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-Kompetenz

Erstellt 2026-05-07 · Aktualisiert 2026-10-10

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

KI-Kompetenz (AI Literacy) — das Wissen, die Fähigkeiten und die kritischen Haltungen, die nötig sind, um KI-Technologien in Bildungskontexten zu verstehen, zu bewerten und wirksam zu nutzen. KI-Kompetenz umfasst grundlegendes Verständnis dafür, wie KI funktioniert, praktische Kompetenz im Umgang mit KI-Werkzeugen, kritische Bewertung von KI-Ausgaben und ethisches Bewusstsein für die gesellschaftlichen Folgen von KI.

Fragen zum Nachdenken

  • Was bedeutet es, „KI-kompetent" zu sein? Heißt das, die Werkzeuge zu kennen, zu verstehen, wie sie funktionieren, oder ihre Ausgaben kritisch bewerten zu können — und was ist für Ihre eigenen Ziele am wichtigsten?
  • Die selbst eingeschätzte KI-Kompetenz weicht stark von der gemessenen Leistung ab — Lehrkräfte überschätzen ihre Fähigkeiten um etwa 40%. Wie zuversichtlich sind Sie in Ihren eigenen KI-Fähigkeiten, und welchem Beleg würden Sie trauen, um dieses Vertrauen tatsächlich zu prüfen?
  • KI-Kompetenz wird als metakognitive soziale Praxis beschrieben, nicht als Checkliste von Fähigkeiten. Was bedeutet es angesichts dessen, dass LLMs probabilistisch und opak sind, Ausgaben „kritisch zu bewerten", wenn man nicht in das Modell hineinsehen kann?
  • Es gibt eine Spannung zwischen kritischer Nutzungskompetenz für akademische Settings und der Kompetenz zur Integration in Arbeitsabläufe für die Beschäftigung — Bildungspersonal und Arbeitgeber schätzen unterschiedliche Fähigkeiten. Welche Art von KI-Kompetenz vermittelt Ihr Kontext tatsächlich?
  • Technisches KI-Kompetenztraining allein, ohne Unterstützung bei Selbstwirksamkeit und Selbstregulation, kann die Abhängigkeit von KI tatsächlich erhöhen. Wie könnte es kommen, dass der Umgang mit KI Sie abhängiger macht statt fähiger?
  • KI-Kompetenz ist auch eine Erkennensfähigkeit: zu bemerken, wann eine KI Ihnen zustimmt, weil sie sykophant ist, und wann, weil Sie recht haben. Haben Sie schon einmal erlebt, dass eine KI Ihnen nur sagte, was Sie hören wollten?

Einführung

KI-Kompetenz ist rasch zu einer Kernkompetenz für Lernende, Bildungspersonal und Institutionen geworden, seit generative KI in der Bildung verankert ist. Anders als allgemeine digitale Kompetenz erfordert KI-Kompetenz das Verständnis probabilistischer Systeme, die halluzinieren können, Bias aufweisen und Handlungsfähigkeit vom Menschen auf die Maschine verlagern — was kritisches Denken und Überabhängigkeit zentral für das Konstrukt macht.

Dimensionen von KI-Kompetenz

Die Forschung zu KI-Kompetenz in dieser Wissensbasis erstreckt sich über vier miteinander verbundene Dimensionen:

Rahmenwerke zeichnen zunehmend nach, wie diese Dimensionen in der Praxis umgesetzt werden: Dai & Chan (2026) zeigen, wie Promovierende und Promotionsforschende alle vier Dimensionen umsetzen, wenn sie generative KI über den Forschungsarbeitsablauf hinweg nutzen, und leiten daraus fachspezifische Leitlinien für verantwortungsvolle Nutzung ab, während Şan & Orhan Karsak (2026) mit Word-Association-Mapping zeigen, dass das KI-Verständnis türkischer Studierender instrumentell von „Black Box" dominiert ist, wobei ethische Governance-Konzepte strukturell isoliert sind (τ=−0.819) — ein Beleg dafür, dass das Design von Anrechnungen erfahrungsbasierte Werkzeugnutzung und ethische Rahmenwerke bewusst verbinden muss.

Die Anforderung hängt davon ab, was Lernende und System gemeinsam tun. Kompetenzrahmenwerke beschreiben meist einen generischen Satz von Kompetenzen, aber was eine GenAI-gestützte Aktivität tatsächlich erfordert, variiert damit, wie epistemische Arbeit in ihr verteilt ist. Sun, Dohn und Rehm (2026) klassifizierten 102 empirische Hochschulstudien anhand der Taxonomie von Strobel et al. für GenAI-Anwendungen und fanden, dass Assistant- und Enabler-Verschränkungen mit je 42.16% des Korpus dominieren, während Generator, Reimaginator und Synthesizer zusammen weniger als ein Fünftel ausmachten — eine Schieflage, die sie institutioneller Legitimität und nicht der Modellfähigkeit zuschreiben, da dieselben Modelle alle fünf unterstützen. Jeden Typ durch Dohns drei Kontextebenen gelesen (domänenintern, aktivitätsintern, aktivitätsrahmend) zeigt, dass sich die Anforderungen für Assistant-Arbeit verdichten und für die marginalen Typen aufspalten, wo das, was die Aktivität von Studierenden verlangt, von dem abweicht, was die Institution als legitime Kompetenz anerkennt. Ihre Schlussfolgerung rückt Kompetenz insgesamt von Werkzeugflüssigkeit ab: GenAI-Kompetenz ist die Fähigkeit zu erkennen, wie epistemische Arbeit und Verantwortung in einer gegebenen Verschränkung verteilt sind, und angemessen darin zu handeln.

Grundlegendes Wissen: Verstehen, was LLMs sind, wie sie sich von regelbasierten Systemen unterscheiden, und was ihre grundlegenden Grenzen sind. Dazu gehört das Bewusstsein für Modellfähigkeiten, Verzerrungen in den Trainingsdaten und den Unterschied zwischen aufgabenspezifischer und allgemein einsetzbarer KI. Die Forschung im Prompt Engineering untersucht, wie das Verständnis von Prompt-Mechanismen die wirksame KI-Nutzung beeinflusst.

Praktische Kompetenz: Die Fähigkeit, KI-Werkzeuge wirksam zu nutzen — von Prompt Engineering bis zur Interpretation von Ausgaben. Studien zu GenAI-Nutzungsmustern von Studierenden zeigen, dass bloßer Werkzeugzugang keine Kompetenz erzeugt; strukturierte Übung und Scaffolding sind unerlässlich. Das Vibe-Coding-Rahmenwerk zeigt, wie Lehrkräfte im K-12-Bereich praktische KI-Kompetenz durch angeleitetes Werkzeugerschaffen entwickeln können. Miles, Haber-Curran und Arar (2026) argumentieren, dass diese Dimension einen Teil hat, den Optimierungstraining verfehlt: Prompt-Kompetenz (prompt literacy), im Unterschied zu Prompt Engineering, behandelt Prompting als rhetorischen und ethischen Akt, sodass Unterricht, der nur Ausgaben für bessere Leistung optimiert, die ethischen und erkenntnistheoretischen Dimensionen der LLM-Nutzung unberührt lässt.

Kritische Bewertung: Die Fähigkeit, KI-Ausgaben auf Richtigkeit, Bias und Angemessenheit hin zu beurteilen. Forschung zur Bewertung von Kompetenz zeigt eine 40%-ige Lücke zwischen selbst berichteter und leistungsbasierter KI-Kompetenz — Menschen überschätzen ihre Bewertungsfähigkeiten durchgängig. Diese Divergenz ist der deutlichste Fall in der Wissensbasis, in dem ein Selbstauskunftsmaß die Kompetenz, die es benennt, nicht abbildet. Das verbindet sich mit der Forschung zu Überabhängigkeit, die zeigt, dass Studierende, die KI unkritisch vertrauen, weniger lernen. Jüngere konzeptuelle Arbeit verschiebt die Bewertung hin zur Verifikation: das PEARLS-Rahmenwerk (Wang) behandelt die KI-Ausgabe als vorläufigen Wissensanspruch, dessen Berechtigung über sechs Dimensionen hinweg zusammengesetzt und geprüft werden muss (Process, Evidence, Access, Reproducibility, Legitimacy, Source), und führt verifikationsgetriebenes Lernen (verification-driven learning) als den Mechanismus ein, durch den Lernende Expertise aufbauen, während sie KI-Ansprüche prüfen. Ergänzend dazu bietet das studierendenzentrierte Rahmenwerk für verantwortungsvolle Nutzung (Alsammani) zehn an Studierende gerichtete Leitlinien über die Säulen Learning and Growth, Ethics and Integrity sowie Awareness and Safety, die metakognitive Prompts am Entscheidungspunkt externalisieren. Für Lernende der Sekundarstufe verankert das AI-Assisted Research Competency (AARC)-Rahmenwerk (Beau, Flaquière & Lazar 2026) dies in Tugenderkenntnistheorie und KI-Intuition und definiert Forschungskompetenz als Forschen mit KI, ohne Autorschaft, Urteil, Verifikation oder Verantwortung aufzugeben — operationalisiert als analytische Rubrik und als verify–cite–reflect-Verpflichtungsroutine. Am Assessment-Ende schlägt Saleh (2026) einen human capability test vor, der Bewertung in ein Designprinzip verwandelt: fragen Sie, was ein Lernender eigenständig vorzeigen muss, was durch KI-Anreicherung gestärkt werden kann, und was der Lernende verifizieren, verteidigen und verantworten muss.

Verifikation im Fach erhöht die Latte weiter. Vega-Baudrit und Rivera Alvarez (2026) argumentieren, dass in der universitären Chemie die zentrale Anforderung an KI-Kompetenz die repräsentationale Übersetzung über Johnstones makroskopische, submikroskopische und symbolische Domänen hinweg ist, weil eine Ausgabe in einer Domäne lokal überzeugend sein kann, während sie in einer anderen der Ladungsbilanz, einem Mechanismus oder einer Sicherheitsgrenze widerspricht. Ihr Gegenmittel ist verifikationszentrierte Integration: Verifikation zu einer bewerteten Aktivität machen, Prompt-Protokolle und Revisionshistorien als Begründungsspuren behalten und Prompting als epistemischen Akt behandeln, der Randbedingungen, Annahmen und Adäquatheitskriterien festlegt, wobei Studierende eine falsche Annahme identifizieren oder die Ablehnung einer generierten Antwort begründen.

