26gma102 10.3205/26gma102 urn:nbn:de:0183-26gma1027 Meeting Abstract Bosch Bosch Josefin J

Martin-Luther-Universität Halle-Wittenberg, Dorothea Erxleben Lernzentrum, Halle/Saale, Deutschland

author Hofstetter Hofstetter Sebastian S

Martin-Luther-Universität Halle-Wittenberg, Dorothea Erxleben Lernzentrum, Halle/Saale, Deutschland Universitätsmedizin Halle (Saale), AG Versorgungsforschung, Pflege im Krankenhaus, Department für Innere Medizin, Halle/Saale, Deutschland

author Schwardt Schwardt Miriam M

Martin-Luther-Universität Halle-Wittenberg, Dorothea Erxleben Lernzentrum, Halle/Saale, Deutschland

author Ludwig Ludwig Christiane C

Martin-Luther-Universität Halle-Wittenberg, Dorothea Erxleben Lernzentrum, Halle/Saale, Deutschland Universitätsmedizin Halle (Saale), Universitätsklinik und Poliklinik für Innere Medizin I (Gastroenterologie, Pneumologie), Halle/Saale, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20260904 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0655 102 Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) P-01 Poster: KI-gestütztes Lehren und Lernen I Dresden 20260917 20260919 P-0102 TextHintergrund/Fragestellung: Der Einsatz Künstlicher Intelligenz (KI) prägt zunehmend ärztliche Entscheidungsprozesse. Ärzt*innen benötigen daher Kompetenzen, um KI-Anwendungen medizinisch und ethisch verantwortungsvoll einzusetzen (KI-Literacy, ). Gleichzeitig gewinnt ein selbstregulativer Umgang mit KI an Bedeutung . Zentral ist dabei das KI-Selbstmanagement, da es einen aktiven, selbstreflektierten Umgang mit neuen Technologien fördert. Es wird definiert durch die KI-Selbstwirksamkeit (Vertrauen in die eigenen Fähigkeiten, KI-Systeme zu verstehen, anzuwenden, kritisch zu hinterfragen) und die KI-Selbstkompetenz (selbstregulativer Umgang mit KI) . Bisher sind Befunde zu Veränderungen des KI-Selbstmanagements durch gezielte Bildungsinterventionen begrenzt und liegen für die medizinische Ausbildung nicht vor . Ziel der Studie ist es daher, die Ausprägung des KI-Selbstmanagements bei Medizinstudierenden zu untersuchen. Erstens wird geprüft, ob es sich infolge einer Lehrintervention verändert. Zweitens wird analysiert, in welchem Zusammenhang es mit subjektiv und objektiv erfassten Komponenten der KI-Literacy steht.Methoden: Im Sommersemester 2026 nehmen circa 220 Medizinstudierende des 2. Fachsemesters im Rahmen des Pflichtpraktikums „Das digitalisierte Berufsfeld“ an einer Lehreinheit zu KI und Large Language Models teil (Kleingruppen, Anleitung durch ausgebildete studentische Tutor*innen). Die Einheit fokussiert unter anderem die kritisch-reflektierte Nutzung von KI. Anhand standardisierter Fragebögen (MAILS, AICOS) werden vor und nach dem Praktikum das KI-Selbstmanagement sowie Elemente der subjektiven und objektiven KI-Kompetenz der Studierenden erfasst. Die Analysen umfassen deskriptive Statistiken, Prä-Post-Vergleiche und Regressionsmodelle.Ergebnisse: Die Datenerhebung erfolgt im Sommersemester 2026. Befunde werden zur Tagung vorliegen.Diskussion: Erwartet wird, dass eine reflexionsorientierte KI-Lehre auch die selbstregulatorischen Kompetenzen der Studierenden stärkt. Ein höheres Vertrauen in die eigenen Fähigkeiten, KI-Systeme kritisch und verantwortungsvoll zu nutzen, erscheint zentral für den ärztlichen Alltag. Damit ist das KI-Selbstmanagement anschlussfähig an Konzepte der Future Skills , welche Selbststeuerung, kritische Reflexion und einen bewussten Umgang mit digitalen Technologien betonen. Perspektivisch sollen Studierende klinischer Semester sowie zusätzliche Lehrsettings einbezogen werden, um die Entwicklung der KI-Selbstmanagements abzubilden.Take-Home-Messages: Das KI-Selbstmanagement erscheint als wichtige Voraussetzung für einen verantwortungsvollen Einsatz von KI im ärztlichen Alltag.Die Kombination subjektiver und objektiver Maße der KI-Kompetenz ermöglicht eine differenzierte Einschätzung des Lernstands und liefert Ansatzpunkte für die Weiterentwicklung KI-bezogener Curricula. Laupichler MC Aster A Haverkamp N Raupach T Development of the "Scale for the assessment of non-experts' AI literacy" - An exploratory factor analysis 2023 Comp Human Behav Rep 100338 Laupichler MC, Aster A, Haverkamp N, Raupach T. Development of the "Scale for the assessment of non-experts' AI literacy" - An exploratory factor analysis. Comp Human Behav Rep. 2023;12:100338. DOI: 10.1016/j.chbr.2023.100338 https://doi.org/10.1016/j.chbr.2023.100338 Carolus A Koch MJ Straka S Latoschik ME Wienrich C MAILS-Meta AI literacy scale: Development and testing of an AI literacy questionnaire based on well‑founded competency models and psychological change‑ and meta‑competencies 2023 Comp Human Behav Artif Human 100014 Carolus A, Koch MJ, Straka S, Latoschik ME, Wienrich C. MAILS-Meta AI literacy scale: Development and testing of an AI literacy questionnaire based on well‑founded competency models and psychological change‑ and meta‑competencies. Comp Human Behav Artif Human. 2023;1(2):100014. DOI: 10.1016/j.chbah.2023.100014 https://doi.org/10.1016/j.chbah.2023.100014 Ehlers UD Eigbrecht L Horstmann N Matthes W Piesk D Rampelt F Future Skills für Hochschulen: eine kritische Bestandsaufnahme 2024 Future Skills lehren und lernen: Schlaglichter aus Hochschule, Schule und Weiterbildung Ehlers UD, Eigbrecht L, Horstmann N, Matthes W, Piesk D, Rampelt F. Future Skills für Hochschulen: eine kritische Bestandsaufnahme. In: Stifterverband für die Deutsche Wissenschaft, editor. Future Skills lehren und lernen: Schlaglichter aus Hochschule, Schule und Weiterbildung. Essen: Stifterverband für die Deutsche Wissenschaft; 2024. 0 0 0 0