Theoretischer Hintergrund

Mit der Verbreitung generativer KI-Systeme verschiebt sich die Frage von einem „ob“ hin zu einem „wie“ KI in die Lehrpersonenbildung integriert werden kann. Dabei wird deutlich, dass KI-Einsatz nur dann lernwirksam ist, wenn er mit etablierten Erkenntnissen der Lehr-Lernforschung verknüpft wird. Kognitionspsychologische Modelle wie die Cognitive Load Theory (CLT) und die Cognitive Theory of Multimedia Learning (CTML) betonen, dass Instruktion so gestaltet werden muss, dass extrinsische Belastung reduziert und lernrelevante Verarbeitung gefördert wird (Mayer, 2021; Sweller et al., 2019). Das CASTLE-Modell (Schneider et al., 2018) erweitert diesen Fokus um metakognitive, emotionale, motivationale und (para-) soziale Prozesse in digitalen Lernumgebungen.

Für die Professionalisierung von Lehrpersonen stellen Kompetenzrahmen wie DigCompEdu zentrale Bezugspunkte dar, indem sie Dimensionen der igitalin Professionalität sowie die Förderung der igitalin Kompetenz von Lernenden systematisieren (Redecker, 2017). Ansätze zur AI Literacy präzisieren diese Anforderungen mit Blick auf KI, etwa durch Kompetenzen im Verständnis grundlegender Funktionsweisen, von Bias, Transparenz, Grenzen sowie verantwortlicher Nutzungsentscheidung (Long & Magerko, 2020; Ding et al., 2024).

Forschungsfrage

Wie müssen Lehr- und Lernangebote über, mit, durch und trotz KI gestaltet sein, damit Lehrpersonen KI reflektiert, verantwortungsvoll, bildungsgerecht und lernwirksam in ihrem Unterricht einsetzen können?

Forschungsdesign und Methodik

Es handelt sich um einen theoriegeleiteten Beitrag, der auf Basis systematischer Literatur zu KI in Bildung, Instruktionsdesign, adaptivem Unterricht und Professionalisierung von Lehrpersonen sowie auf Erfahrungswissen aus realisierten Fortbildungsformaten, Anforderungen an KI-bezogene Weiterbildung rekonstruiert und in einem integrativen Modell bündelt.

Vor diesem Hintergrund wird das Modell AI-WARD (With, About, Resourced by, Despite AI) entwickelt. Es versteht KI nicht als Selbstzweck, sondern als didaktisch zu gestaltende Ressource für eine gerechte, inklusive und lernförderliche Bildung. Die vier Perspektiven – With AI (KI als Werkzeug), About AI (KI als Gegenstand kritischer Auseinandersetzung), Resourced by AI (Lernen, das durch KI-basierte Systeme unterstützt wird) und Despite AI (bewusst KI-arme oder -freie Lernumgebungen zur Sicherung von Beziehung, Autonomie und Gerechtigkeit) – bieten einen Orientierungsrahmen, um Weiterbildungen so auszurichten, dass Lehrpersonen KI reflektiert, verantwortungsvoll und bildungsgerecht in ihre Praxis integrieren können.

Dieses Modell wird mit konkreten, praxisnahen Gestaltungsprinzipien für Lernumgebungen verknüpft, die CLT- und CTML-Prinzipien (z. B. Segmentierung, Signalisierung, Reduktion extrinsischer Belastung) sowie sozial-kognitive und motivationale Effekte (z. B. Testing-Effekt, soziale Hinweisreize) für KI-gestützte Szenarien nutzbar machen, um mit KI einhergehendes kognitives Auslagern zu vermeiden.

