Individuelle Förderung oder algorithmische Selektion - KI in der Schule

Individuelle Förderung oder algorithmische Selektion? KI in der Schule

{{#ev:youtube|https://www.youtube.com/watch?v=8ZhK8Okb7fA%7C500%7Ccenter}}

Lehrerfortbildungssnack: In diesem aiMOOC setzt Du Dich mit der Leitfrage auseinander, ob Künstliche Intelligenz in der Schule vor allem individuelle Förderung ermöglicht oder ob sie zur algorithmischen Selektion von Lernenden beitragen kann. Der Fokus liegt auf professionellem, reflektiertem und rechtlich sensiblem Handeln von Lehrkräften: KI soll Lernende stärken, nicht vorschnell sortieren, bewerten oder festlegen.

Einleitung

Künstliche Intelligenz verändert Unterricht, Diagnostik, Feedback, Aufgabenkultur, Prüfungskultur und Schulentwicklung. Besonders sichtbar wird dies bei adaptiven Lernsystemen, Learning Analytics, Intelligenten Tutoriellen Systemen und generativer KI. Solche Systeme können Lehrkräfte dabei unterstützen, Lernstände besser wahrzunehmen, differenzierte Materialien zu erstellen, Erklärungen zu variieren, sprachliche Barrieren abzubauen und Lernende mit passgenauem Feedback zu begleiten. Gleichzeitig entstehen Risiken: Algorithmen können Lernende klassifizieren, Empfehlungen verengen, soziale Ungleichheit verstärken, Leistungsdaten überbewerten oder menschliche pädagogische Urteile in den Hintergrund drängen.

Die zentrale professionelle Frage lautet daher nicht: KI ja oder nein? Die zentrale Frage lautet: Welche pädagogische Logik steuert den Einsatz von KI? Eine förderorientierte Logik fragt: Was hilft dieser lernenden Person als nächster sinnvoller Lernschritt? Eine selektionsorientierte Logik fragt: In welche Kategorie gehört diese Person, welcher Rang wird ihr zugewiesen oder welche Chance wird ihr verweigert? Dieser Unterschied ist entscheidend für Chancengerechtigkeit, Inklusion, Datenschutz, Transparenz und pädagogische Verantwortung.

Dieser aiMOOC richtet sich an Lehrkräfte, Ausbilderinnen und Ausbilder, Lehramtsstudierende, Schulleitungen und Fortbildende. Du lernst, KI-Anwendungen in der Schule so zu prüfen, dass Individuelle Förderung, Medienbildung, Demokratiebildung und Bildungsgerechtigkeit gestärkt werden. Du entwickelst Kriterien, um problematische Formen von Profiling, Bias, automatisierter Bewertung und datengetriebener Sortierung zu erkennen.

Fortbildungsziele

Nach diesem aiMOOC kannst Du erklären, worin der Unterschied zwischen individueller Förderung und algorithmischer Selektion besteht. Du kannst einschätzen, welche Potenziale KI für Feedback, Differenzierung, Barrierefreiheit und Lernbegleitung bietet. Du kannst Risiken wie Bias, Diskriminierung, Überwachung, Datenschutzverletzung, Fehlinformation und automatisierte Einzelfallentscheidung benennen. Du kannst eine KI-Anwendung mit pädagogischen, ethischen, rechtlichen und didaktischen Prüffragen analysieren. Du kannst Unterrichtsideen entwerfen, bei denen KI nicht über Lernende entscheidet, sondern Lernprozesse sichtbar, gestaltbar und reflektierbar macht.

Der Fortbildungssnack in 30 Minuten

Phase	Zeit	Aufgabe	Ergebnis
Einstieg	5 Minuten	Schau das Video und notiere eine Chance sowie ein Risiko von KI in der Schule.	Erste persönliche Position
Begriffe klären	7 Minuten	Unterscheide individuelle Förderung, adaptives Lernen, Learning Analytics und algorithmische Selektion.	Begriffliche Sicherheit
Fall prüfen	10 Minuten	Analysiere ein KI-Szenario mit der Förder-oder-Selektions-Brille.	Pädagogisches Urteil
Transfer	8 Minuten	Formuliere eine Regel für Deine Schule oder Deinen Unterricht.	Konkreter Handlungsimpuls

Grundbegriffe

Individuelle Förderung

Individuelle Förderung bedeutet, Lernende auf Grundlage ihrer Lernvoraussetzungen, Interessen, Stärken, Schwierigkeiten und Entwicklungsziele zu unterstützen. Sie ist mehr als das Verteilen unterschiedlich schwerer Arbeitsblätter. Sie umfasst Diagnostik, Feedback, Scaffolding, Differenzierung, Inklusion, Beziehungsarbeit, Lernberatung und die Gestaltung passender Lerngelegenheiten. Eine Lehrkraft beobachtet nicht nur Ergebnisse, sondern auch Lernwege, Strategien, Motivation, Sprache, soziale Einbindung und Selbstvertrauen.

KI kann individuelle Förderung unterstützen, wenn sie als Werkzeug für pädagogisches Handeln eingesetzt wird. Sie kann zum Beispiel alternative Erklärungen formulieren, Aufgaben auf unterschiedlichen Niveaus entwerfen, Texte vereinfachen, Übersetzungen anbieten, Fehlerarten sichtbar machen oder Lernende beim Üben begleiten. Entscheidend bleibt: Die Lehrkraft deutet die Situation, achtet auf den Menschen und entscheidet verantwortungsvoll über die nächsten Schritte.

