„KI kann Open Science transparenter und zugleich lernbarer machen“

Matthias Söllner über seine Open-Science-Erfahrungen

Sie forschen zu Vertrauen und zur Akzeptanz digitaler Innovationen. Wo wird in der Debatte über Open Science bislang zu wenig über Vertrauen gesprochen?

MS: Zunächst sollte man Vertrauen und Akzeptanz unterscheiden. Vertrauen kann eine Voraussetzung für Akzeptanz sein, ist aber nicht mit ihr gleichzusetzen. Für die Akzeptanz von Open Science ist vor allem der wahrgenommene Nutzen entscheidend. Forschende werden offene Praktiken eher übernehmen, wenn sie darin einen konkreten Mehrwert erkennen. Deshalb müssen wir stärker fragen, welchen Nutzen einzelne Forschende von Open Science haben und welche Anreize das Wissenschaftssystem setzt. Die Aufbereitung und langfristige Bereitstellung von Forschungsdaten verursacht erheblichen Aufwand, wird bei Berufungen und Karriereentscheidungen aber bislang kaum berücksichtigt. Dort zählen vor allem Publikationen und Drittmittel. Solange offene Daten zusätzliche Arbeit bedeuten, ohne sich wissenschaftlich auszuzahlen, bleibt die Forderung asymmetrisch.

Vertrauen betrifft aber auch die Publikationsstrukturen. Autor:innengebühren können Geschäftsmodelle fördern, bei denen hohe Publikationszahlen wirtschaftlich attraktiver sind als eine strenge Qualitätssicherung. Das wirft Fragen nach der Vertrauenswürdigkeit von Verlagen, Zeitschriften und Begutachtungsverfahren auf.

Ich habe mir etwa die Zeitschrift Sustainability des Verlags MDPI angesehen. Angesichts der hohen Zahl veröffentlichter Beiträge stellt sich die Frage, welchen Stellenwert wissenschaftliche Selektion gegenüber dem Ziel hoher Publikationszahlen hat. Ähnliche Mechanismen gibt es auch bei etablierten Verlagen. Wird ein Beitrag von einer Zeitschrift abgelehnt, wird mitunter eine Einreichung bei einem Schwesterjournal angeboten, häufig gegen eine Open-Access-Gebühr.

Das ist nicht grundsätzlich problematisch. Zeitschriften können unterschiedliche Profile und Qualitätsmaßstäbe haben. Kritisch wird es aber dann, wenn der Eindruck entsteht, dass möglichst jeder Beitrag innerhalb eines Verlagsportfolios einen Publikationsort finden soll. Kurzfristig profitieren alle Seiten. Forschende erhalten eine Publikation, der Verlag eine Gebühr, und mehr Beiträge sind frei zugänglich. Langfristig kann jedoch die Orientierung leiden. Je mehr methodisch schwache Arbeiten erscheinen, desto schwieriger wird es, belastbare von weniger belastbaren Ergebnissen zu unterscheiden. Für Außenstehende ist die Qualität einer Studie oft kaum einzuschätzen. Schon die Veröffentlichung in einer wissenschaftlichen Zeitschrift verleiht einem Ergebnis Glaubwürdigkeit. Wenn die Qualitätssicherung nicht zuverlässig funktioniert, kann dieser Mechanismus das Vertrauen in wissenschaftliche Publikationen und schließlich in das Wissenschaftssystem schwächen.

Auch die Förderpraxis kann widersprüchliche Anreize setzen. An der Universität Kassel habe ich erlebt, dass Gebühren für Beiträge in angesehenen hybriden Zeitschriften teilweise nicht übernommen wurden, während reine Open-Access-Zeitschriften eher gefördert wurden, unabhängig von ihrer Qualität oder Publikationspraxis. Entscheidend sollte aber nicht allein sein, ob eine Zeitschrift Open Access anbietet. Wichtiger sind die Vertrauenswürdigkeit des Verlags, die Qualität des Begutachtungsverfahrens und das Geschäftsmodell. Sonst fördern öffentliche Mittel womöglich Strukturen, die formell Open Access entsprechen, wissenschaftliche Qualität aber nicht hinreichend sichern.

