Abbildung 1 Darstellung der Angebotsarten und Kategorisierungen von SKILLS

[Quelle: eigene Darstellung]

Abbildung 1 Grafisches Abstract der Forschungsmethodik

[Quelle: eigene Darstellung]



3.2 Datenerhebungsmethoden

Im Rahmen unserer Forschung zum AI-Ambassador-Programm und dessen Beitrag zur Entwicklung von Future Skills setzen wir unter­schied­liche Datenerhebungsmethoden ein, um ein ganzheitliches Bild der Programmwirkungen zu erhalten.



3.2.1 Quantitative Datenerhebung

Die Durchführung einer quantitativen Datenerhebung wurde im Zuge der Evaluierung des AI-Ambassador-Programms in Angriff genommen, wobei der Fokus auf der Bewertung von KI-Kompetenzen lag. Als integraler Bestand­teil dieses Mixed-Methods-Ansatzes stellte sich eine Online-Um­frage dar, an der sich 49 der insgesamt 100 Teilnehmenden aus verschie­densten Durchläufen des Programms beteiligten, was einer Rücklauf­quote von ungefähr 50 Prozent entspricht. Die Umfrage umfasste 51 un­terschiedliche Fragen, welche darauf ausgerichtet sind, ein umfassendes Bild bezüglich der durch das Programm erlangten KI-Kompetenzen und deren Einfluss auf das berufliche Umfeld der Teilnehmenden zu erfassen.

Erörtert wurden in der Umfrage eine Vielzahl an Themen, von einem all­gemeinen KI-Verständnis über den praktischen Einsatz von KI-Technolo­gien bis hin zur Beteiligung an KI-bezogenen Schulungen oder Workshops. Es ist von besonderem Interesse, zu ermitteln, inwiefern das Programm zur Entwicklung relevanter KI-Fähigkeiten beigetragen hat und wie es sich auf die Einstellungen und das Engagement der Teilnehmenden hin­sicht­lich zukünftiger KI-Projekte und ihrer persönlichen beruflichen Ent­wicklung ausgewirkt hat. Die Zielsetzung der Erhebung lag darin, Daten zu generieren, welche die fortlaufende Optimierung des AI-Ambassador-Programms unterstützen sollen. Dabei stand im Fokus, die Bedürfnisse der Teilnehmenden adäquat zu erfüllen und agil auf die dynamischen Anforderungen des KI-Bereiches zu reagieren. Zur Initialanalyse der gesammelten Daten kam deskriptive Statistik zum Einsatz, die einen Überblick über die Stichprobenverteilung und demografischen Eigen­schaften der Befragten bot. Inferenzstatistische Verfahren, darunter t-Tests, dienten zur Identifikation statistisch signifikanter Differenzen zwischen spezifischen Gruppen.

Ein besonderes Augenmerk lag auf den Unterschieden in den Antworten von Umfrageteilnehmenden basierend auf ihren vorherigen Erfahrungen mit KI-bezogenen Weiterbildungen. Die durchgeführte Gruppenanalyse legte offen, auf welche Weise frühere KI-Erfahrungen die Bewertung und Wahrnehmung des Programms beeinflussen mochten. Mithilfe verschie­dener statistischer Methoden war es möglich, sowohl die weitreichenden als auch die spezifischen Auswirkungen des Programms auf die Entwick­lung der KI-Kompetenzen zu durchdringen und umfassend zu analysieren. Diese sorgfältige methodische Herangehensweise leistet einen wesent­lichen Beitrag zur Bewertung der Wirksamkeit des Programms und for­muliert begründete Empfehlungen für dessen kontinuierliche Verbesse­rung.

Wesentliche Punkte der quantitativen Datenerhebung:

• Umfragebeteiligung: 49 von 100 Programmteilnehmenden nahmen teil (Rücklaufquote von circa 50 Prozent).
• Inhaltsreiche Themengebiete: Abfragung von allgemeinem KI-Verständ­nis bis zur Anwendung in der Praxis.
• Ziel der Erhebung: Gewinnung von Daten für die kontinuierliche Ver­besserung des Programms.
• Deskriptive und inferenzstatistische Analyse: Nutzung von Statistik für einen umfassenden Einblick in die Daten.
• Gruppenanalyse: Vergleich der Erfahrungen basierend auf vorheriger KI-Schulung.

Diese Analyse bildet eine solide Basis zur Weiterentwicklung des AI-Ambassador-Programms und unterstützt die zielgerichtete Anpassung an die dynamischen Entwicklungen im Feld der KI.



3.2.2 Qualitative Datenerhebung

In der qualitativen Phase unserer Untersuchung des AI-Ambassador-Pro­gramms griffen wir auf semi-strukturierte Interviews zurück, um ein tief­greifendes und nuanciertes Verständnis der Erfahrungen und Eindrücke der Programmteilnehmenden zu gewinnen. Der eingesetzte Interview-Leitfaden erwies sich dabei als wesentliches Instrument, da er sowohl eine strukturierte als auch eine flexible Annäherung an die Datensammlung ermöglichte. Dieser Ansatz förderte offene und ehrliche Diskussionen, die wertvolle Einblicke in die subjektiven Erlebnisse der Interviewten ver­schafften.

Der Leitfaden strukturierte das Interview in verschiedene Abschnitte, beginnend mit einer kurzen Einführung, in der die Interviewer sich vor­stellten, den Zweck des Interviews erläuterten, die Anonymität und Vertraulichkeit zusicherten und die Zustimmung zur Aufnahme einholten. Es folgten allgemeine Fragen zur Position und zu den Hauptaufgaben der Teilnehmenden innerhalb ihrer Organisation sowie zum Verständnis von KI vor der Programmteilnahme. Diese Einleitungsfragen dienten als Grundlage, um das individuelle Ausgangsniveau an KI-Kompetenzen zu erfassen.

In den nachfolgenden Abschnitten wurden spezifische Erfahrungen mit dem AI-Ambassador-Programm erörtert. Gefragt wurde nach Heraus­forderungen, markanten Lernerfahrungen und deren Einfluss auf die berufliche Praxis. Besonders interessierten die Veränderungen im Ver­ständnis von KI sowie praktische Anpassungen im Arbeitsbereich der Teilnehmenden. Eine zentrale Frage galt der Rolle der Interviewten als »Multiplikatoren« für KI in ihrem Arbeitsumfeld und den Initiativen, die sie eventuell daraus ableiteten.

Abschließend wurden die Teilnehmenden um ihre Perspektiven zur zukünftigen Rolle von KI in ihrer Organisation gebeten. Verbesserungs­vorschläge für das Programm und spezifisches Feedback zur genutzten IT-Infrastruktur – insbesondere zu deren Mehrwert und gewünschten Änderungen – rundeten das Interview ab. Der letzte Abschnitt bot Raum für zusätzliche Anmerkungen, die über die vorbereiteten Fragen hinausgehen konnten.