Adaptives Lernen und personalisiertes Lernen

Adaptives Lernen bezeichnet Lernumgebungen, die sich anhand von Eingaben, Bearbeitungswegen oder Ergebnissen an den Lernstand anpassen. Ein System kann zum Beispiel nach einer falschen Antwort einen Hinweis geben, eine leichtere Übung anbieten oder Wiederholungen einplanen. Personalisiertes Lernen ist breiter: Es kann auch Interessen, Lernziele, Tempo, Wahlmöglichkeiten, Lernstrategien und Formen der Zusammenarbeit berücksichtigen.

Wichtig ist die pädagogische Unterscheidung: Anpassung ist nicht automatisch Förderung. Ein adaptives System kann Lernende unterstützen, wenn es Lernwege öffnet. Es kann aber auch einschränken, wenn es Lernende dauerhaft in einfache Aufgaben einsortiert, ihnen anspruchsvolle Lerngelegenheiten vorenthält oder aus wenigen Daten weitreichende Schlüsse zieht.

Learning Analytics

Learning Analytics meint die Auswertung von Daten über Lernprozesse, um Lernen und Lernumgebungen besser zu verstehen und zu verbessern. Typische Daten können Bearbeitungszeiten, Antwortmuster, Abbruchstellen oder Fortschritte sein. Im schulischen Kontext sind solche Daten besonders sensibel, weil sie mit Kindern und Jugendlichen, Leistungsbewertung, Förderung, Zugängen und Bildungsbiografien verbunden sein können.

Learning Analytics kann formative Diagnostik unterstützen. Problematisch wird es, wenn Daten ohne klare pädagogische Fragestellung gesammelt werden, wenn Lernende nicht verstehen, was ausgewertet wird, wenn Daten zur Kontrolle statt zur Unterstützung dienen oder wenn aus Daten starre Kategorien entstehen. Deshalb gelten Grundprinzipien wie Datensparsamkeit, Transparenz, Zweckbindung, Nachvollziehbarkeit und menschliche Verantwortung.

Algorithmische Selektion

Algorithmische Selektion liegt vor, wenn digitale Systeme Daten nutzen, um Menschen zu sortieren, zu bewerten, zu priorisieren, vorherzusagen oder ihnen unterschiedliche Möglichkeiten zuzuweisen. In der Schule kann dies harmlos beginnen, etwa wenn ein System Übungsaufgaben empfiehlt. Es kann aber folgenreich werden, wenn Systeme Lernende als „schwach“, „riskant“, „begabt“, „prüfungsgefährdet“ oder „nicht geeignet“ markieren und diese Einordnung Entscheidungen beeinflusst.

Algorithmische Selektion ist besonders problematisch, wenn sie intransparent ist, wenn sie auf verzerrten Daten beruht, wenn Lernende sich nicht erklären oder widersprechen können, wenn Lehrkräfte dem System zu stark vertrauen oder wenn technische Bewertungen soziale Erwartungen erzeugen. Ein Score kann dann zum Etikett werden. Aus einer Prognose kann eine selbsterfüllende Prophezeiung entstehen.

Bias und Diskriminierung

Bias bedeutet eine systematische Verzerrung. Bias kann in Daten, Modellen, Aufgaben, Sprache, Bildern, Bewertungskriterien oder Nutzungsweisen entstehen. Wenn Trainingsdaten gesellschaftliche Ungleichheiten abbilden, kann ein KI-System diese Ungleichheiten reproduzieren. Wenn eine Lernplattform vor allem Daten bestimmter Gruppen enthält, kann sie für andere Gruppen schlechter funktionieren. Wenn Sprache, Herkunft, Geschlecht, Behinderung, soziale Lage oder technische Ausstattung indirekt in Daten sichtbar werden, können scheinbar neutrale Systeme ungerecht wirken.

Für die Schule heißt das: KI darf nicht als objektive Instanz verstanden werden. Sie ist ein technisches System, das von Menschen entwickelt, mit Daten trainiert, mit Zielen versehen und in sozialen Situationen genutzt wird. Professioneller KI-Einsatz bedeutet deshalb, Ergebnisse zu prüfen, Gegenbeispiele zu suchen, Betroffene einzubeziehen und Lernenden zu zeigen, dass KI-Ausgaben begründet hinterfragt werden müssen.

Pädagogische Leitfrage: Fördern oder Sortieren?

Die gleiche KI-Funktion kann förderlich oder selektiv wirken. Entscheidend sind Zweck, Kontext, Transparenz, Datenbasis, menschliche Kontrolle und die Folgen für Lernende. Eine automatische Aufgabenempfehlung kann hilfreich sein, wenn sie Lernenden Wahlmöglichkeiten gibt und Lehrkräfte Rückmeldungen pädagogisch einordnen. Sie kann selektiv wirken, wenn sie Lernende dauerhaft in Leistungsgruppen fixiert oder anspruchsvolle Aufgaben nur bestimmten Gruppen anbietet.

Förderlogik

Eine Förderlogik erkennt Lernende als entwicklungsfähige Personen. Sie nutzt Daten vorsichtig, situationsbezogen und mit Blick auf nächste Lernschritte. Sie fragt nach Unterstützung, Motivation, Barrierefreiheit, Beziehung, Selbstwirksamkeit und Teilhabe. In dieser Logik ist KI ein Werkzeug, das pädagogisches Handeln unterstützt, aber nicht ersetzt.

