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

Kollaboratives Lernen

Erstellt 2026-08-09 · Aktualisiert 2026-10-10

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

Kollaboratives Lernen — Instruktionsansätze, in denen Studierende zusammenarbeiten, um Probleme zu lösen, Aufgaben zu erledigen oder Wissen zu konstruieren, unterstützt oder vermittelt durch KI-Werkzeuge. In der KI-Bildung erstreckt sich Forschung zum kollaborativen Lernen über KI als Kollaborationspartner, KI als Vermittlerin menschlicher Kollaboration und das Design kollaborativer KI-Tutoringsysteme.

Fragen zum Nachdenken

  • Denken Sie an einen Moment, in dem Sie in einer Gruppe etwas tief gelernt haben. Was hat es funktionieren lassen? Stellen Sie sich nun vor, ein KI-Chatbot tritt dieser Gruppe bei — wie könnte er stärken oder leise untergraben, was Sie erlebt haben?
  • Forschung findet einen Trade-off: Schlussfolgern an KI zu delegieren erzeugt die beste Aufgabenleistung, aber das geringste selbstregulatorische Engagement, während der Modus, der Selbstregulation aufbaut, bei der Aufgabe schwächer abschneidet. Wenn Sie wählen müssten, was würden Sie schützen — das Ergebnis oder den Kampf?
  • Das ICAP-Framework reiht „interaktive“ Kollaboration als tiefste Form des Engagements. Könnte eine KI, die für die Gruppe antwortet, Kollaboration tatsächlich von interaktiv auf bloß passiv herunterstufen — selbst wenn Studierende zufriedener sind?
  • Eine Studie fand, dass KI-Mediatoren nur vertraut wird, solange sie neutral bleiben; wenn die KI zum Beraten oder Herausfordern übergeht, erodiert dieses Vertrauen. Wie neutral sollte der KI-Mediator einer Gruppe wirklich sein?
  • Wenn Lernende KI nutzen, um ein poliertes Artefakt zu erzeugen, überspringen sie möglicherweise die epistemische Anstrengung, die Verständnis aufbaut. Wie würden Sie einen KI-Partner gestalten, der Uneinigkeit und Konflikt sichtbar macht, statt sie zu glätten?
  • Neurodivergente Studierende berichten, strukturierte Aufgaben, kleine beständige Teams und explizite Rollen zu brauchen. Wenn KI-Kollaborationswerkzeuge für die „durchschnittliche“ Lernende gebaut sind, wen könnten sie auslassen — und wie würden Sie anders gestalten?

Einführung

Kollaboratives Lernen gründet in soziokulturellen Lerntheorien, die Wissenskonstruktion als fundamental sozial positionieren. KI führt neue Dynamiken ein: KI kann als Peer, als Facilitator oder als Teilnehmerin an kollaborativen Prozessen dienen. Die Artikel dieser Wissensbasis erkunden, wie KI-vermittelte Kollaboration Lernergebnisse, epistemisches Engagement und Gerechtigkeit beeinflusst — und wie kollaborative Strukturen gestaltet sein müssen, um vielfältige Lernende aufzunehmen.

Kollaboration als Konstrukt versus Gruppenarbeit als Struktur. Kollaboratives Lernen ist die breitere Theorie: Wissen wird durch gemeinsame Tätigkeit und Dialog ko-konstruiert. Gruppenarbeit ist ihre konkreteste formale Implementierung — ein Team, das ein gemeinsames Ergebnis erzeugt, und oft eine gemeinsame Note. Beide sind eng verwandt, aber nicht identisch: eine Gruppe kann ohne echte Kollaboration funktionieren (Aufgabe in unabhängige Teile partitioniert, Arbeit bloß zusammengeführt), und Kollaboration kann ohne formale Gruppen geschehen (Paare, Dialog der ganzen Klasse oder mensch-KI-Interaktion). KI drückt am stärksten genau auf diese Lücke — Chen und Zou (2026) fanden Gruppen, deren individuelle GenAI-Praxis nie kollektive Fähigkeit wurde, weil die Aufgabe nie gemeinsame Arbeit erforderte, neben Gruppen, in denen die gemeinsame Note GenAI-Nutzung zu einem Koordinationsproblem machte. Die Seite Gruppenarbeit untersucht diese Dynamiken in der Tiefe; diese Seite behält die weitere Linse auf kollaboratives Lernen als Ganzes.