Ergebnisse und ihre Bedeutung

Das Modell unterscheidet vier komplementäre Perspektiven: (1) Über (About) KI adressiert Basiswissen zu Funktionsweise, Chancen, Risiken und Grenzen (z. B. Halluzinationen, Bias, „Blackbox“), um kritische Urteilskompetenz zu fördern und damit zentrale Dimensionen von AI Literacy abzubilden (Long & Magerko, 2020; Ding, Shi, Yang & Choi, 2024). (2) Mit (With) KI fokussiert KI als Werkzeug für Lehrpersonen, etwa bei der Entwicklung und Überprüfung multimedialer Materialien entlang kognitionspsychologischer Prinzipien, wie der Reduktion extrinsischer kognitiver Belastung und der Nutzung von Signalisierungs- und Kohärenzprinzipien (Mayer, 2021; Sweller et al., 2019). (3) Durch (Resourced by) KI beschreibt KI als Lerntechnologie, die kognitive, selbstregulative, emotionale und soziale Lernprozesse unterstützt – etwa durch intelligente Tutor*innen oder adaptive Übungstests – und damit an Befunde zu adaptiven Lernumgebungen sowie an Kompetenzdimensionen zur Gestaltung digital unterstützter Lernprozesse anknüpft (Redecker, 2017; Ding et al., 2024). (4) Trotz (Despite) KI stärkt die Fähigkeit, Teile des Unterrichts bewusst, ohne oder mit stark begrenztem KI-Einsatz zu gestalten, um pädagogische Entscheidungen, ethische Verantwortung, Inklusion sowie die Problematik des „Digital Divides“ zu reflektieren und so eine kritisch-reflexive, nicht technikdeterministische Professionalität zu fördern (Long & Magerko, 2020; Redecker, 2017).

In der Diskussion um eine „bildungsgerechte“ Integration von KI verdeutlicht AI-WARD, dass Lehrpersonen nicht nur technologisch (z. B. AI Literacy, digitale Kompetenzen), sondern auch didaktisch-methodisch (instruktionspsychologische Prinzipien, Gestaltung digitaler Lernumgebungen) und ethisch-normativ qualifiziert sein müssen.

Theoretischer Hintergrund

Mit dem Einsatz generativer Künstliche Intelligenz (KI) in der Schule werden diverse Potenziale für das Lernen assoziiert. So wird etwa angenommen, dass KI-basierte Lernangebote individuelles Lernen unterstützen und lernförderliches Feedback während des Lernprozesses bereitstellen (Deng et al., 2025; Kasneci et al., 2023). Aktuelle Studien zeigen jedoch, dass die Nutzung generativer KI negative Auswirkungen auf die Lernleistung haben kann: Etwa wenn die für das Lernen notwendigen kognitiven Prozesse ausgelagert werden und Ergebnisse der KI als Eigenleistung missverstanden werden (Giannakos et al., 2024; Stadler et al., 2024; Weidlich et al., 2025).

Anders stellt sich die Forschungslage für KI-basierte Lernangebote dar, die spezifisch für Lernsituationen entwickelt wurden: Intelligente Tutorensysteme (ITS). Es zeigt sich, dass ITS Lernprozesse unterstützen können, aber dabei der Logik vordefinierter Lernpfade folgen und somit dem Anspruch einer individuellen Förderung nicht gerecht werden (Kerres et al., 2023; Kulik & Fletcher, 2016).

Insbesondere für problembasierte Aufgabenstellungen, etwa in den MINT-Fächern, werden aber Unterstützungsangebote für Schülerinnen und Schüler benötigt, die individuelle Lernwege ermöglichen und unterstützen, ohne dabei Lösungen bereitzustellen (Bastani et al., 2024; Lademann et al., 2025).

Mit dem ITS AIDu wurde ein KI-Lernangebot entwickelt, das den im vorherigen Abschnitt skizzierten Ansprüchen gerecht werden soll. Das Ziel von AIDu ist es, problembasiertes Lernen den MINT-Fächern zu unterstützen, ohne schnelles Bereitstellen möglicher Lösungen. Entsprechend handelt es sich bei AIDu um einen epistemischen KI-Tutor (Autor:innen, 2025).

Dieser Beitrag fokussiert auf das Lernen von Grundlagen der Netzwerktechnik mit AIDu im Informatikunterricht. Der Schwerpunkt liegt zudem auf dem Ausgleich potenzieller Geschlechterunterschiede, da diese in der MINT-Literatur für das Erlernen abstrakter Konzepte wiederkehrend beschrieben werden (Hu, 2024; Huang et al., 2016; Smit et al., 2025).

Fragestellung

Die Studie untersucht, ob der Einsatz von AIDu im Informatikunterricht das Wissen zu Grundlagen der Netzwerktechnik fördern kann. Zudem wird exploriert, ob AIDu für Schüler:innen effektiv ist.

