51本色

Michael Barthelm盲s, Johannes Ziegler, Lisa Langhammer, Julia Arnold, Franziska Rees, Elisa Altgassen, Dominik St枚ckle & Johannes Keller
(Fakult盲t f眉r Ingenieurwissenschaften, Informatik und Psychologie | Institut f眉r Psychologie und P盲dagogik)

Wissenschaftlicher Fortschritt braucht innovative Ideen und gute wissenschaftliche Praxis. Open-Science r眉ckt dabei transparente und nachvollziehbare Forschung in den Mittelpunkt. Dazu geh枚ren ein methodisch sauberes Vorgehen, begr眉ndete Entscheidungen, sorgf盲ltige Dokumentation und eine transparente Berichterstattung. Diese Grundlagen guter wissenschaftlicher Praxis zu vermitteln, ist eine zentrale Aufgabe der Hochschullehre 鈥� quer durch alle Disziplinen. Doch wie l盲sst sich feststellen, welches Wissen Studierende bereits mitbringen und was sie im Verlauf einer Lehrveranstaltung dazulernen?

In der Psychologie hat die Replikationskrise die Bedeutung guter wissenschaftlicher Praxis besonders deutlich gemacht. Sie hat zugleich eine Diskussion 眉ber Anreizstrukturen bef枚rdert, die hohe Publikationszahlen und spektakul盲re Ergebnisse st盲rker belohnen als sorgf盲ltige und transparente Forschungsprozesse. Die Open-Science Bewegung setzt hier an und hat zunehmend Eingang in Forschung und Lehre gefunden. Um entsprechende Lehrangebote gezielt gestalten und evaluieren zu k枚nnen, braucht es geeignete Instrumente zur Erfassung von Wissen und Wissenszuw盲chsen.

Der Beitrag stellt die Entwicklung und die Einsatzm枚glichkeiten eines Wissenstests zu Open-Science und guter wissenschaftlicher Praxis vor. Auf Grundlage einer Taxonomie wurden relevante Wissensbereiche eingegrenzt und Testfragen entwickelt. Diese wurden in drei Pilotierungsrunden (N = 134) erprobt und 眉berarbeitet sowie mit der Open-Science-Kommission der Deutschen Gesellschaft f眉r Psychologie diskutiert. Anschlie脽end wurde das Instrument in einer Validierungsstudie mit N = 296 Psychologiestudierenden untersucht. Der finale Aufgabenpool umfasste 118 Testfragen mit jeweils einer richtigen und drei falschen Antwortoptionen. Mithilfe eines algorithmischen Optimierungsverfahrens (Ant Colony Optimization) wurden daraus drei parallele Testversionen mit jeweils 24 Items zusammengestellt. Diese weisen hinsichtlich der Itemschwierigkeiten, Faktorladungen und Abdeckung der Wissensbereiche eine sehr hohe Vergleichbarkeit auf.

F眉r die Lehre er枚ffnet das Instrument mehrere Einsatzm枚glichkeiten: Zu Veranstaltungsbeginn kann es helfen, Vorwissen und Wissensl眉cken zu erkennen und inhaltliche Schwerpunkte zu setzen. Im Semesterverlauf erm枚glicht es R眉ckmeldungen zum Lernfortschritt; die parallelen Testversionen erlauben es, Wissenszuw盲chse mit unterschiedlichen Aufgaben zu erfassen. Der umfangreiche Aufgabenpool bietet zudem die M枚glichkeit, weitere Testversionen f眉r unterschiedliche Zielgruppen zusammenzustellen, etwa mit anspruchsvolleren Fragen f眉r die Graduiertenausbildung.

Im kommenden Semester wird der Test in empirischen Lehrprojekten im Bachelorstudium Psychologie eingesetzt, um die Entwicklung des Open-Science-Wissens zu untersuchen. In einem anschlie脽enden, durch die Lehrinkubatorf枚rderung unterst眉tzten Projekt dient er au脽erdem der Evaluation eines neuen didaktischen Ansatzes. Der Vortrag stellt das Instrument zur Diskussion und l盲dt Lehrende anderer empirisch arbeitender Disziplinen 鈥� beispielsweise Biologie, Medizin und Wirtschaftswissenschaften 鈥� ein, M枚glichkeiten einer fachspezifischen Adaption und gemeinsamen Weiterentwicklung auszuloten.

