AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Handlungsfähigkeit der Lernenden

Erstellt 2026-08-13 · Aktualisiert 2026-10-10

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

Handlungsfähigkeit der Lernenden — die Fähigkeit von Lernenden, absichtsvoll zu handeln, Entscheidungen zu treffen und Kontrolle über das eigene Lernen auszuüben. In KI in der Bildung ist Handlungsfähigkeit ein zentrales Anliegen, weil KI-Werkzeuge die Kontrolle der Lernenden sowohl stützen als auch untergraben können: gut gestaltete KI bewahrt und verstärkt die Autonomie der Lernenden, während übermäßige Abhängigkeit oder passive Übernahme von KI-Ausgaben sie erodieren lassen. Handlungsfähigkeit verbindet sich mit selbstreguliertem Lernen, Motivation, Selbstwirksamkeit und der ethischen Gestaltung von KI-Systemen und ist eng verwandt mit den psychologischen Konzepten der Autonomie und des empfundenen eigenen Handelns.

Fragen zum Nachdenken

  • Handlungsfähigkeit der Lernenden — Ihre Fähigkeit, absichtsvoll zu handeln und Ihr eigenes Lernen zu steuern — ist zentral für KI in der Bildung. Wie viel Kontrolle behalten Sie tatsächlich über den Lernprozess, wenn Sie ein KI-Werkzeug nutzen, und wie viel das Werkzeug?
  • KI kann Handlungsfähigkeit sowohl stützen als auch untergraben: gut gestaltete KI verstärkt Ihre Autonomie, während übermäßige Abhängigkeit sie erodieren lässt. Denken Sie an einen Moment, in dem Sie eine KI einfach „machen ließen“. Haben Sie weniger gelernt, auch wenn das Ergebnis besser aussah?
  • Studierende, die die Deutung an KI delegieren, können die Handlungsfähigkeit über das eigene Denken verlieren. Wenn Sie eine Aufgabe an KI übergeben, welchen Teil Ihres eigenen Denkens geben Sie dabei unbemerkt auf?
  • Eine Studie fand, dass früheres selbstinitiiertes KI-Lernen der Studierenden vorhersagte, wie viel sie aus dem Unterricht zogen — Lernende mit hoher Handlungsfähigkeit profitierten am meisten. Wenn Handlungsfähigkeit zum Teil eine Fähigkeit ist, die man mitbringt, wie könnte Ihr eigener Kontext sie aufbauen statt sie vorauszusetzen?
  • Handlungsfähigkeit ist nicht nur ein Merkmal — sie entsteht von Moment zu Moment in der Gruppenarbeit, wo KI unbemerkt umverteilen kann, wer eine Zusammenarbeit prägt. Wann haben Sie zuletzt bemerkt, wie ein Werkzeug die Richtung einer Gruppe stillschweigend steuerte?
  • Konträre KI-Personas könnten Gruppen in produktive Auseinandersetzung treiben, verringerten aber auch die Zufriedenheit mit der Teamarbeit und das psychologische Sicherheitsempfinden. Kann produktive Reibung ohne psychologische Sicherheit bestehen — und was folgt daraus für die Gestaltung von KI-Teammitgliedern?

Einführung

Handlungsfähigkeit ist wichtig, weil Lernen dann am wirksamsten ist, wenn Lernende aktive, absichtsvolle Beteiligte sind und nicht passive Empfänger. KI-Systeme — ob Tutoring-Agenten, Roboter oder Chatbots — prägen, wie viel Kontrolle Lernende über ihren Lernprozess behalten. Handlungsfähigkeit zu bewahren ist daher ein zentrales Gestaltungsprinzip verantwortungsvoller KI in der Bildung, neben der Stützung von Selbstwirksamkeit, dem Aufbau von Vertrauen und der Vermeidung von übermäßiger Abhängigkeit.

Mishra et al. rahmen Kontrolle gegen Handlungsfähigkeit als die wesentliche, wiederkehrende Spannung in KI in der Bildung — von frühen ITS bis zur heutigen generativen KI — und machen die Handlungsfähigkeit der Lernenden damit zur beständigen Achse der Debatten des Felds.

Eine Nullsummen-Sicht auf Handlungsfähigkeit bei agentischen Werkzeugen: Prieto & Dimitriadis (2026) argumentieren, dass Lernende umso weniger Handlungsfähigkeit behalten, je mehr man KI-Werkzeugen in der Bildung zugesteht — dass Handlungsfähigkeit faktisch ein Nullsummenspiel ist und dass heutige menschenzentrierte Gestaltungsansätze (etwa Value Sensitive Design) nicht ausreichen, weil übermäßige Abhängigkeit und Isolation durch weiter gefasste systemische Faktoren und die menschliche Neigung zum leichtesten Weg getrieben werden. Ihre emanzipatorische Gestaltungsvision, die auf das Gedeihen der Lernenden in komplexen Systemen ausgerichtet ist, behandelt das Bewahren und Kultivieren von Handlungsfähigkeit der Lernenden als zentrales Ziel des Designs generativer KI statt als Nachgedanken.

