Dieses Quiz als Battle spielen: Deutsch, Klasse 5-6, G-Niveau

KI in der Bildung - Pädagogik

Einleitung

Künstliche Intelligenz verändert pädagogische Handlungsfelder in Schule, Hochschule, Berufliche Bildung, Erwachsenenbildung, Sozialpädagogik und Weiterbildung. Dabei geht es nicht nur um neue Werkzeuge. KI berührt grundlegende Fragen der Pädagogik: Was bedeutet Bildung unter Bedingungen maschinell erzeugter Inhalte? Wie verändern sich Lehren, Lernen, Prüfung, Erziehung, Sozialisation und professionelle Verantwortung? Welche Fähigkeiten benötigen Lernende, Lehrende und Institutionen, um KI selbstbestimmt, kritisch, kreativ und sozial verantwortlich zu nutzen?

Dieser aiMOOC richtet sich besonders an Studierende im Studienfach Pädagogik. Du lernst, KI-Anwendungen nicht technikzentriert, sondern aus einer bildungswissenschaftlichen Perspektive zu analysieren. Im Mittelpunkt stehen Mündigkeit, Teilhabe, Chancengerechtigkeit, Didaktik, Lerntheorie, Medienpädagogik, Datenschutz, Ethik der Künstlichen Intelligenz, Inklusion und Professionalisierung.

KI kann Lernende beim Erklären, Üben, Schreiben, Übersetzen, Strukturieren, Simulieren und Reflektieren unterstützen. Sie kann Lehrende bei Planung, Differenzierung, Materialentwicklung und formativer Rückmeldung entlasten. Zugleich können fehlerhafte Ausgaben, Algorithmische Verzerrung, Überwachung, Abhängigkeit, Kompetenzverlust, kommerzielle Interessen und ungleiche Zugänge Bildungsprozesse beeinträchtigen. Deshalb lautet die pädagogische Leitfrage nicht: Was kann die Technik? Entscheidend ist: Welchen begründeten Beitrag leistet sie zu einem guten, gerechten und verantwortbaren Bildungsprozess?

Lernziele

Nach der Bearbeitung dieses aiMOOCs kannst Du:

KI: zentrale Begriffe, Funktionsprinzipien und Grenzen verständlich erklären.
Pädagogik: KI im Verhältnis zu Bildung, Erziehung, Sozialisation, Lernen und professionellem Handeln einordnen.
Didaktische Analyse: KI-Einsätze von Lernzielen, Lerngruppen, Inhalten und Prüfungsformen her begründen.
Lerntheorie: Chancen und Risiken mit behavioristischen, kognitiven, konstruktivistischen, sozial-kulturellen und motivationstheoretischen Ansätzen analysieren.
KI-Kompetenz: technische, didaktische, kritische, ethische und gesellschaftliche Dimensionen unterscheiden.
Medienkritik: Ausgaben auf Richtigkeit, Quellenlage, Perspektivität, Bias und Interessen prüfen.
Datenschutz: personenbezogene Daten schützen und datenarme Lernarrangements planen.
Prüfungskultur: Lernprodukte, Lernprozesse, Eigenleistung und KI-Nutzung transparent bewerten.
Inklusion: Barrierefreiheit, Assistenz, Zugänglichkeit und neue Exklusionsrisiken gemeinsam betrachten.
Pädagogische Professionalität: menschliche Verantwortung, Beziehungsgestaltung und Urteilskraft gegenüber Automatisierung sichern.

Begriffliche und technische Grundlagen

Was ist Künstliche Intelligenz?

Künstliche Intelligenz ist ein Sammelbegriff für Computersysteme, die Aufgaben bearbeiten, für die häufig menschliche Wahrnehmung, Mustererkennung, Sprachverarbeitung, Planung oder Entscheidung benötigt wird. Der Begriff bezeichnet keine einheitliche Technik und keine nachgewiesene menschliche Intelligenz im Computer. In pädagogischen Kontexten ist deshalb eine präzise Sprache wichtig: Ein System kann Texte erzeugen oder Leistungen klassifizieren, ohne zu verstehen, zu fühlen, Verantwortung zu übernehmen oder pädagogische Beziehungen zu führen.

Viele aktuelle Anwendungen beruhen auf maschinellem Lernen. Dabei werden statistische Modelle aus Daten entwickelt. Deep Learning verwendet mehrschichtige künstliche neuronale Netze. Generative KI erzeugt neue Texte, Bilder, Audiodateien, Videos oder Programmcode, indem sie gelernte Muster nutzt. Ein Large Language Model berechnet wahrscheinliche sprachliche Fortsetzungen. Eine flüssige Antwort ist daher noch kein Beleg für Wahrheit, Verständnis oder pädagogische Eignung.

Die Grafik verdeutlicht eine gebräuchliche Einordnung: Deep Learning ist ein Teilgebiet des maschinellen Lernens, das wiederum dem weiteren Feld der Künstlichen Intelligenz zugeordnet wird.

Wie entstehen KI-Ausgaben?

Ein vereinfachtes Modell umfasst mehrere Schritte. Daten werden ausgewählt und aufbereitet. Ein Lernverfahren passt Modellparameter so an, dass Muster erkannt oder Vorhersagen verbessert werden. Beim Einsatz erhält das Modell eine Eingabe, bei generativen Systemen häufig einen Prompt, und berechnet eine Ausgabe. Rückmeldungen, Systemregeln, zusätzliche Datenquellen und Filter können diese Ausgabe beeinflussen.

Überwachtes Lernen verwendet Trainingsbeispiele mit bekannten Zielwerten. Andere Verfahren arbeiten ohne vorgegebene Zielwerte oder mit Belohnungssignalen. Für die Pädagogik ist weniger die mathematische Detailtiefe entscheidend als die Einsicht, dass Ergebnisse von Daten, Modellarchitektur, Trainingszielen, Eingaben, Systemeinstellungen und Nutzungskontext abhängen.

Ein künstliches neuronales Netz verarbeitet Eingaben über miteinander verbundene Schichten. Die Darstellung ist ein technisches Modell und keine Abbildung eines menschlichen Gehirns. Die verbreitete Metapher des neuronalen Netzes darf daher nicht zu der Annahme führen, maschinelle und menschliche Lernprozesse seien gleichartig.

Zentrale Begriffe

Begriff	Bedeutung für Bildung und Pädagogik
Algorithmus	Eine eindeutige Folge von Verarbeitungsschritten; in KI-Systemen oft Teil eines größeren datenbasierten Verfahrens.
Trainingsdaten	Daten, aus denen ein Modell Muster ableitet; Auswahl und Qualität beeinflussen Leistungsfähigkeit und Verzerrungen.
Prompt	Eingabe oder Arbeitsauftrag an ein generatives System; gute Eingaben verbessern die Passung, garantieren aber keine Wahrheit.
Halluzination	Eine plausibel formulierte, aber sachlich falsche, unbelegte oder erfundene Ausgabe.
Algorithmische Verzerrung	Systematische Benachteiligung oder Verzerrung durch Daten, Kategorien, Modellierung oder Nutzungskontext.
Learning Analytics	Sammlung und Auswertung von Lerndaten, um Lernprozesse zu beschreiben oder zu unterstützen.
Adaptives Lernen	Anpassung von Aufgaben, Tempo, Hilfen oder Rückmeldungen an modellierte Lernvoraussetzungen.
Automatisierungsbias	Neigung, maschinellen Empfehlungen übermäßig zu vertrauen.
Erklärbare künstliche Intelligenz	Ansätze, mit denen Funktionsweisen oder Entscheidungen nachvollziehbarer gemacht werden sollen.
Human-in-the-loop	Gestaltung, bei der Menschen relevante Entscheidungen prüfen, beeinflussen oder verantworten.

Pädagogische Grundfragen

Bildung, Erziehung und Mündigkeit

Bildung meint mehr als die effiziente Aneignung überprüfbarer Informationen. Bildung umfasst die Entwicklung von Urteilsfähigkeit, Selbstbestimmung, Welt- und Selbstverhältnissen, Verantwortungsbereitschaft und gesellschaftlicher Teilhabe. Aus einer bildungstheoretischen Perspektive muss KI deshalb danach beurteilt werden, ob sie Lernende zu eigenständigem Denken befähigt oder sie in eine konsumierende Abhängigkeit von fertigen Antworten führt.

Erziehung betrifft die absichtsvolle Unterstützung von Entwicklung und Orientierung. KI kann dabei Material, Anregungen und Rückmeldungen bereitstellen. Sie kann jedoch keine moralische oder rechtliche Verantwortung für Erziehungsentscheidungen übernehmen. Pädagogische Verantwortung bleibt bei Menschen und Institutionen.

