Stille Selektion durch adaptive Lernalgorithmen in der Schule

Stille Selektion durch adaptive Lernalgorithmen / KI in der Schule

Stille Selektion durch adaptive Lernalgorithmen und Künstliche Intelligenz in der Schule ist ein Thema für die Lehrerfortbildung, weil digitale Lernsysteme Lernwege nicht nur unterstützen, sondern auch unbemerkt sortieren, bewerten und begrenzen können. Dieser aiMOOC ist als Lehrerfortbildungssnack gedacht: Du kannst ihn für eine kurze Fortbildung, einen pädagogischen Tag, eine schulinterne Arbeitsgruppe oder für die eigene Unterrichtsentwicklung nutzen.

Einleitung

{{#ev:youtube| https://www.youtube.com/watch?v=DNN_GF46XFI |500|center}}

Adaptives Lernen verspricht, Lernangebote an den aktuellen Lernstand, das Tempo und die Bedürfnisse einzelner Lernender anzupassen. Solche Systeme nutzen häufig Learning Analytics, Maschinelles Lernen, Lernplattformen, Aufgabenverläufe, Klickdaten, Fehlermuster, Bearbeitungszeiten und Rückmeldungen. Daraus entstehen Empfehlungen: Wer bekommt welche Aufgabe? Wer erhält Wiederholung? Wer wird in eine Fördergruppe eingeordnet? Wer darf mit anspruchsvolleren Aufgaben weiterarbeiten?

Stille Selektion meint in diesem aiMOOC keine offen ausgesprochene Auswahlentscheidung, sondern eine leise, schwer sichtbare Sortierung von Lernchancen. Sie kann entstehen, wenn adaptive Systeme Lernende nach Datenmustern klassifizieren und daraus Lernwege ableiten. Das kann hilfreich sein, wenn die Diagnose gut, transparent und pädagogisch verantwortet ist. Es kann aber problematisch werden, wenn Lernende dauerhaft niedrigere Anforderungen, weniger anspruchsvolle Inhalte, weniger Aufmerksamkeit oder weniger Vertrauen erhalten, ohne dass Lehrkräfte, Lernende oder Eltern die Kriterien verstehen.

Der zentrale Gedanke lautet: Künstliche Intelligenz in der Schule ist nicht automatisch ungerecht und nicht automatisch gerecht. Entscheidend ist, wer entscheidet, welche Daten genutzt werden, welche Kriterien gelten, welche Folgen Empfehlungen haben und wie menschliche Verantwortung gesichert bleibt.

Lernziele

In diesem aiMOOC lernst Du, stille Selektionsmechanismen in adaptiven Lernsystemen zu erkennen, pädagogisch einzuordnen und mit Kolleginnen und Kollegen kritisch-konstruktiv zu bearbeiten. Du kannst anschließend zwischen sinnvoller Individualisierung und problematischer algorithmischer Sortierung unterscheiden. Außerdem entwickelst Du Prüffragen für Datenschutz, Fairness, Transparenz, Inklusion und Leistungsbewertung.

Was bedeutet Adaptives Lernen?

Adaptives Lernen bezeichnet Lernarrangements, bei denen Inhalte, Aufgaben, Hilfen, Feedback oder Lernwege an Lernstände angepasst werden. Die Anpassung kann durch eine Lehrkraft, durch ein digitales Regelwerk oder durch ein lernendes System erfolgen. Ein adaptives Lernsystem kann zum Beispiel erkennen, dass eine Schülerin viele Aufgaben zum Bruchrechnen richtig löst, aber Textaufgaben mit Brüchen vermeidet. Es könnte dann zusätzliche Textaufgaben, Erklärvideos oder Hilfekarten vorschlagen.

Dabei entstehen drei Ebenen der Anpassung:

Diagnose: Das System sammelt Hinweise auf Lernstand, Tempo, Fehler, Stärken und Schwierigkeiten.
Entscheidung: Das System berechnet, welche nächste Aufgabe, welches Feedback oder welcher Lernpfad passend sein könnte.
Wirkung: Lernende erhalten unterschiedliche Aufgaben, Hilfen, Schwierigkeitsgrade oder Rückmeldungen.

