Detailfülle als Basis für Fehleranfälligkeit

Ein zentraler Aspekt, den ich während meiner Arbeit festgestellt habe, ist, dass eine höhere Detaildichte in den Bildern oft zu vermehrten Fehlern führt, insbesondere bei der Darstellung von Proportionen. Dies ist ein interessantes Phänomen, das zeigt, dass überladene Bilder nur für Moodboards gut sind, aber zum Beispiel nicht für tatsächliche Sujets. Also zumindest jetzt noch nicht. Der Retuscheaufwand stünde vermutlich in keinem Verhältnis.

Nostalgie hat ihren Preis

Ein weiterer wichtiger Punkt war die Erkenntnis, dass Bilder, die zu perfekt bearbeitet sind, oft ihre nostalgische Qualität verlieren. In meinen Experimenten mit Stichworten wie „vintage grainy VHS footage“ stellte ich fest, dass gerade die Unschärfe die eine nostalgische Atmosphäre erzeugen. Die technische Perfektionierung durch Hochskalierung oder zu detailgenaue Bearbeitung kann diese Wirkung leider mindern.

Technischer Aspekt

Anscheinend hat das Programm ein Problem damit, die Funktion Inpaint bei grobkörnigem Bildmaterial zu verwenden. Selbst nach erneutem Upscale ist die Funktion nicht anwendbar. Also zum Beispiel, wenn ich jetzt die Frisur austauschen wollen würde, würde das nicht funktionieren. Aber woran das liegt, weiß ich (noch) nicht. Da merkt man wieder, dass nicht alles auf Knopfdruck und so schnell geht, wie sich das manch einer wünschen würde.

Und auch bei Photoshop Generative Fill konnte ich keine guten Ergebnisse damit erzielen.

Stoffe und Materialien

Ich lege großen Wert darauf, wie die Kleidung gestaltet ist, insbesondere die Beschaffenheit der Stoffe. Das spielt eine entscheidende Rolle. Auch die Farbtöne sind essenziell, da sie zentrale Elemente sind, die den Charakter einer bestimmten Ära – zum Beispiel in Filmen – authentisch widerspiegeln.

Was ist Adobe Firefly?

Adobe Firefly ist ein generatives KI-System, das auf einem Diffusionsmodell basiert – wichtig zu wissen: Es ist kein Large Language Model (LLM) wie ChatGPT. Seine Hauptaufgabe ist es, aus Textbeschreibungen Bilder zu generieren.

Fast alle NutzerInnen mit einem Adobe Creative Cloud-Abonnement haben Zugriff auf Firefly. Allerdings kann es Ausnahmen geben, z.B. bei Lizenzen für Bildungseinrichtungen. Diese sind häufig lokal beschränkt, und die KI-Funktionen, die sich noch in der Beta-Phase befinden, sind dort oft nicht integriert.

Das Besondere an Firefly ist seine nahtlose Integration in die Adobe Creative Cloud. Die KI-Features finden sich in verschiedenen Adobe-Programmen:

• Adobe Express: Generative Fill, Text zu Vorlage, … 
• Photoshop: Generative Fill, Hintergrund erweitern, Neural Filters, …
• Illustrator: Text to Vector, Generative Neu Einfärbung
• Lightroom: Generatives Entfernen, verbessern – Entrauschen, …
• Zukünftige Updates sollen auch generatives Audio und Video umfassen.

Finden Sie hier eine Übersicht aller KI-Anwendungen von Adobe.

Der Firefly Bildgenerator

Eines der bekanntesten Firefly-Features ist der Bildgenerator, der mittlerweile in seiner dritten Version vorliegt. Er erstellt fotorealistische Bilder und Illustrationen basierend auf einfachen Texteingaben direkt im Browser. Zudem ist er in Adobe Express und Google Bard integriert.

