Vertiefung zu LLM-Parametern (Model Size, Tokens, Kontextfenster, Temperature, Top-k/Top-p, Stop-Sequenzen, Penalties) und deren Einfluss auf Outputqualität. Im Rahmen des BMBF-Verbundprojekts ViFoNet (2023–2025) wurde im Teilprojekt 3.2 (Anglistik) beforscht, wie critical digital literacy im Englischunterricht gefördert werden kann.
Beforscht wurde insbesondere der Einsatz von KI-gestützten Tools (z. B. ChatGPT, DALL·E) sowie deren Potenzial für einen kritisch-reflexiven Umgang mit KI im Fremdsprachenlernen. Die Interventionsstudie wurde im Design-Based-Research-Ansatz in Zusammenarbeit mit Schulen durchgeführt. Lehrkräfte erhielten Unterrichtsentwürfe und Materialien, die mit Laptops umgesetzt wurden. Darin wurden KI-Tools praktisch eingesetzt und inhaltlich reflektiert. Dieses Nugget vertieft modellseitige Steuergrößen von Large Language Models (LLMs) und deren Einfluss auf den Output. Behandelt werden u. a. Model Size (Kapazität vs. Ressourcenbedarf), Token und Kontextfenster (Window Size/Context Length), Temperature (Zufälligkeit), Top-k/Top-p (Wortauswahlräume), Stop-Sequenzen (Abbruchkriterien) sowie Frequency/Presence Penalties. Kurze Prompt-Experimente verdeutlichen Wechselwirkungen zwischen Parametern und Ergebnisqualität.