Diese drei Ebenen sind pädagogisch bedeutsam, weil sie nicht nur Lernen unterstützen, sondern auch Erwartungen erzeugen. Wenn ein System wiederholt „leichte Aufgaben“ empfiehlt, kann das Lernende entlasten. Es kann aber auch dazu führen, dass sie seltener herausfordernde Aufgaben erhalten und dadurch weniger Gelegenheit bekommen, sich zu beweisen.

Was ist Stille Selektion?

Stille Selektion beschreibt eine Auswahlwirkung, die nicht als offizielle Auswahl erscheint. Niemand sagt ausdrücklich: „Diese Person darf nicht weiterkommen.“ Trotzdem können Lernwege faktisch eingeschränkt werden. Dies geschieht zum Beispiel, wenn ein adaptives System Lernende dauerhaft einer niedrigen Kompetenzstufe zuordnet, wenn Förderempfehlungen nicht regelmäßig überprüft werden oder wenn Dashboards unbewusst beeinflussen, welchen Schülerinnen und Schülern Lehrkräfte mehr zutrauen.

Stille Selektion ist besonders schwer zu erkennen, weil sie oft im Gewand der Hilfe auftritt. Eine Förderaufgabe wirkt zunächst unterstützend. Problematisch wird sie, wenn sie Lernende auf einem niedrigeren Niveau festhält, anspruchsvollere Lerngelegenheiten verhindert oder pädagogische Entscheidungen zu stark automatisiert.

Typische Mechanismen stiller Selektion

Datenreduktion: Komplexe Lernprozesse werden auf messbare Daten wie Klicks, Fehlerquoten oder Bearbeitungszeiten verkürzt.
Profiling: Aus einzelnen Lernspuren entsteht ein Lernprofil, das zukünftige Angebote beeinflusst.
Feedbackschleife: Frühere Einstufungen bestimmen spätere Aufgaben; spätere Ergebnisse bestätigen scheinbar die frühere Einstufung.
Algorithmische Verzerrung: Trainingsdaten, Testaufgaben oder Bewertungsmaßstäbe können bestimmte Gruppen benachteiligen.
Proxy-Merkmal: Scheinbar neutrale Merkmale wie Geräteverfügbarkeit, Bearbeitungszeit oder Sprache können indirekt soziale Lage, Behinderung, Mehrsprachigkeit oder Unterstützung zu Hause widerspiegeln.
Automatisierungsbias: Menschen vertrauen einer maschinellen Empfehlung zu stark, weil sie objektiv wirkt.
Black Box: Kriterien, Gewichtungen und Fehlerquellen bleiben unklar.

Beispiel aus dem Schulalltag

Eine Lernplattform empfiehlt nach mehreren falschen Antworten automatisch Wiederholungsaufgaben. Ein Schüler, der wegen langsamer Internetverbindung häufig spät abgibt, wird zusätzlich als „unsicher“ markiert. Die Lehrkraft sieht im Dashboard eine rote Warnung und plant ihn für eine Fördergruppe ein. Dort bearbeitet er weiterhin einfache Aufgaben. Nach einigen Wochen fehlen ihm anspruchsvolle Lerngelegenheiten. Das System registriert, dass er nur einfache Aufgaben löst, und bestätigt sein niedriges Lernprofil.

In diesem Beispiel ist nicht eine einzelne Entscheidung problematisch, sondern die Kette: Lernspur → Lernprofil → Empfehlung → pädagogische Erwartung → neue Lernchance → erneute Bestätigung. Genau dort entsteht stille Selektion.

Chancen adaptiver Lernsysteme

Adaptive Lernsysteme können sinnvoll sein, wenn sie verantwortungsvoll eingesetzt werden. Sie können Lernstände sichtbar machen, Übungszeiten individualisieren, Basiskompetenzen stärken, unmittelbares Feedback geben und Lehrkräfte bei der Differenzierung unterstützen. Besonders in heterogenen Lerngruppen können adaptive Systeme helfen, passende Aufgaben schneller bereitzustellen. Auch für Lernende mit besonderem Förderbedarf können digitale Hilfen Barrieren abbauen, wenn sie inklusiv gestaltet sind.

