Prepro 4: KI für Codegenerierung

Vibecoding bezeichnet einen Arbeitsstil, bei dem man Code nicht selbst schreibt, sondern der KI beschreibt, was man erreichen möchte — und den generierten Code dann übernimmt, anpasst oder korrigiert.

Das setzt R-Kenntnisse nicht ausser Kraft — es verschiebt ihre Rolle. Wer weiss, was group_by() tut und wie ein Dataframe aufgebaut ist, kann der KI präziser erklären, was sie tun soll. Und wer den generierten Code lesen kann, erkennt, ob er korrekt ist.

In dieser Demo zeigen wir verschiedene Arten, wie sich KI in einen R-Workflow integrieren lässt — von Copy & Paste bis zum lokalen Sprachmodell.

Demo

Analyse-Ziel: Die mittlere Monatstemperatur pro Jahr aus weather.csv berechnen und als Linienplot vergleichen — eine Variation der Kalenderwoche-Analyse aus Prepro 4: Tutor.

Werkzeug 1: Copy & Paste aus dem Web

Der einfachste Einstieg: Aufgabe in einem Web-KI-Tool formulieren, Code kopieren, in RStudio einfügen und ausführen.

→ Prompt an Le Chat:

«Ich habe einen Dataframe wetter mit den Spalten stn (factor), time (POSIXct, Stundenwerte), tre200h0 (numeric, Lufttemperatur in °C) sowie convenience-Variablen jahr (integer) und monat (integer, aus lubridate::month()). Berechne mit dplyr die mittlere Monatstemperatur pro Jahr (group_by, summarise) und visualisiere das Resultat als Linienplot mit ggplot2, farblich nach Jahr unterschieden.»

Einige Punkte, die man nach dem Copy-Paste prüfen sollte:

  • Erwartungshaltung formulieren: Bevor der Code ausgeführt wird — wie soll der Output aussehen? Wie viele Zeilen, welche Spalten, welcher Wertebereich?
  • Code lesen und plausibilisieren: Stimmen die Spaltennamen mit dem eigenen Datensatz überein? Verwendet die KI .groups = "drop" in summarise()? Stimmt das Datumsformat in as.POSIXct()? Die KI rät, wenn kein Beispielwert mitgeliefert wurde.
  • Code ausführen — läuft er fehlerfrei durch?
  • Output prüfen: Stimmt das Ergebnis mit der Erwartung überein — Struktur, Werte, Plot?

Werkzeug 2: RStudio Copilot

GitHub Copilot lässt sich direkt in RStudio aktivieren:

  1. Tools → Global Options → Assistant
  2. Im Dropdown «Use code assistant» die Option GitHub Copilot auswählen.
  3. Die Copilot Agent-Komponenten herunterladen und installieren.
  4. Auf Sign In klicken.
  5. Im Dialog «GitHub Copilot: Sign in» den angezeigten Verification Code kopieren.
  6. Auf https://github.com/login/device navigieren, den Code einfügen und auf Continue klicken.
  7. GitHub fragt nach den notwendigen Berechtigungen — mit Authorize GitHub Copilot Plugin bestätigen.
  8. Nach der Freigabe zeigt RStudio den angemeldeten GitHub-Account an.
  9. Dialog schliessen, eine Quelldatei (.R, .py, .qmd …) öffnen und loscoden!

Danach schlägt RStudio beim Tippen automatisch Code vor — grau hinterlegt, mit Tab übernehmen.

→ Demonstration: Kommentar als Beschreibung, Vorschlag annehmen.

# Mittlere Temperatur pro Monat und Jahr berechnen
Hinweis

Für die Nutzung von GitHub Copilot wird ein GitHub-Account sowie ein aktives Abonnement (Copilot for Individuals oder Copilot for Business) benötigt.

Studierende und Lehrpersonen können GitHub Copilot kostenlos über das GitHub Education-Programm nutzen.

Werkzeug 3: opencode

opencode ist ein Desktop- und Terminal-Tool für KI-gestützte Codegenerierung, das verschiedene Anbieter (z.B. Anthropic Claude, OpenAI) unterstützt. Es ist näher am Entwicklungsworkflow als ein Web-Chat.

→ Demonstration: Gleiche Aufgabe in opencode, mit kommerziellem Anbieter.

Werkzeug 4: Lokales Sprachmodell (optional)

opencode lässt sich auch mit einem lokal laufenden Modell verbinden (z.B. via Ollama). Der Code verlässt dann den eigenen Rechner nicht.

Vorteil: Datenschutz. Nachteil: Qualität und Geschwindigkeit abhängig von der verfügbaren Hardware.

Übung

Aufgabe 1: Naiv vs. Informiert

Wir stellen dieselbe inhaltliche Frage an eine KI — zuerst ohne R-Kontext, dann mit präzisem R-Vokabular. Verwende Le Chat (kein Account erforderlich). Starte jeweils einen neuen Chat, damit die Antworten unabhängig voneinander sind.

Forschungsfrage: War die mittlere Jahrestemperatur an der Station Basel (BAS) im Jahr 2001 höher als im Jahr 2000?

Runde 1 — ohne R-Kenntnisse:

«Ich habe eine CSV-Datei mit stündlichen Wettermessungen. Wie kann ich in R herausfinden, ob es in einem Jahr wärmer war als in einem anderen?»

Runde 2 — mit R-Kenntnissen aus Prepro 1–3:

«Ich habe einen Dataframe wetter mit den Spalten stn (factor, z.B. "BAS"), time (POSIXct, stündliche Werte), tre200h0 (numeric, Lufttemperatur in °C) und jahr (integer, aus lubridate::year()). Filtere den Dataframe auf die Station "BAS", gruppiere nach jahr mit group_by aus dplyr und berechne die mittlere Jahrestemperatur mit summarise.»

Vergleiche die beiden Antworten:

  • Wie unterscheiden sich die vorgeschlagenen Lösungswege?
  • Welcher Code ist für deinen Datensatz direkt verwendbar — und warum?
  • Was musstest du wissen, um den informierten Prompt zu formulieren?

Aufgabe 2: Zwei Anbieter vergleichen

Stelle den informierten Prompt aus Aufgabe 1 bei zwei verschiedenen KI-Tools (z.B. Le Chat und ChatGPT, oder zwei andere):

  • Unterscheiden sich die generierten Codes?
  • Sind beide korrekt und direkt ausführbar?
  • Gibt es Unterschiede im Stil — z.B. Base R vs. tidyverse, mit oder ohne Piping?