Veröffentlicht am

Künstliche Intelligenz und Bewusstsein

Quelle: Bahnsen/Schnabel (2012(; (c) Dr. Robert Freund

Ein wichtiges Element, worin sich Künstliche Intelligenz und Menschliche Intelligenz unterscheiden, soll das Bewusstsein sein (Penrose 2025). Schauen wir uns zunächst einmal an, was das menschliche Bewusstsein ausmacht. In einem Artikel von Bahnsen und Schnabel (2012) wird u.a. der Entwicklungspsychologe Tomasello wie folgt zitiert:

„Das menschliche Selbstbewusstsein existiert nicht für sich allein, behauptet Michael Tomasello, Leiter der Abteilung Entwicklungspsychologie. Es ist wesentlich ein Produkt der Interaktion mit anderen“ (ebd.).

Es geht hier um die Interaktion mit und zwischen Menschen – unter weiter:

„Ihr Bewusstsein entsteht durch spezielle und hoch entwickelte Formen sozialer Fähigkeiten bei der Interaktion mit anderen – etwas was Tomasello „kulturelle Intelligenz“ nennt“ (ebd.).

Die vernetzten Interaktionsformen bei Menschen weisen auf eine Dynamik bei dem Bewusstsein hin, die in der Abbildung beispielhaft in Bezug zu Wachheit zu erkennen ist. Da diese Argumente sehr stark auf Menschen bezogen sind, ergibt sich in der Zwischenzeit die Frage, ob auch Künstliche Intelligenz so eine Art von Bewusstsein haben kann.

Nobelpreisträger Sir Roger Penrose hat hier eine deutliche und klare Meinung. Da Künstliche Intelligenz nach seiner Auffassung kein Bewusstsein haben wird, sollten wir nicht von Künstlicher Intelligenz, sondern eher von Künstlicher Cleverness sprechen. Sie dazu Künstliche Cleverness statt Künstliche Intelligenz?

Sir Roger Penrose, Gödel’s theorem debunks the most important AI myth. AI will not be conscious, Interview, YouTube, 22 February 2025. This Is World.
Available at: https://www.youtube.com/watch?v=biUfMZ2dts8

AI will not have conscious – Künstliche Intelligenz wird kein Bewusstsein haben.

In seiner Argumentation verwendet Penrose Gödels Theorem, was als Penrose-Lucas Argument (englisch) durchaus auf Kritik in der Wissenschaftswelt gestoßen ist. Was erwartbar war – so ist eben spannende, lebendige Wissenschaft.

Veröffentlicht am

Wenn alle die selben KI-Workflows nutzen entsteht eine wissenschaftliche Monokultur

AI monoculture feedback loop (Traberg et al. 2026)

In allen möglichen Kontexten soll und wird Künstliche Intelligenz genutzt. Dabei dominieren in unserem Kulturkreis die von den amerikanischen Konzernen entwickelten GenAI-Modelle. Diese werden in allen privaten und organisatorischen Prozessen integriert. Ein Großteil der Personen und Organisationen nutzen dabei die gleichen KI-Workflows.

Das hat beispielsweise im wissenschaftlichen Kontext einen unschönen Effekt: Dadurch, dass alle Wissenschaftler mehr oder weniger stark die selben GenAI-Modelle für ihre Arbeiten nutzen, kommt es zu einer Art „wissenschaftlicher Monokultur„.

Traberg, C.S., Roozenbeek, J. & van der Linden, S. AI is turning research into a scientific monoculture. Commun Psychol 4, 37 (2026). https://doi.org/10.1038/s44271-026-00428-5

In der Abbildung ist der Kreislauf mit seinen einzelnen Schritten dargestellt. Es wird deutlich, dass es sich hier um eine Art Generator handelt, also ein sich selbst verstärkender Wirkungskreislauf.

Auch hier wird deutlich, dass es gut ist, verschiedene KI-Modelle für wissenschaftliche Arbeiten zu nutzen, und die jeweiligen Ergebnisse zu bewerten.