Keywords: Open-Science, gute wissenschaftliche Praxis, Wissensdiagnostik

Bastian Beitzinger¹, Simon Krause¹, Mika Lind茅n¹ & Timo Ropinski²
(¹Fakult盲t f眉r Naturwissenschaften, Institut f眉r Anorganische Chemie II | ²Fakult盲t f眉r Ingenieurwissenschaften, Informatik und Psychologie, Institut f眉r Medieninformatik)

Studierende nutzen generative KI, um Lehrinhalte zu verstehen und Fragen zu kl盲ren, aber allgemeine Chatbots antworten ohne verl盲sslichen Bezug zur jeweiligen Lehrveranstaltung. Zudem haben Lehrende kaum Einfluss darauf, was die KI erkl盲rt, w盲hrend Studierende selbst beurteilen m眉ssen, ob die Antworten fachlich stimmen und zum Kurs passen. Daraus ergibt sich unsere Leitfrage: Wie k枚nnen Lehrende die Wissensgrundlage und Qualit盲t eines KI-Tutors aktiv mitgestalten?

Unser an der Universit盲t Ulm entwickelter KI-Lehrassistent KEMI beantwortet Fragen auf Grundlage des Lehrmaterials der Veranstaltung, das die Lehrenden bereitstellen. Aus den Fragen der Studierenden entsteht au脽erdem eine Wissensbasis mit gepr眉ften Antworten: Die KI schl盲gt Eintr盲ge vor, aufgenommen wird aber nur, was die Lehrenden ausdr眉cklich freigegeben haben. KEMI soll so die fachliche und didaktische Erfahrung der Lehrenden auch zwischen den Pr盲senzterminen verf眉gbar machen: Studierende erhalten Unterst眉tzung bei grundlegenden Fragen, w盲hrend Lehrende mehr Freiraum f眉r Vertiefung, Diskussion und individuelle Begleitung gewinnen.

In einer Pilotstudie im M盲rz 2026 testeten acht Chemie-Instruktor:innen KEMI in 254 Interaktionen zu Atommodellen, Metallbindung und Redoxchemie. Drei Sprachmodelle unterschiedlicher Leistungsf盲higkeit wurden verdeckt verglichen, zun盲chst ohne und anschlie脽end mit kuratierter Wissensbasis. Erg盲nzend zu den R眉ckmeldungen der Instruktor:innen bewertete ein weiteres Sprachmodell die Antworten nach f眉nf Kriterien, darunter fachliche Richtigkeit und Treue zum Lehrmaterial.

Ohne Wissensbasis unterscheiden sich die Modelle deutlich. Das leistungsschw盲chste Modell machte schwere Fachfehler bei Standardpotenzialen und Koordinationszahlen; ein anderes erfand auf Nachfrage eine Begr眉ndung, statt seinen Fehler zu korrigieren. Trifft eine Frage dagegen auf einen freigegebenen Eintrag der Wissensbasis, 盲ndert sich das Bild (Abb. 1): Bei inhaltlich vergleichbaren Fragen stieg die Treue zum Lehrmaterial beim leistungsschw盲chsten Modell von 4,07 auf 4,93 von 5 Punkten und erreichte damit fast das Niveau des leistungsst盲rksten Modells, bei rund 3 % von dessen Kosten pro Anfrage. Eine zweite Erhebung im Juni 2026 best盲tigt die Richtung des Effekts. Die Tests zeigten zudem L眉cken im Vorlesungsmaterial auf, zu denen Lehrende gezielt R眉ckmeldung erhalten k枚nnen.

Seit Oktober 2026 wird KEMI als Ulmer Lehrinkubator gef枚rdert und weiterentwickelt. Erste Pilotanwendungen in weiteren F盲chern sind in Vorbereitung. Im Mittelpunkt steht die Zusammenarbeit von Lehrenden und KI: Sie soll fachliche Expertise im Lernalltag verf眉gbar machen und mehr Raum f眉r pers枚nliche Lehre schaffen.

Keywords: KI-Tutor, kuratierte Wissensbasis, Mensch-KI-Kollaboration

Alexander Rieber, Dennis Steinle, Philipp Klotz, Simon Maier & Luca Cermak
(Fakult盲t f眉r Mathematik und Wirtschaftswissenschaften | Studienkommission Wirtschaftswissenschaften & Institut f眉r Volkswirtschaftslehre)

Replikationsstudien gelten in der empirischen Wirtschaftsforschung inzwischen als Qualit盲tsstandard: F眉hrende Fachzeitschriften verlangen Daten und Code, Data Editors pr眉fen die Reproduzierbarkeit, und Pre-Analysis-Pl盲ne legen Analysen vorab fest. In der Lehre bleibt empirische Forschung dagegen oft etwas, das Studierende lesen, aber nicht selbst durchdringen. Das Master-Seminar 鈥濧pplied Data Science: Replication & Extension鈥� setzt hier an. Studierende arbeiten nicht mit aufbereiteten Lehrdatens盲tzen, sondern mit den Originaldaten und dem Originalcode publizierter Studien aus der experimentellen Wirtschaftsforschung.

