Urheberrecht, Plagiat & KI

Impuls / Aufgabe ^ top 

Wie selbstverständlich nutzt du täglich Inhalte anderer - ob in Präsentationen, schriftlichen Arbeiten, Social Media oder bei der Recherche?

Reflektiere drei Situationen aus deinem Studien- oder Berufsalltag, in denen du Werke anderer Personen nutzt (z.B. Bilder, Texte, Daten, Videos).

Überlege, ob du diese Nutzung rechtlich darfst und ob du selbst Urheber:in eines Werkes bist? Notiere deine Beispiele und erste Einschätzungen.

1 Grundlagen des Urheberrechts ^ top 

Das Urheberrecht schützt die geistige Schöpfung von Personen in Form von Texten, Bildern, Musik, Filmen, Software, wissenschaftlichen Arbeiten und anderen Ausdrucksformen. Es regelt, wer über die Nutzung eines Werkes entscheiden darf und unter welchen Bedingungen Dritte dieses nutzen dürfen. Das Ziel des Urheberrechts ist es, den ideellen und wirtschaftlichen Interessen von Urheber:innen gerecht zu werden und zugleich eine Balance zwischen Schutz, Bildung, Forschung und gesellschaftlicher Teilhabe zu ermöglichen.

Im Kontext von Studium, Lehre und Forschung ist das Urheberrecht von zentraler Bedeutung. Studierende, Lehrende und Forschende sind sowohl Urheber:innen eigener Inhalte als auch Nutzer:innen fremder Werke. Deshalb ist es wichtig zu verstehen, was ein schutzfähiges Werk ist, welche Rechte Urheber:innen besitzen, wie Nutzungsrechte gestaltet werden können und welche gesetzlichen Schranken für Wissenschaft und Bildung gelten.

Dieses Kapitel führt in die rechtlichen Grundlagen des Urheberrechts ein und beleuchtet zentrale Begriffe wie Werk, Urheber:in, Nutzungsrecht und Verwertungsrecht. Es erläutert, welche Rechte von Gesetzes wegen bestehen, wann diese verletzt werden und welche Rolle Bilder, Musik, Videos und andere digitale Inhalte im wissenschaftlichen Arbeiten spielen.

1.1 Urheberrecht und geistiges Eigentum ^ top 

Der Begriff geistiges Eigentum umfasst sämtliche Schutzrechte an immateriellen Gütern. Dazu zählen insbesondere:

• das Urheberrecht für schöpferische Leistungen in Kunst, Literatur und Wissenschaft,

• das Patentrecht für technische Erfindungen,

• das Markenrecht für Kennzeichen von Produkten und Dienstleistungen,

• das Designrecht für formgestalterische Leistungen.

Diese Rechte gewähren exklusive Nutzungsansprüche - auch wenn sie sich nicht auf physisch greifbare Objekte beziehen. Urheber:innen dürfen selbst entscheiden, ob, wie und durch wen ihr Werk genutzt werden darf. Damit schützt das Urheberrecht nicht nur wirtschaftliche Interessen, sondern auch die ideellen Interessen an der Integrität und Anerkennung des eigenen Schaffens.

Das Urheberrecht ist ein zentrales Schutzrecht für geistiges Eigentum im europäischen Rechtsraum. Es schützt Werke der Literatur, Wissenschaft und Kunst - darunter Texte, Bilder, Musik, Filme, Software oder Forschungsdaten - vor unbefugter Nutzung und gibt Urheber:innen das exklusive Recht zur Entscheidung über deren Veröffentlichung, Bearbeitung und Verwertung.

1.1.1 Werkarten ^ top 

Das Urheberrecht schützt Werke im Sinne einer persönlichen geistigen Schöpfung. Dabei werden verschiedene Werkarten unterschieden, die - je nach nationaler Gesetzgebung - in ähnlicher Systematik klassifiziert sind.

Die folgende Tabelle gibt einen Überblick über typische urheberrechtlich geschützte Werkarten:

1.1.2 Originalität und Schöpfungshöhe ^ top 

Ob ein Werk urheberrechtlich geschützt ist, hängt nicht allein von seiner äußeren Form oder von der Werkart ab. Entscheidend ist, ob es die gesetzlich erforderliche Schöpfungshöhe erreicht - also eine ausreichende Originalität besitzt. Dieser Begriff ist in den Gesetzen meist nicht explizit definiert, wurde aber durch Rechtsprechung und Fachliteratur konkretisiert.

Im Zentrum steht dabei stets die Frage: Ist das Werk Ausdruck einer persönlichen, schöpferischen Leistung?

Die folgenden Aspekte sind maßgeblich, um ein Werk als originell im urheberrechtlichen Sinn zu qualifizieren:

1. Persönliche geistige Schöpfung
   Das Werk muss Ergebnis einer bewussten, individuellen Auseinandersetzung sein. Es genügt nicht, wenn ein Inhalt rein zufällig, mechanisch oder automatisch erzeugt wird - etwa durch eine Kamera im Automatikmodus oder eine KI ohne redaktionellen Eingriff.

2. Gestaltungsspielraum / Ausdrucksform
   Es muss ein gewisser Freiraum bestehen, in dem der:die Urheber:in eigene Entscheidungen trifft - etwa in Stil, Sprache, Struktur, Perspektive, Melodieführung oder Komposition. Je größer dieser Freiraum, desto leichter wird das Werk als originell anerkannt.

3. Schöpfungshöhe / Individualität
   Das Werk muss sich deutlich vom Alltäglichen, Routinemäßigen oder rein Funktionalen abheben. Standardformulierungen, Vorlagen, Datenzusammenstellungen oder normierte Abläufe genügen in der Regel nicht. Die Individualität muss sich in der Gestaltung niederschlagen - nicht im Thema oder in der Absicht.

4. Subjektive Prägung
   Ein originelles Werk trägt erkennbar die "Handschrift" der schaffenden Person. Diese Prägung kann stilistisch, sprachlich, konzeptionell oder gestalterisch sichtbar werden - etwa durch einen kreativen Zugriff, eine besondere Komposition oder die innovative Verbindung von Elementen.

5. Kein rein funktionaler Charakter
   Werke, deren äußere Form ausschließlich durch technische Notwendigkeiten oder Gebrauchsfunktionen bestimmt ist (z.B. viele Formulare, technische Zeichnungen, Bedienungsanleitungen), gelten in der Regel nicht als originell. Auch rein sachliche Darstellungen, die sich in der konkreten Ausgestaltung nicht vom Üblichen abheben, erreichen keine Schöpfungshöhe.

6. Fixierung in einer konkreten Ausdrucksform
   Ideen, Theorien, Konzepte oder Methoden sind nicht schutzfähig - nur deren individuelle Darstellung. Das bedeutet: Der Gedanke "Klimawandel ist eine Herausforderung" ist frei, aber ein selbst geschriebener Artikel über Klimapolitik mit eigener Struktur und Sprache kann geschützt sein.

Im europäischen Rechtsraum wurde die Originalitätsanforderung durch den Europäischen Gerichtshof (EuGH) präzisiert. Nach ständiger Rechtsprechung (z.B. Infopaq, C-5/08) muss ein Werk das Ergebnis einer "freien und kreativen Entscheidung" der Urheber:in sein. Diese Definition gilt auch in Österreich oder Deutschland als maßgeblich.

Originalität ist keine Frage des Inhalts - sondern der Form. Sie zeigt sich im Ausdruck, nicht im Thema.

Je nach Werkart können die Anforderungen an die Schöpfungshöhe unterschiedlich hoch sein. Bei Kunst, Literatur und Musik genügt oft schon eine geringe Individualität. Bei technischen oder wissenschaftlichen Darstellungen gelten strengere Maßstäbe, da diese häufiger durch äußere Zwänge (Funktion, Norm, Zweck) bestimmt sind.

KI & Urheberrecht ^ top 

Gerade im Zusammenhang mit Künstlicher Intelligenz (KI) gilt: Inhalte, die vollständig durch Algorithmen oder große Sprachmodelle (LLMs) wie etwa Mistral, ChatGPT, DALL·E oder vergleichbare Systeme generiert werden, sind nicht automatisch urheberrechtlich geschützt - weder zugunsten der KI selbst (da diese kein Rechtssubjekt ist), noch zugunsten der nutzenden Person.

Ein KI-generiertes Werk kann dann urheberrechtlich geschützt sein, wenn folgende Bedingungen erfüllt sind:

• Eine natürliche Person trifft eigenständige Entscheidungen über Inhalt, Struktur oder Stil und nutzt das KI-Ergebnis gezielt als Ausgangspunkt, Rohmaterial oder Inspiration.

• Der Mensch nimmt eine eigenschöpferische Auswahl, Anordnung, Bearbeitung oder Kombination von KI-Inhalten vor, die über bloße Automatisierung hinausgeht.

• Das Endergebnis trägt erkennbare individuelle Züge der bearbeitenden Person - etwa durch sprachliche Feinarbeit, kreative Strukturierung oder originelle Umsetzung eines Themas.

Auch der Prompt selbst - also die Eingabeaufforderung an die KI - ist in der Regel nicht urheberrechtlich geschützt. Er stellt meist nur einen funktionalen Befehl oder eine kurze Instruktion dar.

Eine Ausnahme gilt dann, wenn der Prompt selbst bereits eine kreative, sprachlich originelle Gestaltung aufweist - etwa als literarisch formulierter Auftrag, poetische Struktur, dramaturgische Szene oder bewusst komponierter Text:

Nicht alles, was kreativ aussieht, ist auch urheberrechtlich geschützt - entscheidend ist der schöpferische Beitrag einer natürlichen Person.

1.1.3 Schutzdauer und Beginn des Schutzes ^ top 

Der Schutz durch das Urheberrecht entsteht automatisch mit der Schaffung des Werkes - unabhängig davon, ob es veröffentlicht, registriert oder gewerblich genutzt wird. Eine Anmeldung, wie sie z.B. im Patentrecht oder Markenrecht erforderlich ist, ist nicht notwendig.

Die zentrale Voraussetzung ist, dass das Werk die Kriterien der persönlichen geistigen Schöpfung erfüllt. Sobald dies gegeben ist, gilt das Werk als urheberrechtlich geschützt.

Der urheberrechtliche Schutz beginnt mit dem Moment der Fertigstellung des Werkes - also sobald es eine erkennbare, abgeschlossene Ausdrucksform angenommen hat. Eine Veröffentlichung ist nicht erforderlich. Auch Skizzen, Entwürfe, unveröffentlichte Manuskripte oder digitale Entwurfsfassungen können bereits geschützt sein.

Die Schutzdauer ist in Österreich und Deutschland weitgehend einheitlich geregelt. Sie ergibt sich in Österreich aus §60 öUrhG in Deutschland aus §64 UrhG-DE:

• 70 Jahre nach dem Tod der Urheber:in (post mortem auctoris),

• bei gemeinschaftlichen Werken: 70 Jahre nach dem Tod der:des zuletzt verstorbenen Miturheber:in,

• bei anonymen oder pseudonymen Werken: 70 Jahre nach der ersten Veröffentlichung (sofern die Urheber:in nicht bekannt gemacht wird),

• bei Computerprogrammen: ebenfalls 70 Jahre nach dem Tod der Urheber:in.

Nach Ablauf der Schutzfrist fällt ein Werk in die sogenannte Gemeinfreiheit (Public Domain). Es darf dann frei genutzt, bearbeitet, vervielfältigt und verbreitet werden - ohne die Zustimmung der ursprünglichen Urheber:in oder deren Rechtsnachfolger:innen.

Auch wenn ein Werk gemeinfrei wird - also nach Ablauf der Schutzfrist frei genutzt werden darf - bleiben unter Umständen andere rechtliche Schutzpositionen bestehen. Diese können eine freie Nutzung einschränken oder zusätzliche Anforderungen mit sich bringen:

• Recht am eigenen Bild
  In Österreich ist das Recht am eigenen Bild im §78 öUrhG geregelt. Es schützt die abgebildete Person vor ungewollter Veröffentlichung und Verbreitung von Bildnissen, wenn dadurch berechtigte Interessen verletzt werden - etwa Persönlichkeitsrechte, Privatsphäre oder Ruf.
  In Deutschland ergibt sich dieses Recht aus dem Kunsturhebergesetz (KUG), insbesondere aus §22 und §23. Auch hier gilt: Abbildungen von Personen dürfen nur mit deren Einwilligung veröffentlicht werden, außer es greift eine gesetzlich definierte Ausnahme (z.B. bei zeitgeschichtlicher Relevanz).

• Design- und Markenrechte
  Auch wenn ein urheberrechtlich geschütztes Produktfoto oder eine Verpackung gemeinfrei geworden ist, können Designrechte oder Markenschutz bestehen bleiben.
  In Österreich sind diese im Musterschutzgesetz (MuSchG) geregelt, in Deutschland im Designgesetz (DesignG). Der Markenschutz ergibt sich jeweils aus dem Markenschutzgesetz (MSchG) bzw. dem Markengesetz (MarkenG). Solche Schutzrechte gelten unabhängig vom Urheberrecht und können unter Umständen länger oder eigenständig weiterbestehen - insbesondere bei Firmenlogos, Produktdesigns oder charakteristischen Verpackungen.

• Quellenangabenpflichten im wissenschaftlichen Kontext
  Auch bei gemeinfreien Texten, Bildern oder Daten besteht in wissenschaftlichen Arbeiten weiterhin die Pflicht zur korrekten Zitation der Quelle. Dies ergibt sich zwar nicht aus dem Urheberrecht, sondern aus den Regeln guter wissenschaftlicher Praxis.
  In Österreich sind diese Standards u.a. in den Empfehlungen des OeAD und der Österreichischen Agentur für wissenschaftliche Integrität (ÖAWI) verankert. In Deutschland gelten die DFG-Richtlinien zur Sicherung guter wissenschaftlicher Praxis. Wer fremde Werke verwendet - selbst wenn sie gemeinfrei sind - muss deren Ursprung nachvollziehbar dokumentieren.

1.2 Urheber- & Nutzungsrechte ^ top 

Das Urheberrecht verleiht nicht nur Schutz, sondern auch konkrete Rechte, die sich aus der Schöpfung eines Werkes ergeben. Diese Rechte definieren, wer was mit einem Werk tun darf, ob andere es weiterverwenden dürfen und unter welchen Bedingungen dies möglich ist. Im Hochschulkontext betrifft das insbesondere die Nutzung von Lehrmaterialien, wissenschaftlichen Texten, Daten, Bildern, Musik und Videos.

1.2.1 Urheberpersönlichkeitsrechte ^ top 

Urheberpersönlichkeitsrechte schützen die persönliche Beziehung zwischen der Urheber:in und ihrem Werk. Sie sind unveräußerlich und nicht übertragbar, können aber vertraglich eingeschränkt oder modifiziert werden, etwa im Rahmen von Arbeits- oder Verlagsverträgen. Diese Rechte sind in Österreich in den §§19ff. öUrhG, in Deutschland in den §§12-14 UrhG-DE geregelt.

Beispiel: Eine Autor:in kann es untersagen, dass ihr Gedicht in einem politischen Kontext verwendet wird, der nicht ihrer Überzeugung entspricht - auch wenn das Gedicht formal korrekt zitiert wird.

1.2.2 Verwertungsrechte ^ top 

Die Verwertungsrechte betreffen die wirtschaftliche Dimension des Urheberrechts. Sie geben der Urheber:in die exklusive Kontrolle über die Nutzung ihres Werkes in materieller und digitaler Form. Diese Rechte sind in Österreich in den §§14-18 öUrhG, in Deutschland in den §§15-24 UrhG-DE geregelt.

Beispiel: Eine Lehrperson, die ein eigenes Video auf Youtube hochlädt, nutzt ihr Verwertungsrecht zur öffentlichen Zugänglichmachung - sofern sie auch Urheber:in des Videos ist.

1.2.3 Übertragbarkeit und Lizenzierung ^ top 

Während Persönlichkeitsrechte grundsätzlich nicht übertragbar sind, lassen sich Verwertungsrechte ganz oder teilweise übertragen oder durch Lizenzverträge zur Nutzung freigeben. Dabei sind folgende Varianten üblich:

Hinweis: Lizenzverträge sollten immer schriftlich festgehalten werden und möglichst präzise formuliert sein - insbesondere bei Projekten mit mehreren Beteiligten oder bei Veröffentlichungen.

1.3 Allgemeine Geschäftsbedingungen (AGBs) und Nutzungsbeschränkungen von Software ^ top 

Allgemeine Geschäftsbedingungen (AGBs) sind standardisierte Vertragsbedingungen, die von Unternehmen für eine Vielzahl von Verträgen vorformuliert werden. Nutzer:innen akzeptieren diese Bedingungen in der Regel durch Anklicken eines Bestätigungsfeldes ("Ich stimme zu") oder implizit durch die Nutzung eines Dienstes. Rechtlich handelt es sich nicht um bloße Hinweise, sondern um bindende Vertragsbestandteile.

Das bedeutet: Wer ein Programm oder eine Plattform nutzt, schließt damit einen zivilrechtlichen Vertrag mit dem Anbieter. Auch wenn kein individueller Vertrag ausgehandelt wurde, gelten die AGBs in vollem Umfang - solange sie nicht gegen zwingendes Recht verstoßen. Ein Verstoß gegen die AGBs ist daher kein klassischer Urheberrechtsverstoß, kann aber als Vertragsverletzung ernsthafte Konsequenzen haben (z.B. Kontosperrung, Schadensersatz, Abmahnungen).

1.3.1 Abgrenzung zu Urheberrecht und Lizenzen ^ top 

• Urheberrecht: Entsteht automatisch mit der Schaffung eines Werkes und schützt die Rechte der Autor:innen.

• Lizenzvertrag: Erlaubt Dritten die Nutzung bestimmter urheberrechtlich geschützter Inhalte.

• AGBs: Regeln darüber hinaus, wie und wo diese Inhalte oder Programme genutzt werden dürfen. Sie können die Nutzung enger beschränken, als es das Urheberrecht allein vorsieht.

Damit erweitern AGBs das rechtliche Gefüge und wirken nicht auf die Schutzdauer des Urheberrechts, sondern auf die praktische Nutzung der Software, der Vorlagen oder der Designelemente.

1.3.2 Beispiele aus der Praxis ^ top 

• Canva
  Eine Weitergabe von Dateien, aus denen die Einzelelemente extrahiert werden könnten, ist untersagt. Dies trifft auf PDFs zu, die damit keine Themes, Layout & Designelemente aus der Bibliothek von Canva enthalten dürfen.

• Microsoft Office
  Designelemente (z.B. ClipArts, Themes, Layouts) dürfen meist nur innerhalb der Microsoft-Umgebung genutzt werden. Eine Bearbeitung oder Verwertung außerhalb kann gegen die AGBs verstoßen.

• Stock-Foto-Dienste
  Häufig ist die Nutzung für redaktionelle Zwecke erlaubt, nicht jedoch für kommerzielle Produkte oder die Weitergabe von Rohdateien.

1.3.3 Relevanz für Studium, Lehre und Forschung ^ top 

Die Bedeutung von AGBs zeigt sich im akademischen Kontext besonders deutlich. Wer im Studium oder in der Forschung mit digitalen Tools, Vorlagen oder Stock-Materialien arbeitet, bewegt sich nicht nur im Rahmen des Urheberrechts, sondern auch innerhalb eines vertraglichen Regelwerks, das durch die Anbieter vorgegeben wird.

Ein Verstoß gegen die AGBs stellt keine klassische Urheberrechtsverletzung dar, sondern eine Verletzung des Nutzungsvertrags mit dem Anbieter. Die Folgen können gravierend sein, denn Anbieter wie Canva oder Microsoft behalten sich in ihren AGBs vor, Accounts ohne Vorwarnung zu sperren, Inhalte zu löschen oder sogar rechtliche Schritte wegen Schadensersatz einzuleiten. Dies gilt auch für im Kontext des Studiums erstellte Inhalte.