Handlungsfähigkeit als Zweck, nicht nur als Fähigkeit: Wo die obigen Rahmungen fragen, wie viel Handlungsfähigkeit Lernende behalten, fragen Fagerlund et al. (2026), wofür KI in der Bildung da ist. Sie interviewten dreizehn finnische Lehrkräfte von der Vorschule bis zur neunten Klasse zu den Zwecken des Lehrens mit und über KI und lasen deren Darstellungen durch Biestas drei Domänen des Bildungszwecks (Qualifikation, Sozialisation, Subjektivation). Sie fanden Kompetenz als das klarste und konkreteste Ziel: Lehrkräfte wollten, dass Studierende KI als soziotechnisches Phänomen verstehen und ihre Werkzeuge nutzen. Subjektivation, also selbstbestimmtes und persönlich bedeutsames Engagement mit KI, wurde als wichtig bestätigt, aber ohne konkrete Unterrichtsstrategien belassen; Lehrkräfte griffen zu allgemeiner Diskussion und Kontemplation statt zu gestalteten Aktivitäten. Die Autoren schlagen informierte KI-Handlungsfähigkeit als Heuristik vor, die Subjektivation ins Zentrum stellt und Kompetenzen als ihre erläuternde Grundlage behandelt, damit Studierende sehen, welche Optionen bestehen, und wählen, was sie verfolgen. Die praktische Konsequenz ist direkt: ein Kompetenz-zuerst-Curriculum kann den agentischen Zweck verdrängen, dem es dienen soll, und das Gegenmittel ist, das „Warum“ von KI-Bildung explizit zu machen statt der Liste eine weitere Kompetenz hinzuzufügen.

Wie Handlungsfähigkeit in der Forschung der Wissensbasis erscheint

Benchmarkt über zehn Modelle ist die Stützung von Handlungsfähigkeit das, was sie nach dem Lernen am schlechtesten machen. ImpactBench maß „Agency & Purpose“ bei 56.0% auf positiven Kriterien (95%-KI [49.2, 62.5]) und 43.9% auf negativen ([36.9, 50.8]), dem zweitniedrigsten von 14 Teilbereichen, und seine Kriterien für autonomiebewahrende Unterstützung fragen, ob ein Modell Kontext und Abwägungen anbietet statt einen Handlungsweg vorzuschreiben (ImpactBench (2026)). Die Modelle waren zudem weit weniger konsistent darin, Schaden zu vermeiden, als darin, hilfreich zu sein: eine Spanne von 38.6 Punkten gegen 15.9 Punkte.

Die Kosten hängen davon ab, welche Ebene delegiert wird: In einer achtwöchigen Schreibstudie trug das Delegieren von Schlussfolgern — Begründungen, Gegenargumenten, Interpretation von Belegen — den stärksten negativen Zusammenhang mit unabhängiger Leistung (ab = −0.34), und selbstreguliertes Schreiben schwächte ihn, kehrte ihn aber nie um (Chen (2026)).

Eine Drei-Wellen-Panelstudie mit 342 Studierenden in 85 festen Schreibgruppen gibt dieser Sorge eine zeitliche Richtung: Sobald stabile Unterschiede zwischen Personen in einem Random-Intercept-Cross-Lagged-Panel-Modell getrennt wurden, sagte höher als übliche Abhängigkeit von GenAI geringere nachfolgende empfundene Handlungsfähigkeit vorher, während die Pfade von Handlungsfähigkeit zu Abhängigkeit schwächer und statistisch nicht gestützt waren, obwohl die Konfidenzintervalle und Monte-Carlo-Sensitivitätsanalysen kleine Rückwirkungen möglich ließen. Ihre Logdaten warnen zudem davor, Nutzungsvolumen als verlorene Handlungsfähigkeit zu lesen — selbstberichtete Abhängigkeit entsprach zwar der Intensität der KI-Nutzung, aber die Logs konnten strategische Konsultation nicht von Entlastung oder Nachgeben unterscheiden, weshalb Dashboards Intensität neben Belegen für Diskurs, Reflexion und Überarbeitung lesen sollten.(Wu & Lu, 2026)

Eine komplementäre Darstellung weitet SRL, statt sie zu ersetzen: de Barba (2026) unterscheidet Regulation (den eigenen Prozess steuern), Integration (das Selbst über Zeit und Kontexte hinweg organisieren) und Positionierung (kritisch deuten, was die Umgebung misst) und argumentiert, dass handlungsfähigkeitsorientiertes Design Lernende von „Handlungsfähigkeit innerhalb von Bedingungen“ zu „Handlungsfähigkeit über Bedingungen“ bewegen muss, statt Verhaltensproxys zu optimieren.

