Grin logo
de en es fr
Shop
GRIN Website
Publicación mundial de textos académicos
Go to shop › Ciencias de la enfermería - Otros

Gelenktes Sokratisches KI-Sparring. Das SOL-Tutor-Modell zur Kompetenzentwicklung im Clinical Reasoning der Pflegeausbildung

Título: Gelenktes Sokratisches KI-Sparring. Das SOL-Tutor-Modell zur Kompetenzentwicklung im Clinical Reasoning der Pflegeausbildung

Libro Especializado , 2026 , 139 Páginas

Autor:in: Horst Siegfried Kolb (Autor)

Ciencias de la enfermería - Otros
Extracto de texto & Detalles   Leer eBook
Resumen Extracto de texto Detalles

Der ungesteuerte Einsatz generativer KI in der Pflegeausbildung gefährdet durch Cognitive Offloading die eigenständige klinische Urteilskraft und unterläuft die gesetzlichen Vorbehaltsaufgaben nach § 4 PflBG. Horst Siegfried Kolb liefert Pflegepädagogen und Schulleitungen mit dem SOL-Tutor-Modell ein sofort umsetzbares Konzept, das Sprachmodelle über algorithmische Wächter-Regeln in einen rein sokratischen Sparringspartner verwandelt. Am Praxisbeispiel der curricularen Einheit CE 07 („Schlaganfall“) werden Auszubildende in einem 180-minütigen agilen Lernsprint durch das erweiterte DURST-P-Schema in eine literaturbasierte Begründungspflicht gezwungen, sodass die Denkleistung konsequent auf der menschlichen Seite verbleibt. Standardisierte JSON-Datenexporte und ein Lehrer-Metaprompt ermöglichen dabei ein objektives informationelles Vor-Rating entlang der Lasater Clinical Judgment Rubric, während die rechtliche Letztverantwortung im abschließenden Validierungskolloquium (Teacher-in-the-Loop) lückenlos bei der Lehrkraft liegt. Damit bietet der Band inklusive kopierbarer Prompt-Shells und Stundenverlaufspläne eine rechtssichere, DSGVO- und EU-AI-Act-konforme Blaupause für die moderne Schulentwicklung.

Extracto


Auf einen Blick

  • Strukturierter Ablaufplan für einen 180-minütigen Unterrichtssprint im pflegedidaktischen Siebensprung
  • Kopierbarer Evaluations-Metaprompt zur Generierung eines Vor-Ratings aus JSON-Chatprotokollen
  • 50 Quellen im Literaturverzeichnis

Inhaltsverzeichnis

Vorwort des Verfassers

Abstract (Englisch)

Abstract (Deutsch)

