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

KI-Avatare und synthetische Lehrkräfte

Erstellt 2026-11-04 · Aktualisiert 2026-11-04

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

KI-Avatare und synthetische Lehrkräfte — menschenähnlich wirkende KI-Systeme, die eine Lehrrolle einnehmen, sei es als aufgezeichnete Dozentin, als sprechender Tutor, als pädagogischer Agent, als simulierter Patient oder Studierender, als Rollenspielpartner oder als Prüfer. Die Kategorie wird durch ein Gesicht und eine Stimme definiert, die für eine Person einstehen, nicht durch eine einzelne Technologie. Diese Oberfläche macht die Systeme ansprechend, und hier konzentrieren sich auch ihre eigentümlichen Probleme: Vertrauen heftet sich an Identitätshinweise, Realismus folgt nicht der Wirksamkeit, und Lernende wissen möglicherweise nicht, dass ein Mensch simuliert wird.

Fragen zum Nachdenken

  • Wenn eine Vorlesungsaufzeichnung von einem Gesicht präsentiert wird, von dem Sie später erfahren, dass es aus dem Abbild Ihrer Lehrkraft synthetisiert wurde – was ändert sich für Sie: der Inhalt, Ihr Gefühl dafür, wer unterrichtet hat, oder gar nichts?
  • Ein simulierter Studierender, der flüssig, kooperativ und nie aus dem Konzept ist, lässt sich leicht ansprechen. Worauf hat Sie diese Übung vorbereitet, und was hat sie stillschweigend ausgelassen?
  • Würden Sie vor einer Begegnung wissen wollen, dass der Patient generiert wurde? Wie würde das nachträgliche Erfahren verändern, was Sie aus der Sitzung mitnehmen?
  • Was ist das größere Integritätsrisiko: eine lernende Person, die einen KI-Prüfer täuscht, oder ein KI-Prüfer, der eine lernende Person falsch liest?
  • Peer-Rollenspiel ist kostenlos, vertraut und sozial fordernd. Was müsste ein Avatar hinzufügen, damit Sie ihn stattdessen wählen?

Einführung

Ein KI-Avatar ist eine gerenderte oder animierte menschliche Repräsentation, die von einem Modell gesteuert wird; eine synthetische Lehrkraft ist diese Repräsentation in einer Lehrrolle. Beides ist nicht dasselbe wie ein Agent. Theelen et al. (2026) trennen Repräsentation von Handlungsfähigkeit der Lernenden: Der Avatar ist das, was eine Teilnehmerin sieht, während die Akteurin dahinter ein Peer, eine Simulationsspezialistin, ein Skript, ein regelbasiertes System oder ein LLM sein kann. Zwei identische virtuelle Studierende können daher völlig unterschiedliche Begegnungen bieten.

Diese Seite ist nach Rollen gegliedert: welche Rolle der synthetische Mensch einnimmt, welche Evidenz es dafür gibt und was die Oberfläche mit der Beziehung der Lernenden zum System macht. Die Literatur reicht von Vorlesungsvideo über Tutoring, klinische Simulation, Lehrproben, Rollenspiel bis Assessment.

Sechs Rollen, die ein synthetischer Mensch einnehmen kann

Lehrkraft auf dem Bildschirm. Eine geklonte Präsentationsfigur liefert aufgezeichnetes Video. In einem großen Online-Grundstudienkurs renderten Tomlinson et al. (2026) drei domänenzugeschnittene Varianten jedes Themas mit einem HeyGen-Avatar, der von der Lehrkraft geklont und vor Veröffentlichung geprüft wurde, und spielten sie ins LMS ein.

Tutor oder pädagogischer Agent. ELEVATE baut einen 3D-Avatar-Tutor, der vollständig auf lokaler Hardware läuft, mit einer lehrkraftseitigen Ebene, die Persona, Stimme, Haltung und Tempo steuert. ACLIME beschreibt dieselbe Rolle in immersiven Medien: ein Agent, der führt, fragt und erklärt.

Simulierter Patient oder Klient. SOPHIE 2.0 bietet 24 browserbasierte klinische Szenarien mit einem sprechenden Avatar-Patienten. Riachi et al. (2026) wenden das Muster auf Acceptance and Commitment Therapy an und bewerten die Treue von Auszubildenden Zug um Zug.

