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

Technologien

Erstellt 2026-08-19 · Aktualisiert 2026-10-10

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

Technologien — die Modelle, Architekturen und Verfahren, die KI-Bildungssysteme antreiben, und das Überblickskonzept für die Abdeckung der technischen Ebene in der Wissensbasis. Wo Pädagogik und Lerntheorien betreffen, wie Lehren und Lernen geschehen, und Evaluation von KI in der Bildung betrifft, ob KI wirkt, verankert diese Seite den technischen Strang: die KI-Systeme (große Sprachmodelle, generative KI, multimodale Modelle, Roboter) und die Verfahren, die genutzt werden, sie zu bauen, zu steuern und einzusetzen (Prompt Engineering, Retrieval-Augmented Generation, bestärkendes Lernen, NLP in der Bildung, Wissensgraphen, agentische Orchestrierung).

Fragen zum Nachdenken

  • Sie können hervorragend unterrichten, ohne ein LLM bauen zu können — diese Seite argumentiert jedoch, dass Ihre technischen Entscheidungen weiterhin prägen, was KI in Ihrem Klassenzimmer kann und nicht kann. Auf welche Weise könnte die zugrunde liegende Technologie eines KI-Werkzeugs unmerklich verändern, wie Ihre Studierenden lernen, auch wenn Sie den Code nie sehen?
  • Eine verbreitete Annahme ist, dass das Modell die ganze Geschichte sei — doch Verfahren wie Retrieval-Augmented Generation (RAG) und Prompt Engineering existieren genau dafür, die Ausgaben von LLMs zu steuern und zu verankern. Was, denken Sie, geschieht tatsächlich im Hintergrund, wenn Sie eine KI bitten, „genauer zu sein“ oder „diese Quelle zu nutzen“?
  • RAG wird als Kernverfahren zur Reduktion von Halluzination und zur Verbesserung von Sicherheit beschrieben. Warum, glauben Sie, wäre es für die Bildung wichtiger, relevantes Wissen abzurufen, um eine Antwort der KI zu „verankern“, als etwa für lockere Unterhaltung — und was könnte schiefgehen, wenn diese Verankerung scheitert?
  • Die Seite behauptet, technische Entscheidungen verkörperten pädagogische Annahmen: Ein auf sokratischem Prompting aufbauender Tutor argumentiert mit Lernenden, während ein antwortgenerierendes Modell einfach Lösungen überreichen kann. Können Sie sich an ein KI-Werkzeug erinnern, das eine bestimmte Lehrphilosophie zu „unterstellen“ schien — und passte das zu der Art, wie Sie tatsächlich unterrichten oder lernen wollten?
  • Jenseits bloßer Genauigkeit sollten KI-Systeme dieser Seite nach an Verlässlichkeit, Pädagogik und Gerechtigkeit bewertet werden. Welche Kennzahl vermuten Sie als Standard der meisten Menschen (auch vieler Lehrenden), wenn sie beurteilen, ob ein KI-Werkzeug „funktioniert“, und warum könnte diese Kennzahl mehr verbergen als offenbaren?
  • Agentische KI wird beschrieben als Verschiebung der KI „von einem prompt-antwortenden Werkzeug zu einem proaktiven Mitarbeitenden“. Wie könnte ein System, das von sich aus mehrstufige Arbeitsabläufe anstößt und orchestriert, verändern, wofür Sie als Lehrende oder Lernende verantwortlich sind — und wer macht es dafür rechenschaftspflichtig?

Einführung

KI in der Bildung läuft auf einem bestimmten technischen Stack, und ihn zu verstehen ist für Lehrende und Forschende bedeutsam, auch wenn sie selbst keine Systeme bauen — weil technische Entscheidungen prägen, was KI im Klassenzimmer kann und nicht kann, welche Risiken sie birgt und wie man sie bewertet. Diese Seite ordnet die Abdeckung technischer Konzepte der Wissensbasis: die KI-Systeme, die Verfahren, die sie anpassen und steuern, und wie die technische Ebene mit Pädagogik, Assessment und Evaluation verbunden ist.

