FACHARTIKEL
Copy, paste, trust?
Täglich lesen wir Meldungen zu generativer künstlicher Intelligenz (GenAI) und deren beeindruckenden Leistungen – sie erzeugt Gebrauchstexte, generiert immer überzeugenderes Bild- und Videomaterial und kann selbst ganze Songs komponieren. GenAI wird heute auch genutzt, um Programmcode zu erstellen, zu erklären und zu überprüfen. Immer wieder liest und hört man, dass GenAI Programmiererinnen und Programmierer in Zukunft ersetzen wird, und entsprechend raten manche sogar davon ab, überhaupt noch Informatik zu studieren.1
Viele Schülerinnen und Schüler und auch Studierende nutzen GenAI vom Aufsatzschreiben bis zur Lösung von Programmieraufgaben. Erste Forschungsergebnisse malen ein düsteres Bild über die Zukunft unserer Bildungssysteme: Kritisches Denken nimmt mit der Nutzung von GenAI ab.2 Beispielsweise schneiden Studierende, die sich den Code einfach generieren lassen, schlechter bei Prüfungen ab, bei denen sie auf die Unterstützung verzichten müssen.3 Im Forschungsprojekt „Mensch-KI-Co-Creation von Programmcode bei unterschiedlichen Vorkenntnissen: Effekte auf Performanz und Vertrauen“ (pAIrProg) am bidt (Bayerisches Forschungsinstitut für Digitale Transformation) beschäftigen wir uns mit der nachhaltigen Gestaltung des Co-Creation-Prozesses, unter anderem für Studierende der Informatik.
Im Zuge des Projekts haben wir eine Befragung durchgeführt, um einen Überblick darüber zu gewinnen, wie Informatikstudierende GenAI für das Generieren von Code nutzen. An der Befragung haben 342 Studierende teilgenommen, 289 haben die Umfrage komplett ausgefüllt und gaben an, Informatik oder ein verwandtes Fach (zum Beispiel Wirtschaftsinformatik) zu studieren. Die Onlinebefragung wurde durch Dozierende sowie die junge GI geteilt, es haben vor allem Studierende aus bayerischen Hochschulen teilgenommen.
Erklären geht über korrigieren
Auch in der Nutzung von GenAI für das Studium scheint es entscheidend zu sein, wie diese aussieht. Ein Forscherteam konnte bereits zeigen, dass die Art der Nutzung von GenAI in der Lernphase eine Auswirkung auf das Ergebnis eines Tests hat, der ohne KI-Unterstützung gelöst werden muss.4 In unserer Umfrage haben wir Studierende gefragt, welche Aufgaben sie in Verbindung mit Programmierung von GenAI lösen lassen.
Dabei haben wir uns besonders dafür interessiert, ob es einen Unterschied in der Nutzung zwischen Studierenden gibt, die ihre Programmierfähigkeiten als gut einschätzen, und jenen, die ihre Fähigkeiten als schlechter einschätzen.
Fest steht: Sich etwas erklären zu lassen, ist die beliebteste Interaktionsform mit GenAI. Eine erste Studie weist darauf hin, dass diese Form von Interaktion einen nachhaltigeren Lerneffekt hat als zum Beispiel das Korrigieren von Code.5
Was auffällt: Besonders Studierende, die ihre Programmierfähigkeiten schlechter einschätzen, nutzen Codegeneratoren häufiger. Studierende gaben an, dass sie motiviert sind, Programmieren zu lernen und auch einen Mehrwert darin sehen. Die Bereitschaft ist also da, dass GenAI auch dazu eingesetzt werden kann zu lernen, anstatt sich nur durch Aufgaben durchzumogeln, wie es Studierenden häufig vorgeworfen wird.