  • Für Handlungsfähigkeit gestalten: Wissensbasiertes Design für generative soziale Roboter (Teachy Mini) adressiert Risiken wie übermäßige Abhängigkeit, die Handlungsfähigkeit der Lernenden untergraben.
  • Für Übergabe gestalten, nicht für dauerhaftes Engagement. Der zweimodale Prototyp Amico behandelt KI als begrenzte, zeitlich befristete Vermittlung, deren Erfolg an beobachtbaren Übergängen zu Lehrenden, Peers oder Gemeinschaft gemessen wird und nicht an der mit der KI verbrachten Zeit; seine Italien–China-Pilotierung fand, dass Lernende sie als begrenztes Werkzeug erkannten und nicht als relationalen Ersatz (Benedetti (2026)).
  • Adaptives Scaffolding geht zu Lasten professioneller Autonomie. de Jong (2026) argumentiert, dass Adaption erfordert, dass das System die Kompetenz der Nutzenden beurteilt, wodurch es die Autorität von Fachkräften über die eigene Entwicklung verringert und Expertinnen und Experten zu übermäßigem Scaffolding aussetzt, und dass ein als unnötig empfundener Mechanismus einfach ignoriert wird — womit offen bleibt, wer entscheidet, welche Nutzenden Scaffolding erhalten: das System, die Organisation oder die Fachkraft.
  • Leistungsfähigeres Scaffolding ist nicht mehr Handlungsfähigkeit. Ein eigens entwickelter Design-Bot für Expertise verlängerte die Interaktionsdauer und die selbst generierten Prompts angehender Lehrkräfte, dennoch fiel die Handlungsfähigkeit im kollaborativen Problemlösen sowohl in dieser als auch in der ChatGPT-Bedingung, da die Teilnehmenden dem Bot zustimmten, statt ihn zu kritisieren (Krushinskaia et al. (2026)).
  • Frühere Handlungsfähigkeit sagt vorher, wer profitiert: Liang et al. (2026) zeigten, gestützt auf Banduras sozialkognitive Theorie, dass das frühere selbstinitiierte KI-Lernen der Studierenden (eine Verhaltensmanifestation von Handlungsfähigkeit) vorhersagte, wie viel sie aus einem Jahr schulischen KI-Unterricht gewannen — Lernende mit hoher Handlungsfähigkeit begannen mit der stärksten Bereitschaft, während Schulcurricula psychologische Lücken verengten, kognitive aber unangetastet ließen. Strukturierter Unterricht und früheres handlungsfähigkeitsbezogenes Lernen wirkten synergistisch, nicht als Substitute.
  • Prinzipielle Selektivität als Handlungsfähigkeit von Lehrenden unter technologischem Wandel: Adiozaman und Segar (2026) interviewten zwei erfahrene Wissenschaftlerinnen dreimal über ein Semester und fanden, dass sie KI-vermitteltes Lehren weder durch pauschale Übernahme noch durch pauschalen Widerstand bewältigten, sondern durch bewusste, kontextsensible Entscheidungen, geleitet von pädagogischen Werten, ethischer Verpflichtung und professionellem Urteil — ein Muster, das die Autoren prinzipielle Selektivität nennen, in dem die Ablehnung einer bestimmten Nutzung als Urteil zählt und nicht als gescheiterte Adoption. Sie ist das Lehrenden-Pendant zu den obigen Befunden auf der Seite der Lernenden: ungleichmäßige KI-Nutzung kann eine Ausübung von Handlungsfähigkeit sein, nicht ein Beleg für deren Fehlen.
  • Handlungsfähigkeit der Lehrenden als vermittelnde Bedingung für Handlungsfähigkeit der Lernenden: Die neuesten Befunde auf der Lehrenden-Seite machen eine Trennung explizit, die die obigen Lernenden-Befunde implizit lassen: Handlungsfähigkeit der Lehrenden ist Design-Zeit und vermittelnd, Handlungsfähigkeit der Lernenden wird im Moment vollzogen, und die erste bestimmt die Bedingungen der zweiten. Canonigo (2026) begleitete zehn Mathematiklehrkräfte der Sekundarstufe über eine achtwöchige ChatGPT-4-Intervention und fand, dass dort, wo Lehrkräfte KI-Ausgaben kuratierten und hinterfragten (offene Probleme stellten, das Werkzeug vorab anwiesen, Hinweise freizugeben und Lösungen zurückzuhalten, und von Studierenden verlangten, KI-Ausgaben neben die eigene Arbeit zu stellen und zu argumentieren, welche Methode besser sei), sie zu einem vorläufigen Artefakt für Kritik wurden und Studierende sich hin zu Vermutung und metakognitivem Fragen bewegten; wo Vermittlung fehlte, wanderte die Autorität hin zum Algorithmus und Lehrende wurden zu Validierenden statt zu ersten Quellen des Wissens — ein Wandel, den eine Lehrkraft als Übergang „vom Orakel zum Lektor“ beschrieb. Ungleiche Werkzeugqualität erhöht, was diese Vermittlung tragen muss: Über 50 jeweils dreifach eingereichte Prompts an jedes Modell war die kostenlose Stufe in 49 von 150 Antworten (32.7%) ungenau, gegen 