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

KI in der Bildung - Pädagogik 1

KI in der Bildung - Pädagogik

Studienfach: Pädagogik

Zielgruppe: Studierende der Pädagogik, Bildungswissenschaft, Erziehungswissenschaft, Lehrerbildung, Sozialpädagogik und Medienpädagogik sowie Lehrende, pädagogische Fachkräfte und Verantwortliche in Bildungsorganisationen.

Niveau: Hochschule, wissenschaftliche Weiterbildung und pädagogische Praxis.

Leitfrage: Wie kann Künstliche Intelligenz so gestaltet und eingesetzt werden, dass sie Lernen unterstützt, menschliche Urteilskraft stärkt und pädagogische Verantwortung nicht verdrängt?

Das Bild zeigt eine technisch geprägte Vorstellung vom Klassenzimmer der Zukunft. Nutze es nicht als Prognose, sondern als Anlass zur Kritik: Welche Vorstellungen von Lernen, Lehren, Kindheit, Professionalität und Technik werden sichtbar? Was fehlt, etwa Beziehung, Konflikt, Fürsorge, Spiel, Körperlichkeit oder demokratische Aushandlung?

Einleitung

Künstliche Intelligenz in der Bildung ist kein rein technisches Thema. Sie berührt Grundfragen der Pädagogik: Was bedeutet Bildung? Wie entsteht Wissen? Welche Aufgaben haben Lehrende? Wie werden Leistungen beurteilt? Wer entscheidet über Lernwege? Welche Daten dürfen erhoben werden? Und wie können Teilhabe, Gerechtigkeit und Autonomie gesichert werden?

KI-Systeme können Texte erzeugen, Bilder erstellen, Sprache verarbeiten, Aufgaben anpassen, Lernverläufe auswerten und Rückmeldungen formulieren. Diese Funktionen sind jedoch noch keine Pädagogik. Erst durch begründete Lernziele, geeignete Aufgaben, soziale Interaktion, fachliche Prüfung und menschliche Verantwortung entsteht ein didaktisch tragfähiges Szenario. Die zentrale Frage lautet daher nicht nur: Was kann die Technik? Entscheidend ist: Was sollen Menschen lernen, warum sollen sie es lernen und unter welchen Bedingungen ist der KI-Einsatz verantwortbar?

Die UNESCO verfolgt für KI in der Bildung einen menschenzentrierten Ansatz. Sie betont den Schutz menschlicher Handlungsfähigkeit, die Entwicklung von Kompetenzen, ethische Orientierung, Inklusion und nachhaltige Gestaltung.^[1] Auch die OECD beschreibt Chancen digitaler Bildungsökosysteme, verbindet diese aber mit Anforderungen an Wirksamkeit, Vertrauen und Gerechtigkeit.^[2]

Dieser aiMOOC verbindet technische Grundlagen mit allgemeinpädagogischen, mediendidaktischen, medienpädagogischen, pädagogisch-psychologischen, ethischen und institutionellen Perspektiven. Du lernst, KI weder unkritisch zu feiern noch pauschal abzulehnen, sondern begründet zu analysieren, zu erproben und zu gestalten.

Der UNESCO-Beitrag eröffnet eine internationale Perspektive auf digitales Lernen und KI. Notiere beim Ansehen drei Aussagen, die eine menschenzentrierte Bildungsentwicklung unterstützen, und zwei Punkte, zu denen Du kritisch nachfragen möchtest.

Lernziele

Nach Abschluss dieses aiMOOCs kannst Du Künstliche Intelligenz als pädagogisches Gestaltungs- und Reflexionsfeld einordnen. Du kannst zentrale KI-Begriffe erklären, Anwendungsformen unterscheiden, didaktische Szenarien entwickeln und ihre Voraussetzungen prüfen. Du kannst Chancen und Risiken anhand pädagogischer Kriterien abwägen, Fragen von Datenschutz, Bias, Inklusion, akademischer Integrität und Bildungsgerechtigkeit analysieren sowie den Forschungsstand vorsichtig interpretieren.

Du sollst insbesondere in der Lage sein,

Begriffsverständnis: Künstliche Intelligenz, Maschinelles Lernen, Generative künstliche Intelligenz, Large Language Model, Learning Analytics und Intelligentes tutorielles System voneinander abzugrenzen.
Didaktische Analyse: KI-Einsatz mit Lernzielen, Lernaktivitäten, sozialer Interaktion und Prüfungsformen zu verbinden.
Pädagogische Urteilskraft: technische Möglichkeiten von pädagogischer Qualität zu unterscheiden.
KI-Kompetenz: Ergebnisse zu prüfen, Quellen zu bewerten, Unsicherheit zu erkennen und KI-Nutzung transparent zu dokumentieren.
Ethik: Auswirkungen auf Menschenwürde, Autonomie, Privatheit, Gerechtigkeit, Inklusion und Nachhaltigkeit zu reflektieren.
Professionalisierung: KI als Gegenstand kontinuierlicher pädagogischer Fortbildung und Organisationsentwicklung zu behandeln.
Transfer: ein verantwortbares KI-gestütztes Lehr-Lern-Szenario für Schule, Hochschule, Ausbildung oder Erwachsenenbildung zu entwerfen.

Grundbegriffe

Künstliche Intelligenz

Künstliche Intelligenz bezeichnet ein Forschungs- und Anwendungsfeld, in dem Computersysteme Aufgaben bearbeiten, die mit Wahrnehmung, Mustererkennung, Sprachverarbeitung, Schlussfolgern, Vorhersage, Planung oder Entscheidung verbunden sein können. Der Begriff ist historisch und wissenschaftlich nicht einheitlich. Für die pädagogische Analyse ist wichtig, nicht von einer menschenähnlichen Gesamtintelligenz auszugehen. Viele eingesetzte Systeme sind auf bestimmte Aufgaben spezialisiert.

Maschinelles Lernen ist ein Teilgebiet der KI. Dabei werden Modelle mithilfe von Daten so angepasst, dass sie Muster erkennen oder Vorhersagen erzeugen. Deep Learning nutzt mehrschichtige künstliche neuronale Netze. Generative künstliche Intelligenz erzeugt neue Ausgaben wie Text, Bild, Audio, Video oder Programmcode auf Grundlage gelernter statistischer Strukturen.

Die Grafik verdeutlicht eine wichtige begriffliche Beziehung: Generative Modelle sind nicht mit der Gesamtheit von KI gleichzusetzen. Prüfe deshalb bei jeder pädagogischen Diskussion, welche konkrete Technologie und welche konkrete Funktion gemeint sind.

Large Language Models und Sprachmodelle

Ein Large Language Model verarbeitet Sprache als Folge von Einheiten, sogenannten Token. Es berechnet auf Grundlage seines Trainings und des aktuellen Kontexts wahrscheinliche Fortsetzungen. Dadurch kann es flüssige und scheinbar schlüssige Texte erzeugen. Sprachliche Plausibilität ist jedoch kein Beweis für Wahrheit, Quellenqualität oder pädagogische Angemessenheit.

Ein Sprachmodell besitzt kein menschliches Verständnis, keine biografische Erfahrung und keine moralische Verantwortung. Es kann Muster in Daten verarbeiten und überzeugende Antworten formulieren, ohne den Wahrheitsgehalt zuverlässig zu sichern. Pädagogisch folgt daraus: Lernende benötigen Quellenkritik, fachliches Vorwissen, Strategien der Überprüfung und ein Bewusstsein für Unsicherheit.

Trainingsdaten, Modell und Ausgabe

Vereinfacht lassen sich drei Ebenen unterscheiden. Trainingsdaten liefern Beispiele und Strukturen. Ein Lernverfahren passt ein Modell an diese Daten an. Bei der Anwendung verarbeitet das Modell neue Eingaben und erzeugt Ausgaben. Fehler können auf jeder Ebene entstehen: durch einseitige Daten, ungeeignete Ziele, technische Grenzen, missverständliche Eingaben oder unkritische Interpretation.