KI als Kollaborationspartner erkundet die Rolle der KI im Gruppenlernen. Kimmerle konzeptualisiert das Risiko reduzierter epistemischer Anstrengung, wenn Lernende KI nutzen, um polierte Wissensartefakte zu erzeugen, und plädiert für KI, die als argumentative Partnerin strukturiert ist und kognitiven Konflikt bewahrt. Getestet im Klassenzimmermaßstab ließen Oppenheimer, Cash & Connell Pensky (2025) einführende sozialwissenschaftliche Studierende (n = 154) argumentative Aufsätze schreiben, Kritik von LLMs wie ChatGPT, Gemini oder Claude erhalten und diese dann einarbeiten oder widerlegen; blinde Kodierende fanden Reflexion in 92,7 % und aktive Widerlegung von LLM-Behauptungen in 87,8 % der Antworten (Inter-Rater-κs = 0,81–0,89), ein Beleg dafür, dass Lernende sich als kritische Konsumenten verhielten, die den kognitiven Konflikt der Kritik bewahrten, statt ihn aufzugeben. Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving untersucht, wie Emotionen kollaboratives Problemlösen mit KI prägen. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy erkundet kollaborative Ansätze zur Entwicklung von KI-Kompetenz.

Die Zustimmung der Facilitatorin ist der stärkste beobachtete Hebel darauf, ob Studierende einen konträren Agenten akzeptieren: in zwölf interprofessionellen Teams bewerteten jene, deren Fakultäts-Facilitatorin ihre KI-Integration beeinflusste, sie als stärker Teil des Teams (M = 3,08 gegenüber 2,64) und ihr Feedback als hilfreicher (M = 3,44 gegenüber 2,93) (Wiss et al. (2025)).

KI-vermittelte Peer-Kollaboration untersucht, wie KI begleitet, dass Menschen miteinander kollaborieren. ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming und Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning erkunden, wie Eigenschaften von KI-Agenten Gruppendynamiken beeinflussen. When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community dokumentiert, wie KI-Agenten, die einander lehren, Diskursmuster erzeugen, die menschlichem Peer-Lernen ähneln. Klassenraumweite Systeme erweitern dies auf die relationale Dimension der Kollaboration: CoBi nutzt Spracherkennung und Sprachverständnis, um „erhebenden“ Kleingruppendiskurs (respektvoll sein, gerecht, der Gemeinschaft verpflichtet, Denken voranbringen) zu erkennen, und gibt nicht-evaluative, klassenzimmerweite Visualisierungs zurück, um Gemeinschaftsbildung und Kollaborationsfähigkeiten zu unterstützen, und enthält dabei absichtlich Feedback auf Studierenden- oder Gruppenebene zurück, um Datenschutz und Vertrauen zu schützen.

Neurodivergente Perspektiven auf Kollaboration offenbaren kritische Designanforderungen. Zastudil et al. fanden, dass neurodivergente Studierende strukturierte Aufgaben, kleine beständige Teams mit explizit definierten Rollen und vorhersagbare Interaktionsmuster brauchen — Anforderungen, die KI-Kollaborationswerkzeuge aufnehmen müssen. Das verbindet kollaboratives Lernen mit Inklusives Lernen und Neurodiversität.

Lehrkraft-KI-Kollaboration untersucht, wie Lehrende und KI zusammenarbeiten. Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing und Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence erkunden Frameworks für kollaboratives Lehren zwischen Mensch und KI und verbinden sich mit Lehre und Human-in-the-Loop-KI.

KI als pädagogische Vermittlerin rekonzeptualisiert die Rolle der KI in der Kollaboration jenseits von Werkzeug oder Peer. Unter Rückgriff auf soziokulturelle Theorie und verteilte Kognition positioniert Niari KI als aktive Teilnehmerin an der Orchestrierung von Interaktion, epistemischer Sinnstiftung und regulatorischen Prozessen, die Handlungsfähigkeit, Autorität und Verantwortung über menschliche und nicht-menschliche Akteure hinweg neu verteilt, ohne die Handlungsfähigkeit von Lernenden oder Lehrenden zu verdrängen. Das gründet kollaboratives Lernen in einer sozial vermittelten, mitregulierten Sicht auf KI statt einer individualistischen.