In Lehrveranstaltungen, wissenschaftlichen Publikationen, Präsentationen oder Projekten im Hochschulkontext stellt sich häufig die Frage, ob die Nutzung bestimmter Vorlagen oder Designelemente zulässig ist. Viele AGBs sind bewusst weit formuliert und lassen Interpretationsspielräume offen. So kann es erlaubt sein, eine Canva-Grafik in einem universitären Vortrag zu zeigen, nicht aber, dieselbe Grafik als frei zugängliches PDF weiter zu geben, da dabei Designelemente extrahierbar wären. Ebenso können bei Microsoft-Designs restriktive Bestimmungen gelten, die eine Weitergabe an Dritte nur innerhalb der Microsoft-Umgebung erlauben.

Besonders kritisch sind Hochschulprojekte mit externen Partnern oder Unternehmen: Hier greifen die urheberrechtlichen Schranken für Lehre und Forschung nicht. Eine unzulässige Weitergabe von Dateien aus dem Designelemente extrahiert werden könnten, stellt eine klare Vertragsverletzung dar. Gerade in kooperativen Projekten ist daher besondere Vorsicht geboten.

Um rechtliche Unsicherheiten zu umgehen, empfiehlt es sich, eigene Grafiken und Designelemente zu entwickeln und zu verwenden oder auf nachweislich lizensierte Inhalte zurückzugreifen.

1.4 Scheinbar frei verfügbare Inhalten ^ top 

Im Internet finden sich zahllose Plattformen, die Bilder, Musik, Videos oder Grafiken als "frei verfügbar" oder "lizenzfrei" anbieten. Auf den ersten Blick scheinen diese Inhalte eine einfache und bequeme Lösung zu sein, insbesondere für Studierende, Lehrende und Forschende, die schnell visuelles oder multimediales Material benötigen. Doch hinter dieser vermeintlichen Freiheit verbergen sich erhebliche rechtliche Risiken. Nicht immer ist sichergestellt, dass die betreffenden Werke tatsächlich von den ursprünglichen Urheber:innen freigegeben wurden oder dass die ausgewiesene Lizenz überhaupt wirksam ist.

1.4.1 Verantwortung der Nutzenden ^ top 

Viele offene Plattformen, die Inhalte unter CC0 oder ähnlichen Lizenzen bereitstellen, leben davon, dass Nutzer:innen Material hochladen. Problematisch daran ist, dass häufig keine Prüfung der Rechte erfolgt. Eine Person kann also ohne Weiteres ein Foto, eine Illustration oder ein Musikstück hochladen, an dem sie gar keine Rechte besitzt. Wird dieses Werk fälschlich z.B. als gemeinfrei gekennzeichnet, entsteht bei den Nutzer:innen ein trügerisches Sicherheitsgefühl. Ein weiteres Risiko liegt darin, dass viele Plattformen keine verbindliche Dokumentation anbieten. Es gibt meist weder eine Registrierungspflicht noch eine rechtsverbindliche Bestätigung, wer die Inhalte hoch- oder heruntergeladen hat. Damit fehlt ein belastbarer Nachweis, dass das Werk tatsächlich mit Zustimmung der Urheber:innen veröffentlicht wurde und zu den angegebenen Konditionen von den Nutzer:innen heruntergeladen wurde. Besonders problematisch ist die Möglichkeit nachträglicher Ansprüche. Selbst wenn ein Bild oder eine Grafik ursprünglich unter CC0 oder Public Domain verfügbar war, kann es später passieren, dass das Werk wieder unter Lizenz gestellt wird, Rechteinhaber:innen eine unrechtmäßige Nutzung feststellen, oder Betrüger:innen versuchen, nachträglich Lizenzgebühren einzufordern.

In allen diesen Fällen können Nutzende, die das Material bereits in Arbeiten oder Projekten verwendet haben, mit Lizenzforderungen oder Schadensersatzklagen konfrontiert werden.

Juristisch liegt die Verantwortung für die rechtmäßige Nutzung in erster Linie bei den Nutzenden. Wer eine scheinbar frei verfügbare Grafik in einer Abschlussarbeit, einer Publikation oder einem Forschungsprojekt einsetzt, haftet im Zweifel selbst für Rechtsverletzungen - auch wenn der Fehler ursprünglich bei der Plattform oder beim Uploadenden lag. Rechteinhaber:innen können Unterlassung, Schadensersatz oder Lizenzgebühren einfordern, unabhängig davon, ob die Nutzung "in gutem Glauben" erfolgte.

1.4.2 Relevanz für Studium, Lehre und Forschung ^ top 

Im akademischen Bereich kann die unkritische Nutzung solcher Inhalte zu erheblichen Problemen führen. In wissenschaftlichen Arbeiten drohen Verstöße gegen die Regeln guter wissenschaftlicher Praxis, wenn Materialien verwendet werden, deren Herkunft unklar ist. Bei Hochschulprojekten mit Unternehmen gilt die urheberrechtlichen Schranken für Lehre und Forschung nicht. Vertragsverletzungen oder Lizenzverstöße sind zudem besonders schwerwiegend, da es sich meist um kommerzielle Nutzung handelt und die Lizenzkosten oder Schadensersatzansprüche besonders hoch ausfallen.

Im Zweifel sollten eigene Inhalte erstellt werden. Gerade bei sensiblen Projekten oder Publikationen ist dies der sicherste Weg. Wenn Unklarheit über die Herkunft oder Lizenz besteht, das Material besser nicht verwenden.

1.5 Besondere Schutzdimensionen je nach Werkform ^ top 

Nicht alle Werke sind urheberrechtlich gleich zu behandeln. Je nach Medium - etwa Bild, Musik oder Video - gelten spezifische Schutzdimensionen, ergänzende Rechte und unterschiedliche rechtliche Anforderungen. Diese ergeben sich nicht nur aus dem Urheberrecht selbst, sondern auch aus benachbarten Schutzrechten wie dem Designschutz, dem Recht am eigenen Bild oder den Leistungsschutzrechten. Wer visuelle, musikalische oder audiovisuelle Inhalte erstellt oder nutzt, sollte daher genau prüfen, welche Rechte betroffen sind und welche Erlaubnisse notwendig sind.

Die folgenden Unterkapitel bieten eine systematische Übersicht über zusätzliche Schutzaspekte, die sich speziell aus der Werkform ergeben - unabhängig davon, ob ein urheberrechtlicher Schutz im engeren Sinne besteht.

1.5.1 Bilder und visuelle Inhalte ^ top 

Visuelle Werke - also Fotografien, Illustrationen, Zeichnungen, Grafiken, Designobjekte und vergleichbare Darstellungsformen - unterliegen dem Urheberrecht, sofern sie eine persönliche geistige Schöpfung darstellen. Darüber hinaus sind häufig weitere Schutzrechte zu beachten:

• Ein Bild ist urheberrechtlich geschützt, wenn es individuell gestaltet ist - sei es durch die Komposition, Lichtführung, Motivwahl oder Nachbearbeitung.

• Auch digitale Collagen, wissenschaftliche Visualisierungen oder kreative Diagramme können geschützte Werke im Sinne des Urheberrechts darstellen.

• Reine "Knipsbilder" oder automatisch erzeugte Aufnahmen ohne gestalterische Entscheidung (z.B. Überwachungskameras) erreichen die Schutzschwelle in der Regel nicht - außer es greifen Leistungsschutzrechte (= Schutz der Leistung von Personen oder Unternehmen, die nicht selbst Urheber:innen sind, aber einen wesentlichen Beitrag zur Verwertung eines Werkes leisten - etwa Produzent:innen, Sendeunternehmen, ausübende Künstler:innen oder Presseverlage).

Recht am eigenen Bild ^ top 

Wer eine Person fotografiert oder filmt, greift in deren Persönlichkeitsrechte ein. In Österreich (§78 öUrhG) und Deutschland (§22 KUG) darf ein Bildnis nur mit Zustimmung der abgebildeten Person veröffentlicht werden.

Ausnahmen bestehen, wenn das Bild im Rahmen der Zeitgeschichte relevant ist (z.B. bei öffentlichen Veranstaltungen oder Funktionsträger:innen), sofern keine berechtigten Interessen verletzt werden.

Auch bei Gruppenfotos, Aufnahmen von Veranstaltungen oder Szenen im öffentlichen Raum ist besondere Sorgfalt geboten. Eine Veröffentlichung ist nicht automatisch zulässig, nur weil sich die Aufnahme im öffentlichen Bereich ereignet hat. Entscheidend ist stets, ob eine abgebildete Person eindeutig erkennbar und identifizierbar ist - und ob berechtigte Interessen dieser Person durch die Veröffentlichung beeinträchtigt werden könnten.

Unproblematisch sind Aufnahmen mit reinem Beiwerkcharakter: Wenn Personen zufällig und am Rande im Bild erscheinen, ohne dass ihnen eine besondere Bedeutung zukommt, spricht man vom sogenannten "Beiwerk". Dies ist z.B. der Fall, wenn Tourist:innen im Hintergrund eines Architekturfotos stehen oder Passant:innen auf einer Straßenszene unscharf erscheinen. In solchen Fällen überwiegt regelmäßig das Interesse an der Darstellung der Gesamtszene.

Dagegen bedarf es der ausdrücklichen Einwilligung, wenn

• eine einzelne Person deutlich hervorgehoben und als zentrales Motiv abgebildet wird (z.B. durch Bildausschnitt, Schärfe oder Pose),

• Gruppenfotos im privaten oder halböffentlichen Kontext aufgenommen wurden (z.B. bei Seminaren, Workshops, Studiengruppen),

• personenbezogene Daten mitgeliefert werden, etwa durch Namensnennung, Kontextinformationen oder geotaggte Metadaten,

• die Aufnahme eine Situation zeigt, die Rückschlüsse auf Verhalten, Emotionen, politische oder religiöse Einstellungen zulässt,

• die Veröffentlichung kommerziell oder öffentlichkeitswirksam erfolgt (z.B. auf einer Hochschulwebseite, in Social Media oder in einer Werbebroschüre).

Besondere Vorsicht ist bei Vulnerabilitätsmerkmalen (z.B. Kinder, Menschen mit Behinderungen, marginalisierte Gruppen) sowie bei sensiblen Kontexten (z.B. bei Prüfungen, bei medizinischer Betreuung, bei Demonstrationen oder in religiösen Räumen) geboten. Hier ist eine Veröffentlichung nur mit informierter und nachweisbarer Zustimmung rechtlich zulässig und ethisch vertretbar.

Die bloße Anwesenheit im öffentlichen Raum hebt das Recht auf Privatsphäre nicht auf. Auch auf Straßen, Plätzen und in Hörsälen gilt: Jede:r hat ein Recht darauf, nicht unfreiwillig abgebildet und veröffentlicht zu werden, wenn dadurch Persönlichkeitsrechte berührt sind.

Panoramafreiheit ^ top 

Die sogenannte Panoramafreiheit erlaubt es, Werke, die sich dauerhaft im öffentlichen Raum befinden, wie Gebäude, Denkmäler oder Kunstwerke im Freien, fotografisch oder filmisch festzuhalten und die Aufnahmen zu veröffentlichen - ohne Zustimmung der Urheber:in oder der Eigentümer:innen des Objekts.

Diese Regelung gilt nicht universell, sondern ist national unterschiedlich ausgestaltet. In Österreich (§4 Abs.1 Z5 öUrhG) und Deutschland (§59 UrhG-DE) ist Panoramafreiheit grundsätzlich gegeben, sofern:

• das Werk sich dauerhaft an einem öffentlichen Ort befindet (z.B. Gebäude, Plätze, Straßen, Parks),

• die Aufnahme von öffentlich zugänglichen Stellen aus erfolgt (also nicht etwa von Drohnen, Balkonen, Innenräumen oder erhöhten Positionen mit Spezialausrüstung),

• das Werk nicht verfälscht oder in entstellender Weise wiedergegeben wird (z.B. durch beleidigende Montage, ironische Entstellung oder Verwendung in fragwürdigem Kontext).

Die Panoramafreiheit ist nicht in allen Ländern gegeben - in vielen Staaten gibt es keine entsprechende gesetzliche Regelung oder nur sehr eingeschränkte Nutzungsrechte:

In Frankreich oder Italien darf z.B. der Eiffelturm bei Nacht oder das Kolosseum nicht ohne Genehmigung veröffentlicht werden, sofern urheberrechtlich geschützte Lichtinstallationen, Perspektiven oder Inszenierungen betroffen sind.

In Spanien ist die Panoramafreiheit nicht eindeutig gesetzlich geregelt, sodass insbesondere kommerzielle Nutzungen von Fotos öffentlicher Gebäude rechtlich riskant sein können.

Auch in den USA, Japan oder Kanada gelten teils restriktive Regelungen - insbesondere bei öffentlicher Kunst im Freien, Logos oder architektonischen Besonderheiten.

In der Schweiz (§27 URG) und in Liechtenstein (Art.16 LUG) existiert eine eingeschränkte Form der Panoramafreiheit - jedoch ohne die kommerzielle Weiternutzung ausdrücklich zu erlauben.

In vielen Ländern haben etliche Gebäude einen militärischen Kontext (der auf den ersten Blick nicht einfach zu erkennen ist). Hier ist es oftmals streng verboten, diese Gebäude zu fotografieren.

Gerade im Rahmen von Auslandssemestern, Exkursionen, Forschungsprojekten oder Social Media-Aktivitäten ist es wesentlich zu wissen, dass Panoramafreiheit kein international gesichertes Recht ist. Wer in einem anderen Land öffentliche Gebäude, Kunstwerke oder Installationen fotografiert und das Bild z.B. auf einem Poster, in einer Publikation oder in sozialen Netzwerken veröffentlicht, kann - je nach Land - gegen Urheberrechte oder Eigentumsrechte verstoßen.

Vor einem Auslandsaufenthalt muss daher immer die jeweilige rechtliche Situation geklärt werden.

Innenräume ^ top 

Die Panoramafreiheit gilt ausschließlich für Werke im öffentlichen Außenraum - nicht für Werke innerhalb von Gebäuden. Sobald ein Kunstwerk, eine Installation oder ein architektonisches Objekt in einem Innenraum steht, ist die Nutzung urheberrechtlich grundsätzlich zustimmungsbedürftig.

Auch wenn der Zutritt zu diesen Orten frei oder entgeltlich gewährt wird, handelt es sich nicht um einen öffentlichen Raum im urheberrechtlichen Sinn, sondern um einen privat oder institutionell kontrollierten Bereich. Die Rechteinhaber:innen (z.B. Museumsträger:innen, Betreiber:innen, Eigentümer:innen) können daher Nutzungsbedingungen für Fotos und Videos festlegen, insbesondere für:

• kommerzielle Verwendung (z.B. Publikationen, Webseiten, Merchandising)
• Veröffentlichung in Medien oder sozialen Netzwerken
• Aufzeichnung von Führungen, Performances oder Veranstaltungen

Auch Aufnahmen, die in Lehrveranstaltungen, Projektarbeiten oder Präsentationen verwendet werden sollen, unterliegen den urheberrechtlichen Regeln und Hausordnungen der jeweiligen Institutionen. Die bloße Anwesenheit oder der Kauf eines Tickets begründet kein Recht zur uneingeschränkten Nutzung oder Veröffentlichung von Bildmaterial.

Vor Foto- oder Videoaufnahmen in Innenräumen klären, ob dies erlaubt ist - und ob eine Nutzungsgenehmigung erforderlich ist. Im Zweifel ist eine schriftliche Einwilligung empfehlenswert.

Designschutz ^ top 

Ein visuelles Werk kann neben dem Urheberrecht auch unter das Designrecht (in Deutschland: eingetragenes Design, früher "Geschmacksmuster") fallen. Der Designschutz schützt nicht den Inhalt oder die Funktion eines Werkes, sondern ausschließlich dessen äußere Erscheinungsform - unabhängig davon, ob das Design zugleich urheberrechtlich geschützt ist.

Der Designschutz entsteht nicht automatisch, sondern nur durch Anmeldung beim zuständigen Patentamt (Österreichisches Patentamt bzw. Deutsches Patent- und Markenamt). Voraussetzung ist die Neuheit und ein Eigenart genannter Gestaltungsspielraum, der das Design von bestehenden Formen unterscheidet.

Besondere Aufmerksamkeit erfordert der Umgang mit Logos, Marken und Designs, die auf Fotos sichtbar mitabgebildet sind - beispielsweise ein Getränk mit sichtbarem Flaschenetikett auf einem Tisch, ein:e Passant:in mit markentypischem T-Shirt-Logo, ein charakteristisches Designobjekt im Hintergrund eines Architekturbildes.

Ist das Logo oder Design bloßes "Beiwerk", also nicht bildbestimmend, liegt in der Regel keine rechtswidrige Nutzung vor.

Wird jedoch ein Design gezielt fokussiert, herausgestellt oder kommerziell genutzt, kann eine Verletzung von Designrechten oder Markenrechten vorliegen - insbesondere, wenn der Eindruck entsteht, das abgebildete Produkt oder Unternehmen werde empfohlen oder sei Inhalt der Darstellung.

Nach Möglichkeit Aufnahmen mit neutralen Hintergründen oder Bildausschnitte ohne fremde Designs.

1.5.2 Musik & Tonaufnahmen ^ top 

Musikalische Werke und Tonaufnahmen unterliegen einem mehrschichtigen Schutz, der über das klassische Urheberrecht hinausgeht. Neben der Komposition und dem Text (geschützt als Sprach- und Musikwerk) können auch die Interpretation, die Tonaufnahme selbst sowie deren öffentliche Nutzung gesonderten Rechten unterliegen. Insbesondere folgende Rechtspositionen sind zu unterscheiden:

• Urheberrecht an Musikwerken
  Die Komponist:in eines Musikstücks ist Urheber:in im Sinne des Urheberrechtsgesetzes. Der Schutz umfasst Melodie, Harmonie, Rhythmik und Struktur eines Stücks, ggf. auch Songtexte, die als Sprachwerke gelten. Kompositionen sind bereits dann schutzfähig, wenn sie einen geringen schöpferischen Eigengehalt aufweisen. Die bloße Übernahme kurzer Tonfolgen oder Rhythmen kann urheberrechtlich relevant sein, wenn diese als charakteristisch gelten.

• Leistungsschutzrechte an Darbietungen
  Darüber hinaus genießen ausübende Künstler:innen - etwa Sänger:innen, Musiker:innen, Sprecher:innen - Leistungsschutzrechte an ihrer Interpretation (§§66-71 öUrhG / §§73-75 UrhG-DE), die nicht Urheber:innen sind, aber einen wesentlichen Beitrag zur Verwertung eines Werkes leisten. Dieser Schutz greift auch dann, wenn das aufgeführte Werk selbst bereits gemeinfrei oder nicht urheberrechtlich geschützt ist. Beispiel: Die Interpretation eines klassischen Stücks durch ein Orchester ist unabhängig von der Schutzdauer des Werkes an sich geschützt.

• Schutz der Tonaufnahme ("Phonogramm")
  Das sogenannte Tonträgerherstellerrecht (§76 UrhG-DE / §70 öUrhG) schützt die technische Fixierung einer Darbietung. Wer eine Aufnahme produziert - z.B. ein Label oder Tonstudio - erhält exklusive Rechte an der Vervielfältigung, Verbreitung und öffentlichen Wiedergabe der Aufnahme.

• Öffentliche Nutzung und Verwertung
  Für die öffentliche Wiedergabe (z.B. im Hörsaal, bei Videos oder Podcasts) ist i.d.R. eine Lizenz erforderlich. Dies gilt sowohl für urheberrechtlich geschützte Kompositionen, darstellerische Leistungen (z.B. Gesang), Tonträgerrechte an Aufnahmen. In Bildungskontexten greifen teilweise gesetzliche Schranken, jedoch nicht für jede Nutzungsart.

Nur Musik verwenden, bei der die Nutzungsrechte nachweislich für eine kommerzielle Nutzung erworben wurden (gekauft und / oder über eine klare Lizenz).

1.5.3 Videos & audiovisuelle Medien ^ top 

Videos und audiovisuelle Inhalte vereinen typischerweise mehrere geschützte Werkformen in einem Medium. Das macht ihre rechtliche Beurteilung komplex: Neben dem Urheberrecht an Bild und Ton können auch Persönlichkeitsrechte, Leistungsschutzrechte, Design- und Markenrechte sowie lizenzrechtliche Bestimmungen eine Rolle spielen.