Simulierter Studierender. Hauk et al. (2026) gaben 21 Lehramtsstudierenden ein zehnminütiges Sprachgespräch mit „Marco", einem Schüler der Sekundarstufe I, der eine abwertende Bemerkung über Migranten macht.

Rollenspielpartner. REMind lässt Kinder einen Robotik-Avatar als Puppe führen, um Zivilcourage zu üben. ACLIME nennt dies den zweiten Interaktionsmodus: einen Agenten, der eine definierte Rolle für situierten Dialog hält.

Assessment-Gesprächspartner. Der SOPHIE-Judge bewertet Transkripte gegen eine Kommunikationsrubrik. Tamme et al. (2026) schlagen einen Sprachagenten vor, der Studierende zu einem Kurs interviewt, statt eine schriftliche Befragung durchzuführen.

Was die Evidenz stützt, Rolle für Rolle

Die Evidenz ist am stärksten, wo der synthetische Mensch ein Partner in der Praxis ist, und am schwächsten, wo er ein Stellvertreter für Lernen ist.

Für aufgezeichnete Instruktion ist das gemessene Ergebnis Präferenz, nicht Leistung. Über zwei Kursangebote und 493 Befragte hinweg übertrafen KI-generierte personalisierte Videos nicht personalisierte, von Menschen aufgezeichnete (mittlerer Rang 2,26 gegenüber 2,69, p < .001). Die am höchsten gerankte Bedingung – personalisiertes, von Menschen aufgezeichnetes Video – existierte nie, sodass dieses Ranking Erfahrung mit Vorstellung vermischt. Die Autorinnen und Autoren berichten objektive Lernoutcomes als ausstehend.(Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos)

Für Tutoring ist die Evidenz technische Machbarkeit. ELEVATE erreichte auf Consumer-Hardware etwa fünf bis sechs Sekunden bis zum ersten Ton, indem es Sprache streamte, was den größten Teil der wahrgenommenen Latenz verdeckte. Es wurde keine kontrollierte Nutzerstudie durchgeführt, sodass Effekte auf Lernen und Hilfesuche offenbleiben.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Für klinische Kommunikation ist die Evidenz am weitesten entwickelt und bleibt dennoch vor dem Transfer stehen. Der Judge von SOPHIE erreichte, allein Transkripte lesend, Pearson 0,759 und ICC(A,1) 0,746 gegen den Konsens menschlicher Raterinnen und Rater – innerhalb der Streuung einzelner Menschen statt außerhalb. In einer entfernten Studie mit 59 Klinikerinnen, Klinikern und Studierenden fanden 92% es ansprechend und 83% klinisch relevant. Die Scores stiegen zwischen zwei Begegnungen, aber ohne Kontrollarm lässt sich dieser Anstieg nicht dem Training zuschreiben.(Scalable AI-based clinical communication training and automated assessment)

Für simulierte Studierende betrifft die Evidenz die Interaktionsqualität statt Outcomes. Hauks Teilnehmende bewerteten den Dialog als klar funktional (M = 5,37) und nur mäßig authentisch (M = 3,71) – eine Aufspaltung, die die Transkripte mit 87,1% gegenüber 37,4% Abdeckung reproduzierten. Der Avatar trug die herausfordernde Arbeit mit 51,1% seines Textes, während Lehrkräfte ausführten und rechtfertigten. Einundzwanzig Freiwillige in einem Programm, eine Sitzung, kein Vergleich mit Live-Rollenspiel.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program)

Für Rollenspiel berichtet REMind einen signifikanten Zuwachs von vor zu nach in der wahrgenommenen Selbstwirksamkeit von Kindern, sich zu verteidigen, bei besser kalibrierten Überzeugungen dazu, ob Konfrontation einen Täter stoppt. Das sind 18 Kinder im Alter von neun bis zehn Jahren in einem Playtesting-Kontext, was Hoffnung stützt, nicht dauerhafte Verhaltensänderung.(Play-testing REMind: Evaluating an educational robot-mediated role-play game)