KI-Systeme in der Bildung

  • Große Sprachmodelle (LLMs). Das rechnerische Rückgrat der meisten modernen AIED — LLMs erzeugen menschenähnlichen Text für Tutoring, Assessment und Inhaltserstellung und sind die am häufigsten referenzierte Technologie der Wissensbasis. Training und Feinabstimmung passt allgemeine LLMs für den Bildungseinsatz an.
  • Generative KI. Die breitere Kategorie von Systemen, die Text, Code, Bilder und andere Inhalte erzeugen — generative KI (vorrangig durch LLMs angetrieben) ist die Technologie hinter der aktuellen Welle der AIED-Forschung. Siehe auch multimodale Modelle (Text, Bild, Audio) und Simulation.
  • Roboter und verkörperte Systeme. Roboter in der Bildung fügen eine verkörperte und oft soziale Präsenz hinzu — programmierbare Bausätze für computational thinking sowie humanoide/soziale Roboter für Tutoring, Storytelling und Rollenspiel. Robotik ist ein eigener technischer Strang, der agentische KI und Human-in-the-Loop-Design überschneidet.
  • Wissensbasierte Systeme. Wissensgraphen und NLP in der Bildung repräsentieren und verarbeiten Domänenwissen, zunehmend kombiniert mit LLMs für verankertes, erklärbares Tutoring.

Verfahren und Methoden

  • Prompt Engineering. Prompt Engineering ist, wie Lehrende und Entwickelnde die Ausgaben von LLMs formen — der primäre Mechanismus, durch den Entlastung und Steuerung in LLM-Interaktionen vollzogen werden.
  • Retrieval-Augmented Generation (RAG). RAG verankert die Ausgaben von LLMs in abgerufenem Wissen, wodurch Halluzination sinkt und Genauigkeit steigt — ein Kernverfahren für den sicheren Bildungseinsatz.
  • Bestärkendes Lernen. Bestärkendes Lernen trainiert Agenten, Verhalten über die Zeit hinweg zu optimieren, eingesetzt in adaptiven Systemen und spielbasiertem Lernen.
  • Agentische Orchestrierung. Agentische KI-Systeme planen und führen mehrstufige Arbeitsabläufe aus — oft unter Orchestrierung mehrerer spezialisierter Agenten (siehe Multi-Agenten-Systeme) — und wandeln KI von einem prompt-antwortenden Werkzeug in einen proaktiven Mitarbeitenden um.
  • Der agentische Bildungs-Stack hinkt der Entwicklungsfront hinterher. Wang et al. (2026) kartierten 474 Studien und fanden GPT-Serien-Modelle und LangChain dominant, während gesteuerte Werkzeug-Orchestrierung, persistenter Speicher und langfristige Planung weitgehend fehlten — und nur 138 von 474 (29%) schöpften aus Bildungstheorie.
  • Modelltraining und Anpassung. LLM-Training und Feinabstimmung, bildungsbezogene Ausrichtung und Anpassung kleiner Sprachmodelle machen allgemeine Modelle bildungsspezifisch — wenngleich die Belege in der Wissensbasis Retrieval und Prompting in der Entscheidungsreihenfolge vor das Training setzen, da ein gut verankerter Prompt günstiger ist als ein angepasstes Modell.

Wie die technische Ebene mit dem Feld verbunden ist

Der technische Strang ist untrennbar mit den anderen Themen der Wissensbasis verbunden:

Folgerungen für KI in der Bildung

  • Technische Kompetenz stützt kritische Nutzung: die zugrunde liegenden Modelle und Verfahren zu verstehen hilft Lehrenden und Lernenden, KI gut zu nutzen und kritisch zu bewerten (siehe KI-Kompetenz).
  • Technologie nach pädagogischer Absicht wählen: das KI-System und das Verfahren sollten der Lehrstrategie folgen, nicht umgekehrt.
  • Die technische Ebene bewerten: Evaluation von KI in der Bildung und Benchmark-Forschung bewerten KI-Systeme an Verlässlichkeit, Pädagogik und Gerechtigkeit, nicht nur an herausgestellter Genauigkeit.
  • Roboter und Agenten sind Teil des Stacks: verkörperte und agentische Systeme erweitern das technische Repertoire über Text hinaus — und bringen eigene Gestaltungs- und Sicherheitserwägungen mit.

Verbundene Konzepte

Verbundene Artikel

Metadaten

Technologien und VerfahrenTechnologien, NLP in der Bildung, Roboter in der Bildung, Generative KI, Wissensgraph, Große Sprachmodelle (LLMs), Multimodale KI, Prompt-Engineering, RAG (retrieval-augmented generation / abrufgesteuerte Generierung), Bestärkendes Lernen, Simulation
Grundlagen von KI in der BildungAgentische KI
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.