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

Bildung in Kunst, Design und Medien

Erstellt 2026-09-16 · Aktualisiert 2026-10-10

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

Bildung in Kunst, Design und Medien — die Studio- und aufführungsbasierten Disziplinen, in denen Lernen durch Machen geschieht: Architektur und räumliches Design, Innenarchitektur, Musikperformance, Komposition und Analyse, bildende Kunst und Bildgenerierung, digitale Medien und digitales Storytelling sowie Bühnen- und Performance-Technologie. Über die Artikel dieser Wissensbasis hinweg sind die wiederkehrenden Fragen, ob Generative KI Handwerk und Kompetenzentwicklung erodiert oder auf eine höhere Stufe hebt, wie Kritik und Leistungsbeurteilung kreativer Arbeit sich verändern, wenn ein poliertes Artefakt billig zu produzieren ist, wie viel von jeder Disziplin auf verkörperter und materieller Praxis beruht, und wer einbezogen wird, wenn kreative Werkzeuge generativ werden. Die Abdeckung konzentriert sich auf Hochschulbildung und auf Studien einzelner Studios oder einzelner Kurse, daher sind die meisten Befunde unten Fallbelege und keine disziplinweiten Behauptungen.

Fragen zum Nachdenken

  • In einer Architektur-Studio-Studie berichteten Teams, die eine GenAI-plus-XR-Pipeline nutzten, nachher geringeres Vertrauen in die eigene Designfähigkeit, und verblindete Bewertende bewerteten ihre Präsentationen nicht besser als die einer Kontrollgruppe. Was müssten Sie wissen, bevor Sie schlussfolgern, die Werkzeuge hätten das Lernen geschädigt — und was würde Sie trotzdem so schlussfolgern lassen?
  • Studiolehre lief schon immer über die Kritik und den sichtbaren Prozess: Skizzen, Modelle, aufeinanderfolgende Iterationen. Wenn eine Studentin in einer Minute ein fertig wirkendes Bild erzeugen kann, was sollte die Kritik dann eigentlich prüfen?
  • In einem projektbasierten Capstone zu digitalem Storytelling wurden die Ideen der Studierenden als origineller bewertet als ihre fertigen Werke kohärent. Wo sitzt das harte Lernen wirklich — im Erzeugen von Ideen oder im Integrieren?
  • Ein Review der Musikbildung unterscheidet autonome Generatoren wie Suno und Udio von interaktiven Kompositionsassistenten wie dem Continuator und argumentiert, nur der zweite sei pädagogisch produktiv. Stimmen Sie zu, und was ist Ihr Kriterium für die Unterscheidung?
  • Designer in Malaysia werden beschrieben, wie sie sich von primären Formerzeugern zu kritischen Kuratoren maschineller Ausgabe verlagern. Wenn das das Ziel ist, was sollte ein Designkurs im ersten Semester zuerst lehren?
  • Blinde und sehbehinderte Streicherlernende erlernen Bogenführung durch Berührung und Propriozeption, weil visuelle Demonstration für sie nicht verfügbar ist. Was bedeutet das für Feedbacksysteme in den Künsten, die auf einem Bildschirm als Standard aufsetzen?

Einführung

Was diese Disziplinen teilen, ist das Studio oder der Probenraum als Ort des Lernens, mit einem gemachten Artefakt und dem Prozess dahinter als Objekt des Assessments. KI tritt in mehreren Formen ein: ein Bildgenerator im Architektur- und Innenarchitektur-Studio, ein Kompositions- und Analysewerkzeug in der Musik, ein räumlicher Partner in immersiven Umgebungen, ein automatisierter Bewerter schriftlicher Analyse und — in der Bühnentechnik — eine lehrendenseitige Hilfe, die gesprochene Lehrintention in ausführbare Demonstrationen verwandelt. Die Abschnitte unten verfolgen, was die Studien berichten, und arbeiten dann die übergreifenden Fragen von Handwerk, Assessment und Zugang heraus.