Ein Video kann unter anderem folgende Schutzdimensionen beinhalten:

• urheberrechtlich geschützte Werke (z.B. Kameraführung, Filmschnitt, Text, Musik, Grafiken),

• geschützte Darbietungen (Schauspiel, Moderation, Performance),

• geschützte Aufnahmen (Ton-/Bildträgerrechte durch Produzent:in),

• Persönlichkeitsrechte abgebildeter Personen,

• Design- oder Markenrechte sichtbar im Bild (z.B. Logos, Produktverpackungen),

• Plattformrechtliche Vorgaben (z.B. YouTube, Vimeo, Instagram, Spotify).

Audiovisuelle Medien unterliegen damit meist einer Rechtekombination, bei der verschiedene Schutzrechte parallel bestehen. So kann etwa ein Lehrvideo:

• urheberrechtlich als Filmwerk geschützt sein,
• Musik enthalten, für die Verwertungsrechte bei GEMA, AKM oder SUISA liegen,
• Sprecher:innen zeigen, deren Darbietung unter das Leistungsschutzrecht fällt,
• Personen abbilden, deren Zustimmung für die Veröffentlichung notwendig ist.

In solchen Fällen müssen alle relevanten Rechte einzeln geklärt werden - insbesondere bei Veröffentlichung, öffentlicher Aufführung oder kommerzieller Nutzung.

Viele Plattformen (z.B. YouTube, Vimeo, TikTok, Instagram) setzen für das Hochladen von Videos eine Zustimmung zu umfassenden Lizenzbedingungen voraus. Dabei übertragen Nutzer:innen häufig einfache oder sogar ausschließliche Nutzungsrechte an den Plattformbetreiber - oft weltweit, unbefristet und kostenlos.

Dies bedeutet:

• Die Plattform darf das Video verbreiten, bearbeiten und für eigene Zwecke einsetzen.

• Urheber:innen behalten zwar ihre Rechte, verlieren aber faktisch einen Teil der Kontrolle über die Nutzung.

Aufzeichnungen von Lehrveranstaltungen ^ top 

Die rechtliche Zulässigkeit von Aufzeichnungen in Lehrveranstaltungen hängt von mehreren Faktoren ab:

• Zustimmung aller Beteiligten (insbesondere von sichtbar oder hörbar aufgezeichneten Personen),

• interne vs. externe Nutzung (z.B. nur im Intranet vs. Veröffentlichung auf YouTube),

• Verwendung geschützter Inhalte (z.B. eingebundene Folien, Bilder, Videos, Musik).

Nicht jedes selbst gedrehte Video darf automatisch veröffentlicht werden - urheberrechtliche, persönlichkeitsrechtliche und lizenzrechtliche Fragen müssen stets gemeinsam betrachtet werden.

1.6 Folgen bei Rechtsverstöße ^ top 

Geistiges Eigentum ist in Studium, Lehre und Forschung nicht nur eine Ressource, sondern auch ein Schutzgut. Wer Werke anderer nutzt, muss rechtlich zulässige Wege einhalten - etwa durch Lizenzen, Schrankenregelungen oder Zitate. Verstöße gegen das Urheberrecht können schwerwiegende Konsequenzen haben.

1.6.1 Zivilrechtliche Folgen ^ top 

Urheber:innen können bei Verletzungen ihrer Rechte zivilrechtliche Ansprüche geltend machen:

• Unterlassung: Das Werk darf nicht weiter verbreitet oder genutzt werden.

• Beseitigung: Bereits publizierte Inhalte müssen entfernt oder zurückgezogen werden.

• Schadenersatz: Es können Lizenzgebühren und zusätzliche Beträge für entgangene Nutzung verlangt werden - teils sehr hoch.

• Auskunftsanspruch: Wer ein Werk genutzt hat, muss offenlegen, wie, wann und wo es verwendet wurde.

Auch Studierende können zivilrechtlich belangt werden - etwa bei unrechtmäßiger Veröffentlichung von Seminararbeiten, Fotos oder Videos mit geschütztem Material auf Plattformen oder Social Media.

1.6.2 Strafrechtliche Folgen ^ top 

Urheberrechtsverstöße können in Österreich und Deutschland strafrechtlich verfolgt werden, insbesondere wenn sie vorsätzlich und gewerblich erfolgen. (§§91-92 öUrhG / §§106-108a UrhG-DE)

Strafen reichen von Geldstrafen bis zu Freiheitsstrafen bis zu zwei Jahren (in schweren Fällen bis zu fünf Jahren).Auch das wiederholte und gezielte Verwenden geschützter Inhalte ohne Rechteklärung kann als vorsätzlicher Verstoß gewertet werden - insbesondere bei Missachtung von Warnungen oder Hinweisen.

2 Schrankenregelungen, Zitate & wissenschaftliche Praxis ^ top 

Die gesetzlich verankerten Schrankenregelungen sollen sicherstellen, dass Bildung, Wissenschaft und Forschung durch das Urheberrecht nicht unangemessen behindert werden. Sie schaffen eine rechtliche Grundlage dafür, dass bestimmte Werkarten auch ohne ausdrückliche Zustimmung der Rechteinhaber:innen genutzt werden dürfen - etwa für Analyse, Kritik, Diskussion oder Unterricht.

Solche Ausnahmen vom Urheberrecht werden in Gesetzen als Schranken bezeichnet. Sie gelten jedoch nicht schrankenlos, sondern setzen ganz konkrete Voraussetzungen voraus - nur wenn diese erfüllt sind, ist die Nutzung rechtskonform.

2.1 Gesetzliche Schranken für Bildung und Wissenschaft ^ top 

Die gesetzlich verankerten Schrankenregelungen sollen sicherstellen, dass Bildung, Wissenschaft und Forschung nicht durch Urheberrecht übermäßig eingeschränkt werden. Sie ermöglichen den Zugang zu Wissen, die Nutzung fremder Werke für Analyse und Diskussion sowie die Auseinandersetzung mit gesellschaftlich relevanten Inhalten - etwa durch Zitate, Kopien oder digitale Unterrichtsmaterialien.

Diese Schranken gelten jedoch nicht uneingeschränkt ("schrankenlos"). Ihre Anwendung setzt voraus, dass alle der folgenden Bedingungen erfüllt sind:

• Zweckbindung
  Die Nutzung muss einem gesetzlich vorgesehenen Zweck dienen - etwa der Lehre, dem wissenschaftlichen Arbeiten oder dem Bildungserwerb. Eine rein private oder kommerzielle Nutzung ist davon nicht umfasst.

• Verhältnismäßigkeit
  Es darf nur der erforderliche Ausschnitt eines Werkes verwendet werden. Eine vollständige Übernahme ist - mit wenigen Ausnahmen (z.B. bei wissenschaftlich begründeten Großzitaten) - nicht zulässig. Die Inhalte müssen zielgerichtet und didaktisch eingebunden sein.

• Quellenangabe
  Urheber:in, Titel, Erscheinungsjahr und ggf. Herausgeber:in sowie Verlag sind vollständig und korrekt anzugeben. In Deutschland regelt dies §63 UrhG-DE. Auch in Österreich ist eine vollständige Angabe gesetzlich vorgeschrieben (§57 öUrhG).

• Nicht-kommerzielle Nutzung im geschlossenen Kontext
  Die Nutzung darf ausschließlich nicht-kommerziell sein. Sie muss zudem in einem abgegrenzten institutionellen Rahmen erfolgen - z.B. innerhalb eines zugangsbeschränkten Moodle-Kurses, einer Lehrveranstaltung oder geschlossenen Studiengruppe.

• Keine reine Bebilderung oder Dekoration (kein Beiwerk)
  Die Nutzung darf nicht bloß illustrativ erfolgen. Ein Werk darf kein Beiwerk sein, das lediglich zur optischen Aufwertung dient. Es muss in inhaltlichem Zusammenhang mit der Lehr- oder Forschungssituation stehen - etwa als Gegenstand der Analyse, Diskussion oder Interpretation.

• Änderungsverbot beachten
  Änderungen an Werken sind grundsätzlich nicht erlaubt, auch wenn sie unter eine gesetzliche Schranke fallen. Zulässig sind nur technisch notwendige Anpassungen wie Größenveränderung oder Dateiformatanpassung - und auch nur, wenn der Werkcharakter nicht verändert wird. Dies ist geregelt in §62 UrhG-DE und §14 öUrhG.

Die Schrankenregelungen müssen europaweit dem in Art.9 Abs.2 der Berner Übereinkunft festgelegten sogenannten Drei-Schritte-Test genügen:

1. Nutzung nur in bestimmten Sonderfällen,

2. Keine Beeinträchtigung der normalen wirtschaftlichen Verwertung,

3. Keine unzumutbare Beeinträchtigung berechtigter Interessen der Urheber:innen.

Die Richtlinie (EU) 2019/790 des Europäischen Parlaments und des Rates über das Urheberrecht und die verwandten Schutzrechte im digitalen Binnenmarkt (Directive on Copyright in the Digital Single Market - CDSM) verpflichtet alle Mitgliedstaaten zur Harmonisierung der Ausnahmen und Schranken im digitalen Bildungsbereich. Besonders relevant sind:

• die country-of-origin-Regel (maßgeblich ist das Recht des Herkunftslandes),

• die Verpflichtung zu einem sicheren digitalen Lehrumfeld (z.B. Moodle statt öffentlicher YouTube-Kanal),

• und die Lizenzunabhängigkeit bei Bildungsnutzung - sofern keine gleichwertige, marktgängige Lizenz angeboten wird.

Checkliste ^ top 

Die Schrankenregelungen eröffnen rechtlich abgesicherte Nutzungsmöglichkeiten - aber immer nur unter strengen Voraussetzungen. Vor der Nutzung fremder Inhalte solltest du sorgfältig prüfen:

Auch bei scheinbar freier Verfügbarkeit gilt: Nicht alles, was auffindbar ist, darf ohne Weiteres verwendet werden.

2.2 Anforderungen an Zitate als zulässige Schranke ^ top 

Zitate stellen eine gesetzlich erlaubte Ausnahme vom Urheberrecht dar - vorausgesetzt, sie erfüllen die Anforderungen der Urheberrechtsgesetze. Diese sogenannte Zitatfreiheit dient dem wissenschaftlichen Diskurs, der kritischen Auseinandersetzung mit bestehenden Positionen sowie der Einbettung eigener Erkenntnisse in bestehende Forschungszusammenhänge.

2.2.1 Kleinzitat vs. Großzitat ^ top 

Die juristische Grundlage für das Zitieren in Bildung und Wissenschaft ist in Europa über sogenannte Zitat-Schranken geregelt. In Österreich (§42f öUrhG) und Deutschland (§51 UrhG-DE) wird dabei zwischen Kleinzitat und Großzitat unterschieden:

Ein Großzitat ist nur in besonderen Ausnahmefällen erlaubt!

2.2.2 Zitierfähigkeit und Belegpflicht ^ top 

Nicht jeder Text und nicht jede Quelle ist automatisch zitierfähig. Zitate sind nur erlaubt, wenn die Quelle und das Zitat folgende Anforderungen erfüllt:

• öffentliche Zugänglichkeit (gilt auch für Quellen hinter Pay Walls, da sie prinzipiell - nach Zahlung einer Lizenzgebühr - verfügbar sind)

• erkennbarer Zitatzweck (z.B. Beleg, Analyse, Kritik)

• inhaltlich eingebunden und kommentiert (keine bloße Sammlung, kein "schmückendes" Beiwerk z.B. als Füllmaterial oder "Blickfang" ohne funktionale Integration in den Argumentationszusammenhang)

• formal gekennzeichnet und alle Angaben zum eindeutigen Auffinden angegeben

• auf das nötige Miminmum an übernommenem Inhalt beschränkt

2.2.3 Praktische Hinweise zur Zitationspraxis ^ top 

Zitate dienen der argumentativen Stützung wissenschaftlicher Aussagen, nicht ihrer bloßen Wiederholung. Entscheidend ist die gezielte, sparsame und nachvollziehbare Verwendung fremder Inhalte im eigenen Denkzusammenhang.

Die Verwendung von Literaturverwaltungsprogrammen (z.B. Zotero, Citavi) erleichtert die korrekte Formatierung, die Konsistenz im Zitationsstil und die Verwaltung umfangreicher Quellenbestände.

2.3 Plagiate und wissenschaftliches Fehlverhalten ^ top 

Plagiate gelten als schwerwiegende Verstöße gegen die wissenschaftliche Redlichkeit. Sie untergraben die Vertrauenswürdigkeit wissenschaftlicher Aussagen, verletzen Urheber:innenrechte und können rechtliche und institutionelle Konsequenzen nach sich ziehen. Dabei ist ein Plagiat nicht nur ein Verstoß gegen Prüfungsregeln, sondern in vielen Fällen auch ein Verstoß gegen das Urheberrecht.

2.3.1 Plagiat vs. zulässige Nutzung ^ top 

Nicht jede Übernahme fremder Inhalte stellt automatisch ein Plagiat dar. Entscheidend ist die korrekte Kennzeichnung der Quelle, die eindeutige Trennung von Eigen- und Fremdleistung sowie der wissenschaftliche Kontext der Nutzung. Zulässig ist die Verwendung fremder Inhalte nur, wenn alle folgenden Bedingungen erfüllt sind:

• wissenschaftlicher Zweck

• vollständige & korrekte Angabe der Quelle

• Text oder Inhalt werden von der eigene Leistung klar getrennt

Fehlt eine dieser Bedingungen, kann ein Plagiatsvorwurf berechtigt sein - auch wenn formal zitiert wurde (z.B. bei "verstecktem" Plagiat).

Plagiate können in vielfältiger Weise auftreten - nicht nur durch wörtliches Kopieren, sondern auch durch sinngemäße Übernahmen, Übersetzungen oder strukturelle Nachbildungen. Die folgende Tabelle zeigt typische Fehler und bessere, zitierfähige Alternativen. Die verwendeten Ausschnitte aus der Originalquelle finden sich in den Fußnoten ^{1 2} [^PlagirismOriginaSource3] ³

Hinweis: Auch sinngemäße Übernahmen, Strukturkopien oder inhaltliche Anlehnungen ohne Quelle gelten als Plagiat. Die Originalquelle muss immer eindeutig belegt und richtig zitiert werden - auch bei Übersetzungen, Paraphrasen oder Sekundärzitaten.

2.3.2 Konsequenzen bei wissenschaftlichem Fehlverhalten ^ top 

Plagiate haben in der Regel mehrstufige Konsequenzen, die sich auf drei Ebenen auswirken können:

1. prüfungsrechtlich

   • Aberkennung einer Prüfungsleistung
   • Sperrung für Wiederholungsversuche
   • Ausschluss aus einem Studiengang
   • Aberkennung akademischer Grade

2. Rechtlich

   • Zivilrechtliche Unterlassungs- und Schadensersatzansprüche
   • Strafrechtliche Konsequenzen bei Urheberrechtsverstößen
   • Reputationsverlust mit langfristigen Folgen für die berufliche Laufbahn

Wissenschaftliches Fehlverhalten ist kein Kavaliersdelikt - es kann Karriere, Glaubwürdigkeit und akademische Integrität dauerhaft beschädigen.

3 Offene Lizenzen, OER & Public Domain ^ top 

Offene Lizenzen ermöglichen die legale, einfache und kostenfreie Nutzung urheberrechtlich geschützter Inhalte - insbesondere in Bildung, Wissenschaft und Forschung. Sie schaffen einen klaren Rahmen, wie Materialien weiterverwendet, bearbeitet und verbreitet werden dürfen - und stärken damit die Kultur des Teilens.

Insbesondere in der Hochschullehre eröffnen offene Lizenzmodelle neue Potenziale: Lehrmaterialien können einfacher angepasst, in Lernplattformen eingebunden oder für internationale Kooperationen genutzt werden. Zugleich fördern sie Transparenz, Partizipation und den Aufbau freier Bildungsressourcen (Open Educational Resources, kurz: OER).

Damit Lehrende, Studierende und Forschungsteams rechtskonform mit offenen Inhalten arbeiten können, ist ein fundiertes Verständnis der verschiedenen Lizenzformen notwendig - ebenso wie Kenntnisse über ihre Kombinierbarkeit, Einsatzbereiche und korrekte Zitierweise.

In den folgenden Unterkapiteln werden offene Lizenzmodelle (hier Creative Commons), der didaktische und rechtliche Rahmen von OER sowie der Status gemeinfreier Werke (Public Domain) im Detail erläutert.

3.1 Creative Commons ^ top 

Creative Commons wurde Anfang der 2000er-Jahre in den USA gegründet, um eine rechtliche Alternative zum klassischen Urheberrecht zu schaffen. Der Impuls ging von der Beobachtung aus, dass die bestehenden Urheberrechtsregelungen den offenen Austausch von Wissen, Bildung und Kreativität im digitalen Raum zunehmend behinderten. Ziel war es, ein flexibles Lizenzsystem zu entwickeln, das es Urheber:innen ermöglicht, bestimmte Nutzungsrechte freizugeben - ohne die vollständige Kontrolle über ihr Werk zu verlieren.

Die gemeinnützige Organisation Creative Commons wurde offiziell im Jahr 2001 ins Leben gerufen. Zentrale Gründungsfiguren waren unter anderem der Rechtswissenschaftler Lawrence Lessig, der sich seit den 1990er-Jahren mit der digitalen Kultur und deren rechtlicher Regulierung auseinandergesetzt hatte. Die erste Version der Lizenzen wurde im Jahr 2002 veröffentlicht. Sie basierte auf der Idee, dass bestimmte Rechte - wie z.B. Bearbeitung, Vervielfältigung oder kommerzielle Nutzung - gezielt freigegeben werden können, solange eine klare Kennzeichnung erfolgt.

Im Laufe der Jahre entwickelte sich Creative Commons zu einem globalen Projekt, das durch nationale Partnerorganisationen in vielen Ländern lokal unterstützt wurde. Für den deutschsprachigen Raum übernahmen u.a. wissenschaftliche Einrichtungen in Berlin und Zürich die Lokalisierung und rechtliche Bewertung. Die ursprünglichen Länderversionen wurden später durch die internationale Lizenzversion 4.0 ersetzt, die seit 2013 gilt und in mehr als 40 Sprachen verfügbar ist.

Creative Commons ist heute ein zentrales Instrument der Open-Access-Bewegung, der Open Educational Resources (OER), von Open Science sowie der freien Kulturgemeinschaft. Die Lizenzen werden von Millionen von Urheber:innen weltweit genutzt - von Einzelpersonen bis hin zu großen Institutionen wie Wikipedia, Flickr, Fachhochschulen und Universitäten, Museen, Regierungsstellen oder Verlagen.

Besonders im Bildungsbereich haben sich die Lizenzen als rechtlich verlässliches Mittel etabliert, um Inhalte frei zugänglich zu machen und dennoch die Rechte der Urheber:innen transparent zu wahren. Creative Commons stellt zudem ergänzende Werkzeuge zur Verfügung, wie etwa Lizenzgeneratoren, Informationsmaterialien und Metadatenformate für digitale Repositorien.

Der Text basiert auf: Creative Commons © 2025 by [Wikipedia contributors]( is licensed under Creative Commons Attribution 4.0 International, bearbeitet von Christian H. Huber (Paraphrasierung & Zusammenfassung), 2025.

Quellenangabe APA: Wikipedia contributors. (2025, August 1). Creative Commons. Wikipedia. https://en.wikipedia.org/w/index.php?title=Creative_Commons&oldid=1303694967. Licensed under CC BY 4.0.

3.1.1 Lizenztypen im Überblick ^ top 

CC-Lizenzen bestehen aus modularen Bausteinen, die kombiniert werden können.

Diese Bausteine werden zu sechs standardisierten Lizenztypen kombiniert, die weltweit einheitlich genutzt werden:

• CC BY = Namensnennung
  Diese Lizenz erlaubt die freieste Nutzung. Nutzer:innen dürfen das Werk vervielfältigen, verbreiten, öffentlich zugänglich machen, bearbeiten sowie kommerziell nutzen, sofern die Urheber:in korrekt genannt wird.