Jede Gruppe durchl盲uft einen vollst盲ndigen Forschungsworkflow. Sie beschafft das Replikationspaket aus den Journal-Repositorien, 眉bersetzt den meist in Stata geschriebenen Code nach R und reproduziert die zentralen Ergebnisse. Anschlie脽end wird die Analyse mit Docker containerisiert, sodass sie mit einem Klick reproduzierbar ist. Die Gruppen gleichen die publizierten Analysen mit dem registrierten Pre-Analysis-Plan (AEA RCT Registry, OSF) ab, setzen vorab angek眉ndigte, aber nicht berichtete Analysen um und entwickeln eine eigene Erweiterung, etwa zus盲tzliche Heterogenit盲ts- oder Robustheitsanalysen. Pr眉fungsleistung sind ein dokumentiertes Replikationspaket auf GitHub und eine Abschlusspr盲sentation.

KI-Agenten sind dabei fester Bestandteil des Workflows und keine verbotene Abk眉rzung. Die Studierenden setzen sie f眉r Code-脺bersetzung, Fehlersuche, Datenaufbereitung und Literaturrecherche ein. Gerade die Replikation bietet daf眉r einen geeigneten Rahmen: Weil die Originalergebnisse bekannt sind, l盲sst sich jeder KI-generierte Schritt unmittelbar 眉berpr眉fen. Die Studierenden lernen so nicht nur, Agenten produktiv einzusetzen, sondern auch, deren Output kritisch zu validieren. Die API-Kosten werden zentral getragen, damit alle Gruppen gleichberechtigten Zugang haben.

Mit dem ULMA Economic Workshop (ULMA-EW) wird das Seminar international ge枚ffnet. Grundlage ist das Netzwerk der ULMA Economic Olympiad, an deren bisherigen zwei Ausgaben 眉ber 150 Studierende aus 34 L盲ndern teilgenommen haben. Ulmer Lehrende f眉hren an zwei bis drei Partneruniversit盲ten Pr盲senz-Workshops durch, die 枚konometrische Grundlagen auffrischen und in die Arbeit mit KI-Agenten einf眉hren. Danach bearbeiten Studierende der Partneruniversit盲ten gemeinsam mit Ulmer Masterstudierenden (Finance, Wirtschaftswissenschaften, Wirtschaftsinformatik) in gemischten Teams eine Replikationsstudie. Der gemeinsame Forschungsgegenstand und die standardisierte Toolchain aus R, GitHub und Docker erleichtern die Zusammenarbeit 眉ber Distanz und unterschiedliche Vorkenntnisse hinweg.

Im Beitrag stellen wir das Seminarkonzept und seine internationale Erweiterung vor und diskutieren unsere Erfahrungen: Wo beschleunigen KI-Agenten den Lernprozess, und wo verdecken sie fehlendes Verst盲ndnis? Wie lassen sich Replikationspakete fair bewerten? Und welche Rahmenbedingungen braucht forschungsnahe Lehre in internationalen Teams? Langfristig soll das Format auch als Br眉cke zu strukturierten Kooperationen mit den Partneruniversit盲ten dienen, etwa in Form von Double-Degree-Vereinbarungen.

Keywords: Forschungsnahe Lehre, KI-Agenten, Internationalisierung

Raiker Witter
(Fakult盲t f眉r Naturwissenschaften | Institut f眉r Quantenoptik)

Im Pilotprojekt 鈥濹DTS Lab 鈥� From Quantum Engineering to Digital Twins Across Scales鈥� (Global Teaching Labs 2026) entwickeln wir die Master-Vorlesung 鈥濶MR Quantum Engineering鈥� zu einer internationalen, challenge-basierten Lehrveranstaltung weiter. Eingebunden sind die Kurse 鈥濸recision in High Tech Systems鈥� und 鈥濪igital Twin鈥� der TU Eindhoven sowie 鈥濪atabase Systems鈥� der TU Prag. Ausgangspunkt war 眉ber Jahre gewachsenes, umfangreiches Lehrmaterial.

Agentische KI 眉berarbeitet und optimiert dieses Material als Ko-Entwicklerin in einem kontrollierten Ablauf: Quellen erfassen, wissenschaftlich pr眉fen, Struktur festlegen, ausarbeiten, qualit盲tssichern, freigeben. Jedes Quellobjekt (Gleichung, Herleitung, Abbildung, Aufgabe) erh盲lt einen dokumentierten Status, und ein 鈥濶o-Loss-Test鈥� stellt sicher, dass keine Physik verloren geht. Unabh盲ngige KI-Reviews und automatische numerische Pr眉fungen erg盲nzen sich; an festen Checkpoints entscheidet der Lehrende.