Die Darstellung eines Arbeitsablaufs macht sichtbar, dass KI-Ausgaben nicht aus dem Nichts entstehen. Daten werden ausgewählt, bearbeitet und bewertet. Damit sind immer menschliche Entscheidungen, Interessen und Qualitätskriterien verbunden.

Künstliche neuronale Netze

Ein Künstliches neuronales Netz besteht aus miteinander verbundenen Recheneinheiten. Eingaben werden über gewichtete Verbindungen verarbeitet. Während des Trainings werden Gewichte angepasst, damit das Modell bei einer definierten Aufgabe bessere Ergebnisse erzielt. Die Bezeichnung lehnt sich an biologische Metaphern an, doch künstliche Netze sind keine digitalen Gehirne.

Für die Pädagogik reicht es häufig aus, drei Einsichten festzuhalten: Ein Modell lernt statistische Zusammenhänge aus Daten, seine Leistungen sind auf Aufgaben und Bedingungen bezogen, und sein innerer Entscheidungsweg kann schwer nachvollziehbar sein. Daraus entstehen Fragen nach Erklärbarkeit, Transparenz und verantwortlicher Kontrolle.

Das Video der Royal Institution vermittelt technische Grundlagen anschaulich. Trenne beim Ansehen sorgfältig zwischen Demonstration, Metapher und wissenschaftlicher Erklärung.

Prompt und Kontext

Ein Prompt ist eine Eingabe oder Arbeitsanweisung an ein generatives System. Gute Prompts können Rolle, Aufgabe, Zielgruppe, Format, Kriterien, Material und gewünschte Prüfschritte beschreiben. Die Qualität der Ausgabe hängt jedoch nicht nur vom Prompt ab. Auch Modell, Daten, Systemregeln, Kontextfenster und Zufallseinflüsse spielen eine Rolle.

Prompt Engineering ist deshalb keine Garantie für korrekte Ergebnisse. Pädagogisch wichtiger als eine vermeintlich perfekte Formulierung ist ein iterativer Prozess: Aufgabe klären, Ergebnis prüfen, Fehler markieren, Quellen suchen, Perspektiven vergleichen und die eigene Entscheidung begründen.

KI als Gegenstand der Pädagogik

Bildungstheoretische Perspektive

Bildung ist mehr als die effiziente Bearbeitung von Aufgaben. Bildung umfasst die Auseinandersetzung mit sich selbst, mit anderen und mit der Welt. Dazu gehören Urteilsfähigkeit, Mündigkeit, Selbstbestimmung, Verantwortung, Kritik, Kreativität und die Fähigkeit, gesellschaftliche Verhältnisse mitzugestalten.

Ein KI-System kann Informationen bereitstellen, Fragen simulieren oder Rückmeldungen erzeugen. Es kann jedoch nicht stellvertretend für Lernende urteilen, Verantwortung übernehmen oder Bildung garantieren. Aus bildungstheoretischer Sicht ist daher zu prüfen, ob ein KI-Einsatz eigene Denkprozesse eröffnet oder lediglich Ergebnisse beschleunigt.

Eine hilfreiche Leitfrage lautet: Welche geistige, soziale oder praktische Tätigkeit soll die lernende Person selbst vollziehen? Wird genau diese Tätigkeit an ein System ausgelagert, kann der Einsatz dem Lernziel widersprechen.

Erziehung und Verantwortung

Erziehung ist ein normativer und relationaler Prozess. Pädagogische Fachkräfte handeln gegenüber Menschen, die sich in Entwicklungs-, Abhängigkeits- oder Anerkennungsverhältnissen befinden. Deshalb sind Schutz, Fürsorge, Beteiligung und Verantwortung zentral.

KI kann Hinweise liefern, aber keine pädagogische Verantwortung tragen. Entscheidungen über Förderung, Bewertung, Sanktion, Beratung oder Zugang zu Bildungsangeboten dürfen nicht allein deshalb als neutral gelten, weil ein Algorithmus beteiligt ist. Auch automatisierte Entscheidungen beruhen auf gesetzten Kategorien, Daten und Zielen.

Beziehung und Anerkennung

Lernen ist häufig in pädagogische Beziehungen eingebettet. Lehrende nehmen Unsicherheit wahr, moderieren Konflikte, geben Ermutigung, setzen Grenzen und schaffen Räume für Beteiligung. KI kann kommunikative Formen imitieren, aber keine wechselseitige menschliche Beziehung mit Verantwortung und Verletzlichkeit eingehen.

Eine menschenzentrierte Pädagogik nutzt KI daher ergänzend. Sie schützt Zeiten und Räume für Gespräch, Kooperation, körperlich-sinnliche Erfahrung, gemeinsames Handeln und echte Rückmeldung.

Macht, Normen und Institutionen

KI-Systeme strukturieren Sichtbarkeit, Handlungsmöglichkeiten und Entscheidungen. In Bildungsorganisationen können sie Aufgaben priorisieren, Leistungen kategorisieren oder Empfehlungen erzeugen. Damit sind sie Teil institutioneller Machtverhältnisse.

Pädagogische Analyse fragt deshalb: Wer definiert Erfolg? Welche Daten gelten als relevant? Welche Lernformen werden messbar gemacht? Welche Gruppen werden möglicherweise benachteiligt? Wer kann Entscheidungen anfechten? Wer profitiert wirtschaftlich? Welche Alternativen bleiben erhalten?

Lerntheoretische Perspektiven

Behavioristische Perspektive

Aus behavioristischer Sicht kann Lernen durch beobachtbare Reaktionen, Übung, Rückmeldung und Verstärkung unterstützt werden. KI-gestützte Übungssysteme können Aufgaben anpassen, unmittelbares Feedback geben und Lernfortschritte registrieren. Diese Funktionen eignen sich besonders für klar definierte Fertigkeiten.

Die Grenze liegt dort, wo Lernen auf richtige Antworten reduziert wird. Komplexe Urteile, Kreativität, soziale Aushandlung und moralische Verantwortung lassen sich nicht angemessen durch bloße Verstärkungslogik erfassen.

Kognitivistische Perspektive

Der Kognitivismus betrachtet Lernen als Informationsverarbeitung. KI kann Vorwissen aktivieren, Beispiele variieren, Erklärungen anpassen oder Rückmeldungen zu Lösungswegen geben. Entscheidend ist jedoch die kognitive Aktivierung. Eine sofortige Komplettlösung kann die Verarbeitungstiefe verringern, während gezielte Hinweise produktives Denken unterstützen können.

Aus dieser Perspektive ist ein KI-System besonders dann hilfreich, wenn es Denkprozesse anregt: durch Rückfragen, gestufte Hinweise, Vergleichsaufgaben, Fehlersuche und Abrufübungen.

Konstruktivistische Perspektive

Im Konstruktivismus konstruieren Lernende Wissen aktiv auf Grundlage ihrer Erfahrungen und Deutungen. KI kann alternative Perspektiven anbieten, Simulationen ermöglichen oder Entwürfe erzeugen, die kritisch überarbeitet werden. Das System sollte jedoch nicht als endgültige Wissensautorität auftreten.

Konstruktivistische KI-Szenarien lassen Lernende Hypothesen formulieren, Ergebnisse vergleichen, Widersprüche untersuchen und eigene Lösungen entwickeln. Fehlerhafte KI-Ausgaben können dabei als Lernanlass dienen, sofern ihre Analyse didaktisch begleitet wird.

Sozial-kulturelle Perspektive

Sozial-kulturelle Lerntheorien betonen Sprache, Gemeinschaft, Werkzeuge und kulturelle Praktiken. KI ist in dieser Sicht ein kulturelles Werkzeug, dessen Bedeutung erst in sozialen Zusammenhängen entsteht. Lernen erfolgt nicht allein im Dialog mit einer Maschine, sondern in Kooperation, Peer-Feedback, fachlichen Gemeinschaften und gesellschaftlichen Diskursen.