Ethisches und institutionelles Bewusstsein: Die weiteren Folgen von KI verstehen — von akademischer Integrität über Gerechtigkeit bis zu Datenschutz. KI-Kompetenz auf institutioneller Ebene umfasst Politikentwicklung, Lehr- und Curriculumsentwicklung und Governance-Rahmenwerke — institutionelle KI-Kompetenz ist eine Frage von Politik ebenso sehr wie von Pädagogik. Das EPIQ-AI-Rahmenwerk rahmt institutionelle KI-Kompetenz als soziotechnische Alignment-Herausforderung, nicht nur als individuelle Weiterbildung.

  • KI-Kompetenz als Governance-Kapazität für nachhaltige Entwicklung. Islam, Morshed und Islam (2026) konzeptualisieren KI-Kompetenz als governance-orientierte Kapazität statt als rein bildungsbezogene oder technische Fähigkeit und verknüpfen sie mit allen siebzehn Zielen der Vereinten Nationen für nachhaltige Entwicklung. Ihre sechsstufige AIRE-Taxonomie (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) erweitert Blooms Hierarchie um ethische Synthese und strategische Vorausschau und positioniert fortgeschrittene Kompetenzen (Analyze–Govern) als den Weg von grundlegender Kompetenz zu institutioneller und politischer Governance — eine „18. SDG"-Heuristik, die Kompetenz als übergreifende kognitive und ethische Brücke behandelt. Eine Befragung von 300 Fachkräften in einem nationalen Kontext fand starkes technisches Bewusstsein, aber begrenzte ethische und Governance-Bereitschaft, wobei ethisches Schlussfolgern und reflexives Denken die stärksten Prädiktoren nachhaltiger, vertrauenswürdiger KI-Nutzung waren und Governance-Kompetenz der stärkste Prädiktor für das Bewusstsein des KI–SDG-Nexus (β = 0.64). Dies begründet empirisch die Betonung der kritischen Nutzungskompetenz in der Wissensbasis und verknüpft KI-Kompetenz direkt mit Nachhaltigkeit und Politik.

Das Angebot an Rahmenwerken ist inzwischen selbst ein Problem. Fitsilis (2026) verglich 16 institutionell anerkannte KI-Kompetenzrahmenwerke für Bildung und Arbeitskraftentwicklung und fand einen gemeinsamen Kern aus zehn Kompetenzbereichen, aber große Unterschiede in Struktur, Progression und Umsetzungsleitlinien — die praktische Schwierigkeit ist die Auswahl unter ihnen, nicht ein Mangel.

Wie KI-Kompetenz entwickelt wird

Die Forschung verweist auf kollaborative und aktive Ansätze als wirksamste. Rismanchian & Doroudi positionieren KI-Kompetenz als mehr als angewandte Fähigkeit: in ihrem AI×Ed-Rahmenwerk ist die lernende Person ein eigenständiger Endnutzer von KI (erschlossen über KI-Kompetenz und KI-Bildung), und sie argumentieren für erneuerte Arbeit zur KI-Kompetenz, die Reflexion über das Lernen selbst anregt — Kompetenz als einen Weg zurück in die Forschung zu „KI als Analogie zu menschlicher Intelligenz" darüber, wie Menschen lernen, ein Strang, den das Feld weitgehend aufgegeben hat. Das ICAP-Rahmenwerk (Interactive → Constructive → Active → Passive) bietet eine nützliche Taxonomie kognitiven Engagements: Studierende lernen KI-Kompetenz am besten, wenn sie Wissen gemeinsam konstruieren, statt Information passiv zu empfangen. Gestaltende sollten den Modus wählen, der zum Lernziel passt, und die tieferen (konstruktiven und interaktiven) Modi bevorzugen, wo es möglich ist. Praktische Aktivitäten — Prompts entwerfen, Ausgaben in Gruppen bewerten, über KI-Ethik debattieren — übertreffen Vorlesungen.

Komposition beginnt bei gelebter Erfahrung — aber Konzepttiefe braucht Scaffolding. Burriss et al. (2026) fanden, dass Jugendliche abstrakte KI-Ethik-Prinzipien in Systemen verankerten, denen sie täglich begegnen — elektronische „hall passes", schulregulierte Laptops, Plagiatsdetektoren —, wobei eine Gruppe erklärte, KI in Schulen sei „was personal to all group members", und 15 von 18 Antworten der Abschlussbefragung berichteten, dass das Anfertigen des Videos ihr Verständnis von KI-Ethik verändert habe. Die Autoren sind über die Grenze explizit: Komposition allein garantierte keine konzeptuelle Verankerung — „informed consent" wurde mit „We gotta approve" übersetzt, und einige Begriffe (z. B. „failsafe") wurden nie erklärt, was sie veranlasste, in späteren Iterationen tiefere konzeptuelle Arbeit einzuplanen. Kreative Produktion entwickelt KI-Kompetenz am besten, wenn explizites konzeptuelles Scaffolding das Machen begleitet, statt davon auszugehen, dass es von selbst entsteht.

KI-Intuition als erfahrungsseitige Ergänzung der Kompetenz. Eine wiederkehrende Lücke ist, dass K-12-Rahmenwerke annehmen, Lernende gingen über deklaratives, regelbasiertes Wissen an KI heran, während sie in der Praxis zuerst ein praktisches „Gefühl" dafür entwickeln, wie KI reagiert — mit Prompts experimentieren, Verhalten beobachten, Strategien anpassen —, bevor sie formale Prinzipien artikulieren können. Beau & Lazar (2026) formalisieren dies als KI-Intuition (AI intuition): ein erfahrungsbasiertes, induktives, oft implizites Verständnis, das sich durch iterative Interaktion mit KI-Systemen entwickelt und kontextsensitives Urteilen unter Unsicherheit stützt. Ihr duales Rahmenwerk verortet KI-Kompetenz (strukturierte, weitgehend statische Kompetenzen) neben KI-Intuition (ein dynamischer Lernprozess) und bildet beide auf die Standarddimensionen ab — Konzepte verstehen, Werkzeuge nutzen, kritisch bewerten, ethisch anwenden, reflektieren —, sodass Lernende begriffliche Klarheit und Leitplanken (Kompetenz) mit der praktischen Weisheit verbinden, trust-but-verify zu betreiben und zu entscheiden, wann man sich zurückzieht (Intuition). Weil Intuition „Expert Observation" von KI kultiviert (z. B. Prompts stresstesten, um zu finden, wo ein Modell versagt), argumentieren die Autoren, sie sei ein Schutz gegen Überabhängigkeit und die Erosion kritischen Denkens; sie unterscheidet sich von Prompt Engineering (das Ausgaben optimiert) darin, das epistemische Urteil in den Vordergrund zu stellen. Dies verbindet Kompetenz mit erfahrungsbasiertem Lernen, konstruktivistischer und entwicklungspsychologisch begründeter Praxis im Klassenzimmer und weist die Lehrkräftebildung dahin, induktive Erkundung zu ermöglichen, statt nur Konzepte zu vermitteln.

Motivation ist eine Vorbedingung, nicht nur ein Ergebnis. Liang et al. (2026) fanden über 2.086 Schülerinnen und Schüler der Sekundarstufe in einem einjährigen KI-Curriculum hinweg, dass Studierende, die in ein selbstbestimmtes Motivationsprofil übergingen oder darin verblieben (hohe Zufriedenheit der Bedürfnisse nach Autonomie, Kompetenz und Verbundenheit), die größten Zuwächse an KI-Kompetenz zeigten. KI-Kompetenz entwickelt sich durch nachhaltiges Engagement, und dieses Engagement wird selbst von Motivation und psychologischer Bedürfnisunterstützung geformt — wirksamer Unterricht zur KI-Kompetenz sollte daher die Motivation der Lernenden beachten, nicht nur ihre Fähigkeiten.

Instruktionelle Schwerpunktsetzung und Aufgabenoffenheit erreichen Leistung über unterschiedliche Bedürfnisse. Yu, Lin und Chen (2026) randomisierten 320 Studierende in vier Gruppen in einem 2 x 2-Experiment zu einer AIGC-Bildgenerierungsaufgabe, die mit einer objektiven Rubrik bewertet wurde (ICC = 0.89), und fanden, dass denkbasierter Unterricht, der Modellgrenzen, kritische Bewertung und Ethik abdeckte, kompetenzbasierten Prompting-Unterricht übertraf (M = 9.21 vs 7.69, F(1, 316) = 50.79, p < 0.001, partial eta squared = 0.138), mit der größeren Differenz bei offenen Aufgaben (10.10 vs 8.00). Das Strukturmodell zeigt, dass die beiden Designentscheidungen unterschiedliche Wege gehen: Unterricht wirkte indirekt über Autonomie (beta = 0.035) und Kompetenz (beta = 0.079), während Aufgabenoffenheit hauptsächlich über Autonomie wirkte (beta = 0.029), Kompetenz der stärkste Prädiktor der Leistung war (beta = 0.358) und Verbundenheit keinen unabhängigen Effekt hatte. Was der Unterricht enthält, zählt daher mehr als ob Lernende Prompting-Übung bekommen, und es zählt am meisten, wenn die Aufgabe offen ist.

Die Variablen rund um KI-Kompetenz sind seither breiter kartiert worden. Ein systematischer Review aus dem Jahr 2025 zu den Korrelaten von KI-Kompetenz synthetisierte 31 Studien aus 14 Ländern (N = 12,071) und fand die konsistentesten Zusammenhänge im affektiven und verhaltensbezogenen Band: KI-Selbstwirksamkeit, positive KI-Einstellungen, Motivation und digitale Kompetenz bewegten sich alle mit KI-Kompetenz, während KI-Angst und negative Einstellungen gegen sie bewegten. Demografische Variablen registrierten sich kaum, mit Alter und sozioökonomischem Status schwach oder gar nicht korrelierend. Die Warnung des Reviews betrifft die Instrumente: dieselben Studien, die starke Korrelationen aus Selbstauskunft erzeugten, zeigten weit schwächere, wenn KI-Kompetenz getestet statt selbst eingeschätzt wurde.

