KI in der Bildung

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

KI in der Bildung (AIED): das breite, interdisziplinäre Feld, das künstliche Intelligenz auf Lehren und Lernen anwendet und ihr Design, ihren Einsatz, ihre Bewertung und ihre Folgen untersucht. Als Dachkonzept der Wissensbasis umfasst KI in der Bildung KI für die Bildung (KI nutzen, um Unterricht und Prüfen zu verbessern) und Bildung über KI (KI-Kompetenz und kritisches Verständnis aufbauen). Das Feld liegt an der Schnittstelle von Unterrichtstechnologie, Lernwissenschaften – dem empirischen Forschungsfeld, das fragt, ob sich ein Lernender verändert hat, und nicht nur, ob ein Werkzeug funktioniert hat –, Informatik, Bildungspolitik, Ethik und Gerechtigkeit. Diese Seite ist eine Einführung in das Feld und eine Karte zu jedem Konzept, das die Wissensbasis abdeckt.

Fragen zum Nachdenken

• „KI in der Bildung“ umfasst zwei Richtungen: KI für die Bildung (KI nutzen, um das Lehren zu verbessern) und Bildung über KI (Kompetenz und kritisches Verständnis aufbauen). Welche davon ist Ihnen vertrauter, und welche übersehen Sie eher?
• Die Geschichte des Feldes wird als wiederkehrende Spannung zwischen Kontrolle und der Handlungsfähigkeit der Lernenden erzählt. Wenn Sie beobachten, wie KI-Werkzeuge eingeführt werden: Wo sehen Sie dieselbe Spannung heute?
• KI in der Bildung liegt an der Schnittstelle von Technologie, Lernwissenschaft, Politik, Ethik und Gerechtigkeit. Welche dieser Perspektiven wenden Sie bei der Bewertung eines KI-Werkzeugs von sich aus an, und welche vergessen Sie eher?
• Diese Wissensbasis ordnet das Feld in Stränge: Pädagogik, Lerntheorien, Technologien, Fächer, Assessment, Feedback, Akteure und Governance. Wenn Sie Ihre eigene KI-Nutzung kartieren würden, in welchem Strang würden Sie sich wiederfinden?
• Zur AIED gehört es, Studierenden den kritischen Umgang mit KI als eigenes Ziel zu vermitteln. Ist KI in Ihrem Kontext eher ein Unterrichtsgegenstand oder ein Werkzeug, das man benutzt, und entspricht dieses Verhältnis dem, was Lernende wirklich brauchen?
• Studierende können KI-Kompetenz aufbauen, indem sie KI kritisch nutzen, und nicht nur, indem sie über KI lernen. Wie könnte ein praktischer, kritischer Umgang ein Verständnis fördern, das passive Vermittlung nicht erreichen kann?

Einführung

KI in der Bildung ist das Dachkonzept, das alle anderen Konzeptseiten gemeinsam definieren. Die Wissensbasis ordnet das Feld in die wichtigsten Stränge unten, die jeweils auf die einschlägigen Konzeptseiten verweisen.

Eine bahnbrechende historische Perspektive bietet Mishra et al., die die AIED von der Kybernetik und der Dartmouth-Konferenz von 1956 über kognitive Tutoren und Paperts Konstruktionismus nachzeichnen und argumentieren, dass die heutigen Debatten um generative KI die grundlegende Spannung des Feldes zwischen Kontrolle und Handlungsfähigkeit neu aufführen.

Wie die Wissensbasis aufgebaut ist: die Überblicksseiten

Die Konzeptabdeckung der Wissensbasis wird von mehreren Überblicksseiten getragen, die verwandte Konzepte zu navigierbaren Strängen bündeln. Sie sind gute Einstiegspunkte, um das Feld zu erkunden:

