Text

Hintergrund/Thema/Fragestellung: Digitale Technologien, insbesondere Large Language Models (LLMs), bieten einen vielversprechenden Lösungsansatz, um sowohl Lehrende als auch Lernende in Lern- und Prüfungszenarien zu unterstützen. Die Akzeptanz Medizinstudierender für den Einsatz von KI in der Lehre hoch ist. Studien zeigen, dass fast 80 % der Medizinstudierenden bereits GenAI-Tools nutzen und deren Integration in das Curriculum befürworten [1]. Dennoch ist die empirische Datenlage zur Effektivität von LLM in Lehr- und Prüfungsszenarien – nicht nur in der medizinischen – Ausbildungsforschung bisher dürftig und meist nur eingeschränkt aussagekräftig [2], [3].

Diskussionsthemen/-fragen: In diesem Symposium werden Beispiele zur Integration von LLMs in Lehr- und Prüfungsformaten mit robusten Originaldaten vorgestellt. Anschließend laden wir zum Austausch über Best Practice an den einzelnen Fakultäten ein und es wird die Möglichkeit zur Vernetzung und ggf. gemeinsamen Gestaltung von LLM-zentrierten Lehrforschungsprojekten gegeben.

Wie können LLMs Feedbackprozesse, fallbasiertes Lernen und Clinical-Reasoning-Training evidenzbasiert verbessern? Erreichen LLM-gestützte Tutor- und Feedbacksysteme vergleichbare oder additive Effekte gegenüber menschlicher Betreuung – auch hinsichtlich Retention, Stress und Selbstwirksamkeit? Wie valide, fair und akzeptiert sind KI-generierte Prüfungsitems, und inwiefern beeinflussen Labeling und Algorithm Aversion deren Bewertung? Welche Governance-, Qualitäts- und Reviewstandards sind erforderlich, um Validität, Transparenz und Nachhaltigkeit beim Einsatz generativer KI in Lehre und summativen Prüfungen zu sichern?

Take-Home-Messages:

• Die Kombination aus KI-gestützem Feedback und realen Patient*inneninteraktionen ist ein vielversprechender Ansatz für die Vermittlung von Clinical Reasoning.
• KI-generierte Prüfungsitems erhalten gute Bewertungen und zeigen eine ähnliche Trennschärfe wie von Menschen generierte Fragen.
• KI kann in der Erstellung von multiple Choice Fragen, insbesondere für formative Settings und Vorbereitungsklausuren unterstützen. Für eine Anwendung in summativen Prüfungen sind multizentrische Validierung, definierte Freigabeprozesse und kontinuierliches Qualitätsmonitoring erforderlich.
• LLMs bieten die Möglichkeit, den Erwerb von Clinical Reasoning Kompetenzen Humanmedizin-Studierender individuell angepasst zu unterstützen. Der Einsatz von LLMs beeinflusst sowohl die subjektiv wahrgenommene Aktivierung beim Lernen, als auch das Selbstwirksamkeitserleben.
• LLM-basierte Feedbackaufbereitung ermöglicht zeitversetzte Rezeption und es wird untersucht, inwiefern das die Retention von Prüfungsfeedback verbessern kann. Die Kombination aus menschlichem und KI-gestütztem Feedback vereint persönliche Interaktion mit technologischer Effizienz.

Literatur

[1] Tran C, Hryciw BN, Moore SW, Chaput A, Seely AJ. Perceptions and use of generative artificial intelligence in medical students: A multicenter survey. J Med Educ Curric Dev. 2025;12:23821205251391969. DOI: 10.1177/23821205251391969
[2] Bauer E, Greiff S, Graesser AC, Scheiter K, Sailer M. Looking Beyond the Hype: Understanding the Effects of AI on Learning. Educ Psychol Rev. 2025;37:45. DOI: 10.1007/s10648-025-10020-8
[3] Weidlich J, Gašević D, Drachsler H, Kirschner P. ChatGPT in Education: An Effect in Search of a Cause. J Comput Ass Learn. 2025;41(5):e70105. DOI: 10.1111/jcal.70105