• CC BY-SA = Namensnennung, Weitergabe unter gleichen Bedingungen
  Diese Lizenz baut auf CC BY auf, verpflichtet aber dazu, abgeleitete Werke unter derselben Lizenz weiterzugeben. Das heißt: Wird das Material verändert oder in ein neues Werk integriert, muss dieses ebenfalls als CC BY-SA veröffentlicht werden.

• CC BY-NC = Namensnennung, nicht kommerziell
  Das Werk darf verwendet, verbreitet und bearbeitet, aber nicht kommerziell genutzt werden. Die nicht-kommerzielle Nutzung umfasst z.B. öffentliche Bildungseinrichtungen, schließt aber potenziell Einnahmen durch Werbung, kostenpflichtige Kurse oder kommerzielle Plattformen aus.

• CC BY-ND = Namensnennung, keine Bearbeitung
  Diese Lizenz erlaubt die Verwendung und Verbreitung nur in unveränderter Originalform - auch kommerziell. Bearbeitungen (z.B. Übersetzungen, Kürzungen, grafische Anpassungen) sind nicht gestattet.

• CC BY-NC-SA = Namensnennung, nicht kommerziell, Weitergabe unter gleichen Bedingungen
  Diese Lizenz kombiniert die Einschränkungen "nicht kommerziell" und "Share Alike". Bearbeitungen sind erlaubt, müssen aber ebenfalls unter CC BY-NC-SA weitergegeben werden, und dürfen nicht kommerziell genutzt werden.

• CC BY-NC-ND = Namensnennung, nicht kommerziell, keine Bearbeitung
  Die restriktivste CC-Lizenz: Das Werk darf nur unverändert und nicht kommerziell genutzt werden.Keine Bearbeitungen, keine Übersetzungen, keine Adaptionen erlaubt.

• CC0 = Public Domain Dedication
  Bei dieser speziellen Form verzichten die Urheber:innen freiwillig auf sämtliche Rechte - soweit rechtlich möglich. Sie entspricht faktisch der Gemeinfreiheit, ist jedoch ein bewusster Akt der Freigabe.

Kompatibilitätstabelle der CC-Lizenzen ^ top 

Die Wahl einer geeigneten Creative-Commons-Lizenz hängt davon ab, wie offen ein Werk verwendet, bearbeitet und weiterverbreitet werden darf. Um diesen Prozess zu erleichtern, bietet das folgende Tool eine einfache Entscheidungshilfe.

3.1.2 Pflichtbestandteile und Formulierung von Lizenzhinweisen ^ top 

Creative-Commons-lizenzierte Inhalte dürfen nur unter bestimmten Bedingungen genutzt und weiterverbreitet werden. Diese Bedingungen sind in der gewählten Lizenz klar definiert - und müssen von Nutzer:innen bei jeder Weiterverwendung beachtet und transparent dokumentiert werden.

Damit dies möglichst einfach und einheitlich gelingt, empfiehlt Creative Commons das sogenannte T.A.S.K.-Prinzip (im Englischen: T.A.S.L.) als Merkhilfe für die notwendigen Quellen-Informationen:

Wurden Inhalte bearbeitet, übersetzt oder gekürzt, ist ein entsprechender Bearbeitungshinweis verpflichtend - etwa:

• "gekürzt"
• "übersetzt"
• "inhaltlich angepasst"
• "kombiniert mit eigenem Material"

Beispiel eines vollständigen Lizenzhinweises: ^ top 

Urheberrecht, Plagiat & KI © 2025 by Christian H. Huber is licensed under Creative Commons Attribution 4.0 International

Bei Bearbeitungen, etwa durch eigene strukturelle, inhaltliche oder andere Ergänzungen wie auch grafische oder andeer Umgestaltungen, muss dies transparent gemacht werden:

Basierend auf Urheberrecht, Plagiat & KI © 2025 by Christian H. Huber is licensed under Creative Commons Attribution 4.0 International. Inhaltlich angepasst durch durch Fachochschule Kufstein Tirol - University of Applied Sciences -, 2025. Didaktische Überarbeitung und grafische Ergänzungen durch Bente Morgen, 2025.

Unterschiedliche Formulierungen und Platzierungen je nach Medium ^ top 

Die Formulierung und Platzierung von Lizenzhinweisen kann je nach Medium variieren - der Inhalt der Angabe (TASK) bleibt jedoch gleich.

Weitere Metadaten ^ top 

Neben den verpflichtenden Angaben ist es empfehlenswert, zusätzliche Metadaten anzugeben. Diese erweiterten Informationen verbessern die Nachnutzbarkeit, Sichtbarkeit und Dokumentation von offenen Bildungsmaterialien (OER) und wissenschaftlichen Inhalten.

Sinn und Nutzen zusätzlicher Metadaten:

• Maschinenlesbarkeit und Auffindbarkeit verbessern sich

• Transparenz über Entstehung, Bearbeitung, Versionierung und Einsatzkontext wird erhöht

• Langfristige Wiederverwendbarkeit wird gefördert - insbesondere bei kooperativen Projekten oder in Open-Science-Prozessen

Empfohlene zusätzliche Metadaten bei CC-lizenzierten Werken

3.1.3 Fehler vermeiden ^ top 

Creative-Commons-Lizenzen ermöglichen eine rechtssichere Nutzung und Weitergabe von Inhalten - sofern sie korrekt angewendet werden. Fehlerhafte oder unvollständige Lizenzangaben gefährden nicht nur die rechtliche Gültigkeit der Nutzung, sondern widersprechen auch dem Gedanken von Offenheit und Transparenz.

Checkliste ^ top 

Creative-Commons-lizenzierte Werke dürfen unter klaren Bedingungen genutzt werden - aber nur bei korrekter Umsetzung. Nutze die folgende Checkliste, um die wichtigsten Anforderungen zu überprüfen:

3.2 Open Educational Resources (OER) ^ top 

Open Educational Resources (OER) sind Lehr- und Lernmaterialien, die rechtlich so lizenziert sind, dass sie von anderen Personen kostenfrei genutzt, bearbeitet, kombiniert und weiterverbreitet werden dürfen. Wesentlich ist dabei nicht nur der offene Zugang, sondern auch die damit verbundene rechtliche Erlaubnis zur aktiven Weiterverwendung und Anpassung. Dies betrifft Materialien in unterschiedlichen Formaten - von Textdokumenten und Arbeitsblättern über Folien, Audio- und Videodateien bis hin zu Software, Simulationen oder ganzen Lerneinheiten.

Der Begriff "Open Educational Resources" wurde zu Beginn der 2000er Jahre geprägt, um eine systematische Entwicklung und Verbreitung von frei zugänglichen Bildungsinhalten zu fördern. Ziel war es von Anfang an, eine globale Bewegung für offene Bildung anzustoßen, die nationale Bildungsgrenzen überschreitet, auf soziale Gerechtigkeit abzielt und individuelle wie institutionelle Bildungsakteur:innen stärkt.

Auf internationaler Ebene wurde OER frühzeitig durch multilaterale Organisationen gefördert und verankert. Die UNESCO definiert OER als digitale oder analoge Inhalte für Bildung, Lehre, Lernen und Forschung, die unter einer offenen Lizenz veröffentlicht werden und somit für Dritte ohne oder mit nur sehr geringen Einschränkungen frei zugänglich sind. In ihrer globalen OER-Empfehlung hebt sie hervor, dass solche Ressourcen eine entscheidende Rolle bei der Förderung von Chancengleichheit, Inklusion, Bildungsqualität und nachhaltiger Entwicklung spielen. OER sollen zur Stärkung der Bildungssysteme beitragen, insbesondere im Sinne der Ziele für nachhaltige Entwicklung (Sustainable Development Goals, SDG 4).

Auch die OECD betont in ihrer bildungspolitischen Strategie, dass OER einen systemischen Wandel in der Wissensgesellschaft fördern können. Insbesondere wird hervorgehoben, dass offene Bildungsmaterialien ein wirksames Mittel sind, um die Qualität und Effizienz von Bildungsangeboten zu verbessern, Ressourcen gerechter zu verteilen und Lernprozesse aktiver zu gestalten. In diesem Zusammenhang wird Offenheit nicht nur als technischer Zugang verstanden, sondern auch als kulturelle und pädagogische Haltung.

Innerhalb der Europäischen Union wurden OER in verschiedenen Initiativen, Forschungsprogrammen und bildungspolitischen Empfehlungen aufgenommen. Die EU versteht offene Bildung als zentralen Bestandteil einer zukunftsfähigen, digital geprägten Lernkultur. In diesem Zusammenhang sollen OER die Entwicklung von offenen Lehr-Lern-Umgebungen, fächerübergreifender Zusammenarbeit und innovativen didaktischen Formaten ermöglichen. Hochschulen werden ausdrücklich ermutigt, OER nicht nur zu nutzen, sondern auch aktiv selbst zu entwickeln, zu veröffentlichen und in Repositorien zur Verfügung zu stellen.

Für den Hochschulkontext bedeutet dies, dass OER als Bestandteil akademischer Praxis zunehmend institutionell gefördert und strukturell verankert werden. Lehrende können durch OER ihre Materialien rechtssicher teilen, Studierende erhalten flexiblen Zugang zu qualitätsgesicherten Inhalten, und Bildungseinrichtungen können ihren gesellschaftlichen Auftrag im Sinne offener Wissenschaft und Bildung gezielt stärken.

Der Text basiert auf: Open educational resources © 2025 by [Wikipedia contributors]( is licensed under Creative Commons Attribution 4.0 International, bearbeitet von Christian H. Huber (Paraphrasierung & Zusammenfassung), 2025.

Quellenangabe APA: Wikipedia contributors. (2025, July 30). Open educational resources. Wikipedia. https://en.wikipedia.org/w/index.php?title=Open_educational_resources&oldid=1303413273. Licensed under CC BY 4.0.

3.2.1 OER als Instrument für Teilhabe, Innovation und nachhaltige Hochschulbildung ^ top 

Open Educational Resources sind mehr als nur frei verfügbare Lehrmaterialien - sie entfalten ihre Wirkung in verschiedenen Dimensionen von Bildungspolitik, Hochschuldidaktik und gesellschaftlicher Verantwortung. Drei zentrale Funktionen stehen dabei im Fokus: OER als Instrument für sozialen Ausgleich und Teilhabe, als Motor pädagogischer Innovation und als Baustein für eine nachhaltige Transformation von Hochschulen.

1. Soziale Teilhabe und Bildungsgerechtigkeit
   Open Educational Resources (OER) leisten einen gezielten Beitrag zur Bildungsgerechtigkeit, weil sie strukturelle Ausschlüsse im Bildungssystem aktiv entgegenwirken. Anders als bei herkömmlichen Angeboten - auch solchen, die kostenfrei zugänglich sind - liegt der Fokus von OER nicht allein auf dem Zugang zu Inhalten, sondern auf der bewussten Öffnung von Bildungsprozessen. OER ermöglichen nicht nur das passive Nutzen, sondern auch das aktive Gestalten, Anpassen und Teilen von Lernressourcen - unabhängig von institutionellen Zugehörigkeiten, rechtlichen Hürden oder finanziellen Mitteln.

   Dadurch eröffnen OER insbesondere jenen Gruppen neue Bildungsräume, die im bestehenden Hochschulbetrieb häufig unterrepräsentiert sind: Menschen ohne formalen Studienhintergrund, Personen mit Migrationsbiografie, bildungsbenachteiligte Studierende oder Lernende mit eingeschränktem Zugang zu Infrastrukturen wie Bibliotheken, Fachverlagen oder Lernplattformen. Bildungsgerechtigkeit bedeutet hier nicht nur, dass alle dieselben Inhalte nutzen können, sondern dass sie befähigt werden, ihre Lebensrealitäten, Sprachen, Kontexte und Perspektiven in Bildungsprozesse einzubringen. OER bieten dazu die rechtliche und technische Grundlage.

   Im Sinne einer inklusiven und demokratischen Bildungskultur können offene Materialien individuell angepasst, barrierearm aufbereitet und kontextsensibel weiterentwickelt werden - z.B. durch Übersetzungen, kulturelle Lokalisierungen oder interdisziplinäre Ergänzungen. Anders als bei urheberrechtlich geschützten Inhalten ist dies bei OER ausdrücklich erlaubt und erwünscht. Damit fördern sie nicht nur Teilhabe, sondern auch Anerkennung und Sichtbarkeit von Vielfalt im Bildungskontext.

   Für Hochschulen ergibt sich daraus die Verantwortung, OER nicht nur als technisches Instrument zu verstehen, sondern als bildungspolitisches Commitment: Sie stellen damit klar, dass Wissen keine exklusive Ressource ist, sondern ein Gemeingut, das kollektiv getragen und gestaltet werden soll. Bildungsgerechtigkeit wird so nicht als individuelle Leistung, sondern als strukturelles Ziel verankert - im Dienst einer offenen, solidarischen und reflexiven Hochschulbildung.

   • Kostenfreiheit: OER können ohne Lizenzgebühren genutzt werden - unabhängig von institutioneller Zugehörigkeit.

   • Offener Zugang: Auch Lernende außerhalb formaler Bildungseinrichtungen erhalten Zugang zu hochwertigen Materialien.

   • Sprachliche und kulturelle Anpassbarkeit: Materialien können übersetzt oder in andere Kontexte übertragen werden, was insbesondere internationale Studierende oder marginalisierte Gruppen einbezieht.

   • Barrierefreiheit: Digitale OER lassen sich technisch an unterschiedliche Bedürfnisse anpassen (z.B. Screenreader-Kompatibilität, Untertitel, visuelle Gestaltung).

   • Open Access zur Wissenschaft: Studierende und Lehrende erhalten Zugang zu akademischem Wissen jenseits teurer Fachverlage.

2. Pädagogische Innovation und kollaboratives Lernen
   OER fördern eine aktive, kooperative und adaptive Lehr-Lern-Kultur, da sie nicht nur frei zugänglich sind, sondern auch rechtlich abgesichert weiterverwendet, bearbeitet und neu kombiniert werden dürfen. Diese Offenheit unterscheidet sie grundlegend von herkömmlich lizenzierten Lehrmaterialien, etwa aus Fachverlagen, Datenbanken oder kommerziellen Lernplattformen. Bei letzteren sind in der Regel Bearbeitungen, Übersetzungen oder die Veröffentlichung in neuen Kontexten rechtlich nicht zulässig oder mit komplexen Genehmigungsverfahren verbunden. OER dagegen erlauben - je nach Lizenz - genau diese Formen der aktiven Aneignung, Anpassung und Weitergabe.

   Diese Lizenzfreiheit eröffnet didaktisch neue Gestaltungsspielräume. Lehrende können Inhalte flexibel an Zielgruppen, Lehrformate oder neue wissenschaftliche Erkenntnisse anpassen. Sie treten nicht nur als Wissensvermittelnde, sondern als aktiv Gestaltende von Lernprozessen auf. Besonders im Sinne von Open Pedagogy gewinnen auch Studierende eine aktivere Rolle: Sie können eigene Materialien entwickeln, bestehende OER analysieren, verbessern oder aktualisieren - etwa durch das Einpflegen neuer Daten, das Hinzufügen von Reflexionsaufgaben oder die Überarbeitung didaktischer Elemente.

   Ein entscheidender Vorteil von OER liegt in der Möglichkeit zur kontinuierlichen Qualitätsentwicklung. Während bei klassisch veröffentlichten Materialien häufig nur die Autor:innen oder Verlage über Änderungen entscheiden, können OER gemeinschaftlich weiterentwickelt werden. Peer-Feedback, institutionelle Kooperationen und offene Revisionen tragen dazu bei, dass Materialien aktuell, wissenschaftlich fundiert und didaktisch wirksam bleiben. OER werden damit zu lebendigen Ressourcen - anpassbar, transparent und offen für Kritik und Verbesserung.

   Diese Merkmale unterstützen eine tiefgreifende Transformation des Lernens: von statischer Inhaltsvermittlung hin zu einem partizipativen, forschenden und kreativen Bildungsverständnis. In diesem Sinne fördern OER nicht nur digitale Kompetenzen und Eigenverantwortung, sondern stärken auch eine kollaborative Wissenschafts- und Bildungskultur.

   • Remix und Re-Use: Inhalte können neu zusammengestellt oder an den eigenen Lehrkontext angepasst werden.

   • Didaktische Vielfalt: OER unterstützen differenzierte Lernpfade, z.B. für projektbasiertes Lernen, Flipped Classroom oder individualisierte Kursangebote.

   • Peer-Produktion: Lehrende aus verschiedenen Institutionen können gemeinsam OER entwickeln, teilen und verbessern.

   • Partizipatives Lernen: Studierende können selbst Inhalte gestalten (Student-Generated Content) - ein Ansatz, der wissenschaftliches Arbeiten fördert.

   • Open Assessment: Prüfungsformate wie ePortfolios oder Open-Book-Prüfungen lassen sich mit OER didaktisch sinnvoll verknüpfen.

3. Nachhaltige Hochschulbildung und institutionelle Verantwortung
   Open Educational Resources (OER) sind ein strategischer Schlüssel zur Umsetzung nachhaltiger Bildung im Sinne der Agenda 2030. Sie stehen in direktem Zusammenhang mit dem Sustainable Development Goal 4 (hochwertige, inklusive und chancengerechte Bildung für alle) und ermöglichen es Hochschulen, ihre Bildungsangebote sozial gerecht, ökologisch verantwortungsvoll und global anschlussfähig zu gestalten.

   Die strukturelle Offenheit reduziert nicht nur den finanziellen Aufwand für Lehrmaterialien, sondern ermöglicht auch eine flexible Anpassung an sich verändernde Bildungsbedarfe. Inhalte können kontextualisiert, aktualisiert und institutionenübergreifend weiterverwendet werden - ohne dass dabei geistige Eigentumsrechte verletzt oder zusätzliche Genehmigungen eingeholt werden müssen.
   Gleichzeitig stärken OER die globale Verantwortung von Hochschulen. Offene Bildungsressourcen können grenzüberschreitend geteilt, übersetzt und weiterentwickelt werden. Sie schaffen Verbindungen zwischen Bildungseinrichtungen weltweit und fördern Kooperationen, bei denen Wissen nicht nur vermittelt, sondern gemeinsam geschaffen wird. Hochschulen, die OER entwickeln, bereitstellen und aktiv nutzen, positionieren sich damit als verantwortungsbewusste Akteur:innen im internationalen Bildungsraum.

   Darüber hinaus ermöglichen OER eine nachhaltige institutionelle Entwicklung. Lehr- und Lernmaterialien können systematisch dokumentiert, versioniert und in offenen Repositorien archiviert werden. Sie bleiben auch nach personellen Veränderungen, Kursumstellungen oder Curriculumreformen verfügbar und aktuell. Die Kombination aus offener Lizenzierung, kollaborativer Qualitätssicherung und technischer Infrastruktur stärkt nicht nur die Resilienz einzelner Lehrveranstaltungen, sondern auch die Innovationsfähigkeit der gesamten Hochschule.

   • Vermeidung von Redundanz: Durch offene Lizenzierung können Inhalte mehrfach verwendet und weiterentwickelt werden.

   • Ressourcenschonung: Digitalisierung und Wiederverwendbarkeit reduzieren Papier- und Druckkosten sowie logistische Aufwände.

   • Institutionelles Wissensmanagement: Lehrmaterialien werden systematisch dokumentiert, versioniert und zugänglich gemacht.

   • Langfristige Verfügbarkeit: OER bleiben auch nach Kursende oder Personalwechsel öffentlich nutzbar - z.B. über OER-Repositorien.

   • Transparenz und Qualitätssicherung: Offen geteilte Materialien fördern Feedbackkultur, Peer Review und kontinuierliche Verbesserung.

   • Profilbildung: Hochschulen, die OER einsetzen und fördern, zeigen gesellschaftliches Engagement und stärken ihre Sichtbarkeit im internationalen Bildungsraum.