Wo Codegeneratoren als vorteilhaft gesehen werden
Die Befragung wurde in der zweiten Jahreshälfte 2024 durchgeführt. GenAI war zu diesem Zeitpunkt schon länger frei verfügbar, über ChatGPT oder Mistral sehr komfortabel als Chatbot, mit GitHubs Copilot sogar für Studierende kostenlos als Plug-in in ihrer Integrated Development Environment (IDE). Da Studierende schon länger Zeit hatten, Codegeneratoren einzusetzen, haben wir sie nach ihrer subjektiven Einschätzung gefragt, was sich für sie durch Codegeneratoren verbessert hat. Für viele Studierende scheint es Vorteile in mehreren Bereichen zu geben, vor allem Zeitersparnis wurde hier oft genannt. Dieser Fund steht im Kontrast zu einigen offenen Textantworten, die Studierende freiwillig abgeben konnten. Dort berichteten sie häufiger davon, dass es sich vor allem bei den einfachsten und kleinsten Bausteinen wie etwa Schleifen lohne, GenAI einzusetzen, größere Anfragen müsste man weiterhin selbst lösen, um komplexeren Zusammenhängen gerecht zu werden.
Wie häufig nutzen Studierende Codegeneratoren?
KI-Tools sind weit verbreitet
Lediglich 38 von 289 Studierenden gaben an, dass sie keine Codegeneratoren nutzen. Die meisten Informatikstudierenden nutzen Codegeneratoren mindestens selten. Zudem nutzt die Mehrheit sie in mehr als nur in einem Kontext, neben dem Studium vor allem im Privaten, dicht gefolgt von (Neben-)Jobs. Studierende haben also mitunter bereits einige Übung darin, die richtigen Prompts zu schreiben. (Ausgewählte Zitate der Befragten sind auf dieser Seite hervorgehoben.)
„Am besten funktioniert es, sich Grundlagenmodelle erklären zu lassen, ohne sich die Lösung liefern zu lassen. Zum Beispiel mein letzter Nutzen war es, mir die Algorithmen für Binärbäume erklären zu lassen – also die rekursiven Aufrufe.”
„Spezifische Fragen zu einzelnen Codesegmenten werden sehr häufig gut beantwortet. Größere Probleme werden oft missverstanden und ich bin schneller, wenn ich sie selbst aus kleineren Segmenten zusammensetze.”
Deep dive
Ein tiefergehendes Paper zu den Ergebnissen ist kürzlich erschienen:
Niemann, S., Schmid, U. (2025). For What Tasks and Purpose Do Computer Science Students Use Code Generators -- Preliminary Results of an Online-Study. In Proceedings of the Second Work shop on Artificial Intelligence for Artificial Intelligence Education (AI4AI Learning 2024) (pp. 68-80) Bamberg: University of Bamberg Press, doi: 10.20378/irb-107661.
In welchem Kontext werden Codegeneratoren genutzt?
„Auto-completion auf Steroiden. […] Generieren von kompletten Methoden etc. bedeutet meist mehr Aufwand, weil es erfordert, alles selber noch mal zu überprüfen, besonders wenn die restliche Codeumgebung hochspeziell ist […].”
„Der Code ist grundsätzlich nicht sofort einsatzfähig und für die Integration in bestehende Systeme ungeeignet.”
Bei welchen Aufgaben kommen Codegeneratoren zum Einsatz?
(Im Vergleich: Studierende, die ihre Programmierfähigkeiten als gut („sicher“) einschätzen, und jene, die ihre Fähigkeiten als schlechter („unsicher“) einschätzen.)
Über die Autorinnen
Sonja Niemann ist wissenschaftliche Mitarbeiterin im Projekt „pAIrProg“ am Bayerischen Forschungsinstitut für Digitale Transformation (bidt). Sie hat einen Bachelorabschluss in Psychologie und einen Master in Computing in the Humanities. In ihrer Forschung beschäftigt sie sich mit dem Thema Codegeneratoren, insbesondere mit der Entwicklung von intelligenten Schnittstellen zwischen Mensch und KI, um gemeinsam besseren Code zu entwickeln.
