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

Konversationelle KI

Erstellt 2026-08-22 · Aktualisiert 2026-10-10

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

Konversationelle KI (CAI) — Agenten auf KI-Basis, die sprach- oder textbasiert Gespräche simulieren und automatisieren, von regelbasierten Chatbots über NLP/ML- bis hin zu Multimodale KI-LLM-basierten Assistenten — gehören zu den am weitesten verbreiteten KI-Schnittstellen in der Bildung, geschätzt für Unterstützung beim Lehren, psychologisch und metakognitiv, während technische, kognitive und ethische Bedenken fortbestehen.

Fragen zum Nachdenken

  • Wenn Sie einen Chatbot oder KI-Assistenten genutzt haben, haben Sie ihn als Lehrkraft, als Suchmaschine oder als etwas anderes betrachtet? Wie hat diese Rahmung geprägt, wie viel Sie tatsächlich von ihm gelernt haben?
  • Konversationelle KI beschreibt, WIE ein Agent spricht, nicht, wofür er gebaut ist. Könnte ein Chatbot konversationell und doch völlig unpädagogisch sein — und was würde Ihnen den Unterschied sagen?
  • Eine Studie fand, dass KI-Kompetenz — nicht allgemeine Technik-Affinität — vorhersagte, ob Studierende willens und fähig waren, einen Chatbot zu nutzen. Warum könnte es mehr zählen, zu wissen, wie KI funktioniert, als „gut mit Computern“ zu sein?
  • Ein roher allgemeiner Chatbot kann Schlussfolgern kurzschließen, indem er sofort antwortet, während ein strukturierter Tutor produktiven Kampf bewahrt, indem er Antworten zurückhält. Welche Designentscheidungen entscheiden, welche Art von Agent eine Studentin trifft?
  • Studierende, die einen Rechtskurs-Chatbot nutzten, führten ein Drittel ihrer Interaktionen außerhalb der Geschäftszeiten — ein Beleg, dass 24/7-Verfügbarkeit ein echter Nutzen ist. Aber birgt immer verfügbarer Zugang auch Risiken, gegen die Sie gestalten wollten?
  • Die größte Hürde für die Chatbot-Einführung in einer Studie war ein schlecht gestaltetes Pop-up, nicht Misstrauen oder Sorgen um akademische Integrität. Was legt das nahe, wo Investitionen in KI in der Bildung tatsächlich scheitern?

Einführung

Konversationelle KI (CAI) ist der Oberbegriff für KI-getriebene Agenten, die gesprochenen oder geschriebenen Dialog führen, am häufigsten realisiert als Chatbots und, jünger, als generative Große Sprachmodelle (LLMs)-basierte Assistenten wie ChatGPT, Claude und multimodale Bildungs-Avatare. Moderne CAI-Agenten fallen in Maschinelles Lernen-basierte, NLP-basierte und hybride Kategorien, wobei textbasierte Agenten in der Bildung am verbreitetsten sind. Als Lernwerkzeuge fungieren sie als intelligente Tutoren, Rückmeldung-Geber, Interaktionspartner und administrative Assistenten — überlappend mit pädagogischen Agenten, während sie eine breitere Menge von Anwendungen überspannen.

Wie konversationelle KI in der Wissensbasis erscheint

Eine Umbrella-Review-Synthese. Das Umbrella-Review zu CAI-Agenten (34 Review-Artikel) zeigt, dass CAI-Nutzung auf Unterstützung von Lehren und Lernen konzentriert ist (97,1 % der Reviews), psychologische und motivationale Unterstützung (91,2 %) sowie metakognitive und persönliche Entwicklung (88,2 %), während administrative Unterstützung, Forschungs-Management und Gesundheitsbildung zurückbleiben. Das Review dokumentiert, dass Bedenken zur Mensch-KI-Beziehung über alle CAI-Generationen fortbestehen, wobei Akademische Integrität und Daten-Datenschutz als neuere ethische Fragen aufkommen, und es fordert HCI-geerdetes, evidenzbasiertes Design und stärkere KI-Kompetenz-Unterstützung.