Mündigkeit bezeichnet die Fähigkeit, sich des eigenen Verstandes zu bedienen, begründet zu urteilen und verantwortlich zu handeln. KI-Kompetenz ist daher nicht bloß Bedienkompetenz. Mündige Nutzung verlangt, Ziele zu klären, Ausgaben zu prüfen, Unsicherheit auszuhalten, Alternativen abzuwägen und Folgen für andere zu berücksichtigen.

Das didaktische Dreieck unter KI-Bedingungen

Im didaktischen Dreieck stehen Lehrende, Lernende und Lerngegenstand in Beziehung. KI tritt als Medium, Werkzeug, Modell, Kommunikationsschnittstelle oder institutionelles Entscheidungssystem hinzu. Dadurch entstehen neue Vermittlungswege, aber auch neue Abhängigkeiten.

Die Lehrperson bleibt verantwortlich für Auswahl, Rahmung, Lernziele, Beziehung, Schutz, Diagnostik, Bewertung und institutionelle Anschlussfähigkeit. Lernende bleiben Subjekte des Bildungsprozesses. Der Lerngegenstand darf nicht hinter der Bedienung eines Tools verschwinden. Ein pädagogisch sinnvoller KI-Einsatz stärkt diese Beziehungen, statt eine von ihnen durch Automatisierung zu ersetzen.

Pädagogische Leitprinzipien

Leitprinzip	Prüffrage
Subjektorientierung	Erweitert der Einsatz die Handlungs- und Urteilsmöglichkeiten der Lernenden?
Mündigkeit	Werden Ausgaben kritisch geprüft und Entscheidungen begründet?
Didaktisches Primat	Bestimmen Lernziele und Lernprozesse die Werkzeugwahl oder bestimmt das Werkzeug die Lehre?
Chancengerechtigkeit	Können alle Lernenden unter vergleichbaren Bedingungen teilnehmen?
Inklusion	Werden Barrieren reduziert, ohne neue Abhängigkeiten oder Stigmatisierungen zu erzeugen?
Datensparsamkeit	Werden nur wirklich notwendige Daten verarbeitet?
Transparenz	Ist erkennbar, wann, wofür und mit welchen Grenzen KI eingesetzt wurde?
Menschliche Aufsicht	Können verantwortliche Personen eingreifen, widersprechen und Entscheidungen korrigieren?
Verhältnismäßigkeit	Stehen Nutzen, Eingriffstiefe und Risiken in einem begründbaren Verhältnis?
Nachhaltigkeit	Werden Ressourcenverbrauch, langfristige Abhängigkeiten und institutionelle Folgekosten berücksichtigt?

Lerntheoretische Perspektiven

Behavioristische Perspektive

Der Behaviorismus richtet den Blick auf beobachtbares Verhalten, Übung, Verstärkung und Rückmeldung. KI-Systeme können kurze Übungszyklen, unmittelbares Feedback und adaptive Aufgabenschwierigkeiten ermöglichen. Das ist besonders für das Einüben klar definierter Fertigkeiten nützlich.

Die Grenze liegt in einer möglichen Verengung auf messbare Antworten. Bildung umfasst auch Mehrdeutigkeit, Kreativität, Urteil, Kooperation und ethische Reflexion. Werden Lernende nur durch Punkte, Vorhersagen oder automatisierte Korrekturen gesteuert, kann die Eigenaktivität auf erwünschte Reaktionen reduziert werden.

Kognitionspsychologische Perspektive

Die Kognitionspsychologie untersucht Informationsverarbeitung, Gedächtnis, Problemlösen und Metakognition. KI kann Vorwissen aktivieren, Beispiele variieren, Begriffe erklären und Rückmeldung geben. Sie kann unnötige Belastungen reduzieren, etwa durch Übersetzung oder Strukturierung.

Nach der Cognitive Load Theory muss zwischen lernförderlicher und lernhinderlicher Belastung unterschieden werden. Nimmt KI jede anspruchsvolle Denkarbeit ab, sinkt möglicherweise die für den Aufbau tragfähiger Schemata notwendige geistige Verarbeitung. Eine gute Lernaufgabe dosiert Hilfen so, dass sie Überforderung verhindert, aber produktive Anstrengung erhält.

Konstruktivistische Perspektive

Im Konstruktivismus gilt Lernen als aktive Konstruktion von Bedeutung. KI kann alternative Erklärungen, Gegenbeispiele, Fragen und Simulationen anbieten. Der Lerngewinn entsteht jedoch nicht durch die Ausgabe allein, sondern durch die aktive Auseinandersetzung der Lernenden.

Besonders lernwirksam sind Aufgaben, in denen Du KI-Antworten vergleichst, Fehler suchst, Begründungen verbesserst, eigene Positionen entwickelst und Ergebnisse auf neue Situationen überträgst. Reines Kopieren fertiger Lösungen widerspricht einer konstruktivistischen Lernlogik.

Sozial-kulturelle Perspektive

Nach sozial-kulturellen Ansätzen, etwa bei Lew Semjonowitsch Wygotski, entsteht Lernen in sprachlicher, kultureller und sozialer Interaktion. Scaffolding bezeichnet zeitweilige Unterstützung, die mit wachsender Kompetenz zurückgenommen wird. KI kann Hinweise und Dialogangebote liefern, darf aber menschliche Kooperation nicht verdrängen.

Pädagogisch zentral bleiben Kooperatives Lernen, Peer-Feedback, Aushandlung, Anerkennung und gemeinsame Bedeutungsbildung. Ein ausschließlich individueller Dialog mit einem Chatbot kann soziale Lerngelegenheiten verringern. Deshalb sollten KI-Phasen mit Austausch, Diskussion und gemeinsamer Reflexion verbunden werden.

Motivation und Selbstbestimmung

Die Selbstbestimmungstheorie unterscheidet die Bedürfnisse nach Autonomie, Kompetenzerleben und sozialer Eingebundenheit. KI kann Autonomie unterstützen, wenn Lernende Wahlmöglichkeiten erhalten und passende Hilfen abrufen können. Sie kann Kompetenzerleben fördern, wenn Rückmeldungen verständlich und bewältigbar sind.

Sie kann diese Bedürfnisse aber auch untergraben: durch intransparente Steuerung, dauernde Leistungsüberwachung, Abhängigkeit von Vorschlägen oder den Ersatz sozialer Unterstützung. Die pädagogische Gestaltung entscheidet, ob KI Selbstbestimmung erweitert oder einschränkt.

Selbstreguliertes Lernen

Selbstreguliertes Lernen umfasst Zielsetzung, Planung, Strategieeinsatz, Überwachung und Reflexion. KI kann in jeder Phase unterstützen. Vor dem Lernen kann sie bei der Formulierung von Teilzielen helfen. Während des Lernens kann sie Hinweise geben. Nach dem Lernen kann sie zur Reflexion anregen.

Eine lernförderliche Nutzung verlangt, dass Lernende Entscheidungen sichtbar machen. Hilfreiche Fragen sind: Was wusste ich schon? Welche Strategie habe ich gewählt? Welche KI-Ausgabe habe ich verworfen? Welche Quelle bestätigt die Aussage? Was kann ich nun ohne Unterstützung erklären? So wird KI zum Reflexionspartner statt zum unsichtbaren Lösungsautomaten.

Formen des KI-Einsatzes in Bildungsprozessen

Lernen über, mit, durch und trotz KI

Perspektive	Pädagogische Bedeutung	Beispiel
Lernen über KI	Funktionsweisen, Grenzen, Daten, Bias und gesellschaftliche Folgen verstehen.	Ein Sprachmodell analysieren und typische Fehler kategorisieren.
Lernen mit KI	KI als Werkzeug zur Unterstützung eines fachlichen Lernziels einsetzen.	Erklärungen auf unterschiedlichen Niveaus erzeugen und fachlich prüfen.
Lernen durch KI-Reflexion	Am Umgang mit KI Urteilskraft, Quellenkritik und ethische Sensibilität entwickeln.	Zwei widersprüchliche Antworten vergleichen und eine begründete Position formulieren.
Lernen trotz KI	Aufgaben so gestalten, dass grundlegende Kompetenzen eigenständig aufgebaut werden.	Eine Argumentation zunächst ohne KI entwickeln und anschließend gezielt überarbeiten.