4 Ergebnisse

4.1 Darstellung und Diskussion der quantitativen Ergebnisse

Vergleichende Analysen

In der fortgeschrittenen Analyse des AI-Ambassador-Programms wurde ein besonderer Fokus auf die vergleichende Untersuchung zwischen Teilnehmenden mit und ohne Führungsverantwortung gelegt, insbeson­dere in Bezug auf organisatorische Barrieren und den KI-Wissenstransfer. Die t-Tests (Abbildung 2) zeigten, dass die meisten Fragen keine signifi­kanten Unterschiede zwischen den Gruppen aufwiesen (p-Werte > 0.05), außer bei Frage f48, die signifikante Unterschiede in der Wahrnehmung organisatorischer Barrieren offenbarte (p-Wert = 0.0079). Dies deutet darauf hin, dass Führungskräfte organisatorische Barrieren anders wahr­nehmen als Nicht-Führungskräfte.

Die Ergebnisse zeigen, dass Führungskräfte möglicherweise besser in der Lage sind, bestimmte Barrieren zu überwinden. Gleichzeitig gibt es eine wahrgenommene Diskrepanz zwischen den Programmzielen und der Umsetzung, da Nicht-Führungskräfte weniger Unterstützung spüren.

Die Analyse der Zugehörigkeitsdauer im AI-Ambassador-Programm zeigte, dass über 50 Prozent der Befragten zwischen ein und fünf Jahren in ihrer Position sind, was auf eine moderate berufliche Erfahrung hinweist. Teilnehmende mit längerer Erfahrung zeigten ein erhöhtes Interesse an KI-Fortbildungen und gesteigertes Selbstvertrauen.

Wichtige Fragen und Ergebnisse:

• f21: Interesse an weiteren KI-bezogenen Fortbildungen.
• f36: Selbstvertrauen im Umgang mit KI-Aufgaben.
• f43: Einfluss des Programms auf langfristige Karriereziele.



Diese Analysen bieten wertvolle Einsichten zur Weiterentwicklung des Programms und zur Unterstützung von Teilnehmenden bei der Über­windung von KI-Hindernissen. Abbildung 2 zeigt die Ergebnisse der t-Tests, welche die Antworten zwischen den Gruppen vergleichen.

Abbildung 2 Die Ergebnisse der t-Tests zeigen, wie die Antworten zwischen den Teilnehmenden mit Führungsverantwortung und denen ohne Führungsverantwortung variieren

[Quelle: eigene Darstellung]



Die Analyse der Zugehörigkeitsdauer der Teilnehmenden im AI-Ambassador-Programm verdeutlicht eine vielschichtige Zusammen­setzung der beruflichen Hintergründe. Etwa die Hälfte der Befragten, genau 52 Prozent, befinden sich zwischen einem und fünf Jahren in ihrer aktuellen Position. Dies deutet auf eine moderate berufliche Erfahrung hin, die sowohl eine Vertrautheit mit etablierten Abläufen als auch eine Offenheit für neue Lernansätze umfasst. Eine Gruppe von etwa 21 Pro­zent der Teilnehmenden, die weniger als ein Jahr Erfahrung haben, hat ein starkes Interesse daran, ihre Fähigkeiten zu erweitern. Im Gegensatz dazu weisen etwa 19 Prozent der Befragten zwischen sechs und zehn Jahren Erfahrung auf und suchen nach Wegen, ihre Karrieren durch KI-Techno­logien zu bereichern. Die Gruppe mit über zehn Jahren Erfahrung, die 8 Prozent der Befragten ausmacht, könnte am meisten von einer Erwei­terung ihrer umfangreichen beruflichen Erfahrung um neue KI-Kompe­tenzen profitieren.

Ergänzend wurden mittels ANOVA-Tests¹ signifikante Unterschiede in den Reaktionen auf spezifische Fragen (»f21«, »f36« und »f43«) fest­gestellt, abhängig von der Dauer der Tätigkeit in der aktuellen Position. Diese Befunde betonen die Wichtigkeit der Berufserfahrung hinsichtlich des Interesses an KI-Fortbildungen, des Selbstvertrauens in KI-Projekten sowie des Einflusses des Programms auf die Karriereziele im KI-Bereich. Insbesondere weisen Teilnehmende mit längerer Erfahrung ein erhöhtes Interesse an KI-Fortbildungen und ein gesteigertes Selbstvertrauen auf, was die Bedeutung maßgeschneiderter Lernangebote hervorhebt.

Signifikante Fragen:

• f21 = Wie stark hat das Programm Ihr Interesse an weiteren KI-bezogenen Fortbildungen oder Projekten geweckt?
• f36 = Wie sehr hat das Programm Ihr Selbstvertrauen im Umgang mit KI-bezogenen Aufgaben oder Projekten gestärkt?
• f43 = Wie sehr hat das Programm Ihre langfristigen Karriereziele im Bereich KI beeinflusst?



Weitere Analysen: Das Balkendiagramm (Abbildung 4) illustriert die Selbsteinschätzung der Teilnehmenden hinsichtlich ihres Verständnisses von Künstlicher Intelligenz (KI) vor ihrer Teilnahme am AI-Ambassador-Programm. Die Einschätzungen wurden auf einer Skala von 1 (sehr geringes Verständnis) bis 5 (sehr hohes Verständnis) abgegeben.

Die Mehrheit der Teilnehmenden ordnet sich auf der Relevanzstufe 2 ein, was darauf hinweist, dass sie ihr anfängliches Verständnis von KI als eher gering einschätzt. Dies verdeutlicht den Bedarf an grundlegenden Infor­mationen und Bildungsmaßnahmen zu Beginn des Programms. Die ab­nehmende Höhe der Balken bei den höheren Relevanzstufen zeigt, dass nur wenige Teilnehmende ihr Wissen über KI als hoch oder sehr hoch bewerten.

Abbildung 4 Selbsteinschätzung der Teilnehmenden bezüglich ihres Verständnisses von Künstlicher Intelligenz (KI)

[Quelle: eigene Darstellung]



Diese Verteilung unterstreicht die Notwendigkeit, dass Bildungsprogram­me im Bereich KI die unterschiedlichen Wissensniveaus der Teilnehmen­den berücksichtigen müssen. Es sollten sowohl grundlegende Inhalte für weniger erfahrene Teilnehmende als auch fortgeschrittene Materialien für diejenigen mit höherem Vorwissen angeboten werden. Diese Erkennt­nisse sind entscheidend, um die Ausbildungsinhalte des AI-Ambassador-Programms zu diversifizieren und maßgeschneiderte Lernpfade zu ent­wickeln. Ziel ist es, sicherzustellen, dass alle Teilnehmenden – unabhängig von ihrem Wissensstand – maximal von der Programmteilnahme pro­fitieren und ihre KI-Kompetenzen signifikant weiterentwickeln können.

