The DOI matches its Crossref record; 2 of the 2 references it cites were found in a registry or an index.
KI meets Lehre – Die Notwendigkeit der curricularen Verankerung von KI-Kompetenzen
Abstract
Basierend auf einer im Sommer 2024 durchgeführten Umfrage an der DHBW Heilbronn über die Verbreitung und Verwendung von generativer KI bei Studierenden und Lehrenden wird aufgezeigt, wie Lernprozesse durch die Integration von KI in die Lehre neu gestaltet werden können. Wir zeigen anhand der Befragungsergebnisse, warum eine curriculare Verankerung von KI-Kompetenzen für den Studienerfolg förderlich wäre und welche Rolle Lehrende dabei spielen können. Anhand eines so an der DHBW Heilbronn durchgeführten Praxisbeispiels aus einem betriebswirtschaftlichen Studiengang wird hierbei verdeutlicht, wie mithilfe von Selbstlerneinheiten der Erwerb von KI-Kompetenzen, wie z. B. der reflektierte und kritische Umgang mit KI-Tools, in die eigene Lehre erfolgreich integriert werden kann.
Overview
Integrity signals
Registry
Cites
Statistics
Verification
Claims the paper makes
Citations
Cites
What is AI Literacy? Competencies and Design Considerations
Long, D., & Magerko, B. (2020) · Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems · doi:10.1145/3313831.3376727 · Cited by 3,241
Carolus, A., Koch, M. J., Straka, S., Latoschik, M. E., & Wienrich, C. (2023) · Computers in Human Behavior: Artificial Humans · doi:10.1016/j.chbah.2023.100014 · Cited by 488
Research works printed but not linked: 8
- Atkinson, J. W. (1957). Motivational determinants of risk-taking behavior. Psychological Review, 64(6), 359–372. · DOI · Paper page
- Ehlers, U.-D., Lindner, M., Sommer, S., & Rauch, E. (2023a). AICOMP – Future Skills in a World Increasingly Shaped By AI. Ubiquity Proceedings, 3(1), 230–239. https://doi.org/10.5334/uproc.91 · DOI
- Ehlers, U.-D., Geier, N., & Eigbrecht, L. (2024a). Curriculare Einbettung und didaktische Umsetzung von Future Skills in der Hochschullehre. ZDRW Zeitschrift für Didaktik der Rechtswissenschaft, 10(4), 336–361. · DOI
- Knoth, N., Decker, M., Laupichler, M., Pinski, M., Buchholtz, N., Bata, K., & Schultz, B. (2024). Developing a Holistic AI Literacy Assessment Matrix – Bridging Generic, Do-main-Specific, and Ethical Competencies. Computers and Education Open, 6, 100177. https://doi.org/10.1016/j.caeo.2024.100177 · DOI
- Mah, D.-K., Hense, J., & Dufentester, C. (2023). Didaktische Impulse zum Lehren und Lernen mit und über Künstliche Intelligenz. In C. de Witt, C. Gloerfeld & S. E. Wrede (Hrsg.), Künstliche Intelligenz in der Bildung (S. 91–108). Springer Nature. · DOI
- Pinski, M., & Benlian, A. (2023). AI Literacy – Towards Measuring Human Competency in Artificial Intelligence. https://hdl.handle.net/10125/102649 · DOI · Paper page
- Rampelt, F., Ruppert, R., Schleiss, J., Mah, D.-K., Bata, K., & Egloffstein, M. (2024b). How Do AI Educators Use Open Educational Resources? A Cross-Sectoral Case Study on OER for AI Education. Open Praxis, X(X), X, 1–18. https://doi.org/10.55982/ openpra-xis.X.X.766
- Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. Vol. 1, 29–39.
Cited by
Sorted by citations
The AI literacy heptagon: A structured approach to AI literacy in higher education
Hackl, V., Müller, A. E., & Sailer, M. (2026) · Computers and Education: Artificial Intelligence · doi:10.1016/j.caeai.2026.100540 · Cited by 41
“Evidence from Germany, for instance, shows that only 31.6% of students report that AIL is explicitly addressed in their programs (Budde and Friedrich, 2024; Lambrecht et al., 2025).”
Influential
Metadata
- Authors
- Lambrecht, G.-M., Lintfert, B., Martschiske, R., & Wiehenbrauk, D.
- Venue
- Zeitschrift für Hochschulentwicklung
- Publisher
- OAPublishing Collective
- Published
- 2025-02-27
- Volume
- 20
- Issue
- SH-KI-2
- Pages
- 13-37
- ISSN
- 2219-6994
- Cited by
- 5
- References
- 2
About these checks
Registry, retraction, Cites and statistics results are computed, not judged, with one exception: a printed reference that no index lists is read once by a model before it counts as a citation error. Claims are extracted by a model and kept only when their quote appears verbatim in the text; each cited source is then checked, with a model’s help, for whether it says what the claim relies on. Those verdicts can be wrong — read the claim’s quote and the cited source before relying on one.
Statistics and arithmetic are recomputed, not judged.
Confidence bands are shown only for fields calibrated on our annotated test set. None is calibrated yet, so no band is shown.
What counts as a claim ›How we measure confidence ›How we check this ›
Are you an author, or do you see a problem with this page? Request a review