Von Chatbots zu Tutor-Agenten. Die Wissensbasis verfolgt die Entwicklung der CAI von regelbasierten FAQ-Chatbots hin zu tutoringsfokussierten Agenten. Das Framework konversationeller KI-Tutoren argumentiert, bewährte ITS-Technologien (Wissensstandsverfolgung, Affekterkennung, Studierendenmodellierung) sollten generative Tutoren verankern, während Generative KI flexiblen Dialog liefert. Forschung zu ob LLM-Tutoren lehren oder lösen und zu tutoringsspezifischer versus allgemeiner KI zeigt, dass pädagogisch gestaltete Leitplanken zählen: rohe allgemeine Chatbots können Schlussfolgern kurzschließen, während strukturierte Tutoren produktiven Kampf bewahren.

Benchmarks können überschätzen, wie viel Begleitung tatsächlich angenommen wird: über 9.490 Chats in neun Datensätzen hinweg umgingen Studierende in echten Einsätzen die pädagogische Rahmung des Chatbots mit geringen interpersonalen Kosten, um die Interaktion auf ihre eigenen Ziele zu treiben — ein instrumenteller Hilfesuche-Zug statt Desengagement (Neagu et al. (2026)).

Interaktion und Kollaboration. Konversationelle Agenten werden zunehmend als Interaktionspartner statt als Antwort-Geber gerahmt. Interaktion zwischen Studierenden und KI erfasst, wie Lernende mit CAI in der Praxis prompten, fragen und verifizieren. In Kollaboratives Lernen vermitteln Agenten Partizipation und geteilte KI-Regulierung in der Bildung, und in Sprachenlernen bieten sie konversationelle Echtzeit-Übung. Der Mensch-KI-Zusammenarbeit-Faden untersucht, wann diese Partnerschaft die kognitive Arbeit der Lernenden bewahrt statt sie zu ersetzen. LLMs als Kritikpartner illustrieren die bewahrende Seite konkret: Oppenheimer, Cash & Connell Pensky (2025) ließen ChatGPT, Gemini oder Claude argumentative Aufsätze von Studierenden über ein Semester hinweg kritisieren, und Lernende verbesserten sich in Schreiben, Prompt-Engineering und Reaktion-auf-Feedback, während sie die Austausche nützlich, engagierend und angenehm bewerteten — mit aktiver Widerlegung von Modellbehauptungen (87,8 %), was zeigt, dass sie den konversationellen Partner kritisch statt passiv behandelten.

Konversationelle Agenten werden zum Benotzen verwendet, und ihr Bewertungsverhalten weicht von dem der Menschen ab: ChatGPT war der nachsichtigste von drei Bewertenden derselben 52 Projekte aus dem Grundstudium (M = 91,46 gegenüber 83,13 bei der Lehrenden) und teilte keine Benotungslogik mit Peers (r = 0,05), obwohl Studierende seine dialogische Interaktivität schätzten (Usher & Faraon (2026)).

Die Studierendenseite des Gesprächs begleiten. Jin et al. (2026) fügen einer Chat-Oberfläche einen Frage-Spezifitäts-Monitor und eine Revisionsvorlage hinzu und greifen nur bei vagen Fragen ein: in einer Between-Subjects-Studie mit 40 Hochschulstudierenden, die Web-Programmierung lernten, schrieben HelpCoach-Nutzende signifikant spezifischere erste Fragen (57,3 % gegenüber 40,5 %) und behielten eine Woche später mehr Wissen (mittlerer Gewinn 1,9 gegenüber 0,3 von 6, d = 1,100). Der Behaltensnutzen lief nicht über gezieltere Chatbot-Antworten, die sich nicht nach Bedingung unterschieden — was den Mechanismus zu einer offenen Hypothese statt einem nachgewiesenen Pfad macht.