Förderorientierte KI-Nutzung zeigt sich zum Beispiel, wenn eine Lehrkraft KI nutzt, um mehrere Erklärwege zu einem mathematischen Konzept zu erstellen, Lesetexte sprachsensibel zu differenzieren, Feedbackvorschläge zu formulieren, Lernende zur Reflexion ihres Lernwegs anzuregen oder Materialien für unterschiedliche Zugänge zu entwickeln. Dabei bleibt für Lernende sichtbar, dass KI ein Hilfsmittel ist und dass Ergebnisse geprüft werden.

Selektionslogik

Eine Selektionslogik reduziert Lernende auf Datenpunkte, Kategorien oder Scores. Sie fragt nach Rang, Risiko, Wahrscheinlichkeit, Vergleich und Zuweisung. Sie wird gefährlich, wenn KI-Ergebnisse als neutrale Wahrheit behandelt werden. In dieser Logik können Lernende auf vergangene Leistungen festgelegt werden. Wer einmal als „schwach“ gilt, bekommt vielleicht weniger herausfordernde Aufgaben. Wer als „unauffällig“ gilt, erhält weniger Aufmerksamkeit. Wer technisch weniger Zugang hat, produziert weniger Daten und wird falsch eingeschätzt.

Algorithmische Selektion kann auch unabsichtlich entstehen. Ein System, das nur häufige Nutzung belohnt, bevorzugt Lernende mit stabiler Ausstattung, ruhigem Lernort und hoher Medienroutine. Ein System, das schnelle Antworten positiv bewertet, kann gründliches Denken unterschätzen. Ein System, das schriftsprachliche Antworten stark gewichtet, kann mehrsprachige Lernende benachteiligen. Deshalb müssen Lehrkräfte technische Ergebnisse immer im pädagogischen Kontext lesen.

Entscheidende Prüffrage

Die wichtigste Prüffrage lautet: Öffnet die KI neue Lernmöglichkeiten oder verengt sie Zukunftschancen? Wenn eine KI Lernende unterstützt, Wahlmöglichkeiten erweitert, Barrieren senkt und Reflexion stärkt, kann sie individuelle Förderung fördern. Wenn sie Lernende markiert, überwacht, bewertet oder von anspruchsvollen Lernwegen ausschließt, droht algorithmische Selektion.

Rechtliche und ethische Orientierung

Menschliche Letztverantwortung

Leistungsbewertung ist in der Schule eine pädagogische und rechtlich bedeutsame Aufgabe. KI kann beim Entwerfen von Rückmeldungen, beim Strukturieren von Kriterien oder bei der Voranalyse von Texten unterstützen. Die abschließende Bewertung darf aber nicht unkritisch an ein System delegiert werden. Eine Lehrkraft muss Ergebnisse nachvollziehen, prüfen, begründen und verantworten können.

Das Prinzip Human in the Loop bedeutet: Ein Mensch bleibt verantwortlich beteiligt. Für Schule reicht ein formales Abnicken nicht aus. Menschliche Kontrolle muss informiert, wirksam und korrigierend möglich sein. Lehrkräfte brauchen dafür Zeit, Kompetenz, transparente Systeme und klare schulische Regeln.

Datenschutz und Datensparsamkeit

Datenschutz schützt nicht nur Daten, sondern Menschen. Lern- und Leistungsdaten von Schülerinnen und Schülern sind besonders sensibel. Deshalb muss vor dem Einsatz einer KI-Anwendung geklärt werden, welche Daten verarbeitet werden, zu welchem Zweck dies geschieht, wo Daten gespeichert werden, wer Zugriff erhält, wie lange Daten gespeichert bleiben und ob personenbezogene Daten wirklich nötig sind.

Datensparsamkeit bedeutet: Es werden nur die Daten genutzt, die für einen klaren pädagogischen Zweck erforderlich sind. Für viele Unterrichtsaufgaben genügt es, ohne Klarnamen, ohne langfristige Speicherung und ohne sensible personenbezogene Daten zu arbeiten. Je stärker ein System Lernende bewertet, profiliert oder Entscheidungen beeinflusst, desto höher sind die Anforderungen an Rechtmäßigkeit, Transparenz und Kontrolle.

KI-Verordnung und Hochrisiko im Bildungsbereich

Die europäische KI-Verordnung ordnet bestimmte KI-Systeme im Bildungsbereich als besonders risikoreich ein, wenn sie etwa Zugang, Zuweisung, Lernbewertung oder Prüfungsüberwachung betreffen. Für Schulen ist daraus eine einfache professionelle Haltung ableitbar: Je stärker eine KI über Bildungswege, Bewertungen oder Chancen entscheidet, desto strenger müssen Prüfung, Dokumentation, Transparenz, menschliche Aufsicht und Schutz vor Diskriminierung sein.

Nicht jede KI-Nutzung im Unterricht ist ein Hochrisikofall. Ein Chatbot zur Ideenfindung für Unterrichtsmaterial ist anders zu beurteilen als ein System, das Noten vorschlägt, Lernende rankt oder Prüfungsverhalten überwacht. Lehrkräfte sollten daher zwischen Unterstützung, Empfehlung, Diagnose, Bewertung und Entscheidung unterscheiden.

Ethische Leitprinzipien

Für einen verantwortlichen KI-Einsatz in der Schule sind mindestens sechs Leitprinzipien wichtig: Menschenwürde, Bildungsgerechtigkeit, Transparenz, Autonomie, Nichtdiskriminierung und pädagogische Verantwortung. Diese Prinzipien helfen, technische Möglichkeiten nicht mit pädagogischer Sinnhaftigkeit zu verwechseln. Nicht alles, was technisch möglich ist, ist schulisch sinnvoll.