Ich verstehe Ihren Punkt. Seit einiger Zeit wird unter dem Stichwort des wissenschaftsgeleiteten Publizierens darüber diskutiert, Zeitschriften wieder stärker in die Verantwortung der Wissenschaft zu überführen. In der ZBW beschäftigt sich ein eigenes Team mit diesem Thema. Dabei zeigt sich, wie schwierig dieser Wandel ist. Vertraute, wenn auch unbeliebte, Verfahren erscheinen den Herausgeber:innen oft einfacher, als nach alternativen Finanzierungsmodellen zu suchen. Welche Rolle spielen solche Gewohnheiten für die Akzeptanz wissenschaftsgeleiteter Publikationsmodelle?

MS: Gewohnheiten sind eine klassische Hürde für Veränderungen. Hinzu kommt, dass viele Forschende vermutlich gar nicht wissen, welche Alternativen es gibt und was grundsätzlich möglich ist. Es gibt allerdings bereits wissenschaftliche Fachgesellschaften, die bedeutende Zeitschriften herausgeben. Dazu gehören etwa die Academy of Management und im Bereich der Wirtschaftsinformatik die Association for Information Systems. Auch das MIS Quarterly, eine der führenden Zeitschriften des Fachs, wird im wissenschaftlichen Umfeld herausgegeben. Allerdings arbeiten auch solche Zeitschriften teilweise mit hybriden Publikationsmodellen. Das führt wiederum zu Widersprüchen in der Förderung. Meine Universität übernimmt die Open-Access-Gebühren in solchen Fällen zum Teil nicht, obwohl die Zeitschrift wissenschaftlich anerkannt ist.

Wenn Sie aus einer soziotechnischen Perspektive auf den Wissenschaftsbetrieb blicken, was brauchen Forschende, damit sie ihre Arbeitspraktiken verändern?

MS: Entscheidend sind zunächst die individuellen Anreize. Bei Berufungen und Leistungszulagen zählen vor allem Publikationen und eingeworbene Drittmittel. Ob Forschende zu Open Science beitragen, spielt dagegen bislang kaum eine Rolle. Es ist daher wenig überraschend, dass viele ihre Arbeit an den Kriterien ausrichten, die für ihre Karriere entscheidend sind. Zugleich muss der konkrete Nutzen von Open Science besser vermittelt werden. Forschende wägen ab, ob sie Zeit in die Aufbereitung und Veröffentlichung eines Datensatzes investieren oder in ein anderes Projekt, das eher zu einer Publikation oder zu neuen Drittmitteln führt. Deshalb braucht es institutionelle Anerkennung für Open-Science-Aktivitäten.

Dazu gehört auch, Beiträge nachvollziehbar zu honorieren. Wenn ein Datensatz häufig nachgenutzt wird und daraus weitere Veröffentlichungen entstehen, sollte die Person, die ihn bereitgestellt hat, dafür wissenschaftliche Anerkennung erhalten. Denkbar wären entsprechende Nachweise, die bei Evaluationen berücksichtigt werden. Grundsätzlich müssten wir Forschungsleistung weniger über Mengen messen. Rankings und Evaluationen orientieren sich häufig an der Zahl der Publikationen, Zitationen und Drittmittel. Das begünstigt eine Publikationspraxis, bei der Quantität stärker zählt als Qualität. Wer mit einem Beitrag bei einer angesehenen Zeitschrift abgelehnt wird, hat dann oft einen Anreiz, ihn möglichst schnell an anderer Stelle zu veröffentlichen, statt das Projekt grundlegend weiterzuentwickeln.

Der Fokus auf Quantität ist natürlich auch dem Umstand geschuldet, dass die Zahl wissenschaftlicher Publikationen stark wächst. Auch in den Wirtschaftswissenschaften kommen zunehmend Beiträge aus Ländern wie China und Indien hinzu. Damit steigt der Aufwand für Begutachtungsverfahren. Für Gutachtende scheint es demnach leistbarer, quantitative Indikatoren zu sichten. Wie verändert diese Entwicklung die wissenschaftliche Qualitätssicherung?