Ein gutes Szenario verbindet individuelle KI-Nutzung mit gemeinsamer Prüfung. Lernende vergleichen Ausgaben, verhandeln Kriterien, dokumentieren Entscheidungen und entwickeln gemeinsam Qualitätsstandards.

Selbstreguliertes Lernen

Selbstreguliertes Lernen umfasst Zielsetzung, Planung, Strategieeinsatz, Überwachung und Reflexion. KI kann Lernpläne strukturieren, Fragen generieren oder Rückmeldung anbieten. Gleichzeitig kann sie Abhängigkeit fördern, wenn Lernende Entscheidungen nicht mehr selbst treffen.

Eine pädagogisch sinnvolle Unterstützung macht die Selbststeuerung sichtbar. Lernende begründen, welche Hilfe sie anfordern, wann sie einen Vorschlag ablehnen und wie sie die Qualität ihrer Arbeit prüfen.

Didaktische Modelle für KI-gestütztes Lernen

Primat der Pädagogik

Das Primat der Pädagogik bedeutet: Lernziele, Zielgruppe, Inhalt, Interaktion, Aufgabe und Prüfung werden vor der Auswahl eines KI-Werkzeugs geklärt. Eine verfügbare Funktion ist noch kein didaktischer Grund.

Die Reihenfolge lautet daher nicht: Tool auswählen – Anwendung suchen – Lernziel nachträglich formulieren. Tragfähiger ist: Bildungsanliegen bestimmen – Lernaktivität entwerfen – Unterstützungsbedarf prüfen – geeignetes oder bewusst kein KI-Werkzeug wählen.

TPACK-Modell

Das TPACK-Modell verbindet Fachwissen, pädagogisches Wissen und Technologisches Wissen. Für KI-gestützte Lehre reicht es nicht, ein System bedienen zu können. Lehrende müssen fachliche Fehler erkennen, Lernprozesse verstehen und technische Bedingungen einschätzen.

Ein Beispiel: Ein Sprachmodell kann Fallvignetten für ein Seminar erzeugen. Fachwissen ist nötig, um die Fälle sachlich zu prüfen. Pädagogisches Wissen ist nötig, um aus den Fällen eine lernwirksame Diskussion zu entwickeln. Technologisches Wissen ist nötig, um Grenzen, Datenrisiken und typische Fehler zu berücksichtigen.

Constructive Alignment

Constructive Alignment stimmt Lernziele, Lernaktivitäten und Prüfungsformen aufeinander ab. KI verändert diese Abstimmung. Wird beispielsweise wissenschaftliches Argumentieren geprüft, reicht ein fertig erzeugter Text nicht als Nachweis. Die Prüfung muss den Argumentationsprozess, die Quellenarbeit und die mündliche Begründung erfassen.

Prüfe bei jedem Szenario:

Lernziel: Welche Kompetenz soll nachweisbar sein?
Lernaktivität: Welche Tätigkeit führt zu dieser Kompetenz?
KI-Rolle: Welche Unterstützung ist lernförderlich, und was muss die lernende Person selbst leisten?
Leistungsnachweis: Welche Evidenz zeigt tatsächlich, dass das Lernziel erreicht wurde?
Reflexion: Wie wird der KI-Einsatz offengelegt und bewertet?

Bloom-Taxonomie und kognitive Tiefe

Die überarbeitete Bloom-Taxonomie unterscheidet kognitive Prozesse wie Erinnern, Verstehen, Anwenden, Analysieren, Bewerten und Erschaffen. KI kann Aufgaben auf allen Ebenen unterstützen, darf aber nicht mit höherer kognitiver Qualität verwechselt werden. Ein langer KI-Text kann oberflächlich sein, während eine kurze eigene Fehleranalyse anspruchsvoll sein kann.

Besonders lernwirksam sind Aufgaben, in denen Du eine KI-Ausgabe analysierst, mit Quellen vergleichst, nach transparenten Kriterien bewertest und begründet überarbeitest. Dadurch bleibt die kognitive Verantwortung bei Dir.

Pädagogisches Scaffolding

Scaffolding bezeichnet eine vorübergehende Unterstützung, die mit wachsender Kompetenz reduziert wird. Ein KI-System kann Hinweise geben, Begriffe erklären oder Teilaufgaben strukturieren. Die Hilfe sollte jedoch nicht dauerhaft alle Schwierigkeiten beseitigen.

Ein gestuftes Verfahren kann so aussehen: Zuerst erhältst Du nur eine Rückfrage. Danach einen Hinweis auf einen relevanten Begriff. Erst später folgt ein Beispiel. Eine vollständige Lösung wird nur zur nachträglichen Analyse genutzt. Dieses Prinzip schützt die produktive Anstrengung.

Rollen von KI in Lehr-Lern-Prozessen

KI kann unterschiedliche Rollen einnehmen. Diese Rollen sind pädagogische Beschreibungen, keine Eigenschaften des Systems an sich.

Lerngegenstand: Du untersuchst Funktionsweise, Geschichte, Grenzen und gesellschaftliche Folgen von KI.
Werkzeug: KI unterstützt Übersetzung, Strukturierung, Visualisierung, Recherchevorbereitung oder Entwurf.
Feedbackgeber: KI formuliert Rückmeldungen, die Du anhand fachlicher Kriterien prüfen musst.
Tutorielles System: KI stellt Fragen, passt Hinweise an oder begleitet Übungsprozesse.
Simulationspartner: KI übernimmt eine Rolle in einer Fallberatung, Debatte oder Gesprächssimulation.
Kreativer Impulsgeber: KI erzeugt Varianten, Gegenbeispiele oder Perspektiven für eine Weiterarbeit.
Diagnostische Unterstützung: KI hilft, Muster in Lernprodukten zu erkennen; die pädagogische Deutung bleibt menschlich.
Objekt der Kritik: KI-Ausgaben werden auf Fehler, Vorannahmen, Auslassungen und Machtwirkungen untersucht.

Eine Rolle sollte immer mit Grenzen versehen werden. Ein Simulationspartner ist kein echter Klient. Ein Feedbacksystem ist kein Prüfer. Ein Chatbot ist keine Vertrauensperson. Eine Prognose ist keine sichere Zukunftsaussage.

Anwendungsfelder

Planung und Materialentwicklung

Lehrende können KI zur Ideensammlung, Differenzierung, Formulierung von Beispielen oder Erstellung erster Entwürfe einsetzen. Zeitgewinn ist möglich, sofern die fachliche und didaktische Prüfung nicht mehr Aufwand erzeugt als die eigene Erstellung.

Geeignete Anwendungen sind Varianten einer Aufgabenstellung, sprachliche Vereinfachungen, zusätzliche Übungsfälle oder alternative Erklärungsansätze. Ungeeignet ist die ungeprüfte Übernahme von Materialien, insbesondere wenn Quellen, sensible Inhalte oder Bewertungskriterien betroffen sind.

Individuelle Lernunterstützung

KI kann Lernenden zusätzliche Erklärungen, Fragen und Übungsgelegenheiten anbieten. Eine Person kann ihr Tempo variieren und Rückfragen stellen, ohne auf einen festen Termin zu warten. Dieses Potenzial ist besonders relevant, wenn menschliche Unterstützung begrenzt ist.

Personalisierung ist jedoch nicht automatisch pädagogisch wertvoll. Ein System kann Anpassung nur anhand verfügbarer Daten und vorgegebener Kriterien vornehmen. Es kennt die Lernenden nicht in ihrer ganzen Person und kann Motivation, Lebenslage oder emotionale Belastung falsch deuten.

Feedback

Gutes Feedback bezieht sich auf Ziele und Kriterien, ist verständlich, handlungsorientiert und ermöglicht eine Überarbeitung. KI kann Feedbackentwürfe erzeugen, doch generische Rückmeldungen oder erfundene Fehler sind möglich.

