Entwurf konfliktbasierter kommunikativer Aufgaben im Chinesisch als Fremdsprache-Unterricht mit ChatGPT: Eine Prozessanalyse

1. Einleitung

Die Integration Künstlicher Intelligenz (KI), insbesondere generativer Modelle wie ChatGPT, in die Sprachdidaktik stellt einen bedeutenden Wandel dar. Diese Arbeit untersucht eine spezifische Anwendung: die Nutzung von ChatGPT zur Unterstützung beim Entwurf konfliktbasierter kommunikativer Aufgaben für einen universitären Mündlichkeitskurs im Fach Chinesisch als Fremdsprache (ChaF). Die Forschung verfolgt einen deskriptiven Ansatz, um die Lehrer-KI-Interaktion während des Curriculum-Entwicklungsprozesses zu analysieren und deren Auswirkungen auf das finale Lehrprogramm zu bewerten.

2. Forschungskontext & Methodik

Die Studie ist im praktischen Entwicklungsprozess eines ChaF-Mündlichkeitslehrplans angesiedelt, bei dem die Lehrkraft Aufgaben schaffen wollte, die echte Interaktion anregen.

2.1 Kontext: Kurs & Aufgabenentwicklung

Die zentrale Herausforderung bestand darin, Aufgaben zu entwerfen, die über einstudierten Dialog hinausgehen und spontane, bedeutungsvolle mündliche Interaktion fördern. Die pädagogische Wahl fiel auf Aufgaben, die auf Konfliktszenarien basieren (z.B. Meinungsverschiedenheiten, Verhandlungen, Problemlösung), da diese Lernende inhärent dazu zwingen, überzeugende Sprache einzusetzen, Sprecherwechsel zu managen und Meinungen zu äußern – Schlüsselkomponenten mündlicher Interaktionskompetenz.

2.2 Methodik: Deskriptive Forschung & Korpus

Die Forschung folgt einer deskriptiven Methodik (Olivier de Sardan, 2008; Catroux, 2018). Der primäre Korpus besteht aus dem Interaktionsprotokoll zwischen der Lehrkraft-Forscherin und ChatGPT während der Aufgabendesign-Phase. Dieses Protokoll wird analysiert, um markante Merkmale der Interaktion zu identifizieren und nachzuverfolgen, wie KI-Vorschläge in das finale Curriculum integriert, modifiziert oder verworfen wurden.

Forschungsfragen:

Wie wird ChatGPT im Prozess des Entwurfs konfliktbasierter kommunikativer Aufgaben genutzt?
Inwieweit beeinflusst dessen Nutzung das finale Lehrprogramm?

3. Theoretischer Rahmen

3.1 Kommunikative Aufgaben & Konflikttheorie

Eine kommunikative Aufgabe wird definiert als eine Aktivität, bei der Bedeutung im Vordergrund steht, ein kommunikatives Ziel verfolgt wird und der Erfolg anhand des Ergebnisses bewertet wird. Die Integration der Konflikttheorie bietet einen robusten Rahmen für den Aufgabendesign. Konfliktszenarien schaffen eine „Informationslücke“ und einen „Grund zu kommunizieren“, was Lernende dazu treibt, Sprache strategisch einzusetzen, um ein Ziel zu erreichen (z.B. einen Streit schlichten, eine Argumentation gewinnen, einen Kompromiss finden) und dabei pragmatische und interaktive Kompetenz zu entwickeln.

3.2 Kriterien für den Aufgabendesign

Der Entwurf dieser Aufgaben berücksichtigt mehrere Kriterien: die Authentizität des Konfliktszenarios, die dem Lernerniveau angemessene kognitive und sprachliche Anforderung, klare Rollen und Ziele für die Teilnehmer sowie ein definiertes Ergebnis zur Bewertung des Aufgaben-Erfolgs. ChatGPT wurde genutzt, um Ideen zu generieren, Szenarien zu verfeinern und diese anhand dieser Kriterien zu bewerten.

4. Interaktionsanalyse mit ChatGPT

4.1 Prozess & Nutzungsmanifestation

Die Interaktion war iterativ und dialogisch. Die Lehrkraft initiierte den Prozess mit spezifischen Prompts (z.B. „Generiere ein Konfliktszenario für fortgeschrittene Chinesischlernende über die Planung einer Gruppenreise“). ChatGPT antwortete mit narrativen Skizzen, potenziellen Dialoganfängen und Rollenbeschreibungen. Die Lehrkraft verfeinerte daraufhin die Prompts basierend auf den Antworten, forderte Variationen, Vereinfachungen oder kulturelle Anpassungen an. Die KI fungierte als kollaborativer Brainstorming-Partner und als Generator für schnelle Prototypen.

