Mit Großen Sprachmodellen (LLMs) systematisch Neues lernen. Blog#282
Große Sprachmodelle (LLMs) sind mehr als Werkzeuge zum Suchen oder Formulieren. Richtig eingesetzt, können sie das Lernen unterstützen: ein neues Themengebiet strukturieren, geeignete Quellen auffindbar machen, Dokumente vergleichen, Verständnislücken sichtbar machen, eigene Argumente kritisch prüfen und neue Perspektiven eröffnen.
Für mich hat sich dadurch die Art verändert, wie ich mir neues Wissen aneigne. Wenn ich mich heute in ein unbekanntes Thema einarbeite, nutze ich vor allem die beiden KI-Modelle "Gemini" und "NotebookLM" – allerdings mit unterschiedlichen Aufgaben: Gemini dient mir als strukturierender Lernplaner, strenger Prüfer und intellektueller Sparringspartner, während ich NotebookLM als Rechercheassistenten zur gezielten Auswertung vorab ausgewählter Fachliteratur einsetze. Dabei geht es nicht darum, möglichst schnell möglichst viele Informationen zu erhalten. Die Hoffnung ist vielmehr, aus Informationen ein echtes Verständnis zu entwickeln – also die Fähigkeit, Sachverhalte nicht nur wiederzugeben, sondern kritisch zu bewerten und auf neue Probleme anzuwenden.
Wichtig zu verstehen: KI kann dabei ein vielseitiger Lernbegleiter sein. Sie bleibt jedoch ein Werkzeug: Ihre Antworten müssen geprüft, mit geeigneten Quellen abgeglichen und durch eigenes Denken ergänzt werden. Im Folgenden beschreibe ich, wie ich die KI im Alltag nutze.
Sinnvoller kann es sein, die KI zunächst mit einer Planungsaufgabe zu betrauen:
"Ich möchte dieses Thema wirklich verstehen. Das ist mein bisheriger Wissensstand. Entwickle daraus einen sinnvollen Lernweg. Zeige mir, welche Grundlagen mir möglicherweise fehlen, welche Kenntnisse aufeinander aufbauen und wie ich meinen Fortschritt überprüfen kann."
Damit wird die KI nicht nur zum Antwortgeber, sondern zu einer Art Lernplaner. Sie kann ein komplexes Thema in aufeinander aufbauende Schritte zerlegen, notwendige Grundlagen benennen, Zwischenziele vorschlagen und mögliche Quellen oder Lernmaterialien empfehlen.
kann man beispielsweise fragen:
"Was sagen diese Publikationen gemeinsam über das Thema aus?"
"Bei welchen Ergebnissen stimmen sie überein?"
"Welche Ergebnisse widersprechen sich?"
"Welche Unterschiede im Studiendesign könnten die abweichenden Ergebnisse erklären?"
"Welche Schlussfolgerungen sind durch die Quellen gedeckt, und welche wären nur Interpretationen?"
Damit wird NotebookLM zu einer Art Rechercheassistenten. Es kann Dokumente schneller erschließen, wiederkehrende Argumente herausarbeiten und Unterschiede sichtbar machen.
Ein besserer Ansatz ist, sich aktiv prüfen zu lassen:
"Unterrichte mich zu diesem Thema. Stelle mir zunächst Fragen, ohne die Antworten vorwegzunehmen. Warte jeweils auf meine Antwort. Beurteile anschließend, welche Teile korrekt, unvollständig oder missverständlich sind. Begründe deine Kritik anhand fachlicher Kriterien und stelle gezielte Rückfragen zu meinen Verständnislücken."
Anschließend sollte man die Antworten möglichst aus dem eigenen Gedächtnis formulieren, statt in den Quellen oder im Internet nachzusehen. So wird das aktive Abrufen trainiert.
Nehmen wir an, man möchte verstehen, wie CRISPR-Cas-Systeme funktionieren. Statt sich lediglich erklären zu lassen, was Cas9, guide-RNA und PAM-Sequenz sind, könnte die KI zunächst fragen:
"Warum benötigt Cas9 eine guide-RNA?"
"Welche Funktion hat die PAM-Sequenz?"