Diese Seite ist die disziplinäre Heimat der Studio- und darstellenden-Kunst-Fächer, und sie ist schmaler als ihre Nachbarn. KI-Bildung in den Disziplinen trägt das allgemeine Argument, dass KI-in-der-Bildung-Forschung über alle Fächer hinweg domänenbewusst sein muss; diese Seite handelt davon, was spezifisch am Machen ist. Kreativität behandelt das kognitive Konstrukt, wo immer es auftritt — divergentes Denken, das Homogenisierungsrisiko der Assistenz durch ein einzelnes Modell, Schutz des generativen Akts der Lernenden —, einschließlich in Mathematik und kreativem Programmieren; diese Seite behandelt die Disziplinen, in denen kreative Produktion das Curriculum ist. Design-Thinking behandelt Ideenfindung und nutzerzentrierte Problemrahmung als allgemeine Pädagogik; diese Seite behandelt die Studios, in denen dieser Prozess gelehrt, betreut und bewertet wird. Bildung in Geistes- und Sozialwissenschaften behandelt Interpretation, Autorschaft und Argument in textzentrierten Feldern und zählt die Künste zu ihren Teilbereichen; hier werden die Künste und Medien aus diesem interpretativen Rahmen gelöst und auf materielle, räumliche, klangliche und performative Praxis zentriert. Designeducation schneidet die professionelle Hälfte aus demselben Gebiet heraus: Diese Seite umfasst die Studio- und darstellenden Künste, deren gemeinsames Merkmal das Machen ist, während Designbildung der schmaleren Ausbildungspipeline für Produkt-, Service-, Interaktions-, Innen- und Architekturdesigner folgt — Portfolio-Assessment, Akkreditierungserwartungen, Beschäftigungsfähigkeit — und den Studioprozess hinter einem Artefakt statt das Artefakt selbst als Objekt des Assessments behandelt.

Studio-Pädagogik und die Kritik unter generativer KI

Generative Werkzeuge erreichen diese Disziplinen durch ein bestehendes Ritual: öffentlich gemachte, unvollständig gezeigte und kritisierte Arbeit. Was die Quellen zeigen, ist, dass KI die Mitte dieses Prozesses am zuverlässigsten und die Enden am wenigsten verändert. In der GenARch-Studie setzten Xiao et al. (2026) eine GenAI-plus-Multi-User-XR-Pipeline in ein echtes Architektur-Design-Studio für das Grundstudium ein und fanden eine komplementäre Arbeitsteilung: Generative KI externalisierte Ideen und gab Teams etwas Konkretes, auf das sie zeigen, das sie vergleichen und über das sie streiten konnten, während XR die Evaluation unterstützte und Studierende Proportion, Nachbarschaft, Belichtung und Standortkontext in voller Größe beurteilen ließ.

Die Werkzeugkette war an beiden Enden des Prozesses unhandlich. Zu Beginn hatten die Teams noch keine Ideen, die sie in einen Prompt kodieren konnten; später machten reichere Konzepte Prompting leichter, erhöhten aber die Erwartung an das Befolgen von Einschränkungen, und wenn Präzision zählte, kehrten Studierende zu SketchUp und Revit zurück. Sie berichteten ein Dimensionsgenauigkeitsversagen — „ich bat sie, eine 10 Fuß hohe Wand aus 3D-Modell zu machen, es waren keine 10 Fuß“ —, Asset-Latenz von Sekunden bis Minuten, und geteilte Aufmerksamkeit, die abdriftete, wenn Teammitglieder verschiedene Teile eines Modells betrachteten. Jedem Teilnehmenden ein Headset zu geben, erzeugte für sich noch keine koordinierte Zusammenarbeit.

Die Verantwortlichkeiten des Studios verschoben sich gleichwohl. In einer Longitudinalstudie zu generativen Modellen in Designstudios unterscheiden Gül et al. (2026) die Nutzung von GenAI als visuellen Stimulus in der frühen Ideenfindung von einer kombinatorischen Nutzung, die den Lösungsraum während der Entwicklung erweitert, und verorten das pädagogische Problem in Kompetenz statt im Zugang: ohne das Urteilsvermögen, zwischen Modellen zu differenzieren und sie gezielt einzusetzen, erzeugt reichliche Ausgabe Designfixierung und ästhetisches Lock-in. Ihre Schlussfolgerung bewegt die Rolle der Lehrenden vom Vermitteln von Handwerk hin zum Coaching, wann, wie und warum kreative Erkundung delegiert wird.