Typische Anwendungsfelder

Intelligentes tutorielles System: Ein System bietet Aufgaben, Hinweise und Rückmeldungen auf Grundlage eines Lernmodells.
Adaptives Lernen: Inhalte, Tempo oder Schwierigkeitsgrad werden an modellierte Lernstände angepasst.
Automatisiertes Feedback: Texte, Lösungen oder Prozesse erhalten schnelle Rückmeldungen, die pädagogisch geprüft werden müssen.
Generative künstliche Intelligenz: Lernmaterialien, Beispiele, Rollen, Fragen oder Simulationen werden erzeugt.
Learning Analytics: Lerndaten werden ausgewertet, um Verläufe sichtbar zu machen oder Unterstützungsbedarf zu erkennen.
Barrierefreiheit: Sprache kann vereinfacht, übersetzt, vorgelesen, transkribiert oder in andere Darstellungsformen übertragen werden.
Unterrichtsplanung: Lehrende können Entwürfe, Differenzierungen, Aufgabenvarianten und Kriterienraster entwickeln.
Bildungsadministration: Organisation, Kommunikation und Dokumentation können unterstützt werden; Entscheidungen über Menschen erfordern besondere Kontrolle.
Wissenschaftliches Arbeiten: Recherchefragen, Strukturideen und sprachliche Überarbeitung können unterstützt werden, während Quellenprüfung und Eigenleistung transparent bleiben.
Simulation: Gesprächssituationen, Fälle oder Entscheidungskonflikte können interaktiv erprobt werden.

KI als Tutor, Werkzeug, Gegenstand und Entscheidungssystem

Die Rolle eines Systems beeinflusst das Risiko. Ein Rechtschreibvorschlag ist weniger eingriffsintensiv als ein System, das Bildungszugänge, Bewertungen oder Förderentscheidungen beeinflusst. Pädagogische Institutionen sollten deshalb nicht nur nach dem Produktnamen fragen, sondern nach der konkreten Funktion.

Rolle	Potenzial	Hauptrisiko
Werkzeug	Strukturieren, übersetzen, visualisieren, variieren.	Unkritische Übernahme und Kompetenzabbau.
Tutor	Individuelle Hinweise und Übungsdialoge.	Falsche Erklärungen, Abhängigkeit und fehlende Beziehung.
Lerngegenstand	Aufbau von KI-Kompetenz und Gesellschaftskritik.	Reduktion auf Bedienwissen.
Bewertungssystem	Unterstützung bei Rückmeldungen und Mustererkennung.	Intransparenz, Bias und ungerechtfertigte Autorität.
Entscheidungssystem	Verarbeitung komplexer Datenlagen.	Eingriff in Bildungswege und Verantwortungsdiffusion.

KI-Kompetenz als Bildungsziel

Mehrdimensionale KI-Kompetenz

KI-Kompetenz verbindet Wissen, Können, Urteilen und Verantwortung. Sie umfasst mindestens fünf Dimensionen:

Technisches Verständnis: Grundbegriffe, Datenabhängigkeit, Wahrscheinlichkeitscharakter und Grenzen erklären.
Anwendungskompetenz: Werkzeuge zielbezogen auswählen, Eingaben formulieren und Ergebnisse weiterverarbeiten.
Kritische Urteilskompetenz: Richtigkeit, Quellen, Unsicherheit, Perspektiven, Bias und Interessen prüfen.
Ethische Kompetenz: Folgen für Autonomie, Gerechtigkeit, Datenschutz, Würde und Teilhabe abwägen.
Gestaltungskompetenz: Lernarrangements, Regeln und Institutionen verantwortlich mitgestalten.

Der UNESCO-Kompetenzrahmen für Lehrkräfte ordnet KI-Kompetenzen in fünf Bereiche ein: menschenzentrierte Haltung, KI-Ethik, Grundlagen und Anwendungen, KI-Pädagogik sowie KI für professionelle Entwicklung. Die Entwicklungsstufen reichen vom Erwerben über das Vertiefen bis zum gestaltenden Entwickeln.

Prompting als Teil, nicht als Ganzes

Prompt Engineering kann helfen, Arbeitsaufträge klar zu formulieren. Ein nützlicher Prompt benennt Rolle, Ziel, Kontext, Zielgruppe, Material, Kriterien, Ausgabeformat und gewünschte Prüfschritte. Dennoch bleibt die Qualität der Antwort von Modell, Daten, Einstellungen und Kontext abhängig.

Ein pädagogisch brauchbarer Arbeitsprozess lautet:

Zielklärung: Formuliere, was gelernt oder geleistet werden soll.
Eigenaktivität: Halte erste Gedanken oder eine eigene Lösung fest.
Prompt: Gib Kontext, Kriterien und Grenzen an.
Prüfung: Vergleiche die Ausgabe mit Fachwissen und belastbaren Quellen.
Überarbeitung: Verändere, begründe und ergänze das Ergebnis.
Transparenz: Dokumentiere, wofür KI verwendet wurde.
Reflexion: Erkläre, was Du gelernt hast und was ohne KI noch unsicher ist.

Didaktische Planung mit KI

Das didaktische Primat

Das didaktische Primat bedeutet, dass pädagogische Ziele und begründete Lernwege vor der Werkzeugwahl stehen. Eine beeindruckende Funktion ist noch kein didaktischer Mehrwert. Der Einsatz ist dann sinnvoll, wenn er eine relevante Lernaktivität ermöglicht, verbessert oder zugänglicher macht.

Vor jeder Nutzung solltest Du klären:

Dimension	Leitfrage
Lernziel	Welche Kompetenz soll nachweisbar entwickelt werden?
Lernvoraussetzung	Welches Vorwissen, welche Sprache und welche Unterstützung benötigen die Lernenden?
Lernaktivität	Welche geistige, soziale oder praktische Tätigkeit führt zum Ziel?
KI-Funktion	Welchen klar begrenzten Beitrag leistet die KI?
Eigenleistung	Welche Schritte müssen Lernende selbst planen, durchführen und begründen?
Feedback	Wer prüft fachliche Qualität und gibt lernförderliche Rückmeldung?
Datenschutz	Welche Daten werden verarbeitet und welche datensparsame Alternative besteht?
Inklusion	Wer gewinnt Zugang und wer könnte ausgeschlossen werden?
Prüfung	Wie werden Prozess, Produkt, Verständnis und Transparenz bewertet?
Evaluation	Woran wird erkannt, ob der Einsatz tatsächlich lernförderlich war?

Constructive Alignment

Constructive Alignment verbindet Lernziele, Lernaktivitäten und Prüfungen. Wird etwa kritische KI-Kompetenz als Ziel formuliert, genügt keine Prüfung, die nur Definitionen abfragt. Lernende müssen KI-Ausgaben analysieren, Quellen prüfen, Entscheidungen begründen und Folgen abwägen.

Ein Beispiel:

Element	Konkretisierung
Lernziel	Studierende können eine KI-generierte pädagogische Empfehlung fachlich und ethisch beurteilen.
Lernaktivität	Sie vergleichen die Empfehlung mit Fachliteratur, markieren Annahmen und prüfen mögliche Benachteiligungen.
Leistungsnachweis	Sie verfassen eine begründete Fallanalyse und verteidigen zentrale Entscheidungen im Gespräch.

Lernförderliche Aufgabenformate

Gute Aufgaben erzeugen eine kognitive Notwendigkeit zur Eigenleistung. Sie verlangen nicht nur ein Ergebnis, sondern Auswahl, Begründung, Vergleich, Anwendung und Reflexion.

Fehleranalyse: Finde fachliche, logische und ethische Probleme in einer KI-Antwort.
Kontrastierung: Vergleiche mehrere Ausgaben mit einer selbst entwickelten Lösung.
Quellenprüfung: Verifiziere Aussagen anhand wissenschaftlicher oder institutioneller Quellen.
Perspektivwechsel: Analysiere einen Fall aus Sicht von Lernenden, Lehrenden, Eltern und Institution.
Transfer: Übertrage ein Konzept auf einen neuen Bildungsbereich.
Designaufgabe: Entwickle ein Lernarrangement mit begrenzter KI-Funktion und begründe jede Entscheidung.
Mündliche Verteidigung: Erläutere Deinen Arbeitsprozess, verworfene Vorschläge und fachliche Entscheidungen.
Portfolio: Dokumentiere Entwürfe, Prompts, Rückmeldungen, Überarbeitungen und Lernreflexion.

Beispiel einer lernförderlichen KI-Sequenz

Eine Seminargruppe untersucht Bildungsungleichheit. Zunächst formulieren die Studierenden ohne KI Hypothesen zu möglichen Ursachen. Danach lassen sie ein Sprachmodell alternative Erklärungen erzeugen. Sie markieren unbelegte Behauptungen, recherchieren Quellen und ordnen die Aussagen theoretischen Ansätzen zu. In Kleingruppen diskutieren sie, welche Perspektiven fehlen. Abschließend verfassen sie eine eigene Analyse und dokumentieren, welche KI-Vorschläge sie übernommen, verändert oder verworfen haben.

Der Mehrwert entsteht nicht durch die schnelle Textproduktion. Er entsteht durch Vergleich, Quellenarbeit, Theoriebezug, Diskussion und begründete Entscheidung.