"Was geschieht nach der Erkennung der Zielsequenz?"
"Welche Unterschiede bestehen zwischen einer gezielten Genveränderung und einer zufälligen Reparatur nach einem DNA-Doppelstrangbruch?"
Solche Fragen prüfen nicht nur, ob man Fachbegriffe kennt. Sie können auch zeigen, ob man die funktionellen Zusammenhänge verstanden hat.
Eine typische Schwäche von Sprachmodellen ist ihre Neigung zu übermäßiger Zustimmung. Da sie durch menschliches Feedback darauf trainiert wurden, hilfreich und freundlich zu sein, lassen sie subtile fachliche Fehler oft unkorrigiert. Deshalb lohnt sich eine klare Anweisung:
"Sei ein strenger, aber sachlicher Prüfer. Bestätige meine Antwort nicht pauschal. Unterscheide zwischen korrekt, teilweise korrekt, unklar und falsch. Lass keine ungenauen Formulierungen stehen und erkläre, was mir zum vollständigen Verständnis noch fehlt."
Für mich hat sich dadurch die Art verändert, wie ich mir neues Wissen aneigne. Wenn ich mich heute in ein unbekanntes Thema einarbeite, nutze ich vor allem die beiden KI-Modelle "Gemini" und "NotebookLM" – allerdings mit unterschiedlichen Aufgaben: Gemini dient mir als strukturierender Lernplaner, strenger Prüfer und intellektueller Sparringspartner, während ich NotebookLM als Rechercheassistenten zur gezielten Auswertung vorab ausgewählter Fachliteratur einsetze. Dabei geht es nicht darum, möglichst schnell möglichst viele Informationen zu erhalten. Die Hoffnung ist vielmehr, aus Informationen ein echtes Verständnis zu entwickeln – also die Fähigkeit, Sachverhalte nicht nur wiederzugeben, sondern kritisch zu bewerten und auf neue Probleme anzuwenden.
Wichtig zu verstehen: KI kann dabei ein vielseitiger Lernbegleiter sein. Sie bleibt jedoch ein Werkzeug: Ihre Antworten müssen geprüft, mit geeigneten Quellen abgeglichen und durch eigenes Denken ergänzt werden. Im Folgenden beschreibe ich, wie ich die KI im Alltag nutze.
Den eigenen Lernweg planen
Wer etwas Neues lernen möchte, beginnt oft mit einer Suchmaschine oder stellt einer KI eine konkrete Frage. Das kann ein guter Einstieg sein, führt aber nicht automatisch zu einem systematischen Verständnis.Sinnvoller kann es sein, die KI zunächst mit einer Planungsaufgabe zu betrauen:
"Ich möchte dieses Thema wirklich verstehen. Das ist mein bisheriger Wissensstand. Entwickle daraus einen sinnvollen Lernweg. Zeige mir, welche Grundlagen mir möglicherweise fehlen, welche Kenntnisse aufeinander aufbauen und wie ich meinen Fortschritt überprüfen kann."
Damit wird die KI nicht nur zum Antwortgeber, sondern zu einer Art Lernplaner. Sie kann ein komplexes Thema in aufeinander aufbauende Schritte zerlegen, notwendige Grundlagen benennen, Zwischenziele vorschlagen und mögliche Quellen oder Lernmaterialien empfehlen.
Besonders hilfreich ist, dass man den eigenen Kenntnisstand und das persönliche Ziel beschreiben kann. Ein Chemiker benötigt beispielsweise eine andere Einführung in ein biologisches Thema als ein Laie. Ein Physiker bringt andere Voraussetzungen für das Verständnis der Quantenchemie mit als ein Mediziner. Auch die gewünschte Anwendung ist entscheidend: Wer einen Überblick gewinnen möchte, braucht einen anderen Lernweg als jemand, der eine wissenschaftliche Publikation kritisch beurteilen oder ein Forschungsprojekt planen will.
