Künstliche Intelligenz in Seminar- und AbschlussarbeitenEin Praxisleitfaden für Studierende mit Handlungsempfehlungen, Prompt-Beispielen und kritischer Einordnung
|
|
Dieses Biblionetz-Objekt existiert erst seit November 2025.
Es ist deshalb gut möglich, dass viele der eigentlich vorhandenen Vernetzungen zu älteren Biblionetz-Objekten bisher nicht erstellt wurden.
Somit kann es sein, dass diese Seite sehr lückenhaft ist.
Zusammenfassungen
Dieses Buch bietet Studierenden einen praxisnahen Leitfaden zur effektiven Nutzung von Künstlicher Intelligenz (KI) in Seminar- und Abschlussarbeiten. Es zeigt, wie KI gezielt in allen Phasen der Arbeit – von der Planung bis zum Feinschliff – eingesetzt werden kann, um die Qualität und Effizienz der wissenschaftlichen Arbeit zu steigern. Mit klaren Anleitungen, praktischen Prompt-Beispielen und Warnungen vor typischen Fehlern vermittelt es Sicherheit im Umgang mit dieser Technologie. Das Buch fördert einen verantwortungsvollen Einsatz von KI und gibt gleichzeitig wichtige Hinweise zu akademischer Integrität und richtigem Zitieren von KI-Quellen. Es richtet sich nicht nur an Studierende, sondern auch an Lehrende, die ihren Studierenden eine fundierte Orientierung im digitalen Wandel bieten möchten. Ein unverzichtbares Werk für alle, die Künstliche Intelligenz als wertvolles Werkzeug in der Wissenschaft nutzen wollen.
Kapitel 
- Einleitung: Intelligente Maschinen verändern die Welt (Seite 1 - 6)
- Technischer Hintergrund: Große Sprachmodelle (LLM) (Seite 7 - 25)
- Prompt Engineering: Gute Frage, gutes Ergebnis (Seite 27 - 57)
- Dokumentation: Wissenschaftliche Integrität bewahren (Seite 59 - 80)
- Planung: KI bei der Konzeption (Seite 81 - 112)
- Literatur: KI bei der Recherche (Seite 113 - 131)
- Schreiben: KI bei der Texterstellung (Seite 133 - 146)
- Daten: KI bei der Analyse (Seite 147 - 165)
- Feinschliff: KI bei der Schlussredaktion (Seite 167 - 180)
- Schluss: Abschließender Ausblick und Fazit (Seite 181 - 187)
Dieses Buch erwähnt ...
![]() Personen KB IB clear | Sandhini Agarwal , Dario Amodei , Amanda Askell , Christopher Berner , George E. P. Box , Tom B. Brown , Yuan Ca , Nicholas G. Carr , Chaomei Chen , Mark Chen , Benjamin Chess , Rewon Child , Jack Clark , Kewal Dhariwal , Prafulla Dhariwal , Wenxiang Fan , Aidan N. Gomez , Scott Gray , Thomas L. Griffiths , Shixiang Shane Gu , Tom Henighan , Ariel Herbert-Voss , Christopher Hesse , Douglas Hofstadter , Yusuke Iwasawa , Llion Jones , Lukasz Kaiser , Jared Kaplan , Takeshi Kojima , Martin Kornmeier , Gretchen Krueger , Mateusz Litwin , Benjamin Mann , Yutaka Matsuo , Sam McCandlish , Karthik Narasimhan , Arvind Neelakantan , Peter Norvig , Niki Parmar , Illia Polosukhin , Lydia Prexl , Alec Radford , Aditya Ramesh , Machel Reid , Stuart Russell , Nick Ryder , Girish Sastry , Izhak Shafran , Noam Shazeer , Pranav Shyam , Eric Sigler , Melanie Subbiah , Ilya Sutskever , Jakob Uszkoreit , Ashish Vaswani , Jin Wang , Clemens Winter , Jeffrey Wu , Shunyu Yao , Dian Yu , Jeffrey Zhao , Daniel M. Ziegler | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() Aussagen KB IB clear | Kranzberg’s First Law: Technology is neither good nor bad; nor is it neutral.