• KI in der Bildung: diese Seite, der Überblick über das Feld und die Karte zu allen Inhalten.
• KI-Kompetenz: die Überblicksseite für das Verstehen, Nutzen und kritische Bewerten von KI, von Prompt-Engineering über kritisches Denken und KI-Ethik bis zur verantwortungsvollen Nutzung. Daneben rahmen Mensch-KI-Zusammenarbeit und agentische KI, wie Menschen und KI zusammenarbeiten.
• Pädagogik und Lehrstrategien: die Überblicksseite dafür, wie Lehren geschieht: die Lehrmethoden und Strategien, in denen KI wirkt (aktives Lernen, kollaboratives Lernen, projektbasiertes Lernen, problembasiertes Lernen, erfahrungsbasiertes Lernen, spielbasiertes Lernen, sokratische Methode, Scaffolding und mehr), einschließlich des eigenen Kontexts Online-Lehre und -Lernen.
• Lerntheorien: die Überblicksseite dafür, wie Lernen geschieht: die theoretischen Rahmenwerke (Behaviorismus, Kognitivismus, Konstruktivismus, soziokulturell, kognitiv, motivational), die Design und Bewertung von KI prägen.
• Technologien: die Überblicksseite für die technische Ebene: die KI-Systeme (LLMs, generative KI, multimodale Modelle, Robotik) und Verfahren (RAG, Prompt-Engineering, bestärkendes Lernen, Modelltraining, agentische Orchestrierung), die die AIED antreiben. Die Familie der Lernendenmodellierung, also Knowledge Tracing, kognitive Diagnose, Simulation von Lernenden und die Systeme, die sie nutzen (intelligentes Tutoring, adaptives Lernen, personalisiertes Lernen), ist innerhalb dieses technischen Strangs unter der Überblicksseite Modellierung und adaptive Instruktion gebündelt.
• KI in den Fächern: die Überblicksseite dafür, wie KI in den einzelnen Fächern eingesetzt wird (Mathematik, Physik, Sprachenlernen, Informatik, Schreiben, STEM, Ingenieurwesen, Wirtschaft, Lehrkräftebildung, Gesundheitsberufe und mehr), darüber hinaus der berufsbezogene und angewandte Strang, der gezeigte Praxis statt Korrektheit bewertet (Pflege, Informationstechnik, berufliche Aus- und Weiterbildung, Designeducation) und die Bildungsstufen (K-12, Hochschulbildung, Erwachsenenbildung).
• Assessment (mit den Strängen formativ, summativ, authentisch und automatisiert): die Überblicksseite dafür, wie KI Lernende bewertet und zugleich die Validität und Integrität des Prüfens verändert.
• Feedback: die Überblicksseite dafür, wie Feedback erzeugt, vermittelt und genutzt wird: die Feedbackschleife, Feedback-Qualität, Feedback-Kompetenz und seine Prüfkontexte (formativ, Peer, automatisiert).
• Akteure in der KI-Bildung: die Überblicksseite dazu, wer die Beteiligten sind: Lernende, Lehrende, Lerndesignerinnen und -designer, Administration und Politik.
• Evaluation von KI in der Bildung und Forschungsmethoden: die Überblicksseiten dafür, wie wir wissen, ob KI wirkt: Wirksamkeitsstudien, Benchmarks, randomisierte kontrollierte Studien, Metaanalysen und Lernzuwächse als zentrales Ergebnismaß. Lesende sollten auch die übergreifenden Grenzen dieser Evidenz abwägen.
• KI-Governance, Bildungspolitik zur KI und Gerechtigkeit: die Überblicksseiten für die institutionelle, regulatorische und Gerechtigkeitsebene (siehe auch Regulierung und Datenschutz).

Auf diese Überblicksseiten wird in den Abschnitten unten an vielen Stellen verwiesen; jeder Strang unten nennt sowohl seine Überblicksseite als auch die zugehörigen Konzepte.

Zwei Dimensionen von KI in der Bildung

Die Forschung zu KI in der Bildung erstreckt sich über zwei miteinander verbundene Richtungen:

• KI für die Bildung: KI-Systeme nutzen, um Lehren, Lernen, Prüfen und Verwaltung zu verbessern. Dazu gehören KI-Tutoring, adaptives Lernen, personalisiertes Lernen, automatisierte Bewertung von Aufsätzen, automatisierte Fragengenerierung, automatisiertes Prüfen, formatives Prüfen, Learning Analytics und Feedbackschleifen.
• Bildung über KI: Lernenden und Lehrenden beibringen, KI zu verstehen, zu nutzen und kritisch zu bewerten. Der Kern ist KI-Kompetenz, gestützt auf Prompt-Engineering, kritisches Denken, KI-Ethik, Governance-Bildung, digitale Kompetenz und verantwortungsvollen Umgang.