Die KI kann daraus eine persönliche Lernlandkarte entwickeln: Wo stehe ich? Welche Grundlagen fehlen? Welche Schritte sind als Nächstes sinnvoll? Diese Landkarte ist natürlich nur ein Vorschlag, der überprüft und gegebenenfalls angepasst werden muss. Gerade hier liegt allerdings eine Gefahr: Als Anfänger fehlt einem oft das Wissen, um zu beurteilen, ob die KI essenzielle Grundlagen vergessen hat. Es empfiehlt sich daher, den generierten Lernplan zumindest grob mit Inhaltsverzeichnissen etablierter Standardwerke abzugleichen.
Dabei sollte man zunächst klären, welche Art von Quelle für die jeweilige Frage sinnvoll ist:
Die KI kann daraus eine persönliche Lernlandkarte entwickeln: Wo stehe ich? Welche Grundlagen fehlen? Welche Schritte sind als Nächstes sinnvoll? Diese Landkarte ist natürlich nur ein Vorschlag, der überprüft und gegebenenfalls angepasst werden muss. Gerade hier liegt allerdings eine Gefahr: Als Anfänger fehlt einem oft das Wissen, um zu beurteilen, ob die KI essenzielle Grundlagen vergessen hat. Es empfiehlt sich daher, den generierten Lernplan zumindest grob mit Inhaltsverzeichnissen etablierter Standardwerke abzugleichen.
Geeignete Quellen auswählen und verstehen
Die nächste Herausforderung ist die Informationsflut. Das Internet enthält eine große Menge wertvoller Inhalte – aber auch viel veraltete, oberflächliche oder irreführende Information. Wer ein Thema wissenschaftlich fundiert verstehen möchte, braucht deshalb nicht möglichst viele Quellen, sondern geeignete und methodisch saubere Quellen, wie etwa peer-reviewte Publikationen. Dies führt in der Praxis oft zu einem Henne-Ei-Problem: Um belastbare Studien auszuwählen, benötigt man eigentlich bereits ein gewisses Vorwissen.Dabei sollte man zunächst klären, welche Art von Quelle für die jeweilige Frage sinnvoll ist:
- Lehrbücher und Übersichtsartikel eignen sich für Grundlagen und einen ersten Überblick.
- Systematische Reviews und Metaanalysen können den Forschungsstand zu einer klar definierten Frage zusammenfassen.
- Primärstudien liefern einzelne experimentelle oder klinische Ergebnisse.
- Leitlinien und regulatorische Dokumente sind für praktische oder medizinische Entscheidungen besonders wichtig.
- Geschäftsberichte, Branchenstudien und Finanzanalysen dienen anderen Fragestellungen als wissenschaftliche Publikationen.
Statt allgemein zu fragen:
"Was weißt du über dieses Thema?"
"Was weißt du über dieses Thema?"
kann man beispielsweise fragen:
"Was sagen diese Publikationen gemeinsam über das Thema aus?"
"Bei welchen Ergebnissen stimmen sie überein?"
"Welche Ergebnisse widersprechen sich?"
"Welche Unterschiede im Studiendesign könnten die abweichenden Ergebnisse erklären?"
"Welche Schlussfolgerungen sind durch die Quellen gedeckt, und welche wären nur Interpretationen?"
Damit wird NotebookLM zu einer Art Rechercheassistenten. Es kann Dokumente schneller erschließen, wiederkehrende Argumente herausarbeiten und Unterschiede sichtbar machen.
Wissen im Dialog überprüfen
Informationen gelesen zu haben bedeutet noch lange nicht, etwas verstanden zu haben. Eine typische Lernfalle besteht darin, dass man eine Erklärung wiedererkennt und dieses Wiedererkennen mit tatsächlichem Verständnis verwechselt.Ein besserer Ansatz ist, sich aktiv prüfen zu lassen:
"Unterrichte mich zu diesem Thema. Stelle mir zunächst Fragen, ohne die Antworten vorwegzunehmen. Warte jeweils auf meine Antwort. Beurteile anschließend, welche Teile korrekt, unvollständig oder missverständlich sind. Begründe deine Kritik anhand fachlicher Kriterien und stelle gezielte Rückfragen zu meinen Verständnislücken."
