Eine Schritt-für-Schritt-Anleitung für erfolgreiches Prompten beim wissenschaftlichen Arbeiten

In der Wissenschaft verändert die zunehmende Verbreitung Künstlicher Intelligenz derzeit nicht nur Arbeitsprozesse, sondern fordert von Forschenden, Lehrenden und Studierenden neue digitale Souverämität. Eine der Schlüsseltechniken im Umgang mit KI-gestützten Text- und Analysewerkzeugen ist das Prompting: die Kunst, KI-Modelle durch gezielte Eingaben zu steuern. Denn die Qualität wissenschaftlich nutzbarer Ergebnisse hängt maßgeblich davon ab, wie präzise, strukturiert und methodisch reflektiert diese Eingaben formuliert sind. Während ein wohlüberlegter, guter Prompt die Grundlage für fachlich belastbare Inhalte schafft, führen unspezifische Anweisungen häufig zu oberflächlichen, ungenauen oder gar irreführenden Resultaten.

Dieser Beitrag bietet einen systematischen Leitfaden, um die Interaktion mit KI-Tools von einer bloßen „Trial-and-Error“-Abfrage hin zu einem prozessorientierten Forschungsinstrument zu entwickeln.

Schritt 1:  Rollenzuweisung (The Persona Pattern)

Bevor Sie ein Ziel Ihrer Anforderung an die KI definieren, weisen Sie der KI eine Identität zu. Dies kalibriert das „Weltwissen“ des Modells auf ein spezifisches Fachgebiet. Der Effekt dieser Rollenzuweisung: Die KI priorisiert Fachtermini und wissenschaftliche Evidenz gegenüber allgemeinsprachlichen Erklärungen.

  • Exemplarischer Prompt zum Start: „Handle als erfahrener Post-Doc im Bereich der Bildungsökonomie mit Schwerpunkt auf quantitativen Methoden.“

Schritt 2: Klares Ziel und Outcome formulieren

Legen Sie exakt fest, was das Ergebnis Ihrer Anfrage sein soll: Eine Synthese, ein Überblick oder ein Abstract? Nur mit diesen Angaben kann die KI brauchbare Ergebnisse liefern.

  • Beispielprompt: „Erstelle einen systematischen Überblick über die aktuelle Forschungslage zur Digitalisierung der Hochschulbildung (2020–2026).“

Schritt 3: Kontextuelle Einbettung und Quellenbezug

KI-Modelle neigen ohne Kontext zu Halluzinationen. Geben Sie daher den Rahmen vor. In der praktischen Anwendung kann es hilfreich sein, eigene Dokumente hochzuladen (RAG-Prinzip – Retrieval Augmented Generation), da das Modell so gezielt auf relevante, kontextspezifische Inhalte zugreifen kann. Zudem lässt sich die Qualität der Ergebnisse verbessern, indem im Prompt ausdrücklich gefordert wird, ausschließlich Informationen aus Peer-Review-Journalen zu verwenden und – sofern möglich – die zugrunde liegenden Theorien zu benennen.

  • Beispiel für einen Prompt in einer Masterarbeit: „Analysiere den folgenden Abschnitt unter Einbezug der beigefügten Studien zum Thema [z. B. Stress und kognitiver Leistungsfähigkeit]. Verwende ausschließlich Erkenntnisse aus Peer-Review-Journalen (z. B. Journal of Psychophysiology oder Psychological Stress and Coping), beziehe dich explizit auf das transaktionale Stressmodell nach Lazarus und Folkman (1984) sowie ggf. ergänzende Ansätze wie das Job-Demands-Resources-Modell (Bakker & Demerouti, 2007), und stelle die Argumentation klar, empirisch fundiert und mit präziser Quellenverknüpfung dar. Achte auf fachliche Terminologie (z. B. Primär-/Sekundärbewertung, Coping), logische Stringenz und Vermeidung von Spekulationen.“

Schritt 4: Präzise Fragestellungen (The Zero-Shot vs. Few-Shot Prompting)

Vermeiden Sie „Stichwort-Prompts“. Nutzen Sie stattdessen Few-Shot Prompting, indem Sie dem Modell 2-3 Beispiele für den gewünschten Stil und die wissenschaftliche Tiefe voranstellen.

  • Formulierung für einen fachlich korrekten Few-Shot-Prompt: Analysiere die folgende Eingabe für eine psychologische Masterarbeit. Verwende präzise Fachterminologie und beziehe dich auf etablierte empirische Befunde.

