Generative AI tools are transforming educational landscapes, offering educators the potential for meaningful integration beyond basic applications. Presenters will share various prompt engineering strategies, as well as results from a research study conducted with undergraduate students studying English as a Foreign Language. This study introduced prompt engineering as a systematic didactic framework that shifts AI from a replacement threat to a collaborative learning partner, offering practical pathways for educator upskilling and student autonomy across disciplines.

Theoretical Framework and Research Context: Rather than viewing AI as an external tool, prompt engineering positions AI interaction as a co-constructive process requiring critical thinking, linguistic precision, and iterative refinement. Building on Nazari and Saadi's (2024) structured framework, this approach transforms AI engagement from passive consumption to active collaboration, where both educators and students develop metacognitive strategies for effective human-AI partnerships.

The Study: A quasi-experimental study with 84 students examined systematic prompt engineering training versus traditional AI usage. Participants learned structured strategies for AI interaction, focusing on iterative prompt refinement, critical evaluation of outputs, and reflective practice. Data were collected pre- and post-intervention and analysis showed significant improvements in output quality (Cohen's d = 0.73). Participants developed enhanced metacognitive awareness and critical thinking skills, and reported increased confidence in learning autonomy while maintaining a critical stance toward AI-generated content.

Educational Implications for All Disciplines: For educators, prompt engineering offers a structured entry point into AI integration that builds on existing pedagogical skills rather than requiring technical expertise. The Nazari and Saadi (2024) framework enables teachers to model critical thinking, scaffold student learning, and maintain pedagogical authority while embracing technological advancement. Students develop valuable 21st-century competencies: precise communication, iterative problem-solving, and critical evaluation skills essential across all subjects.

Challenges and Opportunities: This collaborative approach transforms classroom dynamics, requiring educators to balance digitally competent guidance with student autonomy (Engel et al., 2023). Key challenges include developing assessment strategies that value process over product, addressing digital equity concerns, and maintaining academic integrity. However, the potential for personalized learning, enhanced student engagement, and teacher professional growth outweighs risks when systematically implemented.

Conclusions: Prompt engineering represents a paradigm shift from AI as threat to AI as educational partner. By focusing on collaborative competencies rather than technical skills, educators across disciplines can confidently integrate AI while maintaining pedagogical integrity and fostering deeper student learning.

Studierende nutzen und bewerten Large Language Models (LLMs) heterogen (Zamfirescu-Pereira et al., 2023). Entsprechende Befragungen an der Universität Innsbruck (UIBK) zeigen dabei einerseits Vorbehalte, andererseits aber auch eine breite Nutzung und den Wunsch nach expliziter AI Literacy (Hagleitner et al., 2025; Iniesta & Brocca, in review). Das Projekt PromptLab (2025-2026) untersucht aufbauend auf Vygotsky (1978), wie strukturierte Prompting-Aktivitäten Lernen und insbesondere selbstgesteuertes Lernen (Self-Directed Learning, SDL) sowie die Entwicklung disziplinenspezifischer Kompetenzen unterstützen können. Nachgegangen wird u.a. folgenden Fragen: Welche Erfahrungen machen Studierende mit Prompting zur Lernverbesserung? Wie wird das PromptLab-Projekt als Zugang zur Förderung von SDL wahrgenommen? Inwiefern stärkt das gezielte Verfassen von Prompts fachliche Kompetenzen? Wie erleben Studierende den Vergleich ihrer eigenen Aufgabenbearbeitung mit dem Output eines LLM für dieselbe Aufgabe? Wie beurteilen Lernende die Relevanz dieser Herangehensweise für ihre künftige Berufspraxis? In PromptLab schlagen wir ein dreistufiges didaktisches Modell vor (Theoretisch-methodische Grundlagen → Guided Prompting unter bevorzugter Anwendung von Few-Shot-Prompts → Disziplinspezifische Transferaufgaben mit Feedback-Schleifen), wobei ausgewählte Outputs anschließend in einem frei zugänglichen Prompt-Katalog dokumentiert und durch OER-Lehr-/Lernmaterialien für die Hochschuldidaktik ergänzt werden.