Anschließend sollte man die Antworten möglichst aus dem eigenen Gedächtnis formulieren, statt in den Quellen oder im Internet nachzusehen. So wird das aktive Abrufen trainiert.
Nehmen wir an, man möchte verstehen, wie CRISPR-Cas-Systeme funktionieren. Statt sich lediglich erklären zu lassen, was Cas9, guide-RNA und PAM-Sequenz sind, könnte die KI zunächst fragen:
"Warum benötigt Cas9 eine guide-RNA?"
"Welche Funktion hat die PAM-Sequenz?"
"Was geschieht nach der Erkennung der Zielsequenz?"
"Welche Unterschiede bestehen zwischen einer gezielten Genveränderung und einer zufälligen Reparatur nach einem DNA-Doppelstrangbruch?"
Solche Fragen prüfen nicht nur, ob man Fachbegriffe kennt. Sie können auch zeigen, ob man die funktionellen Zusammenhänge verstanden hat.
Eine typische Schwäche von Sprachmodellen ist ihre Neigung zu übermäßiger Zustimmung. Da sie durch menschliches Feedback darauf trainiert wurden, hilfreich und freundlich zu sein, lassen sie subtile fachliche Fehler oft unkorrigiert. Deshalb lohnt sich eine klare Anweisung:
"Sei ein strenger, aber sachlicher Prüfer. Bestätige meine Antwort nicht pauschal. Unterscheide zwischen korrekt, teilweise korrekt, unklar und falsch. Lass keine ungenauen Formulierungen stehen und erkläre, was mir zum vollständigen Verständnis noch fehlt."
Eigene Gedanken kritisch prüfen
Diese Funktion nutze ich besonders häufig beim Schreiben. Wer einen Text selbst verfasst hat, ist meist stark mit den eigenen Gedanken verbunden und beurteilt ihn deshalb nicht mehr vollständig unvoreingenommen. KI kann hier als kritischer Lektor und Diskussionspartner dienen.Die Aufforderung "Verbessere meinen Text" führt häufig vor allem zu einer sprachlichen Glättung.
Nützlicher ist eine präzise Aufforderung an die KI:
"Suche nach logischen Schwächen. Welche Aussagen sind nicht ausreichend belegt? Wo übertreibe ich? Welche Gegenargumente fehlen? Wo formuliere ich eine Hypothese wie eine gesicherte Tatsache? Welche Begriffe sind unklar oder mehrdeutig? Trenne bitte zwischen sprachlichen, logischen und fachlichen Problemen."
Das Ergebnis ist etwas anderes als eine bloße Überarbeitung. Die KI kann helfen, Argumentationslücken, unbelegte Behauptungen, widersprüchliche Aussagen und fehlende Einschränkungen sichtbar zu machen.
Gerade bei medizinischen, naturwissenschaftlichen oder finanziellen Themen ist dies wichtig. Ein guter Text muss nicht nur verständlich sein. Er sollte auch sauber zwischen gesicherten Erkenntnissen, plausiblen Interpretationen und offenen Fragen unterscheiden.
"Welche Parallelen gibt es zwischen der Optimierung chemischer Reaktionen und der Optimierung eines Investmentportfolios – und an welcher Stelle endet diese Analogie?"
Oder:
"Welche Konzepte aus der Evolutionstheorie könnten helfen, Innovation in der Wirkstoffforschung zu verstehen? Welche Grenzen hat diese Übertragung?"
Auch eine Perspektivübung kann hilfreich sein:
"Betrachte meine Argumentation aus der Perspektive eines Chemikers, eines Biologen, eines Ökonomen und eines Philosophen. Welche unterschiedlichen Einwände würden diese vier Personen wahrscheinlich vorbringen? Welche dieser Einwände sind fachlich besonders relevant?"
Auch wenn Sprachmodelle bei solchen Analogien in der Praxis oft nur oberflächliche Schlagworte aneinanderreihen, taugen sie hervorragend als gedankliche Impulsgeber. Sie erweitern den eigenen Blickwinkel – und gerade an den Schnittstellen unterschiedlicher Disziplinen entstehen oft die interessantesten Hypothesen.