18 von 150 (12%) für die Premium-Stufe (χ2(1) = 17.5, p < .001). Charles (2026) zieht die Bereitschaftsfolgerung: Handlungsfähigkeit von Lehrenden ist eine professionelle Ressource, die durch Designentscheidungen und Artefakte mobilisiert wird, weshalb Bereitschaft an den Designs gemessen werden sollte, die Lehrkräfte hervorbringen, und nicht daran, wie oft sie KI nutzen; eine begründete Entscheidung, KI vorzuenthalten, kann selbst Bereitschaft zeigen. Zusammen gelesen mahnen diese Befunde davor, hohe KI-Nutzung als Beleg für ein agentisches Klassenzimmer zu lesen, da die Disposition, die Handlungsfähigkeit der Lernenden bewahrt, in dem ausgeübt wird, was eine Lehrkraft gestaltet und kritisiert, nicht darin, ob das Werkzeug an ist.
  • Die Aufteilung von Kontrolle zwischen Lehrenden und Lernenden ist kein Nullsummenspiel — aber die richtige Verteilung ist stadienabhängig. Eine partizipative Speed-Dating-Studie mit 17 Lehrenden und 13 Lernenden, die 34 Hybrid-Kontroll-Designs ordneten, fand, dass beide Gruppen während Vorbereitung und Initiierung starke Kontrolle durch Lehrende bevorzugten, dann zunehmend mehr Input der Lernenden, während die Zusammenarbeit fortschritt — und keine Gruppe je volle Kontrolle der Lernenden bevorzugte. Die Präferenzen spiegelten einander: Lehrende wollten mehr Kontrolle über das Timing der Paarung, während Lernende Selbstsignalisierung der Bereitschaft wollten; Lernende vertrauten der Partnerwahl durch Lehrende, während Lehrende eine Stimme der Lernenden zu Partnern wollten. Die Designimplikation: Handlungsfähigkeit pro Entscheidungspunkt und Stadium zuteilen, mit begrenzten, strukturierten Vorschlägen der Lernenden, die durch Lehrenden-Analytik validiert werden, statt freiem Überschreiben. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
  • Zugang zu Wahl ist nicht dasselbe wie ausgeübte Handlungsfähigkeit: Su, Nair und Nagashima (2026) randomisierten 69 Universitäts-Studierende in ein 2 × 2-Design, das Parameterkontrolle über eine Schwarm-Simulation mit Zugang zu einem optionalen konversationellen Agenten kreuzte, und fanden keinen verlässlichen Effekt beider Angebote auf Lernzuwächse, sobald Vorwissen kontrolliert war (Parameterkontrolle F(1, 50) = 0.04, p = .849; Agent F(1, 50) = 2.68, p = .108). Die Zuwächse folgten wie die Kontrolle genutzt wurde: Reglerzeit in der konzeptuell komplexesten Lektion sagte höhere Zuwächse vorher (β = .11, p = .007), während dasselbe Verhalten in der leichteren Lektion niedrigere vorhersagte (β = −.04, p = .047), und das Engagement mit dem optionalen Agenten reichte von 0 bis 32 Fragen pro lernender Person, ohne mit Ergebnissen zusammenzuhängen. Die Autoren lesen dies als Handlungsfähigkeit, die vollzogen und nicht zugestanden wird: Die Designfrage ist, was einer lernenden Person hilft zu entscheiden, was sich zu ändern lohnt, und die Folgen zu bemerken.
  • Epistemische Delegation in der frühen Forschungskarriere: Han und Liu (2026) rahmen KI-Abhängigkeit unter Promovierenden und Postdocs als epistemische Delegation — die Übertragung von Problemrahmung, Methodenwahl und Deutungsautorität auf das intelligente System — und fanden sie negativ verbunden sowohl mit Forschungs-Selbstwirksamkeit als auch mit Forschungsautonomie, wobei Unterstützung durch die Betreuung den Verlust abpufferte. Das weitet Handlungsfähigkeitsdebatten von der Autonomie der Lernenden auf die Formierung der Forschenden selbst aus.
  • Deutungsautorität als Designvariable (ein konzeptuelles Rahmenwerk). Porath (2026) rahmt die Frage, wer entscheidet, neu als Verteilung von Deutungsautorität — wer Probleme definiert, Antworten bewertet und bestimmt, wann Verstehen erreicht ist —, und bildet vier nicht-hierarchische Konfigurationen ab (menschendominant, KI-assistiv, KI-direktiv, dialogische Partnerschaft), zwischen denen sich Klassenzimmer innerhalb einer einzigen Aufgabe bewegen, und verankert Verschiebungen in fünf ökologischen Schichten von individueller Metakognition bis zu soziokulturellen Narrativen. Der normative Anspruch des Beitrags stimmt mit der Evidenz dieser Seite überein: KI-direktive Konfigurationen können, wie ausgefeilt auch immer, produktives Ringen und metakognitive Regulation unterdrücken — dieselben Kapazitäten, die diese Seite als Substrat von Handlungsfähigkeit bezeichnet. Als konzeptueller Beitrag liefert er diagnostisches Vokabular, nicht empirische Evidenz.