MS: Durch generative KI dürfte sich diese Entwicklung noch verstärken. Bei großen Informatikkonferenzen explodieren die Einreichungszahlen bereits merklich. Auch bei einer führenden Wirtschaftsinformatik-Konferenz hat sich die Zahl der Beiträge gegenüber dem Vorjahr offenbar nahezu verdoppelt. Es ist kaum anzunehmen, dass sich im selben Zeitraum auch die Zahl der Forschenden verdoppelt hat. Wahrscheinlicher ist, dass generative KI die Produktion wissenschaftlicher Texte beschleunigt. Mehr Einreichungen bedeuten jedoch nicht automatisch mehr gute Forschung. Es kann auch einfach nur mehr durchschnittliche Forschung bedeuten.

Sie beschäftigen sich auch mit dem Vertrauen in Daten und Plattformen. Würden Sie der These zustimmen, dass Transparenz in Zeiten generativer KI an Bedeutung gewinnt? Also die Nachvollziehbarkeit der Frage, wie eine Studie entstanden ist, welche Daten und Methoden verwendet wurden und auf welchem Code die Ergebnisse beruhen?

MS: Vertrauen ist eine Grundlage unseres Handelns. Es spielt nicht nur in Transformationszeiten eine Rolle, sondern grundsätzlich immer. Durch generative KI gewinnt jedoch die Frage an Bedeutung, wie Ergebnisse zustande gekommen sind. Das zeigt sich bereits bei studentischen Haus- und Abschlussarbeiten. Künftig wird es vermutlich nicht mehr ausreichen, nur das eingereichte Ergebnis zu bewerten. Ebenso wichtig wird der Entstehungsprozess. Wie ist die Person vorgegangen? Warum hat sie bestimmte Entscheidungen getroffen? Welche Zwischenschritte kann sie dokumentieren? Und kann sie die eigene Arbeit erklären und fachlich einordnen? Wir überlegen deshalb, schriftliche Arbeiten häufiger durch Gespräche oder mündliche Prüfungen zu ergänzen. Dabei geht es nicht nur darum festzustellen, ob eine Arbeit selbstständig entstanden ist. Entscheidend ist auch, ob die Studierenden verstanden haben, was sie getan haben und ihre Vorgehensweise begründen können. Einige Zeitschriften gehen bereits schon so vor und ergänzen Beiträge bereits durch Interviews mit den Autor:innen, in denen diese ihre Überlegungen, ihr Vorgehen und die zentralen Ergebnisse erläutern.

Was unterscheidet das Vertrauen in eine öffentliche Forschungsinfrastruktur vom Vertrauen in ein kommerzielles digitales System? Gelten jeweils andere Maßstäbe?

MS: Grundsätzlich greifen ähnliche Vertrauensmechanismen. Ein Unterschied liegt jedoch in der Trägerschaft und den damit verbundenen Interessen. Hinter einem kommerziellen System steht ein Unternehmen, das wirtschaftliche Ziele verfolgt. Bei einer öffentlich getragenen Forschungsinfrastruktur kann man eher davon ausgehen, dass Gemeinwohlorientierung, Integrität und das Interesse der Nutzenden eine größere Rolle spielen. Das kann die Bewertung einzelner Vertrauensdimensionen beeinflussen. Wohlwollen und Integrität werden einem öffentlichen Betreiber möglicherweise eher zugeschrieben als einem Unternehmen, dessen Geschäftsmodell auf Gewinnerzielung beruht. Ein grundsätzlicher Unterschied im Entstehen von Vertrauen besteht aus meiner Sicht aber nicht.

