Theoretische und thematische Einbettung

Generative KI verschiebt nicht nur Inhalte, sondern Kernlogiken didaktischer Gestaltung in der Berufsbildung. Routinen, Prüfungsformate sowie Rollen geraten in Bewegung und stoßen auf explizite wie implizite Widerstände (z. B. Neutralisierungsstrategien) (Attwell et al., 2021). Zur Analyse und Gestaltung von Lehr-Lernszenarien beruflicher Bildung in Zeiten technologischer Disruption wird ein THINKING-Modell vorgestellt, das Unlearning (Macdonald 2002, Meyer-Drawe, 2019, Becker, 2005), Professional Noticing (Mason, 2002; Rooney & Boud, 2019) und Innovative Work Behaviour (Messmann et al., 2021) mit technologie- und governancebezogenen Dimensionen verknüpft sowie an aktuelle Befunde zu technologiebezogenen Kompetenzen Lehrender (Guggemos & Seufert, 2021; Seufert, Guggemos & Sailer, 2021) integriert. Das THINKING-Modell soll Lehrende im beruflichen Weiterbildungsprozess beim Lernen und bei der Entwicklung eines “Innovative Work Behaviour” am Arbeitsplatz unterstützen.
Die sieben Dimensionen (Technological Disruption, Human Roles & Competence, Instructional Design Shifts, Neutralization Strategies, Knowledge Unlearning, Innovative Work Behaviour, Noticing, Governance/Ethics/Legal) strukturieren Potenziale, Rollenwandel, neue Lernsettings und Grenzen im Umgang mit generativer KI. Damit adressiert das Modell direkt die Leitfragen des Calls (Potenziale, Rollen, neue Settings, Grenzen) und verbindet Theorie mit praxisnahen Gestaltungsprinzipien.

Beschreibung des methodischen Vorgehens

Geplant ist ein qualitatives, exploratives Design mit vier leitfadengestützten Expert:inneninterviews (Witzel, 2000) mit Lehrkräften und Trainer:innen aus berufsschulischer und betrieblicher Bildung, die als Early Adopters generative KI bereits in Lehre oder interner Weiterbildung einsetzen. Das Sampling folgt dem Prinzip maximaler Variation (Berufsfeld, Institutionstyp, Nutzungstiefe). Die Interviews (60–75 Minuten) orientieren sich an den THINKING-Dimensionen. Die Auswertung erfolgt mittels qualitativer Inhaltsanalyse (Mayring 2015) auf Basis eines deduktiven Kategoriensystems (THINKING) bei gleichzeitiger Offenheit für induktive Erweiterungen.

Erwartetes Erkenntnisinteresse

Das Erkenntnisinteresse der Studie liegt in der Analyse wahrgenommener didaktischer Disruptionen durch generative KI, in der Untersuchung berichteter Neutralisierungsstrategien (Neumann & Mehlkop, 2023) im Arbeitsumfeld sowie in der Exploration von Unlearning und Professional Noticing als Treibern innovativen didaktischen Handelns (Innovative Work Behaviour) in der Lehrer:innenbildung. Die Ergebnisse tragen dazu bei, Ansatzpunkte für Weiterbildungen zu identifizieren, die berücksichtigt werden müssen, damit technologische Disruptionen in der <Praxis erfolgreich bewältigt werden können.

Die digitale Transformation beeinflusst nicht nur Lehr- und Lernprozesse in Schulen, sondern auch die Strukturen und Inhalte der Lehrer:innenbildung. Spätestens mit dem Einzug generativer KI stellt sich die Frage, welche Kompetenzen angehende Lehrkräfte benötigen, um digitale Werkzeuge nicht nur anzuwenden, sondern auch kritisch zu reflektieren und didaktisch sinnvoll einzusetzen. Vor diesem Hintergrund untersucht das vorgestellte Forschungsprojekt, das im Sommersemester 2024 an der KPH Wien/Niederösterreich durchgeführt wurde, wie Primarstufen-Lehramtsstudierende im 8. Semester (Bachelor) generative KI in Bezug auf Unterrichtsplanung und Gestaltung von Unterrichtsmaterialien wahrnehmen und nutzen.

Das Projekt kombiniert Reflexionen auf Arbeitsaufträge und halbstrukturierte (Gruppen-) Interviews. Im Rahmen von Lehrveranstaltungen erhielten die Studierenden drei Arbeitsaufträge. Diese umfassten (1) die Erstellung eines Unterrichtsmaterials ohne KI-Unterstützung inklusive Reflexion, (2) die Entwicklung eines Unterrichtsmaterials mit KI-Unterstützung plus Reflexion sowie (3) die Kommentierung eines durch generative KI erstellten Arbeitsblattes. Im Anschluss nahmen 21 der Studierenden noch zusätzlich an Einzel- bzw. Gruppeninterviews teil, die darauf abzielten, die Erfahrungen, Einstellungen, Potenziale und Herausforderungen von generativer KI für die Unterrichtsmaterialgestaltung und -planung zu erheben. Erfragt wurden zudem Effizienz, Qualität, Kreativität und Praktikabilität beim Einsatz von generativer KI. Grundlage des Leitfadens waren didaktische Prinzipien und theoretische Modelle wie der AI-PACK-Ansatz (Lorenz & Romeike, 2023) und das UNESCO-Framework zur KI-Kompetenz für Lehrpersonen (UNESCO, 2024).