Didaktische Einsatzfelder

KI für Unterrichtsvorbereitung

KI kann Lehrkräfte bei der Unterrichtsvorbereitung entlasten. Sie kann Einstiegsfragen vorschlagen, Differenzierungsstufen entwerfen, Beispiele generieren, Texte vereinfachen, Lernziele formulieren, Bewertungsraster strukturieren oder Aufgabenvarianten für verschiedene Niveaus entwickeln. Diese Nutzung ist besonders hilfreich, wenn Lehrkräfte KI-Ausgaben fachlich prüfen, an die Lerngruppe anpassen und nicht unverändert übernehmen.

Ein guter Prompt für Unterrichtsvorbereitung enthält Fach, Klassenstufe, Lernziel, Vorwissen, Sprachstand, Materialform, gewünschte Differenzierung und Ausschlusskriterien. Trotzdem gilt: KI kennt Deine Lerngruppe nicht wirklich. Sie kann Vorschläge liefern, aber keine pädagogische Beziehung ersetzen.

KI für Feedback und formative Diagnostik

Feedback ist lernwirksam, wenn es verständlich, konkret, zeitnah und auf nächste Schritte bezogen ist. KI kann Feedbackvorschläge formulieren oder Lernenden helfen, eigene Texte zu überarbeiten. Besonders sinnvoll ist dies, wenn Lernende Feedback nicht als endgültiges Urteil verstehen, sondern als Gesprächsanlass. Eine gute Aufgabenstellung könnte lauten: „Lass Dir von einer KI drei Verbesserungsvorschläge geben, prüfe sie fachlich und entscheide begründet, welchen Vorschlag Du übernimmst.“

Formative Diagnostik unterscheidet sich von Bewertung. Sie fragt nicht: Welche Note bekommt diese Leistung? Sie fragt: Was zeigt diese Leistung über den aktuellen Lernstand und was ist der nächste sinnvolle Schritt? KI sollte vor allem in dieser formativen Logik genutzt werden.

KI für Inklusion und Barrierefreiheit

KI kann Inklusion unterstützen, wenn sie Barrieren abbaut. Beispiele sind Text-to-Speech, Speech-to-Text, automatische Untertitel, vereinfachte Sprache, Übersetzungen, Bildbeschreibungen, alternative Aufgabenformate oder strukturierende Lernhilfen. Solche Anwendungen können Teilhabe stärken, wenn sie datenschutzkonform, altersangemessen und pädagogisch begleitet eingesetzt werden.

Gleichzeitig darf KI nicht dazu führen, dass Lernende mit Unterstützungsbedarf stärker überwacht oder defizitorientiert etikettiert werden. Inklusive KI-Nutzung fragt: Wie kann diese Person aktiver, selbstständiger und würdevoller am Lernen teilnehmen?

KI für Prüfungskultur

Generative KI verändert die Prüfungskultur. Wenn Hausarbeiten, Präsentationen, Programmcode oder Reflexionstexte mit KI erstellt werden können, reichen Aufgabenformate, die nur fertige Produkte bewerten, oft nicht mehr aus. Zeitgemäße Prüfungskultur muss Prozesse, Entscheidungen, Quellenarbeit, Reflexion, mündliche Erläuterung, Kollaboration und verantwortlichen KI-Einsatz einbeziehen.

Eine sinnvolle Prüfungsaufgabe könnte verlangen, dass Lernende dokumentieren, welche KI-Werkzeuge sie genutzt haben, welche Prompts sie gestellt haben, welche Ergebnisse sie verworfen haben und wie sie die Qualität geprüft haben. So wird nicht das Verbot von KI zum Zentrum, sondern die Fähigkeit, KI kompetent, transparent und kritisch zu nutzen.

Risikofelder in der Schule

Automatische Bewertung

Automatische Bewertung ist besonders sensibel. Bei einfachen Übungsaufgaben kann automatisches Feedback hilfreich sein. Bei komplexen Leistungen wie Essays, Projektarbeiten, mündlichen Beiträgen, kreativen Produkten oder sozialen Lernprozessen drohen Verkürzungen. KI kann sprachliche Oberfläche, Musterähnlichkeit oder statistische Merkmale stärker gewichten als fachliche Tiefe, Originalität, Lernfortschritt oder besondere Lernvoraussetzungen.

Eine Lehrkraft sollte automatische Bewertungen daher höchstens als Hinweis nutzen, nie als alleinige Grundlage. Besonders problematisch sind Systeme, deren Kriterien unbekannt bleiben oder deren Ergebnisse nicht erklärt werden können.

Frühwarnsysteme und Risikoscores

Frühwarnsysteme sollen Lernende identifizieren, die Unterstützung brauchen. Das kann hilfreich sein, wenn dadurch rechtzeitig Hilfe organisiert wird. Es kann aber selektiv wirken, wenn Risikoscores Lernende stigmatisieren oder Lehrkräfte Erwartungen unbewusst anpassen. Ein Score darf nicht zur Identität werden.

Förderlich ist ein Frühwarnsystem nur, wenn es mehrere Perspektiven berücksichtigt, transparent ist, regelmäßig überprüft wird, keine endgültigen Etiketten erzeugt und konkrete Unterstützungsmaßnahmen auslöst. Die Frage darf nicht lauten: „Wer ist das Problem?“ Sie muss lauten: „Welche Lernumgebung braucht Veränderung, damit Lernen gelingt?“

Prüfungsüberwachung und Überwachungskultur

Digitale Prüfungsüberwachung, Gesichtserkennung, Blickanalyse oder Verhaltenserkennung berühren Privatsphäre, Grundrechte und Vertrauen. Solche Systeme können Fehler machen und Lernende unter Generalverdacht stellen. Schule ist ein sozialer Lernraum und kein Überwachungsraum. Prüfungsintegrität ist wichtig, muss aber mit Verhältnismäßigkeit, Datenschutz und pädagogischer Beziehung vereinbar bleiben.