Forschungsdesign und -methode

Um die Forschungsfrage zu beantworten, wurde zunächst für das AIDu-System ein Lernmodul zu Netzwerktechnik entwickelt. In diesem Lernmodul sind die Lernenden mit einer Problemstellung zu einem nicht-funktionstüchtigen Drucker konfrontiert. Die Aufgabe der Lernenden ist es, das Problem zu analysieren und den Drucker zum Laufen zu bringen. AIDu fungiert dabei als unterstützender Tutor: Fehler werden kommentiert, Hinweise bereitgestellt und Erklärungen geliefert, warum eine Änderung nicht zum gewünschten Resultat führt. Die Lösung wird jedoch nicht verraten.

AIDu wurde an einer Kantonsschule mit 84 Schüler:innen mittels Vortest-Nachtest-Design getestet.

Resultate und Bedeutung

Die Ergebnisse zeigen, dass alle 84 Lernenden im Nachtest (M = 11,80, SD = 5,93) signifikant besser abschneiden als im Vortest (M = 4,99, SD = 5,72); t(83) = -8,24, p < 0,001, d = 0,90. Weiter zeigt sich, dass sowohl Schüler (n = 27; Mvor = 8,00, SDvor = 6,63; Mnach = 12,48, SDnach = 5,63; t(26) = -2,91, p < 0,01, d = 0,56.) als auch Schülerinnen Mvor = 3,56, SDvor = 4,66; Mnach = 11,47, SDnach = 6,09; t(56) = -834, p < 0,001, d = 1,10) ihr Wissen signifikant verbessern konnten.

Die teilgenommenen Schüler (M = 8,00, SD = 6,63) schnitten im Vortest signifikant besser ab als die Schülerinnen (M = 3,56, SD = 4,66); t(82) = 3,54, p < 0,001, d = 0,83. Im Nachtest gibt es keinen signifikanten Unterschied zwischen Schülern (M = 12,48, SD = 5,63) und Schülerinnen (M = 11,47, SD = 6,09); t(82) = 0,73, p > 0,05, d = 0,17.

Die Ergebnisse bestätigen, dass ITS lernförderlich sind und zeigen weiter, dass Ungleichheiten beim Erlernen abstrakter Konzepte durch den Einsatz ausgeglichen werden können. Die Studie trägt damit zur Frage bei, ob KI-angereicherte Lernangebote individuelles Lernen unterstützen und somit zu gerechterem Unterricht beitragen können.

Theoretischer Hintergrund

Adaptive Lernumgebungen wie intelligente Tutorensysteme (ITS) bieten eine Möglichkeit, der Heterogenität im Klassenzimmer gerecht zu werden (Sibley et al., 2025). ITS ermöglichen, dass die Schüler:innen ihren eigenen Lösungsweg verfolgen und dabei in jeder Phase des Lösungsprozesses adäquate Hilfen einfordern. In diesem Beitrag wird eine IST-Form diskutiert, die dem Bereich der künstlichen Intelligenz zugeordnet wird, bei der ein anderer Ansatz verfolgt wird als beim verbreiteten Machine Learning oder der generativen KI. Bei den hier vorgestellten ITS handelt es sich um sogenannte regelbasierte Tutoren, bei denen die einzelnen Denkschritte zur Lösung eines Problems durch Regeln abgebildet werden (Aleven, 2010). Die Grundlage dieser Regeln bilden sogenannte Knowledge Components (KCs). Diese beschreiben in konziser Form die inhaltlichen und kognitiven Fähigkeiten, die ein Lernender besitzen muss, um eine Aufgabe korrekt zu lösen (Aleven & Koedinger, 2013). In der Gesamtheit bilden die einzelnen KCs einer Themeneinheit ein kognitives Modell. Solche regelbasierte ITS werden daher auch Cognitive Tutors (Koedinger & Corbett, 2005) genannt.

Die Entwicklung eines regelbasierten ITS ist aufwändiger als bei Lernumgebungen, die auf generativer KI basieren, da die einzelnen KCs hergeleitet und programmiert werden müssen (Aleven et al., 2025). Zudem wird eine fachwissenschaftliche und -didaktische Expertise der Entwickelnden vorausgesetzt, da die KCs inhaltlich begründet sein müssen.