3.2.2 Nutzung, Bearbeitung und Weiterverbreitung ^ top 

Nur Creative-Commons-Lizenzen, die Nutzung, Bearbeitung und Weiterverbreitung ausdrücklich erlauben - also insbesondere CC BY und CC BY-SA -, gelten im engeren Sinne als OER-tauglich, da sie die grundlegenden Prinzipien von Offenheit, Anpassbarkeit und rechtssicherer Weitergabe vollständig unterstützen.

Open Educational Resources (OER) zeichnen sich nicht nur durch freien Zugang aus, sondern vor allem durch die Möglichkeit, Inhalte rechtlich abgesichert zu nutzen, zu bearbeiten und weiterzugeben. Diese Offenheit schafft neue didaktische Freiräume und fördert eine aktive Lehr-Lern-Kultur, in der Bildungsressourcen als gemeinsames Gut behandelt werden - nicht als exklusives Produkt einzelner Autor:innen oder Institutionen.

• Nutzung: Rechtssicher und offen
  Die Nutzung von OER ist unter den Bedingungen der jeweiligen Lizenz erlaubt - in der Regel kostenlos, ohne gesonderte Genehmigung und unabhängig von Ort, Zeit oder Nutzer:innengruppe. Das bedeutet: Materialien dürfen in Lehrveranstaltungen, Moodle-Kursen, Online-Formaten oder öffentlichen Vorträgen eingebunden werden, solange die Lizenzbedingungen eingehalten werden (z.B. Namensnennung, Nicht-Kommerzialisierung oder Weitergabe unter gleichen Bedingungen).

  Hochschulangehörige können OER also bedenkenlos in ihre Lehre integrieren - auch in Kombination mit anderen freien Materialien. Entscheidend ist die korrekte Kennzeichnung und die sorgfältige Prüfung der Lizenzkombinationen (z.B. bei CC BY-SA).

  Studierende können aktiv in die Bearbeitung, Erweiterung oder Produktion eingebunden werden - etwa durch partizipative Schreibprojekte, kommentierte Übersetzungen oder kollaborative Fallstudiensammlungen.

• Bearbeitung: Anpassung und Weiterentwicklung
  Ein zentraler Mehrwert von OER liegt in der Erlaubnis zur Bearbeitung - also zur inhaltlichen oder formalen Anpassung von Materialien an spezifische Zielgruppen, Sprachen, Formate oder didaktische Konzepte. Möglich sind unter anderem:

  • Übersetzungen oder sprachliche Vereinfachungen

  • Aktualisierungen oder Ergänzungen (z.B. neue Fallbeispiele)

  • Umwandlung in andere Medienformate (z.B. Video, Audio, interaktive Übungen)

  • didaktische Neustrukturierung, Modularisierung oder Kombination mit eigenen Inhalten

  Je nach Lizenz ist bei der Bearbeitung zu beachten, ob eine Weitergabe unter derselben Lizenz erforderlich ist (z.B. CC BY-SA) oder ob keine Bearbeitung erlaubt ist (z.B. CC BY-ND - dann ist nur eine unveränderte Nutzung möglich).

• Weiterverbreitung: Teilen erlaubt - aber richtig
  OER dürfen weiterverbreitet werden - online, gedruckt, über Lernplattformen, soziale Medien oder in anderen Kontexten. Diese Weitergabe ist ausdrücklich gewünscht und trägt zur Verbreitung und Sichtbarkeit freier Bildungsinhalte bei. Je nach Lizenz kann es Vorgaben geben:

  • Namensnennung (immer erforderlich, z.B. bei CC BY)
  • Lizenzgleichheit bei Bearbeitungen (z.B. CC BY-SA)
  • Nicht-kommerzielle Nutzung (z.B. CC BY-NC - keine Verwendung auf kostenpflichtigen Plattformen)

Bei der Weiterverbreitung ist ebenfalls darauf zu achten, dass Metadaten erhalten bleiben (z.B. Titel, Autor:in, Lizenz, Quelle) und die Nachvollziehbarkeit der Entstehungskette gewahrt ist - insbesondere bei mehrstufigen Bearbeitungen durch verschiedene Personen oder Institutionen.

3.2.3 Abgrenzung: Creative Commons ist nicht gleich OER ^ top 

Open Educational Resources (OER) und Creative Commons (CC) werden häufig synonym verwendet - doch das ist irreführend. Zwar basieren die meisten OER auf Creative-Commons-Lizenzen, aber nicht jede CC-Lizenz erfüllt automatisch die Anforderungen an OER. OER ist ein pädagogisches Konzept mit rechtlicher Grundlage - nicht nur ein Lizenzlabel.

• Creative Commons: Rechtliche Werkzeuge
  Creative-Commons-Lizenzen sind standardisierte Lizenzverträge, mit denen Urheber:innen Dritten bestimmte Nutzungsrechte einräumen können - modular und weltweit gültig. Die sechs Hauptlizenzen (CC BY, CC BY-SA, CC BY-NC, CC BY-ND, CC BY-NC-SA, CC BY-NC-ND) unterscheiden sich durch verschiedene Einschränkungen wie Bearbeitungsverbot (ND) oder kommerzielle Nutzung (NC). Sie ermöglichen eine flexible Lizenzierung - aber nicht jede Kombination entspricht den Prinzipien offener Bildung.

• OER: Pädagogisches Prinzip mit Mindestanforderungen
  Der Begriff Open Educational Resources ist stärker normativ aufgeladen: OER stehen für Bildungsressourcen, die nicht nur zugänglich, sondern auch bearbeitbar, kombinierbar, adaptierbar und frei weiterverwendbar sind. Dies ist nur dann möglich, wenn die Lizenz keine Einschränkungen hinsichtlich Bearbeitung oder Weitergabe unter gleichwertigen Bedingungen enthält.

OER-konform sind daher nur: ^ top 

• CC BY: erlaubt Nutzung, Bearbeitung und Weitergabe mit Namensnennung

• CC BY-SA: erlaubt alles, verlangt aber, dass bearbeitete Werke unter derselben Lizenz weitergegeben werden

Diese beiden Lizenzen sichern die vollständige Offenheit und Weiterentwicklung im Sinne von OER - sowohl rechtlich als auch bildungspraktisch.

Nicht OER-kompatibel sind:

• ND-Lizenzen (No Derivatives): verhindern jede Bearbeitung - und damit zentrale OER-Prinzipien wie Anpassung oder Übersetzung

• NC-Lizenzen (Non-Commercial): schließen bestimmte Nutzungsarten aus, was internationale Anschlussfähigkeit und technische Weiternutzung einschränken kann

Obwohl NC- und ND-Lizenzen häufig im Bildungsbereich verwendet werden, gelten sie nach Definition der UNESCO, der OECD und der EU nur eingeschränkt oder gar nicht als OER-kompatibel, weil sie zentrale didaktische Freiheitsgrade einschränken.

OER ist mehr als eine Lizenz ^ top 

Creative Commons stellt den rechtlichen Werkzeugkasten bereit - OER ist der pädagogische Rahmen, in dem diese Werkzeuge sinnvoll eingesetzt werden. Eine OER-konforme Lizenzierung ist notwendig, aber nicht hinreichend: Erst durch didaktische Offenheit, technische Zugänglichkeit und rechtliche Anpassbarkeit wird aus einem CC-lizenzierten Dokument tatsächlich ein Open Educational Resource.

3.3 Public Domain / Gemeinfreiheit ^ top 

Der Begriff Public Domain (dt. Gemeinfreiheit) bezeichnet Werke, die nicht mehr oder nie dem Urheberrecht unterliegen. Sie dürfen von allen Personen frei genutzt, bearbeitet, verbreitet und vervielfältigt werden - ohne Lizenzangabe, Urheber:innennennung oder rechtliche Einschränkungen. Die Nutzung ist vollständig frei, allerdings gilt weiterhin das Gebot der redlichen Verwendung (z.B. kein missbräuchlicher Kontext).

3.3.1 Unterschied zur CC0-Lizenz ^ top 

Die CC0-Lizenz ("Creative Commons Zero") ist ein spezielles Instrument, mit dem Urheber:innen freiwillig und ausdrücklich auf sämtliche Rechte an einem Werk verzichten - soweit dies rechtlich möglich ist. Sie entspricht funktional der Gemeinfreiheit, ist jedoch eine aktive Entscheidung und basiert auf einem standardisierten Lizenztext.

Hinweis: Nicht alle Rechtsordnungen (z.B. in Deutschland und Österreich) lassen einen vollständigen Verzicht auf Urheberpersönlichkeitsrechte zu. Daher wird CC0 häufig als "Verzichtserklärung plus Lizenz" ausgestaltet.

3.3.2 Nutzungsmöglichkeiten ^ top 

Werke in der Public Domain dürfen ohne Rücksprache mit Rechteinhaber:innen verwendet werden. Erlaubt ist unter anderem:

• vollständiges Kopieren und Weitergeben

• Bearbeiten, Umgestalten und Kombinieren mit eigenen Inhalten

• Nutzung zu kommerziellen oder nicht-kommerziellen Zwecken

• Veröffentlichung unter einer neuen Lizenz

Es bestehen keine urheberrechtlichen Pflichten, allerdings können andere Regelungen zu beachten sein - etwa Datenschutz (bei Fotos), Persönlichkeitsrechte (bei Porträts) oder Markenrecht (bei Logos oder Produkten).

Hinweis: Auch wenn keine Pflicht zur Kennzeichnung besteht, wird empfohlen, Public-Domain-Werke entsprechend zu markieren - z.B. mit dem Hinweis "gemeinfrei" oder einem Symbol. Das schafft Rechtssicherheit für andere Nutzer:innen und fördert die transparente Wiederverwendung.

4 Künstliche Intelligenz im wissenschaftlichen Arbeiten ^ top 

Künstliche Intelligenz (KI) hat einen wichtigen Platz in Studium, Lehre und Forschung. Mit der Verbreitung leistungsstarker Sprachmodelle (LLMs) wie Mistral, ChatGPT, Claude, oder Gemini sind Werkzeuge verfügbar, die akademische Prozesse unterstützen können: von der Ideenfindung über die Textbearbeitung bis hin zur Auswertung wissenschaftlicher Daten. Dieses Kapitel bietet eine systematische Einführung in die Rolle von KI im wissenschaftlichen Arbeiten.

4.1 Grundlagen und Funktionsweise von KI ^ top 

Künstliche Intelligenz ist kein einheitliches System, sondern ein Sammelbegriff für verschiedene Technologien, die darauf abzielen, Probleme algorithmisch zu lösen, Muster zu erkennen oder Handlungen zu automatisieren. Die Entwicklung von Sprachmodellen innerhalb der KI begann bereits in den 1950er-Jahren mit ersten regelbasierten und statistischen Verfahren. Auch aktuelle Methoden wie neuronale Netze und Deep Learning beruhen im Kern auf statistischen Prinzipien und stellen eine Weiterentwicklung dieser frühen Ansätze dar. Entscheidende Fortschritte wurden durch leistungsfähigere Recheninfrastruktur, größere Datenmengen und neue Modellarchitekturen wie den Transformer erzielt. Dadurch sind heutige Sprachmodelle in der Lage, Sprache deutlich nuancierter zu verarbeiten und zu generieren.

4.1.1 Begriffsklärung ^ top 

1. Künstliche Intelligenz (KI) ist der Oberbegriff Der Begriff Künstliche Intelligenz (KI) bezeichnet einen umfassenden Forschungs- und Anwendungsbereich der Informatik. Ziel ist es, Maschinen und Computersysteme mit Fähigkeiten auszustatten, die üblicherweise menschlicher Intelligenz zugeschrieben werden - etwa Lernen, Problemlösen, Sprachverstehen oder Planen. Innerhalb der KI haben sich verschiedene spezialisierte Ansätze entwickelt, die auf unterschiedlichen technischen Konzepten beruhen.

2. Maschinelles Lernen (ML) als Teilbereich der KI Maschinelles Lernen (Machine Learning, ML) ist ein zentraler Teilbereich der KI. Hierbei geht es darum, dass Systeme nicht explizit programmiert werden, sondern aus Daten lernen, um Muster zu erkennen oder Entscheidungen zu treffen. Der Lernprozess erfolgt auf Basis von Beispielen (Trainingsdaten), durch die ein Modell generalisierende Regeln ableitet. Typische Anwendungen sind z.B. Klassifikationen, Prognosen oder Mustererkennungen. ML ist damit eine konkrete Methode zur Umsetzung von KI.

3. Deep Learning (DL) als Teil des maschinellen Lernens Deep Learning (DL) ist eine Unterkategorie des maschinellen Lernens. Es basiert auf künstlichen neuronalen Netzen mit vielen Schichten (daher "deep"), die in der Lage sind, komplexe Zusammenhänge und nichtlineare Muster zu erfassen. Diese Architektur ermöglicht es, aus großen Datenmengen tiefgreifende Merkmale automatisch zu extrahieren.

   DL hat sich vor allem durch seine Erfolge in der Sprachverarbeitung (Natural Language Processing), der Bildverarbeitung und bei generativen Modellen durchgesetzt. Voraussetzung ist der Zugriff auf sehr große Datenmengen und eine hohe Rechenleistung.

4. Künstliche neuronale Netze als technologische Grundlage Künstliche neuronale Netze sind rechnergestützte Modelle, die von der Funktionsweise biologischer Nervenzellen (Neuronen) inspiriert sind. Sie bestehen aus einer Vielzahl von miteinander verbundenen Knoten (Neuronen), die Informationen gewichten, weitergeben und in mehreren Schichten verarbeiten.

   Ein neuronales Netz wird durch mehrstufige Trainingsprozesse und Optimierungsverfahren angepasst, sodass es Eingaben bestimmten Ausgaben zuordnen kann - etwa bei der Sprachverarbeitung oder Bilderkennung.

5. Transformer-Architekturen als technologische Weiterentwicklung Ein Meilenstein in der Entwicklung neuronaler Netze ist das sogenannte Transformer-Modell. Es hat sich als besonders leistungsfähig für sequenzbasierte Aufgaben wie Übersetzungen, Textzusammenfassungen oder Textgenerierung erwiesen. Transformer-Modelle arbeiten nicht sequenziell, sondern mit sogenannten Selbstaufmerksamkeitsmechanismen (Self-Attention). Dadurch können sie kontextuelle Zusammenhänge in Texten über große Distanzen hinweg analysieren.

   Die meisten modernen Sprachmodelle basieren auf der Transformer-Architektur.

6. Large Language Models (LLMs) als Anwendung des Deep Learning Large Language Models (LLMs) sind spezialisierte Anwendungen des Deep Learning auf Basis der Transformer-Architektur. Sie werden mit gigantischen Textkorpora trainiert - aus Büchern, Webseiten, Foren, wissenschaftlichen Texten etc. Ziel ist es, auf Eingaben in natürlicher Sprache passende und kohärente Texte zu generieren.

   LLMs sind also:

   • eine Anwendung von Deep Learning,
   • basierend auf neuronalen Netzen mit Transformer-Struktur,
   • innerhalb des maschinellen Lernens,
   • als Teilbereich der übergeordneten künstlichen Intelligenz.

   Sie können in unterschiedlichen Kontexten eingesetzt werden - von Chatbots über Übersetzungen bis hin zu wissenschaftlicher Unterstützung bei Textentwürfen, Ideenfindung oder Datenanalyse. Die "Intelligenz" besteht hierbei nicht in echtem Verstehen, sondern in der statistischen Vorhersage der wahrscheinlichsten nächsten Wörter.

4.1.2 Trainingsdaten und Modelle ^ top 

LLMs basieren auf einem sogenannten transformerbasierten Sprachmodell, das mit großen Mengen an Textdaten aus unterschiedlichen Quellen (z.B. Bücher, Zeitungsartikel, Internetforen, wissenschaftliche Publikationen) trainiert wurde. Die zugrundeliegende Architektur - der Transformer - bildet heute das Fundament nahezu aller modernen Sprachmodelle.

Das Trainingsprinzip dieser Modelle ist nicht darauf ausgelegt, Wissen im engeren Sinne abzubilden oder zu speichern. Vielmehr lernen LLMs statistische Wahrscheinlichkeiten für Wortfolgen: Sie analysieren, mit welcher Wahrscheinlichkeit ein bestimmtes Wort (Token) auf ein anderes folgt - je nach Kontext. Ziel ist es, das jeweils "nächstwahrscheinliche" Wort vorherzusagen. Dieser Prozess wird als next token prediction bezeichnet.

Beispiel:

Wird das Prompt "Künstliche Intelligenz ist" eingegeben, berechnet das Modell auf Basis der im Training gelernten Wahrscheinlichkeiten, welche Wörter typischerweise als nächstes folgen könnten. Dabei ergibt sich beispielsweise folgende (fiktive) Verteilung für das unmittelbar folgende Wort:

mög­li­cher Fol­ge­to­ken	Wahr­schein­lich­keit (%)
ei­ne	31,4%
ein	22,7%
wich­tig	15,2%
ei­ne Schlüs­sel­tech­no­lo­gie	9,6%
re­le­vant	6,9%
nicht auf­zu­hal­ten	4,2%
ein Teil un­se­res All­tags	2,3%
die Zu­kunft	1,8%
ein My­thos	1,1%
[an­de­res]	4,8%

Das Modell "entscheidet" sich nun für denjenigen Token mit der höchsten Wahrscheinlichkeit (greedy sampling), einen zufälligen Token im Verhältnis zur Wahrscheinlichkeit (sampling), oder eine Kombination (z.B. temperature sampling oder top-k sampling).

Wichtig: Je nach eingestelltem Samplings-Modus kann das Ergebnis für den gleichen Prompt unterschiedlich ausfallen. Während bei deterministischen Einstellungen (z.B. temperature = 0) stets dasselbe Ergebnis erzeugt wird, erzeugen stochastische Sampling-Verfahren (z.B. temperature > 0, top-k oder nucleus sampling) unterschiedliche Ausgaben, um die Kreativität und Diversität zu erhöhen. Deshalb kann derselbe Prompt wie "Künstliche Intelligenz ist" einmal mit "eine Schlüsseltechnologie" und ein anderes Mal mit "ein Mythos" fortgesetzt werden - je nach Zufallsfaktor und Sampling-Konfiguration.

Wird beispielsweise "eine" gewählt, folgt im nächsten Schritt eine neue Wahrscheinlichkeitsberechnung - etwa für:

"Künstliche Intelligenz ist eine..."

mög­li­cher Fol­ge­to­ken	Wahr­schein­lich­keit (%)
Tech­no­lo­gie	38,5%
Ent­wick­lung	17,2%
Her­aus­for­de­rung	13,4%
Form von ma­schi­nel­lem Ler­nen	9,1%
un­ter­stüt­zen­de In­stanz	6,6%
Ge­fahr	4,8%
[an­de­res]	10,4%

Auf diese Weise entsteht ein Token für Token erzeugter Text, der lediglich die statistisch wahrscheinlichste Wortfolge darstellt - nicht aber einen überprüfbaren, sachlich validierten Inhalt.

Diese rekursive Wahrscheinlichkeitsberechnung erfolgt tausendfach pro Sekunde. Sie erklärt, warum LLMs sprachlich beeindruckende Resultate erzeugen können, ohne Inhalte tatsächlich "zu verstehen".

LLMs sind prädiktive Textgeneratoren, die kein Verständnis im menschlichen Sinne besitzen, sondern Texte erzeugen, die sprachlich plausibel und statistisch wahrscheinlich sind. Sie verfügen weder über ein semantisches Weltmodell noch über ein Bewusstsein für Wahrheit, Kontext oder Bedeutung.

Daraus ergeben sich auf der einen Seite beeindruckende Fähigkeiten im Umgang mit Sprache:

• kontextbezogene Formulierung von Texten,

• hohe grammatikalische Korrektheit,

• stilistische Anpassungsfähigkeit,

• Nachahmung rhetorischer Strukturen,

• Wechsel von Perspektiven und Rollen (z.B. Simulation eines Gutachtens, Interviews, Dialogs).

Gleichzeitig bestehen strukturelle Einschränkungen und Risiken, die für den Einsatz im wissenschaftlichen Kontext kritisch zu bewerten sind:

• Halluzinationen: LLMs können Informationen erfinden, etwa nicht existente Studien, Quellen, Autor:innen oder Fakten. Diese sind oft sprachlich überzeugend, aber inhaltlich falsch.