Kollaborationsmodi und der Effizienz-Regulation-Trade-off. Empirische Forschung zu Hochschulstudierenden, die mit KI an komplexem Problemlösen kollaborieren, identifiziert drei distinkte Modi — Delegated Reasoning, Concerted Interpretation und Delegated Elaboration. Der effizienteste Modus (delegiertes Schlussfolgern) erbringt die höchste Aufgabenleistung, aber das geringste selbstregulatorische Engagement der Lernenden, während der Modus mit der größten Selbstregulation (konzertierte Interpretation) bei Aufgabenergebnissen schwächer abschneidet.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) Das offenbart eine zentrale Designspannung: Umgebungen kollaborativen Lernens müssen die Effizienz des verteilten Mensch-KI-Systems gegen die Tiefe des regulatorischen Engagements der Lernenden ausbalancieren.

Der einzige verfügbare meta-analytische Kontrast für KI-unterstützte kollaborative Arbeit sitzt innerhalb von GenAI-unterstützten PBL/PjBL-Interventionen, wo Peer-Kollaboration bei g = 0,885 poolte gegenüber g = 0,416 für individuelle Arbeit, aber der Unterschied nur einen marginalen Trend erreichte (QM = 3,675, p = .055) und die Seite individueller Arbeit auf zwei Studien beruht — daher ist die gepoolte Evidenz, dass Kollaboration unter GenAI Alleinarbeit schlägt, suggestiv statt etabliert (Chen et al. 2026).

Ein Scoping-Review von 18 Studien kartiert denselben Trade-off über Gruppenarbeit hinweg: GenAI unterstützte Wissensentwicklung, Ideenfindung und Kommunikationseffizienz, während es zugleich den Anspruch an Peer-Interaktion, Verhandlung und gemeinsame Sinnstiftung senkte, und randomisierte Evidenz fand mehr innovative KI-Vorschläge ohne signifikanten Gewinn in der Gesamtinnovativität der Teilnehmenden (Wei und Perkins (2026)).

Rollendesign ist ein Hebel auf die Qualität, nicht das Volumen, kollaborativer Wissenskonstruktion. Cheng et al. (2026) wiesen 58 Doktorierenden und ihrem KI-Partner in 16 Gruppen rotierende Moderations-, Analysten- und Argumentierer-Rollen zu und fanden, dass die Struktur den Inhalt der Gruppen-Mindmaps fast ein volles SOLO-Band anhob (M = 3,65 auf 4,59, z = 3,771, p < 0,001), während Knoten- und Zweigzahlen flach blieben — Organisation statt Abdeckung — auf Kosten eines moderaten Anstiegs kollaborativer kognitiver Last (p = 0,023). Lag-sequenzielle Analyse fügte eine Evaluations-Selbsttransition und einen Konflikt-zu-Verteidigen-Pfad hinzu, die das Werkzeug allein nicht erzeugt hatte, und positioniert Mensch-KI-Kollaboration als Designproblem statt als Werkzeugproblem.

GenAI als Agent und Raum in Kleingruppen — der Modus zählt. Xu et al. (2026) beobachten, dass wie ein Team auf GenAI zugreift, Kollaboration prägt: mit einer einzigen geteilten Oberfläche in synchroner Arbeit ko-konstruieren Teams „kollektive Prompts“, laufen einen Oberfläche-evaluieren-einbetten-Zyklus und behandeln den Chat als geteiltes Gedächtnis; in asynchroner Arbeit fragmentieren privates Prompting und „De-Labeling“ der Ausgabe Transparenz und erhöhen die Kosten, ein geteiltes kognitives Modell aufrechtzuerhalten. Ihre Linse der GenAI-Supported Cooperative Work (GSCW) rahmt GenAI als konfigurierbaren Agenten (individueller Assistent bis Teammitglied) und als interaktiven kollaborativen Raum — und verbindet Zugangskonfiguration direkt mit der ICAP-relevanten Qualität interaktiven Engagements.