Chancen für Lehren und Lernen

Personalisierung und Differenzierung

KI kann Aufgaben in unterschiedlichen Schwierigkeitsgraden formulieren, Erklärungen variieren oder Hinweise an Lernstände anpassen. Dies kann Binnendifferenzierung erleichtern. Pädagogisch problematisch wird Personalisierung, wenn Lernende dauerhaft in datenbasierten Kategorien festgeschrieben werden oder nur Inhalte erhalten, die ein System für passend hält.

Gute Differenzierung erweitert Lernwege, ohne gemeinsame Bildungsansprüche aufzugeben. Lernende sollten wissen, nach welchen Kriterien Anpassungen erfolgen, und Möglichkeiten haben, Vorschläge abzulehnen oder anspruchsvollere Wege zu wählen.

Formatives Feedback

Formatives Assessment nutzt Rückmeldungen während des Lernens. KI kann schnell Hinweise zu Verständlichkeit, Struktur oder typischen Fehlern geben. Lernförderliches Feedback beantwortet jedoch mehr als die Frage, ob etwas richtig oder falsch ist. Es hilft, Ziel, aktuellen Stand und nächsten Schritt zu verstehen.

Automatisches Feedback muss fachlich geprüft werden. Es sollte nicht als abschließendes Urteil auftreten, sondern als überprüfbarer Vorschlag. Besonders bei komplexen Texten, kreativen Leistungen, sozialen Situationen und normativen Fragen bleibt menschliches Urteil unverzichtbar.

Kreativität und Perspektivenvielfalt

Generative Systeme können Varianten, Szenarien, Rollen oder Gegenargumente erzeugen. Das kann divergentes Denken anregen. Es besteht aber die Gefahr, dass häufige Muster reproduziert und ungewöhnliche Perspektiven geglättet werden.

Pädagogisch sinnvoll ist KI dann, wenn sie Ausgangsmaterial für eigene Gestaltung liefert. Lernende sollten Vorschläge auswählen, kombinieren, verfremden, kritisieren und in einen eigenen Kontext überführen. Kreativität zeigt sich in Entscheidungen, nicht in der bloßen Menge generierter Optionen.

Zugänglichkeit und Assistenz

KI-gestützte Transkription, Übersetzung, Vorlesefunktionen, Bildbeschreibungen und sprachliche Vereinfachung können Zugänge eröffnen. Das unterstützt Barrierefreiheit und kann Menschen mit unterschiedlichen sprachlichen, sensorischen oder kognitiven Voraussetzungen helfen.

Assistenz muss gemeinsam mit den Betroffenen gestaltet werden. Fehlerhafte Übersetzungen, unpassende Vereinfachungen oder nicht barrierefreie Oberflächen können neue Barrieren erzeugen. Eine assistive Funktion ist nur dann inklusiv, wenn sie zuverlässig, selbstbestimmt und ohne Stigmatisierung nutzbar ist.

Professionelle Entlastung

Lehrende können KI für Ideensammlungen, Aufgabenvarianten, Strukturvorschläge, Protokollentwürfe oder sprachliche Überarbeitung einsetzen. Entlastung ist pädagogisch sinnvoll, wenn frei werdende Zeit in Beziehung, Beratung, Diagnostik, Kooperation und Qualitätsentwicklung fließt.

Eine scheinbare Zeitersparnis kann durch Prüfaufwand, Datenschutzfragen, Fehlerkorrektur und neue Dokumentationspflichten wieder verloren gehen. Deshalb sollte Entlastung empirisch geprüft und nicht nur angenommen werden.

Risiken und pädagogische Herausforderungen

Fehler, Halluzinationen und Scheinsicherheit

Generative KI kann falsche Fakten, erfundene Quellen oder unpassende Schlussfolgerungen erzeugen. Sprachliche Sicherheit kann dabei fachliche Unsicherheit verdecken. Lernende benötigen daher Informationskompetenz, Quellenkritik und Strategien zur Verifikation.

Eine belastbare Prüfroutine umfasst: Aussage isolieren, Quelle suchen, Autorität und Aktualität bewerten, Gegenquelle prüfen, Unsicherheit markieren und eigene Schlussfolgerung begründen. Bei hohen Risiken, etwa Gesundheit, Recht oder Kinderschutz, darf eine KI-Ausgabe niemals alleinige Entscheidungsgrundlage sein.

Bias, Diskriminierung und Repräsentation

Algorithmische Verzerrung kann aus unausgewogenen Daten, problematischen Kategorien, unpassenden Zielen oder diskriminierenden Nutzungskontexten entstehen. Betroffen sein können Geschlecht, Herkunft, Sprache, Behinderung, soziale Lage oder andere Merkmale.

Bias ist nicht nur ein technischer Fehler. Er verweist auf gesellschaftliche Machtverhältnisse und pädagogische Normalitätsvorstellungen. Deshalb müssen Betroffene beteiligt, Auswirkungen beobachtet und Entscheidungen anfechtbar sein. Ein formal gleiches System kann ungleiche Folgen haben.

Datenschutz und Überwachung

Bildungsdaten sind sensibel, weil sie Leistungen, Verhalten, Interessen, Unterstützungsbedarfe und Entwicklungsverläufe sichtbar machen können. Datenschutz schützt nicht nur Geheimnisse, sondern Freiheit, Selbstbestimmung und faire Teilhabe.

Datensparsame Gestaltung bedeutet: keine unnötigen Namen, Gesundheitsdaten, Leistungsdaten oder vertraulichen Fallbeschreibungen eingeben; institutionell freigegebene Systeme verwenden; Speicher- und Trainingsoptionen prüfen; Zugriffsrechte begrenzen; Löschfristen festlegen; Alternativen ohne personenbezogene Daten anbieten.

Learning Analytics kann Unterstützung verbessern, aber auch eine Kultur permanenter Beobachtung erzeugen. Nicht alles, was messbar ist, ist pädagogisch bedeutsam. Nicht alles, was pädagogisch bedeutsam ist, lässt sich zuverlässig messen.

Kompetenzverlust und kognitive Abhängigkeit

Wer sich dauerhaft Lösungen erzeugen lässt, kann Schreib-, Recherche-, Rechen-, Planungs- oder Urteilskompetenzen weniger intensiv üben. Dieses Risiko wird als Deskilling bezeichnet. Gleichzeitig können neue Kompetenzen entstehen, etwa beim Prüfen, Kuratieren und Koordinieren.

Didaktisch wichtig ist eine bewusste Aufgabenteilung. Grundlegende Kompetenzen müssen regelmäßig ohne KI gezeigt werden. KI sollte dort unterstützen, wo sie Lernprozesse erweitert, nicht dort, wo sie den Aufbau des Lernziels ersetzt.

Bildungsungleichheit und Digital Divide

Ungleicher Zugang zu Geräten, schnellen Netzen, kostenpflichtigen Modellen, Unterstützung und Vorwissen kann bestehende Bildungsungleichheit verstärken. Auch sprachliche und kulturelle Repräsentation ist ungleich verteilt.

Institutionen tragen Verantwortung für vergleichbare Zugänge, barrierefreie Alternativen und transparente Regeln. Eine Prüfungsleistung darf nicht davon abhängen, ob einzelne Lernende privat ein leistungsfähigeres System bezahlen können.

Kommerzialisierung und Plattformabhängigkeit

Viele KI-Angebote werden von privaten Plattformen bereitgestellt. Geschäftsmodelle, Datenverarbeitung, technische Schnittstellen und Nutzungsbedingungen können sich ändern. Pädagogische Institutionen riskieren Vendor Lock-in, wenn Inhalte, Prozesse oder Kompetenzen an einen Anbieter gebunden werden.

Eine verantwortliche Strategie berücksichtigt offene Standards, Exportmöglichkeiten, Open Educational Resources, Anbieterwechsel, lokale Alternativen und langfristige Kosten. Pädagogische Souveränität verlangt, dass Institutionen ihre Ziele nicht an Produktlogiken auslagern.

Ökologische Folgen

Training und Nutzung großer Modelle benötigen Rechenzentren, Energie, Wasser und Hardware. Die genaue Umweltwirkung hängt von Modellgröße, Infrastruktur, Strommix und Nutzung ab. Nachhaltige Bildung fragt deshalb nach Verhältnismäßigkeit: Ist eine ressourcenintensive Anwendung für das Lernziel notwendig? Gibt es einfachere Alternativen? Können Anfragen gebündelt und unnötige Generierung vermieden werden?