Als jemand, der täglich mit verschiedenen KI-Bildgeneratoren arbeitet, sehe ich Vor- und Nachteile:
Das Interface ist deutlich übersichtlicher als beispielsweise Midjourney auf Discord, was ihn besonders attraktiv für die breite Masse macht. Ein weiterer Pluspunkt ist die Mehrsprachigkeit – Textprompts sind in über 100 Sprachen möglich. Allerdings neigen die generierten Bilder oft zu einem eher kitschigen, stockfoto-ähnlichen Stil – die Gründe dafür werde ich im nächsten Abschnitt erläutern.

Besonders hervorzuheben ist die Struktur– und Stil-Referenz-Funktion. Sie ist äußerst wertvoll, wenn man präzise Layoutvorstellungen hat und das Bild entsprechend anpassen möchte. Sehen Sie hier ein Beispiel. 

Ein kurzes Fazit vorab: Der Firefly-Bildgenerator eignet sich hervorragend für den Einstieg in die KI-Bildgenerierung. Das intuitive Interface und die schnellen Ergebnisse machen ihn zum idealen Werkzeug für erste Experimente. Für professionelle PrompterInnen mit spezifischen stilistischen Anforderungen ist er meiner Meinung nach jedoch zu limitiert.

Fun Fact: Für die Nutzung der Funktionen werden Credits verbraucht.

Beta-Programme als Hintertür? Adobe’s KI-Trainingsstrategie unter der Lupe

Aber woher kommen eigentlich die Trainingsdaten für Adobe Firefly? Die aktuellen Firefly-KI-Modelle wurden offiziell auf einem klar definierten Datensatz trainiert:

• Lizenzierte Inhalte: Hauptsächlich Adobe Stock-Bilder
• Gemeinfreie Inhalte: Materialien, bei denen das Urheberrecht abgelaufen ist
• Offen lizenzierte Inhalte: Solche, die frei verfügbar und legal nutzbar sind

Im Juni 2024 kam es jedoch zu einem Aufschrei in der Creative-Community: Adobe wurde verdächtigt, zusätzlich Nutzerdaten zum KI-Training zu verwenden – etwas, das das Unternehmen stets von sich wies. 

Bei meinen Recherchen stieß ich auf ein aufschlussreiches Dokument zu den Lizenzvereinbarungen vom 12.6.2023: Adobe plant demnach offiziell nicht, Inhalte von Unternehmenskunden zum KI-Training zu verwenden – mit einer Ausnahme: Beta-, Verbesserungs- und Feedback-Programme.

Diese Ausnahme erscheint besonders brisant, wenn man bedenkt, dass Adobe in seiner Creative Cloud eine eigene Rubrik für Beta-Versionen unterhält. Diese Beta-Programme erfreuen sich großer Beliebtheit, da NutzerInnen stets danach streben, neue Funktionen als Erste zu testen. Eine clevere Strategie von Adobe?

Diese Entwicklung wirft kritische Fragen auf: Wie transparent ist Adobe’s Umgang mit Nutzerdaten wirklich? Und welche Rolle spielen Beta-Programme in der längerfristigen KI-Strategie des Unternehmens? Ist das nicht eigentlich ein guter Grund, Adobe Dateien nicht mehr in der Adobe Cloud zu speichern, sondern lokal?

Adobe Stock als Basis für Firefly

Adobe Stock, eine umfangreiche Plattform für Stock-Bilder, Videos und Vektorgrafiken, dient als wesentliche Grundlage für das Training von Adobes generativem KI-Modell Firefly. Inhalte, die von Mitwirkenden hochgeladen wurden, sind Teil des Trainingsdatensatzes, und ein Opt-Out war und ist nicht möglich, sofern Künstler weiterhin ihre Werke bei Adobe Stock anbieten wollten.

Eine entscheidende Änderung trat mit der Veröffentlichung des Adobe Stock Contributor Agreement Additional Terms am 1. März 2022 und dessen Wirksamwerden am 15. April 2022 in Kraft. In dieser Vereinbarung wurde Adobe eine weitreichende Lizenz eingeräumt, um hochgeladene Inhalte für die Entwicklung neuer Funktionen und Dienste zu nutzen. Diese Änderung erfolgte ohne expliziten Hinweis auf geplante KI-Trainings, was für viele Mitwirkende später zu Überraschung und Kritik führte.