So entstehen ein umfangreiches Skript mit vorlesungsbasierten Kapiteln, das zu einem Booklet zusammenw盲chst, sowie Folien mit Sprechernotizen, Seminarbl盲tter mit Musterl枚sungen und Fragenbanken, gekennzeichnet nach Pr眉fungsformat (schriftlich, m眉ndlich, Tafel, KI-auditiert). Ein wesentliches Werkzeug ist der Quantum Learning Hub (Abb. 1), ein Simulationslabor, das offline im Browser l盲uft und zahlreiche Theorie-Motive und Beispiele aus dem Skript direkt mit der Simulation verbindet.

Die Kette vom Spin zum Digitalen Zwilling m眉ndet in die Challenge 鈥濬rom Spins to a Health Digital Twin鈥� bei InnovateU: The Campus Hackathon (UUlm, 2026).

Unsere Erfahrung: KI beschleunigt die Materialentwicklung deutlich und macht Qualit盲tssicherung systematisch, ersetzt aber nicht die fachliche Verantwortung. Die Reviews deckten Vorzeichen-, Beschriftungs- und Formatfehler auf, vor allem aber didaktische und logische Br眉che. Bildrechte und Messdaten bleiben Aufgabe der Lehrenden. Entscheidend sind klare Regeln, 眉berpr眉fbare Zwischenst盲nde, die Validierung gegen unabh盲ngige Referenzen und langj盲hrige Erfahrung in Fach und Lehre.

Am Tag der Lehre zeigen wir den Ablauf und den Hub live, schlagen 眉bertragbare Bausteine (Arbeitsregeln, Checklisten, Pr眉fschritte) vor und diskutieren, wohin sich die Lehrlandschaft und der Wettbewerb unter Hochschulen entwickeln k枚nnten.

Keywords: Generative KI, Challenge-Based Learning, Digitale Zwillinge, Quantum Engineering

Hinweis: Formuliert mit Unterst眉tzung eines KI-Assistenten und vom Autor gepr眉ft.

Marian Sauter & Frol Sapronov
(Fakult盲t f眉r Ingenieurwissenschaften, Informatik und Psychologie | Institut f眉r Psychologie und P盲dagogik, Abt. Allgemeine Psychologie)

Wenn 眉ber KI in der Lehre gesprochen wird, geht es meist um Chatbots, Feedback oder Pr眉fungen. Dieser Beitrag erz盲hlt eine andere Geschichte: KI als Entwicklungsteam f眉r Lehrende. Viele von uns haben Ideen f眉r interaktive Formate 鈥� und scheitern an denselben H眉rden: Kommerzielle Tools sind teuer oder unflexibel, f眉r Eigenentwicklungen fehlt das Software-Team, und Projektsoftware endet oft mit der Projektstelle.

Am Beispiel von Classperiment (classperiment.com) zeige ich, wie mit KI-Coding-Agenten in wenigen Monaten ein vollwertiges Lehrtool entstanden ist. Die Plattform bringt 33 klassische Experimente der Kognitionspsychologie in die Vorlesung: Studierende treten per QR-Code mit dem eigenen Smartphone bei, ohne App und ohne Konto; wenige Minuten sp盲ter steht das anonyme Klassenergebnis an der Leinwand (Abb. 1). Statt eines Lehrbuchbefunds diskutiert der H枚rsaal seine eigenen Daten 鈥� samt Streuung und der Frage, warum die Replikation gelingt oder eben nicht.

Entwickelt wurde Classperiment ohne eigene Programmierstelle, im Dialog mit KI-Agenten: Die Lehrperson beschreibt, pr眉ft und entscheidet; die Agenten 眉bernehmen Implementierung, Tests, 脺bersetzungen und Sicherheitspr眉fungen. Seit dem ersten Pilotbetrieb im Juni 2026 sind 眉ber 30 Versionen erschienen; die Plattform ist zweisprachig, barrierearm und hielt im Lasttest 400 gleichzeitigen Teilnehmenden stand. Entscheidend ist das Iterationstempo: Die Befunde einer studentischen Fokusgruppe flossen binnen drei Tagen in eine neue Version ein. Zwei Fokusgruppen (n = 12) bewerteten die Plattform auf der System Usability Scale mit 91 von 100 Punkten.

Ebenso wichtig sind die Grenzen. KI setzt auch fachlich Falsches tadellos um 鈥� ob eine Aufgabe ihren Effekt 眉berhaupt zeigen kann, musste eigens fachlich gepr眉ft werden; bei vier von 33 Aufgaben war das zun盲chst nicht der Fall. Und die wertvollsten Hinweise kamen nicht von der KI, sondern von Studierenden.

Im Vortrag erleben Sie das selbst: Zu Beginn treten Sie per Smartphone einem Stroop-Experiment bei, am Ende diskutieren wir den Effekt, gemessen an den Menschen im Raum. Der Beitrag richtet sich an alle Lehrenden, die eigene Tool-Ideen haben, aber kein Software-Team 鈥� und zeigt, was sich mit KI heute realistisch selbst bauen l盲sst und wo die Verantwortung bleibt.