Abbildung 5 zeigt, wie die Teilnehmenden die Auswirkungen des AI-Ambassador-Programms auf ihre Zusammenarbeit mit Kolleginnen und Kollegen bewerten. Die Relevanzstufen reichen von 1 (kein Einfluss) bis 5 (sehr großer Einfluss), wobei die Mehrheit der Teil­nehmenden das Programm als begrenzt einflussreich (Stufe 2) oder mäßig einflussreich (Stufe 3) wahrnimmt.

Die Verteilung der Antworten deutet darauf hin, dass das Programm die Zusammenarbeit beeinflusst hat, jedoch nicht in einem ausgeprägten Maße. Während einige Teilnehmende einen starken Einfluss bemerken (Stufen 4 und 5), gibt es auch eine signifikante Gruppe, die keinen Einfluss (Stufe 1) wahrnimmt.

Wissenschaftlich betrachtet, zeigen diese Ergebnisse, dass das Programm grundsätzlich Ansätze zur Förderung der Zusammenarbeit bietet, aber die Wirkung möglicherweise nicht bei allen Teilnehmenden gleich stark aus­geprägt ist. Dies könnte darauf hindeuten, dass die Integration neuer Kollaborationsansätze mehr Zeit benötigt oder zusätzliche Maßnahmen erforderlich sind, um die Zusammenarbeit effektiver zu fördern.

Abbildung 5 Beeinflussung der Zusammenarbeit

[Quelle: eigene Darstellung]



Für die Weiterentwicklung des Programms empfehlen sich daher Maß­nahmen zur intensiveren Förderung von Teamarbeit und Kollaborations­fähig­keiten, insbesondere im Kontext von KI-Technologien in interdiszipli­nären Teams. Durch gezielte Lernmodule und maßgeschneiderte Unter­stützung könnten die Teilnehmenden besser in die Lage versetzt werden, KI-Initiativen erfolgreich in ihrem organisatorischen Umfeld zu leiten und umzusetzen.

Abbildung 6 Verbesserung der Ergebnisse im Arbeitsbereich

[Quelle: eigene Darstellung]



Abbildung 6 stellt dar, inwiefern die Anwendung von KI nach Einschätzung der Teilnehmenden zu einer Verbesserung der Ergebnisse in ihrem Arbeitsbereich beigetragen hat. Die Skala reicht von 1 (keine Verbesserung) bis 5 (starke Verbesserung).

Der größte Anteil der Teilnehmenden hat die Relevanzstufe 3 gewählt, was auf eine moderate Verbesserung hindeutet. Das bedeutet, dass die Mehrheit der Befragten eine gewisse positive Auswirkung der KI-Anwen­dung in ihrem Arbeitsbereich erkennen kann. Die Balken für die Stufen 2 und 4 sind auch prominent, wobei Stufe 2 darauf hindeutet, dass einige Teilnehmende nur eine geringfügige Verbesserung erlebt haben, während Stufe 4 eine größere, aber nicht maximale Verbesserung anzeigt. Die niedrigsten Balken auf den Stufen 1 und 5 zeigen, dass nur wenige Teil­nehmende entweder keine oder eine sehr starke Verbesserung wahr­genommen haben.

Wissenschaftlich interpretiert, reflektiert diese Verteilung ein differen­ziertes Bild der wahrgenommenen Effektivität von KI im Berufsfeld der Befragten. Während eine generelle Tendenz zu einer positiven Wirkung besteht, variiert das Ausmaß der Verbesserung zwischen den Teilnehmen­den. Diese Unterschiede könnten von einer Vielzahl von Faktoren ab­hängen, wie dem spezifischen Arbeitskontext, der Art der implementier­ten KI-Tools und dem Grad der Integration und Anpassung von KI-Lösungen in den Arbeitsalltag.

Die Erkenntnisse legen nahe, dass die Förderung eines tieferen Verständ­nisses für die praktische Anwendung von KI und die Bereitstellung von Unterstützung bei der Implementierung dazu beitragen könnten, die Effektivität von KI-Anwendungen zu maximieren. Bildungsprogramme sollten darauf abzielen, die Teilnehmenden nicht nur in der Theorie zu schulen, sondern auch praktische Anwendungsfälle zu vermitteln, um eine konkrete und spürbare Verbesserung der Arbeitsergebnisse zu erzielen.

Abbildung 7 Veränderung seit Teilnahme am Programm

[Quelle: eigene Darstellung]



Abbildung 7 veranschaulicht die Selbst­einschätz­ung der Teilnehmenden, wie sich ihre Rolle und ihr Beitrag in KI-bezogenen Projekten oder Diskussionen seit der Teilnahme am Programm verändert haben. Auf der X-Achse sind Relevanzstufen von 1 (keine Ver­änderung) bis 5 (starke Veränderung) dargestellt, während die Y-Achse den Prozentsatz der Teilnehmenden anzeigt, die jede Stufe gewählt haben.

Die überwiegende Mehrheit der Teilnehmenden hat Stufe 3 ausgewählt, was darauf hinweist, dass sie eine moderate Veränderung in ihrer Rolle oder ihrem Beitrag erlebt haben. Ein deutlich kleinerer Anteil der Teil­nehmenden empfindet eine geringe (Stufe 2) oder starke (Stufe 4) Veränderung, während nur sehr wenige keine oder eine sehr starke Veränderung (Stufen 1 und 5) verzeichnen.

Diese Verteilung signalisiert, dass das Programm einen erkennbaren, aber nicht revolutionären Einfluss auf die Rolle und den Beitrag der Teilneh­men­den in KI-bezogenen Kontexten hat. Diese moderate Veränderung könnte auf die Wirksamkeit des Programms bei der Steigerung des Enga­gements und der aktiven Teilnahme der Teilnehmenden in KI-Projekten hindeuten, zeigt jedoch auch, dass es Raum für weitere Verbesserungen gibt, insbesondere bei der Ermächtigung der Teilnehmenden, eine füh­rende Rolle in solchen Projekten zu übernehmen.

Für zukünftige Programmiterationen könnte dies bedeuten, dass eine stärkere Fokussierung auf praktische Erfahrungen und die Anwendung von KI-Wissen erforderlich ist, um die Teilnehmenden zu befähigen, ihre Beiträge zu KI-bezogenen Projekten und Diskussionen signifikant zu er­höhen. Dies könnte durch Projektarbeit, Mentoringprogramme und die Förderung eines aktiven Erfahrungsaustausches zwischen den Teilneh­men­den erreicht werden, um nicht nur ihr Verständnis, sondern auch ihre praktische Anwendungskompetenz in KI zu vertiefen.

Abbildung 8 Stärkung des Selbstvertrauens der Teilnehmenden nach Relevanzstufe

[Quelle: eigene Darstellung]



Abbildung 8 zeigt, wie die Teilnehmenden die Stärkung ihres Selbstvertrauens durch das Programm in Bezug auf KI-bezogene Aufgaben oder Projekte bewerten. Die höchste Säule auf der Relevanzstufe 3 zeigt, dass die meisten Befragten eine mittlere Steige­rung ihres Selbstvertrauens erfahren haben. Die zweithöchste Säule auf Stufe 2 lässt auf eine geringere Steigerung schließen, während die Säulen auf den Stufen 4 und 5 eine stärkere, jedoch weniger häufige Steigerung anzeigen.