Dazu eine sehr gute Aufbereitung Sie dazu in einem Blogbpost von alltageinesfotoproduzenten.de

Kompensationszahlungen von Adobe

Erst nach Abschluss der Beta-Phase von Firefly führte Adobe ein Bonuskompensationsprogramm ein. Die Details wurden im September 2023 bekannt gegeben, als Mitwirkende, deren Inhalte für das Training verwendet wurden, eine einmalige Bonuszahlung erhielten.

Der Bonus basierte weniger auf der Nutzung für das KI-Training, sondern vielmehr auf der Anzahl genehmigter Bilder und deren Lizenzhäufigkeit zwischen Juni 2022 und Juni 2023. Die Berechnungsgrundlage für die Zahlung von Adobe sind somit Portfoliogröße und Umsatz.

Der Mindestbetrag für die Auszahlung wurde bei der ersten Auszahlungsrunde 2023 vorübergehend von 25 USD auf 1 USD gesenkt. Für das Jahr 2024 gilt folgendes: „Der Bonus ist nicht garantiert, er variiert für jede(n) berechtigte(n) Anbieter(in) und wird nach Ermessen von Adobe ausgezahlt.“

Hier ist ein Screenshot mit den Details. Darauf ist ersichtlich, dass eine Auszahlung erst dann angefordert werden kann, wenn der Betrag ≧ 25  USD ist.

Ein Blick in die Zukunft

Auf der Adobe MAX 2023 wurde ein spannender Ausblick auf die Zukunft von Firefly präsentiert: Adobe plant, Kreativen die Möglichkeit zu geben, das Modell mit ihren eigenen Assets zu trainieren. Dies würde es erlauben, Inhalte zu erstellen, die dem individuellen Stil und Branding entsprechen, ohne durch die Daten anderer Kreativer beeinflusst zu werden.

Für Unternehmen wäre das eine vielversprechende Entwicklung, da sie Firefly mit ihren Markenassets maßgeschneidert einsetzen könnten. Allerdings könnte dies auch eine Strategie von Adobe sein, Verantwortung abzuwälzen: Wenn die NutzerInnen die Datenbank selbst mit ihren Assets füttern, könnte Adobe argumentieren, keinen Einfluss auf die Inhalte zu haben – eine geschickte Art, sich aus der Verantwortung zu ziehen.

Learnings bei der Recherche

Während der Arbeit an diesem Blogartikel wurde mir deutlich, wie viele verschiedene FAQ-Seiten Adobe anbietet und wie umfangreich das dort gebündelte Wissen ist. Die schiere Menge an Informationen macht es unglaublich schwierig, den Überblick zu behalten und eine „Single Source of Truth“ zu etablieren. Inhalte sind über diverse Plattformen verteilt, darunter:

• community.adobe.com
• Adobe auf Discord
• blog.adobe.com
• helpx.adobe.com

Ein weiteres wichtiges Learning ist, wie essenziell Screenshots als Belege für eigene Recherchen sind. Inhalte auf verlinkten Seiten können sich jederzeit ändern – sei es aus rechtlichen Gründen oder zur Optimierung der Kommunikation. Screenshots schaffen Transparenz und sichern die Argumentation vor späteren Änderungen oder dem Verlust der Originalquellen. Dies ist besonders wichtig, wenn man langfristig auf die Informationen zurückgreifen möchte.

Was ist MAXQDA?

MAXQDA ist eine Software, die seit vielen Jahren Forschende bei der Analyse qualitativer und quantitativer Daten unterstützt. Mit Funktionen wie Kodierung, Textanalyse und Visualisierungswerkzeugen ermöglicht sie eine tiefgehende Untersuchung von Interviewdaten, Literatur, Social Media-Inhalten und vielem mehr. Forschende nutzen MAXQDA, um Muster in Texten zu erkennen, Theorien zu entwickeln und umfassende Berichte zu erstellen.