Eine Strukturgleichungsstudie mit 502 Angehörigen des Lehrkörpers an einer chinesischen Forschungsuniversität fand KI-Kompetenz als stärksten Prädiktor für KI-Wohlbefinden (β = 0.713), gegen einen kleinen technologiebezogenen Selbstwirksamkeitspfad (β = 0.082), wobei soziale und organisationale Unterstützung das Wohlbefinden nur indirekt erreichten (Liu et al. (2026)).

Ein scheinbar negativer Zusammenhang kehrt sich unter Kontrolle um: unter 303 Studierenden in Hongkong korrelierte Technologieangst negativ mit KI-Kompetenz (r = −0.14), sagte aber in einem gemeinsamen Modell β = 0.15 vorher, ein Effekt, der auf kritische Bewertung und ethische Kompetenz beschränkt war (Chow et al. (2026)).

Hu (2026) fügt eine geordnete Darstellung dessen hinzu, was KI-Kompetenz vorhersagt, statt was sie vorhersagt. In einer Befragung von 450 Universitätsstudierenden im chinesischen Kernland, die ChatGPT bereits nutzen, fand die Studie, dass KI-Kompetenz direkt mit fortgesetzter Nutzung zusammenhing (beta = 0.16, p = 0.002) und indirekt über einen seriellen Pfad durch Vertrauen und akademische Selbstwirksamkeit (indirekter Effekt = 0.07, 95% CI [0.04, 0.10]), wobei die Verbindung von Kompetenz zu Vertrauen die größte Assoziation im Modell war (beta = 0.50). KI-Angst moderierte diese erste Verbindung (Interaktion beta = -0.25, einfache Steigungen von 0.76 auf 0.25 über den Angstreichraum hinweg), sodass die Kette für ängstlichere Studierende dünner wurde und nicht angenommen werden sollte, dass Kompetenzunterricht allein sie erreicht. Das Design ist querschnittlich und die Stichprobe auf bestehende Nutzende beschränkt, sodass die Ordnung eine Modellannahme ist und keine beobachtete Sequenz.

Ein zentrales angewandtes Ziel von KI-Kompetenz ist die Reduzierung von Missbrauch: Studierenden beizubringen, KI ethisch und produktiv zu nutzen, statt sie für ihre eigene kognitive Arbeit zu substituieren. Wo KI-Kompetenz die Fähigkeit aufbaut, KI kritisch zu bewerten und zu nutzen, ist die Reduzierung von Missbrauch die verhaltensbezogene und strukturelle Auszahlung — sie verbindet abgesichertes Werkzeugdesign, Assessment-Neugestaltung und bildende Hebel wie gerüstete think-first/AI-second-Sequenzen und Prompting-Übung mit absichtsvolles Feedback. Die beiden Konzepte verstärken sich gegenseitig: KI-Kompetenz liefert die kritischen Haltungen, die Interventionen zur Missbrauchsreduktion dauerhaft machen, während die Evidenz zur Missbrauchsreduktion (z. B. die Leistungs-Lern-Lücke) begründet, warum Kompetenz über operative Fähigkeit hinaus zu kritischem Urteil gehen muss.

KI-Kompetenz braucht zudem entwicklungsangemessene Formen für die jüngsten Lernenden. AI-Play übersetzt KI-Kompetenzkompetenzen in spielbasierte, unplugged Aktivitäten für Lernende von Pre-K bis K2 — organisiert um AI Body (KI als ein aus Teilen gebautes System), AI Food (KI lernt aus Beispielen), AI Brain (KI verbessert sich durch Muster und Feedback) und eine Pre/Post-AI-ethische Linse — und adressiert damit einen anhaltenden Mangel an entwicklungsbegründeter Orientierung zur KI-Kompetenz für frühe Kindheit und macht KI-Kompetenz zugänglich für nicht technische Bildungsakteure und Familien. Ergänzend dazu fanden Vahedian Movahed & Martin (2025), dass Kinder von 6–14 einem altersangepassten Chatbot als Informationsquelle breit vertrauten und ihn meist als „a smart computer program that learns" modellierten (ein beginnendes Verständnis maschinellen Lernens), aber Lücken in kritischem Engagement und Bewusstsein für digitale Sicherheit zeigten — ein Beleg dafür, dass das Vertrauen junger Lernender ihre kritischen Bewertungsfähigkeiten überholen kann, was explizite Vertrauenskalibrierung und Sicherheitsunterricht zu einem notwendigen Teil von KI-Kompetenz für Kinder macht.

Die Messung hält mit dieser Entwicklungsdrehung am jüngeren Ende Schritt. Die Validierung eines Selbstauskunftsfragebogens zu KI-Kompetenz für die obere Primarstufe durch Thianwan und Srikoon aus dem Jahr 2025 entwickelte ein 15-Item-Instrument für die Klassenstufen 4 bis 6, organisiert um Learning About AI, Learning About How AI Works und Learning for Life with AI, und bestätigte eine dreifaktorielle Struktur in zwei Stichproben (n = 335 und n = 579) mit einem Gesamt-Cronbachs-Alpha von .934. Die Autoren rahmen es als formative Diagnose wahrgenommener statt demonstrierter Kompetenz und stellen fest, dass die Genauigkeit kindlicher Selbstauskunft durch die noch in Entwicklung befindliche metakognitive Fähigkeit begrenzt ist.

Projektbasiertes Lernen als Vermittlungsmechanismus. Zhu & Kong (2026) entwickelten und validierten eine Skala zu projektbasiertem Lernen mit KI (AI-PBLS) und nutzten in einer Stichprobe aus Hongkong mit 1.027 Schülerinnen, Schülern und Studierenden (446 mit vollständigen Daten) Strukturgleichungsmodellierung, um zu zeigen, dass Empowerment beim Einsatz von KI für Problemlösung und KI-ethisches Bewusstsein gemeinsam den Zusammenhang zwischen wahrgenommenem projektbasiertem Lernen und der Zufriedenheit mit einem Kurs zur KI-Kompetenz vermitteln. Dies positioniert PBL nicht bloß als Vermittlungsformat, sondern als einen Mechanismus, der Vertrauen der Lernenden und ethisches Schlussfolgern neben Kompetenz aufbaut, und stärkt die Verbindung zwischen PBL und bedeutsamer Entwicklung von KI-Kompetenz. Es liefert zudem ein validiertes Messinstrument für künftige Messung von Erfahrungen in KI-Kompetenzkursen.

Die Anhebung der ethischen Dimension von Kompetenz hat ein Vorzeichenproblem. Unter 584 Studierenden, die sich KI selbst beibrachten, erhöhte Kompetenz ethisches Bewusstsein (β = 0.644, p < .001), und ethisches Bewusstsein erhöhte dann KI-Angst (β = 0.439, p < .001), statt sie zu senken — die Umkehrung der vorhergesagten Richtung (Mu et al. (2026)). Die Lehre, die die Autoren ziehen, ist, dass das Lehren, wie ethische Anliegen governiert werden, die ethische Dimension selbst begleiten muss, oder Kompetenzarbeit kann Lernende ängstlicher zurücklassen, als sie sie vorgefunden hat.

KI-Kompetenz als zentrale Lücke in Rahmenwerken für konversationelle KI. Der Umbrella Review zu konversationellen KI-Agenten (Ganguly et al. 2025, 34 Reviews) identifiziert begrenzte Unterstützung bei KI-Kompetenz als große Lücke in CAI-Rahmenwerken, und seine Roadmap für ethischen Einsatz macht grundlegende Assessment-Arbeit (einschließlich Stärkung von KI-Kompetenz) zur ersten Säule neben partizipativem Design, Leitlinien für ethischen Einsatz und kontinuierlicher Evaluation kognitiver Folgen. Er findet zudem, dass KI-Kompetenz, Training und Bewusstsein zu den am stärksten betonten ethischen Richtungen in der CAI-Literatur zählen.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Wirksamkeit von KI-Kompetenzinterventionen. Eine dreistufige Metaanalyse von 59 Studien (172 Effektstärken, 7.211 Teilnehmende) schätzt einen großen Gesamteffekt von KI-Kompetenzinterventionen (g = 0.837, p < .001) — aber mit einem weiten Prognoseintervall [−0.292, 1.966], sodass die Wirksamkeit zwischen Settings erheblich variiert. Interventionen in Ostasien und Europa übertrafen die in Nordamerika, und wissensfokussierte Interventionen übertrafen diejenigen, die auf Fähigkeiten, Einstellungen oder Ethik zielten. Die Autoren argumentieren, KI-Kompetenzbildung solle daher über Wissen hinaus zu Fähigkeiten, Praktiken, Ethik und Einstellungen gehen, gestützt auf integrierte und reflexive Pädagogiken (projekt- und problembasiert, forschungsbasiert, erfahrungsbasiert) und GenAI-gestützte Werkzeuge — eine Verschiebung, die mit den partizipativen, produzierenden Formen von computational thinking übereinstimmt, die an anderer Stelle in dieser Wissensbasis beschrieben werden.