Eine bessere Strategie ist häufig eine veränderte Aufgabenkultur: individuelle Fragestellungen, Prozessdokumentation, mündliche Verteidigung, Portfolios, kollaborative Aufgaben, Reflexionsanteile und klare Regeln zur Kennzeichnung von KI-Nutzung.

Halluzinationen und Fehlinformation

Generative künstliche Intelligenz kann überzeugend klingende, aber falsche Informationen erzeugen. Solche Fehler werden oft Halluzination genannt. Für den Unterricht ist dies nicht nur ein Risiko, sondern auch ein Lernanlass. Lernende müssen lernen, KI-Ausgaben zu überprüfen, Quellen zu vergleichen, Behauptungen zu belegen und Unsicherheit zu markieren.

Eine wichtige Regel lautet: KI kann beim Denken helfen, aber sie darf das Prüfen nicht ersetzen. Gerade im Zeitalter generativer KI wird Informationskompetenz zentral.

Entscheidungsmatrix für Lehrkräfte

Prüffeld	Förderorientierte Frage	Warnsignal für Selektion	Professionelle Reaktion
Zweck	Welcher Lernschritt soll unterstützt werden?	Das System vergibt Kategorien ohne klare Förderung.	Zweck klären und Fördermaßnahme definieren.
Daten	Welche Daten sind wirklich nötig?	Es werden viele personenbezogene Daten ohne erkennbare Notwendigkeit gesammelt.	Datensparsamkeit und schulische Freigabe prüfen.
Transparenz	Können Lernende und Lehrkräfte nachvollziehen, was passiert?	Kriterien, Datenflüsse oder Modelllogik bleiben unklar.	Tool nicht für sensible Entscheidungen nutzen.
Bias	Wer könnte benachteiligt werden?	Ergebnisse fallen für bestimmte Gruppen systematisch schlechter aus.	Gegenprüfung, Alternativen und menschliche Korrektur einbauen.
Autonomie	Behalten Lernende Wahlmöglichkeiten?	Das System legt Lernwege dauerhaft fest.	Wahlmöglichkeiten und Widerspruchsmöglichkeiten schaffen.
Bewertung	Dient die KI formativer Rückmeldung?	Die KI entscheidet über Note, Zugang oder Laufbahn.	Menschliche Letztentscheidung sichern.
Beziehung	Unterstützt die KI pädagogische Interaktion?	Lehrkraft und Lernende verlassen sich blind auf das System.	Dialog, Reflexion und gemeinsame Auswertung stärken.

Ampelmodell für KI in der Schule

Grün: gut geeignet bei professioneller Prüfung

Materialerstellung: KI erstellt Varianten, Beispiele, Sprachhilfen oder Übungsformate, die Du fachlich prüfst.
Differenzierung: KI unterstützt unterschiedliche Zugänge, ohne Lernende festzulegen.
Feedback: KI liefert Rückmeldevorschläge, die Lernende und Lehrkraft reflektieren.
Barrierefreiheit: KI hilft bei Untertiteln, Vorlesen, Übersetzen oder Strukturieren.
Medienbildung: Lernende untersuchen KI-Ausgaben kritisch und vergleichen Quellen.

Gelb: nur mit klaren Regeln und Kontrolle

Lernstandsdiagnose: KI analysiert Lernprodukte, aber die Lehrkraft deutet die Ergebnisse.
Korrekturassistenz: KI schlägt Kriterien oder Hinweise vor, bewertet aber nicht abschließend.
Adaptive Lernplattform: KI empfiehlt Übungen, darf aber keine Lernchancen verengen.
Chatbot: KI unterstützt beim Üben, ersetzt aber keine fachliche Prüfung.
Learning Analytics: Lerndaten werden nur zweckgebunden, transparent und datensparsam genutzt.

Rot: höchst problematisch oder nicht geeignet

Automatisierte Notengebung: KI entscheidet allein über Leistungsbewertung.
Profiling: Lernende werden dauerhaft als Risikogruppe, Begabungstyp oder Defizitfall markiert.
Überwachung: KI analysiert Verhalten, Gesicht, Emotion oder Aufmerksamkeit ohne zwingenden pädagogischen Grund.
Intransparente Systeme: Datenflüsse, Kriterien und Folgen bleiben unklar.
Chancenverengung: KI-Empfehlungen begrenzen Zugang zu anspruchsvollen Aufgaben, Kursen oder Bildungswegen.

Unterrichts- und Fortbildungsmaterial

Fallbeispiel 1: Die adaptive Matheplattform

Eine Klasse nutzt eine adaptive Plattform zum Üben von Bruchrechnung. Das System erkennt wiederkehrende Fehler und schlägt Aufgaben vor. Einige Lernende erhalten häufig leichtere Aufgaben, andere kommen schneller zu Transferaufgaben. Die Lehrkraft bekommt ein Dashboard.

Förderorientierte Nutzung: Die Lehrkraft nutzt die Daten als Gesprächsanlass, kombiniert sie mit Beobachtungen, gibt Lernenden Wahlmöglichkeiten und achtet darauf, dass alle regelmäßig herausfordernde Aufgaben erhalten.

Selektionsrisiko: Wenn das System Lernende dauerhaft in niedrigen Niveaustufen hält, entsteht ein verdecktes Tracking. Lernende erleben sich als „schwach“ und bekommen weniger Gelegenheit, anspruchsvoll zu denken.