Die Chance liegt aber nicht in der Ersetzung der Lehrkraft, sondern in einer besseren Verbindung aus technischer Diagnose, pädagogischem Urteil und menschlicher Beziehung. Ein System kann Hinweise geben. Die Verantwortung für Lernchancen, Ermutigung, Förderung und Bewertung bleibt beim Menschen.

Risiken und Nebenwirkungen

Risiken entstehen besonders dann, wenn adaptive Systeme intransparent sind oder zu stark in Entscheidungen eingreifen. Lernende können auf Leistungsprofile reduziert werden. Lehrkräfte können Dashboards als objektive Wahrheit missverstehen. Eltern können Entscheidungen nicht nachvollziehen. Schulen können sich an Anbieterlogiken gewöhnen, ohne die pädagogischen Folgen zu prüfen.

Besonders kritisch sind Systeme, die Zugang, Einstufung, Lernstandsprognosen, Prüfungsüberwachung oder Leistungsbewertung beeinflussen. Im Bildungsbereich sind solche Anwendungen rechtlich und ethisch sensibel, weil sie Lernbiografien, Selbstkonzept, Übergänge und Zukunftschancen berühren.

Rechtliche und ethische Leitplanken

Für Schulen sind mehrere Leitplanken wichtig. Die Datenschutz-Grundverordnung verlangt unter anderem Zweckbindung, Datensparsamkeit, Transparenz, Rechtmäßigkeit der Verarbeitung und Schutz personenbezogener Daten. Die EU-KI-Verordnung ordnet bestimmte KI-Systeme in Bildung und beruflicher Bildung als hochrisikorelevant ein, etwa wenn sie Zugang, Zulassung, Zuweisung, Bewertung von Lernergebnissen, Steuerung des Lernprozesses oder Prüfungsüberwachung beeinflussen. Stand Juni 2026 gilt außerdem: Die EU-Kommission kommuniziert eine fortschreitende Umsetzung der KI-Verordnung; für bestimmte Hochrisikobereiche wie Bildung sollen nach politischer Einigung spätere Anwendungszeitpunkte gelten. Schulen sollten deshalb Beschaffung, Dokumentation, Datenschutz, Transparenz und menschliche Aufsicht frühzeitig mitdenken.

Die Datenschutzkonferenz betont für KI-Systeme Datenschutz durch Technikgestaltung und geeignete technische sowie organisatorische Maßnahmen über den Lebenszyklus eines Systems. Für Schulen heißt das: Vor der Nutzung müssen Zweck, Datenarten, Rollen, Risiken, Löschfristen, Verantwortlichkeiten und pädagogische Folgen geklärt werden.

Pädagogische Grundfrage

Die wichtigste pädagogische Frage lautet nicht: Kann das System etwas berechnen? Die wichtigere Frage lautet: Welche Lernchance entsteht dadurch für wen? Ein adaptiver Algorithmus ist pädagogisch nur dann sinnvoll, wenn er Lernende nicht auf Defizite festlegt, sondern Entwicklung ermöglicht. Förderung darf nicht zur unsichtbaren Absenkung von Erwartungen werden.

Prüffragen für Lehrkräfte

Transparenz: Kann ich erklären, warum eine Empfehlung entsteht?
Datenschutz: Welche personenbezogenen Daten werden verarbeitet und sind sie wirklich notwendig?
Fairness: Wer könnte systematisch benachteiligt werden?
Pädagogik: Eröffnet die Empfehlung neue Lernchancen oder begrenzt sie diese?
Menschliche Aufsicht: Kann eine Lehrkraft die Empfehlung prüfen, ändern und begründen?
Partizipation: Können Lernende Rückfragen stellen und ihre Perspektive einbringen?
Evaluation: Wird regelmäßig geprüft, ob das System faire und hilfreiche Wirkungen hat?