Diese beiden Dimensionen sind nicht getrennt: KI gut zu nutzen setzt voraus, sie zu verstehen, und der Unterricht über KI gewinnt dadurch, dass KI selbst genutzt wird. Diese Mensch-KI-Zusammenarbeit ist ein zentrales Thema.

Grundlagen von KI in der Bildung

Die übergreifenden und grundlegenden Konzepte des Feldes verankern die Inhalte der Wissensbasis und erscheinen in der Seitenleiste zuerst. Sie beginnen mit einer Gruppe Grundlagen – den Konzepten, mit denen jede Leserin und jeder Leser anfangen sollte: die Überblicksseite selbst, Missverständnisse über KI, KI-Kompetenz, agentische KI, kognitive Entlastung, wie die KI-Nutzung für Studierende eingeordnet wird, Missbrauch reduzieren, akademische Integrität, Lehre, Lerndesign und Lehr- und Curriculumsentwicklung. Der Strang Feld behandelt dann die Geschichte des Feldes, die übergreifenden Grenzen der Evidenzbasis, seine Philosophie, die Karte der Theorien und Rahmenwerke und Theorieentwicklung. Die übergreifenden Themen, nämlich Mensch-KI-Zusammenarbeit, Handlungsfähigkeit der Lernenden, Identität der Lernenden, Design Thinking, Curriculum-Design, kritisches Denken und computational thinking, durchziehen jeden Strang, weil die ungenauen mentalen Modelle, die Menschen von KI haben, Missbrauch und schlecht kalibriertem Vertrauen vorgelagert sind.

Lernen und Unterricht

Wie KI Lehren und Lernen unterstützt, ist das Herzstück des Feldes. Zentrale Konzepte sind:

• Kernpädagogiken: Pädagogiken und Lehrstrategien, die Überblicksseite für die Lehrmethoden der Wissensbasis, zusammen mit aktivem Lernen, kollaborativem Lernen, Gruppenarbeit, projektbasiertem Lernen, problembasiertem Lernen, produktivem Scheitern, forschendem Lernen, erfahrungsbasiertem Lernen, spielbasiertem Lernen, Lernen durch Lehren, Scaffolding, der sokratischen Methode, kritischer Pädagogik, pädagogischen Partnerschaften, Storytelling, Lerndesign, Online-Lehre und -Lernen und Video in der Bildung.
• Lerntheorien und -prozesse: Die Überblicksseite Lerntheorien (Behaviorismus, Kognitivismus, Konstruktivismus, soziokulturell, verteilte Kognition, situiertes Lernen, verkörpertes Lernen, Community of Inquiry) steht neben lernendenseitigen Prozessen wie selbstreguliertem Lernen, Selbstbestimmungstheorie, Motivation, Selbstwirksamkeit, selbstgesteuertem Lernen, Metakognition, wünschenswerten Schwierigkeiten, Lerntransfer, Vorwissen, kognitivem Engagement nach ICAP, Refutationstexten, Abruf, Spacing und Interleaving und Aktivitätstheorie.
• Engagement und Erleben der Lernenden: studentisches Engagement, Hilfesuche, sozial-emotionales Lernen, Wohlbefinden, Kreativität, Problemlösen, Mastery Learning und Interaktion zwischen Studierenden und KI prägen, wie Lernende KI tatsächlich begegnen und von ihr beeinflusst werden.

Technologien und Verfahren

Die Seite Technologien ist die Überblicksseite für die technische Ebene:

• Modelle und Verfahren: generative KI, große Sprachmodelle, retrieval-augmented generation, multimodale Modelle, NLP in der Bildung, bestärkendes Lernen, Wissensgraphen, Robotik in der Bildung, konversationelle KI, Simulation und das Training pädagogischer LLMs. Auch die zugrunde liegenden Verfahren zählen: maschinelles Lernen ist der Ort, an dem diese Systeme entstehen, Sprach- und Stimmtechnologien tragen gesprochenes Tutoring und Sprachpraxis, Visualisierung umfasst Dashboards und visuelle Analytik für Lernende und Lehrende, und Virtual und Augmented Reality beherbergt immersive Übungsumgebungen, deren visuelle Ebene das Modell heute selbst erzeugen kann. Auch neuere Interaktionsformen gehören hierher, allen voran Vibe Coding, der Ablauf in natürlicher Sprache, in dem die nutzende Person ein Programm beschreibt, indem sie ein LLM anweist, und das daraus resultierende Verhalten beurteilt, statt Quellcode zu lesen oder zu bearbeiten; das ordnet Programmieren als Akt des Ausdrucks und der Überprüfung neu und senkt die Hürde für Endnutzende, eigene Werkzeuge zu bauen. Rahmenwerke zur Integrationstiefe wie SAMR und Adoptionstheorien wie TAM ordnen ein, wie tiefgreifend KI übernommen wird und wie stark sie die Aufgabe verändert.
• Lernendenmodellierung und adaptive Systeme: Die technischen Systeme, die Lernende repräsentieren und sich an sie anpassen, sind unter der Überblicksseite Modellierung und adaptive Instruktion gebündelt: Knowledge Tracing, kognitive Diagnose, Simulation von Lernenden, intelligentes Tutoring, adaptives Lernen, personalisiertes Lernen, Empfehlungssysteme und Lernpfade, pädagogische Agenten, affektives Tutoring, affective computing, Human-in-the-Loop-KI und Learning Analytics. Sie gehören zur technischen Ebene, weil sie die KI-Systeme selbst sind und sich von den Pädagogiken unterscheiden, die sie umsetzen.

KI in den Fächern

KI wird in vielen Fächern und auf vielen Bildungsstufen eingesetzt. Der Überblick über die AIED in den Fächern in dieser Wissensbasis kartiert die Abdeckung nach Fächern, ergänzt um die Lernwissenschaften, die kein Unterrichtsfach sind, sondern das übergreifende Forschungsfeld, das Lernen selbst untersucht und den Fachinhalt als eine Variable unter anderen behandelt:

• Fächer: Mathematik, Physik, Chemie, Biologie, Informatik, Ingenieurwesen, STEM, Schreiben, Sprachenlernen, Englischunterricht (EAP/EFL/ESL), Naturwissenschaften, Wirtschaft, Ökonomie und Management, Geistes- und Sozialwissenschaften, Kunst, Design und Medien, Medizin- und Gesundheitsberufe, Rechtswissenschaften sowie die berufsbezogenen und angewandten Stränge: Pflege, Informationstechnik, berufliche Aus- und Weiterbildung und Designeducation.

Bildungsstufen und Kontexte

Dasselbe KI-Werkzeug trifft auf sehr unterschiedliche Umgebungen, und die Wissensbasis trennt die Bildungsstufe von der Pädagogik, damit Ergebnisse nicht stillschweigend zwischen ihnen übertragen werden: K-12-Schulen, frühe Kindheit und Grundschule, Hochschulbildung, Erwachsenenbildung, berufliche Aus- und Weiterbildung, Sonderpädagogik und Lehrkräftebildung. Fachnahe Konzepte, die die Stufen übergreifen, sind Universal Design for Learning, Neurodiversität, mehrsprachiges Lernen und sozial-emotionales Lernen.

Assessment und Messung

KI verändert sowohl die Art, wie wir Lernende bewerten, als auch die Art, wie wir KI-Systeme selbst bewerten:

• Assessment und Feedback: Assessment, formatives Prüfen, summatives Prüfen, authentisches Prüfen, E-Portfolio, Feedback und Feedback-Kompetenz, Qualität von KI-Feedback, Peer-Bewertung, automatisiertes Prüfen, automatisierte Bewertung von Aufsätzen und automatisierte Fragengenerierung. Weil ein Modell heute auf Abruf plausibel fertige Arbeit erzeugen kann, rückt die Wissensbasis die Fähigkeit in den Vordergrund, die bei den Lernenden selbst bleibt: das evaluative Urteilsvermögen, die Fähigkeit, die Qualität der eigenen Arbeit, der Arbeit von Mitstudierenden und der Ausgaben von KI an begründeten Kriterien zu messen. Es ist das Konstrukt, auf das mehrere Studien zu Feedback und zu authentischem Prüfen zulaufen – die hybride Feedbackbedingung, die in einem Experiment an mehreren Standorten direktes KI-Feedback übertrifft, die Nachhaltigkeitslücke bei formativem KI-Feedback und der praktische Schritt, die Entscheidungen der Studierenden zu bewerten statt nur das Artefakt –, und es ist ein wesentlicher Grund dafür, dass die Neugestaltung im KI-Zeitalter von der Detektion zu Aufgaben übergeht, deren Integrität auch einer genaueren Prüfung standhält. Gruppenarbeit wird ebenfalls entlang von Prozess und Produkt bewertet, wobei Teams aushandeln müssen, wessen KI-Nutzung und welche Art von KI-Nutzung als akzeptabel gilt.
• Messung und Validität: Validität von Assessments, psychometrisch bewusste KI, Bildungsmessung, Item-Response-Theorie, Selbstauskunftsmaße (das Instrument hinter einem großen Teil dieser Evidenz und eine wiederkehrende Einschränkung), KI-Detektion, Fernaufsicht bei Prüfungen und akademische Integrität.