Es stellt sich natürlich auch gleich die Frage, ob diese „wissenschaftliche Monokultur“ auch bei Innovationsprozessen vorkommt. Auch hier nutzen viele Personen und Unternehmen oftmals die gleichen KI-Modelle.

Veröffentlicht am

Künstliche Intelligenz und das Herkunftsproblem – provenance problem

Conceptual technology illustration of artificial intelligence. Abstract futuristic background

In meinen Konferenz-Paper der letzten Jahrzehnte habe ich natürlich immer darauf geachtet, die jeweilige Quelle anzugeben. Damit ist aus wissenschaftlicher Sicht gewährleistet, dass deutlich wird, was von einem anderen Autor, und was von mir stammt.

Mit der gleichen Vorgehensweise erstellen wir auch unsere Blogbeiträge. Da wir dafür keinen KI-generierten Content nutzen, kann der Leser darauf vertrauen. Das ist besonders wichtig, da Vertrauen die Basis für die Arbeit mit Künstlicher Intelligenz ist – it all starts with trust.

Sollte also jemand Künstliche Intelligenz für seine Blogbeiträge, oder sogar für seine wissenschaftlichen Veröffentlichungen nutzen, steht er vor mehreren Herausforderungen, denn das jeweils verwendete KI-Modell zeigt nicht immer auf, welche Quelle es verwendet hat.

Texte, die originalgetreu von anderen übernommen wurden, werden zwar bei einigen KI-Modellen gekennzeichnet, doch andere Texte sind möglicherweise von der KI selbst zusammengestellt worden. Earp et al. (2025) haben das in einem veröffentlichten Paper als Herkunftsproblem (provenance problem) bezeichnet:

„Suppose the LLM trained on, but does not mention, Smith’s text. And suppose we have never read it or even heard of Smith or her work. So, we don’t cite the paper either. Still, our essay now inherits — via nebulous, machine-mediated means — a distinctive insight that Smith developed but for which she receives no credit“

Source: Earp, B.D., Yuan, H., Koplin, J. et al. LLM use in scholarly writing poses a provenance problem. Nat Mach Intell 7, 1889–1890 (2025). https://doi.org/10.1038/s42256-025-01159-8.

Es handelt sich dabei also nicht um Plagiate, sondern um eine subtilere Art der Verschleierung der Herkunft.

Im wissenschaftlichen Kontext wird das thematisiert, doch wie sieht es mit der privaten Nutzung der allseits eingesetzten KI-Modelle wie ChatGPT, Gemini, Anthropix, Grok etc. aus, die man als Black Box bezeichnen kann?

Da deren Trainingsdaten nicht transparent sind, ist das Herkunftsproblem natürlich auch hier vorhanden, doch die einzelnen Nutzer reflektieren über die Ergebnisse nicht so, wie es Wissenschaftler tun, die auf Qualität achten.

Dadurch werden alle möglichen und unmöglichen KI-Resultate weitergegeben und sind dann wiederum Bestandteil der nächsten Ergebnisse. In dem gesamten System entsteht so eine Unschärfe, die auch zu Manipulationen genutzt werden kann.

Veröffentlicht am

Thinking: Wissenschaftliche Veröffentlichungen dazu sind immer noch zu wenig interdisziplinär

Source: Illustration of the relative prominence of four forms of disciplinary approach in the scientific literature, both in terms of when they are referred to in isolation and when they are referred to in combination. The numbers represent the count of documents returned when searching the Scopus database for each term using Boolean operators (title, abstract and keywords from 1954 until the search date of February 2023).(Crilly, N. 2024)

Das Handeln wird oft vom Denken bestimmt, und das Denken wiederum vom Handeln. Insofern ist es nicht ungewöhnlich, wenn das Denken (Thinking) in verschiedenen wissenschaftlichen Veröffentlichungen untersucht wird. Dabei gibt es sehr viele spezifische Ansätze wie Design Thinking, Computational Thinking, Entrepreneurial Thinking und Systems Thinking (Diese vier stellen eine Auswahl dar).