Forschungsfrage

Inhaltsverzeichnis

1 Einleitung und forschungsdidaktische Problemstellung

1.1 Ausgangslage und Problemstellung

1.2 Forschungsfrage

1.3 Zielsetzung und Untersuchungsdesign

1.4 Aufbau der Arbeit

2 Stand der Forschung und theoretisches Fundament

2.1 Cognitive Offloading, Automation Bias und Premature Closure im Kontext generativer KI

2.2 Sokratisches Human-KI-Sparring und SOL-Tutor-Modell als Wächter-Logik

2.3 Clinical Reasoning nach Tanner und Lasater – Noticing, Interpreting, Responding, Reflecting

2.4 Rechtlicher und ethischer Rahmen – § 4 PflBG, DSGVO Art. 9, EU AI Act Art. 26

3 Curriculare Rahmung und Konstruktionsprinzipien des Stundenverlaufsplans am Beispiel der CE 07

3.1 Konstruktionsprinzipien des bayerischen Lehrplans – Situations-, Persönlichkeits- und Wissenschaftsprinzip

3.2 Kompetenzbezug nach PflAPrV Anlage 1 und Vorbehaltsaufgaben nach § 4 PflBG

3.3 DURST-P-Schema als didaktisches Strukturmodell zur Operationalisierung des Human-KI-Sparrings

3.4 Der Fallstrang von Herrn Müller als zyklisches Spiralcurriculum im 58-UE-Gesamtkonzept

4 Methodik: Prompt-technologische Ausstattung zur Operationalisierung des Human-KI-Sparrings

4.1 START-Chat-Modell und PPVIO-Regelkreis als kybernetische Steuerung

4.2 Prompt-Shells 01–04: Penumbra, Risiko-Training, Monitoring, Dialektik und algorithmische Wächter-Regeln

4.3 Prompt Pattern Catalog und Wächter-Logik

4.4 Dateiabgabe-Parameter und JSON-Struktur als Schnittstelle zur Evaluation

5 Operationalisierung: Stundenverlaufsplan Block 2 (180 Min.) als Siebensprung mit KI-Sparring

5.1 Überblick Sprint – Zeitliche Verortung von KI-freier und KI-gestützter Phase

5.2 Die fünf PBL-Aufgaben im Detail – Kompetenzmatrix und Wächter-Regeln

5.3 Material- und Medieneinsatz – DURST-P-Karten, ENP und Clinical Reasoning Web

5.4 Sozialformen und Rolle des Lernbegleiters als Epistemic Mediator und Ethical Navigator

6 Technische Evaluation und Learning Analytics des doppelten Regelkreises

6.1 Metaprompt: Vor-Rating und Letztverantwortung

6.2 Das 4D-Fluency-Framework im Detail – Delegation, Description, Discernment, Diligence nach Dakan, Feller und Anthropic (2025)

6.3 Face-to-Face-Validierungskolloquium und Sicherung der Inter-Rater-Reliabilität

6.4 Rechtssichere Umsetzung

7 Diskussion – Gelingensbedingungen, Limitationen und Implikationen für die curriculare Verankerung des gelenkten KI-Sparrings am Beispiel CE 07 LS 3

7.1 Diskussion der prompt-technologischen Ausstattungsmerkmale – Wächter-Logik, Prompt Pattern Catalog und das schuleigene 4D-Fluency-Framework

7.2 Diskussion der didaktischen Ausstattungsmerkmale – Siebensprung, Pull-Prinzip und die Rolle des Lernbegleiters als Epistemic Mediator

7.3 Limitationen – Halluzination, kognitive Täuschung und die administrative Sicherung der Inter-Rater-Reliabilität

7.4 Implikationen für die Pflegebildung – Übertragbarkeit auf andere Curriculare Einheiten und die Absicherung der Vorbehaltsaufgaben nach § 4 PflBG

8 Fazit und Ausblick

8.1 Zusammenfassung der Ergebnisse entlang der Forschungsfrage und der Unterfragen

8.2 Beantwortung der Forschungsfrage und Sicherung der Vorbehaltsaufgaben nach § 4 PflBG

8.3 Implikationen für die Praxis der Pflegeausbildung

8.4 Ausblick und weitere Forschungsbedarfe

Zielsetzung & Themen

Die Publikation widmet sich der Frage, wie generative Künstliche Intelligenz in der generalistischen Pflegeausbildung so implementiert werden kann, dass sie nicht zu passivem Konsum und kognitiver Auslagerung (Cognitive Offloading) führt, sondern die pflegerische Urteilskraft (Clinical Reasoning) schärft. Am Beispiel der curricularen Einheit CE 07 mit dem Praxisfall eines akuten ischämischen Schlaganfalls wird ein doppelter Regelkreis modelliert, der softwareseitige Barrieren (Guardrails) mit einem agilen Siebensprung-Lernsprint verzahnt und die rechtlich geschützten Vorbehaltsaufgaben nach § 4 PflBG durch die Letztverantwortung der Lehrkraft im Präsenzkolloquium absichert.