Architektur, räumliches und Innenarchitektur-Design

Eine Fokusgruppen-Studie aus Derby gibt dem Studio ein günstigeres Ergebnis. Kapsalis (2026) führte zwei Gruppen von je acht Architekturstudierenden der Stufe 3–5 durch eine 90-minütige Sitzung mit einem lokal ausgeführten Bildgenerierungs- und Bearbeitungsablauf, der auf Wohninnenräume feintunt war. Studierende erzeugten etwa 80 Bilder pro Sitzung, etwa zehn je Person, mit Annahmeraten über 60 %. Selbstberichtete Ideenfindung (4,5) und Experimentieren (4,2) erzielten die höchsten Werte auf der Kreativitäts-Subskala, während die Verfeinerung endgültiger Entscheidungen (3,7) weniger gleichförmig unterstützt wurde — manche Studierende fanden, das Werkzeug hebe unbedachte Kombinationen hervor, andere, dass es mit Details ablenke, die nicht zum Konzept passten. Der Autor rahmt dies als konstruktivistische „Mikrowelt“, die den kreativen Suchraum erweitert, ohne Design-Denken zu ersetzen, und vermerkt Umfrageevidenz, dass fast 70 % der Architekturstudierenden KI-Werkzeuge bereits eigenständig nutzen, während über 95 % keine formale KI-Bildung berichten.

Innenarchitektur wirft die Frage professioneller Formation am schärfsten auf. Syed Abdul Rahman (2026) beschreibt, wie sich malaysische Designer von primären Formerzeugern hin zu kritischen Vermittlern und Kuratoren maschineller Ausgabe verlagern, wobei Visualisierung-Plattformen Zeitpläne komprimieren und die Spanne der innerhalb eines Budgets produzierbaren Optionen erweitern. Unter Berufung auf empirische Arbeiten zur Kundenpräferenz (Lan et al., 2025) vermerkt der Artikel, dass KI-Ausgabe für Einzigartigkeit hoch bewertet wird, wenn ästhetische Kriterien überwiegen, dass menschliche Designer aber einen klaren Vorteil behalten, wenn funktionale, ergonomische und kontextuelle Anforderungen betont werden — und dass generierte Designs oft kulturelle Spezifität, klimatische Responsivität und verlässliche Baubarkeit vermissen lassen, in einem Markt, der tropische Bedingungen, generationenübergreifendes Wohnen und islamische Raumprinzipien verhandelt. Ihre Curriculumsempfehlung ist Sequenzierung statt Substitution: lehre CAD/BIM, Bauwissen und Human Factors vor generativer Erkundung, und bewerte Kritisches Denken und ethische Reflexion neben visueller Qualität.

Musik und darstellende Künste

Musik wird hier als die Kunst behandelt, die dem ökonomischen Wandel am stärksten ausgesetzt ist, der vor generativer KI begann. Briot (2026) argumentiert, Dematerialisierung habe den Wert pro Einheit aufgenommener Musik etwa zwei Größenordnungen lange vor den kommerziell relevanten generativen Modellen sinken lassen, dass Auszahlungen pro Stream weiterhin in der Größenordnung von \0,003–0,003–\\0,005 liegen, und dass generative KI ein bereits zerbrochenes Wertmodell verlängert, statt es zu schaffen. Seine Unterscheidung, die für das Lehren zählt, kontrastiert autonome Generatoren wie Suno und Udio — vollständige, stilistisch kohärente Stücke aus einem Textprompt, mit opaker und unkontrollierbarer Struktur — gegen interaktive Kompositionsassistenten wie FlowComposer und den Continuator, bei denen der Musiker Einschränkungen setzt, Intentionalität behält und der Continuator den Stil eines Spielers in Echtzeit als improvisatorischer Partner erlernt. Nur die zweite Art, so argumentiert er, sei pädagogisch produktiv, weil die erste Studierende als Konsumenten maschineller Ausgabe positioniert. Das empfohlene Curriculum macht Produktion und DAW-Flüssigkeit zu Kernkompetenzen und verteidigt Ensemble-Performance als die verkörperte, soziale Dimension, die der Substitution am meisten widersteht.

Das Assessment in der Musik wird in Richtung Automatisierung gedrängt, mit Grenzen, die es zu vermerken gilt. Lin, Jin und Min (2026) benchmarkten GPT-4o-mini gegen Lehrkräfte-Mittelwerte an 300 universitären Musikanalyse-Antworten über Harmonie, Form, Schlussfolgern und Terminologie hinweg und fanden, dass Few-Shot-Chain-of-Thought-Prompting am stärksten mit den Lehrkräfte-Mittelwerten übereinstimmte, während Retrieval-Augmentation systematisch überbewertete; die Übereinstimmung war zudem bei Terminologie schwächer als bei Schlussfolgern, weshalb die Autoren für strategie-spezifische Kalibrierung, Validierung auf Dimensionsebene und fortgesetzte menschliche Aufsicht argumentieren.

