Künstliche Intelligenz bezeichnet computerbasierte Systeme, die bestimmte menschliche Denk- und Sprachleistungen technisch nachahmen. Sie können Texte, Bilder oder andere Inhalte erzeugen, verstehen diese aber nicht selbst und erzeugen kein eigenes Wissen. Der Umgang mit KI.Systemen birgt auch Risiken

Für Studium und wissenschaftliches Arbeiten bedeutet das: KI kann unterstützen, ersetzt aber nicht das eigene Denken, Prüfen und die eigene Verantwortung. 

Was versteht man unter Künstlicher Intelligenz?

Künstliche Intelligenz bezeichnet gemeinhin computerbasierte Systeme, die Aufgaben ausführen können, für die üblicherweise menschliche Intelligenz erforderlich wäre. Dazu zählen insbesondere das Erkennen von Mustern, das Verarbeiten von Sprache, das Ziehen von Schlussfolgerungen sowie das Anpassen an neue Situationen.

Allerdings sind solche Systeme sind nicht wirklich "intelligent" in dem Sinn, wie wir Intelligenz verstehen. Sie erzeugen Output rein auf der Basis von Wahrscheinlichkeiten sprachlicher Muster. Das heißt:

• KI-Systeme verstehen Inhalte nicht, sondern berechnen Wahrscheinlichkeiten.
• Sie können keine moralischen oder ethischen Urteile fällen.
• Sie verfügen über keine emotionale oder soziale Intelligenz.

Es handelt also sich um Systeme, die menschliche Intelligenz imitieren, aber nicht selbst darüber verfügen.

Wie arbeiten KI-Systeme?

Moderne KI-Systeme arbeiten datenbasiert. Sie analysieren große Mengen an Beispieldaten und lernen daraus statistische Zusammenhänge. Auf dieser Basis treffen sie Vorhersagen oder erzeugen Ergebnisse, die für auf den ersten Blick sinnvoll oder plausibel erscheinen.

Zwei grundlegende Arten von KI-Modellen

In der Künstlichen Intelligenz lassen sich vereinfachend gesagt zwei grundlegende Modelltypen unterscheiden:

• Diskriminative KI erkennt Muster in bestehenden Daten und ordnet neue Eingaben bekannten Kategorien oder Werten zu. Typische Anwendungen sind etwa Spamfilter oder Bilderkennung. Solche Systeme lernen, Unterscheidungsmerkmale zu erkennen und Entscheidungen auf Basis vorhandener Klassen zu treffen.
• Generative KI geht einen Schritt weiter: Sie erzeugt neue Inhalte, indem sie Muster, Strukturen und Wahrscheinlichkeiten aus Trainingsdaten kombiniert. So entstehen Texte, Bilder, Musik oder Videos, die wie menschlich erstellte Inhalte wirken können

Generative KI Modelle wurden mit großen Mengen von Daten "trainiert". Das bedeutet: Sie haben aus sehr vielen Daten Muster, Strukturen und statistische Zusammenhänge zwischen Wörtern abgeleitet, die sie anwenden, um auf dieser Basis neue Daten zu generieren. Je nach Art der Daten, die generative Modelle erzeugen, unterscheidet man zB zwischen Sprachmodellen, Bildmodellen, Audio- oder Videomodellen.

Große Sprachmodelle (Large Language Models, LLMs)

Eine weit verbreitete Form von generativer KI sind Large Language Models (LLMs) wie ChatGPT, die auf die Verarbeitung von menschlicher Sprache spezialisiert sind. Sie können Texte erzeugen, indem sie berechnen, welches Wort oder Satzfragment in einem bestimmten Zusammenhang mit hoher Wahrscheinlichkeit als Nächstes folgt.

Das bedeutet: Ein LLM hat kein Bewusstsein und kein echtes Verständnis von Inhalten. Es beantwortet im Prinzip nur diese Frage: „Welche Fortsetzung dieses Textes ist – basierend auf meinen gelernten Wahrscheinlichkeiten – am wahrscheinlichsten?“

Das Modell kennt also keine „Bedeutung“ im menschlichen Sinn, sondern nur:

• statistische Zusammenhänge zwischen Wörtern
• typische Satzformen
• typische Argumentationsmuster
• typische Antworten auf typische Fragen

Das Modell versteht also nicht, sondern die gelernten Muster und Wahrscheinlichkeiten sind so gut, dass das Ergebnis wie Verstehen wirkt.

Dabei entsteht kein neues Wissen: LLMs kombinieren vorhandene sprachliche Muster zu neuen Texten, ohne Inhalte zu verstehen, kritisch zu reflektieren oder eigene Forschung zu betreiben. Ihre Ausgaben beruhen ausschließlich auf statistischen Zusammenhängen zwischen Wörtern.

Risiken bei der Nutzung von KI

Der Einsatz von KI-Tools im Studium birgt auch Risiken, die auf der Funktionsweise der Large Language Modelle basieren.  

Halluzinationen

Manchmal erzeugen generative KI-Modelle sehr plausibel klingende Texte, die aber faktisch falsch sind. Es halluziniert. Das passiert, weil das Modell

• keine echte intern gespeicherte Datenbank hat
• nicht zwischen „klingt plausibel“ und „ist nachprüfbar wahr“ unterscheidet

Es optimiert nur: „Was ist die sprachlich wahrscheinlichste Antwort auf diesen Prompt?“

Beispiel:

Wenn man eine Quelle oder ein Zitat fordert und das Modell im Training viele Antworten gesehen hat nach dem Muster: „Die Studie von XY (2021) zeigt, dass …“, dann konstruiert es etwas in diesem Stil, auch wenn die konkrete Studie nie existiert hat.

Bias und Fehlinterpretationen

KI-Modelle lernen die Wahrscheinlichkeiten, auf denen ihre Antworten basieren, aus ihren Trainingsdaten. Wenn in diesen Daten:

• bestimmte Perspektiven überrepräsentiert sind
• bestimmte Gruppenstereotyp dargestellt werden
• bestimmte Begriffe häufig im gleichen Kontext auftauchen

… dann „übernimmt“ das Modell diese Muster – ohne zu wissen, dass sie problematisch sind.

Beispiel:

Wenn in den Trainingsdaten oft „Professor = männlich“ vorkommt, steigt die Wahrscheinlichkeit, dass das Modell bei „Professor“ an männliche Formen / Beispiele anknüpft.

Das hat Auswirkungen auf die Verlässlichkeit der Ergebnisse. KI-generierte Texte können sprachlich überzeugend wirken, enthalten aber unter Umständen sachliche Fehler oder reproduzieren Verzerrungen aus den Trainingsdaten . Sprachmodelle können nicht beurteilen, ob ihre Aussagen richtig oder verzerrt sind, da sie kein Verständnis für Inhalte haben und nicht auf eine überprüfbare Wissenssammlung zugreifen, sondern lediglich während des Trainings Muster aus großen Textmengen gelernt haben.