Für Assessment ist der SOPHIE-Judge das klarste Ergebnis und der Sprachinterviewer das schwächste. Tammes Vorschlag berichtet einen technischen Pilotversuch und Daten, die noch nicht formal analysiert wurden; jede Aussage darüber, was Sprache hervorruft, bleibt Hypothese.(Voice-Based AI Feedback in Higher Education: A Field Study on Quality and Actionability)

Vertrauen reist durch das Gesicht

Ein Gesicht ist kein neutraler Behälter für pädagogische Inhalte. In zwei Experimenten mit insgesamt 396 Teilnehmenden fanden Anthis und Kyriakidou-Zacharoudiou (2026), dass Identitätshinweise von Avataren sowohl die Bewertung als auch die tatsächliche Übernahme formten. Weiße Avatare und asiatisch männliche Avatare in MINT-Kontexten wurden als glaubwürdiger und kompetenter bewertet. Ältere schwarze weibliche Avatare trafen auf zusammengesetzte Nachteile in jedem Maß. Teilnehmende übernahmen Orientierung bereitwilliger von Avataren, die ihrer rassischen Eigengruppe oder ihrem Stereotyp von Expertise entsprachen.

Zwei Details machen daraus ein Designproblem. Die Domäne moderierte den Effekt: MINT- und prozedurale Aufgaben verstärkten den Bias, während reflexive und interpersonale Aufgaben ihn abschwächten. Und der Bias wirkte auf Verhalten, nicht nur auf geäußerte Einstellungen, was bedeutet, dass selbstberichtetes Vertrauen ihn verfehlt hätte. Die Autorinnen und Autoren empfehlen stilisierte oder weniger anthropomorphe Avatare, den Wechsel vielfältiger Avatare über Aufgaben hinweg und die Evaluation der Übernahme statt der Zufriedenheit.(Face value: How avatar identity shapes epistemic trust in AI-mediated learning)

Autorität kommt auch über den Körper. Die Designer von ELEVATE warnen, dass Körper und Stimme die Autorität eines Tutors verstärken. Sie empfehlen, dass der Avatar Unsicherheit signalisiert und zur Prüfung gegen Notizen oder Lehrbücher einlädt.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education) SOPHIE fügt eine Komplikation hinzu: Hinter demselben Avatar verlor ein Modell, das zuvor als menschenähnlicher beurteilt wurde, diesen Vorteil, und die Kommunikationsleistung war über Backends hinweg identisch (0,437 gegenüber 0,438). Menschenähnlichkeit gehörte zur Interaktion – Stimme, Latenz, Sprecherwechsel –, nicht zum Modell.(Scalable AI-based clinical communication training and automated assessment)

Die Gegenevidenz ist, dass Studierenden beigebracht werden kann, den menschlichen Rahmen zurückzuhalten, auch wenn ein Prompt ihn anbietet. Stillman et al. (2026) fragten 654 Schreibstudierende, ob sich der Chatbot wie ein Tutor, ein Kollaborateur oder etwas anderes anfühlt, und nur etwa die Hälfte (51,7%) wählte eine der anthropomorphen Optionen. Studierende nannten ihn ein Werkzeug oder ein Programm, verglichen ihn mit einem Roboter oder Computer oder erfanden Metaphern wie einen Feedback-Automaten, der Text gegen Daten ausgibt. Die Autorinnen und Autoren behandeln diese Zurückweisung des menschlichen Rahmens als das Ergebnis der Kompetenzbildung, was den Effekt auf die Instruktion datiert statt auf die Schnittstelle.

Präsenz, Realismus und das Unheimliche

Realismus ist keine Leiter. ACLIME behandelt behavioralen Realismus als entscheidenden Prädiktor für soziale Präsenz und warnt, dass höhere visuelle Treue das Unheimliche Tal riskiert, in dem ein fast menschlicher Agent plötzliche Ablehnung auslöst. Es beziffert auch den Zielkonflikt: Immersion und Agentenrealismus erhöhen die extrinsische kognitive Belastung, während Interaktion die intrinsische über kollektives Arbeitsgedächtnis senken kann. Die warnende Kernaussage ist deutlich – rund 42% der Nutzenden von VR-Headsets berichten Cybersickness, und Nachwirkungen reichen von etwa zehn Minuten bis zu mehreren Stunden.(Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME))