Jetzt sollte man meinen, dass es in der heutigen Zeit darum geht, über die jeweiligen Ansätze hinaus, Vernetzungen mit anderen Ansätzen in wissenschaftlichen Veröffentlichungen zu beachten. Dass dem nicht so ist, zeigt die Abbildung. Wie der Beschreibung zu entnehmen ist, wurde ein sehr lange Zeitraum (1954-2024) untersucht.

„Denning and Tedre do not then analyse or compare these various disciplinary approaches or the projects they originate from, but they do acknowledge that variety, which is seemingly very rare. In fact, just conducting simple literature searches for works on disciplinary approaches reveals the very small number of those works that focus on two or more approaches in comparison to those that focus on just one approach (see Figure). Similarly, it can be observed that even the most cited works describing one disciplinary approach (e.g.Wing’s description of computational thinking) are seldom cited in works describing other disciplinary approaches (e.g. various descriptions of design thinking)“ (Crilly, N. 2024).

Auch hier ist wieder zu erkennen, das jede Perspektive für sich beansprucht, die richtige, bzw. die beste zu sein. Immer unter der Überschrift „One Size Fits All“. Das wird allerdings der Komplexität unseres Lebens (Arbeitslebens) nicht gerecht, und bestätigt wieder eine Art Silo-Denken (Thinking). Wissenschaftliches Arbeiten sollte zeigen, dass es auch anders geht. Bisher kann das noch nicht nachgewiesen werden.

Siehe dazu auch

Entscheidungen unter Unsicherheit: Schnelles Denken und Langsames Denken.

Kritisches Denken etwas genauer betrachtet.

Neue und alte Denkansätze – eine Gegenüberstellung.

Veröffentlicht am

Künstliche Intelligenz: Warum sollten Forscher besser offene Large Language Models (LLM) nutzen?

Usage of large language models (LLMs) in behavioral and social sciences research (Wulff/Hussain/Mata 2024). Die Hervorhebung in Rot ist von mir (Robert Freund) ergänzt worden.

Natürlich verwenden immer mehr Wissenschaftler Künstlichen Intelligenz in ihrer Arbeit. Wie die Grafik zeigt, wird ChatGPT beispielsweise in den Verhaltens- und Sozialwissenschaften sehr stark genutzt. ChatGPT ist allerdings von OpenAI, dessen Large Language Model (LLM) als eher geschlossenes System (Closed LLM) bezeichnet werden kann, da das zugrundeliegende Datenmodell nicht transparent ist. Andere LLM – wie z.B. LLama – sind eher offen LLM (Open LLM), die gerade für Forschung und Wissenschaft geeigneter erscheinen.

In dem aktuellen Paper Wulff/Hussain/Mata (2024): The Behavioral and Social Sciences Need Open LLMs (PDF) argumentieren die Autoren dazu wie folgt:

„Academic research should prefer open LLMs because they offer several practical and ethical advantages that are essential for scientific progress.

First, open models provide the transparency necessary for thorough scrutiny, allowing researchers to understand better the tools they are using and ensuring accountability.

Second, this transparency, combined with the adaptability of open models, facilitates innovation by enabling researchers to customize models to meet specific needs and explore new applications (Wulff & Mata, 2024).

Third, open LLMs support reproducibility, a cornerstone of scientific research, by allowing other researchers to replicate and build upon existing work.

Finally, the ethical implications of AI usage are better managed with open models, as they enable greater scrutiny of AI decisions, arguably reduce the risks of deploying biased or unethical systems, and avoid giving away data to further train closed, proprietary models.“

Ich frage mich an dieser Stelle, ob solche Hinweise nicht auch für die Nutzung von Künstlicher Intelligenz in Unternehmen gelten sollten.