Eine zweite Synthese erreicht eine ähnliche Größenordnung auf einer schmaleren Basis und verschärft das Messproblem. Yu, Kim, Chang und Huang (2026) bündelten 57 Effektstärken aus 16 Studien mit 3.837 K-12-Studierenden, denen KI selbst gelehrt wurde statt mit KI, und schätzten Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001), robust gegenüber angenommenen Prä-Post-Korrelationen von 0 bis 1 und stabil nach Trim-and-Fill bei g = 0.952. Alle 57 Effekte zeigten positiv (Spannweite 0.16 bis 4.93), und kein Moderator (Publikationsquelle, Jahr, Schulstufe) erklärte die erhebliche Heterogenität (I² = 94.68%). Die von den Autoren bevorzugte Erklärung ist die Messung: die eingeschlossenen Studien nannten alles von KI-Wissen und KI-Ethik über Einstellungen, Motivation, Selbstwirksamkeit und Karriereinteresse „KI-Kompetenz", sodass die gebündelte Zahl eine Verteilung positiver Befunde unter einem einzigen losen Label beschreibt statt einer einheitlichen Intervention. Neben Liu et al. gelesen stimmen die beiden Schätzungen darin überein, dass Unterricht zur KI-Kompetenz wirkt, und in wenig sonst, was selbst das Messsignal des Felds ist.

Klassenzimmerbelege für bewusst knappe Designs sind dünner, laufen aber in dieselbe Richtung und fügen ein Verhaltensresultat hinzu, das Befragungen nicht liefern können. Clerc et al. (2026) gaben 116 französischen Schülerinnen und Schülern der Klassenstufen 8–9 einen zweistündigen Workshop darüber, wie LLMs funktionieren und versagen, gepaart mit Übung im Vorhersagen, ob ein Prompt eine brauchbare Antwort hervorrufen würde, im Bewerten der Antwort und im Überarbeiten oder erneuten Fragen. Zwei Tage später akzeptierten trainierte Studierende bei sechs LLM-gestützten naturwissenschaftlichen Aufgaben mit einer Kontrollgruppe unterspezifizierte Prompts seltener (51.5% vs. 66.7%, OR = 0.47), stellten nach einer schwachen Antwort weit häufiger Anschlussfragen (59.2% vs. 27.9%, d = 0.80) und beurteilten die Richtigkeit von Antworten sensitiver in Bezug auf Prompt-Qualität (Interaktion OR = 2.52), bei einem bescheidenen Punktunterschied (11.38 vs. 10.29 von 20, p = .040). Der Workshop probte die Testaufgaben nie, sodass übertrug, was übertragen wurde, eine regulatorische Haltung und keine Aufgabenvertrautheit — und die Autoren sind explizit, dass zwei Tage keine Dauerhaftigkeit bedeuten.

KI-gestützte kritische Medienkompetenz in der Grundschule. Demir und Akar (2026) liefern eine konkrete Grundschul-Demonstration von GenAI-gestütztem Kompetenzunterricht: ein 18-stündiges Programm nach dem 5E-Modell für türkische Viertklässlerinnen und Viertklässler, in dem ChatGPT und Grammarly phasenweise als pädagogische Agenten eingebettet waren (ChatGPT für reflexive Fragen und Q&A, Grammarly und Canva AI zur Inhaltsverfeinerung, Padlet für Peer-Feedback), abgestimmt auf die türkischen Curricula für Sprache und Sozialkunde. Die KI-gestützte Gruppe zeigte große Zuwächse im Medienlesen (+3.50), Schreiben (+1.67) und in der gesamten Medienkompetenz (+5.17, alle p < .01) mit Effektstärken zwischen den Gruppen von Cohens d = 1.12–1.31, während die Kontrollgruppe nur mäßig vorankam. Die qualitative Analyse identifizierte sechs Domänen des Wachstums kritischer Medienkompetenz — digitaler Selbstschutz und Datenprivatsphäre, zielgerichteter und verantwortungsvoller Medieneinsatz, sichere Kommunikation und Grenzbewusstsein, kritische Bewertung und Desinformationsbewusstsein, Bewusstsein für Online-Risiken sowie Medienethik und digitale Bürgerschaft — ein Beleg dafür, dass entwicklungsangemessener, fachintegrierter GenAI-Einsatz die Dimensionen kritischer Bewertung und Ethik von KI-Kompetenz aufbauen kann, nicht nur operative Fähigkeit.

Rahmenwerke zur Strukturierung von KI-Kompetenz. Mehrere jüngere Beiträge bieten strukturierte Progressionen für den Aufbau von KI-Kompetenz. Marienko, Markova und Semerikov (2026) schlagen ein fünfstufiges Rahmenwerk vor (Awareness, Application, Evaluation, Creation, Ethics), integriert mit drei Paradigmen von KI in der Bildung (AI-directed, AI-supported, AI-empowered), entwickelt durch eine Mixed-Methods-Studie mit ukrainischem Sekundarbildungspersonal (nationale Befragung n = 2018; Evaluation der Fortbildung n = 1130). Sie fanden, dass 84% der Bildungsakteure KI nutzen, aber nur 11% spezialisierte Dienste jenseits von ChatGPT benennen können, und dass eine Fortbildungsintervention eine 24%-ige Verbesserung der KI-Kompetenz erbrachte — ein Beleg dafür, dass gezielte Fortbildung Kompetenz über oberflächliche Werkzeugvertrautheit hinaus voranbringt. Die Verankerung des Rahmenwerks in Konstruktivismus, Konnektivismus und TPACK verbindet sich mit TPACK und KI-Kompetenz von Lehrkräften. Ergänzend dazu nutzten Moore et al. (2026) einen zweijährigen DBR-Prozess mit einem Beratungsgremium aus Jugendlichen und KI-Expertinnen und -Experten, um ein naturwissenschaftsintegriertes ML-Curriculum für Jugendliche der Oberstufe zu entwerfen, und fanden ML-Wissenszuwächse in beiden Kohorten (Kohorte 2 M2−M1 = 0.175 vs Kohorte 1 0.076) und größere Zuwächse bei weiblichen und nicht-weißen Teilnehmenden — ein Beleg dafür, dass partizipatives, fachintegriertes Design sowohl KI-Kompetenz als auch Gerechtigkeit voranbringen kann.

Ein PRISMA-Review von 39 STEAM-Studien (2016–2025) fand, dass diese Umsetzungen vor allem technische Kompetenzen entwickeln — grundlegende KI-Konzepte, computational thinking, Datenkompetenz —, während ethisches Bewusstsein, kreative Imagination sowie das Erschaffen, Verwalten und Gestalten mit KI unterentwickelt bleiben, sodass fachintegrierte Einheiten die höherstufigen Elemente dennoch verfehlen können (Niri et al., 2026).

Das Konstrukt ist genau dort umstritten, wo es das Bildungspersonal betrifft. Ein Review von 34 Studien zu KI-Kompetenz in der Lehrkräftebildung fand, dass dem Feld Konsens darüber fehlt, was KI-Kompetenz für professionell Tätige in der Bildung im Unterschied zu allgemeiner digitaler Kompetenz bedeutet, und dass das KI-Kompetenzrahmenwerk der UNESCO 15 Kompetenzen über fünf Dimensionen festlegt, dabei aber als globale Politikreferenz statt als Umsetzungsleitlinie funktioniert. Der Lehrkörper in der institutionsübergreifenden Lehrkräftebildungs-Collaboratory behandelte KI-Kompetenz als integrierte Dimension der professionellen Vorbereitung statt als separate Technologiefähigkeit, sodass von den Anwärterinnen und Anwärtern erwartet wurde, KI-Ausgaben im fachlichen coursework zu prüfen, zu vergleichen und zu begründen, statt Werkzeugvertrautheit zu demonstrieren.

Die erste Phase der Lehrkräftebildung ist dort, wo die Struktur am dünnsten ist. Pinto et al. (2026) reviewten 11 Studien zu KI in der ersten Phase der Lehrkräftebildung für angehende Grundschul-Mathematiklehrkräfte und fanden, dass neun eine einzelne Sitzung oder eine Handvoll Sitzungen waren, die in bestehende Kurse eingebettet waren, Prompting nur in einigen davon expliziter Trainingsinhalt war und Ethik in nur dreien vorkam, von denen keine Transparenz, algorithmischen Bias oder Verantwortung behandelte. Die von ihnen berichteten Risiken sind Fehler auf Kompetenzebene: angehende Lehrkräfte bemerkten konzeptuelle Fehler, die von ChatGPT erzeugt wurden, nicht, akzeptierten generierte Inhalte unkritisch und delegierten bei schwieriger werdenden Aufgaben mehr Problemlösen an das Werkzeug. Ihre Empfehlung ist, KI-Kompetenz über die gesamte Ausbildungssequenz hinweg aufzubauen, von einer vorbereitenden Phase in das Praktikum, statt in einem isolierten Modul.

Die Schilderungen von Lehrkräften über warum KI-Bildung unterrichtet wird, fügen eine Zweckschicht hinzu, die Kompetenzrahmenwerke implizit lassen. Fagerlund et al. (2026) interviewten 13 finnische Lehrkräfte von der Vorschule bis zur 9. Klasse, großenteils Novizinnen und Novizen in der KI-Bildung, und lasen ihre Zweckaussagen durch Biestas drei Domänen. Qualifikation, der Erwerb von Kompetenzen, war der klarste und konkreteste Zweck, und er funktionierte als Weg in die beiden anderen: Studierende sollten KI als soziotechnisches Phänomen begreifen und ihre Werkzeuge nutzen, wobei KI sowohl Ziel als auch Hilfe beim Lernen diente. Sozialisierung erschien als Kultivierung von Begeisterung, als Darstellung von KI als „cool" und als Rahmung von Studierenden als künftige KI-versierte Arbeitskräfte, die Kompetenzanforderungen erfüllen müssen. Subjektivierung, das selbstbestimmte und persönlich bedeutsame Engagement, das Biesta als zentral behandelt, wurde als wichtig benannt, hatte aber kein konkretes instruktionelles Repertoire jenseits von Diskutieren und Betrachten, und Lehrkräfte boten keine ausgearbeiteten Beispiele für die Anfechtung von KI-Autorität. Die Autoren schlagen informierte KI-Handlungsfähigkeit (informed AI agency) vor, eine Heuristik, die Subjektivierung ins Zentrum stellt und Kompetenzen als Erklärungsrahmen für selbstbestimmte Entscheidungen behandelt. Die Designimplikation ist, dass das „Warum" der KI-Bildung genauso viel Designaufmerksamkeit braucht wie das „Wie": wenn Subjektivierung auf generischer Diskussion ruht, fällt Unterricht zur KI-Kompetenz auf die Qualifikation zurück, der er zur Seite stehen sollte.