Ein tragfähiges Verfahren lautet: Lernende erhalten eine KI-Rückmeldung, markieren hilfreiche und problematische Stellen, vergleichen sie mit Peer-Feedback und erstellen anschließend einen eigenen Überarbeitungsplan. So wird Feedbackkompetenz zum Lernziel.

Adaptives Lernen und tutorielle Systeme

Intelligente tutorielle Systeme modellieren den Lernstand und wählen Aufgaben oder Hinweise aus. Forschung zeigt für bestimmte Systeme und Kontexte positive Effekte, doch die Wirksamkeit hängt von Fach, Design, Dauer, Vergleichsbedingung und Qualität der Implementation ab.^[3]^[4]

Pädagogisch entscheidend ist nicht nur, ob eine Antwort richtig wird. Zu prüfen ist auch, ob Verständnis, Transfer, Motivation und Selbstständigkeit wachsen.

Learning Analytics

Learning Analytics nutzt Daten über Lernaktivitäten, um Lernprozesse zu beschreiben oder zu unterstützen. Möglich sind Hinweise auf Bearbeitungsstände, wiederkehrende Fehler oder Unterstützungsbedarf.

Die Daten zeigen jedoch nur Ausschnitte. Klicks, Bearbeitungszeit oder Abgabehäufigkeit sind keine direkten Abbilder von Interesse, Verständnis oder Begabung. Eine verantwortliche Interpretation vermeidet Etikettierung und gibt Lernenden Einblick, Mitsprache und Korrekturmöglichkeiten.

Barrierefreiheit und sprachliche Unterstützung

KI kann Texte vereinfachen, alternative Darstellungen erzeugen, Sprache in Text umwandeln oder Übersetzungen vorbereiten. Dadurch können Zugänge verbessert werden. Zugleich können Fehler, stereotype Darstellungen oder unpassende Vereinfachungen neue Barrieren schaffen.

Barrierefreiheit ist daher nicht nur eine technische Funktion, sondern ein Prozess mit Beteiligung der Betroffenen. Ergebnisse müssen geprüft werden, und analoge oder nicht KI-gestützte Alternativen müssen verfügbar bleiben.

Simulation und Fallarbeit

In der Fallarbeit kann KI unterschiedliche Positionen darstellen, Gesprächsverläufe simulieren oder unvollständige Fallvignetten erzeugen. Studierende können Hypothesen entwickeln und die Grenzen der Simulation analysieren.

Sensible reale Fälle dürfen nicht ungeschützt eingegeben werden. Personenbezogene Daten müssen vermieden oder angemessen anonymisiert werden. Auch bei erfundenen Fällen ist zu prüfen, ob stereotype Rollenbilder reproduziert werden.

Das Askwith Education Forum der Harvard Graduate School of Education behandelt mögliche Veränderungen von Lernen und Lehren. Vergleiche die dort formulierten Erwartungen mit den pädagogischen Kriterien dieses Kurses.

KI-Kompetenz und AI Literacy

KI-Kompetenz umfasst mehr als Bedienwissen. Sie verbindet technisches Grundverständnis, kritische Bewertung, ethische Reflexion, praktische Gestaltung und gesellschaftliche Teilhabe.

Das UNESCO-Kompetenzmodell für Lernende beschreibt zwölf Kompetenzen in vier Dimensionen: menschenzentrierte Haltung, Ethik der KI, KI-Techniken und Anwendungen sowie Gestaltung von KI-Systemen. Die Entwicklung verläuft über die Stufen Verstehen, Anwenden und Gestalten.^[5]

Für Lehrkräfte beschreibt UNESCO fünf Bereiche: menschenzentrierte Haltung, Ethik der KI, Grundlagen und Anwendungen, KI-Pädagogik sowie KI für professionelles Lernen. Fünfzehn Kompetenzen werden den Entwicklungsstufen Erwerben, Vertiefen und Gestalten zugeordnet.^[6]

Für pädagogische Praxis lassen sich sechs Kernhandlungen ableiten:

Verstehen: Du erklärst vereinfacht, wie ein System Daten verarbeitet und Ausgaben erzeugt.
Prüfen: Du kontrollierst Aussagen, Quellen, Rechenwege, Auslassungen und Unsicherheiten.
Reflektieren: Du untersuchst Werte, Interessen, Macht und Folgen.
Gestalten: Du setzt KI zielbezogen, kreativ und nachvollziehbar ein.
Dokumentieren: Du machst Eingaben, Ausgaben, Auswahlentscheidungen und eigene Beiträge sichtbar.
Verantworten: Du triffst die abschließende Entscheidung und kannst sie begründen.

Das UNESCO-UNU-Webinar vertieft die globale Orientierung für generative KI in Bildung und Forschung. Achte auf die Verbindung von Regulierung, Institution, Kompetenzentwicklung und pädagogischer Praxis.

Chancen aus pädagogischer Sicht

Zusätzliche Lerngelegenheiten

KI kann rund um die Uhr zusätzliche Fragen, Beispiele und Übungsanlässe bereitstellen. Sie kann Lernenden erlauben, eine Erklärung mehrfach oder in unterschiedlicher Form anzufordern. Pädagogisch wertvoll wird dies, wenn Lernende nicht nur konsumieren, sondern antworten, begründen, prüfen und transferieren.

Differenzierung

Aufgaben können sprachlich, formal oder hinsichtlich ihres Unterstützungsgrades variiert werden. Dadurch lassen sich unterschiedliche Zugänge schaffen. Differenzierung darf jedoch nicht zur dauerhaften Absenkung von Erwartungen für bestimmte Gruppen führen. Ziel ist Teilhabe an anspruchsvollem Lernen mit passender Unterstützung.

Kreativität und Perspektivenvielfalt

Generative Systeme können viele Varianten in kurzer Zeit erzeugen. Lernende können diese als Rohmaterial nutzen, vergleichen und weiterentwickeln. Kreativität liegt dabei nicht in der bloßen Menge, sondern in Auswahl, Kombination, Kritik und eigenständiger Gestaltung.

Entlastung und Professionalisierung

KI kann Routinearbeiten vorbereiten oder Ideen strukturieren. Frei werdende Zeit kann in Beratung, Beziehung, Beobachtung und individuelle Rückmeldung fließen. Entlastung entsteht jedoch nur, wenn Qualitätssicherung, Datenschutz und Korrekturaufwand mitgedacht werden.

Metakognition

Der Vergleich zwischen eigener Lösung und KI-Ausgabe kann Metakognition fördern. Du erkennst, welche Strategien Du verwendet hast, wo Du unsicher bist und warum Du einen Vorschlag akzeptierst oder ablehnst.

Risiken und Grenzen

Halluzination und Scheinsicherheit

Als Halluzination werden plausibel klingende, aber sachlich falsche oder unbelegte KI-Ausgaben bezeichnet. Besonders problematisch sind erfundene Literaturangaben, falsche Zitate, unzutreffende Rechtsinformationen oder frei konstruierte Forschungsergebnisse.

Eine professionelle Regel lautet: Je wichtiger eine Aussage, desto unabhängiger muss sie geprüft werden. Primärquellen, Fachliteratur und institutionelle Vorgaben haben Vorrang vor einer generierten Antwort.

Bias und Diskriminierung

Bias bezeichnet systematische Verzerrungen. Sie können aus Trainingsdaten, Kategorien, Zielgrößen, Modellarchitektur, Einsatzkontext oder menschlicher Interpretation entstehen. Ein System kann bestimmte Sprachstile, Lebensformen oder Bildungsbiografien benachteiligen.

Bias ist nicht nur ein technischer Fehler. Er kann bestehende gesellschaftliche Ungleichheiten fortschreiben. Deshalb müssen Gruppenwirkungen, Fehlerraten, Beschwerdewege und Alternativen geprüft werden.