Diese Ergebnisse könnten darauf hinweisen, dass das Programm im All­gemeinen erfolgreich das Selbstvertrauen der Teilnehmenden verbessert hat, wobei das Ausmaß der Stärkung variiert. Es ist wichtig zu erkennen, dass, während einige Teilnehmende signifikante Verbesserungen ihres Selbstvertrauens verzeichnen, andere möglicherweise noch Unter­stütz­ung benötigen, um ähnliche Fortschritte zu erzielen.

Um die Auswirkungen des Programms weiter zu erhöhen, könnten zu­künftige Iterationen gezielte Unterstützung für diejenigen bieten, die eine geringere Stärkung des Selbstvertrauens erfahren haben. Das Ziel wäre es, alle Teilnehmenden zu befähigen, KI mit größerer Sicherheit und Kom­petenz anzuwenden.

Abbildung 9 Wahrgenommene Wirkung des AI-Ambassador-Programms auf die Förderung einer Kultur der Offenheit und des Lernens im Kontext von KI unter den Teilnehmenden

[Quelle: eigene Darstellung]

Abbildung 10 Steigerung des Interesses der Teilnehmenden an weiterführenden KI-bezogenen Fortbildungen und Projekten durch das AI-Ambassador-Programm

[Quelle: eigene Darstellung]

Abbildung 11 Einfluss des AI-Ambassador-Programms auf die Initiativfähigkeit der Teilnehmenden zur Einführung und Förderung von KI-Projekten in ihren Organisationen

[Quelle: eigene Darstellung]



Die Abbildungen 9, 10 und 11 stellen unterschied­liche Aspekte dar, wie das AI-Ambassador-Programm die Teilnehmenden in Bezug auf KI beeinflusst hat:

Kultur der Offenheit und des Lernens (Abbildung 9): Das Diagramm zeigt, wie das Programm dazu beigetragen hat, eine Kultur der Offenheit und des Lernens in Bezug auf KI zu schaffen. Die überwiegende Mehrheit der Teilnehmenden gibt an, dass das Programm in dieser Hinsicht eine mäßige bis hohe Wirkung hatte, wobei die meisten Teilnehmenden Stufe 3 wäh­len. Dies legt nahe, dass das Programm wirksam eine Umgebung geför­dert hat, die für KI-Lernen und -Anwendung offen ist.

Interesse an weiteren KI-bezogenen Fortbildungen oder Projekten (Ab­bildung 10): Im nächsten Diagramm bewerten die Teilnehmenden, wie stark das Programm ihr Interesse an weiteren KI-bezogenen Fortbil­dungen oder Projekten geweckt hat. Die Mehrheit fühlt sich durch das Programm motiviert, was auf Stufe 3, 4 und 5 deutlich wird. Dies zeigt, dass das Programm das Interesse an KI erheblich gesteigert hat und möglicherweise die aktive Beteiligung an KI-Projekten und Weiterbildung vorantreibt.

Initiierung und Förderung von KI-Projekten (Abbildung 11): Dieses Dia­gramm reflektiert, inwieweit das Programm die Teilnehmenden dazu ermutigt hat, KI-Initiativen oder -Projekte in ihrer Organisation zu ini­tiieren oder zu fördern. Die Antworten verteilen sich hauptsächlich auf Stufe 3 und 4, was darauf hinweist, dass das Programm einen positiven Einfluss hatte. Einige Teilnehmende fühlen sich gut vorbereitet, um KI-Projekte anzustoßen, während andere möglicherweise weitere Unter­stützung benötigen. Die niedrigen Balken bei Stufe 1 und 2 zeigen, dass wenige Teilnehmende keinen oder nur geringen Einfluss des Programms auf ihre Initiativfähigkeit wahrnehmen.

Wissenschaftlich ausgewertet, illustrieren diese Diagramme, dass das AI-Ambassador-Programm insgesamt einen positiven Effekt auf die Ein­stellungen und Aktivitäten der Teilnehmenden im Zusammenhang mit KI hatte. Während einige Aspekte wie das Interesse an KI stark gefördert wurden, gibt es in anderen Bereichen, wie der Initiierung von KI-Pro­jekten, Raum für Verbesserungen. Diese Erkenntnisse können dazu dienen, zukünftige Programme fein abzustimmen, um nicht nur das Wissen, sondern auch die praktische Anwendung von KI im Berufsfeld der Teilnehmenden zu stärken. Für eine wirksame Förderung der KI-Kom­petenzen sollte das Programm alle Aspekte des KI-Lernens adressieren – von der Kultivierung einer offenen Lernumgebung über die Motivation zur Weiterbildung bis hin zur Befähigung, KI-Projekte zu leiten und zu fördern.



Abbildung 12 zeigt die Häufigkeit, mit der verschiedene Herausforde­rungen von Teilnehmenden im Rahmen des AI-Ambassador-Programms genannt wurden. Die X-Achse kategorisiert die Herausforderungen: technische Schwierigkeiten, Mangel an Ressourcen, fehlendes Verständ­nis, interne Widerstände und sonstige Herausforderungen. Die Y-Achse zeigt die relative Anzahl der Nennungen jeder Herausforderung.

Die am häufigsten genannte Herausforderung ist der »Mangel an Res­sourcen«, gefolgt von »technischen Schwierigkeiten«. Dies könnte auf begrenzte finanzielle Mittel, Zeit oder fehlende technologische Infra­struktur hinweisen, die für die Umsetzung von KI-Projekten erforderlich sind. »Fehlendes Verständnis« steht an dritter Stelle und weist auf eine Wissenslücke bei den Teilnehmenden oder anderen Stakeholdern hin, welche die Umsetzung von KI-bezogenen Initiativen erschwert. »Interne Widerstände« könnten auf organisatorische Kultur oder Widerstand gegen Veränderungen zurückzuführen sein, die Innovationen bremsen. »Sonstige« Herausforderungen könnten eine Vielzahl von weniger häu­figen Problemen umfassen, die nicht in die vorherigen Kategorien fallen.

Wissenschaftlich ausgewertet, gibt diese Verteilung wertvolle Einblicke in die Barrieren, die es zu überwinden gilt, um die Integration von KI in den Arbeitsalltag zu erleichtern. Die Identifizierung dieser Hindernisse ist ent­scheidend, um zielgerichtete Lösungsstrategien zu entwickeln und die Umsetzung von KI-bezogenen Projekten zu fördern. Ein tieferes Ver­ständ­nis dieser Herausforderungen kann auch dazu beitragen, zukünftige Bildungsprogramme so zu gestalten, dass sie auf die spezifischen Bedürf­nisse der Teilnehmenden eingehen und sowohl die erforderlichen Res­sourcen als auch das nötige Wissen zur Bewältigung technologischer Herausforderungen bereitstellen.