Ich bin es gewohnt, dass die meisten Programme auf Englisch sind, und deswegen finde ich es immer wieder entspannend, wenn ich Software wie MAXQDA in meiner Muttersprache verwenden kann. Besonders schätze ich die vielen hilfreichen Video-Tutorials und PDF-Guides, die es auf Deutsch gibt. ​​MAXQDA-Guides sind in folgenden Sprachen verfügbar: Englisch, Deutsch, Türkisch, Portugiesisch, Spanisch, Japanisch und Französisch.

Die MAXQDA AI Assist Funktion

AI Assist bietet diverse Funktionen, um generative Sprachmodelle in MAXQDA effizient zu nutzen. Es ermöglicht automatische Zusammenfassungen von Texten oder Codierungen und schlägt passende Codes sowie Subcodes vor. Im AI Chat kann durch Fragen und Prompts direkt mit den Daten interagiert werden. Die Basis des AI Assist ist das GPT-Modell (ChatGPT).

Die Funktion muss jedoch separat gebucht werden. Das hat den Grund, dass bewusst entschieden werden sollte, ob KI im Projekt eingesetzt werden soll. Die Texte werden nämlich an OpenAI geschickt. Nachdem sie dort verarbeitet wurden, werden sie aber anschließend gelöscht und NICHT für das KI-Training genutzt.

Funktionen von AI Assist

Transkripte erstellen:
Die Transkripte in MAXQDA sind übersichtlicher als die von Microsoft Teams. Allerdings erkennt AI Assist das Wort „ChatGPT“ manchmal falsch, wie etwa als „Jet GePeTe“. Diese Fehler werden in den Zusammenfassungen des AI Assist nicht automatisch behoben, können jedoch in ChatGPT direkt ausgebessert werden. Mehr dazu hier.

Vorschläge für Hauptcodes
AI Assist kann für markierte Textstellen automatisch neue Codes vorschlagen. Es analysiert den Inhalt und bietet potenzielle Codes an, die für die Textstelle relevant sind. Diese Vorschläge können dann in das Codesystem integriert werden. Mehr dazu hier. 

Ich habe die Codes im Vorfeld durch Brainstorming mit ChatGPT entwickelt und sie anschließend manuell in MAXQDA angelegt, anstatt AI Assist zur Code-Erstellung zu nutzen.

Subcode-Vorschläge:
AI Assist kann Vorschläge für Subcodes basierend auf den bereits codierten Segmenten eines Hauptcodes machen. Diese Vorschläge werden im Code-Memo gespeichert und können optional um Beispiele ergänzt werden. Mehr dazu hier.

AI Coding (Beta):
AI Coding unterstützt das automatische Codieren einzelner Dokumente und bietet dabei Vorschläge für Textsegmente, die nach den definierten Codierkriterien codiert werden sollen. Forschende behalten dabei die volle Kontrolle über die Codierung. Mehr dazu hier.

Chat mit codierten Segmenten:
Mithilfe des AI Chats können Forschende Fragen zu codierten Segmenten stellen und Antworten erhalten, die Verweise auf spezifische Abschnitte enthalten. Der Chatverlauf wird gespeichert. Diese Funktion ermöglicht tiefere Einblicke in spezifische Themenbereiche der codierten Daten. Mehr dazu hier.

Chat mit Dokumenten:
Mit AI Assist können BenutzerInnen interaktive Chats zu einem gesamten Dokument führen, um verschiedene Blickwinkel zu reflektieren oder Entscheidungen zu überprüfen. Der Chatverlauf wird archiviert und kann später eingesehen werden. Mehr dazu hier.

Diese Funktion hat mir extrem geholfen, um sicherzustellen, dass nichts übersehen oder vergessen wurde.

Begriffsdefinitionen:
Unbekannte Begriffe können markiert und durch AI Assist erklärt werden. Diese Erklärungen werden als Memo im Dokument gespeichert, was die Nachvollziehbarkeit erleichtert. Mehr dazu hier.