Nutze das kurze Video als Einstieg und entwickle anschließend ein eigenes Bildungsbeispiel: Wie könnte eine verzerrte Datengrundlage zu einer unfairen pädagogischen Empfehlung führen?

Automationsbias

Automationsbias bezeichnet die Tendenz, technischen Empfehlungen zu stark zu vertrauen. In der Bildung kann dies auftreten, wenn Lehrende einer Risikoprognose, einer automatischen Bewertung oder einer Plagiatsanzeige mehr Gewicht geben als dem Kontext und der eigenen Prüfung.

Menschliche Aufsicht ist nicht erfüllt, wenn eine Person nur formal bestätigt, was das System vorschlägt. Sie erfordert Kompetenz, Zeit, Zugriff auf Informationen und die reale Möglichkeit, eine Empfehlung abzulehnen.

Anthropomorphisierung

Menschen schreiben dialogfähigen Systemen leicht Verständnis, Absicht oder Empathie zu. Eine freundliche Formulierung kann den Eindruck einer Beziehung erzeugen. Das System erlebt jedoch keine Sorge und übernimmt keine Verantwortung.

Besonders bei Kindern, ratsuchenden Personen oder emotional belasteten Lernenden müssen Rollen klar benannt werden. Ein Chatbot darf menschliche Beratung, Therapie oder Schutzstrukturen nicht ersetzen.

Kognitive Auslagerung und Abhängigkeit

Werkzeuge entlasten Denken. Das kann sinnvoll sein, etwa bei Routine. Es kann aber problematisch werden, wenn gerade die zu erlernende Tätigkeit ausgelagert wird. Wer Argumentieren lernen soll, darf nicht nur fertige Argumente auswählen. Wer schreiben lernen soll, benötigt eigene Formulierungs- und Überarbeitungsprozesse.

Pädagogische Gestaltung entscheidet daher bewusst, wann KI verfügbar ist, wann sie eingeschränkt wird und wann eine Aufgabe ohne KI bearbeitet wird.

Datenschutz und Vertraulichkeit

Eingaben können personenbezogene, sensible oder institutionell geschützte Informationen enthalten. Lernende und Lehrende dürfen keine vertraulichen Fallakten, Diagnosen, unveröffentlichten Forschungsdaten oder identifizierbaren Leistungsdaten in ungeprüfte Systeme eingeben.

Datenminimierung bedeutet, nur die für einen klaren Zweck notwendigen Daten zu verarbeiten. Wo möglich, werden fiktive, anonymisierte oder lokal geschützte Daten genutzt.

Das Flussdiagramm bietet Anregungen für eine erste Sicherheitsprüfung. Es ersetzt keine institutionelle Datenschutzprüfung, macht aber eine zentrale Frage sichtbar: Ist die Information für ein externes System geeignet?

Urheberrecht und Autorschaft

Generative KI wirft Fragen zu Trainingsdaten, geschützten Werken, Zitierfähigkeit und menschlicher Autorschaft auf. Pädagogisch sind drei Ebenen zu trennen: rechtliche Zulässigkeit, wissenschaftliche Redlichkeit und didaktische Sinnhaftigkeit.

Auch eine rechtlich erlaubte Nutzung kann dem Lernziel widersprechen. Umgekehrt muss eine zulässige Unterstützung transparent dokumentiert werden, wenn die Prüfungsordnung oder Aufgabenstellung dies verlangt.

Umweltwirkungen

Training und Betrieb großer Modelle benötigen Rechenzentren, Energie, Wasser, Hardware und Rohstoffe. Die genaue Umweltwirkung hängt von Modell, Rechenzentrum, Strommix, Nutzungsart und Auslastung ab. Nachhaltige Bildung fragt deshalb nach Verhältnismäßigkeit: Wird ein großes System für eine Aufgabe genutzt, die einfacher lösbar wäre?

Inklusion, Teilhabe und Bildungsgerechtigkeit

Bildungsgerechtigkeit betrifft Zugang, Beteiligung, Anerkennung und faire Lernchancen. KI kann Barrieren reduzieren, aber auch neue Ungleichheiten erzeugen. Unterschiede bestehen bei Geräten, Internetzugang, Sprachkompetenz, Vorerfahrung, Bezahlzugängen, Barrierefreiheit und institutioneller Unterstützung.

Das Bild erinnert daran, dass digitale Bildung materielle Voraussetzungen hat. Ein KI-Konzept ist unvollständig, wenn es nur die Fähigkeiten eines Systems betrachtet und Infrastruktur, Unterstützung sowie soziale Unterschiede ausblendet.

Ein inklusives Szenario bietet gleichwertige Alternativen. Es zwingt niemanden zur Offenlegung sensibler Daten. Es überprüft Ausgaben mit Menschen unterschiedlicher Perspektiven. Es berücksichtigt assistive Technologien und vermeidet Defizitzuschreibungen.

Der Vortrag zu KI und Diklusion verbindet digitale Medien und Inklusion. Prüfe, ob die vorgestellten Möglichkeiten echte Teilhabe fördern oder lediglich technische Anpassung versprechen.

Ethik, Recht und Governance

Ethische Leitprinzipien

Für pädagogische Entscheidungen sind insbesondere folgende Prinzipien relevant:

Menschenwürde: Personen werden nicht auf Datenpunkte oder Prognosen reduziert.
Autonomie: Lernende behalten Wahlmöglichkeiten und können Entscheidungen verstehen und anfechten.
Fürsorge: Risiken für Wohlbefinden, Entwicklung und Schutz werden berücksichtigt.
Gerechtigkeit: Vorteile und Belastungen werden fair verteilt.
Transparenz: Zweck, Grenzen und KI-Beteiligung werden verständlich gemacht.
Verantwortung: Zuständigkeiten bleiben eindeutig menschlich und institutionell geregelt.
Privatheit: Daten werden geschützt und sparsam verarbeitet.
Nachhaltigkeit: soziale und ökologische Folgen fließen in die Bewertung ein.

Rechtlicher Rahmen

Im europäischen Kontext sind unter anderem Datenschutz-Grundverordnung, Urheberrecht, Prüfungsrecht, Antidiskriminierungsrecht und die EU-KI-Verordnung relevant. Die EU-KI-Verordnung folgt einem risikobasierten Ansatz und erfasst bestimmte Bildungsanwendungen, etwa bei Zugang, Einstufung oder Leistungsbewertung, als besonders sensibel.^[7]

Die konkrete rechtliche Einordnung hängt von System, Zweck, Rolle der Organisation und aktueller Rechtslage ab. Dieser Kurs ersetzt keine Rechtsberatung. Vor einem Einsatz sind die geltenden Vorgaben der Bildungseinrichtung, Datenschutzbeauftragten und zuständigen Behörden zu prüfen.

Die Europäische Kommission stellt ethische Leitlinien für Lehrende zur Nutzung von KI und Daten bereit.^[8] Für schulische Bildungsprozesse in Deutschland bietet die Kultusministerkonferenz eine Handlungsempfehlung für einen konstruktiv-kritischen Umgang.^[9]

Governance in Bildungsorganisationen

Governance bezeichnet Regeln, Zuständigkeiten, Verfahren und Kontrollmechanismen. Eine Schule, Hochschule oder Weiterbildungseinrichtung benötigt mehr als eine Liste erlaubter Werkzeuge.

Zu einem tragfähigen Konzept gehören Zweckdefinition, Beschaffungskriterien, Datenschutzprüfung, Beteiligung von Lernenden, Fortbildung, Dokumentationsregeln, Beschwerdewege, Barrierefreiheit, Evaluation und regelmäßige Aktualisierung.

Ein wichtiges Prinzip lautet: Je stärker ein System in Rechte, Zugänge oder Bewertungen eingreift, desto höher müssen Transparenz, Prüfung, menschliche Kontrolle und Anfechtbarkeit sein.