Fortbildungssnack: 30-Minuten-Ablauf

Einstieg: Sieh Dir den Videoimpuls an und notiere eine Situation, in der ein digitales System Lernwege beeinflusst.
Partnergespräch: Tauscht aus, wo Unterstützung endet und stille Selektion beginnen könnte.
Fallanalyse: Analysiert ein Lernplattform-Dashboard oder ein fiktives Beispiel mit den Prüffragen.
Transfer: Formuliert eine schulische Regel für den Einsatz adaptiver Lernsysteme.
Abschluss: Jede Person notiert einen Satz: „Bei KI-gestützten Lernempfehlungen achte ich ab jetzt besonders auf …“

Qualitätskriterien für schulische Nutzung

Ein gutes adaptives Lernsystem macht seine Ziele verständlich, nutzt nur notwendige Daten, ermöglicht pädagogische Korrekturen, dokumentiert Entscheidungswege, vermeidet diskriminierende Wirkungen, unterstützt unterschiedliche Lernwege und stärkt Selbstwirksamkeit. Es darf Lernende nicht heimlich in starre Gruppen einsortieren. Es muss überprüfbar bleiben und darf die pädagogische Beziehung nicht ersetzen.

Ampelmodell für die Praxis

Grün ist ein Einsatz, wenn ein Tool nur Übungsmaterial differenziert vorschlägt, keine sensiblen Entscheidungen automatisiert, Daten sparsam verarbeitet und Lehrkräfte Empfehlungen leicht übersteuern können. Gelb ist ein Einsatz, wenn Dashboards, Prognosen oder Kompetenzstufen pädagogische Entscheidungen stark beeinflussen. Dann braucht es klare Regeln, Dokumentation und regelmäßige Evaluation. Rot ist ein Einsatz, wenn ein System ohne nachvollziehbare Kriterien über Übergänge, Noten, Sanktionen, Prüfungsüberwachung oder Zugangschancen entscheidet.

Unterrichts- und Schulentwicklung

Stille Selektion ist kein reines Technikproblem. Sie betrifft Schulkultur, Leistungsbewertung, Inklusion, Bildungsgerechtigkeit, Medienbildung und Professionalisierung von Lehrkräften. Schulen sollten deshalb nicht nur fragen, welches Tool sie einsetzen, sondern welche pädagogischen Werte sie schützen wollen. Dazu gehören hohe Erwartungen an alle Lernenden, transparente Kriterien, Fehlerfreundlichkeit, Widerspruchsmöglichkeiten, Datenschutz und die bewusste Entscheidung, wann menschliches Urteil Vorrang hat.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welche Aussage beschreibt stille Selektion durch adaptive Lernalgorithmen am besten? (Ein System beeinflusst Lernwege ohne dass die Kriterien klar sichtbar sind) (!Ein Computer ersetzt automatisch alle Lehrkräfte) (!Lernende wählen immer selbst alle Aufgaben aus) (!Alle Schülerinnen und Schüler erhalten identische Aufgaben)

Welche Datenquelle ist für adaptive Lernsysteme typisch? (Bearbeitungszeiten und Antwortmuster) (!Lieblingsfarbe der Lehrkraft) (!Zufällig gewählte Buchseiten) (!Wetterdaten ohne Lernbezug)

Warum können Feedbackschleifen problematisch sein? (Frühere Einstufungen können spätere Lernangebote beeinflussen) (!Sie verhindern immer jede Form von Förderung) (!Sie machen alle Lernenden automatisch schneller) (!Sie löschen alle gespeicherten Daten sofort)

Was bedeutet Bias im Zusammenhang mit KI-Systemen? (Systematische Verzerrung in Daten oder Entscheidungen) (!Eine sichere Garantie für gerechte Ergebnisse) (!Eine Unterrichtsmethode ohne Technik) (!Eine Liste freiwilliger Zusatzaufgaben)

Welche Rolle sollte die Lehrkraft bei adaptiven Empfehlungen behalten? (Sie prüft Empfehlungen pädagogisch und entscheidet verantwortet) (!Sie übernimmt jede Empfehlung ungeprüft) (!Sie darf das System nie korrigieren) (!Sie gibt jede Verantwortung an den Anbieter ab)