Das zeigt sich auch im PriDI-Projekt, in dem es um einen offenen europäischen Webindex als Alternative zu den proprietären Infrastrukturen aus den USA, China und Russland geht. Für die Nutzenden ist der Mehrwert einer offenen Infrastruktur oft sehr schwer zu vermitteln. Es gibt gute Gründe für eine solche offene Infrastruktur, etwa Transparenz, Unabhängigkeit und öffentliche Kontrolle. Diese Vorteile führen aber nicht automatisch zu Akzeptanz. Wenn Menschen sich an ein bestehendes System gewöhnt haben und es aus ihrer Sicht zuverlässig funktioniert, ist ein Wechsel schwierig. In dieser Hinsicht unterscheiden sich die Mechanismen kaum von denen kommerzieller Systeme.

Was lässt sich aus dem PriDI-Projekt für wissenschaftliche Infrastrukturen lernen?

MS: Zunächst zeigt das Projekt, dass die wahrgenommene Vielfalt digitaler Angebote täuschen kann. Auf der Anwendungsebene stehen uns zahlreiche Dienste und Apps zur Verfügung. Je weiter man aber auf die technischen Basisschichten blickt, desto stärker konzentriert sich der Markt auf wenige Akteure. An diesem Punkt setzt das PriDI-Projekt an. Wir entwickeln dort nicht selbst den Open Web Index, sondern untersuchen eine Infrastruktur, die im Rahmen einer europäischen Initiative aufgebaut wird. Ausgangspunkt ist, dass Europa bislang über keine eigene Grundlage für Suchdienste verfügt. Die vorhandenen Infrastrukturen werden vor allem von Anbietern aus den USA, China und Russland kontrolliert, die sich etwa beim Datenschutz und bei der Regulierung an anderen Maßstäben orientieren. Und hier müssen wir lernen, dass Schnelligkeit in der digitalen Welt einfach ein wichtiger Faktor ist. Netzwerkeffekte führen dazu, dass frühe Anbieter rasch eine marktbeherrschende Stellung aufbauen können. Das begünstigt monopol- oder oligopolartige Strukturen.

Bereits heute gibt es zahlreiche Plattformen auf dem Markt, auf denen Forschende ihre Arbeiten öffentlich zugänglich machen. Wer weitere Angebote oder Infrastrukturen schaffen will, muss deshalb von Anfang an mitdenken, wie diese tatsächlich genutzt werden können. Denn etablierte Plattformen verfügen oft über einen erheblichen Vorsprung. Sie sind bekannt, in Arbeitsabläufe eingebunden und durch Netzwerkeffekte gefestigt. Auch wenn sie nicht vollständig den eigenen wissenschaftspolitischen oder gesellschaftlichen Vorstellungen entsprechen, haben sich die Leute einfach dran gewöhnt und es in ihre Routinen eingebaut. Ein Wechsel gelingt daher meist nur, wenn die neue Infrastruktur einen klar erkennbaren Mehrwert bietet.

Haben staatlich oder öffentlich finanzierte Angebote eine realistische Chance, Alternativen zu etablieren, die mit kommerziellen Diensten bei Geschwindigkeit und Benutzerfreundlichkeit konkurrieren und zugleich einen erkennbaren Mehrwert bieten? Ist das mit den Strukturen des öffentlichen Sektors überhaupt möglich?

MS: Unter den gegenwärtigen Bedingungen bin ich skeptisch. Trotzdem ist es notwendig, solche Alternativen zu entwickeln. Sie müssen auch nicht zwingend von einer öffentlich-rechtlichen Institution betrieben werden. Denkbar wäre etwa, den Betrieb einem europäischen Unternehmen zu übertragen und dabei öffentliche Vorgaben und Kontrollmöglichkeiten zu verankern. Die größere Herausforderung liegt aus meiner Sicht im Nutzungsverhalten. Man kann kaum erwarten, dass Forschende allein aus Datenschutz- oder Gemeinwohlgründen auf eine unbekannte Alternative umsteigen, sofern diese nicht schnell ein brauchbares Ergebnis liefert. Eine neue Infrastruktur muss deshalb nicht nur anderen Werten folgen, sondern bei Qualität, Geschwindigkeit und Bedienbarkeit mindestens konkurrenzfähig sein.