Professionelle Entscheidung: Dashboards sind Hinweise, keine Urteile. Die Lehrkraft prüft regelmäßig, ob die Plattform Lernwege öffnet oder verengt.

Fallbeispiel 2: KI-Feedback zum Aufsatz

Lernende schreiben eine Erörterung. Eine KI gibt Rückmeldungen zu Aufbau, Argumentation und Sprache. Die Lernenden müssen entscheiden, welche Hinweise sie übernehmen und warum.

Förderorientierte Nutzung: KI-Feedback wird mit Peer-Feedback und Lehrkraftfeedback kombiniert. Lernende dokumentieren ihre Entscheidungen. Die Bewertung berücksichtigt den Überarbeitungsprozess.

Selektionsrisiko: Wenn sprachlich starke KI-Vorschläge unkritisch übernommen werden, kann die Eigenleistung unsichtbar werden. Wenn die KI bestimmte Sprachstile bevorzugt, kann sie Vielfalt abwerten.

Professionelle Entscheidung: KI-Feedback ist ein Lernmaterial. Bewertet wird die reflektierte Auseinandersetzung mit dem Text, nicht die bloße Glätte des Endprodukts.

Fallbeispiel 3: Risikoscore für Schulabsentismus

Eine Schule erwägt ein System, das anhand von Fehlzeiten, Noten, Logins und Verhaltenseinträgen Risikoscores erstellt. Ziel ist frühe Unterstützung.

Förderorientierte Nutzung: Daten werden nur eingesetzt, wenn konkrete Hilfen folgen, Betroffene beteiligt werden, Datenschutz geklärt ist und keine automatische Sanktion entsteht.

Selektionsrisiko: Lernende können stigmatisiert werden. Soziale Lage, Krankheit, Pflegeverantwortung oder technische Ausstattung können indirekt in den Score eingehen. Lehrkräfte könnten Erwartungen anpassen.

Professionelle Entscheidung: Bei sensiblen Daten und möglichen Folgen für Bildungswege ist äußerste Zurückhaltung nötig. Hilfesysteme müssen beziehungsorientiert, transparent und menschenzentriert bleiben.

Prompt-Werkstatt für förderorientierte KI-Nutzung

Ein guter Prompt ist kein Zauberspruch, sondern eine präzise pädagogische Arbeitsanweisung. Je klarer Ziel, Kontext und Qualitätskriterien sind, desto besser kannst Du KI-Ausgaben prüfen.

Prompt für differenzierte Aufgaben

Beispiel: Erstelle drei Aufgabenvarianten zum Thema lineare Funktionen für Klasse 8. Variante A soll Grundverständnis sichern, Variante B soll typische Fehler aufgreifen, Variante C soll einen Transfer in eine Alltagssituation enthalten. Formuliere zu jeder Variante einen kurzen Hinweis, aber keine Lösung. Achte auf einfache Sprache und vermeide personenbezogene Daten.

Prompt für Feedback ohne Note

Beispiel: Gib zu diesem anonymisierten Schülertext drei konkrete Hinweise zur Verbesserung der Argumentation. Formuliere wertschätzend. Vergib keine Note. Nenne zu jedem Hinweis eine kurze Übungsaufgabe. Markiere unsichere Einschätzungen als Vermutung.

Prompt zur Bias-Prüfung

Beispiel: Prüfe diese Aufgabenstellung darauf, ob sie Lernende mit unterschiedlichem Sprachstand, unterschiedlicher sozialer Erfahrung oder unterschiedlichem Vorwissen benachteiligen könnte. Schlage gerechtere Alternativen vor und begründe sie.

Prompt zur Reflexion mit Lernenden

Beispiel: Formuliere fünf Reflexionsfragen, mit denen Lernende prüfen können, ob eine KI-Antwort fachlich korrekt, nachvollziehbar, fair und für ihre eigene Arbeit nützlich ist.

Qualitätskriterien für KI-Tools

Kriterium	Gute Anzeichen	Kritische Fragen
Pädagogischer Zweck	Das Tool unterstützt ein klares Lernziel.	Wird Lernen verbessert oder nur Verhalten vermessen?
Fachliche Qualität	Inhalte sind prüfbar, anpassbar und fehlerkorrigierbar.	Wie wird mit falschen oder unsicheren Ergebnissen umgegangen?
Datenschutz	Datenverarbeitung ist transparent und sparsam.	Werden personenbezogene Lern- oder Leistungsdaten verarbeitet?
Fairness	Benachteiligungen werden aktiv geprüft.	Für welche Lernenden funktioniert das Tool schlechter?
Transparenz	Lehrkräfte und Lernende verstehen Einsatz und Grenzen.	Sind Kriterien, Datenflüsse und Verantwortlichkeiten bekannt?
Kontrolle	Menschen können Ergebnisse prüfen und korrigieren.	Kann die Lehrkraft Entscheidungen begründet überstimmen?
Teilhabe	Das Tool ist zugänglich und barrierearm.	Verstärkt es digitale Spaltung oder baut es Barrieren ab?

Professionelle Haltung

KI-Kompetenz in der Schule ist nicht nur technische Bedienkompetenz. Sie umfasst pädagogische Urteilskraft, fachdidaktische Kompetenz, Medienkompetenz, Datenkompetenz, Ethik, Recht und Schulentwicklung. Lehrkräfte müssen nicht jedes Modell technisch im Detail erklären können. Sie müssen aber wissen, welche Fragen zu stellen sind, welche Einsatzgrenzen gelten und wie Lernende zu einem kritischen, kreativen und verantwortlichen Umgang mit KI befähigt werden.