Gesangspädagogik liefert die deutlichste Aussage zum Messen-versus-Wert-Problem. Li (2026) argumentiert, KI-unterstützter Gesangsunterricht solle nicht danach beurteilt werden, wie präzise er Tonhöhe, Stabilität, Vibrato und Timing messe, weil dieselbe gemessene Abweichung technische Ungenauigkeit, expressive Beugung oder ein Aufnahmeartefakt anzeigen kann, und weil messbare Ausgaben die verkörperte Koordination einer Lernenden nicht repräsentieren. Das Framework trennt die Evidenz, die KI sichtbar macht, die menschlichen Lernprozesse, die sie interpretieren (körperliches Gewahrsein, metakognitive Überwachung, selbstreguliertes Üben, Motivation), und die Ergebnisse, die folgen, bewertet nach Effektivität, Gerechtigkeit und Nachhaltigkeit. Instrumentalunterricht für Musizierende mit Behinderungen treibt den Verkörperungspunkt weiter: Shi et al. (2026) arbeiteten mit vier fortgeschrittenen blinden und sehbehinderten Streichermusizierenden und drei Lehrenden und fanden, dass Streichtechnik üblicherweise durch visuelle Demonstration gelehrt wird — für diese Lernenden nicht verfügbar — und dass taktile und kinästhetische Hinweise dafür einspringen. Inklusiver Unterricht sollte nach ihrem Bericht mit behinderten Lernenden gebaut statt für sie nachgerüstet werden.

Bühnen- und Performance-Technologie ist, wo KI-unterstützte Instruktion am konkretesten gestaltet und evaluiert wurde. Liang et al. (2026) bauten LumiNote, ein Große Sprachmodelle (LLMs)-unterstütztes VR-System, das die gesprochene Intention einer Lehrenden, verankert durch einen Laserpointer, in überprüfbare räumliche Annotationen, ausführbare Beleuchtungsdemonstrationen und Jargon-Erklärungen verwandelt. Über 55 Lehrenden-Prompts und 531 generierte Aktionspaare hinweg wurden 380 (71,6 %) angewendet; visuelle Effekte bildeten die größte Prompt-Kategorie (27 von 55) mit hoher Übernahme (212 von 245 Aktionen, 86,5 %), während gerätespezifische Anfragen sich als am schwächsten erwiesen — 26 von 28 Ablehnungen gingen auf Fehllesungen von Richtungsreferenzen wie „linkes Licht“ zurück. Lehrende nutzten Vorschläge als Verfeinerungsprozess, nicht als fertigen Unterrichtsplan: Von 147 abgelehnten oder modifizierten Vorschlägen mit Nachverfolgung lösten 127 (86,4 %) einen neuen Prompt aus und nur einer eine direkte manuelle Anpassung. Ihre Arbeitslast sank (NASA-TLX 3,50 auf 2,22) und die Sitzungen verkürzten sich (19 Minuten 34 Sekunden auf 12 Minuten 33 Sekunden), während sich der Aufwand von Detailkonfiguration hin zu Ausdruck verlagerte. Der schärfste Befund ist eine Repräsentationsdiskrepanz: die Hinweise, die Lehrende als am nützlichsten bewerteten, um Experten-Schlussfolgern zu externalisieren, waren nicht jene, denen 24 Lernende folgen konnten, die einen Laserpointer (M = 5,50) und Konsolen-Tagging mit Werten (M = 5,33) gegenüber räumlichen Pfeilen und einem Avatar (beide M = 4,58) bevorzugten, obwohl die Ergebniswerte der Studierenden keine signifikanten Unterschiede zeigten.

