KI-Kompetenz Training

Wie wir das KI-Literacy-Forschungsfeld kartieren (Concept-Graph)

Erzeugt von der portablen Wissensgraphen-Pipeline (tools/extract_concepts.py → tools/relate_concepts.py → tools/analyze_concept_graph.py → tools/feedback_concepts.py). Dieses Dokument schließt die Schleife: Die Graphenanalyse wird in Forschungsplanungs-Signal (Prioritätsstränge, übergreifende Brücken, strukturelle Weißräume) übersetzt — und zurück in die kuratierten Seeds (config/concepts.yaml).

1. Was der Graph sagt

80 Konzepte, 1.381 Kookkurrenz-Kanten, 1 zusammenhängende Komponente, Modularität ≈ −102. Das Korpus ist fast ein Vollgraph: Das Feld ist stark um eine Kernachse herum vernetzt. Differenzierung kommt nicht aus separaten Clustern — sie lebt an der Peripherie (Nischen-Domänen) und an den Brücken (Konzepte, die sonst segregierte Stränge verbinden).
Top-Hubs (PageRank): large language, language models, training, evaluation, higher education, Generative Ai Skills, Compliance, implementation, Attitudes Trust, Teacher Ai Literacy.
Bridge-Nodes (Betweenness): Assessment, implementation, training, evaluation, higher education, large language, language models, Attitudes Trust, digital literacy, Ai Literacy Construct.

2. Übergreifende Brücke = MESSUNG / ASSESSMENT

Die höchste Betweenness haben alle Kanten des Messungs-Clusters:

Bridge-Kante	Gewicht
Assessment ↔ maturity model	2
evaluation ↔ self-report	2
implementation ↔ self-report	2
higher education ↔ technostress	2
Assessment ↔ self-report	2
Attitudes Trust ↔ technostress	2
measurement ↔ self-report	2
training ↔ medium enterprises	6

→ Messung/Assessment ist der Integrations-Hub, der Pädagogik ↔ Adoption ↔ organisatorische Implementierung ↔ Compliance verbindet. Hier zahlt sich integrative Synthese am meisten aus — und genau das ist das Terrain von Guide 2 und der assessment_spec (§8/§10/§11 White-Space-Zellen).

3. Strukturelle Weißräume (Lücken)

Die kuratierten Messungs-Seeds sind dünn verbunden — ein klares Signal untersuchter, aber wenig erforschter Territorien:

objective measurement — Grad 0, df 1. Die klarste Lücke: objektive (vs. Selbstauskunft) Messung von KI-Literacy ist im Korpus kaum vorhanden. → Oberste Phase-2-Extraktions-Priorität + Instrumenten-Spec-Ziel.
maturity model — Grad 1, df 6. Organisatorische KI-Literacy-Reife ist kaum kartiert.
self-report — Grad 4, df 5. Heute dominant, aber isoliert von objektiven Alternativen → Risiko einer nur-befragten Evidenz (siehe RESEARCH_PLAN §6).

Diese waren bereits in config/concepts.yaml als kuratierte Seeds — daher schlug der Gap-Detektor keine neuen Gap-Seeds vor: Validierung, dass der Messungs-weißraum explizit getrackt wird.

4. Wellbeing- & regulatorische Brücken

Wellbeing: technostress ↔ higher education / ↔ rapid integration / Attitudes Trust ↔ technostress. Die Adopt-Spannungs-Achse ist unter-verbunden → Chance für integrative Synthese (Wellbeing × KI-Literacy).
Regulatorisch: ai act / compliance / digital literacy bilden einen policy-übergreifenden Strang → passt zu compliance_mapping.md und der „praktische Interpret"-Positionierung.

5. Peripherie-Differenzierung (Nischen-Synthese-Ziele)

Wo das Feld verzweigt — niedrige Sättigung, höhere Neuheit, gut für die 6 Content-Stücke:

Medizinische Ausbildung · Gesundheitswesen · psychische Gesundheit
Software Engineering · Informatik · Engineering-Ausbildung
K12 · angehende Lehrkräfte · Lehrer:innenbildung
Recht / Compliance · Europäische Union · AI Act
Sprachdidaktik · Fremdsprache · Natürliche Sprache

6. Durchgeführte Feed-back-Maßnahmen

Kuratierte Seeds aktualisiert (config/concepts.yaml, 14 → 19): die fünf höchste Betweenness-Real-Theme-Brücken ergänzt, die noch nicht durch die Taxonomie abgedeckt waren — large language, language models, higher education, critical thinking, digital transformation. Sie verankern den Graph stabil über Regenerierungen.
Phase-2-Extraktions-Prioritäten (siehe docs/research/extraction/): (a) objektive Messungs-Instrumente, (b) technostress / Wellbeing, (c) AI-Act-Compliance-Evaluation.
Gap-Analyzer: Bridge-Cells (kreuzkategoriale Kookkurrenz) höher gewichten — sie sind die integrativen Weißräume.
Guides: die Messungs-/Assessment-Brücke explizit in Guide 2 und assessment_spec machen.

7. Reproduzieren

python3 tools/extract_concepts.py --papers papers.yaml --out concepts.json
python3 tools/relate_concepts.py --papers papers.yaml --concepts concepts.json --write-doc > concept_graph.json
python3 tools/analyze_concept_graph.py --graph concept_graph.json --write-doc > concept_graph_analysis.json
python3 tools/feedback_concepts.py --analysis concept_graph_analysis.json --concepts config/concepts.yaml  # Diff prüfen, committen