Angenommen, Europa will mehr Datensouveränität erreichen und seine Abhängigkeit von den großen Technologiekonzernen verringern. Wie sollte man dabei vorgehen? Sollte ein europäisches Unternehmen mit dem Aufbau einer Infrastruktur beauftragt und deren Einführung anschließend gezielt gefördert und beworben werden? Oder braucht es einen anderen Ansatz?

MS: Zunächst stellt sich die strategische Frage, ob Europa tatsächlich einen Anbieter aufbauen möchte, der langfristig mit den bestehenden Technologiekonzernen konkurrenzfähig sein soll. Wir versuchen hier, einen über Jahrzehnte entstandenen gigantischen Vorsprung aufzuholen. Eine Alternative könnte darin bestehen, diesen Entwicklungsschritt zu überspringen und frühzeitig in eine kommende Zukunftstechnologie zu investieren. Entscheidet man sich dennoch für den Aufbau einer europäischen Alternative, halte ich Open Source grundsätzlich für einen sinnvollen Ansatz. Offenheit und Nachvollziehbarkeit könnten ein Unterscheidungsmerkmal gegenüber proprietären Angeboten sein. Dafür müssten die Kräfte allerdings gebündelt werden. Wenn jedes Bundesland oder jede Universität eine eigene Open-Source-Lösung betreibt, entstehen zu viele kleinteilige Strukturen. Diese können bei Skalierbarkeit, Weiterentwicklung und Benutzerfreundlichkeit kaum mit Anbietern wie Microsoft konkurrieren.

Denkbar wäre daher eine Art „digitaler Airbus“, das heißt, ein europäisches Unternehmen, das offene digitale Dienste entwickelt und betreibt. Die europäischen Staaten müssten sich zugleich verpflichten, diese Angebote über einen längeren Zeitraum zu nutzen und zu finanzieren. Ein solches Unternehmen bräuchte sicherlich für fünf bis zehn Jahre verlässliche Aufträge und Investitionen, um technische Kapazitäten aufzubauen und seine Dienste weiterzuentwickeln. Erst eine solche langfristige Perspektive würde die nötige Planungssicherheit schaffen. So könnte ein europäischer Anbieter entstehen, der zunächst durch öffentliche Nachfrage getragen wird und später auch auf dem internationalen Markt mit etablierten Unternehmen konkurrieren kann. Das wäre zumindest eine mögliche Strategie, um den europäischen Rückstand schrittweise zu verringern.

Als Wirtschaftsinformatiker beschäftigen Sie sich auch mit Fragen der Data Literacy. Welche Kompetenzen benötigen Forschende im Umgang mit offenen Daten?

MS: Ich bin Wirtschaftsinformatiker, habe ursprünglich aber Betriebswirtschaftslehre studiert. In meiner Forschung beschäftige ich mich unter anderem mit digitalem Lernen. Derzeit arbeite ich zudem gemeinsam mit Forschenden aus der Mathematik- und Biologiedidaktik an einem Projekt zu Data Literacy, das auch Fragen von Open Data berührt. Für empirisch arbeitende Forschende war Data Literacy schon immer wichtig. Dazu gehört, Daten sachgerecht aufzubereiten und zu analysieren. Durch die Nutzung offener und bereits vorhandener Daten kommen jedoch weitere Kompetenzen hinzu, sowohl vor als auch nach der eigentlichen Analyse. Am Anfang steht die Frage, wie sich zu einer Forschungsfrage passende Daten finden lassen. Forschende müssen wissen, wo sie suchen können und wie sie möglichst effizient beurteilen, ob ein Datensatz für ihr Vorhaben geeignet ist. Wer Daten selbst erhebt, kann deren Struktur und Inhalt an der eigenen Forschungsfrage ausrichten. Bei Sekundärdaten muss dagegen zunächst geprüft werden, unter welchen Bedingungen sie erhoben wurden, welche Variablen sie enthalten und welche Aussagekraft sie besitzen.