Eine gute Leitlinie lautet: KI soll Lernprozesse sichtbar machen, Unterstützung ermöglichen und Reflexion fördern. KI darf Lernende nicht heimlich vermessen, vorschnell bewerten oder auf Prognosen reduzieren.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt die zentrale Leitfrage dieses aiMOOCs? (Wie KI individuelle Förderung unterstützen kann, ohne Lernende algorithmisch zu selektieren) (!Wie KI Lehrkräfte vollständig ersetzen kann) (!Wie Noten automatisch ohne Lehrkraft vergeben werden können) (!Wie Schule ohne Datenschutz funktionieren kann)

Was ist adaptives Lernen? (Eine Lernumgebung passt Aufgaben oder Hinweise an den Lernstand an) (!Alle Lernenden bearbeiten immer dieselbe Aufgabe im selben Tempo) (!Eine Lehrkraft verzichtet auf Diagnostik) (!Ein System löscht alle Lernwege nach jeder Stunde)

Was bedeutet algorithmische Selektion in der Schule? (Ein System sortiert, bewertet oder priorisiert Lernende auf Basis von Daten) (!Lernende wählen freiwillig ein Thema) (!Eine Klasse führt ein Gruppenpuzzle durch) (!Eine Lehrkraft erzählt ein Beispiel)

Warum kann Bias bei KI-Systemen problematisch sein? (Verzerrungen können zu unfairen Ergebnissen für bestimmte Gruppen führen) (!Bias macht jedes System automatisch gerechter) (!Bias verhindert jede Form von Datenauswertung) (!Bias bedeutet immer eine bewusste Täuschung durch Lernende)

Was bedeutet menschliche Letztverantwortung bei KI in der Schule? (Eine Lehrkraft prüft und verantwortet pädagogisch bedeutsame Entscheidungen) (!Die KI entscheidet allein über Noten) (!Lernende dürfen keine Fragen stellen) (!Alle Entscheidungen werden geheim getroffen)

Welches Datenschutzprinzip ist für KI-Nutzung besonders wichtig? (Nur notwendige Daten für einen klaren Zweck verarbeiten) (!Möglichst viele Daten ohne Anlass sammeln) (!Personenbezogene Daten dauerhaft veröffentlichen) (!Datenflüsse vor Lernenden verbergen)

Was ist ein förderorientierter Einsatz von KI-Feedback? (KI-Hinweise werden geprüft und für nächste Lernschritte genutzt) (!KI-Feedback ersetzt jede Rückmeldung der Lehrkraft) (!KI-Feedback wird immer als Note übernommen) (!KI-Feedback darf nicht hinterfragt werden)

Warum müssen KI-Ausgaben fachlich geprüft werden? (Sie können plausibel klingen und trotzdem falsch sein) (!Sie sind grundsätzlich immer wahr) (!Sie enthalten nie erfundene Informationen) (!Sie sind nur für Mathematik relevant)

Was meint Lernen über KI? (Lernende verstehen Wirkungsweisen, Chancen, Grenzen und Risiken von KI) (!Lernende nutzen KI ohne Reflexion) (!Lernende schreiben keine eigenen Texte mehr) (!Lernende vermeiden jede digitale Anwendung)

Was bezeichnet digitale Spaltung im Kontext von KI-Bildung? (Ungleiche Zugänge, Nutzungsweisen und Lerngewinne durch digitale Technologien) (!Alle Lernenden haben dieselben Geräte und Kompetenzen) (!KI beseitigt automatisch jede Ungleichheit) (!Digitale Medien sind immer barrierefrei)

Memory

Individuelle Förderung	Passende Unterstützung
Adaptive Learning	Anpassung des Lernwegs
Learning Analytics	Auswertung von Lerndaten
Bias	Verzerrung im Ergebnis
Transparenz	Nachvollziehbare Nutzung
Human in the Loop	Menschliche Letztentscheidung
Datenschutz	Schutz personenbezogener Daten
Feedback	Hinweis zum Weiterlernen

Drag and Drop

Ordne die richtigen Begriffe zu.	Pädagogische Prüffrage
Förderdiagnostik	Was braucht die lernende Person als Nächstes?
Datensparsamkeit	Welche Informationen sind wirklich notwendig?
Transparenz	Können Beteiligte verstehen, was mit Daten geschieht?
Bias-Prüfung	Wer könnte durch das System benachteiligt werden?
Menschliche Verantwortung	Wer prüft und begründet die Entscheidung?

Kreuzworträtsel

Foerderung	Wie nennt man pädagogische Unterstützung, die an Lernstände und Bedürfnisse angepasst wird?
Bias	Wie heißt eine systematische Verzerrung in Daten, Modellen oder Entscheidungen?
Feedback	Wie heißt eine Rückmeldung, die den nächsten Lernschritt erleichtert?
Datenschutz	Welches Prinzip schützt personenbezogene Informationen?
Transparenz	Was macht den Einsatz eines Systems nachvollziehbar?
Autonomie	Welche Fähigkeit soll Schule beim Lernen mit KI stärken?

LearningApps

Lückentext

Offene Aufgaben

Leicht

Begriffsnetz: Erstelle ein Begriffsnetz zu individueller Förderung, adaptivem Lernen, Learning Analytics, Bias, Datenschutz und algorithmischer Selektion.
Videoimpuls: Schau den Fortbildungssnack und notiere drei Aussagen, denen Du zustimmst, sowie eine Frage, die offen bleibt.
Promptvergleich: Lass eine KI zwei Erklärungen zu demselben Unterrichtsthema formulieren und vergleiche, welche Erklärung für welche Lernenden hilfreich wäre.
Datenspuren: Sammle Beispiele für Daten, die beim digitalen Lernen entstehen können, und ordne sie nach Sensibilität.