Forschungsmethoden und Evaluation

Wie wir wissen, ob KI wirkt, ist ein eigener Strang, und die Wissensbasis behandelt ihn als solchen:

• Forschungsmethoden: Forschungsmethoden in der AIED als Überblicksseite, mit qualitativen, quantitativen, Mixed-Methods-, designbasierten und Usability-Ansätzen, dazu randomisierte kontrollierte Studien, Metaanalysen und systematische Reviews und Netzwerkanalyse.
• Evaluation von KI-Systemen: die Evaluation von KI in der Bildung und Benchmarks, um die Leistungsfähigkeit eines Systems zu beurteilen, mit Lernzuwächsen als dem entscheidenden Ergebnis, sowie die übergreifenden Grenzen dieser Evidenz und wie man eine einzelne Studie liest als mahnendes Gegengewicht.

Akteure

KI in der Bildung verändert die Rollen aller Beteiligten. Die Seite Akteure in der KI-Bildung in dieser Wissensbasis ist die Überblicksseite, die sie alle abdeckt:

• Lernende: das Erleben der Studierenden, Berufsvorbereitung und Berufsfähigkeit und KI-Angst und Stress prägen, wie Studierende KI begegnen.
• Familien und Gemeinschaften: Eltern und Familien sind die Gruppe, die Schulen am häufigsten über KI ansprechen, und diejenige, für die es die wenigsten Forschungsbelege hinter der Orientierung gibt; ihre Sorgen gehören daher ins Bild der Akteure und nicht daneben.
• Lehrende und Lehrrahmenwerke: KI-Kompetenz von Lehrkräften, technological pedagogical content knowledge (TPACK), SAMR und Lehr- und Curriculumsentwicklung betreffen die Vorbereitung und Unterstützung von Lehrenden.
• Entwicklerinnen und Entwickler: für die Bildung entwickeln, also Produktdesignerinnen und Produktdesigner, Softwareentwicklerinnen und -entwickler, Learning Engineers und Analytics-Designer, die eine Modellfähigkeit in etwas verwandeln, das eine Einrichtung beschaffen kann. Sie sind eine eigene Zielgruppe gegenüber den oben genannten Praktikerinnen, Praktikern und der Administration, und sie stehen außerhalb der Einrichtungen, die ihre Werkzeuge einsetzen; deshalb erscheinen Voreinstellungen, Ko-Design und die Pflege nach Ende der Förderung in dieser Wissensbasis als pädagogische und nicht als kommerzielle Fragen.

Institutionen und Politik

Die institutionelle Ebene ist der Ort, an dem KI-Entscheidungen tatsächlich getroffen und verteidigt werden: Administration und Leitung von Einrichtungen, Bildungspolitik zur KI, KI-Governance, Change-Management als die Arbeit, eine Einführung dauerhaft zu verankern, KI-Regulierung sowie die Beschaffungs- und Plattformfragen, die aus Technologieakzeptanz, Open Source und Edtech-Plattformen folgen, daneben berufliches und lebenslanges Lernen und berufliche Weiterbildung.

Gerechtigkeit, Ethik und verantwortungsvoller Einsatz

Fairness, Zugang und Verantwortung sind zentral für KI in der Bildung:

• Gerechtigkeit und Zugang: Gerechtigkeit, unterschiedliche Effekte zwischen Gruppen von Lernenden (die Frage, für wen ein Befund gilt), digitale Kluft, Bias-Minderung, kulturell relevante Pädagogik, mehrsprachiges Lernen, inklusives Lernen, Barrierefreiheit, assistive Technologien, Neurodiversität, Universal Design for Learning und Studien zum Globalen Süden.
• Ethik und Verantwortung: KI-Ethik, KI-Missbrauch und Lernschaden, rechtliche Fragen und Risiken, Offenlegung der KI-Nutzung, Leitplanken, Datenschutz, Halluzinationsrisiko, KI-Sykophantie, Vertrauen, Vertrauenskalibrierung, Missbrauch reduzieren, wie die KI-Nutzung für Studierende eingeordnet wird, pädagogische Sicherheit, Nachhaltigkeit und kognitive Entlastung.