  • Didaktische Kapselung generativer KI durch sokratische Wächter-Logiken und strukturierende Gegenfragen
  • Prävention von Automation Bias, Cognitive Offloading und vorzeitigem diagnostischen Schließen (Premature Closure)
  • Strukturierung pflegewissenschaftlicher und pathophysiologischer Daten über das erweiterte DURST-P-Schema
  • Automatisierte Vorauswertung von Lernprozessdaten via Metaprompt entlang des 4D-Fluency-Frameworks
  • Rechtliche und ethische Konformität bezüglich Vorbehaltsaufgaben (§ 4 PflBG), Datenschutz (Art. 9 DSGVO) und Hochrisiko-KI (EU AI Act)

Auszug aus dem Buch

4.3 Prompt Pattern Catalog und Wächter-Logik

Die informationstechnologische Konstruktionsgrundlage für die algorithmische Kapselung des SOL-Tutor-Modells liefert das von White et al. dekonstruierte System (White et al. 2023:1–24). Um das System von einem ungesteuerten Antwort-Automaten in einen kritischen Lernbegleiter zu transformieren, werden drei spezifische Entwurfsmuster auf der Systemebene miteinander verschaltet:

1.) Das Guardrail / Wächter-Logik-Pattern: Dieses Muster erzeugt einen permanenten informationellen Interaktionswiderstand. Es scannt jeden Interaktionsschritt der Auszubildenden und blockiert das Freischalten des nachfolgenden Aufgabenblocks so lange, bis das System das Vorliegen einer korrekten Fachsprache und eines präzisen, verifizierbaren Literaturbelegs im studentischen Textkorpus detektiert hat.

2.) Das Socratic / Sokratische-Frage-Pattern: Dieses Entwurfsmuster überschreibt die systemimmanente Tendenz generativer Sprachmodelle, direkte Lösungen oder pathophysiologische Herleitungen selbstständig zu emittieren. Das System wird algorithmisch dazu verpflichtet, ausschließlich mit strukturierenden, gerüsteten Gegenfragen (Scaffolding) zu operieren (Siemens 2005:3–10; Córdova-Esparza 2025:1–22).

3.) Das Flipped Interaction / Invertierte-Interaktions-Pattern: Dieses Muster bricht das passive Konsumverhalten von Bildschirmausgaben radikal auf. Die KI wird so instruiert, dass sie die Auszubildenden in regelmäßigen Zyklen dazu auffordert, dem System gezielte, theoriegeleitete Fragen zu stellen oder die maschinellen Argumente kritisch zu hinterfragen (White et al. 2023:1–24).

Durch diese prompt-technologische Konfiguration wird eine fehlerfreundliche Ermöglichungsdidaktik nach Arnold (2012) im digitalen Bildungsraum operationalisiert. Fehlerhafte Heuristikstrukturen der Auszubildenden werden vom System nicht primär sanktioniert, sondern als wertvolle kognitive Datenpunkte im Erkenntnisprozess begriffen (Dweck 2018:15). Das System analysiert diese Fehlannahmen im Sokratischen Dialog gemeinsam mit den Lernenden und führt sie über gezielte Impulse zur korrekten, leitlinienkonformen Lösung (Gris 2023:9).

Zusammenfassung der Kapitel

1 Einleitung und forschungsdidaktische Problemstellung: Das Kapitel skizziert das Spannungsfeld zwischen dem Vordringen generativer KI und der Notwendigkeit eigenständiger klinischer Urteilsbildung gemäß den Vorbehaltsaufgaben des Pflegeberufegesetzes, woraus die Forschungsfragen abgeleitet werden.

2 Stand der Forschung und theoretisches Fundament: Hier werden kognitionspsychologische Phänomene wie Cognitive Offloading und Automation Bias dargelegt und mit dem Clinical-Reasoning-Modell nach Tanner, Lasater sowie den rechtlichen Leitplanken des EU AI Acts und der DSGVO verknüpft.

3 Curriculare Rahmung und Konstruktionsprinzipien des Stundenverlaufsplans am Beispiel der CE 07: Dieses Kapitel erläutert die bayerischen Lehrplanprinzipien sowie das sechsdimensionale DURST-P-Schema als didaktisches Strukturierungsgerüst für den Fallstrang eines ischämischen Apoplex.

