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.