Handlungsfähigkeit verbindet sich mit selbstreguliertem Lernen, Motivation, Selbstwirksamkeit, Erleben der Studierenden, Mensch-KI-Zusammenarbeit, Ethik, übermäßiger Abhängigkeit und Metakognition. Sie ist eine zentrale Erwägung in Robotik, Tutoring und der Gestaltung von KI-Lernagenten.

  • Begrenzte Nutzung als epistemische Kontrolle, nicht als Zögern. Zagami (2026) berichtet, dass leistungsstärkere Studierende in einer Umfrage mit 484 Antworten an einer Universität geringeres aktives KI-Engagement und geringeren empfundenen Lerneinfluss zeigten, während sie zugleich geringere KI-bezogene Disengagement berichteten und ihre eigene Nutzung als verifikationsintensiv beschrieben: Ausgaben wurden geprüft und dann dem eigenen Denken untergeordnet. Als Handlungsfähigkeit statt als Vermeidung gelesen ist das Muster ein bewusstes Behalten von Urteil — Studierende behalten die Autorschaft der Schlussfolgerung, während sie das Werkzeug für Klärung und Zusammenfassung nutzen.

Anhaltende Grenzarbeit, nicht Werkzeugkompetenz, trennt Handlungsfähigkeit von Delegation: Studierende, die dasselbe retrieval-gestützte Werkzeug nutzten, erzeugten vergleichbar ausgefeilte Artefakte, ob sie seine Ausgaben einschränkten und neu verfassten oder die Deutung früh abtraten; der Unterschied zeigte sich nur in Prompts, Latenz, Korrekturen und Ablehnungen (O'Byrne, 2026).

  • Handeln, Wissen und Antworten sind nicht dasselbe. Eine korpusgestützte Diskursanalyse von 366 GenAI-Abstracts aus der Hochschulbildung nennt KI 2.050 Mal als Akteurin, ohne sie je rechenschaftspflichtig zu machen, während die Verantwortung für das Beurteilen von Ausgaben und das Prüfen von Behauptungen den Studierenden zugeschrieben wird: grammatikalische Aktivierung, funktionale Handlungsfähigkeit, epistemische Autorität und normative Rechenschaftspflicht fallen auseinander (Poudyal, 2026).
  • Handlungsfähigkeit hat drei Modi, und der dritte ist das, was Politik liefert. Mit nur 18% der Lehrkräfte und 24% der Schulleitungen, die eine schulische KI-Politik berichten, üben die meisten im Bildungsbereich Handelnde individuelle Handlungsfähigkeit aus, ohne dass eine Proxy-Handlungsfähigkeit für sie agiert — Banduras dritter Modus, geliefert durch institutionelle Regeln (Tench, Weinstein & James, 2026).

Handlungsfähigkeit als emergentes, interaktionales Phänomen

Handlungsfähigkeit der Lernenden ist nicht nur ein statisches individuelles Merkmal — sie ist auch ein emergenter, interaktional konstituierter Prozess, der durch Diskurs und die moment-zu-moment-Koordination von Gruppenarbeit vollzogen wird. Im kollaborativen Lernen ist Handlungsfähigkeit verteilt und wird durch das Zusammenspiel divergenter Prozesse (Ideen erzeugen, Alternativen erkunden) und konvergenter Prozesse (bewerten, integrieren, synthetisieren) neu ausgehandelt. Diese Sicht ist für KI bedeutsam, weil agentische KI-Systeme auf subtile Weise epistemische und regulatorische Arbeit innerhalb einer Gruppe umverteilen können, wodurch sich verändert, wer beiträgt, wer die Richtung prägt und wer den Fortschritt reguliert — oft, ohne dass Lernende davon wissen.

  • Handlungsfähigkeit als die emergente Qualität einer Kompetenzkonfiguration. Das Framework für Mensch-KI-Zusammenarbeitskompetenz schließt Handlungsfähigkeit der Lernenden bewusst als eigenständige Komponente aus und behandelt sie als das, was Lernende ausdrücken, wenn sie Domänen-, KI- und metakognitive Kompetenz koordinieren — die integrative Arbeit, die TPACK der Pädagogik zuweist und die an die metakognitive Regulation der Lernenden übergeht; über 24 Lehrende im Hochschulbereich erschien jede Dimension in ihren Darstellungen, wobei Domäne (12–19% der kodierten Einheiten) und KI (16–22%) im Vordergrund standen (Dang et al., 2026).

  • Jin et al. (2026) liefern die direktesten Belege: In einem großen Experiment (224 Studierende, 97 Triaden), in dem KI als nicht offengelegtes Teammitglied agierte, rekonfigurierten unterstützende und konträre KI-Personas die emergente Handlungsfähigkeit dennoch. Konträre KI zog den Diskurs in herausforderungs- und reflexionsorientierte Bahnen (produktive Reibung), während unterstützende KI Übereinstimmung stabilisierte und Ideenfindung erneuerte.

