Deep Research

Severin Brunold, stark überarbeitet am 2.4.25
​

Deep Research ist da und wird das Schreiben von Arbeiten grundlegend verändern - ob wir das gut finden oder nicht. Statt abzuwarten können wir dank einem guten Umgang mit Deep Research die Qualität von schriftlichen Arbeiten spürbar erhöhen. 
​

Deep Research - was es ist und was es kann

Mit Deep Research sind KI-Agenten gemeint, die selbständig im Internet nach Literatur zu einem Thema suchen und nach ein paar Minuten das Thema auf mehreren Seiten vertieft und mit Quellenangaben beschreiben. Zudem liefern sie eine grosse Literaturliste.
Damit verändert Deep Research das Schreiben von Arbeiten grundlegend: In Kürze lässt sich so die Rohfassung eines Kapitels oder des ganzen Theorieteils schreiben. Zudem hat man viele Quellen (inklusive wissenschaftlicher Studien) um sich tief in das Thema einzulesen und die Rohfassung zu ergänzen.
Zusammenfassend erstellt Deep Research zwei Produkte:

1. Ein vertiefter, mehrseitiger Text zu einem Thema, inklusive Quellenangaben.
2. Eine Literaturliste mit dutzenden Quellen, bei Bedarf auch mit wissenschaftlichen Studien.

Deep Research kann nicht nur verwendet werden, um eine Arbeit zu schreiben. Lehrpersonen können sich mit Deep Research auch sehr gut auf das mündliche Prüfungsgespräch vorbereiten.

Es gibt immer mehr Anbieter von Deep Research. Die bekanntesten sind ChatGPT, Perplexity und Google Gemini.

Bei ChatGPT ist Deep Research aktuell nur kostenpflichtig verfügbar. Für 20.- erhält man nach einigen Minuten einen sehr ausführlichen Bericht auf Hochschulniveau. Es werden zahlreiche wissenschaftliche Studien verarbeitet. Hier geht es zum Beispiel. 

Deep Research von Google Gemini befindet sich in der Mitte zwischen ChatGPT und Perplexity: Nach ein paar Minuten erhält man einen ausführlichen Bericht, der auf zahlreichen Quellen basiert. Die Kurzbelege sind aktuell aber erst sichtbar, wenn man den Bericht in Google Docs exportiert. Hier das Beispiel.

Bei Perplexity ist Deep Research kostenlos verfügbar und sehr schnell. Perplexity durchsucht 20 bis 80 Quellen und schreibt einen guten, aber eher kurzen Bericht. Bei Bedarf berücksichtigt Perplexity auch wissenschaftliche Studien. Das Beispiel findest du hier.

​Hier gibt es ein weiteres Beispiel von Deep Research mit Perplexity und Google Gemini.

Deep Research nutzen

Sowohl bei Perplexity als auch bei Google Gemini muss man sich für die Nutzung von Deep Research registrieren. Mittlerweile ist die Funktion Deep Research bzw. Tiefe Forschung prominent im Chatfenster integriert. Bei Perplexity kann man über das Globus-Symbol rechts im Chatfenster bei Bedarf auch akademische Quellen durchsuchen lassen.

​Möglicher Prompt
Schreibe einen detaillierten Bericht zur Frage […]. 
Optional: Gliedere den Bericht in folgende Kapitel [...].

Quellen und Verarbeitung
Bei Perplexity sind die Quellen oben ersichtlich. Der Bericht lässt sich als PDF exportieren (unter der Antwort).
Bei Google Gemini werden die Quellen ganz unten angezeigt. Oben rechts kann man den Bericht in Google Docs öffnen. Erst dann werden auch die Quellenverweise im Text sichtbar. Auch gibt es dort ein besseres Literaturverzeichnis.
Momentan muss man die Texte noch von Hand in das gewünschte Zitierformat umschreiben (die KI macht hier noch zu viele Fehler, wird diese Fleissarbeit aber auch bald beherrschen).

Deep Research in Perplexity (Stand April 25)

Deep Research ist auch in Google Gemini einfach zugänglich. Beachte: Die Quellenverweise im Text sind erst sichtbar, wenn der Bericht in Google Docs geöffnet wird!

Mit Deep Research den Theorieteil schreiben

Sind wir ehrlich: Deep Research von Google Gemini liefert uns in wenigen Minuten einen wirklich guten Theorieteil für eine Maturaarbeit (während jener von ChatGPT zu wissenschaftlich und umfangreich für eine Maturaarbeit und jener von Perplexity noch zu knapp ist). Wenn aber die KI den Theorieteil schreibt, machen die aktuell gültigen Rahmenbedingungen und Bewertungen wenig Sinn. Wir müssen uns fragen, worin die Eigenleistung bei einer Arbeit besteht und wie wir diese bewerten können.
  
Ich sehe aktuell drei verschiedene Herangehensweisen. Alle Varianten haben gemeinsam, dass die Eigenleistung gestärkt wird, indem der Arbeitsprozess, der Praxisteil und das mündliche Prüfungsgespräch mehr Gewicht erhalten. Mehr dazu folgt weiter unten.