4 Methodik: Prompt-technologische Ausstattung zur Operationalisierung des Human-KI-Sparrings: Vorgestellt werden die technische Kapselung über vier Prompt-Shells, die Funktionsweise des kybernetischen PPVIO-Regelkreises sowie die Spezifikationen für den manipulationssicheren JSON-Datenexport.

5 Operationalisierung: Stundenverlaufsplan Block 2 (180 Min.) als Siebensprung mit KI-Sparring: Das Kapitel operationalisiert den minuziös getakteten 180-minütigen Lernsprint, differenziert zwischen KI-freien Konstruktionsphasen und sokratischem Sparring und ordnet den fünf problembasierten Lernaufgaben konkrete Kompetenzen zu.

6 Technische Evaluation und Learning Analytics des doppelten Regelkreises: Dargestellt wird die Funktionsweise des Lehrer-Dashboards und des Metaprompts, der exportierte JSON-Protokolle entlang des 4D-Fluency-Frameworks quantitativ vorbewertet und gezielte Validierungsfragen für das Präsenzkolloquium generiert.

7 Diskussion – Gelingensbedingungen, Limitationen und Implikationen für die curriculare Verankerung des gelenkten KI-Sparrings am Beispiel CE 07 LS 3: Die pädagogischen und technischen Erkenntnisse werden kritisch diskutiert, Risiken wie Halluzinationen reflektiert und Möglichkeiten des Transfers auf weitere curriculare Einheiten der Pflegeausbildung aufgezeigt.

8 Fazit und Ausblick: Das Schlusskapitel fasst die zentralen Antworten auf die Forschungsfragen zusammen und formuliert weiterführende Desiderate für die Pflegebildungsforschung und Lehrplanentwicklung.

Schlüsselwörter

Pflegeausbildung, Clinical Reasoning, Generative KI, Sokratischer Dialog, DURST-P-Schema, Cognitive Offloading, Automation Bias, 4D-Fluency-Framework, Pflegeberufegesetz, Vorbehaltsaufgaben, Problem-Based Learning, Learning Analytics

Häufig gestellte Fragen

Worum geht es in dieser wissenschaftlichen Arbeit grundsätzlich?

Die Publikation präsentiert ein didaktisches und softwaretechnologisches Modell für den Einsatz generativer Großsprachmodelle (LLMs) in der Pflegeausbildung. Es demonstriert, wie KI durch gezielte Kapselung als sokratischer Sparringspartner genutzt werden kann, ohne dass Lernende Denk- und Entscheidungsprozesse passiv an die Maschine abgeben.

Welche zentralen Themenfelder werden analysiert?

Die Arbeit verknüpft Pflegedidaktik (agiler Lernsprint im Siebensprung), Kognitionspsychologie (Abwehr von Cognitive Offloading und Automation Bias), Prompt Engineering (Wächter-Regeln und semantische Entwurfsmuster) sowie berufs- und datenschutzrechtliche Vorgaben (§ 4 PflBG, Art. 9 DSGVO, EU AI Act).

Was ist das primäre Ziel beziehungsweise die Forschungsfrage der Arbeit?

Ziel ist es zu untersuchen, welche curricularen, didaktischen und prompt-technologischen Merkmale ein Bildungssetting aufweisen muss, um ein sokratisches Human-KI-Sparring zu ermöglichen, dessen digital exportierte Daten eine valide, prozessorientierte Leistungsevaluation durch Lehrkräfte erlauben.

Welche wissenschaftliche Methode und welches didaktische Format werden angewendet?

Die Arbeit basiert auf dem Ansatz des Design-Based Research und modelliert einen 180-minütigen agilen Lernsprint im pflegedidaktischen Siebensprung (Problem-Based Learning), gestützt auf ein zweiphasiges Verfahren aus analogem Kausal-Mapping und computergestütztem Reappraisal.

Was wird im Hauptteil des Werks konkret entwickelt und erprobt?