Prof. Dr. Ute Schmid ist Inhaberin des Lehrstuhls für Kognitive Systeme an der Otto-Friedrich-Universität Bamberg und Mitglied im Direktorium des bidt. Seit mehr als 30 Jahren lehrt und forscht sie im Bereich KI. Forschungsschwerpunkte sind erklärbare KI sowie die Kombination von maschinellem Lernen mit wissensbasierten Methoden. Für ihr Engagement bei der Vermittlung von KI-Kompetenzen sowie der Förderung von Frauen in der Informatik wurde sie 2023 als GI Fellow ausgezeichnet.
Was hat sich durch Codegeneratoren verbessert?
Wie viel Vertrauen ist da?
Ein weiterer Aspekt der Befragung, der viele Gedankenanstöße bietet: das Vertrauen in KI. In einem Vertrauensfragebogen wurde unter anderem die Dimension der Neigung zu Vertrauen, auch „Propensity to Trust“ genannt, gemessen. Wir konnten zeigen: Studierende, die Codegeneratoren nutzen, scoren signifikant höher auf dieser Dimension, sie sind also generell eher gewillt, den Tools zu vertrauen. Studierende, die Codegeneratoren nicht nutzen, neigen auch generell weniger dazu, ihnen zu vertrauen.
Auch die Dimensionen „Zuverlässigkeit“, „Verständlichkeit“, „Intentionen der EntwicklerInnen“ und „Vertrauen in Automatisierung“ unterscheiden sich signifikant. Lediglich die Dimension „Vertrautheit“, also ob die Studierenden schon mit ähnlichen Systemen Erfahrungen gemacht haben, unterscheidet sich nicht zwischen der Gruppe der Nutzenden und der Nichtnutzenden.
Da sich Large Language Models längst in unserem Alltag etabliert haben, müssen wir als nächsten Schritt die Frage stellen, wie wir blindes Vertrauen in GenAI vermeiden und die Interaktion vertrauenswürdig gestalten können. Auf der anderen Seite führt ein zu großes Misstrauen dazu, dass Studierende vielleicht ein Tool verpassen, das sie weiterbringen könnte.
Die Befragung hat klar gezeigt: Studierende nutzen Codegeneratoren, häufig mit guten Absichten, und sie sind auch aus dem Hochschulkontext nicht mehr wegzudenken. Forschende und Lehrende sollten nun nicht verpassen, Studierende in der Interaktion zu unterstützen. Für viele Studierende ist es hilfreich zu wissen, ob und in welchem Umfang Codegeneratoren eingesetzt werden dürfen. Es wird unumgänglich sein, die richtige Erwartung an den Output zu kommunizieren, aber auch Hilfestellungen für den Input zu geben. Erklärungen zu Codekonzepten von GenAI können helfen, wenn eine Lernsession mitten in der Nacht keine Nachfrage bei Kommilitoninnen und Kommilitonen zulässt oder wenn die Unsicherheit zu groß ist, um eine Frage im Tutorium zu stellen. Nicht zuletzt sollte auch immer dafür sensibilisiert werden, dass der generierte Code oder die Erklärung Fehler enthalten kann. Jeder Output muss kritisch betrachtet werden. Und um das tun zu können, braucht es nach wie vor Wissen über grundlegende Konzepte in der Informatik, nicht nur den richtigen Prompt. Das Informatikstudium wird in absehbarer Zeit also nicht an Relevanz verlieren und auch Programmierjobs werden nicht vollständig von KI übernommen.
1https://www.theatlantic.com/technology/archive/2023/09/computer-science-degree-value-generative-ai-age/675452
2 Lee, H. P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. https://hankhplee.com/papers/genai_critical_thinking.pdf
3, 4, 5 Jošt, G., Taneski, V., & Karakatič, S. (2024). The Impact of Large Language Models on Programming Education and Student
Learning Outcomes. Applied Sciences, 14 (10), 4115. https://doi.org/10.3390/app14104115