Methodisch kombinieren wir quantitative Online-Befragungen (deskriptive Statistik; Field, 2024) mit qualitativen Inhaltsanalysen (Mayring, 2014) von studentischen Reflexionen, Lernartefakten und Prompt-Protokollen. Ergänzend werden Logdaten aus Prompt-Übungen mit und ohne RAG-Unterstützung ausgewertet. Vorläufige Befunde aus der qualitativen Auswertung zeigen, dass Höflichkeits- und andere kommunikative Routineformeln sowie Hinweise zur eigenen Lernsituation häufig verwendete Strategien darstellen (Gambino, Fox & Ratan, 2020). Zudem sind die Prompts oft sehr lang und kriterienreich. Entwicklungspotenzial sehen wir v.a. in der Sequenzierung „Prompt als Arbeitsplan“ bzw. Few-Shot-Mustern statt Prompts nach dem Prinzip „Alles-in-einem“, in der Rollenzuweisung an das Modell (Persona-Pattern) anstelle reiner Selbstbeschreibungen (Ekin, 2023; White et al., 2023), in gezielter Begriffsarbeit über Definitionen/Beispiele sowie in systematischem, aussagekräftigem Feedback an die KI zur Fokussierung und Output-Optimierung. Fachlich erfordert die Prompterstellung substanzielle Vorarbeit, aktiviert jedoch zugleich bestehendes Vorwissen und kann als Unterstützung bei Musteranalysen und Planungen dienen. Wie nämlich erste Resultate aus PromptLab andeuten, bevorzugen Studierende die Ausarbeitung eigener Analysen/Planungen und nutzen LLMs primär zur Überarbeitung und Überprüfung im kritischen Abgleich. Der Vergleich eigener Lösungen mit LLM-Outputs (und jenen von Peers) kann dabei zur Förderung von metareflexiver Kompetenz, Präzision und Perspektivenvielfalt beitragen. Im Rahmen des Vortrags werden detaillierte Auswertungen und Beispiele sowie weitere Ergebnisse aus dem noch bis März 2026 laufenden PromptLab präsentiert.

Angewandte linguistische Forschung hat in Bezug auf den Sprachunterricht das Ziel, relevante linguistische Konzepte und Inhalte für sprachpädagogische Zwecke zu vermitteln (Widdowson, 2003, p. 8). Im Zeitalter der Digitalisierung kann dies auch bedeuten, online verfügbare linguistische Daten für Stakeholder im Sprachlehr- und -lernbereich, wie zum Beispiel Lehrkräfte oder Entwickler*innen von Unterrichtsmaterialien und Lehrbüchern, aufzubereiten.

In diesem Paper stellen wir das letzte Update (3.0) des digitalen und open-access-verfügbaren Sprachkorpus Vienna-Oxford International Corpus of English (VOICE) (VOICE, 2021) vor. VOICE besteht aus transkribierten Englisch als Lingua Franca (ELF) Konversationen. Das Update hatte zum Ziel, das Online-Korpus weiterzuentwickeln, um dessen Nutzbarkeit für Linguist*innen sowie Sprachpädagog*innen stabil zu gewährleisten bzw. auf eine möglichst benutzerfreundliche Weise zugänglich zu machen. Wir illustrieren, welche neue Such- und Filtermöglichkeiten das Korpus Nutzer*innen für eine niederschwellige und pädagogisch sinnvolle Anwendung im Klassenzimmer bieten kann (siehe Osimk-Teasdale et al., 2021). Beispiele für Anwendungen sind die Verwendung von Transkripten und Audiodateien zur Erweiterung der Sprachkompetenz. Die Diversität der Daten kann dabei dazu beitragen, die Adaptabilität und Flexibilität der Lernenden im Umgang mit variablen sprachlichen Kontexten zu erhöhen, wie es vor allem im Gebrauch von Englisch als globalem Kommunikationsmittel von Vorteil ist.

Weiters diskutieren wir, wie das Korpus in der Lehramtsausbildung derzeit bereits zur Anwendung kommt. Es wird beispielsweise als Datengrundlage für empirische Proseminar- und Seminararbeiten zur Untersuchung einer Vielzahl linguistischer Phänomene verwendet, wie unter anderem lexikalische Innovationen oder Phänomene transkultureller Kommunikation und Mehrsprachigkeit.

Neben den aktuellen Möglichkeiten, die VOICE 3.0 Online nach dem letzten Update bietet, diskutieren wir, welche weiteren Möglichkeiten es gibt, um Sprachkorpora—insbesondere ELF Korpora—auf die Nutzung in der Sprachpädagogik zuzuschneiden. Korpusannotation, als die Anreicherung von Korpustexten mit zusätzlicher Information, stellt eine dieser Möglichkeiten dar. Bisher hatte pädagogisch angelegte Korpusannotation häufig unter dem Begriff der Fehlerannotation vorwiegend das Ziel, Abweichungen von Normen des Erstsprachgebrauchs zu identifizieren und hervorzuheben. Im Gegensatz zu einem solchen defizitär orientierten Ansatz kann Korpusannotation jedoch auch verwendet werden, um kreative morphosyntaktische Prozesse zu veranschaulichen (Osimk-Teasdale & Dorn, 2016) oder kommunikative Prozesse hervorzuheben, die zum Gelingen von Interaktionen beitragen und demzufolge im Sprachgebrauch der Lernenden gefördert werden sollten (Riegler, 2023). Ein Schema für eine solche pragmatische Annotation wurde kürzlich entwickelt (Riegler, 2025) und könnte unter anderem mithilfe von künstlicher Intelligenz (KI) in Korpusdaten implementiert werden. KI Technologien standen bei der ursprünglichen Entwicklung von VOICE nicht zur Verfügung, deren Potenzial könnte jedoch für weitere angewandte linguistische Forschung weitreichend sein.