Die Rolle, die der Agent spielt, prägt die Interaktion. CAI-Design ist über seine Persona nicht neutral: Liao (2026) fand, dass ein fester „Studierenden-Peer“-Begleiter im Grundschul-Buchgespräch längere Interaktionen aufrechterhielt, das Gespräch aber dominierte (geringerer Anteil von Wörtern/Sätzen der Studierenden) und eine „affektive Decke“ erreichte — er glich eine menschliche Lehrkraft beim Faktenabruf aus, blieb aber bei emotionaler und zukunftsorientierter Reflexion dahinter zurück —, und argumentiert, CAI solle seine Rolle (Peer, Lehrassistent, Elternberater) anpassen statt monolithisch zu bleiben. Xu et al. erweitern dies auf Kleingruppen und zeigen, dass generative KI in synchronen und asynchronen kollaborativen Dynamiken sowohl als Agent als auch als kollaborativer Raum wirkt, wobei das Interaktionsdesign entscheidet, ob sie Gruppenkognition begleitet oder ersetzt. Der Ton kann auch durch einen externen Klassifikator gesetzt werden statt durch das Gespräch allein: Sukoon (Bashir & Afzal, 2026) trainiert einen Random Forest auf 20 Umfrage-Merkmalen, um ein niedriges, moderates oder hohes Stressniveau zuzuweisen, und diese Ausgabe wählt eine von drei Antwortstufen, inspiriert vom Stepped Care Model — warm und ermutigend bei niedrigem Stress, erdend und nicht wertend bei hohem Stress —, bevor ein Quelloffene Software (Open Source)-LLM (GLM-4.5-Air über OpenRouter) den Dialog mit der vollständigen Gesprächshistorie und einem kulturell angepassten System-Prompt übernimmt, der in jedem Zug erneut gesendet wird. Die Autoren wählten absichtlich ein mehrsprachiges Modell mit freiem Zugang, um den Einsatz in regionalen Universitäten machbar zu halten, und vermerken, dass Urdu durch Prompt-Engineering erscheint statt durch eine echt zweisprachige Pipeline — eine Einschränkung, die zählt, wann immer kulturelle Angemessenheit als Systemeigenschaft statt als evaluiertes Ergebnis beansprucht wird.

Konversationelles Verhalten folgt dem Anbieter, nicht dem Tuning. Über 1,971 KI- und 135 menschliche Transkripte hinweg, bewertet nach sechs festen Regeln aus den Lernwissenschaften, clustered Modelle desselben Anbieters zusammen ohne Überlappung zwischen Familienbereichen, was die Autoren als Lehrverhalten lesen, das anbieterweiten Trainingspraktiken folgt statt individuellem Modelltuning (Northcutt et al. (2026)).

Antwortkonsistenz ist ein Infrastrukturproblem, kein Prompting-Problem: die Ähnlichkeit von Antworten innerhalb eines Modells lag bei 0,715–0,795 gegenüber 0,443–0,604 zwischen Modellen, und das Hinzufügen von Chat-Historie veränderte den Antwortinhalt selbst für dieselbe fokale Nachricht (Hao (2026)).

Studierendenperspektiven. Echte Nutzung zeigt, dass Einführung an KI-Kompetenz und Nutzererfahrung hängt mehr als an technischer Fähigkeit. Eine menschzentrierte Mixed-Methods-Studie des „Jordan Chatbot“, eines GPT-4o-basierten pädagogischen Agenten in einem australischen Rechtskurs, fand positive Einstellungen der Studierenden und wahrgenommene Wissensgewinne bei starker Unterstützung von Akademische Integrität-Anforderungen; über ein Drittel der Interaktionen fand außerhalb der Geschäftszeiten statt, was den Wert von 24/7-Verfügbarkeit bestätigt (Colbran, Jha & Schiavone 2026). Bemerkenswerterweise sagte KI-Kompetenz — nicht allgemeine Technologiekompetenz — Bereitschaft und Vertrauen zur Nutzung des Chatbots vorher, und Usability (ein aufdringliches Pop-up-Design) war die größte Hürde unter Nicht-Nutzenden, vor Vertrauen, Präferenz für Personal und Sorgen um akademische Integrität.(Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education) Die Studie empfiehlt menschzentriertes Design, explizite KI-Richtlinien und Assessment-Labels, Training für Personal und Studierende und kontinuierliche Fehlerüberwachung — ein Beleg, dass wirksamer CAI-Einsatz ebenso sehr ein Design- und Kompetenzproblem ist wie ein technisches. Am anderen Ende des Altersspektrums untersuchten Vahedian Movahed & Martin (2025) Kinder von 6–14 Jahren im Umgang mit AMA, einem themenbegrenzten, altersangepassten Chatbot (Astronomie, Turnschuhe und Schuhe, Dinosaurier), und fanden breite Offenheit gegenüber und hohes Vertrauen in die KI als Informationsquelle — Kinder testeten ihre Glaubwürdigkeit sogar mit Fragen mit bekannter Antwort —, neben Lücken in kritischem Engagement und Bewusstsein digitaler Sicherheit, die für alterssensitives, vertrauensbewusstes Design konversationeller KI und explizite Datenschutz-Instruktion argumentieren.

