LLM‑Unterstützte CS‑Lehre: Mensch im Steuerkreis gegen Zielabweichungen

In der Computer‑Science‑Lehre werden große Sprachmodelle (LLMs) immer häufiger als Hilfsmittel für Programmieraufgaben eingesetzt. Dabei kommt häufig ein Phänomen namens „objective drift“ vor: Die von der KI erzeugten Lösungen sehen lokal sinnvoll aus, erfüllen aber nicht die eigentlichen Aufgabenanforderungen. Traditionelle Lehransätze konzentrieren sich meist auf spezifische Prompt‑Techniken, die mit der Weiterentwicklung der Plattformen schnell veralten.

Die neue Studie verfolgt einen menschenzentrierten Ansatz und betrachtet die Kontrolle des Zieldrifts als dauerhafte Lernaufgabe statt als Übergang zur vollautomatischen KI. Durch die Anwendung von System‑Engineering‑ und Regelungstheorie‑Konzepten werden Ziele und Weltmodelle als operative Artefakte definiert, die Studierende konfigurieren, um die KI‑unterstützte Arbeit zu stabilisieren.

Ein Pilot‑Curriculum für ein Bachelor‑Labor wird vorgestellt, das bewusst Planung und Ausführung trennt. Studierende lernen, Akzeptanzkriterien und architektonische Beschränkungen vor der Code‑Generierung festzulegen. In ausgewählten Übungen wird gezielt ein konzeptuell abgestimmter Drift eingeführt, um die Diagnose und Behebung von Spezifikationsverletzungen zu üben.

Die Autoren führen eine Sensitivitäts‑Power‑Analyse für ein dreigruppiges Pilot‑Design durch, das unstrukturierte KI‑Nutzung, strukturierte Planung und strukturierte Planung mit eingebautem Drift vergleicht. Die Analyse zeigt, dass unter realistischen Abschnittsbedingungen messbare Effekte erkennbar sind.

Das Ergebnis ist eine theorie‑gestützte, methodisch explizite Grundlage für Human‑in‑the‑Loop‑Pädagogik, die Lernkompetenzen im Bereich der KI‑Kontrolle über verschiedene, sich wandelnde KI‑Tools hinweg erlernbar macht.