    Beispiel 1:
    Eingabe:Stress entsteht durch Überlastung.
    Ausgabe: Nach dem transaktionalen Modell von Lazarus und Folkman (1984) ist Stress das Ergebnis eines kognitiven Bewertungsprozesses, bei dem die Anforderungen der Umwelt die verfügbaren Bewältigungsressourcen einer Person übersteigen.

    Beispiel 2:
    Eingabe: ‚Früher Stress schadet der Entwicklung von Kindern.
    Ausgabe: ‚Chronische Stresseinwirkungen in der Kindheit korrelieren laut Lupien et al. (2009) mit einer Dysregulation der HPA-Achse, was langfristig die neuronale Plastizität im Hippocampus und damit die kognitive Leistungsfähigkeit beeinträchtigen kann.‘

    Nun analysiere: [Hier Ihren Text oder Ihre Hypothese einfügen.]

  • Hinweis: Solche Beispiele kann man nutzen, um der KI beizubringen, in einem ganz bestimmten Zitierstil (z. B. APA 7 oder Harvard) zu antworten, sodass sie sich an den vorgegebenen Mustern orientiert. Wenn nämlich die Beispiele im Prompt den Regeln der APA entsprechen, dann wird es bei der Antwort der KI in der Regel ebenfalls der Fall sein, da sie die Struktur und die formalen Vorgaben übernimmt.

Schritt 5: Struktur- und Formatvorgaben

Geben Sie der KI vor, wie sie ihre Antwort strukturieren soll. Ohne Vorgabe wählt die KI oft eine Standard-Listenform, die wissenschaftlich zu oberflächlich ist.

  • Prompt für eine Vorgabe: „Strukturiere die Antwort in: 1. Theoretischer Rahmen, 2. Methodenkritik, 3. Ergebnissynthese, 4. Limitationen. Nutze das Markdown-Format für Tabellen.“

Schritt 6: Fachlicher Stil und Angaben zur Zielgruppe

Wissenschaftliche Kommunikation variiert je nach Medium (Poster, Paper, Grant-Proposal).Oft ist das Ergebnis des ersten Versuchs nicht perfekt. Es lohnt sich, die Antwort zu prüfen und den Prompt anschließend anzupassen sowie zu verfeinern. Dabei wird das Modell mit gezielten Nachfragen weiter gesteuert. Dieser Prozess ähnelt der klassischen Textüberarbeitung und trägt entscheidend zur Qualität der wissenschaftlichen Arbeit bei.

  • Prompt für eine Anpassung: „Verfasse die Antwort in einem akademischen, sachlich-analytischen Tonfall. Vermeide anthropomorphisierende Sprache und Nominalstil-Exzesse sowie Schachtelsätze, bleibe präzise in der Begrifflichkeit.“

Schritt 7: Gedankengänge explizit darlegen (Chain-of-Thought)

Fordern Sie die KI auf, Schritt für Schritt zu denken. Dies erhöht die logische Konsistenz erheblich.

  • Prompt: „Bevor du die Lösung präsentierst, erläutere kurz deine logischen Zwischenschritte bei der Herleitung der Argumentationskette.“

Schritt 8: Iterative Verfeinerung und gezielte Feedback-Schleifen

Behandeln Sie den ersten Output als vorläufigen Entwurf und nutzen Sie das Modell aktiv zur inhaltlichen Nachschärfung. Geben Sie konkretes, differenziertes Feedback zu einzelnen Abschnitten und benennen Sie klar, welche Aspekte vertieft, präzisiert oder theoretisch fundiert werden sollen.

  • Beispielprompt für eine Rückmeldung an die KI: „Der Abschnitt zu Punkt B bleibt zu oberflächlich und argumentativ unklar. Bitte differenziere die zentralen Thesen stärker aus und integriere explizit Perspektiven der Intersektionalitätstheorie (z. B. Mehrfachdiskriminierung, Verschränkung sozialer Kategorien) zur theoretischen Fundierung.“

Schritt 9: Negativ Constraints (Ausschlusskriterien)

Formulieren Sie klar, was die KI vermeiden soll, damit unnötiges Rauschen reduziert wird. In diesem Kontext meint „Rauschen“ alles, was die eigentliche Information stört oder verschleiert, also unerwünschte, störende Elemente im Text oder in der Kommunikation.