Bereitschaft selbst ist ein umstrittenes Ziel. Charles (2026) argumentiert, dass die Bereitschaft von Lehrkräften für KI-reiches Lernen aus der Qualität der Designs gelesen werden sollte, die Lehrkräfte produzieren, nicht aus Übernahme, Vertrauen oder digitaler Kompetenz, und baut ein Rahmenwerk um Designvermittlung (design mediation) auf: beobachtbare Entscheidungen wie Werkzeugauswahl, Aufgaben- und Prompt-Design, Scaffolding, Verifikation, Transparenz, Assessment-Neugestaltung, Barrierefreiheitsplanung und menschliche Aufsicht. Zwei seiner Annahmen haben direkte Folgen für die professionelle Entwicklung. Erstens ist Selbstwirksamkeit eine Mobilisierungsressource statt eines Qualitätsindikators, weil Vertrauen ohne KI-spezifisches pädagogisches Wissen oder ethische Orientierung schlechtes Design beschleunigen statt verhindern kann, was die übliche Lesart von Lehrkräftevertrauen als Bereitsschaftssignal einschränkt. Zweitens sind Politikklarheit und institutionelle Unterstützung getrennte Moderatoren, sodass materielle Unterstützung hoch sein kann, während Erwartungen mehrdeutig bleiben und Bereitschaft sich dennoch schlecht überträgt. Das Rahmenwerk lehnt es zudem ab, Nichtnutzung mit Unbereitschaft gleichzusetzen, da eine begründete Entscheidung, KI vorzuenthalten, selbst Designurteil demonstrieren kann. Es ist konzeptuell und unvalidiert, liefert also Propositionen und Evidenzquellen statt etablierter Effekte.

Interaktionskompetenz mit KI: die interaktionale Dimension. Brunnström und Palmqvist (2026) schlagen eine engere, interaktionale Kompetenz vor — die Fähigkeit, iterative Interaktion mit GenAI zu steuern, zu bewerten und daraus zu lernen — als spezifische Umsetzung der anwendungsbezogenen, bewertenden und integrativen Dimensionen in breiteren Rahmenwerken wie dem AI Literacy Heptagon. Ihre reflexive Demonstration zeigt, woraus sie in der Praxis besteht: erkennen, dass eine flüssige Antwort über dem eigenen Schema angesiedelt ist, um Vereinfachung bitten, den Rahmen verengen und das System auf fokussierte Übung umlenken. Zwei Designfolgen ergeben sich — die Fähigkeit ist ungleich verteilt, sodass unangeleitete Nutzung bereits selbstsichere Lernende begünstigen und Lücken vergrößern kann (Gerechtigkeit), und sie muss explizit gelehrt werden statt angenommen zu werden, wobei Lehrkräfte abdecken, wie man produktive Prompts formuliert und wann man das Werkzeug nicht mehr nutzt (Selbstreguliertes Lernen).

Kritische KI-Kompetenz: über Fähigkeiten hinaus zu Macht und Widerstand

Ein eigener Strang der Wissensbasis behandelt KI-Kompetenz nicht bloß als Fähigkeiten oder kritische Bewertung, sondern als kritische und politische Praxis, die Macht, Autorität und die Frage befragt, wessen Wissen zählt. Dies verbindet KI-Kompetenz mit kritischer Pädagogik und Gerechtigkeit:

Diese kritischen Stränge ergänzen die operativen und kognitiven Dimensionen von KI-Kompetenz: wo letztere fragen „kann die lernende Person KI nutzen und bewerten?", fragt kritische KI-Kompetenz „versteht die lernende Person die Machtstrukturen, die KI verkörpert, und stellt sie infrage?"

KI-Kompetenz in der MINT-Bildung

Die am stärksten entwickelte disziplinäre Evidenzbasis für KI-Kompetenz stammt aus der MINT-Bildung, und Hallström, Chiu, Ding, Koretsky und Li (2026) synthetisieren ihre zehn am häufigsten zitierten Studien (2022–2026), um sowohl die Baseline als auch ihre Grenzen zu zeigen. Über das Korpus hinweg wird KI-Kompetenz durch sechs überlappende Konstrukte definiert — Wissen/Fähigkeiten/Haltungen (Su & Yang 2024), konzeptuell-prozedural-kontextuelles Wissen (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022) und Long & Magerkos use–communication–evaluation-Rahmung (Hornberger et al. 2023) —, sodass die „konzeptuelle Mehrdeutigkeit“ des Felds ein Messproblem ist: zwei Studien können beide „KI-Kompetenz“ erheben, ohne dasselbe Konstrukt zu erheben. Nur zwei der zehn bieten vollständige Rahmenwerke. Der schärfste Befund des Reviews ist eine Asymmetrie — das Korpus misst fast ausschließlich die Kompetenz der Lernenden, während es fast nichts zu der der Lehrkräfte entwickelt, eine Lücke, die lehrkraftgerichtete KI-Kompetenzinterventionen auf Annahme statt auf Evidenz ruhen lässt und die die Autoren mit der praktischen Anforderung verknüpfen, dass Lehrkräfte selbst KI-kompetent sein müssen, um solche Interventionen durchzuführen.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Die Chatbot-Evidenz in jenem Korpus läuft gegen flüssigkeitsbasiertes Training. Ding et al. (2023) fanden, dass ChatGPT-Tutoring in der Universitätsphysik Zuversicht und Wissen erhöhte, aber ein „übermenschliches und unfehlbares“ Missverständnis von KI verstärkte, und schlussfolgerten, KI-Kompetenzbildung sei „first and foremost improving students' critical thinking skills in assessing information.“ Xu et al. (2026) fanden, dass ChatGPT-unterstützte MINT-Programmierung Zuversicht und Wissen verbesserte, computational thinking und eigenständiges Denken aber unverändert ließ — Zuwächse in Flüssigkeit, die ohne Zuwachs in Denken bestehen. Beide Befunde spiegeln die Vertrauenskalibrierungs- und Überabhängigkeits-Anliegen an anderer Stelle dieser Seite: ein Tutor, der der lernenden Person niemals widerspricht, kann zuversichtliche Lernende hervorbringen, die nicht bewerten können. Einstellung, nicht Bereitschaft oder Selbstwirksamkeit, erwies sich als stärkste Determinante tatsächlicher KI-Werkzeugnutzung unter MINT-Studierenden des Grundstudiums (Falebita & Kok 2025), und der Review hält fest, dass die disziplinäre MINT-Abdeckung hin zu Biologie und Physik verzerrt ist, während Technologie als Fach nahezu abwesend ist. Für fachspezifisches Design ist die praktische Warnung des Reviews, dass umfassende Kompetenzrahmenwerke (UNESCO, EU/OECD) „oft keine Verbindung zu empirischer Forschung oder hinreichende theoretische Fundierung“ aufweisen und wenige im Klassenzimmer anwendbar sind.

Wessen KI-Fähigkeiten zählen? Die Spaltung zwischen Bildungspersonal und Arbeitgebern

Eine zentrale offene Frage in der KI-Kompetenz ist, welche Fähigkeiten wichtig sind und für wen. Eine Ithaka S+R-Studie, die verglich, wie US-Bildungspersonal und Arbeitgeber die 26 Fähigkeiten des HiBob AI Skills Framework priorisieren, fand, dass sie in der Wichtigkeit nur einer einzigen zustimmen (realistische Erwartungen an KI-unterstützte Arbeit setzen). Bildungspersonal gewichtet eine kritische, an verantwortungsvoller Nutzung orientierte Haltung — die Grenzen von KI erkennen, Transparenz und Zuschreibung, menschliche Verantwortung, proaktive Prüfung von Ausgaben —, was mit akademischen Werten von Zuschreibung, Prüfung und Informationskompetenz übereinstimmt. Arbeitgeber gewichten produktivitätsorientierte Fähigkeiten — Evaluation und Neugestaltung von Arbeitsabläufen, Automatisierung und mensch-KI-Teaming —, die teambasierte Effizienz am Arbeitsplatz spiegeln. Weil nur drei von 26 Fähigkeiten von der Hälfte oder mehr des Bildungspersonals gelehrt werden, und die gelehrt in Richtung der kritischen Nutzungskategorien tendieren, identifiziert der Bericht eine konkrete Lücke bei KI-Fähigkeiten: ganze Kategorien, die Arbeitgeber wertschätzen, werden in den Hochschulcurricula weder priorisiert noch gelehrt.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Diese Spaltung rahmt KI-Kompetenz als umstrittenes Konstrukt — kritische Nutzungskompetenz für akademische Settings gegenüber Kompetenz zur Integration in Arbeitsabläufe für die Beschäftigung — eine Spannung, die für die Einordnung der KI-Nutzung für Studierende, Curriculum-Design und berufliche Weiterbildung relevant ist.

Die eigenen Einschätzungen der Studierenden erzählen eine verwandte, aber anders geordnete Geschichte. ElSayary und Ragab (2026) befragten 380 Universitätsstudierende, überwiegend häufige KI-Nutzende in MINT-Fächern, und fanden, dass selbst berichtete KI-Kompetenz den größten Teil der Erklärung wahrgenommener Beschäftigungsfähigkeitsbereitschaft trug: vier Kompetenzdimensionen fügten ΔR² = 0.554 (p < .001) zu Hintergrundkontrollen im Wert von nur 0.054 hinzu, und das volle Modell erreichte 60.8% der Varianz. Innerhalb des Kompetenzsets war die bewertende Dimension am stärksten (Analyze & Evaluate, β = 0.286), gefolgt von der affektiven (Attitudes & Mindsets, β = 0.266), mit praktischer Nutzung (β = 0.217) und grundlegendem Wissen (β = 0.187) dahinter; für die wahrgenommene Berufsbereitschaft speziell waren nur Analyze & Evaluate (β = 0.216, p < .001) und Attitudes & Mindsets (β = 0.192, p = .004) signifikant assoziiert. Gegen die Ithaka-Spaltung gelesen neigt das eigene Gefühl der Arbeitsplatzbereitschaft der Studierenden eher zur kritischen Bewertungshaltung, die Bildungspersonal bevorzugt, als zu den Fähigkeiten der Arbeitsablauf-Integration, die Arbeitgeber gewichten. Das Design ist eine einmalige Selbstauskunft mit durchgängig hohen Mittelwerten (4.17 bis 4.57 von 5) und ohne Arbeitgeber- oder Beschäftigungsmaß, sodass es zeigt, dass selbst eingeschätzte KI-Kompetenz und selbst eingeschätzte Beschäftigungsfähigkeit sich gemeinsam bewegen, wobei die bewertenden und dispositionalen Teile die meiste Arbeit tun, nicht, dass diese Studierenden nachweislich arbeitsmarktreif sind.