• Falsche Quellenangaben: Literaturhinweise oder Zitate werden synthetisch generiert und stimmen nicht mit realen Publikationen überein - insbesondere bei Modellen ohne Zugriff auf externe Datenbanken.

• Veraltetes Wissen: Die Trainingsdaten sind in der Regel zeitlich begrenzt, aktuelle Entwicklungen sind daher nicht enthalten.

• Keine Rückverfolgbarkeit: Die Modelle können nicht angeben, aus welcher Quelle ein bestimmtes Wissen stammt, da sie keine explizite Dokumentation oder interne Belegstruktur besitzen.

• Bias und Stereotype: Da LLMs mit öffentlich zugänglichen Texten trainiert wurden, reproduzieren sie gesellschaftliche Vorurteile, unausgewogene Darstellungen oder diskriminierende Inhalte.

• Sprachliche Oberflächlichkeit: Die generierten Texte wirken kohärent, bleiben aber inhaltlich oft vage, unkritisch und wenig differenziert - insbesondere bei komplexen, theoriebasierten Fragestellungen.

In der wissenschaftlichen Praxis bedeutet das: LLMs können als Werkzeug zur sprachlichen Unterstützung oder Ideenfindung dienen, nicht jedoch als verlässliche Quelle für faktenbasierte Informationen oder Literaturhinweise.

Für weiterführende Informationen rund um die Arbeitsweise von LLMs... ^ top 

... eignet sich die Visualisierung der Textgenerierung von soekia. oder Look into the Mind of the Machine von moebio.com. Dabei ist jeweils zu beachten, dass mit dem Aufruf der externen Website Daten (z.B. IP-Adresse, Zeitstempel, Browserinformationen) an den Betreiber soekia.ch übermittelt werden. Informationen zum Umgang mit diesen Daten finden sich in den jeweiligen Datenschutzerklärungen.

4.2 Rechtlicher Rahmen und Urheberrecht bei KI ^ top 

Die Nutzung von Künstlicher Intelligenz (KI) in Studium und Forschung ist nicht nur eine methodische oder didaktische Frage - sie berührt auch rechtliche Grundlagen, insbesondere in Bezug auf Transparenz, Urheberrecht und Verantwortlichkeit. Zwei internationale Regelwerke - die OECD-Prinzipien für vertrauenswürdige KI und der EU AI Act - bilden dabei einen normativen Orientierungsrahmen. Hinzu kommen nationale Vorschriften zum Urheberrecht sowie hochschulspezifische Anforderungen an die Deklaration und Zitation von KI-Nutzung.

4.2.1 OECD-Prinzipien für vertrauenswürdige KI ^ top 

Die OECD Principles on Artificial Intelligence wurden 2019 als Recommendation of the Council on Artificial Intelligence (OECD/LEGAL/0449) verabschiedet und definieren fünf übergreifende Prinzipien für vertrauenswürdige KI-Systeme. Sie dienen als ethisch-rechtlicher Orientierungsrahmen.

• Inklusion und Wohlergehen: KI-Systeme sollen dem Menschen dienen, die Lebensqualität erhöhen und gesellschaftlichen Fortschritt fördern.

• Menschenzentrierung und Fairness: KI muss Menschenrechte respektieren und darf keine diskriminierenden Auswirkungen haben.

• Transparenz und Nachvollziehbarkeit: Entscheidungen von KI-Systemen müssen erklärbar, überprüfbar und dokumentierbar sein.

• Robustheit und Sicherheit: Systeme sollen zuverlässig, sicher und gegen Manipulation geschützt sein.

• Verantwortlichkeit: Für den Einsatz und die Folgen von KI bleibt der Mensch verantwortlich - nicht die Maschine.

4.2.2 EU AI Act ^ top 

Der Artificial Intelligence Act (EU 024/1689) wurde am 1. August 2024 rechtskräftig, mit gestaffelter Umsetzung bis 2026-2027. Er stellt eine weltweit wegweisende Rechtsregelung dar, die KI-Systeme nach Risiko kategorisiert und verbindliche Anforderungen an Anbieter:innen und Nutzende stellt.

Risikobasierter Regulierungsansatz ^ top 

Der EU AI Act verfolgt einen stufenweisen, risikobasierten Regulierungsansatz, der alle KI-Systeme in vier Kategorien unterteilt. Je nach potenzieller Gefährdung für Grundrechte, Sicherheit oder demokratische Werte gelten unterschiedliche Anforderungen. Dieser Ansatz ermöglicht eine differenzierte Regulierung und berücksichtigt die vielfältigen Einsatzbereiche von KI - auch in Wissenschaft, Wirtschaft und öffentlicher Verwaltung.

Anwendungsbeispiele:

• Hochschulen: Der Einsatz KI-gestützter Prüfungssoftware zur automatisierten Bewertung oder Täuschungserkennung kann als hochriskant gelten - vor allem, wenn Entscheidungen ohne menschliche Kontrolle erfolgen. Es müssen transparente Kriterien und eine nachweislich diskriminierungsfreie Bewertung gewährleistet sein.

• Immobilienwirtschaft: KI-basierte Systeme zur automatisierten Immobilienbewertung oder Mieter:innenauswahl können dem begrenzten oder hohen Risiko unterliegen - insbesondere wenn sie sensible personenbezogene Daten verarbeiten oder Diskriminierung begünstigen.

• Facility Management: Der Einsatz KI-gesteuerter Überwachungssysteme oder automatisierter Gefährdungsanalysen in Gebäuden kann in den Bereich hochriskanter Systeme fallen. Dies erfordert umfassende Dokumentation, Risikobewertung und menschliche Kontrollinstanzen.

• Energiewirtschaft: KI-Anwendungen zur Steuerung kritischer Infrastruktur, wie Stromnetze oder Fernwärmesysteme, zählen meist zur hochriskanten Kategorie - vor allem bei potenziellen Auswirkungen auf Versorgungssicherheit oder Umwelt.

• Nachhaltigkeitsmanagement: KI-gestützte Umweltfolgenabschätzungen oder Emissionsprognosen werden in der Regel als begrenztes Risiko eingestuft. Dennoch sind transparente Datengrundlagen und nachvollziehbare Modelle erforderlich, um Fehlinterpretationen oder fehlerhafte Entscheidungen zu vermeiden.

Transparenzpflichten bei General-Purpose AI (GPAI) ^ top 

Allgemein einsetzbare KI-Systeme, sogenannte General-Purpose AI (GPAI), unterliegen seit Inkrafttreten des EU AI Acts spezifischen Transparenzanforderungen. Diese Pflichten betreffen insbesondere die Entwicklung und Nutzung von Sprachmodellen wie ChatGPT, Claude oder Luminous, aber auch andere generative oder multimodale KI-Systeme. Die Transparenz soll gewährleisten, dass Nutzer:innen und Regulierungsbehörden nachvollziehen können, wie ein Modell trainiert wurde, auf welchen Daten es basiert und in welchen Kontexten seine Anwendung rechtlich, ethisch oder urheberrechtlich relevant wird.

Anwendungsbeispiele:

• Hochschulen: KI-gestützte Schreibassistenzsysteme wie ChatGPT müssen bei der Erstellung wissenschaftlicher Texte transparent genutzt und entsprechend gekennzeichnet werden. Insbesondere bei automatisiert erzeugten Abschnitten ist die Offenlegung des Prompting und der KI-Nutzung in Haus- oder Abschlussarbeiten verpflichtend. Auch bei der Veröffentlichung von Forschungsergebnissen, die auf KI-Analysen beruhen, sind Herkunft und Grenzen der KI-Ausgabe zu benennen.

• Immobilienwirtschaft: Wird ein generatives Modell zur automatisierten Texterstellung für Exposés oder Gutachten verwendet, muss nachvollziehbar sein, ob die Inhalte maschinell erstellt wurden. Das gilt insbesondere bei rechtlich sensiblen Aussagen zur Wertermittlung, Nachhaltigkeit oder Investitionswürdigkeit.

• Facility Management: Die Nutzung generativer KI für die Erstellung von Wartungsprotokollen, Sicherheitsberichten oder Arbeitsanweisungen erfordert klare Kennzeichnung - insbesondere dann, wenn solche Dokumente intern zur Entscheidungsfindung oder extern zur Zertifizierung verwendet werden.

• Energiewirtschaft: KI-generierte Simulationen oder Energieprognosen, die als Entscheidungsgrundlage für Investitionen, Netzmanagement oder Nachhaltigkeitsberichte dienen, müssen als solche gekennzeichnet sein. Auch bei automatisiert generierten Nachhaltigkeitskennzahlen (z.B. CO₂-Bilanzierungen) besteht eine Pflicht zur Offenlegung.

• Nachhaltigkeitsmanagement: Wenn Umweltberichte, Indikatoren oder Strategiepapiere teilweise durch GPAI erstellt oder formuliert wurden, ist die verwendete KI-Methode zu benennen. Dabei muss klar werden, ob die Aussagen auf tatsächlichen Daten basieren oder auf plausiblen, aber nicht überprüfbaren KI-Ausgaben beruhen.

Beispiel: Kennzeichnung von KI-generierten Texten

Für die Erstellung einzelner textlicher Abschnitte dieses Umweltberichts wurde ein generatives Sprachmodell (ChatGPT, OpenAI - Stand: August 2025) eingesetzt. Die KI-gestützte Textgenerierung diente insbesondere zur sprachlichen Aufbereitung technischer Inhalte sowie zur Strukturierung von Erläuterungstexten in folgenden Teilen des Berichts:

• Kapitel 2.1 "Einführung in das Nachhaltigkeitsverständnis der Organisation"
• Kapitel 4.2 "Potenziale digitaler Technologien im Energiemanagement"
• Glossar-Definitionen (z.B. zu Scope-Emissionen, Kreislaufwirtschaft, Biodiversitätsindikatoren)

Die Inhalte wurden auf Basis definierter Prompt-Vorgaben erstellt, redaktionell überarbeitet und durch sachkundige Mitarbeitende geprüft. Es erfolgte keine automatisierte Datenanalyse oder Entscheidungsfindung durch die KI. Die Verantwortung für Inhalt, Korrektheit und Aussagekraft verbleibt vollständig bei der herausgebenden Stelle.

Verwendete Prompt-Beispiele (Auszug):

• Prompt 1: "Formuliere eine verständliche Einführung in den Begriff Kreislaufwirtschaft für den Einsatz in einem Umweltbericht eines regionalen Energieversorgers."

• Prompt 2:
  "Erkläre in sachlicher Sprache, wie KI-gestützte Verbrauchsprognosen zur Effizienzsteigerung im betrieblichen Energiemanagement beitragen können - Zielgruppe: Nachhaltigkeitsbericht einer Hochschule."

Zur Einhaltung der Transparenzanforderungen gemäß EU-Verordnung (AI Act) wurde die Nutzung dokumentiert und ist auf Anfrage offenlegbar.

Erweiterte Verpflichtungen für systemisch risikobehaftete GPAI ^ top 

Zusätzlich zu den allgemeinen Transparenzanforderungen gelten für sogenannte "systemisch risikobehaftete General-Purpose AI"-Modelle (z.B. sehr große Sprachmodelle mit enormer Reichweite) besonders strenge Regelungen. Solche Modelle besitzen ein erhöhtes Potenzial, gesellschaftlich relevante Prozesse zu beeinflussen, etwa durch massenhafte Verbreitung, Integration in sicherheitskritische Anwendungen oder Verwendung in sensiblen Entscheidungsprozessen.

Anwendungsbeispiele:

• Hochschulen: Der Einsatz großer generativer KI-Modelle in Forschung, Lehre oder Verwaltung - z.B. bei automatisierten Feedbacksystemen, Chatbots oder Analysewerkzeugen - erfordert besondere Sicherheitsvorkehrungen, wenn diese Modelle systemisch verbreitet sind oder Zugang zu sensiblen Daten haben. Die Verwendung muss dokumentiert, überwacht und kontrolliert erfolgen.

• Immobilienwirtschaft: Bei der Integration von generativen KI-Systemen in Kundenportale, Portfolioanalysen oder automatisierte Berichtserstellung sind Sicherheitsmechanismen entscheidend - etwa, um fehlerhafte oder diskriminierende Inhalte zu vermeiden. Wird ein Modell mit systemischer Reichweite verwendet (z.B. GPT-4), sind Risikoabschätzungen durchzuführen.

• Facility Management: Komplexe FM-Systeme, die auf generativen Modellen zur vorausschauenden Instandhaltung, Kommunikation oder Auswertung technischer Daten basieren, können als systemisch risikobehaftet gelten - insbesondere bei Anbindung an kritische Infrastruktur. Hier ist ein kontinuierliches Risikomanagement gesetzlich vorgeschrieben.

• Energiewirtschaft: Beim Einsatz von GPAI zur Steuerung von Energieflüssen, Netzstabilität oder Emissionsprognosen sind die Anforderungen besonders hoch. Die Nutzung von großskaligen generativen Modellen muss gegen Manipulation abgesichert und regelmäßig technisch sowie ethisch evaluiert werden.

• Nachhaltigkeitsmanagement: GPAI kann eingesetzt werden, um komplexe Szenarien zu simulieren oder Nachhaltigkeitsberichte zu automatisieren. Bei systemisch relevanten Modellen sind IT-Sicherheit, Modelltransparenz und Risikomeldemechanismen verpflichtend umzusetzen - insbesondere bei Berührungspunkten mit Governance-Prozessen oder externer Kommunikation.

4.2.3 Datenschutz-Grundverordnung (DSGVO) ^ top 

Die Datenschutz-Grundverordnung (DSGVO, englisch: General Data Protection Regulation - GDPR) ist eine Verordnung der Europäischen Union, die den Umgang mit personenbezogenen Daten regelt. Sie trat am 25. Mai 2018 in Kraft und gilt in allen EU-Mitgliedstaaten unmittelbar. Ziel der Verordnung ist es, einheitliche Standards für den Datenschutz innerhalb der EU zu schaffen und den Schutz der Privatsphäre von Einzelpersonen zu stärken.

Die DSGVO ersetzt die frühere Datenschutzrichtlinie von 1995 und enthält umfassende Bestimmungen über Rechte betroffener Personen, Pflichten von datenverarbeitenden Stellen sowie Mechanismen zur Kontrolle und Durchsetzung. Sie gilt für alle Organisationen, die personenbezogene Daten von EU-Bürger:innen verarbeiten - unabhängig davon, ob sie ihren Sitz innerhalb oder außerhalb der EU haben.

Im Mittelpunkt stehen Prinzipien wie Rechtmäßigkeit, Transparenz, Zweckbindung, Datenminimierung und Rechenschaftspflicht. Die Verordnung stärkt auch die Kontrollrechte der Betroffenen und sieht bei Verstößen empfindliche Geldbußen vor. Damit stellt sie einen Meilenstein im europäischen Datenschutzrecht dar - insbesondere im digitalen Zeitalter mit zunehmend datengetriebenen Technologien wie KI.

Der Text basiert auf: General Data Protection Regulation © 2025 by [Wikipedia contributors]( is licensed under Creative Commons Attribution 4.0 International, bearbeitet von Christian H. Huber (Paraphrasierung & Zusammenfassung), 2025.

Quellenangabe APA: Wikipedia contributors. (2025, July 26). General Data Protection Regulation. Wikipedia. https://en.wikipedia.org/w/index.php?title=General_Data_Protection_Regulation&oldid=1302671099. Licensed under CC BY 4.0.

Die Nutzung generativer KI im akademischen oder beruflichen Kontext berührt grundlegende Datenschutzfragen. Zwar ist Künstliche Intelligenz im europäischen Recht bislang nicht explizit über die DSGVO geregelt, jedoch greifen zentrale datenschutzrechtliche Prinzipien unmittelbar - insbesondere, wenn personenbezogene, sensible oder vertrauliche Informationen in KI-Systeme eingegeben oder verarbeitet werden.

Die Datenschutz-Grundverordnung (DSGVO) ist somit in vielen Fällen der zentrale rechtliche Maßstab für die KI-Nutzung - unabhängig davon, ob es sich um öffentlich verfügbare Tools oder lokal eingesetzte Modelle handelt.

Die folgenden zentrale Anforderungen der DSGVO gelten generell - nicht nur bei KI-Nutzung - so auch bei Umfragen, Interwiews und anderen Arten der Datenerhebung und Datenauswertung.

Typische Problemfelder bei der Nutzung generativer KI ^ top 

• Viele KI-Anbieter speichern und analysieren Nutzereingaben, um ihre Modelle zu verbessern - dies kann einem zulässigen Zweck widersprechen oder die Datenminimierung verletzen.

• Eingaben, die personenbezogene Daten enthalten (z.B. Namen, Matrikelnummern, Adressen, Gesundheitsinformationen), gelten als besonders schutzbedürftig.

• In Forschung, Lehre oder Praxisprojekten eingesetzte KI kann unbeabsichtigt interne oder vertrauliche Informationen an Dritte übermitteln.

• Es fehlt häufig an klaren Zuständigkeiten für die datenschutzkonforme Nutzung im Hochschul- oder Unternehmenskontext.

Anwendungsbeispiele:

• Hochschule: Studierende geben personenbezogene Angaben (z.B. Fallbeispiele, Erfahrungsberichte, Projektdaten) in ein frei zugängliches KI-Tool ein, ohne vorherige Anonymisierung. Dies stellt ein Risiko dar, insbesondere bei Abschlussarbeiten oder Evaluationen.

• Facility Management: Sensible Daten aus Gebäudemonitoring (z.B. Bewegungsprofile, Energieverbrauch einzelner Räume) werden über ein KI-System analysiert, das die Daten zur Weiterverarbeitung speichert - ohne ausdrückliche Einwilligung der betroffenen Personen.

• Immobilienwirtschaft: Kundenanfragen mit Namen, Einkommensnachweisen oder Vertragsinformationen werden in ein generatives Modell eingegeben, um automatisch Antwortvorschläge zu generieren. Solche Eingaben können gegen Art. 6 DSGVO verstoßen.

• Energiewirtschaft: Verbrauchsdaten aus Smart-Meter-Systemen werden mit KI prognostiziert. Eine Weitergabe an Drittanbieter ohne vorherige rechtliche Prüfung kann zu Datenschutzverletzungen führen.

• Nachhaltigkeitsmanagement: In Praxisprojekten mit Unternehmen oder Gemeinden werden Umweltdaten mit Personenbezug (z.B. Beschwerden zu Lärmbelastung) in KI-Systeme überführt - ohne dokumentierte Risikoabwägung oder technische Sicherungen.

Empfehlungen zur DSGVO-konformen KI-Nutzung ^ top 

Neben der sorgfältigen Auswahl und datensparsamen Anwendung von KI-Systemen gilt es besonders, automatisierte Entscheidungen mit Personenbezug kritisch zu reflektieren. Die DSGVO untersagt es grundsätzlich, eine Person ausschließlich auf Basis automatisierter Datenverarbeitung zu bewerten oder zu kategorisieren, wenn daraus rechtliche Wirkungen oder erhebliche Beeinträchtigungen entstehen (Art.22 Abs.1 DSGVO).

Dies betrifft z.B. Fälle, in denen ein KI-System eigenständig über die Auswahl von Bewerber:innen, die Zulassung zu Projekten oder die Vergabe von Leistungsbewertungen entscheidet - ohne menschliche Überprüfung. Eine solche Verarbeitung ist nur in Ausnahmefällen zulässig: etwa bei ausdrücklicher Einwilligung oder wenn sie für einen Vertrag erforderlich ist. Zusätzlich sind Schutzmaßnahmen wie Transparenz, Anfechtbarkeit und menschliches Eingreifen sicherzustellen.

4.2.4 Urheberrecht und Eigentum an KI-generierten Inhalten ^ top 

Die Frage, wem die Rechte an Inhalten zustehen, die durch generative KI erzeugt wurden, ist rechtlich komplex und bislang nicht abschließend geklärt. Der EU AI Act regelt diese Aspekte nicht direkt, verweist jedoch auf geltendes Urheberrecht der Mitgliedstaaten sowie auf Transparenz- und Dokumentationspflichten. In der Praxis ergibt sich ein Spannungsfeld zwischen technologischer Innovation, rechtlicher Verantwortung und wissenschaftlicher Redlichkeit.

