Open Access

In diesem Buch werden Möglichkeiten vorgestellt, um an den Lernorten der Pflegeausbildung Beurteilungen vorzunehmen und eine Beurteilungskultur aufzubauen. Der vorliegende Beitrag nimmt den Lernort Skills- und Simulationslabor in den Blick und stellt das Debriefing als Ansatz der fördernden Leistungsbeurteilung (Jürgens, Lissmann, 2015) für Simulationen vor. Debriefing findet im Rahmen von Simulationen direkt nach der Durchführung eines Szenarios statt. Es handelt sich um eine Nachbesprechung im Sinne eines strukturierten Prozesses, bei dem das Handeln der Lernenden während des Szenarios u.a. mithilfe moderierten Feedbacks intensiv reflektiert wird, um daraus Lernimpulse für zukünftige Handlungen zu ziehen (Dieckmann, 2018). Im Zentrum stehen konkrete Handlungsbeispiele aus dem Szenario, deren Bearbeitung mit Blick auf Wissen, Fertigkeiten und mentale Modelle zur Selbstreflexion beiträgt (Schröppel, 2021). In der Literatur werden verschiedene Debriefingverständnisse und -verfahren beschrieben. Im vorliegenden Beitrag wird ein Debriefingbeispiel von Simulationen zur Umsetzung der Anlei-tungsmethode Cognitive Apprenticeship (CA) an der TH Rosenheim vorgestellt, das sich an einem Modell nach Dieckmann (2018) orientiert. Dabei wird insbesondere aufgezeigt, wie die Beteiligung am Debriefing durch Mitstudierende bzw. Peers gestaltet wird. Die Peers erhalten hierfür Leitfragen mit Bezug zur Lehrveranstaltung, anhand derer sie die Szenarien beobachten und in der Beschreibungsphase des Debriefing ein differenziertes Feedback geben konn-ten. Die Leitfragen für Beobachtung und Feedback verfolgen eine pädagogische, eine pflegefachliche und eine überfachliche Richtung. Im Beitrag erfolgt zunächst die Einbettung des CA in den Kontext des Studiengangs Pflegewissenschaft (B.Sc.) an der TH Rosenheim, danach wird CA als Anleitungsmethode vorgestellt und es wird beschrieben, wie die Simulationen zum Praxistransfer von CA aufgebaut sind. Dann wird auf den Debriefingmodus und die Leitfragen für Beobachtung und Feedback der Peers eingegangen. Zuletzt erfolgt eine Reflexion der Erfahrungen aus der Durchführung des vorgestellten Debriefing- und Feedbackmodus.

Die kontinuierliche Beurteilung gehört zu den Kernaufgaben von Lehrenden und Praxisanleitenden an den theoretischen und den praktischen Lernorten. Anhand von gezielten Anleitungssituationen, theoretischen und fachpraktischen Unterrichten sowie Reflexionen entwickeln die Lehrpersonen das pflegerische Handeln der Lernenden in der Pflegepraxis weiter. Die anschließende Beurteilung der schriftlichen, mündlichen oder praktischen Leistungsnachweise ist eine wichtige Aufgabe. Welche Methode bietet sich an und welche Kompetenzen werden damit geprüft? Welche Kriterien sind bei der Beurteilung zu beachten und welche Fähigkeiten brauchen Lehrende zur Umsetzung? Was versteht man unter Beurteilungskultur und welche Rolle spielt das eigene Bildungsverständnis?

This study investigates the impact of generative AI systems like ChatGPT on semi-structured decision-making, specifically in evaluating undergraduate dissertations. We propose using Davis’ technology acceptance model (TAM) and Schulz von Thun’s four-sides communication model to understand human–AI interaction and necessary adaptations for acceptance in dissertation grading. Utilizing an inductive research design, we conducted ten interviews with respondents having varying levels of AI and management expertise, employing four escalating-consequence scenarios mirroring higher education dissertation grading. In all scenarios, the AI functioned as a sender, based on the four-sides model. Findings reveal that technology acceptance for human–AI interaction is adaptive but requires modifications, particularly regarding AI’s transparency. Testing the four-sides model showed support for three sides, with the appeal side receiving negative feedback for AI acceptance as a sender. Respondents struggled to accept the idea of AI, suggesting a grading decision through an appeal. Consequently, transparency about AI’s role emerged as vital. When AI supports instructors transparently, acceptance levels are higher. These results encourage further research on AI as a receiver and the impartiality of AI decision-making without instructor influence. This study emphasizes communication modes in learning-ecosystems, especially in semi-structured decision-making situations with AI as a sender, while highlighting the potential to enhance AI-based decision-making acceptance.