Ein systematischer Review der Ethikliteratur des Feldes (Agarwal et al. 2026, 25 Artikel) bündelt die Ethik der AIED in sechs zentralen ethischen Werten, nämlich Nichtdiskriminierung, Datenverantwortung, menschliche Aufsicht, Wohlwollen, Erklärbarkeit und pädagogische Angemessenheit, und ordnet die ethischen Normen in einer Matrix aus Akteuren und Werten. Er zeigt, dass Endnutzende in der Ethikliteratur weitgehend passiv bleiben (Studierendenstimmen fehlen praktisch völlig), und fordert, Ethik in das Design von AIED zu integrieren und die pädagogische Dimension der AIED-Ethik stärker zu berücksichtigen.

Neue und übergreifende Themen

Mehrere Themen durchziehen das Feld:

• Vertrauen und kritischer Umgang: Vertrauen, Vertrauenskalibrierung, KI-Sykophantie, kritisches Denken, kognitive Entlastung, kritische Pädagogik und Missbrauch reduzieren (siehe auch wie die KI-Nutzung für Studierende eingeordnet wird). Wie Lernende und Lehrende entscheiden, KI zu übernehmen und sich auf sie zu verlassen, modelliert die Technologieakzeptanzforschung, während Studien zum Globalen Süden Gerechtigkeit und kulturellen Kontext bei der Übernahme in den Vordergrund stellen. Empirisch prägt die Art, wie KI sich selbst erklärt, dieses Vertrauen: Feldman-Maggor et al. (2025) zeigten, dass erklärbare KI das Vertrauen von Lehrkräften in KI-Empfehlungen über Verständlichkeit aufbaut, wobei fachlich begründete Erklärungen in der Sprache des Curriculums mehr Vertrauen und Akzeptanz finden als datengetriebene Ausgaben zur Merkmalswichtigkeit.
• Die Entwicklung des Feldes: Die Wissensbasis zeichnet KI in der Bildung von frühen intelligenten Tutorensystemen und Knowledge Tracing bis zu LLM-getriebenem Tutoring, Agenten und agentischer KI nach, ein schneller Wandel von werkzeugzentrierten Studien zu soziotechnischen Rahmenwerken (Design Thinking, Curriculum-Design, institutioneller Wandel) und von handgeschriebenen Systemen zu nutzergesteuerten Abläufen, in denen eine lernende Person oder eine nicht programmierende Lehrkraft das Verhalten in natürlicher Sprache beschreibt (Vibe Coding). Rismanchian & Doroudi formalisieren diesen Verlauf mit ihrem AI×Ed-Rahmenwerk und verfolgen Beiträge über vier Jahrzehnte von Tagungsbänden, um zu zeigen, dass sich das Feld von einer vielfältigen Mischung, darunter substanzielle Forschung, die KI als Analogie zu menschlicher Intelligenz und menschlichem Lernen behandelt, hin zu einer nahezu ausschließlichen Konzentration auf angewandte, datengetriebene und an Forschende gerichtete Nutzungen bewegt hat, eine Wendung, die der Aufstieg von LLMs heute teilweise umzukehren scheint (drei der vier Beiträge zur „KI als Analogie“ auf der AIED 2024 beruhten auf LLMs).
• Emotionen, Angst und berufliche Zukunft: KI ruft emotionale Reaktionen hervor und prägt sie, etwa KI-Angst und Stress, von Prüfungsaufsicht über Sorgen um Integrität bis zu beruflicher Verdrängung, während Berufsvorbereitung und Berufsfähigkeit behandelt, wie Bildung Lernende auf einen durch KI veränderten Arbeitsmarkt vorbereitet (siehe auch Wohlbefinden).