Fragestellung

In diesem Beitrag wird der Frage nachgegangen, inwiefern regelbasierte ITS in einer Zeit, in der die generative KI dominant ist, weiterhin ihre Berechtigung haben und welchen Beitrag sie zur Unterrichtspraxis sowie zur Forschung leisten können.

Forschungsdesign und -methode

Der Beitrag verfolgt einen theoriegeleiteten Ansatz und zeigt, dass auch wenn aktuelle Forschungsergebnisse in generative KI-Modelle einfließen, die daraus generierten Rückmeldungen und Hilfestellungen in Lernumgebungen nicht ausreichend auf die individuellen Bedürfnisse der Schüler:innen abgestimmt sind. Während leistungsstarke Schüler:innen die vorgeschlagenen Hilfen bei Bedarf für sich adaptieren können, fällt dies dem leistungsschwachen Pendant deutlich schwerer (Götze et al., 2023). Demgegenüber ermöglichen regelbasierte Tutoren, dass fachdidaktisches und lernpsychologisches Wissen angemessen in die Entwicklung der Tutoren einfliessen kann, wodurch die bereitgestellte Unterstützung einem Einzelgespräch zwischen Schüler:innen und Expert:innen nahekommt. Die Abstimmung der Inhalte der Lernumgebungen über die KCs sowie die transparente Funktionalität der regelbasierten Tutoren ermöglichen eine reflektierte Interpretation der Leistungen der Schüler:innen durch die Lehrpersonen, indem die individuellen Lernstände anhand der granularen KCs in einem Dashboard dargestellt werden können (Aleven et al., 2016; Knoop-van Campen & Molenaar, 2020). Dies ermöglicht eine geteilte Verantwortungsübernahme. Während die Schüler:innen selbst entscheiden können, wann sie beim Lösen einer bestimmten Aufgabe Hilfe benötigen (Osborne & Ma, 2020; Wagner, 2023), übernehmen die Lehrpersonen die Verantwortung dafür, dass die Schüler:innen zum geeigneten Zeitpunkt die benötigte fachliche Unterstützung erhalten. Zudem können Lehrpersonen dabei unterstützt werden, den Wechsel zwischen Sozialformen im Schulzimmer und im digitalen Raum zu gestalten (Olsen et al., 2021). Demgegenüber sind die Lehrpersonen bei auf generativer KI basierenden Tutoren vom Lernprozess zu grossen Teilen ausgeschlossen.

Resultate und ihre Bedeutung

Die Zuordnung einzelner Lösungsschritte im Lösungsprozess hat auch für die Forschung grosses Potenzial. Sie ermöglichen beispielsweise die Erstellung und Analyse von Lernkurven zu den einzelnen KCs (Koedinger et al., 2008; Simpson et al., 2024). Dabei wird dargestellt, bei welchen Elementen sich über alle Lernenden hinweg ein Lerneffekt zeigt. Diese Erkenntnisse ermöglichen auch den Transfer in den Klassenunterricht und in die Entwicklung von Lehrmaterialien, da gezielt auf die aus den Tutordaten hergeleiteten Schwierigkeiten eingegangen werden kann. Abschliessend erlauben regelbasierte ITS eine tiefgreifende Analyse der Lerndaten, da diese sehr kleinschrittig über den gesamten Lösungsprozess hinweg vorliegen. Im Forschungskontext eröffnen sich dadurch Möglichkeiten, eine Intervention nicht nur mit Prä- und Posttests zu evaluieren, sondern auch durch die Analyse der Prozessdaten.

In der Präsentation werden die einzelnen Aspekte regelbasierter ITS vorgestellt und durch konkrete Beispiele aus Praxis und Forschung untermauert.