GenAI als Infrastruktur der Gruppenkoordination — und das Risiko abgeflachter Kooperation. Chen und Zou (2026) zeigen, wie fünfzehn Gruppen angehender Lehrkräfte GenAI in einer benoteten Gruppenpräsentation handhabten, und die Spaltung läuft gegen die übliche Annahme, dass Gruppendruck KI-Vertrauen erhöhe. Fünf Gruppen intensivierten die Nutzung, um ein vertrautes Kollaborationsproblem zu lösen — nicht zu wissen, was die Abschnitte der Peers enthielten —, und speisten diese Arbeit in einen Chatbot, um sie verständlich zu machen und den eigenen Teil auszurichten, wobei eine Gruppe ihren Zyklus als Diskussion → Externalisierung zu GenAI → kollektives Review → erneute Diskussion neu aufbaute. Die Autoren lesen das als mehr als kognitives Auslagern, da Studierende Urteil behielten, während das Werkzeug Koordination absorbierte, markieren aber, dass der glattere Workflow die Uneinigkeit umgehen kann, durch die Zusammenhalt konventionell aufgebaut wird, was relationale Arbeit zur offenen Frage macht. Sieben Gruppen senkten ihre GenAI-Nutzung stattdessen und schützten das situierte Wissen, das in geteilten Klassenzimmern aufgebaut wird („KI weiß nur diesen Moment, wenn du tippst“), Fairness gegenüber Gruppenmitgliedern, Originalität über Gruppen hinweg und die Vielfalt der Perspektiven, die die Gruppe bereits hielt. Drei Gruppen sahen überhaupt keine Veränderung: bei in unabhängige Abschnitte partitionierter Aufgabe wurde individuell ausgefeilte GenAI-Praxis nie zu kollektiver Fähigkeit, obwohl Kohärenz ein explizites Kriterium war. Das Muster legt nahe, dass Gruppennormen, nicht das Werkzeug, entscheiden, was eine Gruppe mit KI tut — und dass kollektive Einführung das wahrgenommene Risiko des Missbrauchs senken kann statt das Engagement zu erhöhen.

Kollaboration als Gegenstand der Instruktion. ProPACT ist ein KI-getriebener adaptiver Tutor für Pair Programming, der die Dyade — nicht das Individuum — als Analyseeinheit behandelt und gemeinsame visuelle Aufmerksamkeit, gemeinsame mentale Anstrengung und pupillenbasierte Signale in Echtzeit modelliert, um kollaborative Zusammenbrüche bis zu 30 Sekunden im Voraus vorherzusagen und zu intervenieren, bevor sie eintreten. Dyaden, die proaktives Feedback erhielten, erreichten deutlich höheren Debugging-Erfolg, erledigten Aufgaben effizienter und zeigten anhaltende Gewinne in kollaborativer Regulation danach — ein Beleg dafür, dass KI Kollaboration selbst lehren kann, nicht bloß eine Aufgabe unterstützen. Kollaborative Kompetenz zu messen wirft die komplementäre Herausforderung auf, kollaboratives Problemlösen (CPS) im großen Maßstab zu bewerten, was traditionell manuelle Kodierung von Prozessdaten aus simulierten Aufgaben in CPS-Verhalten erfordert — zeitaufwendig und im großen Maßstab unpraktisch; kontextbewusstes Prompting vortrainierter Sprachmodelle automatisiert diese Kodierung, indem es kontextuelle Abhängigkeiten modelliert und kognitive und soziale Fähigkeiten fusioniert, und erreicht überlegene Leistung gegenüber starken Baselines.

Gerüst auf der Ordnung des Gruppengesprächs, nicht seiner Häufigkeit. Wong, Bulathwela & Cukurova (2026) min'ten Dialogsequenzen von 65 Studierenden in Triaden und fanden eine Ordnung — Paraphrasieren, dann Vorschlagen, dann Infragestellen —, die Verbesserung verfolgte, während die umgekehrte es nicht tat; das maximale Gerüst erhöhte On-Task-Verhalten und zugleich Skripting und weniger Problemlöse-Indikatoren.