Anwendungsbeispiele:

• Hochschulen: Wird ein Textabschnitt in einem Nachhaltigkeitsbericht durch generative KI erstellt, muss geklärt werden, ob dieser Inhalt fremde geschützte Texte verarbeitet. Zudem ist zu prüfen, ob Rechte Dritter verletzt werden, wenn z.B. KI-generierte Grafiken verwendet werden, deren Trainingsdaten urheberrechtlich geschütztes Bildmaterial enthalten könnten.

• Immobilienwirtschaft: Werden automatisch generierte Marktanalysen oder Standortbewertungen publiziert, muss nachvollziehbar sein, auf welchen Quellen sie basieren. Auch bei der Veröffentlichung automatisierter Immobilienbeschreibungen in Portalen kann eine Abgrenzung zu fremden Vorlagen relevant werden.

• Facility Management: Bei KI-generierten Protokollen, Anweisungen oder Dashboards ist zu prüfen, ob gestalterische Leistungen vorliegen, die geschützt sein könnten - etwa, wenn KI zur Entwicklung grafischer Benutzeroberflächen eingesetzt wird.

• Energiewirtschaft: KI-basierte Berichte zu Emissionsdaten oder Energieeffizienzkennzahlen können urheberrechtlich relevant sein, wenn sie visuelle Modelle, Formulierungen oder Datenlayouts enthalten, die nicht rein technisch-funktional sind.

• Nachhaltigkeitsmanagement: Beim Einsatz von KI zur Erstellung von Texten oder Visualisierungen für Umweltberichte oder CSR-Kommunikation ist eine klare Trennung zwischen originär menschlicher Leistung und generierter Unterstützung erforderlich - insbesondere bei öffentlichen Förderprojekten oder Zertifizierungsverfahren.

4.3 Einsatz im Hochschulkontext ^ top 

Der Einsatz generativer KI - insbesondere großer Sprachmodelle (LLMs) wie Mistral, ChatGPT, Claude oder Gemini - verändert die Art und Weise, wie Informationen verarbeitet, Texte erstellt und akademische Leistungen erbracht werden. An Hochschulen eröffnen sich dadurch neue Möglichkeiten, gleichzeitig entstehen jedoch auch Herausforderungen, Unsicherheiten und neue Verantwortlichkeiten.

Ein reflektierter Umgang mit diesen Technologien setzt voraus, ihre Potenziale zu erkennen, die Grenzen kritisch einzuordnen und mögliche Risiken im Kontext wissenschaftlicher Anforderungen bewusst zu machen.

4.3.1 Potenziale & Chancen ^ top 

Generative KI kann Studierende und Forschende in verschiedenen Phasen wissenschaftlicher Arbeitsprozesse sinnvoll unterstützen - insbesondere bei sprachbezogenen, strukturierenden oder organisatorischen Aufgaben. Diese Funktionen können Studierende in ihrer Eigenständigkeit und Effizienz stärken - sofern sie zielgerichtet, reflektiert und mit Quellenkritik eingesetzt werden.

4.3.2 Herausforderungen & Grenzen ^ top 

Trotz der beeindruckenden Leistungen generativer KI bestehen zahlreiche Einschränkungen, die insbesondere im wissenschaftlichen Kontext kritisch zu bewerten sind:

1. Fehlinformation und Halluzinationen
   Ein zentrales Problem beim Einsatz generativer KI besteht in der Gefahr von Fehlinformationen, die trotz sprachlicher Korrektheit und stilistischer Kohärenz inhaltlich falsch, erfunden oder irreführend sein können. Sprachmodelle basieren nicht auf einer Datenbank überprüfter Fakten, sondern auf statistischen Wahrscheinlichkeitsmodellen. Sie berechnen, welches Wort oder welcher Satzteil im jeweiligen Kontext am wahrscheinlichsten folgt - unabhängig davon, ob dieser Inhalt inhaltlich korrekt ist. Das bedeutet: Sie erzeugen keine "Wahrheiten", sondern plausible Wortfolgen.

   Wenn ein Modell beispielsweise gebeten wird, eine Quelle, ein Zitat oder eine Theorie zu nennen, kann es vorkommen, dass es diese Information zwar in einer überzeugenden sprachlichen Form darstellt, sie in Wirklichkeit aber frei erfindet. Dies wird als Halluzination bezeichnet - ein Phänomen, das besonders bei längeren, komplexen Prompts oder bei Fragen zu weniger verbreiteten Fachgebieten gehäuft auftritt.

   Besonders problematisch ist die Tendenz, nicht existierende Literaturquellen oder Autor:innen zu generieren. Modelle kombinieren in solchen Fällen plausible Namen, Buchtitel, Erscheinungsjahre und Verlagsorte, ohne dass die angegebene Quelle real existiert. Studierende, die solche Angaben ungeprüft übernehmen, setzen sich dem Risiko aus, Plagiate zu erzeugen oder falsche Referenzen in wissenschaftlichen Arbeiten zu verwenden.

   Auch die Darstellung von Theorien, Konzepten oder Studien kann fehlerhaft sein. Oft werden wissenschaftliche Positionen verkürzt, aus dem Kontext gerissen oder verzerrt wiedergegeben. Modelle vermischen Ansätze, erfinden empirische Zusammenhänge oder ordnen bekannten Autor:innen Inhalte zu, die sie nie vertreten haben. Dies ist besonders tückisch, weil solche Aussagen in akademischer Sprache formuliert sind und daher als fachlich korrekt wahrgenommen werden.

   Darüber hinaus neigen Sprachmodelle zu oberflächlichen oder unspezifischen Aussagen, vor allem dann, wenn der Prompt zu allgemein oder mehrdeutig formuliert ist. Statt differenzierter Analysen entstehen dann stereotype, formelhaft wirkende Texte, die komplexe Fragestellungen vereinfachen, ohne sie adäquat zu beantworten. In wissenschaftlichen Arbeiten kann dies dazu führen, dass Zusammenhänge unkritisch übernommen, Argumentationslinien nicht nachvollzogen oder theoretische Konzepte falsch interpretiert werden.

   Für den Einsatz in Studium und Forschung gilt daher: Generative KI kann Anregungen geben, Formulierungen vorschlagen oder bei Strukturierungsprozessen unterstützen - sie ersetzt jedoch keine eigenständige Recherche, keine kritische Quellenarbeit und keine inhaltliche Auseinandersetzung. Jeder von einem Sprachmodell erzeugte Inhalt muss geprüft, kontextualisiert und im Zweifel durch fachlich gesicherte Literatur belegt werden.

2. Verzerrungen (Bias) und Stereotype
   Generative KI basiert auf dem Prinzip, aus großen Mengen an Textdaten statistische Zusammenhänge zu lernen und daraus plausible neue Inhalte zu erzeugen. Sprachmodelle "verstehen" dabei jedoch weder die Inhalte noch die dahinterliegenden gesellschaftlichen Kontexte. Ihre Ausgaben beruhen ausschließlich auf Mustern, die in den Trainingsdaten enthalten sind - also auf der Häufigkeit, Reihenfolge und Gewichtung bestimmter sprachlicher Strukturen. Diese Daten stammen überwiegend aus öffentlich zugänglichen Quellen wie Büchern, Webseiten, Foren oder sozialen Medien.

   Entscheidend ist: Es sind nicht die Sprachmodelle selbst, die über Vorurteile oder Stereotype verfügen. Verzerrungen entstehen durch die Art und Weise, wie die Daten ausgewählt, aufbereitet und verarbeitet wurden - und wie sie in der jeweiligen Nutzung konfiguriert werden. Die technische Architektur eines Modells ist nur ein Teil des Gesamtprozesses. Ebenso relevant sind die Datenbasis, die Trainingsmethoden (z.B. durch menschliches Feedback), die Promptgestaltung sowie die Samplingparameter bei der Textgenerierung - etwa die sogenannte Temperatur, mit der bestimmt wird, ob ein Modell eher sichere oder kreative Wortfolgen auswählt.

   Da die Trainingsdaten überwiegend aus dominanten Sprach- und Wissensräumen stammen, bilden sie auch deren Perspektiven, Normen und Ausschlüsse ab. Viele gesellschaftliche Gruppen sind in diesen Textkorpora entweder unterrepräsentiert oder stereotyp dargestellt. Das betrifft unter anderem Menschen mit marginalisierten Geschlechtsidentitäten, mit nicht-westlichem kulturellem Hintergrund oder mit sozial benachteiligten Lebensrealitäten. Sprachmodelle übernehmen diese Disparitäten nicht nur, sondern verstärken sie oft: Denn was häufig geschrieben wurde, erscheint dem Modell besonders wahrscheinlich - und wird somit tendenziell öfter reproduziert.

   Ein Beispiel: Bei der Frage nach Berufsbezeichnungen oder Rollenbildern können Modelle dazu tendieren, männlich konnotierte Begriffe zu bevorzugen, da diese historisch und statistisch häufiger vorkommen. Auch bei Fragen zu gesellschaftlichen Konflikten oder Ungleichheiten liefern sie häufig neutrale oder relativierende Antworten, da kritische oder widerständige Perspektiven in den Trainingsdaten weniger stark vertreten sind - oder algorithmisch als "Ausreißer" klassifiziert werden.

   Zusätzlich verstärkt wird dieses Ungleichgewicht durch die ökonomischen Rahmenbedingungen, unter denen viele KI-Systeme entwickelt werden. Die Nutzung öffentlich zugänglicher Inhalte als Trainingsdaten erfolgt häufig ohne Einwilligung der Urheber:innen, wodurch insbesondere kreative oder aktivistische Beiträge zu bloßen Datenpunkten degradiert werden. Gleichzeitig sind leistungsfähige Modelle meist nur über zentrale Plattformen großer Technologieanbieter verfügbar, was den Zugang zu KI-Werkzeugen von finanziellen und infrastrukturellen Ressourcen abhängig macht.

   Auch die Optimierungsziele vieler KI-Systeme - etwa Effizienz, Produktivität oder Skalierbarkeit - entsprechen marktlogischen Kriterien, die mit pädagogischen oder gesellschaftskritischen Zielsetzungen nicht immer vereinbar sind. Inhalte, die diese Strukturen hinterfragen oder alternative Perspektiven vertreten, werden in den Ausgaben oft verkürzt, abgeschwächt oder als weniger relevant dargestellt. So entsteht der Eindruck, dass bestimmte Sichtweisen "objektiver" oder "angemessener" seien - obwohl dies lediglich das Ergebnis statistischer Häufigkeit in einer ungleichen Datenbasis ist.

   Diese systemischen Verzerrungen sind insbesondere im wissenschaftlichen Kontext problematisch. Denn sie betreffen nicht nur die Qualität einzelner Textausgaben, sondern prägen auch, welche Themen als wichtig gelten, welche Positionen als legitim erscheinen und welche Formen des Wissens überhaupt zur Verfügung stehen. Wer KI-Tools in Studium oder Forschung nutzt, muss sich dieser Mechanismen bewusst sein - und aktiv Verantwortung übernehmen: durch kritische Auswahl und Prüfung der Inhalte, durch gezielte Gegenrecherche, durch transparente Reflexion im eigenen Schreibprozess.

3. Scheinobjektivität
   Sprachmodelle erzeugen Texte, die häufig den Eindruck von Sachlichkeit, Genauigkeit und Autorität vermitteln. Die verwendete Sprache wirkt klar strukturiert, grammatikalisch korrekt und oft sogar akademisch. Genau darin liegt eine zentrale Herausforderung: Die von KI generierten Inhalte erscheinen objektiv, obwohl sie keine inhaltliche Prüfung, keine Wertung und keine Kontextualisierung vornehmen können.

   Anders als menschliche Autor:innen verfügen generative KI-Systeme über keine Intention, keine Argumentationsstrategie und keine Fähigkeit zur Reflexion. Sie generieren Text, indem sie das statistisch wahrscheinlichste nächste Wort - basierend auf dem bisherigen Prompt - auswählen. Dabei entsteht eine Oberfläche sprachlicher Kohärenz, die leicht mit inhaltlicher Verlässlichkeit verwechselt werden kann.

   Die daraus resultierende Scheinobjektivität ist insbesondere im wissenschaftlichen Kontext problematisch. Studierende könnten annehmen, dass ein klar formulierter, zusammenhängender Text auch sachlich korrekt sei - ein Trugschluss, der zu unkritischer Übernahme und fehlender Überprüfung führen kann. Hinzu kommt, dass viele Sprachmodelle Floskeln, allgemeine Aussagen oder populäre Narrative verwenden, die zwar glaubwürdig klingen, aber keine evidenzbasierten Aussagen im Sinne wissenschaftlicher Standards darstellen.

   Ein Beispiel: Auf eine Frage nach den Ursachen sozialer Ungleichheit kann ein Sprachmodell einen wohlklingenden Absatz erzeugen, der Begriffe wie "Chancengleichheit", "Bildung" und "wirtschaftliche Entwicklung" verbindet. Die Aussage bleibt jedoch vage, theoretisch unausgewiesen und ohne empirische Fundierung. Quellen werden - sofern überhaupt - synthetisch erzeugt oder unvollständig angegeben.

   Besonders deutlich wird das Problem, wenn Sprachmodelle in Themenfeldern antworten, die ethische Abwägungen, mehrdimensionale Analysen oder perspektivisches Denken erfordern. Hier fehlt es dem Modell nicht nur an Fakten, sondern an der Fähigkeit, verschiedene Deutungsrahmen zu erkennen, zu gewichten oder begründet abzulehnen. Dennoch wird der generierte Text in vielen Fällen als vermeintlich neutral oder gar autoritativ wahrgenommen - ein Effekt, der durch die professionelle Ausdrucksweise zusätzlich verstärkt wird.

   Für Studium und Forschung bedeutet das: Die Verwendung generativer KI erfordert eine besonders hohe Sensibilität für die Differenz zwischen sprachlicher Form und inhaltlicher Qualität. Nur weil ein Text kohärent klingt, ist er noch lange nicht korrekt, relevant oder wissenschaftlich tragfähig. Kritisches Lesen, eigene Urteilsbildung und die gezielte Nutzung überprüfbarer Quellen bleiben unerlässlich.

4. Qualitätsverlust durch Abhängigkeit
   Der unreflektierte Einsatz generativer KI birgt die Gefahr, dass zentrale akademische Kompetenzen schleichend verloren gehen oder gar nicht erst aufgebaut werden. Wenn Sprachmodelle nicht als unterstützendes Werkzeug, sondern als Ersatz für eigene Denk- und Schreibprozesse verwendet werden, kann dies langfristig zu einem Qualitätsverlust wissenschaftlicher Leistungen führen - auf individueller wie institutioneller Ebene.

   Menschen, die sich bei der Bearbeitung von Aufgaben stark auf LLMs stützen, setzen sich seltener kritisch mit den Inhalten auseinander. Statt komplexe Argumente zu entwickeln, Theorien zu durchdringen oder Quellen gegeneinander abzuwägen, übernehmen sie vorformulierte Antworten, die sprachlich ansprechend, aber oft analytisch oberflächlich sind. Das fördert eine Haltung der Rezeption statt Reflexion - und schwächt die Fähigkeit zur eigenständigen Urteilsbildung.

   Zudem kann die routinierte Nutzung generativer KI die eigene Textproduktion negativ beeinflussen. Wer sich daran gewöhnt, bereits beim Einstiegsvorschlag oder bei der Formulierung von Übergängen auf KI-Unterstützung zurückzugreifen, entwickelt weniger sprachliche Flexibilität, stilistische Ausdruckskraft oder semantisches Differenzierungsvermögen. Die Sprache bleibt korrekt, aber verliert an Tiefe, Originalität und persönlichem Stil.

   Auch die Problemlösungskompetenz leidet unter einer zu starken Auslagerung kognitiver Prozesse. Wissenschaftliche Aufgabenstellungen sind selten eindimensional; sie erfordern Analyse, Interpretation, kritisches Hinterfragen und oft das Aushalten von Ambivalenzen. Wenn KI-Antworten als ausreichend oder "abschließend" wahrgenommen werden, ohne in die eigene Argumentation eingebettet oder weiterentwickelt zu werden, kann dies zu einer Trivialisierung komplexer Erkenntnisprozesse führen.

   Besonders im Kontext des wissenschaftlichen Arbeitens sind jedoch genau diese Fähigkeiten zentral: die Auseinandersetzung mit widersprüchlichen Positionen, die eigenständige Strukturierung von Gedankengängen, die schrittweise Entwicklung von Hypothesen und Positionen sowie der präzise Umgang mit Sprache und Quellen. Der Wert einer akademischen Leistung liegt nicht nur im Endergebnis, sondern im reflexiven, methodisch fundierten und eigenverantwortlich gestalteten Weg dorthin.

   Umso wichtiger ist es, KI nicht als Ersatz, sondern als Ergänzung zum eigenen Denken zu verstehen. Modelle können Anregungen bieten, Strukturvorschläge machen oder sprachliche Varianten aufzeigen - die wissenschaftliche Verantwortung bleibt jedoch stets bei der schreibenden Person.

5. **Verstöße gegen wissenschaftliche Redlichkeit Die nicht deklarierte Nutzung generativer KI im Rahmen wissenschaftlicher Arbeiten kann schwerwiegende Konsequenzen nach sich ziehen. Insbesondere dann, wenn Textpassagen - ob wörtlich übernommen oder stark paraphrasiert - automatisiert generiert wurden, ohne dies offenzulegen, stellt sich die Frage der wissenschaftlichen Redlichkeit. In solchen Fällen kann der Eindruck entstehen, dass es sich um eine selbstständige intellektuelle Leistung handelt, obwohl der Text algorithmisch erzeugt wurde. Dies kann von Prüfer:innen oder Institutionen als Täuschungsversuch gewertet werden - insbesondere bei Abschlussarbeiten oder prüfungsrelevanten Leistungen.

   Fehlt eine transparente Kennzeichnung der verwendeten KI-Tools, steigt zudem das Risiko, dass unsauber oder unvollständig zitierte Inhalte als Plagiat eingeordnet werden. Viele Sprachmodelle geben keine verlässlichen Quellen an oder erfinden Literaturhinweise. Wer solche Inhalte ungeprüft übernimmt, verletzt grundlegende Standards der Quellenarbeit. Auch das Urheberrecht kann betroffen sein - etwa wenn KI-generierte Inhalte mit fremden, nicht korrekt lizenzierten Textbausteinen kombiniert werden. Hochschulrechtlich relevant ist zudem die potenzielle Missachtung von Prüfungsordnungen, in denen die Eigenständigkeit wissenschaftlicher Leistungen verpflichtend erklärt werden muss.

   Ein ebenso bedeutsamer Aspekt ist der Verlust der Eigenverantwortung im wissenschaftlichen Prozess. Studierende, die sich auf KI-generierte Ergebnisse verlassen, ohne diese einzuordnen, zu überarbeiten oder kritisch zu prüfen, geben einen Teil der wissenschaftlichen Urteils- und Gestaltungskompetenz aus der Hand. Die Fähigkeit, komplexe Sachverhalte zu analysieren, aus verschiedenen Quellen ein begründetes Argument zu entwickeln und eigenständig Schlussfolgerungen zu ziehen, bleibt dabei ungenutzt - obwohl genau diese Kompetenzen das Ziel akademischer Ausbildung sind.

   Wissenschaft lebt von Transparenz, Nachvollziehbarkeit und Verantwortung. Wer generative KI in der eigenen Arbeit nutzt, muss dies offenlegen, klar kennzeichnen und den erzeugten Output reflektiert in die eigene Argumentation einbinden. Nur so lassen sich die Potenziale dieser Technologie mit den Prinzipien guter wissenschaftlicher Praxis vereinbaren.