Prüfungskultur und akademische Integrität

Von der Produktkontrolle zur Prozesssicht

Generative KI erschwert die Annahme, ein fertiger Text bilde automatisch die Eigenleistung ab. Eine zeitgemäße Prüfungskultur bewertet deshalb stärker den Lernprozess, die Begründung von Entscheidungen, die Quellenarbeit, den Transfer und die mündliche Anschlussfähigkeit.

Geeignete Nachweise sind Portfolio, kommentierte Entwürfe, Arbeitsjournal, Versionsgeschichte, Quellenprotokoll, Praxisprodukt, Präsentation, Kolloquium und mündliche Verteidigung. Keine einzelne Form ist vollständig manipulationssicher. Die Kombination mehrerer Nachweise erhöht jedoch die Aussagekraft.

Transparente KI-Nutzung

Eine KI-Nutzungserklärung kann folgende Angaben enthalten:

Werkzeug: Name und gegebenenfalls Version oder Zugangsform.
Zweck: Wofür das System verwendet wurde.
Umfang: Welche Teile betroffen waren.
Eingaben: Relevante Prompts oder Arbeitsaufträge.
Prüfung: Wie Aussagen, Quellen und Ergebnisse überprüft wurden.
Eigenleistung: Welche Entscheidungen, Analysen und Überarbeitungen selbst erbracht wurden.
Daten: Ob personenbezogene oder geschützte Inhalte vermieden wurden.

Transparenz dient nicht der Bestrafung erlaubter Nutzung. Sie macht Arbeitsprozesse nachvollziehbar und ermöglicht faire Bewertung.

Grenzen automatischer KI-Detektion

Automatische Detektoren können menschliche und KI-generierte Texte falsch klassifizieren. Forschung zeigt Fehleranfälligkeit und mögliche Benachteiligungen, etwa bei nicht muttersprachlich Schreibenden. Selbst Anbieter weisen darauf hin, dass Detektionswerte nicht alleinige Grundlage nachteiliger Entscheidungen sein sollen.

Pädagogisch und prüfungsrechtlich sind deshalb transparente Regeln, Prozessnachweise, Gespräche und fachliche Beurteilung wichtiger als ein vermeintlich eindeutiger Detektionswert. Verdachtsfälle benötigen ein faires Verfahren und dürfen nicht allein auf einer probabilistischen Anzeige beruhen.

Prüfungsdesign unter KI-Bedingungen

Weniger aussagekräftig	Aussagekräftiger
Allgemeines Referat ohne Prozessnachweis	Fallbezogene Analyse mit Quellenprotokoll und Rückfragen
Austauschbarer Standardessay	Lokaler, biografischer oder empirischer Bezug mit Reflexion
Reproduktion bekannter Definitionen	Vergleich, Anwendung, Kritik und Transfer
Verbot ohne Lernbegründung	Klare erlaubte, begrenzte und verbotene Nutzungsformen
Detektor als Beweis	Kombination aus Produkt, Prozess und Gespräch
Nur Endprodukt	Entwürfe, Überarbeitungen und begründete Entscheidungen

Inklusion, Diversität und Gerechtigkeit

Diklusion als Verbindung

Diklusion verbindet Digitale Bildung und Inklusion. KI kann individuelle Zugänge schaffen, etwa durch Vorlesen, alternative Sprache, Visualisierung oder assistive Kommunikation. Gleichzeitig müssen digitale Barrieren, diskriminierende Modelle und ungleiche Ressourcen berücksichtigt werden.

Ein inklusives KI-Konzept erfüllt vier Bedingungen: Es ist zugänglich, wählbar, verständlich und anfechtbar. Lernende benötigen eine gleichwertige Alternative, wenn sie ein System nicht nutzen können oder wollen. Unterstützungsbedarfe dürfen nicht unnötig offengelegt werden.

Universal Design for Learning

Universal Design for Learning empfiehlt vielfältige Formen der Motivation, Darstellung und Handlung. KI kann mehrere Zugänge erzeugen, zum Beispiel Text, Audio, Bildbeschreibung, Beispiel und sprachliche Vereinfachung. Die Qualität muss geprüft werden, weil automatische Anpassung fachliche Präzision verlieren kann.

UDL bedeutet nicht, jedem Menschen automatisch ein eigenes KI-Profil zuzuweisen. Es bedeutet, Lernumgebungen von Anfang an flexibel zu gestalten und Wahlmöglichkeiten zu eröffnen.

Sprachliche und kulturelle Vielfalt

Sprachmodelle bilden häufig verwendete Sprachen und dominante Wissensbestände besser ab als seltene Sprachen oder marginalisierte Perspektiven. Übersetzungen können kulturelle Bedeutungen verfehlen. Lernende sollten daher untersuchen, wessen Wissen sichtbar wird, welche Begriffe nicht passen und welche Quellen fehlen.

Eine dekoloniale und diversitätssensible Medienpädagogik fragt nach Datenmacht, Repräsentation, globaler Arbeitsteilung und Zugang zu Infrastruktur. KI-Kompetenz schließt die Fähigkeit ein, dominante Perspektiven zu erkennen und alternatives Wissen einzubeziehen.

Recht, Ethik und Governance

Datenschutzrechtliche Grundsätze

Für personenbezogene Daten gelten insbesondere Rechtmäßigkeit, Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität, Vertraulichkeit und Rechenschaftspflicht. Die konkrete Umsetzung hängt von Bildungsbereich, Trägerschaft, Bundesland, Alter der Lernenden, Systemfunktion und Datenfluss ab.

Für die pädagogische Praxis gilt: Gib keine identifizierbaren Fallakten, Notenlisten, Diagnosen, Förderpläne oder vertraulichen Gespräche in nicht freigegebene Systeme ein. Nutze Pseudonyme nur dann, wenn eine Re-Identifikation tatsächlich verhindert wird. Hole bei Unsicherheit fachkundige Beratung durch Datenschutzbeauftragte und zuständige Stellen ein.

Europäische KI-Verordnung

Die Verordnung über künstliche Intelligenz der Europäischen Union verfolgt einen risikobasierten Ansatz. Bestimmte Praktiken sind verboten, bestimmte Anwendungen unterliegen Transparenzpflichten und bestimmte Systeme in sensiblen Bereichen können als Hochrisiko-KI gelten. Im Bildungsbereich sind insbesondere Systeme relevant, die Zugänge, Einstufungen, Leistungsbewertungen oder Bildungswege wesentlich beeinflussen.

Die Verordnung trat am 1. August 2024 in Kraft und wird stufenweise anwendbar. Die Verpflichtung zur Förderung eines ausreichenden Niveaus an KI-Kompetenz gilt seit dem 2. Februar 2025. Nach dem im Juli 2026 veröffentlichten EU-Zeitplan gelten weitere Transparenzpflichten ab dem 2. August 2026; Regeln für bestimmte Hochrisiko-Anwendungen in der Bildung sollen spätestens ab dem 2. Dezember 2027 greifen. Da sich Umsetzungsdetails ändern können, müssen Institutionen den jeweils aktuellen Rechtsstand prüfen.

Urheberrecht und wissenschaftliche Redlichkeit

KI-Ausgaben sind nicht automatisch frei von Rechten Dritter. Trainingsdaten, Eingaben und Ausgaben können urheberrechtlich relevante Inhalte betreffen. Lehrende und Lernende müssen Lizenzen, Zitatrecht, Persönlichkeitsrechte und institutionelle Regeln beachten.

Wissenschaftliche Redlichkeit verlangt nachvollziehbare Quellen, eigenständige Argumentation und transparente Hilfsmittelnutzung. Ein Sprachmodell ist keine wissenschaftliche Quelle für eine Tatsachenbehauptung. Es kann Suchbegriffe oder Strukturideen liefern, ersetzt aber nicht die Prüfung in Fachliteratur und Primärquellen.

Ethische Fallprüfung

Eine ethische Prüfung kann entlang folgender Fragen erfolgen:

Dimension	Leitfrage
Wohltun	Welcher konkrete Bildungsnutzen ist zu erwarten?
Nichtschaden	Welche psychischen, sozialen, rechtlichen oder fachlichen Schäden sind möglich?
Autonomie	Können Betroffene informiert entscheiden und widersprechen?
Gerechtigkeit	Sind Nutzen, Belastungen und Zugänge fair verteilt?
Transparenz	Sind Funktionsweise, Grenzen und Verantwortlichkeiten verständlich?
Verantwortung	Wer trägt die Folgen und korrigiert Fehler?
Privatsphäre	Werden personenbezogene Daten geschützt?
Nachhaltigkeit	Sind Ressourcenverbrauch und langfristige Abhängigkeiten vertretbar?

Institutionelle Governance

Governance bezeichnet Regeln, Rollen, Prozesse und Kontrollstrukturen. Eine Bildungseinrichtung benötigt mehr als eine Liste erlaubter Tools. Sie braucht eine abgestimmte Strategie.