Im Hauptteil werden das sechsdimensionale DURST-P-Schema zur inhaltlichen Strukturierung, vier funktionsspezifische Prompt-Shells mit Wächter-Logik, ein fälschungssicheres JSON-Datenexportformat und ein automatisierter Evaluations-Metaprompt für das Lehrer-Dashboard praxisnah ausgearbeitet.

Welche Schlüsselwörter charakterisieren das Gesamtkonzept am besten?

Prägende Fachbegriffe sind Clinical Reasoning, Sokratisches KI-Sparring, DURST-P-Schema, 4D-Fluency-Framework, Cognitive Offloading, Automation Bias, Teacher-in-the-Loop und Vorbehaltsaufgaben.

Was versteht die Arbeit unter dem DURST-P-Schema?

Das DURST-P-Schema ist ein didaktisches Analyseraster, das komplexe Fallsituationen in sechs Dimensionen zerlegt: Definition/Diagnostik/Daten (D), Ursachen/Pathophysiologie (U), Risikofaktoren/Risikogruppe (R), Symptomatik/Stadien/Topographie (S), Therapie/Akut-Monitoring/Phasensteuerung (T) sowie Prognose/Pharmakotherapie/Pflegefokus (P), wobei für jede Aussage Literaturbelege gefordert werden.

Wie wird die rechtssichere Leistungsbewertung nach § 4 PflBG sichergestellt?

Die KI übernimmt im Modell lediglich ein unverbindliches, informationelles Vor-Rating entlang des 4D-Fluency-Frameworks und deckt Wissenslücken auf. Die eigentliche Notengebung und Prüfungshoheit verbleibt zwingend bei der menschlichen Lehrkraft im Rahmen eines abschließenden Face-to-Face-Validierungskolloquiums (Teacher-in-the-Loop).

Welche Rolle spielt die sogenannte Wächter-Logik in den Prompt-Shells?

Die Wächter-Logik verhindert, dass das Sprachmodell fertige Lösungen oder Muster-Pflegeplanungen generiert. Stattdessen blockiert sie den Dialog bei unvollständigen Angaben, Fehlannahmen oder fehlenden Fachliteraturbelegen und zwingt die Lernenden über sokratische Rückfragen zur aktiven Wissensherleitung.

Final del extracto de 139 páginas  - subir

Detalles

Título
Gelenktes Sokratisches KI-Sparring. Das SOL-Tutor-Modell zur Kompetenzentwicklung im Clinical Reasoning der Pflegeausbildung
Autor
Horst Siegfried Kolb (Autor)
Año de publicación
2026
Páginas
139
No. de catálogo
V1790866
ISBN (PDF)
9783389213407
ISBN (Libro)
9783389213414
Idioma
Alemán
Etiqueta
Sokratisches KI-Sparring SOL-Tutor-Modell Selbstorganisiertes Lernen Cognitive Offloading Automation Bias Ermöglichungsdidaktik Problem-Based Learning Clinical Reasoning DURST-P-Schema Vorbehaltsaufgaben Generalistische Pflegeausbildung Prompt-Shells START-Chat-Modell PPVIO-Regelkreis Learning Analytics Lasater Clinical Judgment Rubric Epistemic Mediator Ethical Navigator Agiles Lernen Persönliches Lernnetzwerk 4D-Fluency-Framework Prompt Pattern Catalog
Seguridad del producto
GRIN Publishing Ltd.
Citar trabajo
Horst Siegfried Kolb (Autor), 2026, Gelenktes Sokratisches KI-Sparring. Das SOL-Tutor-Modell zur Kompetenzentwicklung im Clinical Reasoning der Pflegeausbildung, Múnich, GRIN Verlag, https://www.grin.com/document/1790866
Leer eBook
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
  • Si ve este mensaje, la imagen no pudo ser cargada y visualizada.
Extracto de  139  Páginas
Grin logo
  • Grin.com
  • Envío
  • Contacto
  • Privacidad
  • Aviso legal
  • Imprint
  • Cancelar contrato