Die Komplexität und Vielzahl der Herausforderungen, vor denen Kommunen im Rahmen ihrer Bildungsgestaltung stehen, wächst zunehmend – und mit ihr der Druck, schnellere und fundiertere Entscheidungen zu treffen. Zugleich ist das Personal in der öffentlichen Verwaltung, und hier nicht zuletzt im Bildungsmonitoring, knapp bemessen. Schon heute sind 360.000 Stellen im öffentlichen Dienst unbesetzt, und bis 2030 könnte diese Zahl auf über 840.000 ansteigen – darunter 140.000 Fachkräfte mit digitalen Fähigkeiten, etwa im Bereich der Datenanalyse (McKinsey 2023). Umso wichtiger wird es in Zukunft, Arbeitsprozesse effizient zu organisieren und die vorhandenen Ressourcen zielgerichtet einzusetzen (Abel et al., 41).

Inmitten dieser Herausforderungen eröffnen technologische Innovationen neue Möglichkeiten, den Arbeitsalltag im Bildungsmonitoring effizienter zu gestalten.

Vor allem die generative KI eröffnet dem Bildungsmonitoring eine Vielfalt an neuen Möglichkeiten, wie die folgende Übersicht zeigt:

Denn gerade in datenbezogenen Tätigkeitsbereichen wie dem Bildungsmonitoring bietet generative KI in Kombination mit statistischen Programmiersprachen wie Python oder R die Chance, zeitaufwändige und wiederkehrende Routinearbeiten zu erleichtern und in Teilen sogar zu automatisieren. Dies umfasst insbesondere Tätigkeiten, die regelmäßig und nach festen Mustern durchgeführt werden, wie etwa:

• Aufbereitung von Datentabellen
  Rohdaten aus verschiedenen Quellen müssen oft konsolidiert und für die weitere Verwendung in ein einheitliches Format gebracht werden. Python- oder R-Skripte können diesen Arbeitsschritt automatisieren, was den Prozess beschleunigt und zugleich weniger fehleranfällig macht. 
   
• Erstellung von Auswertungen
  Statistische Analysen, von einfachen deskriptiven Analysen bis hin zu komplexen Clusteranalysen oder hochspezialisierten Segregationsanalysen (pysal developers 2018), können durch Code-Skripte wiederholbar und konsistent durchgeführt werden.
   
• Visualisierung von Daten
  Statistische Programmiersprachen ermöglichen die Erstellung von Diagrammen und Grafiken zur anschaulichen Darstellung von Analyseergebnissen, ohne dass diese jedes Mal manuell erstellt werden müssen.
   
• Automatisierte Berichtserstellung
  Mit Hilfe von Python oder R lassen sich Berichte erstellen, die mehrere Analysen und Visualisierungen zusammenfassen und in einem standardisierten Format präsentieren, was besonders bei regelmäßigen Berichten eine enorme Zeitersparnis bedeutet.

Diese Aufgaben haben gemeinsam, dass sie regelmäßig wiederholt werden, zumindest in Teilen nach festen Abläufen erfolgen und dadurch ideal für die (Teil-)Automatisierung geeignet sind. 

Gehen wir zur Veranschaulichung zunächst von einer Fachkraft im Bildungsmonitoring aus, die in regelmäßigen Abständen eine aktualisierte Datentabelle für die Weiterverarbeitung aufbereiten muss und diesen Prozess gerne automatisieren möchte. Obwohl nur grundlegende Programmierkenntnisse vorhanden sind, kann die Aufgabe mit KI-Unterstützung effizient umgesetzt werden:

Der entscheidende Vorteil an dem beschriebenen Verfahren: Sobald der Code einmal generiert wurde, kann er jederzeit erneut ausgeführt werden. Dadurch entfällt der manuelle Aufwand für zukünftige Durchläufe, z. B. nach einer Aktualisierung der Ausgangstabelle mit Daten zu einem neuen Berichtsjahr. Die Fachkraft wird von einer zeitaufwändigen Routineaufgabe entlastet und gewinnt Kapazitäten für anspruchsvollere Tätigkeiten wie die vertiefende Interpretation von Ergebnissen oder die Beratung von Entscheidungsträger*innen (Gillessen et al., 55). 

Denn das Bildungsmonitoring bleibt ein komplexes Handlungsfeld, das sich nicht „vollautomatisieren“ lässt. Vielmehr kommt es darauf an, Daten sinnvoll zu interpretieren, strategische Schlussfolgerungen zu ziehen und passgenaue Empfehlungen abzuleiten – Aufgaben, die Erfahrung, Fachexpertise und Urteilsvermögen erfordern. KI ersetzt diese Kompetenzen nicht, sondern schafft – klug eingesetzt – Freiräume, in denen Fachkräfte sie gezielt entfalten können.

Statistische Programmiersprachen haben im kommunalen Bildungsmonitoring bisher noch keine breite Anwendung gefunden. Der Hauptgrund dafür liegt in der steilen Lernkurve, die mit dem Einstieg in die Nutzung statistischer Programmiersprachen wie Python oder R verbunden ist. Denn obwohl Python und R allgemein als eher niedrigschwellige Programmiersprachen gelten, gibt es mehrere Faktoren, die den Einstieg erschweren:

Diese Hindernisse haben dazu geführt, dass viele Bildungsmonitorer*innen trotz des großen Potenzials von Python und R zögern, sich mit den Programmiersprachen auseinanderzusetzen. Der Einstieg scheint oft überwältigend und die Lernkurve zu steil, um die ersten Schritte allein zu bewältigen.