Zielbild: Welches Bildungsverständnis und welche Qualitätsziele leiten den Einsatz?
Rollen: Wer entscheidet, berät, prüft, dokumentiert und bearbeitet Beschwerden?
Beschaffung: Welche pädagogischen, technischen, rechtlichen und barrierebezogenen Kriterien gelten?
Risikoklassifikation: Welche Anwendungen sind gering, mittel oder hoch eingriffsintensiv?
Fortbildung: Welche KI-Kompetenzen benötigen Lehrende, Lernende und Verwaltung?
Partizipation: Wie werden Lernende, Eltern, Personalvertretung und Betroffene beteiligt?
Evaluation: Welche Wirkungen, Nebenwirkungen und Ungleichheiten werden überprüft?
Beschwerdeweg: Wie können Entscheidungen angefochten und Fehler korrigiert werden?
Ausstiegsstrategie: Wie bleiben Daten, Materialien und Prozesse bei Anbieterwechsel nutzbar?

Pädagogische Professionalität

Die Rolle der Lehrenden

KI verändert die professionelle Rolle, beseitigt sie aber nicht. Lehrende gestalten Ziele, Beziehungen, Lernkultur, Schutzräume, Diagnostik, Rückmeldung und Bewertung. Sie interpretieren Situationen, berücksichtigen Biografien und tragen institutionelle Verantwortung.

Pädagogische Professionalität zeigt sich im Umgang mit Ungewissheit. Ein System kann Muster berechnen, aber nicht die Verantwortung für einen konkreten Menschen übernehmen. Professionelles Handeln verbindet Fachwissen, didaktisches Wissen, Fallverstehen, Ethik, Selbstreflexion und Kooperation.

Professionelle Kompetenzen

Kompetenzbereich	Konkretisierung
Fachkompetenz	KI-Ausgaben fachlich prüfen und Fehlkonzepte erkennen.
Fachdidaktik	Lernwirksame Einsatzformen für konkrete Inhalte entwickeln.
Diagnostische Kompetenz	Daten und Beobachtungen vorsichtig interpretieren und nicht mit Personen verwechseln.
Medienpädagogische Kompetenz	Nutzung, Kritik und Gestaltung digitaler Medien verbinden.
Ethische Urteilskompetenz	Zielkonflikte begründen und Betroffene schützen.
Rechtskompetenz	Datenschutz, Urheberrecht, Prüfungsregeln und institutionelle Vorgaben beachten.
Beziehungskompetenz	Vertrauen, Anerkennung, Motivation und Konfliktbearbeitung sichern.
Forschungskompetenz	Wirkungsbehauptungen prüfen und eigene Praxis evaluieren.
Kooperationskompetenz	Mit Lernenden, Kollegium, IT, Datenschutz und Leitung zusammenarbeiten.

Fortbildung und Organisationslernen

Einzelne Workshops zu Prompting reichen nicht aus. Fortbildung sollte technische Grundlagen, Didaktik, Fallarbeit, Ethik, Recht, Inklusion und Evaluation verbinden. Besonders wirksam sind kollegiale Formate, in denen reale Lernarrangements entwickelt, erprobt und reflektiert werden.

Organisationen lernen, wenn Erfahrungen dokumentiert, Fehler offen besprochen und Regeln regelmäßig angepasst werden. Eine verantwortliche KI-Kultur belohnt nicht maximale Nutzung, sondern begründete Entscheidungen einschließlich der Entscheidung, KI nicht einzusetzen.

Forschungslage und Evaluation

Was wissen wir?

Die Forschung zu KI in der Bildung wächst schnell, ist aber heterogen. Untersucht werden unter anderem intelligente Tutorensysteme, adaptive Lernumgebungen, automatisiertes Feedback, Learning Analytics und generative KI. Übersichtsarbeiten berichten Potenziale für Personalisierung, Rückmeldung und Wissensaufbau. Die Wirkungen unterscheiden sich jedoch stark nach Fach, Alter, Lernziel, System, Dauer und didaktischer Einbettung.

Für generative KI ist die langfristige Evidenz noch begrenzt. Viele Studien untersuchen kurze Interventionen, Selbstauskünfte oder spezielle Kontexte. Positive Einstellungen sind nicht automatisch mit nachhaltigem Lernen gleichzusetzen. Ebenso lässt sich eine Leistungssteigerung bei einer einzelnen Aufgabe nicht ohne Weiteres auf Urteilskraft, Transfer oder Selbstständigkeit übertragen.

Die zentrale pädagogische Schlussfolgerung lautet: Nicht KI an sich wirkt. Wirkung entsteht aus dem Zusammenspiel von Lernenden, Lehrenden, Aufgabe, Inhalt, Unterstützung, Institution und Technologie.

Qualitätskriterien für Studien

Bei der Bewertung einer Studie solltest Du fragen:

Forschungsfrage: Ist klar, welche Wirkung oder Erfahrung untersucht wird?
Vergleich: Gibt es eine sinnvolle Vergleichsbedingung?
Stichprobe: Ist sie groß, vielfältig und für den Kontext passend?
Intervention: Ist der konkrete KI-Einsatz ausreichend beschrieben?
Lernziel: Passt das Messinstrument zur angestrebten Kompetenz?
Dauer: Werden nur kurzfristige oder auch nachhaltige Effekte erfasst?
Transfer: Können Lernende Wissen auf neue Situationen anwenden?
Nebenwirkungen: Werden Abhängigkeit, Bias, Datenschutz und Ungleichheit untersucht?
Interessenkonflikt: Gibt es finanzielle oder institutionelle Interessen?
Replizierbarkeit: Sind Vorgehen, Materialien und Auswertung nachvollziehbar?

Evaluation eines KI-Lernarrangements

Eine Evaluation sollte nicht nur Zufriedenheit abfragen. Sie verbindet mehrere Datenquellen.

Ebene	Mögliche Frage	Möglicher Nachweis
Zugang	Konnten alle teilnehmen?	Nutzungsdaten, Barriereprüfung, Befragung.
Lernprozess	Welche Strategien und Interaktionen entstanden?	Beobachtung, Lernjournal, Gespräch.
Lernergebnis	Wurde das Lernziel erreicht?	Aufgabe, Test, Portfolio, Transferfall.
Selbstständigkeit	Können Lernende die Kompetenz ohne KI zeigen?	Vergleichsaufgabe ohne Unterstützung.
Gerechtigkeit	Unterscheiden sich Wirkungen zwischen Gruppen?	Differenzierte Auswertung und qualitative Fallanalyse.
Belastung	Wie veränderte sich der Aufwand?	Zeitprotokoll, Fehlerkorrektur, Supportbedarf.
Ethik und Recht	Traten Datenschutz-, Bias- oder Transparenzprobleme auf?	Audit, Beschwerdedaten, Fallprüfung.

Leitlinien und Forschungsgrundlagen

Fallbeispiele

Fall 1: Schreibförderung in der Schule

Eine Lehrkraft möchte KI zur Verbesserung argumentativer Texte einsetzen. Die Lernenden verfassen zunächst eine eigene These und zwei Begründungen. Danach bitten sie ein Sprachmodell um Gegenargumente. Sie prüfen jedes Gegenargument anhand des Unterrichtsmaterials, wählen eines aus und überarbeiten ihren Text. Im Lernjournal dokumentieren sie, welche Änderung fachlich begründet war.

Pädagogische Stärke: Eigenleistung, Gegenperspektive, Quellenbezug und Reflexion sind verbunden.

Risiko: Lernende könnten den vollständigen Text generieren lassen oder unbelegte Argumente übernehmen.

Gestaltung: Arbeitsschritte, erlaubte Nutzung, Datenschutz, Quellenprüfung und mündliche Erläuterung werden vorab geklärt.

Fall 2: Hochschulseminar zur Bildungsgerechtigkeit

Studierende analysieren einen fiktiven Fall, in dem ein Prognosesystem Studienabbruchsrisiken berechnet. Sie untersuchen Datenbasis, Kategorien, mögliche Fehlklassifikationen und institutionelle Folgen. Anschließend entwickeln sie Schutzmaßnahmen und einen Beschwerdeweg.

Pädagogische Stärke: Theorie, Ethik, Governance und Fallverstehen werden integriert.

Risiko: Die Diskussion bleibt abstrakt und übersieht Perspektiven betroffener Studierender.

Gestaltung: Betroffenenperspektiven, qualitative Daten und Machtfragen werden ausdrücklich einbezogen.

Fall 3: Erwachsenenbildung und Sprachlernen

Teilnehmende nutzen ein Sprachmodell für Rollenspiele zu Beratungsgesprächen. Sie wählen Schwierigkeitsgrad und Rolle selbst. Nach jedem Dialog geben Peers Rückmeldung zu Verständlichkeit, Höflichkeit und Zielerreichung.