Machine Learning kann bestehende Vorurteile/Ungerechtigkeiten verstärken/weitertragen | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() Begriffe KB IB clear | AGI
, Automatisierung
, Bewusstseinconsciousness
, bias
, Chain of Thought
, Chat-GPT
, Denken thinking
, Digitalisierung
, Effizienz
, Fehler error
, Generative Machine-Learning-Systeme (GMLS) computer-generated text
, GMLS & Bildung
, GMLS & Hochschule
, Halluzination
, Handelnacting
, Intelligenz intelligence
, Internet internet
, Kompetenzcompetence
, Kontextcontext
, Künstliche Intelligenz (KI / AI) artificial intelligence
, Lernen learning
, Maschine machine
, Mensch
, Optimierung
, Planung
, Problem problem
, prompt engineering
, Retrieval Augmented Generation (RAG)
, Schreibenwriting
, Verantwortungresponsability
, Visualisierung visualization
, Werkzeuge tool
, Wissenschaft science
, wissenschaftliches Schreibenscientific writing
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() Bücher |
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() Texte |
|
Dieses Buch erwähnt vermutlich nicht ... 
Tagcloud
Zitationsgraph
Zitationsgraph (Beta-Test mit vis.js)
Zeitleiste
Volltext dieses Dokuments
![]() | Künstliche Intelligenz in Seminar- und Abschlussarbeiten: Gesamtes Buch als Volltext ( : , 6021 kByte; : ) |
![]() | Einleitung: Intelligente Maschinen verändern die Welt: Artikel als Volltext @ Springer ( : , 340 kByte; : ) |
![]() | Schluss: Abschließender Ausblick und Fazit: Artikel als Volltext @ Springer ( : , 257 kByte; : ) |
![]() | Technischer Hintergrund: Große Sprachmodelle (LLM): Artikel als Volltext @ Springer ( : , 870 kByte; : ) |
![]() | Prompt Engineering: Gute Frage, gutes Ergebnis: Artikel als Volltext @ Springer ( : , 952 kByte; : ) |
![]() | Dokumentation: Wissenschaftliche Integrität bewahren: Artikel als Volltext @ Springer ( : , 1139 kByte; : ) |
![]() | Planung: KI bei der Konzeption: Artikel als Volltext @ Springer ( : , 822 kByte; : ) |
![]() | Literatur: KI bei der Recherche: Artikel als Volltext @ Springer ( : , 528 kByte; : ) |
![]() | Schreiben: KI bei der Texterstellung: Artikel als Volltext @ Springer ( : , 401 kByte; : ) |
![]() | Daten: KI bei der Analyse: Artikel als Volltext @ Springer ( : , 803 kByte; : ) |
![]() | Feinschliff: KI bei der Schlussredaktion: Artikel als Volltext @ Springer ( : , 397 kByte; : ) |
![]() | Künstliche Intelligenz in Seminar- und Abschlussarbeiten: Gesamtes Buch als Volltext ( : , 6021 kByte; : ) |
Anderswo suchen 
Beat und dieses Buch
Beat hat dieses Buch erst in den letzten 6 Monaten in Biblionetz aufgenommen. Er hat dieses Buch einmalig erfasst und bisher nicht mehr bearbeitet. Beat besitzt kein physisches, aber ein digitales Exemplar. Eine digitale Version ist auf dem Internet verfügbar (s.o.). Aufgrund der vielen Verknüpfungen im Biblionetz scheint er sich intensiver damit befasst zu haben.

Automatisierung
bias
Chain of Thought
Chat-GPT
Denken
Digitalisierung
Effizienz
Fehler
Generative Machine-Learning-Systeme (GMLS)
Intelligenz
Internet
Künstliche Intelligenz (KI / AI)
Lernen
Maschine
Mensch
Problem
Visualisierung
Werkzeuge
Wissenschaft













, 6021 kByte;
)
Biblionetz-History