Theoretischer Hintergrund

Personalisiertes Lernen gilt als ein zentraler Ansatz, um der wachsenden Heterogenität von Lernenden gerecht zu werden und bestehenden Bildungsdisparitäten entgegenzuwirken (Plass & Fröhlich, 2025). Durch die Abstimmung der Lernumgebung (Methode), des Lernziels (Inhalt) und des Lernenden (individuelle Unterschiede) aufeinander, entsteht die Personalisierung einer Lernaufgabe (Bernacki et al., 2017). Digitale Tools ermöglichen es, Lernumgebungen flexibel an individuelle Unterschiede wie Vorwissen, Interesse oder Lernbedürfnisse zu adaptieren und damit differenzierte Lernprozesse zu unterstützen (z.B., Dumont & Ready, 2023; Sibley et al., 2024). Interesse stellt eine Schlüsselvariable dar, da es Aufmerksamkeit steuert, kognitive Ressourcen aktiviert und nachhaltiges Lernen begünstigen kann (Bernacki & Walkington, 2025). Aufbauend auf dem Four-Phase Model of Interest Development (Hidi & Renninger, 2006) wird zwischen bestehendem individuellem Interesse sowie situationalem Interesse, differenziert in getriggertes und aufrechterhaltenes situationales Interesse, unterschieden. Situationales Interesse gilt dabei als besonders relevant für die Gestaltung digitaler Lernumgebungen, da es gezielt durch inhaltliche und gestalterische Merkmale des Lernmaterials ausgelöst und stabilisiert werden kann (Plass & Fröhlich, 2025).

Obwohl die Diskussion um gerechte, adaptive und verantwortliche Lernumgebungen zunehmend betont, dass KI-gestützte Systeme Lernende und Lehrende unterstützen (Zhang, Diliberto, Carter, 2025), fehlt bislang empirisches Wissen darüber, wie solche Lernumgebungen auf lernrelevante Merkmale wie Interesse reagieren sollten, um tatsächlich adaptive und faire Lernprozesse zu ermöglichen. Insbesondere ist unklar, wie individuelles und situationales Interesse als Schlüsselvariablen in konkreten digitalen Lernsettings ausgelöst, aufrechterhalten und lernwirksam werden kann und wie sich diese interessenbezogenen Anpassungen auf kognitive Belastung und Lernleistungen auswirken.

Fragestellung

Es stellt sich die Frage inwiefern die Integration von individuellem Interesse in digitalen Lernmaterialien das situative Interesse, die kognitive Belastung und die Lernleistung von Primarschüler:innen beeinflusst und welche Implikationen sich daraus für die Gestaltung gerechter und adaptiver KI-gestützter Lernumgebungen ergeben.

Forschungsmethode- und design

Die vorliegende Pilotstudie untersucht, wie die Integration von außerschulischem individuellem Interesse von Lernenden in digitales Lernmaterial die Lernergebnisse beeinflusst. Die Studie wurde in einem Zwischensubjektdesign (mit vs. ohne interessensbasierte Personalisierung) mit N = 114 Primarschülerinnen und -schülern der 4. bis 6. Klassenstufe durchgeführt. Die Lernenden bearbeiteten im Rahmen des Mathematikunterrichts das Thema „Rechnen mit Geld“. Die hierfür gestalteten Videomaterialien „Die Entstehung des Geldes“ oder „Angebot und Nachfrage“ (Experimentalbedingung) vermittelten, wie man mithilfe der vedischen Mathematik Geldbeträge effizient berechnet. Die Lernergebnisse wurden mithilfe eines Leistungstests erfasst; zusätzlich wurde Vorwissen erhoben. Bestehendes individuelles Interesse sowie getriggertes und aufrechterhaltenes situationales Interesse (Endres et al., 2020) sowie wahrgenommene intrinsische und extrinsische kognitive Belastung (Krieglstein et al., 2023) wurden erfasst.

Erwartete Resultate und deren Bedeutung

Es ist zu erwarten, dass die Integration individuellen Nachhaltigkeitsinteresses in das digitale Lernmaterial zu höherem getriggertem und aufrechterhaltenem situationalen Interesse, geringerer extrinsischer kognitiver Belastung sowie leicht erhöhter intrinsischer Belastung führt. Zudem wird angenommen, dass Lernende in der interessenbasierten Bedingung bessere Lernleistungen erzielen. Die Befunde liefern darüber hinaus konzeptionelle Anhaltspunkte dafür, wie KI-basierte Lernsysteme lernrelevante Merkmale wie individuelles und situationales Interesse nicht nur erkennen, sondern als Grundlage für transparente, kontextsensitive und fair adaptierende Systeme nutzen können, um damit Lernprozesse gezielter zu unterstützen und potenzielle Ungleichheiten in digitalen Lernumgebungen zu reduzieren.