Pädagogische Stärke: Niedrigschwellige Übung, Wiederholung und geschütztes Ausprobieren.

Risiko: Unpassende kulturelle Stereotype oder fehlerhafte Sprache.

Gestaltung: Rollen werden gemeinsam geprüft, stereotype Darstellungen markiert und echte Interaktion bleibt zentral.

Fall 4: Inklusive Lernmaterialien

Ein Team erstellt aus einem Fachtext eine Audiofassung, eine Zusammenfassung in einfacher Sprache und eine Bildbeschreibung. Betroffene Lernende testen die Materialien und geben Rückmeldung.

Pädagogische Stärke: Mehrere Zugänge und Beteiligung der Nutzenden.

Risiko: Inhaltliche Vereinfachung verfälscht Zusammenhänge.

Gestaltung: Fachprüfung, barrierebezogene Qualitätsprüfung und Wahlmöglichkeiten werden kombiniert.

Zukunftsbilder kritisch reflektieren

Zukunftsbilder von KI in der Bildung zeigen häufig individualisierte Lernplätze, humanoide Roboter und vollständig digitale Klassenräume. Solche Bilder sind keine neutralen Prognosen. Sie enthalten Annahmen darüber, was Lernen ist, welche Rolle Lehrende spielen und welche Probleme technisch lösbar erscheinen.

Analysiere Zukunftsbilder mit folgenden Fragen: Wer handelt? Wer entscheidet? Welche Beziehungen sind sichtbar? Welche Daten fließen? Was gilt als Erfolg? Wer fehlt? Welche Alternative wäre pädagogisch wünschenswert?

Eine pädagogische Zukunftsdebatte sollte nicht nur fragen, welche Technik möglich wird. Sie sollte demokratisch aushandeln, welche Bildung wir wollen.

Handlungsempfehlungen für die Praxis

Ein zehnstufiges Vorgehensmodell

Problemklärung: Beschreibe das pädagogische Problem ohne vorschnell eine technische Lösung anzunehmen.
Lernzielanalyse: Formuliere beobachtbare und bildungstheoretisch begründete Ziele.
Betroffenenbeteiligung: Beziehe Lernende und weitere Beteiligte früh ein.
Alternativenprüfung: Vergleiche KI-Einsatz, einfachere digitale Lösung und nicht digitale Lösung.
Risikoprüfung: Untersuche Fehler, Bias, Datenschutz, Zugänglichkeit, Abhängigkeit und Folgekosten.
Pilotierung: Erprobe den Einsatz klein, zeitlich begrenzt und mit klaren Abbruchkriterien.
Qualifizierung: Sorge für fachliche, didaktische, ethische und rechtliche Kompetenz.
Transparenz: Kommuniziere Zweck, Funktion, Grenzen und Beschwerdewege.
Evaluation: Prüfe Lernen, Gerechtigkeit, Aufwand und Nebenwirkungen mit mehreren Methoden.
Revision: Beende, verändere oder verstetige den Einsatz auf Grundlage der Ergebnisse.

Entscheidungsmatrix

Frage	Ja	Nein
Ist das Lernziel ohne KI nicht gleich gut oder besser erreichbar?	Weiterprüfen.	Auf KI verzichten.
Bleibt eine relevante Eigenleistung erhalten?	Weiterprüfen.	Aufgabe neu gestalten.
Sind Datenfluss und Verantwortlichkeit geklärt?	Weiterprüfen.	Nicht einsetzen.
Besteht eine gleichwertige Alternative?	Weiterprüfen.	Zugang und Freiwilligkeit verbessern.
Können Fehler erkannt und korrigiert werden?	Pilotieren.	Nicht für folgenreiche Entscheidungen nutzen.
Wird der Nutzen evaluiert?	Befristet erproben.	Keine dauerhafte Einführung.

Zusammenfassung

KI in der Bildung ist ein pädagogisches Gestaltungsfeld. Technik eröffnet Möglichkeiten, legt aber keine Bildungsziele fest. Gute Praxis beginnt bei Lernenden, Gegenständen, Beziehungen und gesellschaftlicher Verantwortung. Sie verbindet fachliche Qualität, didaktische Begründung, Inklusion, Datenschutz, Transparenz und menschliche Aufsicht.

Ein verantwortlicher Einsatz stärkt Eigenaktivität statt Abhängigkeit, unterstützt Urteilskraft statt Scheinsicherheit, erweitert Teilhabe statt Ungleichheit und entlastet Professionelle, ohne Verantwortung auszulagern. KI-Kompetenz zeigt sich nicht darin, jedes Werkzeug zu verwenden. Sie zeigt sich darin, begründet zu entscheiden, wann, wie, wofür und unter welchen Grenzen KI eingesetzt oder bewusst nicht eingesetzt wird.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist aus pädagogischer Sicht das vorrangige Kriterium für den Einsatz von KI? (Der begründete Beitrag zu Lernzielen und Bildungsprozessen) (!Die größtmögliche Zahl automatisch erzeugter Inhalte) (!Die neueste verfügbare Modellversion) (!Die vollständige Ersetzung menschlicher Rückmeldung)

Was kennzeichnet generative KI? (Sie erzeugt neue Inhalte auf Grundlage gelernter Muster) (!Sie speichert ausschließlich geprüfte Lexikoneinträge) (!Sie versteht Inhalte wie ein verantwortlicher Mensch) (!Sie liefert grundsätzlich eindeutige Wahrheiten)

Warum müssen KI-Ausgaben fachlich geprüft werden? (Sie können plausibel klingen und trotzdem falsch sein) (!Sie enthalten grundsätzlich keine vollständigen Sätze) (!Sie dürfen nur aus gedruckten Büchern bestehen) (!Sie verwenden immer dieselbe Antwort)

Welche Aufgabe stärkt selbstreguliertes Lernen besonders? (Eine KI-Antwort prüfen, überarbeiten und Entscheidungen begründen) (!Eine fertige Lösung unverändert abgeben) (!Jede Denkarbeit an das System übertragen) (!Nur die Länge der Antwort bewerten)

Was bedeutet algorithmische Verzerrung? (Eine systematische Verzerrung oder Benachteiligung durch Daten, Modell oder Nutzung) (!Eine zufällige Änderung der Bildschirmhelligkeit) (!Eine besonders schnelle Internetverbindung) (!Eine neutrale Form der Textformatierung)

Welche Prüfungsform macht Lernprozesse unter KI-Bedingungen besonders sichtbar? (Ein Portfolio mit Entwürfen, Quellen, Reflexion und mündlicher Erläuterung) (!Ein austauschbarer Text ohne Prozessnachweis) (!Ein Detektionswert als alleiniger Beweis) (!Eine Aufgabe ohne bekanntes Lernziel)

Was verlangt Datenminimierung? (Nur notwendige personenbezogene Daten zu verarbeiten) (!Alle verfügbaren Lerndaten dauerhaft zu speichern) (!Namen und Diagnosen in öffentliche Systeme einzugeben) (!Jede Lernhandlung lückenlos zu überwachen)

Welche Verantwortung bleibt bei Lehrenden? (Lernziele, Beziehungen, Schutz und Bewertung verantwortungsvoll zu gestalten) (!Alle Entscheidungen ungeprüft an Systeme abzugeben) (!Nur technische Geräte zu verwalten) (!Lernende ohne Regeln experimentieren zu lassen)

Was bedeutet menschliche Aufsicht bei KI? (Menschen können prüfen, eingreifen, widersprechen und Verantwortung tragen) (!Das System entscheidet ohne Einspruchsmöglichkeit) (!Nur der Anbieter kennt den Verwendungszweck) (!Jede Ausgabe wird automatisch zur Regel)

Woran zeigt sich umfassende KI-Kompetenz? (Am Verstehen, Anwenden, kritischen Beurteilen und verantwortlichen Gestalten) (!Am möglichst schnellen Kopieren erzeugter Texte) (!Am Auswendiglernen eines einzigen Produktnamens) (!Am Verzicht auf jede Quellenprüfung)

Memory

KI-Kompetenz	Reflektierte Handlungsfähigkeit
Prompt	Eingabe an ein generatives System
Halluzination	Plausible aber falsche Ausgabe
Bias	Systematische Verzerrung
Learning Analytics	Auswertung von Lerndaten
Constructive Alignment	Abstimmung von Ziel Aktivität und Prüfung
Menschliche Aufsicht	Prüfen Eingreifen und Verantworten
Adaptives Lernen	Anpassung an modellierte Lernvoraussetzungen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Lernziel	Beschreibt die angestrebte Kompetenz
Diagnose	Erfasst relevante Lernvoraussetzungen
Lernaktivität	Bezeichnet die aktive Auseinandersetzung mit dem Gegenstand
Feedback	Informiert über Stand und nächsten Lernschritt
Reflexion	Bewertet Vorgehen Ergebnisse und Folgen
Transfer	Überträgt Gelerntes auf einen neuen Kontext

Kreuzworträtsel

Didaktik	Wie heißt die Wissenschaft vom Lehren und Lernen?
Prompting	Wie heißt das zielgerichtete Formulieren von Eingaben für generative KI?
Feedback	Wie heißt eine lernbezogene Rückmeldung?
Inklusion	Wie heißt das Prinzip gleichberechtigter Teilhabe?
Datenschutz	Wie heißt der Schutz personenbezogener Informationen?
Autonomie	Wie heißt die Fähigkeit zur selbstbestimmten Entscheidung?