Zusammenfassungen erstellen:
AI Assist kann lange Absätze oder Dokumente automatisch zusammenfassen. Diese Funktion ist besonders hilfreich für Berichte, die in einer anderen Sprache erstellt werden müssen als das Interview. Zusammenfassungen können als Sätze oder Bulletpoints dargestellt werden und werden im Summary-Grid gespeichert. Mehr dazu hier.

Paraphrasieren:
Texte können automatisch paraphrasiert und als Paraphrase in MAXQDA gespeichert werden. Diese Funktion eignet sich besonders für die Analyse und das Erstellen kurzer Zusammenfassungen von langen Textabschnitten. Mehr dazu hier.

Limitationen

Ein großes Problem – oder auch ein Vorteil, je nachdem, wie man es betrachtet – bei AI Assist ist, dass es nicht in der Lage ist, Szenarien oder Informationen zu improvisieren oder zu ergänzen, die nicht explizit im Text vorkommen. Das bedeutet, dass der Chat oft mit „Das kam nicht vor“ antwortet, auch wenn das gesuchte Thema möglicherweise anders formuliert wurde. In solchen Fällen habe ich mich oft verleitet gefühlt, auf ChatGPT zurückzugreifen, was viele aus verständlichen Gründen jedoch vermeiden wollen.

Ein weiteres Limit zeigt sich bei der Zusammenfassung im Grid Summary: Wenn zu wenig Input vorhanden ist, kann AI Assist keine Zusammenfassung erstellen.

AI Assist funktioniert am besten innerhalb bestimmter Textmengen. Die maximale Textlänge für Chats beträgt beispielsweise 100.000 Zeichen, und bei codierten Segmenten können bis zu 120.000 Zeichen analysiert werden. Über diese Grenzen hinaus arbeitet AI Assist nicht mehr zuverlässig und liefert keine vollständigen Ergebnisse.

Es ist immer wichtig, die generierten Ergebnisse sorgfältig zu überprüfen, da AI Assist nicht immer präzise arbeitet. Die Zusammenfassungen können vage oder ungenau wirken – sie klingen gut, enthalten aber wenig Substanz. Dies kann besonders problematisch werden, wenn mehrere Personen an einem Projekt arbeiten und auf die Interpretation anderer angewiesen sind, insbesondere bei komplexen oder sensiblen Inhalten wie Gewalt oder Hassreden. In solchen Fällen erfasst AI Assist bestimmte Inhalte möglicherweise nicht richtig oder liefert keine adäquate Zusammenfassung. Zudem können inhaltliche Nuancen oder kulturelle Kontexte, die für die Analyse entscheidend sind, übersehen werden, was eine manuelle Nachbearbeitung erforderlich macht.

Feedbackkutlur bei MAXQDA

Während meiner Arbeit mit dem Programm ist mir aufgefallen, dass es hilfreich wäre, wenn ich im Summary Grid die Felder auch in Orange markieren könnte, um anzuzeigen, wo noch einmal nachgearbeitet werden muss. Diesen Vorschlag habe ich an den Support weitergegeben, und es war beeindruckend, wie schnell sie reagiert haben. Kurz darauf erhielt ich sogar einen Fragebogen zum AI Assistant, was zeigt, dass sie aktiv an Nutzerfeedback interessiert sind.

Insgesamt habe ich bei der gesamten Content-Aufbereitung (Website, unterstützende Ressourcen, Videos) stets das Gefühl gehabt, dass MAXQDA großen Wert auf die Meinungen der UserInnen legt und deren Feedback ernst nimmt.

Feedbackkutlur bei MAXQDA

Während meiner Arbeit mit dem Programm ist mir aufgefallen, dass es hilfreich wäre, wenn ich im Summary Grid die Felder auch in Orange markieren könnte, um anzuzeigen, wo noch einmal nachgearbeitet werden muss. Diesen Vorschlag habe ich an den Support weitergegeben, und es war beeindruckend, wie schnell sie reagiert haben. Kurz darauf erhielt ich sogar einen Fragebogen zum AI Assistant, was zeigt, dass sie aktiv an Nutzerfeedback interessiert sind.