Was gehört zu einer datenschutzsensiblen Nutzung? (Nur notwendige Daten mit klarem Zweck verwenden) (!Möglichst viele Daten dauerhaft speichern) (!Lernprofile ohne Information der Betroffenen erstellen) (!Private Geräte heimlich auswerten)

Was ist ein Proxy-Merkmal? (Ein Ersatzmerkmal das indirekt andere Eigenschaften abbilden kann) (!Eine Note die immer von der Lehrkraft vergeben wird) (!Ein Lernziel ohne Bezug zu Daten) (!Ein gedrucktes Arbeitsblatt)

Warum ist Transparenz bei KI-gestützten Lernempfehlungen wichtig? (Betroffene können Entscheidungen verstehen und hinterfragen) (!Niemand muss mehr Entscheidungen begründen) (!Fehler werden dadurch unmöglich) (!Alle Daten dürfen ohne Zweck gesammelt werden)

Was ist kein gutes Signal für ein faires adaptives System? (Es verhindert Einblick in Kriterien und Daten) (!Es erlaubt pädagogische Korrektur) (!Es erklärt Empfehlungen nachvollziehbar) (!Es nutzt Daten sparsam)

Welche Prüffrage gehört vor die Einführung eines adaptiven Tools? (Wer profitiert und wer könnte benachteiligt werden) (!Wie können wir möglichst viele Klickdaten sammeln) (!Wie vermeiden wir jede menschliche Kontrolle) (!Wie machen wir Empfehlungen endgültig)

Memory

Adaptive Aufgabe	passt sich dem Lernstand an
Lernprofil	sammelt Hinweise auf Stärken und Schwierigkeiten
Bias	zeigt systematische Verzerrung
Human Oversight	hält pädagogische Verantwortung beim Menschen
Datensparsamkeit	begrenzt die Erhebung auf Notwendiges
Feedbackschleife	verstärkt Folgen früherer Einstufungen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Datenbasis	Welche Lernspuren werden verarbeitet
Modell	Wie werden Muster berechnet
Empfehlung	Welche Aufgabe wird vorgeschlagen
Wirkung	Wer bekommt welche Lernchance
Kontrolle	Wer kann korrigierend eingreifen

Kreuzworträtsel

Algorithmus	Wie heißt eine eindeutige Schrittfolge zur Lösung eines Problems?
Profiling	Wie heißt die datenbasierte Erstellung eines Personenprofils?
Bias	Wie heißt eine systematische Verzerrung in Kurzform?
Fairness	Welches Leitprinzip fragt nach gerechter Behandlung?
Transparenz	Welches Prinzip macht Kriterien nachvollziehbar?
Datenschutz	Welches Schutzfeld betrifft personenbezogene Daten?

LearningApps

Lückentext

Adaptive Lernsysteme verarbeiten Lernspuren wie Bearbeitungszeiten, Fehler und Lösungswege. Daraus entstehen

die weitere Empfehlungen beeinflussen können. Problematisch wird dies, wenn frühe Einstufungen spätere

begrenzen. Eine wichtige Gegenmaßnahme ist

weil Betroffene Entscheidungen verstehen und hinterfragen können. Lehrkräfte behalten die Verantwortung durch

und pädagogische Prüfung. Datenschutz verlangt, dass nur notwendige Daten mit einem klaren

verarbeitet werden. Faire KI-Nutzung in der Schule bedeutet, dass Förderung nicht zu stiller

wird.

Offene Aufgaben

Leicht

Tool-Steckbrief: Wähle ein adaptives Lernangebot oder eine Lernplattform aus und beschreibe in fünf Sätzen, welche Daten sichtbar verarbeitet werden und welche Empfehlungen daraus entstehen.
Beobachtungsprotokoll: Notiere eine Unterrichtssituation, in der digitale Rückmeldungen das Verhalten von Lernenden oder Lehrkräften beeinflusst haben könnten.
Begriffskarte: Erstelle eine Begriffskarte zu Adaptives Lernen, Learning Analytics, Bias, Transparenz und Datenschutz.
Perspektivwechsel: Schreibe aus Sicht einer Schülerin oder eines Schülers, wie es sich anfühlt, dauerhaft nur leichte Aufgaben vorgeschlagen zu bekommen.