Siehe dazu auch Künstliche Intelligenz: Vorteile von Open-Source-Modellen

Veröffentlicht am

Kritisches Denken etwas genauer betrachtet

Image by James Oladujoye from Pixabay

Denken ist ja schon per se eine gute Sache, doch kann Denken auch eher selbst-bestätigend sein, da wir gar nicht nach alternativen Informationen suchen, und uns möglicherweise nur mit Personen umgeben, die das gleiche Denken. Es ist ja auch nicht angenehm zu erfahren, dass es auch andere Perspektiven auf ein Thema gibt. Daraus dann in angemessener Form eine Synthese zu bilden, ist eines der vielen Merkmale des kritischen Denkens. Schauen wir uns einmal an, was darunter genauer verstanden wird:

„Kritisches Denken wird beschrieben als „die Fähigkeit, Informationen und Argumente sorgfältig zu analysieren, verschiedene Perspektiven einzunehmen, logisch zu denken und fundierte Schlussfolgerungen zu ziehen. Es beinhaltet die Fähigkeit, Annahmen zu hinterfragen, Beweise zu prüfen und sachliche Entscheidungen zu treffen“ (Metakomm 2023). Das bedeutet auch, keine Informationen zu bevorzugen, die der eigenen Meinung entsprechen oder Gegenpositionen automatisch abzuwerten“ (North (2024): Kritisches Denken – eine Schlüsselkompetenz, die KI (noch) fehlt. Das Kuratierte Dossier vol. 6 „Future Skills KM“ March 2024 published by: Gesellschaft für Wissensmanagement e. V.).

North hat dazu in einer anderen Veröffentlichung (Grant 2021) wertvolle Hinweise gefunden, um kritisches Denken gegenüber einer eher bestätigenden Wissenskonstruktion zu unterscheiden, und stellt beides in einer Tabelle gegenüber:

Affirmative (bestätigende) WissenskonstruktionKritisches Denken
Denken und lernen ohne zu hinterfragenUmdenken & Verlernen
In der Behaglichkeit einer Überzeugung lebenMit dem Unbehagen des Zweifels leben
Auf bestätigende Meinungen hören, die ein gutes Gefühl gebenAktiv Ideen und Widersprüche suchen, die zum Nachdenken anregen
Sich im Kreis Gleichgesinnter bewegenSich zu Menschen hingezogen fühlen, die Gedanken herausfordern
Informationen und Medien konsumieren, die die eigene Meinung bestätigenVielfältige Informationen und Medien suchen, die Sachverhalte aus unterschiedlichen Perspektiven betrachten
Stereotype und Vorurteile übernehmenStereotype und Vorurteile hinterfragen
Denken und handeln wie Prediger, die heilige Überzeugungen verteidigen,
Ankläger, die der Gegenseite beweisen wollen, dass sie im Unrecht ist,
Politiker, die um Zustimmung werben		Neugier entwickeln

Denken wie Wissenschaftler auf der Suche nach der Wahrheit
Selbstüberzeugung: ich habe RechtSelbstreflektion: wie und in welchem Kontext bin ich zu meiner Erkenntnis gekommen?
Quelle: North (2024) in Anlehnung an Grant (2021)

Die Merkmale des kritischen Denkens erinnern deutlich an eine eher wissenschaftliche Herangehensweise an Themenfelder. Es wundert daher nicht, dass das kritische Denken an Universitäten immer wieder geschärft werden sollte – beispielsweise macht das die Manosh University (Englischsprachige Website) sehr ausführlich.

Darüber hinaus ist es auch für einzelne Personen, in Teams, in Organisationen und in Netzwerken wichtig, kritisches Denken zu entwickeln – gerade in Zeiten von Populismus und Künstlicher Intelligenz.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen, Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Veröffentlicht am

Bedeutet Wissensgesellschaft eine Verwissenschaftlichung der Gesellschaft?