Insgesamt habe ich bei der gesamten Content-Aufbereitung (Website, unterstützende Ressourcen, Videos) stets das Gefühl gehabt, dass MAXQDA großen Wert auf die Meinungen der UserInnen legt und deren Feedback ernst nimmt.

ChatGPT als Unterstützung bei Hypothesenformulierung

ChatGPT kann dazu verleiten, inhaltlich über die Stränge zu schlagen. Bei meiner ersten Idee für die Hypothesenformulierung ging es um die Korrelation zwischen der Verwendung von authentischem Bildmaterial durch Ministerien und dem Vertrauen der Öffentlichkeit sowie um die Bedingungen für den Einsatz von Stock- oder generiertem Bildmaterial ohne Vertrauensverlust, abhängig von der Abstraktheit und Emotionalität der Themen. 

Das war zwar sehr spannend, aber viel zu komplex. Also startete ich neu und untersuchte die Fähigkeit von Menschen, KI-generiertes Bildmaterial von echten Fotos zu unterscheiden. Selbst bei diesem einfacheren Ansatz war die Unterstützung durch ChatGPT bedeutend.

ChatGPT als Unterstützung bei der Datenaufbereitung

Nach der Teilnahme von 154 Personen an der Umfrage lud ich die Excel-Tabelle herunter und übertrug die Daten in JASP. Anfangs kannte ich das Programm nicht und experimentierte einfach.

Nach einigen Versuchen wurde es wichtig, sich auf die Forschungsfragen zu konzentrieren. Doch ich wusste nicht, welche Programmabfragen ich machen musste, und hatte das Gefühl, etwas vergessen zu haben.

ChatGPT erklärte mir, dass ich für die Analyse der Hypothesen nicht nur eine Spalte für die Antworten brauche, sondern auch Spalten für die Bewertung der Richtigkeit und eine Punktezahl, die den Erkennungswert darstellt. Diese Hinweise erwiesen sich als äußerst wertvoll für die Datenaufbereitung.

ChatGPT als Unterstützung im Programm

Während meines Bachelorstudiums lernte ich das Statistikprogramm SPSS kennen. An das Programm selbst erinnere ich mich kaum, wohl aber an den Stress, den es verursachte. JASP war für mich völliges Neuland. „Uff“, dachte ich. „Es kostet immer viel Zeit, die passenden YouTube-Tutorials zu einem Thema zu finden.“ Daher stand ich dem Ganzen zunächst skeptisch gegenüber. 

Doch ChatGPT ermöglichte mir eine effiziente Bewältigung der Programmschritte inJASP. Es half mir nicht nur, Ergebnisse zu erzielen, sondern unterstützte mich auch emotional, da ich den Prozess mit “jemandem gemeinsam” bewältigte.

ChatGPT als Interpretationshilfe

Die Daten zu interpretieren, fiel mir nicht immer leicht. Bei Unsicherheiten machte ich einen Screenshot und überprüfte meine Annahmen mit ChatGPT. Zugegeben, bei zwei Grafiken wusste ich überhaupt nicht, worum es ging. Auch hier fragte ich ChatGPT und erhielt hilfreiche Erklärungen. Dennoch ist es wichtig, die Ergebnisse stets zu überprüfen. Einmal nahm ChatGPT fälschlicherweise an, ein niedrigerer Erkennungswert bedeute ein besseres Ergebnis, was nicht stimmte.Es fühlt sich zwar wie Schummeln an, aber ohne diese Hilfe hätte ich das Problem nicht lösen können. 