Abbildung 13 zeigt die Häufigkeiten der Ant­worten auf die Frage, welche Art von zusätzlichen Ressourcen oder Unter­stützungen den Teilnehmenden helfen würden, KI effektiver in ihrer Arbeit zu nutzen. Die Kategorien umfassen Schulungen, technische Unter­stützung, mehr Personal, finanzielle Mittel sowie sonstige Ressour­cen oder Unterstützung.

2 Becoming a reflective student: das DIRK Dual-Konzept für Future Skills im dualen Studium

Das duale Studium bietet mit seiner besonderen Struktur förderliche Bedingungen für das Erlernen von Kompetenzen und damit auch für Future Skills. Studierende lernen, studieren und arbeiten jeweils drei Monate am Praxisstudienort, dem Dualen Partner, sowie an einem der Standorte der DHBW. Studierende werden durch die Verzahnung von Theorie und Praxis zu Reflexionsprozessen angeregt, machen praktische Erfahrungen, die sie mit den gelernten Inhalten in Beziehung setzen und mit den Erfahrungen anderer Studierender abgleichen können. Es gibt also im Studium an der DHBW zahlreiche Möglichkeiten, die eigenen Erfahrungen individuell und gemeinsam zu reflektieren, die eigenen Kompetenzen einzuschätzen und sich gemeinsam dabei zu unterstützen. Empirische Untersuchungen zeigen jedoch auch, dass dieses Potenzial der Theorie-Praxis-Verzahnung nicht immer genutzt wird (Deuer & Wild, 2018; Gerstung & Deuer, 2020; Statistisches Landesamt Baden-Württemberg, 2018). Die Initiative DIRK Dual nimmt dies zum Ausgangspunkt für die folgenden drei Hauptinnovationsziele:

• (I) Die Verbesserung der studentischen Lernreflexionen im Übergang von Praxis- zu Theoriephasen und auch umgekehrt mittels eines formativen und stärker auf die Studierenden angepassten Peer-Reflexionskonzepts.

• (II) Die Digitalisierung des Ablauf- und Reflexionsberichts (ARB) und damit einhergehend die Einführung eines die gesamte Studienlaufzeit umfassenden und somit für den Lernfortschritt nachhaltigen E-Portfolio-Tools.

• (III) Die Einführung eines studiumsintegrierten Future-Skills-Programmes, welches Studierende bei der lehrintegrierten sowie auch selbstgesteuerten Entwicklung von Future Skills über das gesamte duale Studium unterstützen und mit Open Badges¹ zertifiziert werden soll.



Zu (I): Dafür wurde ein Kurskonzept entwickelt, das durch eine Kombi­nation verschiedener Lernformate dazu beiträgt, Studierende als soge­nannte Reflective Practitioners (Schön, 1983) zum erfolgreichen Handeln zu befähigen und sie in der Entwicklung ihrer Future Skills zu unter­stützen. Der reflexions- und erfahrungsbasierte Ansatz fußt auf dem Begriff der learner agency (Schoon, 2018) und soll Studierende in die Lage versetzen, Verantwortung für ihren eigenen Lernprozess zu übernehmen und diesen eigenständig zu reflektieren. Lernende sollen ihren Lern­pro­zess im Sinne von Kolbs (1984) Reflexionszyklus bewusst steuern – dabei sollen sie sowohl geplante als auch spontan gemachte Erfahrungen sowie Handlungsstrategien reflektieren, sich ihres impliziten Wissens bewusst­werden und so ein Verständnis für ihren Handlungs­kontext entwickeln (Schön, 1983) und nutzen (siehe dazu ausführlicher: Ehlers et al., 2023). Doch findet das Erlernen von Future Skills nicht isoliert statt: Es bedarf Begleitung und Feedback sowie Peer Feedback (Hattie & Timperley, 2007), um eigene Wahrnehmungen mit anderen Perspektiven abgleichen zu können und nicht nur individuell, sondern auch gemeinsam den Lern­prozess zu gestalten. Das DIRK Dual-Konzept beschreibt das Erlernen von Future Skills in einem Vierschritt, der an Kovalcik (2019) angelehnt ist und durch verschiedene im Rahmen des Projektes entwickelte Konzepte und Materialien unterstützt werden soll (siehe ausführlicher Kap. 3: Werk­zeuge aus dem DIRK Dual-Future-Skills-Baukasten):

• Schritt 1: Benennung und Definition von Future Skills
• Schritt 2: Bewusstsein für Future Skills entwickeln und bedeutsame Future Skills identifizieren
• Schritt 3: Die Entwicklung von Future Skills mit Erfahrungen verbinden
• Schritt 4: Future-Skill-Artikulation und Übertragung auf andere Kontexte

Mit seiner besonderen Struktur bietet das duale Studium dafür förder­liche Bedingungen, indem praktische Erfahrungen mit den gelernten Inhalten in Beziehung gesetzt und mit anderen Studierenden abgeglichen werden können, um sich so gegenseitig im individuellen Kompetenzlernen zu unterstützen (Deuer & Wild, 2018). Dieses bisher noch nicht ausrei­chend genutzte Potenzial soll mit dem Projekt DIRK Dual sichtbar gemacht und besser genutzt werden.



Zu (II): Das DIRK Dual-Gesamtkonzept stützt sich auf ein zentrales Instru­ment des Studiums an der DHBW, dem sogenannten Ablauf- und Refle­xi­ons­bericht (ARB), und flechtet diesen in ein didaktisches Design aus Workshops, Peer-Feedback und Lern-Coachings ein. Abbildung 1 zeigt die Elemente des Gesamtkonzepts.

Der ARB ist ein bewährtes Instrument an der DHBW, um die Kompetenz­entwicklung der Studierenden während der Praxisphasen auf Basis von schriftlichen Selbstreflexionen sichtbar zu machen und zu dokumentieren. Um das Potenzial dieses Instruments jedoch vollständig auszuschöpfen und Reflexion nicht nur punktuell, sondern kontinuierlich anzuregen, wird eine Umstellung des PDF-basierten Dokuments auf ein kontinuierlich zu füllendes E-Portfolio angestrebt – mit sechs Reflexionszeitpunkten pro Studienjahr.