Image by Gerd Altmann from Pixabay

Von der Industriegesellschaft zur Wissensgesellschaft bedeutet, dass der Produktionsfaktor „Wissen“ immer stärker in den Mittelpunkt der Gesellschaft und der Organisationen/Unternehmen rückt. Siehe dazu beispielhaft Wissensgesellschaft – was soll das denn sein?, Nicht ganz einfach: Urheberrecht in der Wissensgesellschaft, Informationsnetze sind wichtige Strukturen der Wissensgesellschaft – es gibt hier allerdings ein Kontrollparadox.

Anfang des 19. Jahrhunderts kam es dabei nicht nur zur stärkeren Industrialisierung, sondern „vor allem in der Umstellung vom religiösen und metaphysischen auf das positive (objektive) Wissen der Wissenschaft, dessen Krönung in seinen Augen die Soziologie darstellen sollte“ (Knoblauch 2020). Dabei bezieht sich der Author auf den Begründer der Soziologie, Auguste Comte. Dieser Bezug von Wissensgesellschaft und Wissenschaft wird in dem folgenden Abschnitt noch deutlicher dargestellt.

„Die Wissensgesellschaft zeichnet sich zudem dadurch aus, dass sich immer mehr Leute um das Wissen anderer kümmern: Wissen als Wissen wird zum Gegenstand menschlicher Kommunikation, menschlicher Arbeit und damit auch zur Ware. Die Vorstellung der Wissensgesellschaft zehrt aber nicht nur von der Wissensvermittlung im Bildungssystem, sondern es spielt vielmehr die Produktion von Wissen als Wissen eine zentrale Rolle und damit auch die Wissenschaft. Wir können deswegen von einer Verwissenschaftlichung sprechen. Diese Verwissenschaftlichung ist erkennbar an der zunehmenden Durchdringung auch der nichtwissenschaftlichen gesellschaftlichen Funktionsbereiche
(Wirtschaft, Politik, Religion, Medien, Sport etc.) mit wissenschaftlichem Wissen. Einige Autoren sehen in dieser Verwissenschaftlichung die Ursachen für deren allmähliche Transformation, etwa zur Wissensökonomie, zur Wissenspolitik etc. (z. B. Stehr 2002)“ (Knoblauch H. (2020): Von der Wissensgesellschaft zur empirischen Wissenschaftstheorie, in: Horatschek, A. M. (Hrsg.) (2020): Competing Knowledges – Wissen im Widerstreit. Abhandlungen der Akademie der Wissenschaften in Hamburg, Band 9).

Siehe dazu auch Wissensmanagement und die verschiedenen Beiträge in der Kategorie Wissensmanagement.

Veröffentlicht am

Worin unterscheiden sich Daten von Fakten?

Image by Gerd Altmann from Pixabay

Unsere westliche Sicht auf Wissen wird von einem eher technisch-wissenschaftlichen Modell dominiert: “the hegemony of the techno-scientific model in defining legitimate and productive knowledge” (UNESO 2005: 5). Es wundert daher nicht, dass versucht wird, verschiedene Begriffe zu unterscheiden – zu definieren. Es geht ganz praktisch um die Unterscheidung der Begriffe „Zeichen“, „Daten“, „Informationen“ und „Wissen“, die in der ursprünglichen, bzw. in der erweiterten Wissenstreppe dargestellt werden. Siehe dazu auch Ein besseres Verständnis der Wissenstreppe führt zu einem besseren Umgang mit Wissen. Auf der Ebene der „Daten“ gibt es allerdings mit dem Begriff „Fakten“ ein weiters Konstrukt. Dazu habe ich folgendes gefunden:

