Aktives Lernen

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Aktives Lernen — Unterrichtsansätze, die Lernende einbeziehen, Dinge zu tun und über das nachzudenken, was sie tun, statt passiv Information zu empfangen. In KI in der Bildung untersucht die Forschung zu aktivem Lernen sowohl, wie KI-Werkzeuge aktive Lernpädagogiken unterstützen können, als auch, wie aktives Engagement mit KI-Werkzeugen — statt passiven Konsums — Lernresultate beeinflusst.

Fragen zum Nachdenken

• Sie haben „aktives Lernen" wahrscheinlich schon gelobt gehört. Aber lernt eine lernende Person, die durch ein Dashboard klickt oder eine generierte Antwort akzeptiert, wirklich aktiv? Was würde diese Tätigkeit in einem sinnvollen Sinne „aktiv" machen?
• Das ICAP-Rahmenwerk unterscheidet aktives, konstruktives und interaktives Engagement — nur die tieferen Stufen bauen dauerhaftes Wissen auf. Zu welcher Stufe des Engagements hat Sie das KI-Werkzeug gedrängt, mit dem Sie zuletzt etwas gelernt haben?
• KI kann aktives Lernen im großen Maßstab ermöglichen, aber schlecht gestaltete KI kann dem oder der Lernenden auch die kognitive Arbeit abnehmen. Wo haben Sie gesehen, dass KI eine lernende Person passiver statt engagierter gemacht hat?
• Eine EEG-Studie fand, dass interaktive Zusammenarbeit zwischen Studierenden und KI das höchste kognitive Engagement erzeugte, während volle Automatisierung es senkte. Warum könnte „Tun" mit KI „Zuschauen", wie KI die Arbeit macht, übertreffen?
• Teach-back — eine lernende Person erklären zu lassen, was sie versteht — macht Lücken wirksamer sichtbar als passives Wiederlesen. Wann kann die Aufforderung an eine lernende Person, es einer KI zu erklären, ein besserer Lernschritt sein, als die KI für sie antworten zu lassen?
• Aktives Lernen hängt von kalibriertem Scaffolding ab, das sich abschwächt, wenn Kompetenz wächst. Wie schwer ist es für einen KI-Tutor zu wissen, wann er zurücktreten soll — und was ist das Risiko, wenn er es nie tut?

Einführung

Aktives Lernen ist ein grundlegendes Prinzip der Bildungsforschung, gegründet in konstruktivistischen Theorien, die Lernende als aktive Konstrukteurinnen und Konstrukteure von Wissen positionieren. Im Kontext von KI in der Bildung gewinnt das Konzept doppelte Bedeutung: KI-Werkzeuge können aktives Lernen im großen Maßstab ermöglichen (durch interaktives Tutoring, Simulationen und adaptives Feedback), aber schlecht gestaltete KI-Werkzeuge können es auch untergraben, indem sie die kognitive Arbeit für Studierende übernehmen. Die Spannung zwischen KI-Unterstützung und aktivem kognitiven Engagement — untersucht in Artikeln wie hint button unproductive use zu vorzeitiger Hinweisnutzung und efficiency gain illusion zu Over-Reliance — ist ein zentrales Anliegen.

KI-ermöglichtes aktives Lernen tritt in dieser Wissensbasis in mehreren Formen auf: intelligente Tutoringsysteme, die Studierende in Problemlösen einbinden statt Antworten zu geben, GenAI as a mindtool-Ansätze, in denen Studierende KI als Denkwerkzeug statt als Ersatz nutzen, test-driven AI-assisted learning, in dem Studierende KI-Interaktion treiben statt ihr zu folgen, und exploratory learning environments. Das Konzept Scaffolding ist eng gekoppelt — wirksames aktives Lernen erfordert kalibrierte Unterstützung, die sich abschwächt, wenn Kompetenz wächst, was KI-Tutoren lernen müssen zu leisten.