Keywords: KI-gest眉tzte Entwicklung, Live-Experimente, Kognitionspsychologie

Annalisa Degenhard & Raisa Avadieva
(Fakult盲t f眉r Ingenieurwissenschaften, Informatik und Psychologie  | Institut f眉r Medieninformatik)

Mit der zunehmenden Verbreitung generativer KI verschiebt sich die Bedeutung der in der Hochschullehre erworbenen Kompetenzen. Neben reinem Fachwissen gewinnt die F盲higkeit an Gewicht, Informationen kritisch zu hinterfragen, alternative Erkl盲rungsans盲tze zu entwickeln, Wissen auf neue Problemstellungen zu 眉bertragen und selbstgesteuert zu lernen.

Diese F盲higkeiten lassen sich besonders durch interaktive, dialogorientierte Lehrformate f枚rdern. Da eine individuelle Betreuung in 脺bungen personell nur eingeschr盲nkt m枚glich ist, er枚ffnen Entwicklungen im Bereich der 鈥濫mbodied Artificial Intelligence鈥� neue Perspektiven: Verk枚rperte KI-Lernbegleiter k枚nnten Studierende durch gezielte R眉ckfragen, konstruktives Feedback und Dialog bei der eigenst盲ndigen Auseinandersetzung mit Lerninhalten unterst眉tzen. Damit lie脽e sich eine bestehende L眉cke schlie脽en: W盲hrend Studierende KI bereits seit Jahren intensiv nutzen, zeigt sich in eingereichten Arbeiten zunehmend eine mangelnde inhaltliche Kontrolle und Reflexion. Individuell konfigurierte KI-Lernbegleiter k枚nnten hier ansetzen, indem sie verfahrens- und wissensbezogene Unsicherheiten gezielt identifizieren und adressieren. Zugleich w眉rden Studierende lernen, KI zielgerichtet einzusetzen.

Als technische Plattform eignet sich 鈥濺eachy Mini鈥�, ein kompakter Tischroboter, der 眉ber Sprache sowie Kopf- und K枚rperbewegungen mit Menschen kommuniziert. In Verbindung mit einem Large Language Model (LLM) k枚nnte der KI-Lernbegleiter verschiedene Rollen im Lernprozess 眉bernehmen, etwa die dialogorientierte Nachbereitung und Vertiefung von Vorlesungsinhalten oder die kritische Diskussion fachlicher Fragestellungen, einzeln oder in Gruppen. In Gruppen眉bungen k枚nnte ein KI-Lernbegleiter pro Arbeitstisch unmittelbar verf眉gbar sein und die Betreuung durch Lehrende erg盲nzen. Zus盲tzlich eingebundene Tablets k枚nnten den Austausch von Lernmaterialien zwischen Studierenden und dem KI-Lernbegleiter sowie deren gemeinsame Analyse erm枚glichen. Ein weiterer Schwerpunkt liegt auf der Kommunikationskompetenz: Durch Feedback des KI-Lernbegleiters zu sprachlichem und nonverbalem Ausdruck k枚nnten Studierende ein professionelles Auftreten f眉r den Berufsalltag trainieren.

Besonderes Potenzial sehen wir im Bereich der Mensch-Computer-Interaktion (MCI) f眉r die Vermittlung nutzerzentrierter Designmethoden. Eine Kernherausforderung besteht darin, Nutzergruppen zu verstehen, die gewonnenen Erkenntnisse in Designs zu 眉berf眉hren und diese kritisch zu evaluieren. Der KI-Lernbegleiter k枚nnte unterschiedliche Nutzerperspektiven simulieren und Studierenden so erm枚glichen, Designentscheidungen zu reflektieren, alternative L枚sungsans盲tze zu diskutieren und deren Vor- und Nachteile abzuw盲gen. Dar眉ber hinaus k枚nnte er als interaktiver Trainingspartner f眉r die Pr盲sentation und Vermittlung von Designkonzepten dienen. So lie脽en sich gezielt Kompetenzen f枚rdern, die auf einem durch KI ver盲nderten Arbeitsmarkt an Bedeutung gewinnen.

Das Poster stellt didaktische Einsatzszenarien verk枚rperter KI-Lernbegleiter am Beispiel von Reachy Mini vor und diskutiert deren Potenzial, interaktive Lernprozesse zu f枚rdern, kritisches Denken anzuregen und Lehrende bei der individuellen Betreuung zu unterst眉tzen. Im Mittelpunkt steht die Frage, wie solche Systeme gestaltet und in bestehende Lehrformate integriert werden k枚nnen, um einen nachhaltigen didaktischen Mehrwert zu schaffen.

Keywords: Mensch-Computer-Interaktion, Robotik, k眉nstliche Intelligenz

Hinweis: Dieser Text wurde mithilfe von k眉nstlicher Intelligenz 眉berarbeitet.