  • KI-Personas als Mechanismen der Diskurs-Governance. Konträre Personas externalisierten die Last des Herausforderns (Umverteilung epistemischer Arbeit hin zur Kritik), während unterstützende Personas Bestätigung und Aufrechterhaltung von Konsens externalisierten. Die Studie identifizierte sechs emergente Profile von Handlungsfähigkeit — insbesondere war reflexive Regulation einzigartig menschlich (KI externalisierte Kritik/Bestätigung, nicht aber Überwachung auf Meta-Ebene).

  • Der affektive Preis von Reibung. Konträre KI verringerte Zufriedenheit mit der Teamarbeit und psychologische Sicherheit ohne kreative Leistungszuwächse zu erbringen, wodurch epistemische Stimulation von erfahrener Nachhaltigkeit entkoppelt wurde. Das mahnt dazu, „produktive“ Diskursstrukturen stets neben ihren emotionalen Folgen zu deuten — Handlungsfähigkeit gedeiht nur in einem psychologisch sicheren Klima.

  • Nicht offengelegte KI-Beteiligung ist unsichtbare Governance. Weil die Personas auch ohne KI-Offenlegung wirkten, positioniert die Studie Persona-Design als eine Form unsichtbarer Governance über kollaborative Prozesse — ein Befund mit direkten Folgen für Schreibassistenten, Peer-Bewertung-Systeme und Teamarbeitsplattformen, die Beiträge prägen können, ohne ihre Anwesenheit anzukündigen.

  • Drei Muster von Handlungsfähigkeit in der gruppenbasierten Bewertung. Chen und Zou (2026) interviewten 15 Fokusgruppen angehender Lehrkräfte zu einer authentischen Gruppenpräsentation und fanden Handlungsfähigkeit, die gleichzeitig in drei Richtungen wirkt: fünf Gruppen verstärkten die GenAI-Nutzung als Koordinationsinfrastruktur (kooperationsorientierte Handlungsfähigkeit — Abschnitte von Peers entschlüsseln, Teile angleichen, eine gemeinsame Note schützen), sieben begrenzten sie (normative Handlungsfähigkeit — gezogene Grenzen zum Schutz von Authentizität, Fairness, Originalität und Vielfalt der Perspektiven), und drei änderten die Praxis gegenüber individueller Arbeit nie (nicht vollzogene Handlungsfähigkeit, wo individuelle Fähigkeit nie kollektiv mobilisiert wurde). Ihre Unterscheidung ist bedeutsam, weil Begrenzung hier normative Selbstregulation war und nicht Konformität oder Disengagement, und weil Fähigkeit allein keine kollektive Handlungsfähigkeit hervorbrachte. Gruppenmitgliedschaft kehrte zudem die Rechenschaftspflicht um, die Gruppenarbeit eigentlich herstellen soll: ein permissives Kollektivklima senkte das empfundene Missbrauchsrisiko, statt Verbindlichkeit zu erhöhen.

  • Handlungsfähigkeit als relationales Selbst. Xie (2026) stellt das individualistische Modell von Handlungsfähigkeit infrage, das seiner Ansicht nach selbst KI-Kritiken voraussetzen. Gestützt auf daoistische relationales Selbst — ein „fließendes und heterogenes“ Selbst, konstituiert durch Beziehungen zu anderen und zum Kosmos — kommt er zu dem Schluss, dass eine digitale Kluft oder algorithmische Diskriminierung „eine Verletzung der grundlegenden Konstitution des Selbst“ sei, was Gleichheit des Zugangs zu Lernen „nicht einfach zu einem ethischen Gebot, sondern zu einer ontologischen Gegebenheit“ mache, und dass asymmetrische Macht und Umweltkosten „integralen Dimensionen des Selbst“ seien und keine Externalitäten. Sein Gegenideal, der „Zhenren“ (真人) oder natürliche Lernende, behandelt KI als „instrumentalen Zusatz“ und nicht als kognitiven Ersatz — Handlungsfähigkeit als kultivierte Ganzheit, nicht als reibungslose Optimierung.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Für kollaborative Settings stellt das die Designfrage neu: nicht ob KI als Teammitglied teilnehmen kann, sondern wie ihre gemusterte Beteiligung epistemische Strenge, emotionale Sicherheit und das Empfinden der Lernenden von Eigenständigkeit ausbalanciert. Begrenzte Reibung (eingeschränkte Herausforderung, gepaart mit integrativen und reparierenden Zügen) und explizite metakollaborative Kompetenz sind die empfohlenen Schutzmaßnahmen.

Eine strukturelle Lesart von Handlungsfähigkeit erscheint in El Khoury und Mas Framework für freudvolles Assessment, wo Handlungsfähigkeit als Design-Eigenschaft behandelt wird und nicht als Motivation: Studierende wählen die Reihenfolge der Aufgaben, setzen das Tempo und signalisieren, wann eine Interaktion endet, sodass Unterstützung verfügbar ist, während die Verantwortung für die Arbeit bei der lernenden Person bleibt. Der Mechanismus, den sie benennen, ist Appraisal — ohne Publikum zu üben und zu wählen, wann man beginnt, verschiebt, was eine Aufgabe bedeutet, von Urteil zu etwas, das eine Studierende oder ein Studierender gestalten kann —, und sie argumentieren, dass wiederholtes Erleben dieses Wandels das ist, was gelegentliche Wirksamkeitsgefühle in eine alltägliche Haltung zum Assessment überführt.