Zu (III): Damit Studierende dieses wiederum eigenständig nutzen können und den Blick für ihre Future-Skills-Entwicklung schärfen, wurden Lern­interventionen in Form von Workshops rund um die Themen Future Skills sowie eigenverantwortliches und selbstgesteuertes Lernen eingeführt und werden nun gegebenenfalls in den Curricula verankert werden. Einen dieser Workshops, das Future-Skills-Modul, konnten wir zwischen De­zem­ber 2022 und Januar 2023 mit 512 Studierenden in insgesamt 22 Kursen als Onboarding-Workshop an verschiedenen Fakultäten und Standorten der DHBW pilotieren. Es wurden verschiedene Ansatzpunkte identifiziert, um das Workshopkonzept weiterzuentwickeln. Dies geschah iterativ nach jedem durchgeführten Workshop auf Basis des quantitativen sowie quali­tativen Feedbacks von Seiten der Studierenden. Das weiter­entwickelte Workshopkonzept wurde im Zeitraum Dezember 2023 bis Februar 2024 in weiteren 33 Kursen mit 631 Studierenden getestet und evaluiert. Die Ergebnisse geben wertvolle Aufschlüsse dazu, wie Studierende im Studium in der Entwicklung von Future Skills unterstützt werden können, und zeigen gleichzeitig die Wichtigkeit einer solchen didaktischen Imple­mentierung auf. Das Feedback zeigt allerdings auch die Signifikanz auf, das Konzept ganzheitlich weiterzuentwickeln, um über das ganze Studium hinweg Folge- und Begleitangebote anbieten zu können. Das Projekt birgt das Potenzial, die Hochschulbildung durch die Integration von Workshops und Angeboten zur Entwicklung von Future Skills zu bereichern. Der Schlüssel zum Erschließen dieses Potentials liegt in der engen Zusam­men­arbeit mit Studiengangsleitungen, um innerhalb des bestehenden Curri­culums Raum für solche innovativen Lerngelegenheiten zu schaffen. Dieser Ansatz ermöglicht es, dass die Angebote nicht als zusätzliche Belastung wahrgenommen werden, sondern als integraler Bestandteil des Studiums, das darauf abzielt, den Studierenden relevante Kompetenzen für zukünftige berufliche und weitere Kontexte zu vermitteln. Darüber hinaus erkennen wir das Potential für Coaching- und Mentoringangebote, die, sobald sie strukturell in das Studienangebot integriert sind, nicht nur konzipiert, sondern auch erfolgreich umgesetzt werden können. Die Realisierung dieser Vision erfordert eine Anpassung der Kapazitäten und eine strategische Planung, um die entwickelten Angebote nachhaltig in die Hochschullandschaft einzubetten und den Studierenden eine umfas­sende Bildungserfahrung zu bieten.

Die Materialien werden im Format eines Baukastens entwickelt, der auch in anderen Kontexten und über die DHBW hinaus eingesetzt werden kann.

3 Werkzeuge aus dem DIRK Dual-Future-Skills-Baukasten

Nachfolgend sollen einzelne bereits entwickelte Materialien und Ele­men­te des DIRK Dual-Baukastens vorgestellt werden, bevor die Evaluierungs­ergebnisse einer Pilotierung Rückschlüsse auf Gelingensbedingungen und Potenziale bieten.

Kernstück des Konzepts ist das Future-Skills-Modul als Onboarding-Workshop (Abbildung 2). Dieses findet über 4 LVS statt und besteht aus drei Blöcken mit jeweils circa 60 Minuten Lernzeit zu den Themen (I) Future Skills kennenlernen, (II) Future-Skills-Profil entdecken, (III) Future-Skills-Learning-Journey entwickeln.



Jeder Block beginnt mit einem Lightning Talk und wird mit interaktiven und nachfolgend dargestellten Lernaktivitäten fortgesetzt, die Studie­rende in verschiedenen Sozialformen (einzeln, Gruppe, Plenum) durch­führen. Ein sogenannter Future-Skills-Passport in Papierform wird über die gesamte Workshopdauer genutzt, um Lernergebnisse zu dokumen­tie­ren. Er enthält auch eine Übersichtskarte der Future-Skills-Profile, mit denen gearbeitet wird. Durch sein kompaktes Format kann er mitge­nom­men und als Erinnerungsstütze genutzt werden, um sich im Alltag und über die Workshopdauer hinaus mit Future Skills zu beschäftigen.

Weiterhin wird in Block 1 ein Future-Skills-Kartenspiel (Abbildung 3) genutzt, um Future Skills kennenzulernen. Es dient sowohl dem Kennen­lernen (TABU-Variante) als auch dem Diskutieren von Future Skills und enthält verschiedene Aktionskarten, die zur Reflexion und zum Austausch anregen.



Mit den Future-Skills-Karten können auch in anderen Kontexten, also über das Future-Skills-Modul hinaus, stärkenorientierte Lernphasen durch­geführt werden, so beispielsweise die didaktische Lernsequenz Stories of Transformation. Dabei werden Studierende gebeten, eine Anker­situation ihres eigenen Lebens vorzubereiten, in der sie sich als sehr selbstwirksam und stark, zufrieden oder glücklich wahrgenommen haben und in der sie etwas aus ihrer Sicht sehr Wertvolles geschafft oder bewältigt haben. Sie werden dann gebeten, diese Ankergeschichten in Kleingruppen einander zu erzählen und sich gegenseitig empathisch und aktiv zuzuhören. Dabei sollen die Zuhörenden jeweils durch die Future-Skills-Karten blättern und, während sie zuhören, solche Future-Skills-Karten heraussuchen, die ebenfalls zu der Erzählung passen. Diese werden als Fremdreflexion der erzählenden Person gespiegelt. Diese reflektiert dann ihrerseits, ob sie mit den Future Skills, die ihr präsentiert werden, in Resonanz treten kann.

Weitere Methoden in der Lernsequenz fokussieren sich ebenfalls auf die Entwicklung der Reflexionsfähigkeit von Studierenden. In Teil II kommt der Future Skill Kompass zum Einsatz, der Studierende anhand von Hand­lungssituationen anregt, ihren eigenen Entwicklungsstand von Future Skills zu reflektieren. Der Future Skill Kompass ist ein Online-Instrument, das auf der Idee der subjektiven und situativen Interessens- und Präferenzeinschätzung basiert. Die Studierenden bekommen heraus­fordernde Handlungssituationen, die allesamt Future Skills thematisieren, vorgelegt und werden gebeten, einzuschätzen, wie wohl sie sich in solchen Situationen fühlen würden. Dies wird visuell in Form eines gra­fischen Spinnennetzdiagramms dargestellt und in Einzel- und Gruppen­arbeit reflektiert, um auf diese Weise Selbst- und Fremdwahrnehmungen zu vergleichen und Reflexionsimpulse anzustoßen. Darüber hinaus sollen durch den Austausch einer persönlichen Ankergeschichte, die als Evidenz für die Einschätzung dienen soll, Hinweise auf persönliche Zukunfts­kompetenzen gesammelt werden. Abbildung 4 zeigt exemplarisch ein Future-Skills-Profil mit den dazugehörigen Handlungssituationen.

4 Erfolge und Herausforderungen

Nachfolgend sollen Gelingensbedingungen und Potenziale für das Er­lernen von Future Skills im Studium aufgeführt werden, die sich einer­seits aus den Rückmeldungen der Studierenden nach Absolvieren des Future-Skills-Moduls zusammensetzen, andererseits aus einer Gruppen­aus­wertung von Studiengangsleiterinnen und -leitern im Anschluss an eine großflächige Durchführung des Future-Skills-Moduls und aus ersten Erkenntnissen, die aus den Fokus-Meetings mit den Studierenden stam­men, die das Future-Skills-App-Lernangebot wahrgenommen haben. Der Fokus der Auswertung soll hierbei auf dem qualitativen Datenmaterial liegen sowie Aufschlüsse über Gelingensbedingungen und Heraus­forde­rungen für das vorgestellte Konzept geben.