„Aufschlussreicher sollte es sein, zwischen Daten und Fakten terminologisch zu unterscheiden. ‚Daten‘ sind das, was einem Beobachter buchstäblich gegeben ist (lat.: datum / frz.: donnée) und daher insbesondere das, was sich in irgendeiner Weise feststellen und vielleicht sogar messen lässt. In erster Linie darf man also das als Datum verstehen, was niemand bestreiten kann, und mithin gilt ein Datum fraglos, sofern es korrekt ermittelt worden ist. Ein Faktum ist demgegenüber kein simples Datum, sondern wortwörtlich eine ‚Tat-Sache‘, das heißt ein im Kern menschliches Produkt. Wo wir von Fakten reden, sprechen wir jedenfalls immer von Dingen, die wir selber erst zu dem gemacht haben, was sie sind (lat.: factum / frz.: fait). Können Daten insofern nicht anders als ‚richtig‘ sein, solange man sie nicht irrtümlich oder sachwidrig erfasst hat, stellt sich bei Fakten von vornherein die Frage, inwiefern sie als ‚wahr‘ gelten dürfen“ Meier, A. (2020): In Science We Trust: Überlegungen zum Wissen der Wissenschaften. In: Horatschek, A. M. (Hrsg.) (2020): Competing Knowledges – Wissen im Widerstreit. Abhandlungen der Akademie der Wissenschaften in Hamburg, Band 9).

Wenn also oftmals hervorgehoben wird, „das ist Fakt“ oder „Fakt ist“, so ist diese Formulierung kritisch zu sehen, denn sie ist nicht so unumstößlich, wie es auf den ersten Blick den Anschein hat. Wie in der Quelle erwähnt, stellt sich bei „Fakten“ die Frage, „inwiefern sie als ‚wahr‘ gelten dürfen“.

Veröffentlicht am

Welche Wissenschaften können Soziale Komplexität besonders gut beschreiben?

Der Begriff „Komplexität“ wird überall thematisiert, wenn es um die Beschreibung des veränderten Umfelds (VUCA), um die Unterscheidung zu „Kompliziert“, usw. geht. Doch wenn man sich genauer damit beschäftigt, geht es hauptsächlich um die Bewältigung von Komplexität in sozialen Systemen – wie z.B. Organisationen / Unternehmen. Siehe dazu auch Unternehmen als sozialer Organismus – Unsinn, oder? oder Was macht eine menschlich-soziale Selbstorganisation aus? Diese Hinweise deuten schon an, dass es durchaus Sinn machen kann, u.a. bei den Sozialwissenschaften nach Bewältigungsstrategien für die Soziale Komplexität zu suchen.

„Soziale Komplexität schließt die Perspektive der ersten Person ein. Subjektive Erfahrung ist eine unverzichtbare Dimension sozialer Formationen. Systemisches Denken setzt die Berücksichtigung der sozioökonomischen, historischen Situiertheit des menschlichen Handelns im jeweiligen Kontext voraus. Die Geistes- und Sozialwissenschaften sind daher besonders gut geeignet, (1) die Entwicklung sozialer Komplexität zu beschreiben und (2) das gesellschaftliche Schema, innerhalb dessen die Sinngebung erfolgt, neu zu gestalten. Dadurch steuern sie normative Leitlinien für wünschenswerte Veränderungen bei, indem sie die komplexe Verflechtung verschiedener normativer Sphären (von der individuellen zur kollektiven Ebene und umgekehrt) untersuchen. Soziale Komplexität hat eine zirkuläre Struktur, die einer Rückkopplungsschleife. Im Zentrum dieser Struktur steht das menschliche Werden, das in natürliche und soziale Gegebenheiten eingebunden ist, auf die es einerseits Einfluss nimmt und von denen es andererseits beeinflusst wird. Die Geistes- und Sozialwissenschaften können Instrumente zur Bewältigung von Komplexität entwickeln. Sie können zukunftsorientiert sein, indem sie realistische Utopien und Modelle für einen sozialen Wandel zum Positiven hin entwerfen, die die nichtreduzierbare Komplexität und Kontingenz unserer individuellen und kollektiven Wertorientierung respektieren“ (Gabriel et al (2022:66): Auf dem Weg zu einer Neuen Aufklärung – Ein Plädoyer für zukunftsorientierte Geisteswissenschaften.