Prüfungen und akademische Integrität

Generative KI stellt nicht das Ende von Prüfungen dar, sondern macht Schwächen bestehender Prüfungsformen sichtbar. Aufgaben, die nur die Produktion eines standardisierten Textes verlangen, können leicht ausgelagert werden. Prüfungen sollten stärker den Prozess, die Anwendung, die Begründung und den Transfer erfassen.

Das Bild eignet sich als Diskussionsimpuls, darf aber nicht zu einer vorschnellen Gleichsetzung von KI-Nutzung und Täuschung führen. Entscheidend sind Aufgabenstellung, erlaubte Hilfsmittel, Transparenz und nachweisbare Eigenleistung.

Geeignete Elemente einer zeitgemäßen Prüfung sind:

Authentische Aufgabe: Die Aufgabe bezieht sich auf einen realistischen, komplexen Kontext.
Prozessdokumentation: Entwürfe, Suchwege, Prompts, Änderungen und Entscheidungen werden sichtbar.
Mündliche Verteidigung: Lernende erläutern Begriffe, Quellen, Entscheidungen und Grenzen.
Portfolio: Mehrere Lernprodukte zeigen Entwicklung über Zeit.
Quellenprüfung: Aussagen werden mit verlässlichen Belegen verbunden.
Reflexion: Die Person bewertet Nutzen, Fehler und Einfluss der KI.
Präsenzanteil: Bestimmte Leistungen werden unter kontrollierten Bedingungen erbracht.
Peer-Review: Lernende wenden transparente Kriterien auf fremde und eigene Arbeiten an.

Eine pauschale KI-Erkennung ist problematisch. Detektoren können Fehlklassifikationen erzeugen und dürfen nicht alleinige Grundlage für einen Täuschungsvorwurf sein. Verdachtsfälle benötigen faire Verfahren, Kontextprüfung und Anhörung.

Der Beitrag aus dem Umfeld des Hochschulforums Digitalisierung eignet sich zur Analyse institutioneller Handlungsfelder. Übertrage zwei Aussagen auf Dein eigenes Studien- oder Praxisfeld.

Ein didaktisches Lehr-Lern-Szenario

Beispiel: KI-Antworten als Gegenstand wissenschaftlicher Kritik

Thema: Bildungsgerechtigkeit und automatisierte Lernstandsprognosen.

Lernziel: Studierende können eine KI-generierte Argumentation fachlich prüfen, normative Annahmen offenlegen und eine begründete eigene Position entwickeln.

Ablauf:

Die Studierenden lesen zwei wissenschaftliche Texte zu Bildungsgerechtigkeit und Learning Analytics.
Sie formulieren zunächst ohne KI eine begründete Ausgangsthese.
Ein Sprachmodell erhält die Aufgabe, Chancen und Risiken automatisierter Lernstandsprognosen darzustellen.
Die Studierenden markieren Tatsachenbehauptungen, Werturteile, unklare Begriffe und fehlende Perspektiven.
Jede Tatsachenbehauptung wird anhand wissenschaftlicher oder institutioneller Quellen geprüft.
Gruppen vergleichen ihre Befunde und untersuchen Unterschiede zwischen den KI-Ausgaben.
Jede Person überarbeitet ihre Ausgangsthese und dokumentiert, was sie übernommen, verändert oder verworfen hat.
Der Leistungsnachweis besteht aus Quellenmatrix, begründeter Position, KI-Dokumentation und kurzer mündlicher Verteidigung.

Pädagogischer Mehrwert: Die KI liefert nicht die fertige Leistung, sondern ein prüfbares Objekt. Fachwissen, Quellenkritik, Urteilsfähigkeit und Reflexion bleiben zentrale Eigenleistungen.

Risikovorsorge: Es werden keine personenbezogenen Daten eingegeben. Die verwendete Plattform ist institutionell geprüft. Nicht KI-gestützte Alternativen stehen zur Verfügung.

Der PÄD-AI-Prüfzyklus

Der folgende PÄD-AI-Prüfzyklus ist eine didaktische Heuristik dieses Kurses. Er hilft Dir, einen Einsatz systematisch zu planen.

P – Pädagogisches Ziel klären: Formuliere, welche Kompetenz und welche Bildungsbedeutung im Mittelpunkt stehen.
Ä – Äußere Bedingungen prüfen: Analysiere Zielgruppe, Barrierefreiheit, Infrastruktur, Zeit, Regeln und Alternativen.
D – Didaktische Aktivität entwerfen: Lege fest, was Lernende selbst denken, tun, besprechen und herstellen.
A – AI-Funktion begrenzen: Bestimme Zweck, Daten, erlaubte Nutzung, Transparenz und menschliche Kontrolle.
I – Inspektion und Iteration sichern: Prüfe Ergebnisse, erhebe Rückmeldungen, dokumentiere Wirkungen und verbessere das Szenario.

Ein Einsatz ist abzulehnen oder neu zu gestalten, wenn das System das zentrale Lernziel ersetzt, sensible Daten gefährdet, Beteiligte benachteiligt, nicht überprüfbare Entscheidungen erzeugt oder keine gleichwertige Alternative zulässt.

Professionalisierung pädagogischer Fachkräfte

Professioneller KI-Einsatz setzt fachliche, didaktische, technische, ethische und rechtliche Kompetenzen voraus. Ein einmaliger Workshop reicht nicht aus. Notwendig sind kontinuierliche Lerngelegenheiten, kollegiale Beratung, Erprobungsräume und Zeit für Reflexion.

Lehrende sollten nicht nur Prompts sammeln. Sie müssen Ergebnisse fachlich beurteilen, Lernprozesse beobachten, Risiken kommunizieren und Entscheidungen dokumentieren können. Professionalisierung umfasst auch die Fähigkeit, einen KI-Einsatz begründet abzulehnen.

Der UNESCO-Beitrag betont die fortbestehende Bedeutung von Lehrkräften. Notiere, welche Aufgaben durch KI verändert werden können und welche pädagogischen Verantwortungen nicht delegierbar sind.

Kollegiale Entwicklung

Ein geeignetes Format ist die Professionelle Lerngemeinschaft. Lehrende testen ein begrenztes Szenario, beobachten Lernprozesse, sammeln Lernprodukte und besprechen die Ergebnisse anhand gemeinsamer Kriterien.

Statt Erfolgsberichte zu produzieren, sollten auch Abbrüche, Fehler und unerwünschte Wirkungen dokumentiert werden. Eine lernende Organisation benötigt eine Kultur, in der Zweifel und Kritik nicht als Technikfeindlichkeit gelten.

Beteiligung von Lernenden

Lernende sind nicht nur Nutzende, sondern Betroffene und Mitgestaltende. Sie sollten an Regeln, Evaluation und Beschwerdewegen beteiligt werden. Ihre Erfahrungen zeigen, ob ein System verständlich, hilfreich, unfair oder belastend wirkt.

Beteiligung ist besonders wichtig, wenn Lernverhalten ausgewertet, KI-Einsatz dokumentiert oder neue Prüfungsformen eingeführt werden.

Forschungsstand kritisch lesen

Forschung zu KI in der Bildung umfasst sehr unterschiedliche Systeme: tutorielle Programme, adaptive Lernumgebungen, automatische Bewertung, Lernanalytik, Robotik und generative Sprachmodelle. Ergebnisse dürfen deshalb nicht ohne Weiteres von einer Technologie auf eine andere übertragen werden.

Ältere Meta-Analysen zu intelligenten tutoriellen Systemen berichten im Durchschnitt positive Lerneffekte, zeigen aber erhebliche Unterschiede zwischen Studien und Einsatzbedingungen.^[4] Neuere systematische Übersichten betonen ebenfalls Potenziale, weisen jedoch auf begrenzte Vergleichbarkeit, unterschiedliche Designs und offene Fragen hin.^[3]

Für generative KI ist die empirische Forschung jünger. Viele Untersuchungen messen kurzfristige Leistung, Nutzungserleben oder Akzeptanz. Weniger sicher ist, wie sich regelmäßige Nutzung langfristig auf Verständnis, Selbstständigkeit, Motivation und Fachkompetenz auswirkt.