Mit dem Aufkommen von KI-Tools wie ChatGPT (Open AI), Gemini (Google), Claude (Anthropic), Le Chat (Mistral) und Copilot (Microsoft), um nur einige Beispiele zu nennen, haben sich diese Voraussetzungen in den letzten Jahren grundlegend gewandelt.

Das Vorgehen dabei ist äußerst intuitiv und ähnelt der Zusammenarbeit mit einem persönlichen Code-Assistenten: Nutzer*innen können Chatbots in natürlicher Sprache Anweisungen („Prompts“) geben, was mit ihrer Tabelle bzw. ihren Daten passieren soll, und das KI-Tool wandelt diese Anweisungen in funktionierenden Code um, den die Nutzer*innen direkt in ihre Python- oder R-Entwicklungsumgebung kopieren und ausführen können. 

Das folgende Video zeigt diesen Workflow in der Praxis. Darin entwickeln wir innerhalb weniger Minuten ein Skript, das die Aufbereitung einer Datentabelle sowie die Erstellung eines Diagramms automatisiert. Wird ein solches Skript beispielsweise im Rahmen der Erstellung eines kommunalen Bildungsberichts entwickelt, kann es auch noch Jahre später, wenn der nächste Bildungsbericht erscheinen soll, einfach auf eine aktualisierte Datentabelle angewendet werden, um innerhalb von Sekunden das neue Diagramm zu generieren. Wird ein solches Skript um weitere Arbeitsschritte ergänzt, können theoretisch mit einem Klick Dutzende von fertigen Diagrammdarstellungen erzeugt werden.

Die im Video am Beispiel von ChatGPT demonstrierte Form der Nutzung von KI-Chatbots ermöglicht es auch Personen ohne umfassende Programmiererfahrung, Python und R für die Datenaufbereitung und -analyse einzusetzen. Dabei sind keine detaillierten Kenntnisse der Syntax oder spezifischer Bibliotheken erforderlich. Ein grundlegendes Verständnis davon, wie Daten in statistischen Programmiersprachen strukturiert sind (z. B. in Listen, Dictionaries oder DataFrames), kann jedoch hilfreich sein – insbesondere, um der KI bei komplexeren Vorhaben eindeutig formulierte Anweisungen zu geben. Gleichzeitig kann das KI-gestützte Generieren von Python- bzw. R-Code dazu genutzt werden, dieses Wissen schrittweise aufzubauen, etwa indem die KI aufgefordert wird, den generierten Code mit erklärenden Kommentierungen zu versehen.

Wie das Video außerdem verdeutlicht, geht es hier nicht um vollautomatisierte KI-Systeme, die Aufgaben eigenständig und ohne menschliches Zutun ausführen – wie z. B. Anwendungen zur KI-basierten Vorprüfung von Anträgen, die komplett ohne menschliche Kontrolle laufen (Krellmann und Hörmeyer 2023).

Diese Herangehensweise kombiniert die Stärken der Automatisierung mit der Expertise der Anwender*innen, um datenbezogene Prozesse gezielt zu verbessern und zu beschleunigen.

Zugegeben, unser Video lässt die Nutzung von KI-gestützten Chatbots wie ChatGPT etwas einfacher erscheinen, als sie tatsächlich ist. Der Schlüssel liegt in der sorgfältigen Formulierung der Prompts, dem sogenannten „Prompt Engineering“. In unserem Beispielvideo haben wir diese Prompts zu Demonstrationszwecken vorformuliert. In der Praxis kann es dagegen vorkommen, dass ein Prompt nicht sofort das gewünschte Ergebnis liefert und zunächst schrittweise angepasst werden muss. Mit ein bisschen Übung ist dies jedoch kein Problem, wenn Sie die folgenden Best Practices beachten:

Durch die Anwendung dieser grundlegenden Best Practices können Sie sicherstellen, dass ihr KI-Tool Ihnen mit möglichst wenigen Überarbeitungsschleifen den passenden Code für Ihre Anforderungen generiert. Betrachten Sie die auf der nächsten Seite vorgestellten Beispiel-Prompts daher stets als „ersten Aufschlag“, der zumeist nicht unmittelbar den perfekten Output generiert, sondern im Laufe eines anschließenden Gesprächs mit der KI schrittweise angepasst werden muss. Wir werden diese Vorgehensweisen im weiteren Verlauf anhand konkreter Anwendungsfälle demonstrieren und aus den Beispielen weitere, detailliertere Tipps und Hinweise ableiten.

Ein letzter Hinweis, bevor wir auf der Unterseite Best Practice: Code-Entwicklung mit KI mit Anwendungsbeispielen in die Praxis einsteigen: Am Ende der Themenseite erklären wir in einem kurzen Abschnitt, wie Sie sich mit wenig Aufwand eine eigene Python- oder R-Entwicklungsumgebung einrichten können, um die gezeigten Vorgehensweisen selbst zu erproben.