Betrachten wir das Vorgehen im Umgang mit Sozialer Komplexität in Gesellschaft und Organisationen, so wird deutlich, dass der Fokus oft auf der Technologie liegt > Technologie first. Dann kommt die Organisation und irgendwann der Mensch. Gut, diese einfache Wirkungskette wird der komplexen Situation nicht gerecht. Dennoch ist etwas an diesem Bild irritierend: Es ist ein Mindset (oder besser: ein Mantra), das durchaus in den Unternehmen anzutreffen ist. Es wird auch hier deutlich, dass wir die Deutung und Bewältigung der aktuellen Krisen nicht nur der Technik, den Naturwissenschaften oder der Wirtschaft überlassen sollten.

Informationen zu den von uns entwickelten Blended Learning Lehrgängen, und zu weiteren Terminen und Standorten, finden Sie auf unserer Lernplattform.

Veröffentlicht am

Warum ist das wissenschaftliche Wissen weniger sicher als das Alltagswissen?

In Zeiten von Corona haben wir sehr viel von Wissenschaftlern erfahren, die ihr Wissen – oder eben das fehlende Wissen – über den Erreger mit der Gesellschaft geteilt haben. Dabei wurde immer wieder deutlich, dass es in diesem Zusammenhang noch viel zu erforschen gibt, und dass das Wissen über den Erreger noch unvollständig ist. Das wissenschaftliche Wissen ist hier also ein zeitlich begrenztes Wissen, das sich sehr schnell ändern kann. Wissen ist hier immer auch vorläufig und muss sich immer wieder zur Disposition stellen (vgl. dazu ausführlich Meier, A. (2020): In Science We Trust: Überlegungen zum Wissen der Wissenschaften. In: Horatschek, A. M. (Hrsg.) (2020): Competing Knowledges – Wissen im Widerstreit. Abhandlungen der Akademie der Wissenschaften in Hamburg, Band 9). Einen Vergleich zwischen dem Alltagswissen und dem wissenschaftlichen Wissen stellt Luhmann beispielhaft dar.

„Das wissenschaftliche Wissen ist weniger sicher als das Alltagswissen. In der Interpretation von Wahrnehmungen des Alltags entstehen normalerweise keine Zweifel. Eine Rose, die man sieht, ist eine Rose, oder jedenfalls doch eine Blume. Ganz anders die Interpretation der Ergebnisse von Experimenten oder sonstigen wissenschaftlichen ´Daten‘. Durch Wissenschaft wird nicht Sicherheit, sondern gerade Unsicherheit gesteigert – in gerade noch tolerierbaren Grenzen“ (Luhmann 1990: 325, zitiert in Meier, A. (2020)).

Viele Menschen haben in Zeiten von Corona verstehen müssen, dass wissenschaftliches Wissen nicht „endgültig“ ist. Der Umgang mit Wissenschaft und dem daraus generierten Wissen muss von vielen neu gelernt werden, denn die meisten Menschen haben mit wissenschaftlicher Arbeit wenig zu tun. An dieser Stelle kommen dann die Stammtischparolen und Fake News ins Spiel, die sich diese Gesamtsituation zu nutze machen. Lassen Sie sich von solchen Gruppen nicht beeinflussen und orientieren Sie sich an dem Wahlspruch der Aufklärung: Habe Mut, Dich Deines eigenen Verstandes zu bedienen! Ganz praktisch können Sie damit anfangen nachzufragen/nachzuforschen, auf welche Quellen sich eine Aussage bezieht. In unserem Blog haben wir beispielsweise von Anfang an darauf großen Wert gelegt, immer die benutzen Quellen anzugeben. Auf Basis unserer bereitgestellten Information können Sie sich dann Ihre eigene Meinung bilden – Wissen konstruieren (Konstruktivistische Lerntheorie).

So gehen wir auch in den von uns entwickelten Lehrgängen vor. Informationen zu den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK) und zu aktuellen Terminen finden Sie auf unserer Lernplattform.