Das bedeutet jedoch nicht automatisch, dass die Lösung richtig ist. Dieser Abschnitt bringt mich zum Nachdenken, weil ich mich frage,was meine tatsächliche Leistung ist, wenn ich ChatGPT als Unterstützung heranziehe. Andererseits ist das Ziel des Kurses, dass ich mich möglichst intensiv mit dem Thema quantitative Forschung auseinandersetze. Ich persönlich habe das Gefühl, dass ich länger am Ball bleibe, weil ChatGPT mir hilft, Hürden zu überwinden und mich motiviert, weiterzuarbeiten.

ChatGPT für wissenschaftliches Wording

Obwohl ich es im Bachelorstudium gelernt habe, gehört wissenschaftliche Sprache seit zehn Jahren nicht mehr zu meinem Alltag. Daher fiel es mir anfangs schwer, die richtigen Formulierungen zu finden. Obwohl ich wusste, dass man das Wort „man“ vermeiden sollte, nutzte ich ChatGPT zur Korrektur meiner Texte.

Zusätzlich musste ich über 70 Abbildungen und Screenshots aus verschiedenen Programmen einheitlich und nach APA-Richtlinien zitieren. Ich habe das alles gelernt und bin dafür sensibilisiert, aber ich weiß es nicht mehr aus dem Stegreif.Mit ChatGPT konnte ich mir dieses Wissen wieder ins Gedächtnis rufen und Annahmen überprüfen. Oft dachte ich: „Ahja, genau, so macht man das.“

Über den Workflow

Ich arbeitete mit zwei Bildschirmen, auf denen JASP, Word, Excel und ChatGPT gleichzeitig liefen. Ständig kopierte und überprüfte ich Daten, besonders bei der Diagrammerstellung und den Formeln in Excel, was eine Herausforderung darstellte. Seit zehn Jahren hatte ich diese Tätigkeiten nicht mehr praktiziert. Als ehemalige Grafikerin kostete es mich viel Überwindung, den Report in Excel und Word zu erstellen. Umso mehr freue ich mich darauf, wenn ChatGPT in Zukunft interaktive Tabellen korrekt erstellen kann. Allerdings bot mir ChatGPT einmal ein falsches Diagramm an, was mich verunsicherte. 

Ein weiterer Rückschlag war, als ChatGPT am 4. Juni 2024 ausfiel, was meinen Workflow stark störte und mir zeigte, wie sehr ich mich auf die Unterstützung verlassen hatte. Zum Schluss nutzte ich ChatGPT, um mein gesamtes PDF-Dokument auf Rechtschreibfehler zu prüfen, was mir einiges an Arbeit ersparte.

Meine Interaktionen mit ChatGPT: Einblick in den Lernprozess

Im Laufe meines Projekts hatte ich zahlreiche Fragen an ChatGPT, die mir halfen, verschiedene Aspekte des Webdesigns zu verstehen und anzuwenden. Hier sind einige Beispiele für die Arten von Fragen, die ich gestellt habe:

3. Fehlersuche und Problemlösung:

Wenn etwas nicht funktionierte, nutzte ich ChatGPT, um den Fehler zu finden und zu korrigieren:

• „Warum sind die Ecken jetzt nicht mehr rund?“
• „Warum geht die Box nicht bis zum Rand?“

Diese Fragen halfen mir, Fehler im Code zu identifizieren und zu verstehen, warum bestimmte Dinge nicht wie erwartet funktionierten.

Grenzen von ChatGPT und der Wert menschlicher Expertise

Trotz der enormen Hilfe, die mir ChatGPT bot, stieß ich auf seine Grenzen. Dies wurde besonders deutlich, als ich an einem Punkt angelangt war, an dem ich nicht mehr weiterkam, weil ich nicht genau wusste, wie ich ChatGPT das Problem erklären sollte. In diesen Momenten wandte ich mich an meinen Mann, der über tiefgehende Programmierkenntnisse verfügt. Er entdeckte, dass Visual Studio Code Fehler anzeigte, auf die ChatGPT, da es nicht direkt mit dem Programm verbunden ist, nicht hinweisen konnte. Mein Mann gab mir nicht nur Hinweise auf diese technischen Fehler, sondern auch wertvolles Feedback zur Struktur meiner Website.