6. Datenschutzrisiken Die Nutzung generativer KI ist nicht nur eine Frage der Effizienz oder Funktionalität, sondern auch ein sensibles Thema in Bezug auf Datenschutz und Vertraulichkeit. Viele KI-gestützte Tools, insbesondere webbasierte Sprachmodelle, speichern Nutzereingaben dauerhaft auf externen Servern - oft außerhalb des europäischen Rechtsraums. Diese Daten können zu Trainingszwecken weiterverwendet, analysiert oder Dritten zugänglich gemacht werden. Für Studierende, Lehrende und Forschende bedeutet das: Bereits beim Formulieren von Prompts müssen personenbezogene und vertrauliche Daten unbedingt geschützt werden.

   Besondere Vorsicht ist geboten, wenn im Rahmen des Studiums mit unternehmensbezogenen Daten gearbeitet wird - etwa in Praxisprojekten, Forschungskooperationen, Bachelor- und Masterarbeiten oder lehrbezogenen Fallstudien und Übungen. Oft handelt es sich hierbei um Informationen, die Rückschlüsse auf interne Prozesse, strategische Entscheidungen, wirtschaftliche Kennzahlen oder Mitarbeitende eines Unternehmens zulassen. Die Eingabe solcher Daten in generative KI-Tools kann eine Verletzung vertraglicher Geheimhaltungspflichten oder sogar ein Verstoß gegen geltendes Datenschutz- und Wettbewerbsrecht darstellen.

   Auch empirische Forschungsdaten - etwa aus Interviews, Beobachtungen oder Befragungen - enthalten häufig schutzwürdige Inhalte. Selbst wenn Namen anonymisiert sind, können bereits wenige Kontextinformationen (z.B. Branche, Standort, Funktion) ausreichen, um Rückschlüsse auf reale Personen oder Organisationen zuzulassen. Werden solche Daten zur Analyse oder Textverarbeitung in KI-Systeme eingegeben, besteht die Gefahr, dass sie ungefragt gespeichert, verarbeitet oder in zukünftigen Outputs wiederverwendet werden - auch außerhalb des Einflussbereichs der Hochschule.

   Hinzu kommt, dass viele Hochschulen in eigenen Richtlinien klar festlegen, unter welchen Bedingungen externe Softwarelösungen in Lehre und Prüfung eingesetzt werden dürfen. Dies betrifft etwa die Verwendung von Cloud-Diensten, die Zulässigkeit kommerzieller Tools im Prüfungszusammenhang oder die Mitwirkung an Forschungsprojekten in Kooperation mit Dritten. Verstöße gegen diese Bestimmungen können sowohl rechtliche als auch studienbezogene Konsequenzen haben - etwa die Aberkennung von Prüfungsleistungen oder die Gefährdung von Projektpartnerschaften.

   Vor diesem Hintergrund ist es unerlässlich, vor der Nutzung generativer KI-Tools folgende Fragen zu klären:

   • Enthält mein Prompt Informationen, die einem realen Unternehmen oder einer identifizierbaren Person zugeordnet werden können?

   • Verstoße ich durch die Nutzung gegen geltende Datenschutzregelungen oder Vertraulichkeitsvereinbarungen?

   • Wird die eingesetzte Plattform den Anforderungen der Datenschutz-Grundverordnung (DSGVO) gerecht?

   • Gibt es hochschulinterne Empfehlungen oder Vorgaben zum Einsatz von KI in Lehrveranstaltungen, Forschungsprojekten oder Abschlussarbeiten?

   Ein verantwortungsvoller Umgang mit generativer KI bedeutet daher auch, auf die Art und Sensibilität der verarbeiteten Daten zu achten, transparente Entscheidungen zu treffen und gegebenenfalls datensparsame oder alternative Wege zur Lösung einer Aufgabe zu wählen. Dazu zählt auch der Verzicht auf Echt- oder Klardaten zugunsten fiktiver Beispiele in der Promptentwicklung sowie die Verwendung datenschutzkonformer Systeme - etwa lokal installierter KI-Anwendungen oder hochschulinterner Tools mit geprüften Datenschutzstandards.

4.3.3 Wissenschaftliche Anforderungen & Kennzeichnungspflicht ^ top 

Im Zentrum wissenschaftlicher Arbeit steht die Verpflichtung zu Transparenz, Nachvollziehbarkeit und eigenständiger Leistung. Diese Grundprinzipien gelten uneingeschränkt auch für die Nutzung generativer KI. Studierende, Lehrende und Forschende, die Tools wie Mistral, ChatGPT, Claude oder Gemini in ihrer Arbeit einsetzen, müssen offenlegen, in welcher Form und zu welchem Zweck dies geschieht.

Die Verwendung von KI ist nicht grundsätzlich unzulässig - sie kann in bestimmten Phasen des wissenschaftlichen Prozesses durchaus unterstützend wirken. Entscheidend ist jedoch, dass der Einsatz klar gekennzeichnet, kritisch reflektiert und nicht als Ersatz für eigene wissenschaftliche Arbeit missverstanden wird. Insbesondere bei prüfungsrelevanten Arbeiten oder Abschlussarbeiten ist die fehlende Deklaration eines KI-Einsatzes ein potenzieller Verstoß gegen wissenschaftliche Redlichkeit.

Die Art der Kennzeichnung hängt davon ab, wie generative KI genutzt wurde. Drei typische Szenarien lassen sich unterscheiden:

1. Einsatz zur Ideenfindung, Recherche oder Gliederungshilfe

   Wenn ein Sprachmodell dazu verwendet wurde, Themen zu strukturieren, Fragestellungen zu entwickeln oder Gliederungsvorschläge zu erhalten - ohne dass Textpassagen direkt übernommen werden -, ist keine formale Zitation erforderlich. Dennoch ist ein kurzer Hinweis wichtig, um Transparenz zu schaffen.

   Kennzeichnung:

   Zur [AUFZÄHLUNG DES EINSATZES WIE Z.B. ANREGUNG VON THEMENFELDERN, GLIEDERUNGSENTWICKLUNG, ...] wurde das Sprachmodell [NAME DES SERVICES, NAME DES ANBIETERS, VERSION BZW. ZEITRUAM VON - BIS] explorativ eingesetzt. Die generierten Inhalte wurden nicht übernommen, sondern dienten ausschließlich der Orientierung und Ideenfindung. Der generierte Output wurde überprüft und bei Bedarf überarbeitet. Die Verantwortung für den Inhalt der Arbeit liegt vollständig bei der Autor:in.

2. Übernahme von Textpassagen (wörtlich oder paraphrasiert)

   Wird KI-generierter Text - ganz oder in Teilen - in die Arbeit übernommen, sind mindestens vier Maßnahmen erforderlich:

   1. Transparente Kennzeichnung im Text

   2. Beifügung des vollständigen Prompts, der zur Textgenerierung geführt hat,

   3. Anhang mit dem Original-Output (bzw. Chatverlauf oder Screenshot),

   4. Zitation im Literaturverzeichnis mit Toolname, Version und URL.

   Kennzeichnung - Beispiel wörtliche Übernahme:

   Auf die Frage "Nenne fünf Prinzipien, mit denen sich Plagiate in wissenschaftlichen Arbeiten vermeiden lassen" lautete die von ChatGPT generierte Antwort:

   "Plagiate in wissenschaftlichen Arbeiten können den Ruf eines Forschers oder Studenten ernsthaft schädigen und zu schwerwiegenden akademischen und beruflichen Konsequenzen führen. Um Plagiate zu vermeiden, sollten folgende fünf Prinzipien beachtet werden:

   1. Eigene Worte verwenden: Auch wenn Informationen aus einer Quelle übernommen werden, sollten diese in eigenen Worten wiedergegeben werden. Dies zeigt, dass das Material verstanden wurde und in einen eigenen Kontext eingebettet werden kann.
   2. Zitieren und Belegen: Jedes Mal, wenn Informationen, Daten oder Ideen aus einer anderen Quelle verwendet werden, müssen diese korrekt zitiert werden. Dies gilt sowohl für direkte Zitate als auch für Paraphrasen. Die genaue Zitierweise kann je nach Zitierstil variieren (z.B. APA, MLA, Chicago), aber es ist wichtig, konsequent zu bleiben.
   3. Umfassende Literaturrecherche: Es sollte sichergestellt werden, dass alle relevanten Quellen zum Thema recherchiert wurden. Dies verhindert, dass versehentlich Ideen oder Forschungsergebnisse anderer als eigene dargestellt werden.
   4. Verwendung von Plagiatsprüfsoftware: Es gibt viele Tools und Programme, die Texte auf Plagiate überprüfen. Diese vergleichen den Text mit zahlreichen Quellen im Internet und in wissenschaftlichen Datenbanken, um Übereinstimmungen zu erkennen.
   5. Urheberrecht verstehen und respektieren: Es ist wichtig zu verstehen, was Urheberrecht bedeutet und wie es sich auf wissenschaftliche Arbeiten auswirkt. Das Kopieren und Einfügen von Bildern, Grafiken oder längeren Textpassagen ohne Erlaubnis oder ohne korrekte Zitation kann als Plagiat gelten." (OpenAI, 2023)

   Kennzeichnung - Beispiel Paraphrasierter Text:

   Auf die Frage "Nenne fünf Prinzipien, mit denen sich Plagiate in wissenschaftlichen Arbeiten vermeiden lassen" wurde von ChatGPT ein Text generiert, dem zufolge korrekte Zitation, eigene Formulierungen, eine gründliche Literaturrecherche, der Einsatz von Plagiatssoftware sowie die Beachtung des Urheberrechts wesentlich seien (OpenAI, 2023; siehe Anhang A für den vom Algorithmus erzeugten Output). im Literaturverzeichnis: OpenAI. (2023). ChatGPT (Version vom 25. September) [Large Language Model]. https://chat.openai.com/chat

3. Verwendung für sprachliches Lektorat oder stilistische Überarbeitung

   Wenn generative KI verwendet wird, um den eigenen Text sprachlich zu glätten, zu vereinfachen oder stilistisch zu überarbeiten, handelt es sich um eine Form des Lektorats - vergleichbar mit Rechtschreib- und Stilkorrekturen in Textverarbeitungsprogrammen. Beim Lektorat und bei der Schlussredaktion wird der Inhalt nicht(!) auf Richtigkeit oder Vollständigkeit geprüft. Strukturelle Änderungen erfolgen, wenn überhaupt, nur in begrenztem Umfang. Es erfolgt keine vollständige Neugestaltung des Textes und keine Übersetzung. Es geht ausschließlich um die sprachliche und grammatikalische Optimierung des Originaltextes.

   Mit entsprechenden Prompts kann eine generative KI oder ein LLM bei der sprachlichen Überarbeitung selbstverfasster Texte unterstützen. Dabei darf jedoch keine inhaltliche Veränderung erfolgen - lediglich eine sprachliche und stilistische Anpassung.

   möglicher Promt

   Du agierst als wissenschaftliches Lektorats-Tool für akademische Texte auf [DEUTSCH / ENGLISCH - gewünschte Sprache einfügen].

   Bitte überarbeite den folgenden Text ausschließlich im Hinblick auf:

   1. Rechtschreibung, Zeichensetzung und Grammatik
   2. Stilistische Klarheit und Lesbarkeit, dabei insbesondere:
      • Vereinfachung komplexer Satzstrukturen, sofern sinnvoll,
      • Vermeidung unnötiger Wiederholungen,
      • Präzisierung uneindeutiger oder schwacher Formulierungen
   3. Einheitlichkeit der Terminologie und Schreibweise
   4. Wahrung eines neutralen, sachlichen und akademisch angemessenen Tons

   Einschränkungen:

   • Keine inhaltlichen Änderungen oder Ergänzungen
   • Keine Umstrukturierung von Absätzen oder Gliederungsebenen
   • Keine Erfindung oder Ergänzung von Zitaten, Daten oder Quellen
   • Die Argumentationsstruktur und alle Quellenangaben bleiben unverändert

   Ziel: Der lektorierte Text soll den formalen Anforderungen einer Bachelor- / Masterarbeit [oder: Seminararbeit, wissenschaftlicher Artikel etc.] an einer deutschsprachigen / englischsprachigen Hochschule genügen.

   Ausgabeformat: Gib den lektorierten Text vollständig im folgenden Format aus: "Abschnitt Original -> Abschnitt Überarbeitet"

   Hier ist der zu überarbeitende Text: [Text]

   Kennzeichnung

   [NAME DES TOOLS / SERVICES] von [NAME DES ANBIETERS, VERSION BZW. ZEITRUAM VON - BIS] wurde für das Lektorat (sprachliche und stilistische Überarbeitung) des selbst verfassten Textes verwendet. Inhaltliche Änderungen oder Ergänzungen wurden nicht vorgenommen. Das Ergebnis wurde überprüft und gegebenenfalls angepasst. Die volle Verantwortung für den veröffentlichten Inhalt liegt bei der Autor:in.

4. Verwendung für die Bildgenerierung

   

   Verwende das AI-Label von AI-label.org, um KI-generierte Inhalte zu kennzeichnen.

4.4 Erfolgreiches Prompting ^ top 

Generative KI ist kein autonomes Wissenssystem, sondern reagiert auf gezielte Eingaben durch Nutzer:innen - sogenannte Prompts. Die Qualität der erzeugten Inhalte hängt wesentlich von der Klarheit, Präzision und Zielorientierung des Prompts ab.

Während ein kurzes Schlagwort häufig zu allgemeinen oder unpassenden Ausgaben führt, kann ein durchdacht formulierter Prompt differenzierte, inhaltlich relevante und formal strukturierte Ergebnisse erzeugen. Dies gilt insbesondere im wissenschaftlichen Kontext, wo Genauigkeit, Nachvollziehbarkeit und sprachliche Angemessenheit zentrale Anforderungen sind.

4.4.1 Verarbeitung von Prompts durch Sprachmodelle ^ top 

Die Interaktion mit einem Sprachmodell ähnelt dabei weniger einem Dialog mit einer Person als dem Navigieren durch ein riesiges, unvollständig ausgeleuchtetes Wissensnetz. Viele der dabei auftretenden Phänomene lassen sich aus der Architektur moderner Sprachmodelle ableiten - insbesondere aus der sogenannten Transformer-Architektur, auf der auch Modelle wie ChatGPT basieren.

Sprachmodelle generieren Text auf Grundlage statistischer Wahrscheinlichkeiten. Dabei wird kein semantisches Verständnis aufgebaut, sondern für jedes Token (Textelement) das wahrscheinlichste Folgetoken vorhergesagt. Grundlage ist eine große Menge an Trainingsdaten, aus denen typische Muster extrahiert wurden. Die Verarbeitung erfolgt mithilfe eines Self-Attention-Mechanismus, der es ermöglicht, innerhalb einer Texteingabe wechselseitige Beziehungen zwischen Tokens zu erkennen und entsprechend zu gewichten. Dabei analysiert das Modell jedes Token im Zusammenhang mit allen anderen Tokens derselben Eingabe und entscheidet mathematisch, welche davon für die aktuelle Vorhersage besonders relevant sind. So entsteht eine dynamische Gewichtung, durch die etwa grammatische Bezüge, thematische Zusammenhänge oder Kontextabhängigkeiten modelliert werden können - unabhängig von der Reihenfolge der Wörter im Satz.

Diese Mechanismen erlauben zwar eine kohärente Textproduktion, begrenzen aber zugleich das Verständnis, die Kontexttiefe und die inhaltliche Zielgerichtetheit der Antworten. Die folgenden Phänomene veranschaulichen, welche Konsequenzen sich daraus für das Prompting ergeben.

• Begrenzter Fokus

  Der Self-Attention-Mechanismus analysiert alle Tokens gleichzeitig, richtet seine Gewichtung jedoch auf das, was im aktuellen Prompt statistisch hervorgehoben ist. Der Modellfokus gleicht einem schmalen Lichtkegel in einem großen Raum - nur der durch den Prompt aktivierte Bereich wird "ausgeleuchtet". Alles, was im aktuellen Kontext nicht relevant erscheint, wird ignoriert - selbst wenn es zuvor Teil des Gesprächs war.

  Beispiel: Wird ein Fehler im Code korrigiert, aber im nächsten Prompt nicht erneut referenziert, kann das Modell denselben Fehler wiederholen, weil der Fokus sich verschoben hat.

• Kein echtes Gedächtnis

  Trotz technischer Übergabe der Chat-Historie verfügt das Modell über kein Langzeitgedächtnis. Es gibt keine stabile Zustandsverwaltung oder Erinnerung an vorherige Korrekturen. Der Kontext wird statistisch verarbeitet und verliert an Gewicht, sobald er außerhalb des aktiven Kontextfensters liegt oder durch neue Eingaben überlagert wird.

  Besonders bei komplexeren Aufgaben wie mehrschrittigem Codieren oder iterativer Texterstellung fehlt dadurch eine konsistente Fortschreibung.

• Statistische Mittelmäßigkeit

  Sprachmodelle sind so trainiert, dass sie durchschnittlich plausible Fortsetzungen liefern. Sie bevorzugen häufige, etablierte oder sprachlich sichere Formulierungen. Weniger konventionelle, komplexe oder kreative Inhalte sind seltener im Trainingskorpus vertreten und werden daher seltener generiert - selbst wenn sie inhaltlich angemessener wären.

  Dies führt zu inhaltlicher Oberflächlichkeit und zur Tendenz, mit Allgemeinplätzen oder formelhaften Strukturen zu arbeiten.

• Fehlende Zielklarheit im Prompt

  Da das Modell keine eigene Zielsetzung verfolgt, orientiert es sich vollständig an der Formulierung des Prompts. Vage, mehrdeutige oder zu breite Anweisungen führen dazu, dass das Modell verschiedene Interpretationen ausprobiert. Dies kann zu unklarer Struktur, sprunghafter Argumentation oder unpassenden Antwortformaten führen.

  Der "Lichtkegel" ist in solchen Fällen diffus und richtet sich nicht gezielt auf das eigentlich Gemeinte.

• Prompt-basiertes Vergessen

  Jeder neue Prompt stellt für das Modell einen Kontextwechsel dar. Ohne explizite Bezugnahme auf vorherige Inhalte wird der bestehende Zusammenhang statistisch abgeschwächt oder übergangen. Selbst unmittelbar vorhergehende Korrekturen bleiben unberücksichtigt, wenn sie nicht erneut aktiviert werden.

  Dies erschwert vor allem mehrschrittige Aufgabenstellungen mit Zwischenständen oder Feedbackzyklen.

• Begrenztes Welt- und Fachwissen

  Die Wissensbasis eines Modells ergibt sich ausschließlich aus den Daten, mit denen es trainiert wurde. Diese sind weder vollständig noch aktuell. Fachliche Nischen, neue Forschungsergebnisse oder lizenzgeschützte Inhalte (z.B. aus Fachzeitschriften) sind häufig unterrepräsentiert. Auch die Fähigkeit, verschiedene Quellen logisch zu verknüpfen, ist eingeschränkt.

  In solchen Fällen greift das Modell auf populäre Narrative oder vereinfachte Darstellungen zurück.

• Fehlende Zielgerichtetheit (Intentionalität)

  Ein Transformer-Modell verfolgt kein eigenes Erkenntnisinteresse und plant keine Handlungen. Es reagiert ausschließlich auf Eingaben und optimiert auf das nächste plausible Token. Es überprüft keine Konsistenz, entwickelt keine Argumentationslinie und evaluiert keine Ergebnisse.

  Ohne gezielte Steuerung durch den Prompt bleibt das Modell im Modus reiner Reaktion - es findet keine Weiterentwicklung, kein Lernprozess und keine Reflexion statt.

Die Leistungsfähigkeit generativer KI hängt nicht allein vom Modell, sondern wesentlich vom Promptdesign ab. Das Sprachmodell ist ein mächtiges Werkzeug - aber es operiert ohne Intention, Kontextverständnis oder Zielgerichtetheit. Wer präzise und kontextbewusst promptet, kann diese strukturellen Begrenzungen kompensieren und qualitativ hochwertige Ergebnisse erzielen.

Die metaphorische Taschenlampe hilft bei der Orientierung: Nur was im Lichtkegel des Prompts liegt, wird verarbeitet. Klare, fokussierte Eingaben, aktive Bezugnahmen und strukturierte Erwartungen sind der Schlüssel zu besseren Antworten.

4.4.2 Beispiele für effektives Prompt Engineering ^ top