KI als neutraler Mediator — und die Spannung, wenn sie aufhört, neutral zu sein. Spritz ist eine Discord-basierte Große Sprachmodelle (LLMs)-Sonde, die disziplinäre Grenzen in interdisziplinären Studierendenteams vermittelt, indem sie implizite Annahmen sichtbar macht und anonymisierte Synthesen in die geteilte Diskussion zurückgibt. Studierende schätzten sie als kognitive Unterstützung wie auch als relationalen Puffer, aber eine zentrale Spannung trat auf: die wahrgenommene Neutralität der KI war tragend und erodierte, sobald die KI von neutraler Vermittlerin zu Beraterin oder Herausforderin wechselte — eine zentrale Designeinschränkung für Agenten, die Kollaboration vermitteln und dabei Mensch-KI-Zusammenarbeit und Vertrauenskalibrierung bewahren.

Ein strukturiertes Facilitator-Protokoll — und sein Sykophantie-Risiko. Seo et al. (2026) erweitern kollaboratives Lerndesign um ein strukturiertes Divergenz-Deliberation-Konvergenz-Protokoll: Ein LLM-Facilitator stapelt Sprechzüge, timt die Phasen und fasst inkrementell zusammen, ein Format, das 45 Studierende einfach und gesprächsähnlich fanden und das den Bedarf an externer Facilitierung reduzierte. Das Design dreht sich um eine Spannung, die die Studie direkt maß: Agenten unterstützten die Breite der Perspektivübernahme (Gruppen erzeugten größere, divergentere Stakeholder- und Lösungsmengen, und Agenten äußerten konsistent Minderheitenstandpunkte), doch sykophantisches, schlussfolgerungsfreies Einverständnis flachte den kognitiven Konflikt ab, der Kollaboration Denken vertiefen lässt. Teilnehmende baten um Agentenausgabe, die Zwischenschritte der Deliberation offenlegt statt nur Schlussfolgerungen, und um Gegenargumente, die echte Uneinigkeit bewahren.

Kollaborative Strukturen für KI-Bildung. The Academic League of AI organisiert KI-Bildung durch demokratische Studierenden-KI-Governance und Projektteams und bettet Aktives Lernen und Projektbasiertes Lernen in eine kollaborative, gemeinschaftsverbundene Struktur ein.

Das ICAP-Framework: Kollaboration als höchster Engagement-Modus

Kollaboratives Lernen besetzt die Spitze des ICAP-Frameworks (Interactive–Constructive–Active–Passive): Der interaktive Modus — Bedeutung durch Dialog ko-konstruieren, eine Position verteidigen oder gemeinsam lösen — erzeugt die tiefste Wissensveränderung in Chis Taxonomie. Das macht ICAP sowohl zu einer Rechtfertigung kollaborativer Pädagogiken als auch zu einer Designeinschränkung für KI. Eine KI, die Diskussion vermittelt (wie Spritz oder ProPACT es tun), ist genau dann wertvoll, wenn sie interaktives Engagement aufrechterhält; eine KI, die für die Gruppe antwortet oder kognitiven Konflikt glättet, kann Kollaboration auf einen bloß aktiven oder passiven Modus herunterstufen. ICAP-basierte Annotation (siehe erweiterte ICAP-Messung kollaborativen Dialogs) und Forschung zum Timing der Facilitierung behandeln beide die Qualität interaktiven Diskurses als interessierendes Ergebnis und gründen kollaboratives Lernen in Studierendenengagement und der ICAP-Hierarchie.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions)