Variante "Liberal"

Ja, die KI kann den Theorieteil schreiben
Wir passen uns der Realität an und akzeptieren, dass der Theorieteil weitgehend von KI geschrieben wird bzw. werden kann.

Auswirkungen auf die Bewertung
Statt den KI-Theorieteil zu bewerten, kann hier ein pass/fail Mechanismus angewendet werden: Der Theorieteil muss gut sein, damit die Arbeit angenommen wird, er wird aber nicht bewertet. Wie gut die Lernenden die Literatur zum Thema kennen, wird im mündlichen Prüfungsgespräch bewertet.

Diese Variante ist zwar radikal, dafür aber klar und zukunftstauglich. Und wenn die Lernenden mit ihren Lernberichten aufzeigen können, dass sie die Arbeit trotz KI weitgehend selbständig geschrieben haben, werden sie mit einer guten Note beim Arbeitsprozess belohnt. Allerdings schreiben gewisse Kantone vor, dass der mündliche Teil einer Arbeit "nur" 1/3 zählen darf. 

Je mehr ich mich mit dem Thema Deep Research auseinandersetze, desto klarer sehe ich diese Variante für Gymnasien und andere Mittelschulen. Alle Details zu dieser Variante findest du hier.

Variante "Handwerk"

Wir fördern die Schreibkompetenz
Diese Variante kommt zum Zug, wenn uns das Fördern der Schreibkompetenz wichtiger ist als ein perfekter Theorieteil. 
Dann sollen die Lernenden auf der Basis von einem Konzept z.B. zwei Bücher und vier weitere Quellen zusammenfassen. Aus den sechs Zusammenfassungen schreiben Sie eine Rohfassung. Und diese ergänzen Sie mit Deep Research.

Auswirkungen auf die Vorgaben
Diese Variante funktioniert nur, wenn die Lernenden alle Zwischenprodukte abgeben müssen.

Diese Variante kann für die Sekundarstufe I und Berufsschulen sinnvoll sein. Mehr dazu auf dieser Unterseite.

Variante "Mittelweg"

Wir versuchen den Spagat
Wenn wir sowohl die Schreibkompetenz fördern und gleichzeitig einen sehr guten Theorieteil haben wollen (aber bitte nicht mit KI), dann wird die Sache kompliziert. 
Eine Möglichkeit ist, dass die Lernenden zuerst (mit Deep Research) eine Rohfassung schreiben und diese dann mit den Informationen aus der Literatur ergänzen. 

Auswirkungen auf die Vorgaben
Auch hier müssen die Lernenden die Zwischenprodukte wie die Rohfassung und die Antworten von Deep Research abgeben, damit die Eigenleistung sichtbar wird. 

Diese Variante funktioniert relativ gut mit den Berichten von Perplexity, nicht aber mit Google Gemini. Dabei stellt sich die Frage, ob man ein Tool vorschreiben möchte (das sich auch noch laufend verändern wird). Und es stellt sich die Frage, was wir mit jenen Lernenden machen, die den Theorieteil trotz KI weitgehend selber schreiben.
Obwohl ich diese Variante zuerst bevorzugt habe, fällt sie bei mir nun in der Tendenz durch, da sie zu kompliziert ist.
Dennoch habe ich meine Gedanken zu dieser Variante hier notiert.

Vorgaben und Bewertung anpassen

Deep Research veranlasst uns, schriftliche Arbeiten neu auszurichten. Und zwar auf die Eigenleistung der Lernenden. Im Grundsatz geht es darum, die drei folgenden Bereiche weiter zu stärken:

1. Der Praxisteil wird wichtiger
   Da wir dank Deep Research bei der Recherche und beim Schreibprozess schneller produktiv arbeiten können, benötigen wir weniger Zeit, den Theorieteil zu schreiben. Dies bietet uns die Chance, bessere Untersuchungen durchzuführen und so einen besseren Praxisteil zu schreiben. Dem entsprechend steigen die qualitativen und quantitativen Anforderungen an das methodische Vorgehen. Reine Literaturarbeiten sind nicht mehr möglich.
   Dies hat auch Auswirkungen auf die Bewertung und den vorbereitenden Unterricht (was weiter unten diskutiert wird).
2. Der Arbeitsprozess wird wichtiger
   Dabei geht es nicht nur um eine Anpassung der Gewichtung bei der Bewertung, sondern darum, den Prozess transparent und nachvollziehbar zu dokumentieren und reflektieren.
   Einerseits muss im Vorwort der Arbeit detailliert beschrieben werden, wie man mit technischen Hilfsmitten wie KI arbeitet. Dazu kommen die Chats mit Deep Research in den Anhang (idealerweise als Link). Und in der Reflexion gilt es, den Lerneffekt im Kontext von KI aufzuzeigen.
   Andererseits braucht es eine Anpassung beim Arbeitsjournal. Simple Tabellen haben ausgedient. Vielmehr soll in einem Lernbericht für jede Phase der Arbeit das Vorgehen, wichtige Entscheidungen, Herausforderungen und Lehren in einem Fliesstext notiert werden. Alternativ kann auch ein Eigenleistungsprotokoll verfasst werden, in dem die Lernenden laufend ihre Eigenleistung beschreiben. Am Ende von jeder Phase wird der Lernbericht zusammen mit dem Stand der Arbeit der Betreuungsperson abgegeben. So werden die Gedanken, das Lernen und der Prozess nachvollziehbar und können entsprechend begleitet und bewertet werden. Die Lernberichte werden auf dieser Unterseite detailliert vorgestellt.
3. Das mündliche Prüfungsgespräch wird wichtiger
   Mit der schriftlichen Arbeit zeigen die Lernenden auf, dass sie mit Hilfsmitteln ein gutes Produkt erstellen können. Und an der mündlichen Prüfung können sie zeigen, dass sie das Thema und die Methodik auch wirklich verstanden haben.