Handlungsfähigkeit versus Identität der Lernenden

Identität der Lernenden und Handlungsfähigkeit der Lernenden werden leicht verwechselt, bezeichnen jedoch Unterschiedliches — und beide werden durch KI neu geformt.

  • Handlungsfähigkeit wird vollzogen; Identität wird bewohnt. Handlungsfähigkeit ist die situierte Fähigkeit, absichtsvoll zu handeln und das eigene Lernen jetzt zu steuern — eine variable, interaktionale Eigenschaft. Identität ist das dauerhaftere, narrative Empfinden, wer man ist und als Lernende wird. Handlungsfähigkeit ist ein Prozess; Identität ist ein Seinszustand, der sich aus ihm ansammelt.
  • Identität ist internalisierte Handlungsfähigkeit. Wiederholte agentische Akte — wählen, verfassen, durchhalten — sind das, wodurch eine lernende Person sich selbst als agentische, kompetente Person zu sehen beginnt. Identität ist das Sediment von Handlungsfähigkeit über die Zeit, verstärkt durch Anerkennung und Zugehörigkeit.
  • Unterschiedliche Fehlermodi. Handlungsfähigkeit wird durch übermäßige Abhängigkeit und passive Übernahme erodiert (die lernende Person hört auf, das Denken zu steuern); Identität wird durch Verlust von Autorschaft und Kompetenzbedrohung erodiert (die lernende Person hört auf zu empfinden, dass die Ausgabe ihre ist, oder dass sie in die Domäne gehört). Implizite KI-Umverteilung epistemischer Arbeit ist vor allem ein Anliegen der Handlungsfähigkeit; das Kompetenzparadox in kreativen Feldern ist vor allem ein Anliegen der Identität.
  • Beides muss gestaltet werden. Handlungsfähigkeitsorientiertes Design bewahrt Kontrolle und Wahl (begrenzte Reibung, Human-in-the-Loop-Aufsicht, Transparenz); identitätsorientiertes Design schützt Autorschaft und Anerkennung (authentisches Assessment, klare Zuschreibung von KI- gegenüber menschlichem Beitrag, Aufgaben, die Lernenden erlauben, eine Domäne zu beanspruchen). Handlungsfähigkeit zu schützen, ohne Autorschaft zu schützen, behält Kontrolle, aber nicht Selbstwert — und umgekehrt.

Diese Unterscheidung zwischen vollzogener Handlungsfähigkeit und stabiler Identität gilt auch für Verweigerung. Wie Zagami (2026) es beschreibt, sind das Ablehnen eines Chatbots für bewertetes Schreiben, das Untersagen für ungestütztes Denken, das Widerstehen automatisierter Triage in der Studierendenunterstützung oder das Hinauszögern von Beschaffung getrennte Beziehungen zu getrennten Systemen, die persönliche, pädagogische, professionelle, administrative und institutionelle Ebenen überspannen statt eine dauerhafte Disposition darzustellen. Dieses Recht ist ungleich verteilt: Studierende mit akademischem Selbstvertrauen können ohne Nachteil ablehnen, während jene, die Sprach-, Barrierefreiheits- oder schnelle-Feedback-Unterstützung benötigen, Verweigerung als verlorene Gelegenheit lesen, und abgesicherte Wissenschaftlerinnen und Wissenschaftler verweigern aus Prinzip, während beiläufiges Personal Druck zur Übernahme empfindet. Wo KI in der Infrastruktur sitzt, wird Verweigerung von individuellem Opt-out hin zu Beschaffung, Audit und Anfechtbarkeit verschoben.

  • Verweigerung als Identitätskonstruktion, nicht nur als Entscheidung (Studierende of Color in der Ausbildung). Gyekye (2026) interviewte fünf Auszubildende der Sekundarstufe über 9 Monate und fand, dass sie sich durch KI in drei Zügen selbst verfassten: Verweigerung (Nicht-Nutzung als institutionelle Ausrichtung), Aushandeln (Reparieren institutioneller Fehlpassungen, wobei Datenschutz eine ferne Abstraktion blieb) und Anerkennung (Gleichsetzung von Fairness mit Abwesenheit sichtbarer Verzerrung — eine „kulturelle Flachheit“, in der ihre Identitäten in KI-Antworten nicht repräsentiert sind). Die beiden interpretationsbezogenen Konzepte der Studie — Institutional AI Literacy und Recognition Bandwidth — benennen die Fähigkeit, KI-Nutzung institutionell lesbar zu machen, und den Raum, den Studierende haben, sich in KI-Ausgaben anerkannt zu sehen. Eine narrative Untersuchung mit fünf Studierenden in einem einzigen Programm; ihr Beitrag liegt darin zu zeigen, dass KI-Nutzung, -begrenzung und -verweigerung damit verknüpft sind, wie Lernende sich selbst als Verfassende und als angehende Fachkräfte verstehen.

