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.