Bei jeder Studie solltest Du fragen:

Welche Technologie und Version wurde untersucht?
Welche Lernenden und welcher Bildungskontext waren beteiligt?
Was war die Vergleichsbedingung?
Welche Lernziele und Messinstrumente wurden verwendet?
Wurde kurzfristige Leistung oder nachhaltiges Lernen gemessen?
Welche Rolle spielten Lehrende?
Welche Ausfälle, Verzerrungen oder Interessenkonflikte gab es?
Lassen sich die Ergebnisse auf den eigenen Kontext übertragen?

Die Turing Lecture fragt, ob Bildungssysteme für KI vorbereitet sind. Analysiere die Argumentation mit den Kriterien dieses Abschnitts: Welche Aussagen beruhen auf Forschung, welche sind Prognosen und welche sind normative Forderungen?

Zukunftsfragen

Die Zukunft von KI in der Bildung ist nicht technisch festgelegt. Sie wird durch politische Entscheidungen, Geschäftsmodelle, pädagogische Konzepte, Forschung, Regulierung und alltägliche Praxis gestaltet.

Zentrale Zukunftsfragen sind: Werden KI-Systeme Bildung als öffentliches Gut stärken oder Abhängigkeit von Plattformen erhöhen? Werden sie Lehrende entlasten oder neue Kontrollarbeit schaffen? Werden Lernende zu mündigen Mitgestaltenden oder zu Objekten datenbasierter Optimierung? Werden vielfältige Bildungswege unterstützt oder standardisierte Normalitätsvorstellungen verstärkt?

Pädagogik hat dabei eine eigenständige Aufgabe. Sie bewertet Technik nicht nur nach Effizienz, sondern nach ihrem Beitrag zu Mündigkeit, Gerechtigkeit, Beziehung, Teilhabe und verantwortlicher Weltgestaltung.

Der deutschsprachige Vortrag zur KI in der Schule kann als Fallmaterial genutzt werden. Erstelle beim Ansehen eine Tabelle mit den Spalten Chance, Voraussetzung, Risiko und pädagogische Konsequenz.

Leitlinien für verantwortliche Praxis

Für Studium und pädagogische Praxis kannst Du folgende Leitlinien verwenden:

Lernziel vor Werkzeug: Setze KI nur ein, wenn sie eine begründete Lernaktivität unterstützt.
Eigenleistung schützen: Lege fest, welche Denkarbeit nicht ausgelagert werden darf.
Ausgaben prüfen: Behandle generierte Inhalte als vorläufige Vorschläge.
Quellen nutzen: Belege wichtige Aussagen mit verlässlicher Literatur oder Primärquellen.
Daten minimieren: Gib keine vertraulichen oder unnötigen personenbezogenen Daten ein.
KI sichtbar machen: Dokumentiere Einsatz, Einfluss und eigene Entscheidungen.
Alternativen anbieten: Vermeide Benachteiligung durch Zugang, Kosten oder Barrieren.
Menschen entscheiden lassen: Pädagogische Verantwortung bleibt bei zuständigen Personen.
Wirkungen evaluieren: Untersuche Lernen, Teilhabe und Nebenfolgen, nicht nur Effizienz.
Regeln aktualisieren: Prüfe regelmäßig Technik, Forschung, Recht und institutionelle Vorgaben.

Quellen und weiterführende Orientierung

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist aus pädagogischer Sicht die wichtigste Ausgangsfrage vor einem KI-Einsatz? (Welches Lernziel und welche Lernaktivität sollen unterstützt werden) (!Welches System erzeugt den längsten Text) (!Welches Werkzeug wird am häufigsten beworben) (!Welche Plattform besitzt die meisten Funktionen)

Was beschreibt Constructive Alignment? (Die Abstimmung von Lernzielen Lernaktivitäten und Prüfung) (!Die automatische Anpassung eines Sprachmodells) (!Die technische Verbindung mehrerer Datenbanken) (!Die Sortierung von Lernenden nach Leistung)

Was ist eine Halluzination bei generativer KI? (Eine plausibel klingende aber falsche oder unbelegte Ausgabe) (!Eine besonders kreative Lernmethode) (!Eine sichere Vorhersage des Lernerfolgs) (!Eine verschlüsselte Speicherung von Daten)

Was bedeutet Bias im Zusammenhang mit KI? (Eine systematische Verzerrung) (!Eine fehlerfreie Zufallsauswahl) (!Eine Methode zur Datenlöschung) (!Eine Form des kooperativen Lernens)

Welche Aussage entspricht einer menschenzentrierten KI-Pädagogik? (KI ergänzt menschliches Lernen und menschliche Verantwortung) (!KI übernimmt pädagogische Entscheidungen vollständig) (!KI ersetzt soziale Beziehungen im Unterricht) (!KI-Ausgaben gelten ohne Prüfung als Wissen)

Welche Wissensbereiche verbindet das TPACK-Modell? (Fachwissen pädagogisches Wissen und technologisches Wissen) (!Recht Wirtschaft und Verwaltung) (!Motivation Intelligenz und Persönlichkeit) (!Hardware Finanzierung und Marketing)

Welche Maßnahme stärkt akademische Integrität bei erlaubter KI-Nutzung? (Transparente Dokumentation und begründete Eigenleistung) (!Verheimlichung aller verwendeten Hilfsmittel) (!Ungeprüfte Übernahme generierter Quellen) (!Automatische Anerkennung jedes KI-Textes)

Was bedeutet Datenminimierung? (Nur notwendige Daten für einen klaren Zweck zu verarbeiten) (!Möglichst viele Daten dauerhaft zu speichern) (!Personenbezogene Daten öffentlich zu teilen) (!Alle Lernaktivitäten vollständig zu überwachen)

Welche Aufgabe bleibt bei KI-gestütztem Feedback menschlich? (Die pädagogische Bewertung und verantwortliche Entscheidung) (!Die zufällige Erzeugung beliebiger Kommentare) (!Die automatische Verlängerung des Feedbacktexts) (!Die Speicherung aller Entwürfe ohne Einwilligung)

Wie ist der Forschungsstand zu KI in der Bildung angemessen zu beurteilen? (Wirkungen hängen von System Zielgruppe Fach und didaktischem Design ab) (!Jedes KI-System verbessert Lernen automatisch) (!Alle Studien untersuchen dieselbe Technologie) (!Kurzfristige Leistung beweist immer nachhaltiges Lernen)

Memory

Constructive Alignment	Abstimmung von Lernziel Aktivität und Prüfung
TPACK	Verbindung von Fach Pädagogik und Technologie
Halluzination	Plausible aber falsche Ausgabe
Bias	Systematische Verzerrung
Learning Analytics	Analyse von Daten aus Lernprozessen
Scaffolding	Vorübergehende Lernunterstützung
Human in the loop	Wirksame menschliche Kontrolle

Drag and Drop

Ordne die richtigen Begriffe zu.	Didaktische Planungsfunktion
Lernziel	Beschreibt die angestrebte Kompetenz
Lernaktivität	Bestimmt die Tätigkeit der Lernenden
KI-Funktion	Begrenzt die technische Unterstützung
Prüfkriterium	Macht Qualität und Eigenleistung beurteilbar
Reflexion	Bewertet Wirkung Grenzen und Verbesserungen

Kreuzworträtsel

Didaktik	Wie heißt die Wissenschaft und Praxis der Gestaltung von Lehren und Lernen?
Feedback	Wie heißt eine Rückmeldung zum Lernstand oder Lernprodukt?
Bias	Wie heißt eine systematische Verzerrung?
Inklusion	Wie heißt das Ziel gleichberechtigter Teilhabe?
Autonomie	Wie heißt die Fähigkeit zu selbstbestimmtem Handeln?
Transparenz	Wie heißt die verständliche Offenlegung von Zweck und Verfahren?