Ähnliche Anforderungen entstehen bei der Bereitstellung eigener Daten. Forschende müssen Datensätze so dokumentieren und veröffentlichen, dass andere sie finden, verstehen und hinsichtlich ihrer Eignung bewerten können. Dabei spielen Metadaten eine zentrale Rolle. Ich bin allerdings nicht sicher, ob all diese Fähigkeiten noch unter den Begriff Data Literacy fallen. Man könnte auch von einer Open Science Literacy sprechen, die an Data Literacy anknüpft, aber zusätzlich Kompetenzen für das Auffinden, Bewerten, Dokumentieren und Teilen von Forschungsdaten umfasst.

Nennen wir dieses Handwerkszeug einmal Open Science Literacy. Müssen Forschende dieses Wissen selbst erwerben, oder entwickelt sich eine stärkere Arbeitsteilung, etwa durch Forschungsdatenmanager:innen und Data Stewards? Entlasten neue Werkzeuge und spezialisierte Rollen die Forschenden bereits, oder kommt der Aufwand bislang vor allem zusätzlich hinzu?

MS: Wir befinden uns in einem Prozess der Professionalisierung. Nach und nach entstehen spezialisierte Rollen, und auch die Arbeitsteilung verbessert sich. Allerdings hängt das stark von der Ausstattung einer Universität ab. Einrichtungen mit zusätzlichen Mitteln können eher Stellen für Forschungsdatenmanagement oder Data Stewards schaffen als kleinere oder weniger finanzstarke Hochschulen. An der Universität Kassel gibt es beispielsweise ein Team, das sich mit Daten und Datenmanagement beschäftigt. Dieses Team ist jedoch vergleichsweise klein. Unter den gegenwärtigen Bedingungen bedeutet Open Science für viele Forschende daher noch zusätzlichen Aufwand. Zugleich werden die Verfahren und Werkzeuge schrittweise besser. Dadurch lassen sich einige Aufgaben effizienter erledigen, und der zusätzliche Aufwand kann sinken. Dennoch werden entsprechende Kompetenzen für Forschende wichtiger. Aus meiner Sicht gehört das zunehmend zu den Grundlagen wissenschaftlichen Arbeitens.

Ist Open Science bereits ein fester Bestandteil der Ausbildung von Nachwuchsforschenden?

MS: Zumindest ist mir kein verpflichtendes Lehrangebot bekannt, in dem Open Science systematisch vermittelt wird. In unseren Studiengängen gibt es zwar Einführungen in das wissenschaftliche Arbeiten. Dort stehen bislang jedoch andere Grundlagen im Mittelpunkt. Dabei sollte offenes wissenschaftliches Arbeiten aus meiner Sicht als überfachliche Kompetenz vermittelt werden. Die Schwierigkeit besteht darin, dass auch die fachlichen Inhalte eher zunehmen als weniger werden. Es ist deshalb kaum möglich, für jede neue Anforderung einen zusätzlichen Kurs in die Studiengänge aufzunehmen. Sinnvoller ist es, solche Kompetenzen in bestehende Lehrveranstaltungen zu integrieren. Das haben wir beispielsweise bei der Argumentationsfähigkeit erprobt. Studierende verfassten im Verlauf einer Einführung in die Wirtschaftsinformatik mehrere Ausarbeitungen und erhielten dabei gezielte Unterstützung. Unsere Studien zeigten, dass sich ihre Argumentationsfähigkeit über das Semester verbesserte, während sie zugleich die fachlichen Inhalte vertieften.