4.2 Auswirkungen auf das finale Lehrprogramm

Die Analyse deutet darauf hin, dass die Auswirkungen von ChatGPT vielschichtig waren: 1) Effizienz: Beschleunigung der Ideenfindungs- und Entwurfsphase. 2) Vielfalt: Erhöhung der Vielfalt und Kreativität der vorgeschlagenen Konfliktszenarien. 3) Scaffolding: Bereitstellung eines Ausgangspunkts, den die erfahrene Lehrkraft kritisch bewerten und anpassen konnte. Das finale Programm spiegelte eine Synthese aus KI-generierten Ideen und fachpädagogischem Urteil wider, nicht eine direkte Übernahme der KI-Ausgabe.

Konzeptuelles Wirkungsmodell:

Input (Lehrer-Prompt) → KI-Verarbeitung (Szenariengenerierung) → Menschliche Bewertung & Anpassung → Integrierter Output (Finale Aufgabe). Der kritische Filter der Lehrerexpertise gewährleistete pädagogische Stimmigkeit und kulturelle Angemessenheit.

5. Zentrale Analystenerkenntnis: Eine vierstufige Dekonstruktion

5.1 Zentrale Erkenntnis

Diese Arbeit handelt nicht davon, dass KI Lehrer ersetzt; es geht darum, dass KI die kreative und kognitive Last des erfahrenen Curriculum-Designs erweitert. Die eigentliche Geschichte ist das Aufkommen einer pädagogischen Praxis mit menschlicher Kontrollschleife, die durch Prompt-Engineering gesteuert wird. Der Wert liegt nicht in der Rohausgabe von ChatGPT, sondern in der Fähigkeit der Lehrkraft, Prompts zu formulieren, die es zu pädagogisch validen Konstrukten lenken – wie konfliktbasierte Aufgaben – und die Ergebnisse dann kritisch zu kuratieren. Dies spiegelt Erkenntnisse aus kreativen Branchen wider, wo KI-Tools wie DALL-E oder GPT-3 am mächtigsten sind, wenn sie von einem starken menschlichen Creative Director geleitet werden (Ammanabrolu et al., 2021, zur narrativen Generierung).

5.2 Logischer Ablauf

Die Logik der Arbeit ist schlüssig, offenbart aber eine Spannung: Sie befürwortet einen deskriptiven Ansatz, um zu zeigen, „was passiert ist“, doch das zugrundeliegende Versprechen ist präskriptiv – es impliziert, dass dies ein replizierbares Modell ist. Der Ablauf bewegt sich vom Kontext (KI in der Bildung) zu einem spezifischen Problem (Aufgabendesign), erläutert dann die Methode (Analyse von Chat-Protokollen) und bewertet schließlich die Auswirkungen. Allerdings bleibt sie dabei stehen, einen formalisierten Rahmen für den Prompt-Engineering-Prozess selbst bereitzustellen, der das am besten übertragbare Wissensprodukt wäre.

5.3 Stärken & Schwächen

Stärken: Der Fokus auf eine anspruchsvolle, kognitiv fordernde Lehr-Aufgabe (Design, nicht nur Inhaltsvermittlung) ist klug. Die Wahl konfliktbasierter Aufgaben ist hervorragend, da sie die Fähigkeit der KI testet, mit Nuancen und menschlicher Dynamik umzugehen. Die deskriptive Methodik ist für diese frühe Erkundungsphase angemessen.

Schwächen: Die Analyse ist inhärent post-hoc und subjektiv, basierend auf dem Interaktionsprotokoll einer einzelnen Lehrkraft. Es gibt keine Kontrollgruppe (Design ohne KI) oder messbare Lernergebnisdaten, um die Behauptung einer positiven „Wirkung“ zu untermauern. Die Diskussion der „Auswirkungen“ bleibt spekulativ in Bezug auf tatsächliche Lerngewinne der Studierenden. Es besteht die Gefahr, Design-Prozesseffizienz mit pädagogischer Wirksamkeit zu vermengen.

5.4 Umsetzbare Erkenntnisse

Für Lehrkräfte und Institutionen: 1) In Prompt-Kompetenz investieren: Die Ausbildung für Lehrkräfte sollte sich von „wie man KI nutzt“ zu „wie man pädagogische Prompts formuliert“ verlagern. 2) Bewertungsraster entwickeln: Gemeinsame Kriterien für die Bewertung KI-generierter Bildungsinhalte schaffen, mit Fokus auf pädagogischen Prinzipien, nicht nur sprachlicher Korrektheit. 3) Mit klarer Hypothese pilotieren: Nicht nur den Prozess beschreiben, sondern A/B-Tests entwerfen, die KI-gestützte und traditionelle Designmethoden sowohl anhand von Effizienzkennzahlen als auch, entscheidend, anhand nachfolgender studentischer Beteiligung/Leistung vergleichen. 4) Die Prompt-Kette dokumentieren: Das eigentliche geistige Eigentum ist die Abfolge von Prompts, die die besten Ergebnisse lieferte. Diese sollte systematisch archiviert und geteilt werden.