Praktische Anleitung

  • Kollaboration modellieren, nicht bloß das Individuum. Werkzeuge, die dyadischen oder Gruppenzustand verfolgen (wie ProPACT es tut), können die Kollaboration selbst begleiten und Zusammenbrüche vorhersagen und verhindern, statt auf sie zu reagieren.
  • Kognitiven Konflikt bewahren. KI als argumentative Partnerin strukturieren, die Uneinigkeit und implizite Annahmen sichtbar macht, und das Polierte-Artefakte-Problem vermeiden, bei dem KI fragiles epistemisches Engagement glättet.
  • Konträre Personas haben affektive Kosten. Über 97 Triaden hinweg drängte konträre KI den Diskurs hin zu Herausforderung und Reflexion, senkte aber Zufriedenheit mit der Teamarbeit (ε² = .062) und psychologische Sicherheit (ε² = .114), ohne den kreativen Output zu erhöhen (Jin et al. (2026)).
  • Die Funktion des Agenten auf das beabsichtigte Ergebnis abstimmen. Ein Review von 46 Studien zu KI-Agenten im rechnerunterstützten kollaborativen Lernen fand konsistent berichtete kognitive Gewinne, während Verhaltens-, soziale und emotionale Ergebnisse kontextabhängig blieben, mit der stärksten Ausrichtung zwischen Agentenfunktion und Ergebnis innerhalb derselben Domäne (Ba et al. (2026)).
  • Eine separate Facilitator-Rolle reduziert Dominanz, nicht Responsivität. In Oyelere (2026) simuliertem Benchmark senkte das Hinzufügen eines Facilitator-Agenten neben dem Tutor dyadisches Zug- und Wortungleichgewicht (M = 0,103 und 0,105 gegenüber 0,183 und 0,182), ohne reziprokes Engagement zu verändern — obwohl die Lernenden synthetische Personas waren, nicht echte Dyaden.
  • Effizienz gegen Selbstregulation ausbalancieren. Kollaborative KI, die Aufgabeneffizienz maximiert (delegiertes Schlussfolgern), kann das regulatorische Engagement der Lernenden untergraben; Design sollte absichtsvoll Raum für konzertierte Interpretation schützen.
  • Die Neutralitätseinschränkung respektieren. KI-Mediatoren wird vertraut, solange sie neutral sind; in beratende oder herausfordernde Rollen zu wechseln destabilisiert dieses Vertrauen, daher sollten Rollenwechsel explizit und konfigurierbar sein.
  • Neurodivergente Lernende aufnehmen. Strukturierte Aufgaben, kleine beständige Teams und explizite Rollendefinitionen sind Anforderungen, die KI-Kollaborationswerkzeuge unterstützen müssen.
  • Nicht-evaluatives Feedback auf Klassenzimmerebene bevorzugen. Wenn die relationale Dimension der Kollaboration unterstützt wird, schützt auf Klassenebene aggregiertes Feedback Datenschutz und Handlungsfähigkeit der Studierenden, wo individuelle Benotung sich überwacht anfühlen würde; CoBi-Studierende bevorzugten qualitative Visualisierungen (einen organischen Baum) gegenüber quantitativen (einem Radardiagramm), und Lehrende schätzten es mehr, die Beobachtungen des Systems zu nutzen, um Reflexion auszulösen, als die Live-Anzeige.
  • Auf das Betrachten/die Aufmerksamkeit gestalten, das dem Beitrag vorausgeht. Kollaboratives Lernen in Online-Diskussions-Foren hängt nicht nur vom Posten ab, sondern vom Lesen, das ihm vorausgeht. Hao & Cukurova (2026) zeigen, dass LLM-generierte Diskussionszusammenfassungen und Beispielbeiträge als navigationale Gerüste wirken können, die die Exposition der Studierenden gegenüber Beiträgen von Peers und die Netzwerkbedingungen für brückenbildendes (schwachbindendes) soziales Kapital verbreitern — Unterstützung, die soziopädagogische Strategien zur Aufrechterhaltung von Engagement unter akademischer Arbeitslast ergänzen, nicht ersetzen sollte.
  • Die soziale Seite zeigt Störung ohne ausgleichenden Gewinn. Über fünf Kollaborationsprozesse hinweg erreichte ein Konsens von 30 Expertinnen nur Verwundbarkeit, wobei Verbesserungsbewertungen unter der Schwelle lagen: Soziale Verbindung (3,80 gegenüber Verbesserung 1,90), Sozio-emotionale Entwicklung (3,60 gegenüber 2,00), Soziales Lernen, Kollaboratives Lernen und Zugehörigkeitsgefühl (alle 3,30) (Kendeou, Greene & Nixon et al., 2026). Der Bericht behandelt die Asymmetrie als Designziel, da kollaboratives Problemlösen an einem geteilten Produkt verankert ist, während kollaboratives Lernen keinen sichtbaren Referenten hat und unbemerkt erodieren kann.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauK 12, Higher Ed
ZielgruppeLearners
Lernen und UnterrichtKollaboratives Lernen, Scaffolding (Gerüstbildung)
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzGerechtigkeit
Grundlagen von KI in der BildungKI in der Bildung
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.