Generative KI‑Systeme können bei der Planung von Lehrveranstaltungen, der Erstellung von Materialien, findung von Themen, Schreipprozessen oder auch bei der Reflexion didaktischer Konzepte unterstützen. Die Qualität der Ergebnisse hängt dabei jedoch entscheidend von der Qualität der Eingaben ab – den sogenannten Prompts.
Prompting bezeichnet die bewusste und strukturierte Formulierung von Anweisungen an ein KI‑System. Für alle, die KI gezielt und verantwortungsvoll einsetzen möchten, lohnt es sich, grundlegende Prompting‑Techniken zu kennen. Dieser Artikel stellt zwei weit verbreitete und leicht verständliche Ansätze vor: R‑T‑F (Role – Task – Format) und C‑A‑R‑E (Context – Action – Result – Example). Beide Techniken lassen sich unabhängig vom Fachbereich einsetzen und eignen sich gut für den Einstieg.
Warum strukturiertes Prompting wichtig ist
KI-Systeme arbeiten nicht „wissend“, sondern probabilistisch, also auf Basis von Wahrscheinlichkeiten. Sie berechnen auf der Grundlage großer Datenmengen, welches Wort oder welche Struktur mit hoher Warscheinlichkeit als Nächstes passt. Unklare oder zu offene Prompts führen daher häufig zu oberflächlichen, unscharfen oder unpassenden Ergebnissen.
Strukturiertes Prompting hilft dabei,
- Erwartungen klar zu formulieren,
- den fachlichen und didaktischen Rahmen abzustecken,
- den gewünschten Output gezielt zu steuern,
- Zeit für Überarbeitung und Nachfragen zu sparen.
Die R‑T‑F‑Methode: Role – Task – Format
Die R‑T‑F‑Methode ist eine der einfachsten und zugleich effektivsten Prompting‑Techniken. Sie basiert auf drei klaren Bausteinen.
R – Role (Rolle)
Hier wird festgelegt, in welcher Rolle die KI antworten soll. Rollen können fachlich (z. B. „Didaktiker:in“, „Statistik‑Dozent:in“) oder funktional (z. B. „Tutor:in“, „Redakteur:in“) sein.
Beispiel:
„Du bist eine erfahrene Hochschuldidaktikerin mit Schwerpunkt digitales Lehren und Lernen.“
T – Task (Aufgabe)
In diesem Teil wird beschrieben, was genau die KI tun soll. Je präziser die Aufgabe formuliert ist, desto besser ist das Ergebnis.
Beispiel:
„Erstelle eine kurze Einführung in das Thema formative Prüfungsformate für eine Lehrveranstaltung.“
F – Format (Format)
Hier wird festgelegt, in welcher Form die Antwort ausgegeben werden soll. Das kann Textlänge, Struktur oder Darstellungsform betreffen.
Beispiel:
„Strukturiere den Text in drei Absätze mit Überschriften und maximal 300 Wörtern.“
Gesamtbeispiel (R‑T‑F)
Du bist eine erfahrene Hochschuldidaktikerin. Erstelle eine kurze Einführung in formative Prüfungsformate für Lehrende. Gib den Text strukturiert mit drei Überschriften und maximal 300 Wörtern aus.
Die C‑A‑R‑E‑Methode: Context – Action – Result – Example
Die C‑A‑R‑E‑Methode geht einen Schritt weiter und ist besonders hilfreich bei komplexeren oder stärker kontextabhängigen Aufgaben.
C – Context (Kontext)
Der Kontext beschreibt den Hintergrund, in dem die Aufgabe steht: Zielgruppe, Lehrsituation, institutioneller Rahmen oder Vorkenntnisse.
Beispiel:
„Ich unterrichte ein Einführungsseminar für Bachelorstudierende im ersten Semester. Die Studierenden haben wenig Erfahrung mit wissenschaftlichem Schreiben.“
A – Action (Aktion)
Hier wird definiert, was die KI konkret tun soll.
Beispiel:
„Formuliere eine Übungsaufgabe zum Thema Argumentationsstruktur in wissenschaftlichen Texten.“
R – Result (Ergebnis)
Dieser Punkt beschreibt, wie das Ergebnis aussehen soll oder welches Ziel es verfolgt.
Beispiel:
„Die Aufgabe soll verständlich, niedrigschwellig und motivierend sein.“
E – Example (Beispiel, optional)
Ein Beispiel kann helfen, den Stil oder das Niveau zu verdeutlichen. Dieser Schritt ist optional, aber oft sehr wirkungsvoll.
Beispiel:
„Orientiere dich sprachlich an kurzen, klaren Arbeitsaufträgen, wie sie in Lernplattformen üblich sind.“
Gesamtbeispiel (C‑A‑R‑E)
Kontext: Ich unterrichte ein Einführungsseminar für Bachelorstudierende im ersten Semester ohne große Schreiberfahrung.
Aktion: Erstelle eine Übungsaufgabe zur Argumentationsstruktur wissenschaftlicher Texte.
Ergebnis: Die Aufgabe soll verständlich, niedrigschwellig und motivierend sein.
Beispiel: Verwende kurze, klare Arbeitsaufträge.
Fazit
Prompting ist eine Schlüsselkompetenz für den produktiven Einsatz von KI. Mit einfachen Strukturen wie R-T-F und C-A-R-E können die Qualität von KI-generierten Inhalten deutlich verbessern.
Zugleich ist ein verantwortungsbewusster und reflexiver Umgang mit KI zentral. KI-Systeme sollten in der Hochschule-/lehre nicht als Ersatz für fachliche Expertise, Entscheidungen oder eigene Konzepte verstanden werden, sondern als Unterstützungsinstrument, das bei Planung, Reflexion und Materialerstellung begleiten kann. Die Verantwortung für Inhalte, Qualität, Angemessenheit und Prüfungsrelevanz verbleibt stets bei den Nutzer*innen.
Die hier vorgestellten Prompting-Techniken bieten einen niedrigschwelligen Einstieg, um KI gezielt, kontrolliert und lernförderlich einzusetzen. Sie laden dazu ein, KI nicht nur als Werkzeug zur Texterstellung zu nutzen, sondern als Anlass zur Reflexion und zur Weiterentwicklung der eigenen Lehr-Lernpraxis.