6. Technische Details & Analyserahmen

6.1 Interaktionsmodellierung & Prompt-Engineering

Die Mensch-KI-Kollaboration kann als eine Reihe iterativer Zyklen modelliert werden. Ein zentraler technischer Aspekt ist die Evolution des Prompts. Der initiale Prompt $P_0$ (z.B. „ein Konfliktszenario“) wird basierend auf der Ausgabe $O_n$ und pädagogischen Zielen $G$ verfeinert. Dies lässt sich konzeptualisieren als: $P_{n+1} = f(P_n, O_n, G, C)$, wobei $C$ Einschränkungen (Sprachniveau, kultureller Kontext) repräsentiert. Die Funktion $f$ ist die Prompt-Engineering-Fähigkeit der Lehrkraft. Die Qualität der finalen Aufgabe $T_{final}$ ist eine Funktion der initialen KI-Ausgabe und der Anzahl und Qualität der Verfeinerungsiterationen: $T_{final} \approx \sum_{i=1}^{n} (\alpha \cdot O_i + \beta \cdot H_i)$, wobei $\alpha$ das KI-Gewicht, $\beta$ das Gewicht des menschlichen Experten und $H_i$ der menschliche Input bei Iteration $i$ ist.

6.2 Analyserahmen: Ein nicht-technisches Fallbeispiel

Szenario: Entwurf einer Aufgabe für Lernende auf B1-Niveau zum Thema „Verhandlung eines Arbeitsplans“.
Angewendeter Analyserahmen:
1. Prompt-Dekonstruktion: Lehrer-Prompt: „Generiere einen Dialog, in dem zwei Kollegen sich über Wochenenddienstpläne uneinig sind. Füge Ausdrücke für Präferenz, Vorschlag und milde Ablehnung ein. Verwende B1-Vokabular.“ Dieser Prompt spezifiziert Kontext, Konflikt, sprachliche Funktionen und Niveau.
2. Ausgabe-Bewertungsmatrix: Die KI-Ausgabe wird bewertet anhand von:
  - Pädagogische Passung: Sind die Zielsprachfunktionen vorhanden?
  - Sprachliche Angemessenheit: Entspricht Vokabular/Syntax dem B1-Niveau?
  - Szenario-Authentizität: Ist der Konflikt glaubwürdig?
  - Aufgabenpotenzial: Kann dies in ein Rollenspiel mit klaren Zielen umgewandelt werden?
3. Iterationsverfolgung: Die Lehrkraft stellt fest, dass der erste KI-Entwurf zu formelle Ablehnungsphrasen verwendete. Der nächste Prompt verfeinert: „...Verwende gängigere umgangssprachliche Phrasen für Ablehnung wie '我觉得可能不太行' (Ich denke, das geht vielleicht nicht) anstelle von '我坚决反对' (Ich lehne das entschieden ab).“ Dies demonstriert den Rahmen in Aktion.

7. Zukünftige Anwendungen & Forschungsrichtungen

Die Entwicklung weist über den Aufgabendesign hinaus. Zukünftige Anwendungen umfassen: 1) Dynamische Schwierigkeitsanpassung: KI könnte in Echtzeit mehrere Versionen eines Konfliktszenarios basierend auf der Lernleistung generieren. 2) Personalisierte Konfliktszenarien: Nutzung von Lerninteressen (aus Umfragen oder früheren Interaktionen) als Grundlage für die Szenariengenerierung. 3) KI als Rollenspiel-Simulator: Lernende üben Verhandlung mit einem KI-Charakter, der seine Strategie basierend auf der Sprachkompetenz und Überzeugungskraft des Lernenden anpasst – ein Konzept, das an Arbeiten zu KI für interaktives Storytelling angrenzt (Riedl & Bulitko, 2012).

Kritische Forschungsrichtungen: Längsschnittstudien zur Messung von Lernerfolgen; Entwicklung standardisierter „pädagogischer Prompt-Bibliotheken“; Erforschung multimodalen Aufgabendesigns (Integration KI-generierter Bilder/Videos in Szenarien); und ernsthafte Untersuchung ethischer Fragen – Sicherstellung, dass KI in ihren generierten Konfliktnarrativen keine Stereotype verstärkt.

8. Literaturverzeichnis

Catroux, M. (2018). Introduction à la recherche en didactique des langues. Éditions Maison des Langues.
Olivier de Sardan, J.-P. (2008). La rigueur du qualitatif. Les contraintes empiriques de l'interprétation socio-anthropologique. Academia-Bruylant.
Ammanabrolu, P., et al. (2021). How to Motivate Your Dragon: Teaching Goal-Driven Agents to Speak and Act in Fantasy Worlds. Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics.
Riedl, M. O., & Bulitko, V. (2012). Interactive Narrative: An Intelligent Systems Approach. AI Magazine, 34(1), 67-77.
OpenAI. (2022). ChatGPT: Optimizing Language Models for Dialogue. Retrieved from https://openai.com/blog/chatgpt
Ellis, R. (2003). Task-based Language Learning and Teaching. Oxford University Press.