Praxisstudien stützen meist die bescheidene Version dieser Aussage. Hauks Autorinnen und Autoren lesen mäßige Authentizität als Passung der Treue zur Funktion. Eine dyadische, rein sprachliche Übung stabilisiert Routinen für Novizen, und Peerdynamik sowie nonverbale Hinweise können später ergänzt werden.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program) In SOPHIE fanden 47% der Teilnehmenden es weiterhin schwer, echte Empathie für einen KI-Patienten zu empfinden, obwohl 66% das Sprechen mit einem solchen als weniger stressig empfanden als mit einer Person.(Scalable AI-based clinical communication training and automated assessment)

Lernende wollen nicht einheitlich mehr Realismus. In der explorativen Studie von TriKoNet lehnten Studierende fotorealistische Repräsentation einstimmig ab. Sie nutzten einen modularen Designraum, um eigene Rollenkonzepte zu verfassen, statt eine gelieferte Persona zu übernehmen.(TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks) ELEVATE merkt an, dass Verkörperung für manche Lernende eine Barriere ist, etwa bei sensorischer Empfindlichkeit oder Unbehagen mit anthropomorphen Agenten, was die Avatar-Konfiguration zu einer Anforderung statt einer Vorliebe macht.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Einwilligung, Offenlegung und Deepfake-Risiko

In all diesen Berichten erscheint Offenlegung als Designentscheidung statt als gemessene Variable. Hauks Szenario lag am Rand von Hassrede, und seine Schutzmaßnahmen waren prozedural. Das Design umfasste Einführung, Moderationsleitlinien, kontinuierliche Beobachtung durch die Lehrkraft, eine Option zum sofortigen Abbruch, strukturiertes Debriefing und pseudonymisierte aggregierte Analyse.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program) Theelens Rahmen verlangt, dass Lernende und Lehrkräfteausbildende wissen, welche Teile einer Simulation von Menschen, Skripten oder KI gesteuert werden, und behandelt diese Transparenz als Bedingung verteidigungsfähiger Anpassung.(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI)

Die härtere Frage ist, ob das Simulieren einer Person selbst eine kleine Täuschung ist. Eine lernende Person, die glaubt, ein ringender Patient sei echt, investiert möglicherweise Fürsorge, die eine offengelegte Simulation nicht hervorriefe, und fühlt sich getäuscht, sobald sie es erfährt. Hauks mäßige Authentizitätswerte legen nahe, dass Teilnehmende über die Natur des Avatars nicht getäuscht waren; SOPHIEs Empathiebefund von 47% legt nahe, dass einige trotz Wissen engagiert waren. Keine der beiden Studien testet Offenlegung direkt.

Offenlegung hat auch eine Produktionsseite. Tomlinsons Pipeline klonte Abbild und Stimme der Lehrkraft. Eine Teilgruppe der Studierenden erhob grundsätzliche Einwände gegen GenKI – Umweltkosten, Arbeit, Automatisierung, Integrität –, die besseres Rendering nicht beantworten würde.(Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos) Die Einwilligung einer Lehrkraft, geklont zu werden, ist eine andere Frage als die Einwilligung einer lernenden Person, von dem Klon unterrichtet zu werden, und keine Studie hier misst eine von beiden.

Deepfake-Kompetenz ist die Kehrseite derselben Fähigkeit. In einer australischen Sekundarstufenstichprobe von 199 Studierenden hatten männliche Befragte signifikant häufiger Deepfake-Inhalte erstellt oder geteilt (23,2% gegenüber 10,0%). Die Autorinnen und Autoren plädieren für Sicherheitsbildung, die sich ausdrücklich an sie richtet.(Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement) Sobald eine Institution eine überzeugende Lehrkraft, einen überzeugenden Patienten oder eine überzeugende Studierende erzeugen kann, wird die Prüfung, wer spricht, zu einer Frage der Akademische Integrität ebenso wie der Kompetenz. Mündliche Verteidigungen und Prozessbelege, die die Autorinnen und Autoren von ELEVATE empfehlen, sobald On-Demand-Tutoring verfügbar ist, adressieren dasselbe zugrunde liegende Problem.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Der ehrliche Stand der Evidenz