"Suche nach logischen Schwächen. Welche Aussagen sind nicht ausreichend belegt? Wo übertreibe ich? Welche Gegenargumente fehlen? Wo formuliere ich eine Hypothese wie eine gesicherte Tatsache? Welche Begriffe sind unklar oder mehrdeutig? Trenne bitte zwischen sprachlichen, logischen und fachlichen Problemen."
Das Ergebnis ist etwas anderes als eine bloße Überarbeitung. Die KI kann helfen, Argumentationslücken, unbelegte Behauptungen, widersprüchliche Aussagen und fehlende Einschränkungen sichtbar zu machen.
Gerade bei medizinischen, naturwissenschaftlichen oder finanziellen Themen ist dies wichtig. Ein guter Text muss nicht nur verständlich sein. Er sollte auch sauber zwischen gesicherten Erkenntnissen, plausiblen Interpretationen und offenen Fragen unterscheiden.
Neue Perspektiven gezielt entwickeln
Ebenfalls interessant ist die Suche nach Verbindungen, die man selbst nicht sieht. Hier kann KI als intellektueller Sparringspartner dienen. Man kann sie bewusst auffordern, ein Problem aus verschiedenen fachlichen Perspektiven zu betrachten:"Welche Parallelen gibt es zwischen der Optimierung chemischer Reaktionen und der Optimierung eines Investmentportfolios – und an welcher Stelle endet diese Analogie?"
Oder:
"Welche Konzepte aus der Evolutionstheorie könnten helfen, Innovation in der Wirkstoffforschung zu verstehen? Welche Grenzen hat diese Übertragung?"
Auch eine Perspektivübung kann hilfreich sein:
"Betrachte meine Argumentation aus der Perspektive eines Chemikers, eines Biologen, eines Ökonomen und eines Philosophen. Welche unterschiedlichen Einwände würden diese vier Personen wahrscheinlich vorbringen? Welche dieser Einwände sind fachlich besonders relevant?"
Auch wenn Sprachmodelle bei solchen Analogien in der Praxis oft nur oberflächliche Schlagworte aneinanderreihen, taugen sie hervorragend als gedankliche Impulsgeber. Sie erweitern den eigenen Blickwinkel – und gerade an den Schnittstellen unterschiedlicher Disziplinen entstehen oft die interessantesten Hypothesen.
Fazit
- Die Stärke der KI liegt nicht in ihrem bloßen Faktenwissen, sondern in der vielseitigen Begleitung des Lernprozesses – von der Planung über die Quellenkritik bis zur Entwicklung neuer Perspektiven.
- Aus der Frage: "Was weiß die KI darüber?" wird so die viel entscheidendere Überlegung: "Wie hilft sie mir, das Thema selbst zu durchdringen?"
- Dabei bleibt unerlässlich, was erfolgreiches Lernen schon immer ausmachte: Neugier, kritisches Denken und die Bereitschaft, eigene Annahmen zu hinterfragen. Wer diese Eigenschaften mit modernen LLMs kombiniert, trägt einen universellen Lehrer in der Hosentasche.
___________________________________________________________________
Transparenzhinweis zur Texterstellung: Die Idee, die inhaltliche Struktur sowie alle Kernaussagen dieses Beitrags beruhen vollständig auf meiner eigenen intellektuellen Leistung. Für die finale sprachliche Ausformulierung wurde ein KI-Modell als Werkzeug genutzt. Das Ergebnis wurde im Anschluss von mir nochmals sorgfältig auf fachliche und inhaltliche Korrektheit geprüft.
Verantwortlicher: Klaus Rudolf; Kommentare und Fragen bitte an: rudolfklausblog@gmail.com. Auf diesem Blog teile ich meine persönlichen Meinungen und Erfahrungen. Es ist wichtig zu betonen, dass ich weder Arzt noch Finanzberater bin. Jegliche Informationen, die ich in meinem Blog vorstelle, stellen weder Anlageempfehlungen noch Therapieempfehlungen dar. Für fundierte Entscheidungen in Bezug auf Gesundheitsfragen oder Finanzanlagen empfehle ich, sich umfassend zu informieren und bei Bedarf einen professionellen Experten zu konsultieren.
