kann. Selbstständiges Lernen: Durch die Nutzung von LLMs können Studierende selbstständiger arbeiten und ihre Fähigkeit zur eigenständigen Problemlösung stärken. Negative Auswirkungen: Abhängigkeit von Technologie: Eine übermäßige Nutzung von LLMs könnte dazu führen, dass Studierende zu abhängig von der Technologie werden und ihre eigenen Problemlösefähigkeiten vernachlässigen. Mangelnde kritische Reflexion: Studierende könnten dazu neigen, die von LLMs generierten Informationen unkritisch zu akzeptieren, was ihr kritisches Denken beeinträchtigen könnte. Insgesamt könnte eine angemessene Integration von LLMs in den Lehrplan dazu beitragen, die Problemlösefähigkeiten und das kritische Denken der Studierenden zu stärken, vorausgesetzt, dass die Nutzung der Technologie sorgfältig überwacht und angeleitet wird.

Inwiefern können LLMs als Feedback-Instrument für Lehrende genutzt werden, um die Qualität der Studierendenarbeit zu verbessern?

LLMs können als Feedback-Instrument für Lehrende genutzt werden, um die Qualität der Studierendenarbeit zu verbessern, indem sie folgende Vorteile bieten: Schnelle Rückmeldung: LLMs können Lehrkräften dabei helfen, schnell und effizient Feedback zu den Arbeiten der Studierenden zu geben, indem sie automatisch generierte Kommentare oder Vorschläge bereitstellen. Korrektur von Schreibfehlern: LLMs können dabei helfen, Schreibfehler und Grammatikfehler in den Arbeiten der Studierenden zu identifizieren und Korrekturvorschläge zu machen, was zur Verbesserung der sprachlichen Qualität beiträgt. Generierung von Verbesserungsvorschlägen: LLMs können Lehrkräften dabei helfen, konstruktive Verbesserungsvorschläge für die Arbeiten der Studierenden zu generieren, indem sie alternative Formulierungen, zusätzliche Informationen oder strukturelle Anpassungen vorschlagen. Plagiatsprüfung: LLMs können Lehrkräften dabei helfen, Plagiate in den Arbeiten der Studierenden zu identifizieren, indem sie die Originalität des Inhalts überprüfen und auf mögliche Quellen hinweisen. Durch die Nutzung von LLMs als Feedback-Instrument können Lehrkräfte effektiver auf die Arbeiten der Studierenden reagieren, die Qualität der Arbeiten verbessern und den Lernprozess der Studierenden unterstützen.