Fast jede Studie hier ist klein und kurz. Hauk hat 21 Freiwillige und eine Sitzung. SOPHIE hat 59 Abschließende und keinen Kontrollarm. Die psychotherapeutische Evaluation hat zwei Psychologinnen, je etwa 90 Minuten. Der PBL-Pilot hat 26 Studierende und einen Fall. ACLIME und Theelen sind konzeptionelle Rahmen, und TriKoNets Basis sind acht Gruppen in einzelnen Sitzungen.(Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study)(Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars)(Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME))(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI)(TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks)

Die großen Stichproben betreffen Einstellungen und Präferenzen – 396 Teilnehmende zu Avatar-Identität, 493 Befragte zur Videopräferenz –, und beide sind Gelegenheits- oder Einzelkurspopulationen. Keine Studie in diesem Set zeigt, dass eine synthetische Lehrkraft besseres Lernen erzeugt als eine menschliche. Die verteidigungsfähige Aussage ist enger: Diese Systeme können eine Übungsbegegnung annähern, können in einer Domäne mit akzeptabler Übereinstimmung gegen menschliche Rater bewertet werden und können verschieben, wie Lernende die Quelle der Instruktion bewerten.

Diese Enge ist wichtig. Theelens Autorinnen und Autoren sagen es direkt: Flüssigkeit und ein Gefühl von Präsenz sind keine Validitätsbelege.(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI) Wie eine Lehrkraft zu klingen, nimmt die leichteste Hürde im Raum.

Verbreitete Fehlvorstellungen

„Ein realistischerer Avatar unterrichtet besser." Realismus und Wirksamkeit fielen auseinander, wo immer beides gemessen wurde. Die beiden Backends von SOPHIE erzeugten hinter demselben Avatar identische Kommunikationswerte, und die Studierenden von TriKoNet lehnten fotorealistische Personas rundheraus ab.

„Wenn der Avatar überzeugend ist, behandeln ihn Lernende wie eine Person." Medizinstudierende befragten einen GenKI-Patienten als durchsuchbare Fragenbasis, überwiegend mit geschlossenen Fragen, während sie die Erfahrung zugleich hoch bewerteten.(Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study) Überzeugung und Interaktionsstil sind getrennte Ergebnisse.

„Synthetische Lehrkräfte sind eine Technologie, also übertragen sich Befunde." Eine geklonte Dozentin, die auf Präferenz optimiert, ein Tutor, der auf Latenz optimiert, und ein Patient, der auf klinische Treue optimiert, sind verschiedene Artefakte mit verschiedenen Fehlermodi. Evidenz aus einer Rolle rechtfertigt keine Aussagen über eine andere.

„Das Aussehen des Avatars ist kosmetisch." Identitätshinweise veränderten Glaubwürdigkeitsurteile und die tatsächliche Übernahme von Orientierung, mit sich verstärkenden Nachteilen für ältere schwarze weibliche Avatare.(Face value: How avatar identity shapes epistemic trust in AI-mediated learning) Konfiguration ist eine pädagogische und eine Gerechtigkeitsentscheidung.

„Ein simulierter Patient ist ein standardisierter Patient minus der Kosten." Angehende Psychologinnen und Psychologen erlebten ihren virtuellen Patienten als kooperativ und therapeutisch bereits fortgeschritten – ein „idealer" Fall, der behaviorale Inflexibilität unterrepräsentiert.(Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars) Die Kosten sinken; die Fallvalidität folgt nicht automatisch.

Verbundene Konzepte

Verbundene Artikel

Metadaten

FachgebietMedical Education
NiveauHigher Ed, Teacher Education
ZielgruppeInstructors, Instructional Designers
Lernen und UnterrichtBerufliche Weiterbildung, Erfahrensorientiertes Lernen, Situiertes Lernen, Video in der Bildung
Technologien und VerfahrenGenerative KI, Große Sprachmodelle (LLMs), Pädagogische Agenten, Simulation, Simulation von Lernenden, Virtual und Augmented Reality, Konversationelle KI
Assessment und MessungAutomatisiertes Assessment, Validität von Assessments, Rückmeldung
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzVertrauen, Offenlegung der KI-Nutzung, Minderung von Bias, Inklusives Lernen
Grundlagen von KI in der BildungMensch-KI-Zusammenarbeit, Lehre, Akademische Integrität
QuelleVerlaufBearbeitenChat

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.