Wie aktives Lernen in der Forschung der Wissensbasis erscheint

• Der Interaktionsmodus bestimmt kognitives Engagement. Eine EEG-Studie mit Oberstufen-Studierenden verglich die Modi Auto (KI löst selbstständig), Interaktiv (Zusammenarbeit zwischen Studierenden und KI mit Scaffolding) und Manuell (keine KI): Interaktiv erzeugte das höchste kognitive Engagement und die höchste Aufgabengenauigkeit, während Auto das Engagement senkte und Over-Reliance riskierte. Das gibt dem Argument, dass KI Studierende tun statt zuschauen lassen muss, eine neurophysiologische Dimension.

• KI-unterstützte Erkundung ist nicht automatisch höherstufig. Ein Quasi-Experiment mit 120 Studierenden der 8. Jahrgangsstufe fand, dass KI-unterstütztes forschungsbasiertes Lernen kreative mathematische Leistung und Einstellungen zur Mathematik erhöhte, aber keinen signifikanten Zuwachs im kritischen Problemlösen erzeugte — eine Mahnung, Zuwächse in Kreativität und Affekt nicht als Belege für tieferes Schlussfolgern zu lesen (Mujib et al., 2026)).

• Exploratives und simulationsbasiertes aktives Lernen. SupplyNet nutzt eine kontextuelle Multi-Agent-LLM-Simulation, um visuelles exploratives Lernen in der Supply-Chain-Bildung zu unterstützen, und koppelt eine interaktive Netzwerkansicht mit einer verzweigten „Was-wäre-wenn"-Zeitleiste, damit Lernende kausale Dynamik verfolgen statt abstrakte Inhalte zu konsumieren. Curiobot und Probleme-Stellen in der Physik stellen ebenfalls lernendengerichtete Erkundung in den Vordergrund.

• Strukturierte konversationelle Abläufe für aktive Wiederholung. KnowLoop strukturiert Nachbereitung nach der Vorlesung um drei Stufen — Recognize (Verwirrung vor Ort markieren), Resolve (Klärung) und Consolidate (Teach-back) — und zeigt, dass Teach-back Lernende dazu bringt, konzeptuelle Lücken zu artikulieren und offenzulegen, und dass kontextverankerte KI allgemeine KI für gezielte Unterstützung übertrifft. Teach-back instanziiert Lernen durch Lehren.

• Aktives Lernen als projektbasierte, gemeinschaftliche Struktur. The Academic League of AI organisiert außercurriculare KI-Bildung um Wettbewerbsteams, Lerngruppen und KI-für-soziale-Wirkung-Projekte und verkörpert damit aktives und projektbasiertes Lernen durch demokratische Studierendengovernance statt top-down-Curriculum.

• Mindtools und generatives Engagement. GenAI as a mindtool positioniert KI als Gerät, mit dem Studierende denken, statt als Quelle von Antworten, und bringt aktives Lernen in Übereinstimmung mit generativen Lerntheorien, in denen Lernende neue Ideen in bestehendes Wissen integrieren.

• Den Tutor als die Active-Learning-Aufgabe bauen. Zangari et al. (2026) kehrten die übliche KI-Tutor-Anordnung um: statt einen Tutor zu nutzen, entwarf jede bzw. jeder von 345 Studierenden in einem 700-köpfigen Softwarekurs einen konversationellen Agenten, der einer Peer-Person drei Entwurfsmuster beibringen sollte, sodass die Active-Learning-Arbeit die Konstruktion des Agenten war — Bedarfe der Nutzenden antizipieren, abstrakte Konzepte in lehrbare Teile übersetzen. Studierende schätzten die offene Gestaltungsfreiheit (22,3 % als stärkstes positives Thema), die häufigste Beschwerde war jedoch unklare Anweisungen (23,7 %), und die Autoren mahnen, das Design ohne Kontrollgruppe und mit Freiwilligenstichprobe trage nur Aussagen zum Engagement.