Standard

Fairness-Check: Entwickle zehn Prüffragen, mit denen ein Kollegium die Fairness eines adaptiven Lernsystems vor der Einführung einschätzen kann.
Datenschutzfragebogen: Formuliere einen kurzen Fragebogen für Anbieter, der Zweck, Datenarten, Speicherfristen, Auskunftsmöglichkeiten und menschliche Kontrolle abfragt.
Unterrichtsbaustein: Plane eine Unterrichtsstunde, in der Lernende KI-Empfehlungen kritisch untersuchen und eigene Rechte im Umgang mit Daten kennenlernen.
Elterninformation: Entwirf einen verständlichen Elternbrief, der erklärt, warum eine Schule ein adaptives Lernsystem erproben möchte und welche Schutzmaßnahmen gelten.

Schwer

Audit-Konzept: Entwickle ein schulisches Prüfverfahren für adaptive Lernsysteme mit Rollen, Zeitplan, Verantwortlichkeiten, Dokumentation und Evaluationskriterien.
Schulische Leitlinie: Schreibe eine Leitlinie, die festlegt, wann KI-Empfehlungen genutzt werden dürfen, wann menschliche Entscheidung Vorrang hat und wie Widerspruch möglich ist.
Fallanalyse: Analysiere einen fiktiven Fall, in dem ein Lernalgorithmus mehrsprachige Lernende systematisch niedriger einstuft, und entwickle pädagogische, technische und organisatorische Gegenmaßnahmen.
Fortbildungssnack entwickeln: Erstelle selbst einen 20-minütigen Fortbildungssnack für Dein Kollegium mit Impuls, Fallbeispiel, Diskussionsfrage und Transferauftrag.

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

Lernkontrolle

Fallprüfung: Analysiere ein Szenario, in dem ein adaptives System Förderaufgaben empfiehlt, und beurteile, ob Unterstützung oder stille Selektion überwiegt.
Transfer auf Leistungsbewertung: Erkläre, warum KI-gestützte Lernstandsprognosen nicht ungeprüft in Noten oder Übergangsempfehlungen einfließen dürfen.
Datenschutz und Pädagogik: Entwickle ein Konzept, wie eine Schule Lernanalyse nutzen kann, ohne mehr personenbezogene Daten als notwendig zu verarbeiten.
Bias erkennen: Beschreibe, wie Bearbeitungszeit, Sprache, Gerätezugang oder häusliche Unterstützung als Proxy-Merkmale wirken können.
Schulentwicklung: Formuliere drei verbindliche Regeln, die ein Kollegium beschließen sollte, bevor adaptive Lernsysteme breit eingesetzt werden.
Human in the Loop: Begründe an einem Beispiel, warum menschliche Aufsicht mehr bedeutet als ein nachträglicher Klick auf „Bestätigen“.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe erklären kannst, sondern die Zusammenhänge zwischen Daten, Algorithmen, Lernchancen und pädagogischer Verantwortung verstehst.

Begriffsverständnis: Du erklärst Adaptives Lernen, Learning Analytics, Profiling, Bias, Transparenz und Datenschutz mit eigenen Worten.
Analysekompetenz: Du erkennst in Fallbeispielen, wo stille Selektion entstehen kann.
Urteilskompetenz: Du wägest Chancen und Risiken adaptiver Lernsysteme begründet ab.
Handlungskompetenz: Du formulierst konkrete Prüffragen und Schutzmaßnahmen für Deine Schule.
Transferkompetenz: Du überträgst die Erkenntnisse auf Unterricht, Leistungsbewertung, Elternkommunikation und Schulentwicklung.
Reflexionskompetenz: Du beschreibst, wie eigene Erwartungen und Dashboard-Anzeigen pädagogische Entscheidungen beeinflussen können.

Quellen und Orientierung

OERs zum Thema

Links

Stille Selektion durch adaptive Lernalgorithmen

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.