KI-Kompetenzinterventionen gestalten

Die Rahmenwerke und empirischen Studien der Wissensbasis laufen auf eine Reihe praktischer Leitlinien für Bildungspersonal und Instruktionsdesignerinnen und -designer zusammen, die KI-Kompetenzinterventionen aufbauen:

1. Ein strukturiertes Kompetenzrahmenwerk als Scaffolding nutzen, nicht als Checkliste. Reife Rahmenwerke geben Gestaltenden ein gemeinsames Vokabular und ein entwicklungssequenziertes Ziel. Das SAIL-Rahmenwerk organisiert KI-Kompetenz in drei Domänen (AI Concepts; Application and Technical Skills; AI Digital Citizenship) über vier gerüstete Stufen — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. Das AI Literacy Heptagon durchkreuzt sieben Dimensionen (technical knowledge, application, critical thinking, ethics, social impact, integration, legal/regulatory) mit vier Bloom-abgestimmten Kompetenzstufen und betont, dass die Gewichtung an den fachlichen Kontext angepasst werden muss — technische Programme gewichten Anwendung, Programme der Geisteswissenschaften gewichten ethisches und sozial wirkendes Schlussfolgern.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Lernende über ICAP-Modi hinweg einbeziehen. Bei Anwendung des ICAP-Rahmenwerks gibt wirksamer Unterricht Lernenden Gelegenheiten, auf mehreren kognitiven Ebenen zu engagieren — passive Exposition (Vorlesungen zu KI-Konzepten), aktive Manipulation (praktische Werkzeugnutzung), konstruktive Generierung (KI-Artefakte erschaffen, sich selbst erklären) und interaktiver Dialog (kollaboratives Problemlösen mit Peers und KI) —, wobei der Modus gewählt wird, der zum Lernziel passt. Ein systematischer Review fand, dass erfolgreiche kollaborative KI-Kompetenzinterventionen alle vier ICAP-Modi umfassten.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Demonstrierte Kompetenz einschätzen, nicht Selbstwahrnehmung. Selbst berichtete KI-Kompetenz weicht stark von gemessener Leistung ab — Lehrkräfte überschätzen ihre KI-Fähigkeiten um ~40%, und leistungsbasierte Maße korrelieren weit besser mit der Integration von KI im Klassenzimmer als Selbstauskünfte (r≈0.72 vs 0.31). Gestalten Sie Interventionen um leistungsbasiertes Assessment und Kalibrierung statt um Vertrauensbefragungen, und nutzen Sie diagnostische Profile (Überschätzer gegenüber echten Novizinnen und Novizen), um Unterstützung zu adressieren.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Metakognitive und kritische Haltungen aufbauen, nicht nur operative Fähigkeit. KI-Kompetenz wird besser als metakognitive soziale Praxis denn als Fähigkeiten-Checkliste verstanden: weil LLMs probabilistisch und opak sind, müssen Lernende ihre Strategien überwachen und anpassen, wissenschaftliche Skepsis kultivieren und befragen, wie Algorithmen Wissensproduktion formen — statt bloß zu lernen, Werkzeuge zu bedienen. Partizipatives Co-Design und experimentelle, projektbasierte Räume (statt einmaliges Werkzeugtraining) sind der Ort, an dem dieses Bewusstsein wächst.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Kompetenz ins Fach einbetten und nachhaltig machen. Die Bewegung hin zu höheren Stufen von KI-Kompetenz (von unkritischer Nutzung → informierter Nutzung → kritischer Bewertung → Verbesserung) ist am sichtbarsten, wenn Erfahrungen nachhaltig und fachintegriert sind statt als eigenständige Workshops geliefert werden. Gestalten Sie für wiederholte, kontextuelle Praxis innerhalb authentischer Kurse.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Ein konkretes Modell fachintegrierter kritischer Kompetenz ist die aufgabenbasierte Taxonomie von Dierickx et al. (2026) für den Journalismus: sie bildet LLM-gestützte Aufgaben über die vier Stufen des Nachrichtenarbeitsablaufs ab (newsgathering, sensemaking, editing, publication/distribution), jede verknüpft mit einem Basis-Prompt und einer Risiko-und-Gegenmaßnahme-Strategie. Indem sie Aufgabendefinition und Prompting als situierte Form professionellen Urteils behandelt — statt als neutrale technische Fähigkeit —, macht sie Prompting selbst zu einem Vehikel für kritische KI-Kompetenz (Bias, Halluzination, Überabhängigkeit und der bleibende Wert menschlicher redaktioneller Aufsicht), und ihre zugrunde liegende Logik überträgt sich auf andere wissensintensive Professionen (Recht, Medizin, öffentliche Politik). Ergänzend zu solchen fachspezifischen Taxonomien klassifiziert die Taxonomie von Dohn et al. (2026) GenAI-Lernaktivitäten entlang von sechs Dimensionen, von denen Epistemic Engagement (understanding / using / critiquing / constructing GenAI) KI-Kompetenz direkt als die Tiefe der kognitiven Beziehung der Lernenden zur Technologie operationalisiert — von passiver Exposition zu aktiver Kritik und Konstruktion.

6. Gerechtigkeit und die digitale Kluft als Designrandbedingungen behandeln. KI-Kompetenz ist ein Mechanismus zur Adressierung der dreistufigen digitalen Kluft (access, skills, outcomes): die Gerätelücke zu schließen reicht nicht, es sei denn, Fähigkeiten und kritische Nutzung werden aufgebaut, sodass sich die Vorteile fair verteilen. Interventionen sollten explizit für Lernende planen, die mit weniger vorherigem KI-Zugang hereinkommen, und kulturelle und Governance-Perspektiven einbeziehen, statt Kompetenz als kulturneutral zu behandeln.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digitale Kluft)

7. Kompetenz mit Hebeln zur Missbrauchsreduktion paaren. Weil KI-Missbrauch dauerhaftem Lernen aktiv schadet, sollte Kompetenzunterricht mit den strukturellen und bildenden Hebeln gekoppelt werden, die unter Missbrauchsreduktion dokumentiert sind — abgesichertes „hint-not-answer"-Werkzeugdesign, Assessment-Neugestaltung und gerüstete think-first/AI-second-Sequenzen mit absichtsvollem Prompting-Üben.

8. Vom tatsächlichen Einstiegspunkt der Lernenden ausgehen. Lernende kommen mit unterschiedlichen Orientierungen herein — Vermeidung aus Angst, Misstrauen oder mangelndem Zugang gegenüber unkritischer Verlassenheit, die Missverstehen maskiert. Ein diagnostischer, stufenbasierter Ansatz (statt eines einheitlichen Curriculums) lässt Gestaltende dort ansetzen, wo die Lernenden stehen, und sie hin zu kritischem, verantwortungsvollem Engagement bewegen.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Das Angebot über die Zielgruppen hinaus erweitern, die formale Bildung bereits erreicht. Das AI Literacies-Rahmenwerk für Public-Service-Medien argumentiert auf Basis eines Landschaftsreviews von mehr als 40 Rahmenwerken und 35 Experteninterviews, dass das Angebot sich hin zu technischen und funktionalen Fähigkeiten geneigt hat, und dass sich KI-Kompetenzen überschneiden und mit digitaler, Medien- und Informationskompetenz verbunden werden sollten statt als eigenständiges Fach gelehrt zu werden. Seine Struktur — sechs Kompetenzbereiche, fünf Werte und drei Progressionsstufen (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) mit einem Assessment-Leitfaden — ist eine nutzbare Vorlage für Anbieter außerhalb formaler Beschulung, und sein Gerechtigkeitsargument ist eine Designanweisung: junge Menschen zu erreichen, die digital oder anderweitig marginalisiert sind, erfordert absichtsvolle Partnerschaften, nicht universelle Veröffentlichung.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

KI-Kompetenz messen

Ein eigener Forschungsstrang behandelt KI-Kompetenz nicht nur als Ziel von Unterricht, sondern als ein zu messendes Konstrukt. Der Assessment-Strang der Wissensbasis unterscheidet selbst berichtete von leistungsbasierter Kompetenz: Selbstauskünfte weichen stark von demonstrierter Kompetenz ab (Lehrkräfte überschätzen um ~40%), und leistungsbasierte Maße sagen die Integration von KI im Klassenzimmer weit besser vorher als Vertrauensbefragungen (r≈0.72 vs 0.31). Interventionsarbeit reproduziert diese Divergenz auf der Verhaltensebene: in Clerc et al. (2026) sagten weder GenAI-Einstellungen noch eine allgemeine Skala metakognitiven Bewusstseins die Regulierung der LLM-Interaktion der Studierenden oder ihre abschließenden Aufgabenergebnisse vorher (r = .01 und r = .04, beide nicht signifikant), während die Verhaltensweisen, die der Workshop veränderte — unterspezifizierte Prompts ablehnen, die Richtigkeit von Antworten beurteilen, eine Anschlussfrage stellen —, mit der Antwortqualität einhergingen. Validierte Instrumente entstehen, um diese Lücke zu schließen — der GLAT bietet ein psychometrisch validiertes Assessment von GenAI-Kompetenz, und diagnostische Profile (Überschätzer gegenüber echten Novizinnen und Novizen) lassen Gestaltende Unterstützung dort adressieren, wo sie gebraucht wird. Guo et al. (2026) kartieren diese Instrumentlandschaft direkt und reviewten 80 validierte Rahmenwerke — 69 zur digitalen Kompetenz und 11 zur KI-Kompetenz —, veröffentlicht zwischen Januar 2014 und Februar 2025. KI hat digitale Kompetenz hin zur Ethik gezogen und Kommunikation neu gefasst, um Mensch-KI-Interaktion einzuschließen, während metakognitive Regulierung und bildungspersonalspezifische Mensch-KI-Zusammenarbeit die am wenigsten spezifizierten bleiben. Für Design und Forschung verknüpft dies KI-Kompetenz mit Bildungsmessung und mit Assessment insgesamt: ein Kompetenzrahmenwerk ist nur so nützlich wie die Instrumente, die Wachstum verfolgen, und stufenbasierte Kontinua erfordern reliable Messung, um Lernende entlang von ihnen zu verorten.