4.1 Evaluation des Workshopkonzepts

Der 30 Items umfassende Fragebogen, mit dem die Workshop-Erfah­run­gen aus Studierendensicht erhoben wurden, gliedert sich in die Ab­schnit­te soziodemografische Daten (Alter, Geschlecht, Studiengang), Reaktion und Wirkung des didaktischen Designs, Fragen zur Akzeptanz der Studie­renden hinsichtlich spezifischer Charakteristika des Workshops sowie Fragen zu Selbstwirksamkeitserfahrungen. Es wurde eine Likert-Skala (stimme gar nicht zu, stimme eher nicht zu, stimme eher zu, stimme voll zu) mit der Möglichkeit der Auswahl von »keine Antwort« verwendet. Um genauere Erkenntnisse zum einzelnen Antwortverhalten zu erhalten, wurden problemzentrierte Nachfrageanteile verwendet. Da die Likert-Skalen der beiden Erhebungszeiträume sich unterscheiden, werden im vorliegenden Beitrag aus Platzgründen lediglich die Erkenntnisse des zwei­ten Erhebungszeitraums (Dezember 2023 – Februar 2024) darge­stellt. Von den 631 Studierenden, mit denen der Workshop durchgeführt wurde, beantworteten 452 Studierende die Umfrage, was eine Gesamt­rücklaufquote von 71,6 Prozent ergibt. Nach der Datenbereinigung und Qualitätsprüfung wurden 405 Umfragen als von ausreichender Daten­qualität für die Analyse bewertet.

Als Einstieg und zur Verortung einiger allgemeiner Faktoren (Abbildung 5), die den Workshop betreffen, soll zunächst eine kurze Darstellung der quantitativen Daten erfolgen, der Fokus der Auswertung soll jedoch auf der Auswertung des qualitativen Datenmaterials liegen. In Anbetracht der Bedeutung des Erlernens von Future Skills ergab sich eine Zustim­mungs­rate von 82,6 Prozent. Die Wichtigkeit zeigt sich auch klar daran, dass 66,5 Prozent der Studierenden an zusätzlichen Future-Skills-Lernange­boten teilnehmen würden, 12,4 Prozent von ihnen sogar im Selbst­lernmodus in ihrer Freizeit.



Das Feedback zur Frage, ob der Workshop dazu diente, die Teilnehme­rinnen und Teilnehmer mit dem Konzept von Future Skills vertraut zu machen, war mit 84,5 Prozent überwältigend positiv und verdeutlicht die Relevanz der Thematik (Abbildung 6). Der Workshop hat darüber hinaus mit einer Zustimmung von 59,3 Prozent gezeigt, dass ein solches Lehr-Lernkonzept sinnvoll ist, um Studierende dabei zu unterstützen, Future Skills zu identifizieren, die für sie persönlich bedeutsam sind.



Betrachtet man nun die offenen Freitextantworten des Workshop-Fragebogens, so zeigen sich hier ebenfalls klare Tendenzen hinsichtlich der Future-Skills-Lernerfahrungen der Studierenden. Um eine Übersicht über die diversen Antworttendenzen zu erhalten, erfolgte eine Bildung von thematischen Clustern. Der Schwerpunkt der Auswertung richtet sich auf die Identifikation spezifischer Herausforderungen und Schwierig­keiten, mit denen das Konzept aus Studierendenperspektive konfrontiert wird, um daraus zu schließen, welche Faktoren zu einer gesteigerten Akzeptanz und Effektivität zukünftiger Workshopdesigns und einer niedrigschwelligen Implementierung in das Curriculum beitragen können. Betrachtet man die Freitextantworten derjenigen, die ausführen sollten, wieso ihnen die Workshopziele nicht deutlich waren, so lassen sich ins­besondere Themenschwerpunkte hinsichtlich eines fehlenden Lebens­weltbezugs sowie der Unklarheit bezüglich nachfolgender, auf dem Workshop aufbauender Lernangebote und des konkreten, individuellen Praxisbezugs der Inhalte identifizieren. Akzeptanzsenkende Faktoren (»Das würde ich am Workshop noch verbessern«) zeigen sich in der zu langen Workshopdauer sowie in dem Wunsch einer im Rahmen des Workshops intensiveren Auseinandersetzung mit einzelnen Future Skills. Die beiden letztgenannten Faktoren sind jedoch schwer miteinander zu vereinen. Demgegenüber kristallisieren sich folgende zentrale Aspekte heraus, welche die Akzeptanz für das Konzept fördern (»Das hat mir am Workshop besonders gut gefallen«): Der starke Fokus auf Interaktivität und Teilnehmendenorientierung durch dynamische Gruppenaktivitäten und -prozesse wurde positiv hervorgehoben und führte zu einem Aus­tausch und Netzwerkaufbau unter den Kommilitoninnen und Kommili­to­nen. Weiterhin trug die strukturelle sowie methodische Vielfalt inklusive der proaktiven Workshopgestaltung seitens der Lehrenden maßgeblich zum konzeptuellen Verständnis von Future Skills bei. Abschließend kann aus den Freitextantworten verdeutlicht werden, dass die Workshops zu einer vertieften Auseinandersetzung und Identifikation mit dem eigenen Future-Skills-Profil geführt haben, was sich auch in den quantitativen Daten manifestiert. Betrachtet man die Studierendenwünsche in Bezug auf ihre weitere Future-Skills-Entwicklung, so wird evident, dass insbe­sondere konkrete Methoden, um Future Skills zu lernen, die Bereit­stel­lung von zusätzlichen Lernmaterialien und -ressourcen sowie praktische Anwendungen als Schlüsselkategorien genannt wurden. Dies deckt sich auch mit den vorgestellten quantitativen Analysen und verdeutlicht eindrucksvoll die Bedeutung, die Studierende dem Future-Skills-Lernen beimessen.



4.2 Feedback der Studiengangsleitenden im Rahmen einer Fokusgruppe

Im Rahmen einer Fokusgruppe mit 15 Studiengangsleitenden wurde das Future-Skills-Modul evaluiert, das zeitgleich in einer vollständigen ersten Semester-Kohorte pilotiert wurde. Der offene Dialog und die Protokol­lierung der Gespräche lieferten wertvolle Einblicke. Insbesondere wurde die Relevanz des Zeitpunkts der Einführung von Future Skills betont. Zu Studienbeginn liegt der Fokus der Studierenden oft auf dem Bestehen von Prüfungen, während die bewusste Kompetenzentwicklung in den Hintergrund rückt.