• Um die Fehler des Modells herum gestalten. Eine fünfschrittige Sequenz (unabhängige Analyse, ein standardisierter ChatGPT-Prompt, kritische Evaluation der Ausgabe, Verfeinerung und Klassendiskussion) funktioniert, weil die KI vorhersagbar falsch liegt: ChatGPT etikettiert die unelastische Nachfrage in einem Songtext als „perfectly elastic", und die Diskrepanz lehrt Studierende, Ausgaben zu validieren (Beck & Brodersen, 2025).

• Ein pädagogisch gestalteter KI-Tutor kann den aktiven Kursraum selbst übertreffen. Ein Crossover-RCT im Einführungskurs Physik in Harvard setzte einen eigens entwickelten KI-Tutor gegen die eigenen aktiven Lernstunden des Kurses — dieselbe forschungsbasierte Pädagogik, nicht eine Vorlesung — und fand signifikant mehr Lernen in weniger Zeit: Median im Post-Test 4,5 gegenüber 3,5, Effektstärke 0,63 per linearer Regression, mit einem Median von 49 Minuten Bearbeitungszeit gegenüber 60 im Kursraum (Kestin et al., 2025). Die Autoren schreiben das dem Design statt dem Medium zu, da der Tutor konstruiert wurde, um dieselben sieben forschungsbasierten Praktiken zu tragen wie der Kurs, und nur personalisiertes Feedback auf Anfrage und Selbstbestimmung des Tempos hinzufügte.

Das ICAP-Rahmenwerk als organisierende Linse

Aktives Lernen wird präzise durch das ICAP-Rahmenwerk (Interactive–Constructive–Active–Passive) operationalisiert, das Verhalten von Lernenden nach Modus kognitiven Engagements und Wissenswandels klassifiziert. Unter ICAP erstreckt sich, was umgangssprachlich „aktives Lernen" genannt wird, tatsächlich über drei verschiedene, geordnete Stufen des Engagements: active (auf Material einwirken, etwa Notizen machen oder eine Aufforderung beantworten), constructive (neue Ausgabe jenseits des Gegebenen erzeugen, etwa sich selbst erklären oder zeichnen) und interactive (Bedeutung durch Dialog ko-konstruieren). Das zählt für KI in der Bildung, weil ein KI-Werkzeug sich als „aktiv" ausgeben kann, während es Lernende in den flachsten Modi hält: Durch ein Dashboard zu klicken oder eine generierte Antwort zu akzeptieren ist bestenfalls aktiv, nicht konstruktiv oder interaktiv. ICAP verschärft damit das zentrale Designziel aktiven Lernens — Lernende von aktiv hin zu konstruktivem und interaktivem Engagement treiben — und warnt vor KI-Systemen, die für die lernende Person antworten, was sie passiv hält.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy) Das verbindet aktives Lernen unmittelbar mit ICAP-Rahmenwerk, studentischem Engagement und kollaborativem Lernen, dessen höchster ICAP-Modus interaktiver Dialog ist.

Praktische Anleitung

• Halten Sie die lernende Person in der Schleife. Gestalten Sie KI-Interaktionen so, dass Studierende auf und mit Ausgaben einwirken (interaktive, gestützte Modi), statt fertige Antworten zu empfangen; volle Automatisierung senkt kognitives Engagement messbar.
• Verankern Sie KI-Unterstützung in der eigenen Tätigkeit der Lernenden. Verwirrungspunkte, lernendengerichtete Fragen und Probleme-Stellen geben personalisierte Einstiegspunkte für Wiederholung und Erkundung.
• Nutzen Sie Teach-back und Erklärung. Lassen Sie Lernende artikulieren, was sie verstehen; Lücken durch Erklärung sichtbar zu machen ist aktiver als passives Wiederlesen.
• Koppeln Sie aktives Engagement mit kalibriertem Scaffolding. Unterstützung sollte sich abschwächen, wenn Kompetenz wächst — Scaffolding, das sich nie zurückzieht, kann selbst zu passiver Abhängigkeit werden.
• Bevorzugen Sie Werkzeuge, die Denken sichtbar machen. Explorative Simulationen, Mindtools und interaktive Problemräume unterstützen das kausale Nachverfolgen und vergleichende Schlussfolgern, die im Kern aktiven Lernens liegen.