Ein 32-Item-Instrument mit sechs Facetten erweitert das Vierdimensionenmodell um zwei weitere Facetten — responsible use und self-development — und hält Skalarinvarianz über Heranwachsende (12–17), junge Erwachsene (18–40) und Erwachsene mittleren Lebensalters (41–60), wenngleich die Autoren warnen, dass das ΔCFI sich dem konventionellen Schwellenwert näherte (Liu et al. (2026)).

Zhi, Yang und Huang (2026) bauen ein graduatespezifisches Modell auf Marzanos Taxonomie: eine Grounded-Theory-Analyse von Interviews mit 14 Professoren kondensierte 329 Rohlabels zu 96 Konzepten, 15 Kategorien und fünf Dimensionen (cognitive foundation, operational skills, higher-order thinking, metacognitive reflection, ethical responsibility), die dann als 15-Item-Likert-Skala operationalisiert wurden, deren fünf Faktoren in explorativer Faktorenanalyse auftraten (83.14% kumulativer Varianz) und in konfirmatorischer Faktorenanalyse an einer zweiten Unterstichprobe hielten (CFI = 0.934, RMSEA = 0.083), mit Reliabilitäten von 0.796 bis 0.842 über 308 gültige Fragebögen.

Die Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) validiert dieselbe dreiteilige Struktur für erwachsene Lernende als Selbstauskunftsinstrument (n = 546 und n = 647; χ²/df = 4,93, CFI = 0,931, α = 0,913). Ihre Faktoren Know-How und Know-Why erwiesen sich als am engsten gekoppelt (HTMT = 0,544), während theoretisches Wissen allein nicht in praktische Wirksamkeit überging. Als Selbstauskunftsmaß teilt sie das oben beschriebene Divergenzproblem, ist also eher eine validierte Diagnostik als ein Leistungsmaß — und die Autor:innen fordern eine Revalidierung über Altersgruppen und kulturelle Kontexte hinweg. Eine verwandte Frage ist, was die Instrumente überhaupt messen können. Burriss et al. (2026) stellen fest, dass bestehende Skalen und Kompetenzrahmenwerke zu KI-Kompetenz individuell messbare Leistung annehmen und dadurch kollaborativen, kreaten Ausdruck strukturell ausschließen — die Evidenz ihrer Einheit waren multimediale Filmartefakte, Reflexionen und bürgerschaftlicher Diskurs statt eines summativen Punktewerts, und die Autoren argumentieren, solche Evidenz könne konventionelle Maße ergänzen statt ersetzen. Das Konstrukt zu verbreitern kann daher erfordern, die zulässige Evidenz zu verbreitern, statt bloß modalitätsreiche Items zu bestehenden Skalen hinzuzufügen.

Ein ergänzender Strang misst, wie Lernende und Lehrkräfte KI-Kompetenzmaterialien empfangen statt deren Kompetenz selbst. Wang, Chuang und Wu (2026) ließen 794 Studierende und 37 Lehrkräfte zwei Leitfadenausgaben bewerten, die nach der Altersschwelle der UNESCO gebaut waren (Alter 9-12 und 13-18), nach etwa 30 Minuten angeleiteter Klassenzimmerexposition. Akzeptanz hielt eine Vierfaktorstruktur (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) mit gestützter Messinvarianz über die beiden Studierendenausgaben, jüngere Lernende punkteten bei allen vier Konstrukten höher, und wahrgenommene Verspieltheit trug in beiden Kohorten die größte Assoziation mit der Absicht. Die Autoren sind explizit darüber, was dies nicht ist: die wahrgenommene Akzeptanz einer altersgestuften Ressource ist keine KI-Kompetenzleistung, kein ethisches Schlussfolgern, keine Übernahme und keine nachhaltige Nutzung, und Akzeptanz auf Materialebene sollte nicht als Beleg dafür gelesen werden, dass sich Kompetenz verbessert hat.

Messung erstreckt sich auch auf die Bildungsakteure, die das Engagement der Lernenden mit KI vermitteln. Die meisten KI-Kompetenzassessments zielen auf Studierende oder allgemeine Nutzende und lassen eine Lücke in der Lehrkräftebildung — eine Lücke, die die Teachers' AI Literacy Scale (TAILS) adressiert: im ED-AI-Rahmenwerk mit sechs Dimensionen begründet (knowledge, evaluation, collaboration, contextualization, autonomy und ethics), wurde sie durch explorative und konfirmatorische Faktorenanalyse mit angehenden Sprachlehrkräften validiert. Solche Instrumente unterstützen das Messen und Entwickeln der KI-Kompetenz der Bildungsakteure, die das Engagement der Lernenden mit KI vermitteln. Auf der Studierendenseite entwickeln und validieren Nie et al. (2026) eine Generative AI Assessment Literacy Scale (GAA-LS) für Studierende der Hochschulbildung — ein 18-Item-, Fünffaktor-Instrument, dessen Punktewerte Feedback-Engagement, akademische Integrität und verantwortungsvolle KI-Nutzung verfolgen, mit einem indirekten Pfad zur Integrität über Feedback — ein Beleg dafür, dass assessmentspezifische KI-Kompetenz messbar ist und mit Integritätsverhalten einhergeht. Was dieses lehrkraftgerichtete Instrumentkorpus tatsächlich enthält, ist seither geprüft worden: Zainal, Mohd Matore und Maats Review aus dem Jahr 2026 zu Messwerkzeugen für KI-Kompetenz von Lehrkräften begutachtete 33 Instrumente, veröffentlicht zwischen 2019 und 2025, und fand, dass 31 (93.9%) Selbstauskunftsskalen wahrgenommenen Vertrauens waren, nur zwei Wissen objektiv testeten, und keine leistungsbasierte Aufgaben nutzten, während Fairness-Evidenz die schwächste Qualitätsdomäne war, wobei nur fünf Instrumente Messinvarianz oder Differential Item Functioning berichteten.

Das Update dieser Messliteratur aus dem Jahr 2026 reorganisiert sie in vier Domänen — knowledge and use, epistemic oversight, reliance calibration und operational control of tool-using agents — und berichtet, dass kein validiertes Instrument auf individueller Ebene im Korpus die volle Kombination aus scope, permissions, recovery, state isolation, independent review und evidence-based closure abdeckt, die agentische Werkzeugnutzung verlangt. Seine gebündelte subjektiv–objektive Korrelation über drei gleichstichprobige Effekte hinweg war r = .055, konsistent mit der oben beschriebenen Divergenz statt mit Selbsteinschätzungen als nutzbarem Proxy (Verí (2026)).

Die Messlandschaft ist selbst ungeordnet und inzwischen teils kartierbar. He, Zhang, Wang und Ji (2026) analysierten das Korpus der KI-Kompetenzinstrumente mit einer LLM-basierten Codierungspipeline und fanden, dass das Feld viele Konstrukte unter einem Label misst — ein jangle problem, bei dem ein Konstrukt mehrere Namen trägt (Behavioral Commitment erscheint in acht Kandidatenpaaren, Intrinsic Motivation in fünf), neben Kandidaten für jingle-Fälle, in denen Instrumente ein Label teilen, aber nicht ihren Iteminhalt. Ihre semantische Ähnlichkeitswiederherstellung von Item- und Konstruktstruktur korrelierte nur mäßig mit den von den Instrumenten selbst berichteten Reliabilitäten (r = 0.49 auf Itemebene gegen 0.45 und 0.35 auf Konstruktebene), und sie bieten die Methode als Screening statt als Entscheidung an. Die Folge für jeden, der ein Maß auswählt, ist, dass konvergente Annahmen über Studien hinweg nicht sicher sind: zwei Instrumente mit demselben Namen operationalisieren möglicherweise nicht dasselbe Konstrukt.

Was diese Instrumente unterstützen können, ist inzwischen geprüft worden, und die Prüfung ist ernüchternd. Jin, Gašević, Martinez-Maldonado und Yan (2026) sichteten 8.056 Datensätze auf 58 Studien mit 47 einzigartigen Instrumenten hinunter, begutachtet mit COSMIN an einem Konstrukt, dessen Instrumententwicklungsfenster sich auf drei Jahre zusammenzog (zwei Instrumente vor 2023, allein 28 im Jahr 2025). Das Korpus bleibt mit 37 von 47 Selbstauskunft, und die Evidenz häuft sich eng um die interne Struktur: strukturelle Validität war in 32 von 58 Studien ausreichend und interne Konsistenz in 32, keine davon als unzureichend bewertet, aber Konstruktvalidität wurde von nur 15 Studien berichtet (12 ausreichend), Kriteriumsvalidität von einer, Mess-invarianz von fünf (alle ausreichend), und nur 2 von 58 verdienten ein ausreichendes Gesamturteil zu Inhaltsvalidität — Comprehensiveness war in 53 unzureichend, obwohl 43 Studien kognitive Interviews berichteten. Das Muster ist, dass Messpraxis genau dort robust aussieht, wo sie am günstigsten zu demonstrieren ist, und dünn, wo Evidenz von außerhalb des Instruments kommen muss, sodass eine saubere Faktorstruktur und ein hoher Koeffizient (der Item-Redundanz ebenso widerspiegeln kann wie Konstruktrepräsentation) nicht als demonstrierte Fähigkeit gelesen werden sollten. Die Verordnung der Autoren ist Konsolidierung statt Vermehrung: bestehende Skalen verfeinern, Invarianz testen, wann immer eine eine Sprache oder eine Bildungsstufe kreuzt, und Kriterienevidenz hinzufügen, indem Punktewerte zu Leistungsaufgaben in Beziehung gesetzt werden.