Die Ergebnisse der Fokusgruppe lassen sich in folgenden Punkten zusammenfassen:

1. Die Implementierung einer an Future Skills orientierten Lehre stellt für Lehrende eine besondere Herausforderung dar, da es um innovative erfahrungsbezogene, situative und interaktive Lehrformate geht, die auf authentischen Studierendenerfahrungen basieren. Diese Heran­gehens­weise erfordert von den Lehrenden eine besondere Flexibilität und Offen­heit für neue Lehrmethoden.
2. Die Einführung von an Future Skills orientierten Lehrmethoden erfor­dert eine umfassende Vorbereitung und Unterstützung der Lehren­den. Dies beinhaltet nicht nur die Bereitstellung von Materialien und Semi­nar­konzepten, sondern auch fortlaufende Weiter­bildungs­angebote, die Lehrende in die Lage versetzen, diese Methoden effektiv anzuwenden.
3. Change-Management-Prozesse müssen daher so gestaltet sein, dass sie auf die spezifischen Bedürfnisse und Vorbehalte der verschiedenen Lehrendengruppen eingehen – solche, die bereits Erfahrung mit diesen Lehrformaten haben und solche, die noch viel Unterstützung dabei benötigen.
4. Bedeutung des Zeitpunkts: Eine frühe Integration von an Future Skills orientierten Lehrmethoden kann Studierende von Beginn ihres Stu­diums an zur aktiven Kompetenzentwicklung motivieren.
5. Klarheit der Terminologie: Die Bedeutung und Relevanz von Kom­pe­tenzen muss den Studierenden klar und verständlich vermittelt werden. Eine Vereinfachung der Fachsprache und eine grundlegendere Einfüh­rung in das Thema sind essentiell.
6. Angebote mit zunehmender Komplexität: Um eine nachhaltige Inte­gra­tion von Future Skills zu fördern, sind regelmäßige, im Schwie­rigkeits­grad ansteigende Angebote sinnvoll. Dies unterstützt eine kontinuier­liche Kompetenzentwicklung über den gesamten Studienverlauf.
7. Es ist sehr wichtig, dass Future Skills nicht nur wissensorientiert, etwa als Katalog von Zukunftskompetenzen, gelehrt beziehungsweise ledig­lich präsentiert werden, sondern dass Studierende in dazu geeigneten erfah­rungsbasierten Formaten in Reflexionsprozesse über das eigene Lernen eintreten. Die erfolgreiche Implementierung einer an Future Skills orien­tierten Lehre erfordert ein umfassendes Umdenken und Anpassungs­fähigkeit seitens der Lehrenden und seitens der Lernenden.



Als Fazit lässt sich festhalten, dass durch gezielte Unterstützungs­maß­nahmen, angepasste Weiterbildungsangebote und eine klare Kommuni­ka­tion die Voraussetzungen geschaffen werden können, um alle Lehrenden – von Aktivistinnen und Aktivisten über Skeptikerinnen und Skeptiker bis hin zu Interessierten – in diesen Prozess einzubeziehen. Die frühzeitige und klare Förderung von Kompetenzen bei Studierenden sowie die Bereitstellung gestaffelter Lernangebote tragen maßgeblich zu einer erfolgreichen Implementierung bei.



4.3 Studierendenerfahrungen aus den Lern-Apps

Im weiteren Projektverlauf erfolgt eine Auswertung der Future-Skills-Apps, die im Zeitraum Dezember 2023 – März 2024 getestet wurden. Alle drei Apps², auch wenn sie sich in ihrer didaktischen Vorgehensweise unterscheiden, zeichneten sich dadurch aus, dass sie in den Alltag inte­grierte, kleine Lernimpulse bieten, um Future Skills zu fördern und zu vertiefen. Die qualitativen Daten wurden in digitalen monatlichen Fokus-Meetings per Padlet/Conceptboard erhoben und sollen nachfolgend knapp dargestellt werden.

Ein zentraler Aspekt, der sich bei allen drei Angeboten durchgezogen hat, war, dass die Lernangebote förderlich für die Aktivierung, Strukturierung und Bewusstmachung von Kompetenzen sind. Dies wird insbesondere durch Reflexionsimpulse in der Auseinandersetzung mit den App-Inhalten initiiert, da diese speziell auf die persönlichen und individuellen Erlebnisse der Studierenden eingehen und so erfahrungsbasiertes Lernen aus der Lebenswelt der Studierenden ermöglichen. Gleichermaßen ließen sich die Lerninhalte nicht nur unmittelbar in der Praxisphase beziehungsweise im Berufsalltag anwenden, sondern auch während des Theoriestudiums an der DHBW sowie ebenfalls im privaten Bereich. Generell lässt sich auch feststellen, dass die Studierenden eine Präferenz für eher kompakte Lerninhalte zeigen. Auch bei der individuellen Lerngestaltung war das Future-Skills-Lernangebot unterstützend: Neben der bereits erwähnten persön­lichen Relevanz der individuellen Lehrinhalte wurden insbesondere die Sichtbarmachung des Lernfortschritts, Push-Benachrichtigungen als Erinnerung sowie bei Bedarf angeleitete Lernempfehlungen als hilfreich für die Strukturierung des Lernprozesses angeführt. Auch die Fokus­meetings per se wurden positiv angenommen und als ein wichtiges Element für die persönliche Selbstreflexion des vergangenen Lernzeit­raums angesehen.

Sowohl die qualitativen als auch die quantitativen Evaluationsergebnisse verdeutlichen das ausgeprägte Interesse, die persönliche Bedeutsamkeit und die Akzeptanz der Studierenden hinsichtlich der Future-Skills-Lern­interventionen und unterstreichen die Relevanz des zugrundeliegenden Konzepts. Dies spiegelt sich auch in der Wahrnehmung der Studierenden wider, die ein erhöhtes Interesse an weiteren Lernmöglichkeiten bekun­den. Eine grundsätzliche Bereitschaft, sich intensiver mit der Thematik auseinanderzusetzen, ist vorhanden, jedoch zeigen die qualitativen Eva­lua­tionsergebnisse die spezifischen Herausforderungen, mit denen sich das Konzept konfrontiert sieht. Insbesondere der individuelle Praxis­bezug, der Zeitpunkt des Workshops und eine Unklarheit im Hinblick auf Folge­angebote wurden hier vonseiten der Studierenden sowie der Studien­gangsleitenden als verbesserungswürdig angeführt. Alle drei Punkte sind jedoch studiengangsmodular bedingt und sprechen für eine didaktische Integration in das bestehende Studienmodell, um Zeitpunkte, individuelle studiengangsbezogene Praxisinhalte und Future-Skills-Folge­angebote in die bestehenden Hochschulstrukturen zeitlich sowie kon­zeptionell einzubetten und abzustimmen.

Abbildung 4 Einstieg in die Metaverse-Anwendung

[Quelle: eigener Screenshot]

Abbildung 5 Arbeitsschritte im Raum zur Ableitung einer Fragestellung

[Quelle: eigener Screenshot]

Abbildung 6 Arbeitsschritt ›Verfassen einer wissenschaftlichen Arbeit‹

[Quelle: eigener Screenshot]