LearningApps

Lückentext

Vor der Auswahl eines KI-Werkzeugs muss das pädagogische

geklärt werden.

Generative Sprachmodelle erzeugen Ausgaben auf Grundlage statistischer

.

Eine plausibel klingende aber falsche Ausgabe wird als

bezeichnet.

Die Abstimmung von Ziel Aktivität und Prüfung heißt

.

Das TPACK-Modell verbindet Fachwissen Pädagogik und

.

Eine systematische Verzerrung wird als

bezeichnet.

Nur notwendige Informationen zu verarbeiten entspricht der

.

Vorübergehende und schrittweise reduzierte Lernhilfe heißt

.

Die abschließende pädagogische Verantwortung bleibt beim

.

KI-Nutzung in wissenschaftlichen Leistungen soll transparent

werden.

Gleichberechtigte Beteiligung ist ein Ziel der

.

Forschungsergebnisse müssen im jeweiligen pädagogischen

interpretiert werden.

Offene Aufgaben

Leicht

KI-Nutzungstagebuch: Dokumentiere drei Tage lang, wann Du KI für Lernen oder Studium nutzt. Notiere Anlass, Nutzen, Fehler, eigene Denkarbeit und eine mögliche Alternative ohne KI.
Begriffslandkarte: Erstelle eine Concept-Map zu KI, maschinellem Lernen, generativer KI, Sprachmodell, Trainingsdaten, Prompt, Halluzination und Bias.
Prompt-Vergleich: Stelle einem Sprachmodell dieselbe fachliche Frage in drei unterschiedlich präzisen Formulierungen. Vergleiche die Ausgaben anhand selbst entwickelter Qualitätskriterien.
Risikokarte: Gestalte eine übersichtliche Karte mit den Bereichen Datenschutz, Bias, Halluzination, Abhängigkeit, Ungleichheit und Transparenz. Ergänze zu jedem Risiko eine Schutzmaßnahme.

Standard

Didaktischer Entwurf: Plane eine 45- bis 90-minütige Lerneinheit, in der KI eine klar begrenzte Funktion übernimmt. Begründe Lernziel, Aktivität, Sozialform, Prüfung und Alternative.
Quellenprüfung: Lass eine KI eine kurze Literaturübersicht zu einem pädagogischen Thema erzeugen. Prüfe jede Quellenangabe und dokumentiere erfundene, ungenaue oder geeignete Belege.
Interview: Führe ein leitfadengestütztes Interview mit einer Lehrkraft, einem Studierenden oder einer pädagogischen Fachkraft zur KI-Nutzung. Werte Chancen, Belastungen und Unterstützungsbedarfe aus.
Barrierefreiheitsprüfung: Teste ein KI-gestütztes Lernmaterial mit Kriterien für Verständlichkeit, Bedienbarkeit, alternative Darstellungen und diskriminierungssensible Sprache. Entwickle Verbesserungen.

Schwer

Prüfungsdesign: Überarbeite eine traditionelle Hausarbeits- oder Klausuraufgabe für eine Welt mit generativer KI. Entwickle einen validen Leistungsnachweis mit Prozessdokumentation, Quellenprüfung und mündlicher Verteidigung.
Forschungsplan: Entwirf eine kleine empirische Studie zur Frage, wie KI-gestütztes Feedback das selbstregulierte Lernen beeinflusst. Formuliere Forschungsfrage, Design, Stichprobe, Messung, Ethik und Grenzen.
Institutionelle KI-Leitlinie: Entwickle für eine Bildungseinrichtung eine kurze Leitlinie mit Zweck, erlaubten und unzulässigen Anwendungen, Datenschutz, Transparenz, Beteiligung, Beschwerdeweg und Evaluation.
Zukunftswerkstatt: Organisiere eine Zukunftswerkstatt zur Frage, wie eine gerechte KI-gestützte Bildungsinstitution im Jahr 2035 aussehen könnte. Dokumentiere Kritikphase, Fantasiephase, Realisierungsphase und offene Konflikte.

Lernkontrolle

Fallanalyse Lernstandsprognose: Eine Schule möchte ein System einsetzen, das aus Leistungs- und Verhaltensdaten ein Risiko des Schulabbruchs berechnet. Analysiere pädagogischen Zweck, mögliche Verzerrungen, Datenschutz, menschliche Kontrolle und Alternativen. Begründe eine Entscheidung.
Vergleich zweier Szenarien: Vergleiche ein Szenario, in dem KI vollständige Lösungen erzeugt, mit einem Szenario, in dem sie nur gestufte Hinweise gibt. Erkläre die erwartbaren Folgen für kognitive Aktivierung, Selbstregulation und Transfer.
Ethisches Dilemma: Ein KI-Tool verbessert die sprachliche Qualität studentischer Texte, ist aber nur kostenpflichtig vollständig nutzbar. Entwickle eine gerechte institutionelle Regelung und begründe sie mit mindestens drei ethischen Prinzipien.
Forschungskritik: Eine Studie berichtet höhere Testergebnisse nach zwei Wochen KI-Nutzung. Formuliere mindestens sechs Fragen, die Du vor einer Aussage über nachhaltigen Lernerfolg klären musst.
Prüfungstransfer: Entwickle für ein pädagogisches Seminar eine Prüfungsform, in der KI erlaubt ist, Eigenleistung aber valide sichtbar bleibt. Begründe die Passung zu den Lernzielen.
Inklusionsanalyse: Prüfe ein geplantes KI-gestütztes Lernangebot aus Sicht von Lernenden mit unterschiedlichen sprachlichen, finanziellen, technischen und gesundheitlichen Voraussetzungen. Entwickle konkrete Alternativen.
Implementationsentscheidung: Eine Hochschule erwägt einen KI-Chatbot für Studienberatung. Erstelle eine Entscheidungsmatrix mit pädagogischer Qualität, Datenschutz, Transparenz, Barrierefreiheit, Eskalationswegen, Kosten und Evaluation.

Lernnachweis

Ein überzeugender Lernnachweis zu diesem Thema zeigt nicht nur Faktenwissen, sondern begründete pädagogische Gestaltung. Er sollte folgende Bestandteile enthalten:

Theoretische Einordnung: Du verknüpfst das Szenario mit mindestens einer Lerntheorie und einem didaktischen Modell.
Technisches Grundverständnis: Du erklärst die verwendete KI-Funktion und ihre Grenzen verständlich.
Didaktisches Konzept: Du formulierst Lernziel, Aktivität, Sozialform, KI-Rolle und Leistungsnachweis.
Risiko- und Ethikanalyse: Du prüfst Datenschutz, Bias, Transparenz, Inklusion, Autonomie und Verantwortung.
Dokumentierte Erprobung: Du hältst Eingaben, Ausgaben, Änderungen, Beobachtungen und Fehler nachvollziehbar fest.
Forschungsbezug: Du nutzt geeignete wissenschaftliche oder institutionelle Quellen und bewertest deren Aussagekraft.
Reflexion: Du begründest, was die KI unterstützt hat, was menschliche Eigenleistung blieb und was Du verändern würdest.
Mündliche Verteidigung: Du beantwortest Rückfragen zu Entscheidungen, Alternativen und Grenzen.

Als Gesamtleistung eignet sich ein Portfolio aus didaktischem Entwurf, Materialbeispielen, KI-Dokumentation, Risikoanalyse, Quellenmatrix und einer kurzen Präsentation.

OERs zum Thema

Open Educational Resources ermöglichen die rechtssichere Nutzung, Bearbeitung und Weitergabe offener Lernmaterialien. Prüfe bei jedem Material Lizenz, Urheberschaft, Veränderungshinweise und Quellenangabe.

Geeignete offene Zugänge sind die Publikationen der UNESCO, Ressourcen des KI-Campus, Materialien des Hochschulforums Digitalisierung, Wikimedia Commons sowie frei zugängliche wissenschaftliche Veröffentlichungen.

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.