Ein ähnliches Modell wäre für Open Science denkbar. In einem Kurs zum wissenschaftlichen Arbeiten könnten Studierende nicht nur Grundlagen kennenlernen, sondern einen Forschungsprozess selbst durchlaufen, von der Recherche und Datennutzung bis zur Dokumentation und Veröffentlichung nach Open-Science-Prinzipien. So ließen sich die entsprechenden Kompetenzen vermitteln, ohne dafür zwingend eine eigene Lehrveranstaltung einzurichten. Dafür braucht es Lehrformate, die Wissensvermittlung und Anwendung stärker voneinander trennen. Grundlagen können zunehmend digital und zeitlich flexibel vermittelt werden. Die gute alte Vorlesung stammt ja noch aus einer Zeit, in der Bücher knappes Gut waren. Da stehen wir ja nicht mehr. Die gemeinsame Lehrzeit lässt sich dann für praktische Übungen, Diskussionen und Reflexion nutzen. Warum ist offenes wissenschaftliches Arbeiten wichtig? Welche Hürden gibt es? Und wie lassen sie sich überwinden? Formate wie der Flipped Classroom bieten dafür geeignete Ansätze.

In Ihrem Projekt Komp_HI  untersuchen Sie, wie KI den Aufbau von Kompetenzen unterstützen kann. Lässt sich dieser Ansatz auch auf Open Science Literacy übertragen?

MS: Ja, grundsätzlich schon. KI ist dabei vor allem ein Mittel, um eine gewisse Fähigkeit möglichst adaptiv individualisiert erlernen zu können. Inhaltlich geht es um den Ansatz, überfachliche Kompetenzen gemeinsam mit fachlichen Inhalten zu vermitteln. Gerade in großen Lehrveranstaltungen ist individuelles Feedback für Lehrende kaum zu leisten. Für den Lernerfolg ist es jedoch wichtig, dass Studierende individualisierte Rückmeldungen zu ihrem jeweiligen Arbeitsstand erhalten. Ein KI-System kann diese Aufgabe teilweise übernehmen, sofern es für den konkreten Anwendungsfall entwickelt und entsprechend trainiert wurde. Das ließe sich auch auf Open Science übertragen.

Welche Chancen bieten individualisierte Lernangebote für wissenschaftliches Arbeiten und Open Science? Denkbar wäre etwa ein KI-gestütztes Lernsystem, das zunächst den Wissensstand erfasst und anschließend passende Übungen vorschlägt. Ist das ein realistisches Zukunftsmodell? Und gibt es dafür bereits Ansätze?

MS: Grundsätzlich ja. Ob man dafür ein eigenes Lab braucht, ist eine andere Frage. Im Idealfall hätte jede lernende Person einen eigenen Privatlehrer, der ihren Wissensstand kennt und sie individuell begleitet. Das lässt sich mit menschlichen Lehrenden aber kaum skalieren. KI könnte hier perspektivisch die Rolle eines smarten digitalen Tutors übernehmen. Dafür müsste das System zunächst erfassen, welche Kompetenzen bereits vorhanden sind und wo noch Lücken bestehen. Anschließend könnte es passende Lernmodule, Übungen und Rückmeldungen anbieten. Zu solchen adaptiven Lernpfaden gibt es bereits Forschung, etwa zur Frage, welches Lernmodul für eine Person als Nächstes sinnvoll ist. Für die Themen wissenschaftliches Arbeiten und Open Science kenne ich bislang allerdings nur wenige konkrete Forschungsarbeiten.

Welche Erfahrungen haben Sie im Projekt Komp-HI mit KI-gestütztem Feedback bereits gemacht? Wie reagieren Studierende darauf, und wie gut funktioniert es?

MS: Eine solche Form des individualisierten Feedbacks haben wir im Projekt noch nicht umfassend untersucht. Wir haben jedoch ein KI-System für das juristische Schreiben entwickelt. Juristische Falllösungen folgen einem festgelegten Gutachtenstil. Neben den fachlichen Inhalten müssen Studierende also auch eine bestimmte Argumentations- und Textstruktur erlernen. Unser System unterstützt sie durch individuelles Feedback dabei, diese Struktur zu erkennen und anzuwenden. Vereinfacht gesagt, der Inhalt kann juristischer Nonsens sein, aber der Text ist zumindest nach dem Gutachtenstil aufgebaut, also im schlimmsten Fall gut strukturierter Nonsens. Für das Feedback zur fachlichen Richtigkeit der Falllösung bleiben die Kolleg:innen aus der Rechtswissenschaft zuständig. Zusammen entsteht dann ein Mix aus KI-basiertem und menschlichem Feedback, was wir auch als hybride Intelligenz bezeichnen. Die Studierenden schreiben also zunächst eine Lösung. Anschließend zeigt das System, welche Elemente des Gutachtenstils es im Text erkannt hat. Dadurch sehen die Lernenden beispielsweise, ob die Gewichtung der einzelnen Abschnitte stimmt oder ob Sätze keiner erwarteten Funktion zugeordnet werden können. Das gibt ihnen Hinweise darauf, an welchen Stellen sie ihren Text überarbeiten sollten.