Bildende Künste, Bildgenerierung und digitale Medien

Text-zu-Bild-Werkzeuge sind der Fall, in dem der iterative Workflow des Studios am direktesten auf dem Spiel steht, und die Evidenz ist keine einfache Geschichte von Gewinn oder Verlust. Liu, Meng und Zhang (2026) befragten 417 Kunst- und Designstudierende neben Fokusgruppen und Interviews mit Lehrenden und fanden, dass Leistungserwartung, sozialer Einfluss, Neuheitswert und kreative Kompetenz alle die Absicht zur Nutzung von Text-zu-Bild-Werkzeugen positiv vorhersagten, während Aufwandserwartung und erleichternde Bedingungen negativ vorhersagten — was sie als abkürzungsorientierte Nutzung in Studienleistungen lesen, wo Leichtigkeit und Verfügbarkeit schnellen Output ermöglichen statt anhaltendes Engagement. Ihr Kompetenzparadox ist das nennenswerte Ergebnis: kreative Kompetenz unterstützt die Absicht, sagt aber auch selektivere, zurückhaltendere tatsächliche Nutzung vorher, da Studierende Autorschaft, Originalität und Kompetenzerhalt gegen Effizienz abwägen. Sie argumentieren für eine Pädagogik, die KI-Kompetenz rund um kreativen Prozess, Prompt-Handwerk und Ausgabeevaluation adressiert, mit Studioprozess und Aufwand als bewertetem Objekt.

Digitale Medienproduktion zeigt, was ein strukturierter Prozess leisten kann. Tian et al. (2026) untersuchten ein 15-wöchiges projektbasiertes Capstone zu digitalem Storytelling, „Creative Shanzhou“, in dem 426 Absolvierende des letzten Studienjahres, betreut von 48 Mentoren bei etwa einem Verhältnis von 1:9, lokales Kulturerbe in Multimodale KI-Erzählungen übersetzten. Expertenbewertungen der 92 entstandenen Werke waren am stärksten bei Neuheit (M = 4,21, SD = 0,72), gefolgt von Effektivität (3,96) und Ganzheit (3,68), wobei 43 % der Projekte bei Ganzheit unter 3,5 lagen — Studierende erzeugten originale Ideen erfolgreicher, als sie sie integrierten. In einer 31-köpfigen Animations-Untergruppe stiegen die figuralen Kreativitätsdenk-Werte von 77,23 auf 94,68 (mittlere Differenz 17,45, t(30) = 4,55, p < .001, Cohens d = 0,82). Über die analysierten Projekte hinweg diente KI als Informationsorganisator, visuelle Referenz, Ideenfindungshilfe und Bearbeitungswerkzeug, während Studierende Themenauswahl, narrative Interpretation, kulturelle Sinnstiftung und endgültige Entscheidungen behielten; das höchstbewertete Beispiel schrieb seine Kohärenz anhaltendem menschlichen Engagement mit dem Quellmaterial zu statt KI-Politur. Das Projekt endete in einer dreitägigen öffentlichen Ausstellung, und 31 Werke wurden vom lokalen Kultur- und Tourismusbüro übernommen.

Immersive Umgebungen liefern den günstigeren Gegenfall in der beruflichen Gestaltung. Jin et al. (2027) implementierten AI-IVE-PBL — projektbasiertes Lernen innerhalb einer KI-befähigten immersiven virtuellen Umgebung mit einem Agenten als Lehrassistenten — in einem Erstsemesterkurs für berufliche Innenarchitektur, als fünfphasige Schleife aus Entdeckung, Visionierung, Modellierung, Kommunikation und Verfeinerung. In einem 12-wöchigen Zwei-Gruppen-Quasiexperiment (63 gültige Antworten, 31 gegenüber 32) erzielte die immersiv-plus-Agent-Bedingung höhere Werte bei Designfähigkeit (η²p = .138) und kreativer Fähigkeit (η²p = .111) unter ANCOVA mit Pretest als Kovariate, und hob kognitives (d = 0,90) und verhaltensbezogenes (d = 0,75) Engagement, Lernmotivation (d = 0,74) und Zufriedenheit (d = 0,69), während die berichtete kognitive Last sank (d = −0,52). Innovatives Denken und affektives Engagement bewegten sich in die erwartete Richtung, ohne Signifikanz zu erreichen. Alle Ergebnisse waren Selbstbericht, ohne Leistungsartefakte oder Expertenbewertungen, weshalb die Autoren ihr Ergebnis mit der Architektur-Studio-Studie oben kontrastieren.

Handwerk, Können und das Assessment kreativer Arbeit

Die Handwerksfrage tritt in mehreren Formen auf, und die Quellen sind sich uneins, wie besorgt zu sein ist. Kapsalis (2026) berichtet einen Nivellierungsmechanismus auf Einstiegsniveau: Studierende, die sich selbst als schwach im Zeichnen beschrieben, fanden, das Werkzeug öffne Zugang zu visuellem Ausdruck, ohne die Notwendigkeit von Urteil zu entfernen. Dagegen warnt Syed Abdul Rahman (2026), unkritische Einführung riskiere Absolvierende ohne grundlegendes räumliches Schlussfolgern, Materialwissen oder unabhängige kritische Evaluation, und benennt die Verhinderung von Dequalifizierung unter Berufseinsteigenden als zentrales regulatorisches Anliegen. Die Uneinigkeit betrifft teils die Sequenzierung: beide favorisieren technische Grundlagen vor generativer Erkundung.