Was KI nicht simulieren kann: Ein 3D-gedrucktes, dynamisches Schleimhautmodell f眉r die haptisch-taktile Ausbildung von Zahnmedizinstudierenden in der Abformung zahnloser Phantompatient:innen

Alexander Wagner, Ralph G. Luthardt & Sarah M. Blender
(Medizinische Fakult盲t | Klinik f眉r Zahn盲rztliche Prothetik, Klinik f眉r Zahn-, Mund- und Kieferheilkunde, Universit盲tsklinikum Ulm)

Hintergrund. Zahnlose Patient:innen werden oftmals mit herausnehmbaren Totalprothesen versorgt. Dabei ist f眉r den Halt der Prothesen eine pr盲zise Abformung der intraoralen Situation entscheidend, insbesondere auch die beweglichen Schleimhautanteile. Lippen und Wangen werden dabei gezielt bewegt, um die Grenzen der beweglichen Schleimhaut zu erfassen. In der pr盲klinischen Ausbildung 眉ben die Studierenden diese Abformung bislang ausschlie脽lich an starren Kunststoffmodellen. Diese bilden weder die bewegliche Schleimhaut, noch Lippen- und Wangenbewegungen ab. Auch das Ertasten des Gewebewiderstands, die Randabdichtung und die Saugwirkung der Prothese k枚nnen so nicht ge眉bt werden. KI-gest眉tzte virtuelle Simulationen sind hierf眉r nicht geeignet, da diese keine manuellen und taktilen Fertigkeiten simulieren und vermitteln k枚nnen. Ziel war deshalb die Entwicklung und Evaluation eines beweglichen Simulationsmodells des zahnlosen Oberkiefers f眉r die pr盲klinische Studierendenausbildung.

Material und Methode. Ein zahnloser Oberkiefer mit allen relevanten intraoralen anatomischen Strukturen des Hart- und Weichgewebes wurde in Ton modelliert und digital eingescannt. Auf Basis dessen wurde eine bewegliche Schleimhautmaske und eine starre Kieferbasis im 3D-Druck gefertigt und mit Magneten in einem Phantomkopf befestigt (Abb. 1). Drei elastische Druckmaterialien wurden auf ihre Haltbarkeit und Zweckm盲脽igkeit gepr眉ft. Zur 脺berpr眉fung der Realit盲tsn盲he wurden Abformungen in Ruhe und unter Bewegung digitalisiert und miteinander 眉berlagert.

Die neu entwickelte Mukosamaske wurde anschlie脽end durch 44 Studierende des Phantomkurses der Prothetik im Vergleich zum bisherigen Modell in einem standardisierten Ablauf anhand 30 Kriterien in drei Bereichen (Anatomie, Abformung, Einsetzen der Prothese) auf einer vierstufigen Skala (0鈥�3) evaluiert. Zus盲tzlich gaben sie je Kriterium das von ihnen bevorzugte Modell an. Die statistische Auswertung erfolgte deskriptiv und mittels gepaartem t-Test und Chi-Quadrat-Test (伪 = 0,05).

Ergebnisse. Nur eines der drei Materialien blieb nach wiederholter Bewegung rissfrei. Die 眉berlagerten Abformungen zeigten, dass das Modell den 脺bergang von fester zu beweglicher Schleimhaut realistisch abbildet. Die bewegliche Schleimhautmaske wurde in 25 von 30 Kriterien signifikant besser bewertet als das starre Modell (Anatomie 6/9, Abformung 13/15, Einsetzen der Prothese 6/6). Die Vorteile betrafen vor allem bewegliche Weichgewebe, Bewegungsabl盲ufe und den Halt der Prothese. Nur bei der Passungskontrolle des Abforml枚ffels schnitt das starre Modell signifikant besser ab. Bei der Frage nach dem bevorzugten Modell zeigten sich in 26 von 30 Kriterien signifikante Unterschiede, jeweils zugunsten der beweglichen Maske.

Schlussfolgerung. Die bewegliche Schleimhautmaske erm枚glicht erstmals eine realit盲tsnahe Simulation zahnloser Patienten. Durch die digitale Herstellung ist sie beliebig reproduzier- und anpassbar. Geplant ist zus盲tzlich das digitale Einscannen der studentischen Abformungen als Grundlage f眉r individuelles KI-gest眉tztes Feedback.

Gef枚rdert durch die Studienkommission Zahnmedizin der Universit盲t Ulm (SS 2025).