Reife des Feldes

Die Wissensbasis spiegelt ein Feld in rascher Entwicklung: von frühen intelligenten Tutorensystemen zu LLM-getriebenem Tutoring und agentischer KI, von Werkzeugen für akademische Integrität mit Fokus auf Detektion zur Neugestaltung des Prüfens, von werkzeugzentrierten Studien zu soziotechnischen und gerechtigkeitsorientierten Rahmenwerken. Die Evidenzbasis betont zunehmend rigorose Forschungsmethoden, Evaluation, experimentelle Designs und langfristige Ergebnisse.

Verbindungen

KI in der Bildung ist mit jedem Konzept der Wissensbasis verbunden: Sie ist das Feld, das alle anderen Konzeptseiten gemeinsam definieren. Nutzen Sie diese Seite als Ausgangspunkt, um sich in der gesamten Wissensbasis zurechtzufinden.

Verbundene Konzepte

• AI Literacy – Überblicksseite: KI verstehen, nutzen und bewerten
• Human AI Collaboration – Überblicksseite: wie Menschen und KI zusammenarbeiten
• Pedagogies and Teaching Strategies – Überblicksseite: Lehrmethoden und Strategien
• Learning Theories – Überblicksseite: wie Lernen geschieht
• Technologies – Überblicksseite: Modelle, Verfahren und Systeme
• AIEd in the Disciplines – Überblicksseite: KI in den Fächern und auf den Bildungsstufen
• Assessment – Überblicksseite: wie KI Lernende bewertet und Validität verändert
• Feedback – Überblicksseite: wie Feedback erzeugt, vermittelt und genutzt wird
• Stakeholders – Überblicksseite: wer die Akteure sind
• Learners – Überblicksseite: die Konzepte auf der Seite der Lernenden (Erleben, Identität, Handlungsfähigkeit, Interaktion, Lernendenmodelle)
• AI Ed Evaluation – Überblicksseite: wie wir wissen, ob KI wirkt
• Research Methods in AIED – Überblicksseite: Methoden der Wirksamkeitsforschung
• AI Governance – Überblicksseite: die institutionelle und regulatorische Ebene
• Educational AI Policy – Überblicksseite: Politik, Orientierung und Umsetzung
• Equity – Überblicksseite: Fairness, Zugang und Inklusion
• Learning Sciences – das empirische Feld hinter der AIED
• Ethics – die ethischen Dimensionen von KI in der Bildung
• Misconceptions about AI – die mentalen Modelle, mit denen Menschen an KI herangehen
• Interpreting and Applying AIEd Research – eine Studie lesen und einen Befund in die Praxis übertragen
• Limitations in AIEd Research – übergreifende Grenzen der Evidenzbasis
• Meta-Analysis and Systematic Review – was Reviews und Metaanalysen belegen
• History of AI in Education – wie sich das Feld entwickelt hat
• Philosophy of AI in Education – die philosophischen Grundlagen
• Theories and Frameworks – die Karte der Theorie- und Rahmenwerk-Knoten
• Theory Development in AI in Education – Theorie aufbauen und überarbeiten

Verbundene Artikel

Feldweite Reviews zu KI in der Bildung, also Studien, die das gesamte Feld oder eine ganze Bildungsstufe untersuchen statt ein einzelnes Thema:

• Typology of Generative AI Tools for Education – Typology of Generative AI Tools for Education
• Review of Artificial Intelligence in Education from 2020 to 2025 – Review of Artificial Intelligence in Education from 2020 to 2025
• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework – The evolution of AI-and-education research across four decades (AIxEd framework)
• Control vs. Agency: Exploring the History of AI in Education – Control vs. agency: a history of AI in education
• A systematic review of generative AI in education: Empirical insights from a human–AI interaction perspective – Generative AI in education: systematic review of 56 empirical studies
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) – Generative AI in higher education: systematic review of 125 studies
• The Evidence Base on AI in K-12: A 2026 Review – The evidence base on AI in K-12: a review of 818 papers
• Preparing Learners and Teachers for an AI-Driven Future: Emerging Trends, Pedagogical Challenges, and Critical Perspectives in Pre-University AI Education: A Systematic Literature Review – Pre-university AI education: systematic literature review of 42 studies
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches – Generative AI and educational outcomes: comprehensive meta-analysis
• Building AI Companions that Prioritize Learning over Performance – a research agenda for AI companions built around learning rather than performance