An weiterführenden Schulen reicht es beim Theorieteil einer normalen Untersuchung nicht mehr, nur die relevanten Hintergrundinformationen zusammenzutragen. Es braucht einerseits Bezüge zu den relevanten Theorien oder Konzepten. Und mit entsprechenden (wissenschaftlichen) Studien soll die Fragestellung im Allgemeinen beantwortet werden (das heisst ohne auf den spezifischen Ort oder die spezifischen Akteure aus der Fragestellung einzugehen). 

Mit einer kleinen Umfrage sammle ich die Meinungen zu diesem Thema.
​

Herausforderungen meistern 

Das Arbeiten mit Deep Research beinhaltet verschiedene Herausforderungen:

1. Wie bereits erwähnt, reicht es nicht, einfach den Text von Deep Research zu kopieren. Man muss die Literatur sorgfältig studieren, um ein gutes Verständnis vom Thema zu erlangen. Nur so kann man einen guten Praxisteil durchführen und an der mündlichen Prüfung zeigen, dass man das Thema und die Methode verstanden hat.
2. Die einzelnen Kapitel müssen gut miteinander verknüpft sein und eine inhaltliche Einheit bilden. Es braucht eine gute Leserführung und Bezüge zwischen den verschiedenen Kapiteln - zwischen den Kapitel des Theorieteils aber auch zwischen Theorie- und Praxisteil.
3. Es wird erwartet, dass die Sprache über die gesamte Arbeit einheitlich ist. Dies betrifft das Niveau, den Stil und die Sprachkorrektheit. Hier helfen zwar Tools wie DeepL/write, dennoch sollte man sprachlich und inhaltlich einiges in seine Arbeit investieren.

​Selbstredend muss man stets auch sicherstellen, dass die Quellenangaben korrekt sind, dass man die Verwendung von KI detailliert im Vorwort und im Lernbericht beschreibt und mit der Betreuungsperson bespricht.​
​

Anpassungen im propädeutischen Unterricht

Im vorbereitenden Unterricht gibt es zwei neue Schwerpunktthemen:

1. Umgang mit Deep Research
   Hier geht es darum, wie wir Deep Research nutzen und wie wir mit den Herausforderungen umgehen können. Beides wird oben beschrieben.
2. Lernbericht
   Wir müssen den Lernenden aufzeigen, wie man einen Lernbericht schreibt und warum.
3. Praxisteil
   Weil der Praxisteil wichtiger wird, müssen wir den Lernenden das methodische Vorgehen besser und vertiefter beibringen. Hier plädiere ich für eine Kombination aus theoretischem Input bzw. begleitetem Selbststudium mit dem Kompass (Kapitel 9 und 10) und einer praktischen Übung. Bei dieser wird der gesamte Praxisteil auf der Basis einer kleinen, vorgegebenen Fragestellung durchgespielt.

Bleibt die Frage, was oder wo man im vorbereitenden Unterricht kürzt. Hier sehe ich eine Kombination aus vier Massnahmen:

• Motivation durch Relevanz: An der Schule, an der ich unterrichte, führen wir den vorbereitenden Unterricht neu parallel zur eigentlichen Arbeit - so können die Lernenden das Gelernte direkt bei ihre Arbeit anwenden und sind relativ motiviert. Meine anfängliche Skepsis betreffend der Abgrenzung von Unterricht, Betreuung und Bewertung ist schnell verfolgen, weil alle mit den gleichen Grundlagen arbeiten (und so vom gleichen reden).
• Flipped Classroom auf der Basis von guter Grundlagenliteratur: Die Grundlagen können die Lernenden selbständig zu Hause im Kompass lesen und jeweils ihre Überlegungen auf einem Arbeitsblatt notieren (z.B. zur Themenfindung, siehe Arbeitsblätter auf hep-verlag.ch/kompass). Dann bleibt im Unterricht Zeit, die Lernenden individuell zu betreuen, was einen hohen Lerneffekt hat.
• Effizientere Recherche: Dank Deep Research wird das Thema schneller überblickt und man hat schnell viel gute Literatur zusammen. So braucht man weniger Zeit für die Recherche und hat mehr Zeit, sich um den Praxisteil zu kümmern.
• Fokus auf eine Methode: Statt alle relevanten Methoden einzuführen, haben wir gute Erfahrungen gemacht mit Methodik-Workshops: Die Lernenden wählen eine Methode, in der sie dann vertieft geschult werden.