Keywords: Simulationsmodell, Haptisches Lernen, Totalprothetik

Jana Klapczynski^1,2; Stefan B盲der², Prof. Dr. Dr. Radermacher^1,2
(Medizinische Fakult盲t | ¹An盲sthesiologische Pathophysiologie und Verfahrensentwicklung, ²Klinik f眉r An盲sthesiologie und Intensivmedizin)

Hintergrund: Die praxisnahe Vorbereitung von Medizinstudierenden auf akute und notfallmedizinische Situationen stellt eine zentrale Herausforderung der medizinischen Ausbildung dar. An der Universit盲t Ulm werden seit zehn Jahren Hybridpatienten eingesetzt, um die Vorteile standardisierter Patienten mit denen technischer Simulationssysteme zu verbinden. Das Lehrkonzept ist sowohl im regul盲ren Curriculum als auch als Wahlfach verankert und erm枚glicht ein realit盲tsnahes Training klinischer Handlungskompetenzen.

Konzept und Umsetzung: In fallbasierten Szenarien bearbeiten die Studierenden realit盲tsnahe Notfallsituationen wie beispielsweise Lungenembolien, intrakranielle Blutungen oder Hitzschl盲ge. Dabei werden Schauspielpatienten mit Simulationstechnik sowie authentischen Befunden, darunter EKG- und Sonographieaufnahmen, kombiniert. Neben diagnostischem und klinischem Denken stehen insbesondere praktische F盲higkeiten und die strukturierte Versorgung akut erkrankter Patienten im Vordergrund.

Ergebnisse: Die studentische Evaluation zeigt eine hohe Akzeptanz des interaktiven und praxisorientierten Lehrformats. Die begleitende Untersuchung des Wahlfachs ergab zudem eine Verbesserung der praktischen notfallmedizinischen Handlungskompetenzen. Besonders bei der Patientenlagerung und im Umgang mit Equipment verbesserten sich die Bewertungen. Der durchschnittlich wahrgenommene Gesamtlernzuwachs stieg nach Absolvierung des Wahlfachs von 2,8 auf 3,2 und damit um 0,4 Punkte. 

Schlussfolgerung: Die zehnj盲hrige Erfahrung mit Hybridpatienten zeigt das Potenzial der Verbindung von menschlicher Interaktion und Simulationstechnik f眉r eine realit盲tsnahe notfallmedizinische Ausbildung. Das Konzept erm枚glicht die Anwendung theoretischer Kenntnisse in authentischen klinischen Situationen und f枚rdert praktische Handlungskompetenzen. Die positiven studentischen R眉ckmeldungen und Evaluationsergebnisse sprechen f眉r eine Fortf眉hrung und Weiterentwicklung des simulationsbasierten Lehrformats, das in dieser Form ausschlie脽lich an der Universit盲t Ulm angeboten wird.

Keywords: Hybridpatient, Simulation, Notfallmedizin

Steffen Moser
(SAPS)

Lehrvideos sind eine tragende S盲ule heutiger Blended-Learning-Kurse. Mit der Internationalisierung von Studienangeboten w盲chst der Bedarf, bestehende deutschsprachige Aufzeichnungen auch f眉r internationale Studierende zug盲nglich zu machen. Eine vollst盲ndige Neuproduktion in einer weiteren Sprache ist jedoch nicht immer sinnvoll: Sie bindet Lehrende und Medienproduktion erneut, verursacht Zeit- und Kostenaufwand und dupliziert bereits didaktisch bew盲hrte Inhalte. Die 脺bersetzung und Neuvertonung vorhandener Lehrvideos bietet hier eine Alternative.

Dabei reicht sprachliche Korrektheit allein nicht aus: Die Erkl盲rung muss auch in der Zielsprache im richtigen Moment zum Bild passen. Lehrende verweisen etwa auf eine Gleichung 鈥瀐ier links鈥�, markieren Werte, schreiben an die Tafel oder wechseln die Folie. Pausen schaffen Raum zum Mitdenken. 脺bersetzungen ver盲ndern jedoch Satzbau und Sprechdauer. Ein englischer Fachsatz kann deutlich l盲nger oder k眉rzer ausfallen als sein deutsches Original. Wird er in das urspr眉ngliche Zeitfenster gepresst, entsteht unnat眉rlich schnelles oder langsames Sprechen. L盲uft die 脺bersetzung dar眉ber hinaus, passt die Erkl盲rung m枚glicherweise nicht mehr zur gezeigten Folie. Fachbegriffe, Zahlen, Formeln, Variablen und Code m眉ssen zudem unverf盲lscht bleiben.

G盲ngige One-Click-Dubbing-Dienste erzeugen oft 眉berzeugende Stimmen und zeitlich angepasste Tonspuren. Ihre Standardabl盲ufe orientieren sich jedoch vor allem an Sprachsegmenten und deren Dauer, teils auch an Stimme oder Lippenbewegungen. Der didaktisch relevante Zusammenhang zwischen Aussage, Folieninhalt, Zeigegeste und Lernpause bleibt h盲ufig unber眉cksichtigt. Selbst sprachlich plausible Ergebnisse erfordern deshalb mitunter erhebliche manuelle Nacharbeit.