  • Prompt zu Ausschlusskriterien: „Vermeide Floskeln wie ‚In der heutigen digitalen Welt‘ oder ‚Es ist wichtig zu beachten‘. Ignoriere populärwissenschaftliche Quellen.“

Schritt 10: Validierung und Faktencheck (Human-in-the-Loop)

Die KI ist ein Text-Wahrscheinlichkeits-Modell, keine Datenbank, in der korrekte und aktuelle Daten gespeichert sind. Egal wie gut die KI ist, der letzte Schritt muss immer manuell erfolgen.Prüfen Sie Zitate und Literaturangaben auf ihre Existenz (z. B. über die Hochschulbibliothek oder Google Scholar) und fachliche Korrektheit, denn die Verantwortung für den Text liegt beim Menschen. Achten Sie auf diese Red Flags:

  • Zu perfekte Titel: Quellen, deren Titel exakt Ihre Forschungsfrage widerspiegeln, sind oft erfunden.
  • Nicht-existente DOIs: Prüfen Sie (stichprobenartig) DOIs. Eine ungültige DOI ist ein sicheres Zeichen für eine Halluzination.
  • Veraltete Daten: Da viele Modelle ein „Knowledge Cutoff“-Datum haben, sind Fakten zu tagesaktuellen Ereignissen (z.B. neue Gesetzesänderungen von 2025/2026) ohne Websuche oft unzuverlässig.

Goldene Regel: „AI for drafting, Humans for crafting & checking.“ Nutzen Sie die KI als Architekt für die Struktur, aber bleiben Sie selbst der Bauprüfer für jedes einzelne Fundament (Fakt).

Fachspezifische Beispiele guter und schlechter Prompts

FachbereichSuboptimaler PromptWissenschaftlich optimierter Prompt
Psychologie„Schreibe über Stress.“„Erläutere die wichtigsten Stressmodelle (z. B. Lazarus, Selye) und ihre Anwendung in der klinischen Psychologie, mit Bezug auf aktuelle Studien.“
Jura„Erkläre das Vertragsrecht.“„Analysiere die jüngste Rechtsprechung des Bundesgerichtshofs bezüglich der Auslegung von Allgemeinen Geschäftsbedingungen im Vertragsrecht und führe einschlägige Literatur an.“
Medizin„Schreibe etwas über Masern?“„Beschreibe den klinischen Verlauf, die diagnostischen Kriterien und aktuellen Präventionsmaßnahmen gegen Masern bei Kindern auf Basis der neuesten Leitlinien.“

Fazit: Gute Prompts als effektives Werkzeug für wissenschaftliches Schreiben

Professionelles Prompten ist wesentlich mehr als eine bloße Eingabe in eine Maschine. Es ist ein aktiver, reflektierter Teil des wissenschaftlichen Schreibprozesses. Zusammenfassend lässt sich sagen, dass der Unterschied zwischen guten und schlechten Prompts in der Detailtiefe und dem Grad der Kontextualisierung liegt. Ein schlechter Prompt ist vage und lässt der KI zu viel Interpretationsspielraum. Ein guter Prompt hingegen ist spezifisch, kontextualisiert und oft durch Angaben zu einer klar definierte Rolle, zur Zielgruppe und zu stilistische Anforderungen gekennzeichnet.

Die Beherrschung dieser Techniken ist entscheidend, um die vollen Potenziale der KI-Modelle auszuschöpfen und die Interaktion von einer zufälligen Angelegenheit zu einem zielgerichteten, kreativen Prozess zu machen. Der Erfolg liegt in der Präzision der Kommunikation. Gute Prompts ermöglichen eine zielgerichtete, strukturierte und sachlich korrekte Textgenerierung, die als Grundlage für weiterführende Arbeiten dienen kann. Gleichzeitig bleibt die kritische Bewertung und gegebenenfalls Anpassung der KI-generierten Texte essenziell. Mit zunehmender Routine im Formulieren und Anpassen von Prompts wächst das Potenzial, das wissenschaftliche Arbeiten durch KI sinnvoll und effizient zu ergänzen.

Übersicht zu Promptsammlungen – Literaturtipps

Quellenangaben zu Prompts, die bei der wissenschaftlichen Arbeit weiterhelfen, finden Sie in Blogbeitrag „Prompting im Studium: Ein Einstieg“.

Wer sich schnell in die Feinheiten des erfolgreichen Prompten einarbeiten will, dem sei das im Winter 2025 erschienene Buch von Fabian Lang empfohlen: Prompt Engineering: Ein praktischer Leitfaden für bessere Ergebnisse mit KI. Essentials-Reihe. Springer Fachmedien Wiesbaden.

Das Buch ermöglicht einen praxisnahen Einstieg ins Prompt Engineering und dient auch als Instrumentenkasten zum Ausprobieren von Prompts.

Weitere Literaturhinweise zum Einsatz Künstlicher Intelligenz enthält der Blogbeitrag „Wissenschaftslektorat im Zeitalter von KI„.