Eine der Ausnahmen ist gebaut, um Gruppen zu vergleichen. Zhang et al. (2026) entwickelten die Generative AI Literacy Scale (GAILS) — 43 Items, reduziert auf 34 durch einen Delphi-Review mit fünf Experten und einen Pilotversuch mit sieben Personen, dann validiert an 341 nordamerikanischen Erwachsenen — und testeten Skalar-invarianz, wobei sie über weibliche und männliche Antwortende sowie über Studierenden- und Arbeitskraftgruppen hinweg hielt. Das ist, was die Mittelwertsvergleiche lizenziert, die das Instrument berichtet — Männer punkten auf Adaptive Operational Skills bescheiden höher, Studierende höher auf Adaptive Operational Skills und Responsible GenAI Literacy — als Kompetenzunterschiede statt als Differential Item Functioning, und es ist, was die Skala über Hochschulbildung und Arbeitssettings hinweg nutzbar macht statt nur für Studierende. Ihre eigene Evidenz ist nicht makellos: Fit war gemischt (CFI = .967 und SRMR = .058 innerhalb konventioneller Schwellenwerte, RMSEA = .087 darüber), Gesamtskala α = .973 steht neben einem fehlgeschlagenen Fornell–Larcker-Diskriminanzvergleich (Faktor 1 √AVE = .828 gegen r = .873 mit Faktor 3), und, wie fast alles im Korpus, misst sie wahrgenommene Kompetenz ohne Verhaltenskriterium. Eine validierte Skala in diesem Feld ist ein Startpunkt für die Invarianz- und Kriterienarbeit, die der Review einfordert, nicht ein fertiger Benchmark.

Verbindungen über die Wissensbasis hinweg

KI-Kompetenz schneidet sich mit KI-Tutoring (verstehen, wann und wie KI-Tutoren wirksam sind), KI-Kompetenz von Lehrkräften (Bereitschaft des Bildungspersonals), akademischer Integrität (wissen, was angemessene KI-Nutzung ausmacht) und KI in der Bildung insgesamt. Sie ist sowohl Vorbedingung für wirksame KI-Nutzung als auch Ergebnis gut gestalteter KI-Integration — Studierende lernen KI-Kompetenz, INDEM sie KI kritisch nutzen, nicht nur, indem sie ÜBER KI lernen.

KI-Kompetenz ist für Überabhängigkeit zweischneidig: Maizel et al. (2026) fanden, dass die fähigkeitsbasierten Dimensionen von KI-Kompetenz (nutzen/verstehen, erkennen) positiv mit berichteter KI-Abhängigkeit assoziiert waren, während KI-Selbstwirksamkeit und akademisches Vertrauen negativ assoziiert waren — sodass technisches KI-Kompetenztraining ohne Gerüste bei Selbstwirksamkeit und Selbstregulation die Abhängigkeit erhöhen kann. KI-Kompetenz wird hier zu einer ermöglichenden Kapazität, deren Richtung von komplementären motivationalen Ressourcen abhängt.

  • Verifikationsgewohnheiten zahlen sich nur über Regulierung aus. In der Befragung von Davor, Larbi und Boateng (2026) mit 533 Universitätsstudierenden in Ghana hatte KI-Verifikationskompetenz keinen signifikanten direkten Effekt auf kritisches Denken (beta = .076, p = .090) oder technisches Problemlösen (beta = .043, p = .385) und zählte nur über metakognitive Selbstregulation (beta = .167, p < .001), eine vollständige Mediation, die die Autoren metakognitive Aktivierung nennen. KI-Aufgengerüste sagten beide Ergebnisse vorher (beta = .185 und .170), während die Tendenz zu kognitivem Offloading sie negativ vorhersagte (beta = -.240 und -.312) und auch die Regulierung senkte (beta = -.294). Studierenden beizubringen, KI-Ausgaben zu prüfen, reicht daher nicht allein: Bewertungsgewohnheiten brauchen Planen, Überwachen und Reflektieren, das in die Aufgabe eingebaut ist.
  • Kritik an KI-Ausgaben als Kompetenzpraxis: Hosseini (2026) behandelt das Bewerten KI-generierter Fehler als zentrale KI-Kompetenzfähigkeit und nutzt Fehlermodus-Analyse und iterative Prompt-Verfeinerung in einem Kurs zu Datenbankdesign. Die Studie fand, dass Studierende ihre KI-Fähigkeiten überschätzten (selbst berichtete Kompetenz schwach negativ korreliert mit objektiver Kompetenz), und dass kritikbasiertes Lernen die Kalibrierung stärkte.
  • Sozialistisch-humanistische KI-Kompetenz (2026): Ein Literaturreview kritisiert compliance-orientierte KI-Kompetenz und schlägt eine sozialistisch-humanistische Rahmung asynchroner KI-Kompetenz und fair use in der Hochschulbildung vor, die die historische digitale Kluft mit moderner KI-Kompetenz verknüpft und Ansätze einfordert, die menschlichem Gedeihen und Gerechtigkeit dienen statt mechanischer Politik-Compliance (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
  • Günstige, leichtgewichtige Warnungen dämpfen KI-Überzeugung — ohne allgemeines Vertrauen zu kosten. Orchinik und Rand (2026) präregistrierten zwei Experimente (insgesamt N = 3.208 US-Erwachsene), in denen Teilnehmende mit einem LLM konversierten, das angewiesen war, ihre Ansichten zu politischen Themen zu verschieben. Eine einzige kurze Warnung — dass Modelle zum Überzeugen geprompttet werden können und Information selektiv darstellen können — halbierte die Überzeugungsänderung ungefähr (-48.1%, 95% CI [-59.5%, -36.8]) gegenüber der Kontrolle, und das Hinzufügen spezifischer Warnungen zu Überzeugungstechniken erbrachte keinen weiteren Nutzen. Die Eigenschaft, die für das Lehren zählt, liegt auf der anderen Seite des Effekts: allgemeines Vertrauen in generative KI fiel nicht, sodass die Intervention kalibriertes Vertrauen aufbaut statt pauschale Skepsis. Es ist eine Ein-Absatz-Intervention ohne Begleitung, was ein seltenes Kostenprofil für ein KI-Kompetenzdesign ist.
  • Governance von KI durch Lernende zählt mehr als das Design des Werkzeugs. Azimi (2026) randomisierte 33 Studierende eines Masterkurses in Datenanalyse zwischen einem im Notebook eingebetteten, gerüsteten AI Study Coach (n = 16) und uneingeschränkter Nutzung beliebiger generativer KI-Werkzeuge ihrer Wahl (n = 17) über sieben Wochen. Aufgabenleistung und Zuwächse im Konzeptinventar waren ununterscheidbar; die Coach-Bedingung berichtete stattdessen höheres Vertrauen. Was Studierende unterschied, war KI-Kompetenz in der Praxis: diejenigen, die eigene Regeln dafür formuliert hatten, wann sie KI nutzen, punkteten in beiden Bedingungen höher, und die Studierenden mit dem tiefsten Modellverständnis — alle selbst beigebracht — prompteten am absichtsvollsten. Die Designimplikation läuft gegen den Kontrollreflex: lehren Sie die selbstregulatorischen und modellverstehenden Komponenten von KI-Kompetenz, statt Werkzeuge einzuschränken.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Verknüpfte Ressourcen

  • Education Agent Skills
    Eine Bibliothek von 165 evidenzbasierten Agent Skills zu Pädagogik, Lernwissenschaft, Curriculum und Assessment, verpackt für Claude, Codex und Hermes.
  • EduGems
    Eine wachsende Bibliothek vorgefertigter Google-Gemini-„Gems“ – teilbare, vorgeschriebene Prompts für Planung, Feedback, Formulare, Bilder und Reflexion über die KI-Nutzung.
  • mglearn Classroom Resources
    Eine große Sammlung kostenloser, browserbasierter Aktivitätspakete für den Unterricht und druckfertiger Materialien von TCEA, darunter Module zu Gen-AI-Kompetenz und digitaler Bürgerschaft.
  • OnMicro.AI
    Ein No-Code-Baukasten, mit dem Pädagoginnen und Pädagogen fokussierte KI-Apps bauen, per Link veröffentlichen, über LTI in ein LMS einbetten und sehen können, wie Lernende sie nutzen.
  • Playlab
    Eine gemeinnützige Schöpfungsplattform, auf der Pädagoginnen und Pädagogen eigene KI-Apps bauen, teilen und evaluieren – im eigenen Curriculum fundiert, mit dem Modell ihrer Wahl, mit eingebauter Sichtbarkeit für Lehrkräfte.
  • Pressing Prompts
    Offen zugängliche Aktivitäten und Ressourcen für die Hochschulbildung zu drängenden kritischen Fragen über KI, geordnet in drei thematische Cluster.
  • Student Guide to AI
    Ein kostenloser Studienleitfaden in drei Ausgaben von der Elon University, AAC&U und The Princeton Review, dessen Ausgabe 2026 zehn menschliche Fähigkeiten mit unterrichtsfertigen Lernmodulen und einer anonymen Selbsteinschätzung aufbaut.
  • Vibes DIY
    Ein App-Baukasten in einfacher Sprache: ein kleines Werkzeug in Worten beschreiben und eine funktionierende, teilbare Web-App bekommen, wobei die zugrundeliegenden React-Pakete und das CLI unter Apache-2.0 stehen.

Metadaten

NiveauHigher Ed, K 12
ZielgruppeFaculty Developers, Instructors, Learners
Technologien und VerfahrenGenerative KI, Große Sprachmodelle (LLMs)
Grundlagen von KI in der BildungAkademische Integrität, KI in der Bildung, KI-Kompetenz, Lehr- und Curriculumsentwicklung
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.