Standard

Tool-Check: Wähle ein KI-Tool oder eine adaptive Lernplattform und prüfe es mit der Entscheidungsmatrix aus diesem aiMOOC.
Unterrichtsskizze: Entwickle eine Unterrichtsphase, in der KI differenzierte Unterstützung bietet, ohne Lernende festzulegen.
Bias-Fallanalyse: Beschreibe einen Fall, in dem ein KI-System Lernende unbeabsichtigt benachteiligen könnte, und entwickle Gegenmaßnahmen.
Feedbackwerkstatt: Erstelle eine Aufgabe, bei der Lernende KI-Feedback erhalten, dieses prüfen und ihre Überarbeitung begründen.

Schwer

Schulkonzept: Formuliere fünf verbindliche Regeln für einen förderorientierten und datenschutzsensiblen KI-Einsatz an Deiner Schule.
Ethik-Debatte: Organisiere eine Debatte zur Frage, ob KI-Systeme Lernstände automatisch prognostizieren dürfen, und berücksichtige pädagogische, rechtliche und soziale Perspektiven.
Pilotprojekt: Plane ein kleines Pilotprojekt für KI-gestützte individuelle Förderung mit Ziel, Datenschutzprüfung, Erfolgskriterien und Evaluationsmethode.
Fortbildungssnack: Produziere selbst einen kurzen Fortbildungsimpuls für Kolleginnen und Kollegen zum Thema „KI: Unterstützung statt Sortierung“.

type=create break=no preload=CHAT GPT TEXT HIER EINFÜGEN default= width=30 placeholder= Dein MOOC Titel buttonlabel=MOOC erstellen </inputbox>

Lernkontrolle

Fallanalyse: Analysiere ein Szenario, in dem eine KI Lernende nach Leistung gruppiert, und beurteile, ob Förderung oder Selektion überwiegt.
Entscheidungsmatrix: Wende die Prüffelder Zweck, Daten, Transparenz, Bias, Autonomie, Bewertung und Beziehung auf ein konkretes KI-Tool an.
Transferaufgabe: Übertrage die Grundsätze förderorientierter KI-Nutzung auf ein Fach Deiner Wahl und entwirf eine passende Lernaufgabe.
Argumentation: Begründe, warum menschliche Letztverantwortung bei Leistungsbewertung auch dann wichtig bleibt, wenn KI sehr gute Vorschläge macht.
Gerechtigkeitsprüfung: Entwickle Maßnahmen, damit KI-Nutzung nicht nur technisch starken oder sozial privilegierten Lernenden Vorteile bringt.
Prüfungskultur: Entwirf ein Prüfungsformat, bei dem KI erlaubt ist, aber Eigenleistung, Reflexion und Quellenprüfung sichtbar bleiben.
Schulentwicklung: Formuliere einen Vorschlag, wie eine Schule KI-Regeln gemeinsam mit Lehrkräften, Lernenden und Eltern entwickeln kann.

Lernnachweis

Für einen überzeugenden Lernnachweis zu diesem Thema solltest Du zeigen, dass Du nicht nur Begriffe wiedergeben kannst, sondern pädagogisch begründet urteilst. Wichtig sind folgende Bestandteile:

Begriffsklärung: Du erklärst individuelle Förderung, adaptives Lernen, Learning Analytics, Bias und algorithmische Selektion in eigenen Worten.
Fallanalyse: Du analysierst ein konkretes KI-Szenario aus Schule oder Unterricht.
Kriterienanwendung: Du nutzt eine nachvollziehbare Matrix mit pädagogischen, ethischen, rechtlichen und didaktischen Kriterien.
Förderkonzept: Du entwickelst eine KI-gestützte Lernidee, die Lernchancen erweitert.
Risikoreflexion: Du benennst mögliche Selektions-, Datenschutz- und Diskriminierungsrisiken.
Handlungsempfehlung: Du formulierst klare Regeln für einen verantwortungsvollen Einsatz.
Reflexion: Du erklärst, wie Du Lernende zu kritischer KI-Kompetenz befähigst.

OERs zum Thema

Weitere freie Vertiefung

Links

KI in der Schule

Zusammenfassung

KI in der Schule kann individuelle Förderung stärken, wenn sie Lernwege öffnet, Feedback verbessert, Barrieren abbaut und Lehrkräfte bei pädagogisch begründeten Entscheidungen unterstützt. Sie kann aber zur algorithmischen Selektion beitragen, wenn sie Lernende intransparente Scores, Kategorien oder Prognosen zuweist und dadurch Bildungswege beeinflusst. Professioneller KI-Einsatz braucht daher klare Ziele, Datensparsamkeit, Transparenz, Bias-Prüfung, menschliche Letztverantwortung und eine Prüfungskultur, die KI-Kompetenz sichtbar macht.

Die wichtigste Haltung lautet: KI darf nicht über Lernende verfügen, sondern soll Lernende befähigen. Lehrkräfte bleiben zentrale Gestalterinnen und Gestalter von Lernumgebungen. KI ist ein Werkzeug im pädagogischen Raum, kein Ersatz für Beziehung, Verantwortung und Urteilskraft.

{{#ev:youtube|https://www.youtube.com/watch?v=l_pqEz6_z24%7C500%7Ccenter}}

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.