Die über ein Online-Conferencing-System durchgeführten Interviews wurden aufgezeichnet, KI-gestützt transkribiert und mit MaxQDA ausgewertet. Die qualitative Inhaltsanalyse nach Kuckartz und Rädiker (2022) kombinierte deduktive und induktive Kategorienbildung. Auch die Reflexionen und Kommentare zu den erstellten Materialien flossen in die Analyse ein, wodurch ein Einblick in die unterschiedlichen Vorgehensweisen und Herausforderungen möglich wurde.

Die Ergebnisse zeigen, dass Studierende grundsätzlich über ein gewisses Maß an kritischer Reflexionskompetenz im Umgang mit generativer KI verfügen, zeigen jedoch zugleich Skepsis und Ängste. Bezugnehmend auf KI-Kompetenz bestehen Defizite vor allem bei basistechnologischen und ethischen Kompetenzen, während eine differenzierte didaktische Auseinandersetzung mit Chancen und Grenzen generativer KI in der Unterrichtsplanung bislang nur in Ansätzen erkennbar ist.

Obwohl die Daten aufgrund der kleinen Stichprobe und der Fokussierung auf einen Hochschulstandort nicht generalisierbar sind, liefern die Befunde nützliche Einblicke in Sicht- und Handlungsweisen angehender Lehrpersonen. Sie verdeutlichen den Bedarf, medienpädagogische und mediendidaktische Inhalte in der Lehrer:innenbildung systematisch um Aspekte der KI-Kompetenz zu erweitern und so zukünftige Lehrkräfte auf die Herausforderungen einer zunehmend digitalisierten Bildungslandschaft vorzubereiten.

Fragestellung
In der vorliegenden Arbeit geht es um die Frage, ob es allgemein-didaktische Modelle zur Arbeit mit Generativer Künstlicher Intelligenz (wie z.B. ChatGPT) gibt und wenn ja, welche Qualität diese aufweisen. Qualität meint dabei (meta-)theoretische Qualität (vgl. den Ansatz zu Merkmalen von Unterrichtstheorien von Reigeluth, 2013), empirische Qualität (vgl. die Evidenz-Pyramide von John & McNeal, 2017) und praktische Qualität (vgl. das Transfer-Modell von Burke & Hutchins, 2008). Diese drei Qualitäten werden integriert und repräsentieren einen innovativen Bewertungsrahmen für Research-and-Development-Vorhaben im Bereich der Unterrichtsforschung und -praxis.
Methodik
Methodisch wird ein narrativer Literaturreview durchgeführt (vgl. Baumeister & Leary, 1997). Als Ergebnis dieses Literaturreviews sind neun didaktische Modelle identifiziert worden, die mit dem Bewertungsrahmen evaluiert werden.
Ergebnisse und Schlussfolgerungen
Die Ergebnisse zeigen, dass eine Reihe von neuen didaktischen Modellen zur Arbeit mit generativer KI gefunden werden können (vgl. z.B. Chang et al., 2023; Chiu, 2024; Li et al., 2025, Ng et al., 2024, Seo et al., 2021; Weng et al., 2024; Xu et al., 2025; Yue et al., 2022). Ein Modell von Jahn (2024) ist zwar nur auf die Förderung von kritischem Denken bezogen, scheint aber sonst ein vielversprechender Ansatz zu sein, der vor allem auch in der Schulpraxis erfolgreich genutzt werden könnte. Die anderen Modelle zeigen gravierende theoretische, empirische und praktische Defizite. Es werden Vorschläge gemacht, wie in dieser defizitären Situation im Bereich der Unterrichtsforschung und -praxis gearbeitet werden kann. Dabei werden Erkenntnisse aus Interventionsstudien in der pädagogischen Praxis genutzt (vgl. z.B. Astleitner, 2020).
Literaturangaben
Astleitner, H. (Ed.). (2020). Intervention research in educational practice: Alternative theoretical frameworks and application problems. Waxmann.

Burke, L. A., & Hutchins, H. M. (2008). A study of best practices in training transfer and proposed model of transfer. Human Resource Development Quarterly, 19(2), 107–128. https://doi.org/10.1002/hrdq.1230

Chiu, T. K. (2024). A classification tool to foster self-regulated learning with generative artificial intelligence by applying self-determination theory: A case of ChatGPT. Educational Technology Research and Development, 72(4), 2401–2416. https://doi.org/10.1007/s11423-024-10366-w

Jahn, D. (2024). CT goes ChatGPT – Kritisches Denken mit dem Chatbot fördern und einen souveränen Umgang damit kultivieren. In T. Köhler (Ed.), Handbuch E-Learning. Expertenwissen aus Wissenschaft und Praxis (106. Ergänzungslieferung Februar 2024. Beitrag 4.88). Fachverlag Deutscher Wirtschaftsdienst.