Wichtig ist, dass das System nicht unmittelbar vorgibt, wie eine Passage richtig formuliert werden muss. Die Studierenden erhalten eine Analyse, müssen daraus aber selbst Schlüsse ziehen und ihren Text eigenständig verbessern. Das Feedback unterstützt damit die Reflexion, ohne den Lernprozess zu ersetzen. Für strukturelles Feedback funktioniert dieser Ansatz bereits gut. In mehreren Studien konnten wir zeigen, dass Studierende die entsprechenden Fähigkeiten besser erlernen. Im Vergleich zu klassischen Übungsgruppen, in denen Musterfälle besprochen werden, waren die von uns getesteten Systemvarianten durchweg wirksamer. Schwieriger ist die Bewertung des fachlichen Inhalts, also der Semantik und der juristischen Qualität einer Argumentation. Dazu führen wir derzeit weitere Studien durch. Hier kann ich noch keine belastbaren Ergebnisse nennen.

Sie sind Mitglied der neu berufenen VHB-Arbeitsgruppe „Open Science“. Was hat Sie zur Mitarbeit bewogen, und was möchten Sie dort einbringen?

MS: Open Science ist für mich ein Thema, das die BWL in den kommenden Jahren prägen wird. Zugleich sehen wir, dass der gegenwärtige Wandel mit Problemen verbunden ist, etwa mit Geschäftsmodellen, bei denen Verlage hohe Publikationsgebühren erheben. Grundsätzlich sollten die Ergebnisse öffentlich finanzierter Forschung auch öffentlich zugänglich sein. Das ist nicht nur eine Frage der Transparenz. Viele gesellschaftliche Herausforderungen lassen sich nur in größeren Forschungsverbünden bearbeiten, in denen Daten, Methoden und Ergebnisse gemeinsam genutzt und nachvollziehbar dokumentiert werden. Ich möchte deshalb besser verstehen, wie Open Science sinnvoll gestaltet werden kann, welche Hürden bestehen und welche Rahmenbedingungen Forschende benötigen. Die Mitarbeit in der Arbeitsgruppe bietet mir die Möglichkeit, diese Entwicklung fachlich zu begleiten und mitzugestalten.

Vielen Dank!

Das Interview wurde geführt am 29. Mai 2026 von Dr. Doreen Siegfried.

Über Prof. Dr. Matthias Söllner:

Prof. Dr. Matthias Söllner ist Leiter des Fachgebiets Wirtschaftsinformatik und Systementwicklung an der Universität Kassel sowie Direktor am Wissenschaftlichen Zentrum für Informationstechnik-Gestaltung. Seine Forschung befasst sich mit der vertrauens- und akzeptanzförderlichen Gestaltung von Informationssystemen, digitalen Lehr-Lerninnovationen und Hybrid Intelligence. Zuvor war er an den Universitäten Kassel und St. Gallen tätig. Für seine wissenschaftliche Arbeit erhielt er mehrere Auszeichnungen, darunter 2020 den Early Career Award der Association for Information Systems.

Kontakt: https://www.uni-kassel.de/forschung/iteg/startseite/personen/direktorium/prof-dr-matthias-soellner.html

LinkedIn: https://www.linkedin.com/in/msoellner/

ORCID: https://orcid.org/0000-0002-1347-8252

GoogleScholar: https://scholar.google.com/citations?user=9gD2bNwAAAAJ&hl=de

Zurück zum Open-Science-Magazin