LearningApps

Lückentext

KI-Systeme verarbeiten Daten mithilfe von

. Generative KI erzeugt neue Inhalte auf der Grundlage gelernter

. Eine plausibel formulierte, aber sachlich falsche Ausgabe heißt

. Der didaktische Ausgangspunkt eines KI-Einsatzes ist das

. Die bewusste Planung und Überwachung des eigenen Lernens heißt

. Eine systematische Verzerrung durch Daten oder Modelle heißt

. Der Schutz personenbezogener Informationen wird als

bezeichnet. Die pädagogische Verantwortung bleibt bei der

. Eine nachvollziehbare Dokumentation der KI-Nutzung schafft

. Die Abstimmung von Ziel, Aktivität und Prüfung heißt

. Ungleicher Zugang zu digitalen Ressourcen wird als

bezeichnet. Die Anwendung von Wissen in einer neuen Situation heißt

.

Offene Aufgaben

Leicht

Begriffslandkarte: Erstelle eine Concept-Map mit mindestens zwölf Begriffen aus dem aiMOOC und kennzeichne technische, didaktische, ethische und rechtliche Beziehungen.
Prompt-Tagebuch: Bearbeite eine fachliche Frage mit drei unterschiedlich präzisen Prompts, vergleiche die Ausgaben und erkläre, warum ein besserer Prompt keine Wahrheitsgarantie bietet.
Fehlerjagd: Lass eine KI einen kurzen Erklärungstext zu einem pädagogischen Begriff erzeugen, finde mindestens fünf prüfbedürftige Stellen und verbessere sie mit Fachquellen.
Medienanalyse: Wähle ein Bild oder Video über die Zukunft des Lernens und untersuche, welches Menschenbild, Bildungsverständnis und Technikbild darin sichtbar wird.

Standard

Unterrichtsentwurf: Entwickle eine 90-minütige Lernsequenz mit einer klar begrenzten KI-Funktion, Lernzielen, Eigenleistungsphasen, Quellenprüfung, Alternative ohne KI und Evaluationskriterien.
Prüfungsreform: Überarbeite eine herkömmliche Hausarbeit so, dass Prozess, Transfer, Quellenarbeit, mündliche Anschlussfähigkeit und transparente KI-Nutzung bewertet werden.
Experteninterview: Führe ein Interview mit einer Lehrkraft, einer pädagogischen Fachkraft oder einer studierenden Person über KI-Erfahrungen und werte Chancen, Konflikte und Fortbildungsbedarfe kategoriengeleitet aus.
Fallanalyse: Analysiere den Einsatz eines Systems zur Vorhersage von Lernrisiken aus Sicht von Lernenden, Lehrenden, Institution, Datenschutz und Bildungsgerechtigkeit.

Schwer

Forschungsdesign: Entwirf eine empirische Studie zur Wirkung eines KI-gestützten Lernarrangements und begründe Forschungsfrage, Vergleichsgruppe, Messinstrumente, Dauer, Transfermaß, Datenschutz und Auswertung.
KI-Leitlinie: Entwickle für eine Bildungseinrichtung eine partizipative Leitlinie mit erlaubten Nutzungen, Grenzen, Dokumentationspflichten, Beschwerdewegen, Fortbildung und regelmäßiger Revision.
Algorithmic Impact Assessment: Erstelle eine Folgenabschätzung für ein KI-System, das Bildungsentscheidungen unterstützt, und untersuche Nutzen, Fehler, Bias, Betroffenengruppen, Aufsicht und Ausstiegsstrategie.
Prototyp und Evaluation: Entwickle einen nicht kommerziellen Prototypen oder ein detailliertes Storyboard für ein KI-gestütztes Lernangebot, teste es mit einer kleinen Gruppe und leite aus den Ergebnissen konkrete Änderungen ab.

Lernkontrolle

Theorie-Praxis-Transfer: Eine Hochschule möchte einen Chatbot rund um die Uhr für Studienberatung einsetzen. Analysiere das Vorhaben mit mindestens drei Lerntheorien oder pädagogischen Konzepten und entwickle eine verantwortbare Rollenverteilung zwischen Chatbot und menschlicher Beratung.
Zielkonfliktanalyse: Ein adaptives System verbessert durchschnittlich Testergebnisse, benötigt dafür aber umfangreiche Verlaufsdaten. Arbeite den Konflikt zwischen Lernförderung, Privatsphäre, Autonomie und Gerechtigkeit heraus und begründe eine Entscheidung.
Prüfungsdesign: Entwirf für ein Seminar eine Prüfung, in der KI teilweise erlaubt ist. Zeige, wie Eigenleistung, Transparenz, Quellenprüfung, Transfer und mündliche Anschlussfähigkeit zusammen bewertet werden.
Gerechtigkeitsprüfung: Zwei Lerngruppen erhalten unterschiedlich leistungsfähige KI-Zugänge. Analysiere mögliche Folgen für Motivation, Leistung und Teilhabe und entwickle institutionelle Ausgleichsmaßnahmen.
Fehlerfolgen: Ein System empfiehlt einer lernenden Person fälschlich einen niedrigeren Bildungsgang. Untersuche technische, pädagogische, rechtliche und emotionale Folgen und entwirf Präventions- und Beschwerdestrukturen.
Didaktischer Vergleich: Vergleiche eine Lernsequenz, in der KI fertige Lösungen liefert, mit einer Sequenz, in der KI Gegenargumente und Hinweise erzeugt. Begründe, welche kognitiven und metakognitiven Prozesse jeweils zu erwarten sind.
Institutionelle Strategie: Entwickle ein begründetes Einführungskonzept für KI an einer Bildungseinrichtung. Verknüpfe Fortbildung, Beschaffung, Datenschutz, Inklusion, Evaluation und Beteiligung zu einem kohärenten Governance-Modell.

Lernnachweis

Für einen Lernnachweis zu diesem Thema sind folgende Leistungen wichtig:

Begriffsverständnis: Du verwendest technische und pädagogische Fachbegriffe korrekt und differenziert.
Theoriebezug: Du ordnest KI-Einsätze in Bildungs-, Lern- und Motivationstheorien ein.
Didaktische Begründung: Du leitest Werkzeugwahl, Lernaktivität und Prüfung aus Lernzielen und Voraussetzungen ab.
Kritische Analyse: Du erkennst Fehler, Bias, Scheinsicherheit, Datenschutzrisiken und ungleiche Zugänge.
Gestaltungskompetenz: Du entwickelst ein umsetzbares, inklusives und datensparsames Lernarrangement.
Forschungskompetenz: Du beurteilst Wirkungsbehauptungen anhand von Studiendesign, Messung, Dauer und Transfer.
Transparenz: Du dokumentierst KI-Nutzung, Quellen, Prompts, Überarbeitungen und Eigenleistung nachvollziehbar.
Reflexion: Du formulierst eine begründete Position zur Rolle von KI und menschlicher Verantwortung in Bildung.

Bewertungsbereich	Mindestanforderung	Vertiefte Leistung
Fachlichkeit	Zentrale Begriffe sind korrekt.	Begriffe werden präzise auf komplexe Fälle angewendet.
Pädagogische Analyse	Chancen und Risiken werden benannt.	Zielkonflikte werden theoriegeleitet abgewogen.
Didaktisches Design	Lernziel und KI-Funktion passen zusammen.	Eigenaktivität, Inklusion, Prüfung und Evaluation bilden ein kohärentes Konzept.
Ethik und Recht	Datenschutz und Transparenz werden berücksichtigt.	Verantwortung, Gerechtigkeit, Aufsicht und Beschwerdewege werden systematisch gestaltet.
Eigenständigkeit	Quellen und KI-Nutzung sind offengelegt.	Entscheidungen werden kritisch verteidigt und Alternativen begründet.

OERs zum Thema

Verknüpfte Lernbereiche

KI in der Bildung - Pädagogik

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.