Verbindungen zu verwandten Konzepten

Aktives Lernen ist tief mit kollaborativem Lernen verbunden (viel aktives Lernen ist sozial), Lernen durch Lehren (anderen erklären ist maximal aktiv), projektbasiertem Lernen und erfahrungsbasiertem Lernen (Lernen durch Tun in authentischen Kontexten), verkörpertem Lernen (physisches Engagement), spielbasiertem Lernen und Simulation. Es stützt sich auf Scaffolding und rechtzeitiges Feedback und wird von Over-Reliance bedroht, wenn KI Anstrengung ersetzt. Gegründet in Konstruktivismus und Lerntheorien, erstreckt es sich über Hochschulbildung, K-12 und STEM.

Aktives Lernen ist einer der stärksten Hebel auf Lernzuwächse im KI-Zeitalter. Weil aktive Strategien Verständnis durch anstrengendes Tun aufbauen, sind sie am robustesten gegenüber Kurzschlüssen durch KI — und die Evidenz der Wissensbasis zeigt, dass diese Anstrengung zu bewahren dauerhaftes Lernen schützt, während sie KI absorbieren zu lassen es erodiert (reduzierte Lernzeit, the learning penalty, hint abuse). Lehrende, die Designs aktiven Lernens mit gemessenen Zuwächsen bei unassistierten Ergebnissen koppeln, bekommen das klarste Bild davon, ob KI-unterstützte Tätigkeit das Lernen tatsächlich verbessert hat.

Verbundene Konzepte

• Lerngewinne
• Problembasiertes Lernen
• Lernen durch Lehren
• Scaffolding (Gerüstbildung)
• Konstruktivismus
• Lerndesign
• Intelligentes Tutoring
• Erleben der Studierenden
• Hochschulbildung
• K-12 (Primar- und Sekundarstufe)
• MINT-Bildung
• Generative KI
• Rückmeldung
• Kognitive Auslagerung
• Kollaboratives Lernen
• Lerntheorien
• ICAP-Rahmen
• Studierendenengagement
• Projektbasiertes Lernen
• Erfahrensorientiertes Lernen
• Verkörpertes Lernen
• Simulation
• Spielbasiertes Lernen
• Hilfesuche
• Pädagogiken und Lehrstrategien — Überblicksseite: Pädagogien und Lehrstrategien in KI in der Bildung

Verbundene Artikel

• AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting — AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting (Kestin et al. 2025)
• AI-Supported Problem-Based Learning for Enhancing Computational Thinking
• Fostering Generative AI Literacy in Economics: A Hands-on Approach — Active-learning GenAI framework for economics (Beck & Brodersen 2025)
• Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems
• The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• Test-Driven, AI-Assisted Learning: Replacing Lectures with Weekly Closed-Book Tests
• Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing
• An exploratory behavioral and electroencephalographic study of artificial intelligence-assisted learning modes in high school students — EEG-Studie zu KI-Interaktionsmodi (interaktiv > automatisch)
• SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation — SupplyNet: visual exploratory learning via multi-agent simulation
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — KnowLoop: staged conversational post-lecture review
• Academic League of Artificial Intelligence: An Integrative Perspective of Teaching, Research, and Extension — Academic League of AI: projektbasiertes aktives Lernen
• Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics — KI-unterstütztes IBL und kreative mathematische Leistung
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Merkmale der Lernenden × Interaktionen mit TTS-Dialogformat