Das Ecological Co-Agency Framework: Handlungsfähigkeit als epistemisches Designproblem

Poudyal (2026) rahmt Handlungsfähigkeit der Lernenden neu als grundlegend ein epistemisches Anliegen: generative KI fügt nicht einfach ein Werkzeug hinzu, sondern weist epistemologische Autorität neu zu — die Fähigkeit, Wissen zu produzieren, Behauptungen zu validieren und Belege für Lernen zu schaffen —, von Lehrenden an Studierende an Maschinen. Das Ecological Co-Agency Framework des Papiers behandelt Co-Agency als die Beziehung zwischen drei interdependenten Dimensionen, alle begrenzt durch eine nicht verhandelbare Bedingung menschlicher epistemischer Rechenschaftspflicht:

  • Relationale Co-Agency — Handlungsfähigkeit als Produkt der Interaktion zwischen Studierendem, Werkzeug und Kontext, was eine transparente Aufteilung darüber erfordert, welche Aufgaben an KI delegiert und welche behalten werden, plus eine ethische Co-Agency, in der Menschen primäre Rechenschaftspflicht behalten und in einer überwachenden Rolle handeln.
  • Regulatorische Co-Agency — den selbstregulierten Lernzyklus (Vorbedacht, Ausführung, Reflexion) auf KI-Vermittlung abzubilden. Ob GenAI vor oder nach dem Versuch der lernenden Person eintritt, bestimmt, ob sie empfundene Kontrolle verstärkt oder erodiert; strategische kognitive Entlastung stützt transformatives Lernen nur, wenn die Entlastungsentscheidung absichtsvoll und nicht routiniert ist.
  • Pädagogische Co-Agency — Lehrende ins Zentrum zu stellen, entlang eines Kontinuums von Beobachten – Übernehmen – Kollaborieren – Innovieren, das von institutioneller Unterstützung abhängt, nicht von individueller Disposition.

Die Randbedingung des Frameworks verlangt Anfechtbarkeit (die Fähigkeit, KI-Ausgaben zu hinterfragen und gegenzuprüfen), Provenienz (zu wissen, wo Trainingsdaten und Ausgaben herkommen) und Nicht-Delegation moralischer und intellektueller Anerkennung (folgenschwere Urteile über Wohl der Studierenden, akademischen Status und Noten dürfen nicht allein durch KI bestimmt werden). Das gibt Lehrenden und politisch Verantwortlichen ein präziseres Vokabular an die Hand als das vage „Gleichgewicht“ zwischen menschlichen und künstlichen Beiträgen, und verbindet Handlungsfähigkeit mit Ethik, Assessment, Gerechtigkeit und Governance.

Eine eng verwandte Rahmung ist relationale epistemische Handlungsfähigkeit (Du & Yuan 2026), die zustimmt, dass Handlungsfähigkeit sozial ermöglicht und technologisch vermittelt ist und nicht eine Frage der Isolation von Abhängigkeit. Wo das Ecological Co-Agency Framework menschliche epistemische Rechenschaftspflicht als nicht verhandelbare Grenze betont, behalten Du und Yuan eine explizite Asymmetrie: KI-Systeme können Denken formen und erweitern, ohne reziproke Verantwortung oder legitime Autorität zu besitzen. Ihre sechs diagnostischen Kriterien — Anfechtbarkeit, Wiederherstellbarkeit, Transfer, Nachvollziehbarkeit, verteilte Verantwortung und epistemische Pluralität — liefern einen praktischen Test dafür, wann eine Mensch-KI-Beziehung die Fähigkeit der lernenden Person bewahrt, daran teilzuhaben, wie Behauptungen gebildet, bewertet und akzeptiert werden, und wann sie bloß ein Produkt liefert. Handlungsfähigkeit ist dieser Lesart nach nicht Unabhängigkeit von Werkzeugen, sondern die Fähigkeit, verantwortungsvoll mit, durch und gegen die Systeme zu urteilen, die Wissen vermitteln.

  • Delegierte Handlungsfähigkeit als Mechanismus, nicht nur als Risiko. Yan und Gašević (2026) behandeln die Delegation kognitiver Arbeit an KI als Teil davon, wie Lernen geschieht, und nicht bloß als Bedrohung dafür: In ihrem Account wird assistierte Leistung nur dann dauerhafte Fähigkeit, wenn die lernende Person die Verantwortung für das Rahmen des Problems, das Setzen von Kriterien und das Begründen von Antworten behält, eine Arbeitsteilung, die sie delegierte Handlungsfähigkeit nennen. Das macht die Zuteilung selbst zur Designvariable, da dasselbe Werkzeug Handlungsfähigkeit der Lernenden bewahren oder auflösen kann, je nachdem, welche Verantwortlichkeiten es absorbiert.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

ZielgruppeLearners
Lernen und UnterrichtLernmotivation, Selbstreguliertes Lernen
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzEthik
Grundlagen von KI in der BildungHandlungsfähigkeit der Lernenden, Kognitive Auslagerung, Mensch-KI-Zusammenarbeit
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.