Konsistent ist eine Neupositionierung dessen, was bewertet wird. Die Derby-Studie maß verfahrensbezogenes Vertrauen in der Sitzung bei 3,7 von 5, aber Vertrauen in den Transfer dieser Fähigkeiten über das Studio hinaus bei nur 2,6 — eine Lücke, die ihr Autor der Exposition in einer einzigen Sitzung zuschreibt und ein Problem auf Curriculum-Ebene nennt. Die Malaysia-Analyse empfiehlt Studioprojekte, die vergleichende Evaluation von KI- und Nicht-KI-Designwegen verlangen, plus Kriterien, die kritisches Denken neben visueller Qualität belohnen. Die automatisierten Bewertungsergebnisse der Musik weisen in dieselbe Richtung: die Übereinstimmung mit Lehrkräfte-Mittelwerten war dimensionsspezifisch, und die Autoren bestehen auf menschlicher Aufsicht statt voller Delegation. Li (2026) fügt hinzu, gemessene Ausgabe selbst als bildungswert zu behandeln, verenge Gesangstraining auf Output-Korrektur und Score-Optimierung. Der konvergierende Vorschlag ist, dass kreatives Assessment weiterhin Prozess, Iteration und begründete Entscheidungsfindung prüft, gerade weil das fertige Artefakt sie nicht länger belegt.

Zugang und Inklusion im Kunstlernen

Barrierefreiheit in den Künsten wird weniger als Compliance denn als Frage von Design und materieller Praxis behandelt. Shi et al. (2026) ist der deutlichste Fall: weil Streichtechnik normalerweise durch visuelle Demonstration gelehrt wird, hängen blinde und sehbehinderte Musizierende von taktilen und kinästhetischen Kanälen ab, und das partizipative Design der Studie unter Behinderten-Führung produzierte Strategien, die in der eigenen Praxis dieser Musizierenden wurzeln, statt Anpassungen, die auf eine visuelle Voreinstellung aufgesetzt werden.

Zwei weitere Befunde verkomplizieren jede einfache Geschichte generativer Werkzeuge als Nivellierer. In der Derby-Studie erklärte etwa ein Drittel der Teilnehmenden eine Behinderung, und knapp ein Fünftel berichtete eine spezifische Lernschwierigkeit; Inklusivitäts-Items clustered bei 3,8–4,1 und korrelierten stark mit dem Gefühl, die Sitzung sei zugänglich (ρ = .74) und damit, unabhängig von früherer KI-Nutzung mitzukommen (ρ = .81), und Studierende, die im Zeichnen weniger sicher waren, berichteten, sich nicht benachteiligt zu fühlen — ein bescheidener nivellierender Effekt in einer einzigen 90-minütigen Sitzung, kein nachgewiesenes Lernen. Die LumiNote-Repräsentationslücke zeigt die andere Seite: Hinweise, die Experten helfen, ihr Schlussfolgern zu externalisieren, sind nicht die Hinweise, denen Novizen folgen können, daher kann ein Design, das der Lehrenden gut dient, Lernende im Stich lassen, und die Autoren positionieren das LLM als Vermittlungsschicht, die zwischen beiden übersetzen muss. Die GenARch-Studie verzeichnet eine verwandte Gerechtigkeitsentscheidung: nach der Datenerhebung wurden die Technologien den Kontrollstudierenden freigegeben, damit sie ihnen nicht vorenthalten wurden. Wessen ästhetische und kulturelle Referenzen generative Modelle reproduzieren, und ob breiterer Zugang zu Design-Dienstleistungen die Nachfrage erweitert oder den Wettbewerb im mittleren Markt verschärft, wird in der Malaysia-Analyse aufgeworfen und bleibt offen.

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauHigher Ed
ZielgruppeInstructors, Learners, Instructional Designers, Curriculum Designers
Lernen und UnterrichtKreativität, Verkörpertes Lernen, Projektbasiertes Lernen
Technologien und VerfahrenMultimodale KI
Assessment und MessungAuthentisches Assessment
Grundlagen von KI in der BildungDesign-Thinking
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.