LectureDub, eine an der School of Advanced Professional Studies (SAPS) der Universit盲t Ulm entwickelte, experimentelle Werkzeugkette, adressiert diese Schwierigkeiten mit einer 眉berwiegend lokal ausf眉hrbaren, mehrstufigen Verarbeitung. Auf die Spracherkennung und zeitliche Wortzuordnung folgen pausebewusste Segmentierung, kontextbezogene 脺bersetzung, mehrstufige Qualit盲tspr眉fungen und KI-Sprachsynthese. Namen, Fachausdr眉cke, Zahlen, Einheiten und 盲hnliche kritische Angaben werden gesondert behandelt. Anschlie脽end pr眉ft LectureDub, ob die synthetisierte Sprache in die verf眉gbaren Zeitfenster passt. Ist eine Passage zu lang, k枚nnen k眉rzere Formulierungen erzeugt werden; begrenzte Tempoanpassungen sind m枚glich, unkontrolliertes Beschleunigen wird vermieden. L盲ngere Pausen bleiben erhalten. Ergebnis sind synchronisierte Tonspuren, Untertitel und nachvollziehbare Zwischenergebnisse zur menschlichen 脺berpr眉fung.

Die zus盲tzliche Auswertung visueller Ereignisse wie Folienwechsel oder Bewegungen wird erprobt. Eine semantische Kopplung der Tonspur an Folientexte, Handschrift und Zeigegesten sowie die 脺bersetzung sichtbarer Texte geh枚ren zu den weiteren Entwicklungszielen. Der Beitrag stellt den Ansatz, Erfahrungen aus der praktischen Erprobung und offene Herausforderungen anhand von Vorlesungssequenzen zur Diskussion.

Keywords: KI-gest眉tzte Lehre, Lehrvideo眉bersetzung, multimodale Synchronisation

Daniela Englisch
(Dezernat VI-2 | International Office)

Wie kann K眉nstliche Intelligenz dazu beitragen, internationale Studierende besser zu informieren, sprachliche Barrieren abzubauen und damit gute Rahmenbedingungen f眉r ein erfolgreiches Studium zu schaffen? Welche Chancen, aber auch Herausforderungen ergeben sich beim Einsatz KI-gest眉tzter Assistenzsysteme im Hochschulalltag?

Mit Ulma hat das International Office der Universit盲t Ulm einen mehrsprachigen Chatbot entwickelt, der Studieninteressierten und Studierenden rund um die Uhr Informationen zu internationalen Studien- und Austauschm枚glichkeiten, Bewerbungsverfahren, Stipendien sowie zu Fragen rund um Studium und Aufenthalt an der Universit盲t Ulm bereitstellt. Das Projekt startete 2020. Nach der Einf眉hrung eines regelbasierten Chatbots im Jahr 2022 wurde Ulma 2024 zu einem hybriden, KI-gest眉tzten System weiterentwickelt.

Ulma kombiniert generative KI auf Basis von Large Language Models (LLM) mit redaktionell kontrollierten Antworten. Durch Retrieval-Augmented Generation (RAG) greift der Chatbot gezielt auf ausgew盲hlte Informationsquellen zur眉ck. Dies erm枚glicht eine flexible, dialogorientierte und mehrsprachige Kommunikation und reduziert zugleich das Risiko fehlerhafter KI-generierter Antworten.

Der Beitrag gibt Einblicke in die Entwicklung und praktische Umsetzung des Projekts und stellt zentrale Erfahrungen und Erkenntnisse vor. Im Mittelpunkt stehen die Potenziale einer niedrigschwelligen, jederzeit verf眉gbaren Informationsvermittlung, die Qualit盲tssicherung der Antworten, die Akzeptanz bei Studierenden und Besch盲ftigten sowie organisatorische Herausforderungen bei der Einf眉hrung und Weiterentwicklung des Systems.

Am Beispiel von Ulma wird aufgezeigt, wie KI-gest眉tzte Assistenzsysteme die Orientierung im Studienalltag erleichtern, individuelle Informationsbed眉rfnisse aufgreifen und die pers枚nliche Beratung sinnvoll erg盲nzen k枚nnen. Damit er枚ffnet das Projekt auch eine Perspektive auf den Einsatz von KI jenseits der unmittelbaren Lehrveranstaltung: als Instrument zur Verbesserung der Studienbedingungen und zur Unterst眉tzung einer internationalen, studierendenorientierten Hochschule.

Der praxisorientierte Erfahrungsbericht soll zugleich Impulse f眉r die 脺bertragung auf andere Hochschulbereiche geben und zur Diskussion 眉ber Chancen, Grenzen und Voraussetzungen eines verantwortungsvollen KI-Einsatzes anregen.

Keywords: K眉nstliche Intelligenz, Studierendenberatung, Chatbot