Wer den Agenten nutzt, variiert ebenfalls: unter 97 Statistik-Studierenden im Aufbaustudium nutzte mehr als ein Viertel den StatBot-Chatbot nie, und Studentinnen nutzten ihn signifikant häufiger (W = 679,5, p = .015), was die Autoren dahingehend lesen, dass konversationelle KI das wahrgenommene soziale Risiko des Fragens senkt (Lee und Wu (2026)).

Einführung ist nicht homogen: das Clustern von 192 Antworten von Studierenden und Lehrenden ergibt vier Personas — Cautious Achievers, Skeptical Utilitarians, Disengaged Doubters und Engaged Enthusiasts —, die Akzeptanzmodelle mit Durchschnittseffekten verdecken, wobei Studierende unmittelbares Rückmeldung und Lehrende Inhaltsgenauigkeit und Akademische Integrität priorisieren (Saihi & Ahmed (2026)).

Dauerhaftigkeit wurde für einen institutionellen Einsatz beobachtet. Eine vierjährige randomisierte Evaluation eines nicht-generativen Wissensbasis-Chatbots an der California State University, Northridge (N = 8.708), fand, dass Studierende über acht Semester hinweg aufnahmebereit blieben — die jährlichen Opt-out-Raten überschritten nie 4 % —, während sich die Wirkungen auf zeitsensible administrative Aufgaben konzentrierten, wie frühe Einschreibung (34 Prozentpunkte wahrscheinlicher, vor der Frist einzuschreiben), und keine statistisch signifikanten Effekte auf GPA, Leistungspunkte oder Persistenz auftraten (Mata, Russell & Page 2026, ein Arbeitspapier). Ihre Messlektion betrifft, wie CAI-Engagement gezählt wird: bei Opt-out nahe null neben etwa 5 % aktivem Engagement bei interaktiven Kampagnen hängen Schlüsse über anhaltendes Engagement davon ab, ob eine Studie nur direkte Antworten zählt oder auch passives Engagement, bei dem Studierende auf Information handeln, ohne zurückzutexten.

Risiken und Ethik. CAI-Agenten tragen fortbestehende Risiken von Überabhängigkeit und kognitivem Auslagern (die führende ethische Sorge im Umbrella-Review), plus technische Grenzen, Halluzination, Bias, Plagiat und Gerechtigkeits-Hürden. Diese Bedenken beleben KI-Kompetenz und Missbrauch von KI reduzieren und erfordern Antworten in Politik und ethischer KI-Governance. Eine weitere Vertrauenssorge entsteht um den Einführungsrat, den Personal zunehmend erhält: Personal wird gedrängt, konversationelle KI darüber zu befragen, ob KI einzuführen ist, doch solche Systeme werden von Organisationen gebaut, die ein kommerzielles Interesse an Einführung haben. Ein Audit von zehn Frontier-LLMs fand, dass die meisten die Bedenken skeptischer Nutzender anerkennen, bevor sie zu Engagement-Rahmungen umleiten, was Fragen nach der Neutralität von KI-Einführungsrat aufwirft.

Konversationelle Agenten im spielbasierten Lernen. Jenseits von Tutoring werden konversationelle Agenten in digitales spielbasiertes Lernen eingebettet. Wenzel, Geiger und Liening (2026) nutzen Action Design Research, um das CAIS-GBL-Framework abzuleiten — vier Designprinzipien und fünfzehn Designmerkmale für KI-Konversationsagenten in digitalem spielbasiertem Lernen —, geerdet in theoriegetriebenen Meta-Anforderungen, die kognitives, motivationales, affektives und soziokulturelles Engagement und eine Gerechtigkeit-durch-Design-Haltung überspannen. Ihr instanziierter Agent (Lara) in einem Wirtschafts-Simulationsspiel wurde für kognitive und soziale Präsenz und Unterstützung selbstregulierten Lernens positiv aufgenommen, evaluiert mit Lehramtsstudierenden und in einer Feldstudie — eine praktliche Blaupause für adaptive Unterrichtsunterstützung über konversationelle Agenten in Serious Games.

Beziehung zu pädagogischen Agenten und intelligentem Tutoring

Konversationelle KI ist am besten als Interaktionsmodalität zu verstehen, die überlappt — aber nicht zusammenfällt mit — zwei etablierteren Konstrukten in der Wissensbasis: pädagogische Agenten und intelligente Tutoringsysteme (ITS).

Konversationelle KI als Medium, nicht als Pädagogik. CAI benennt, wie der Agent kommuniziert (Dialog in natürlicher Sprache, gesprochen oder textlich). Es sagt für sich wenig darüber, wofür der Agent gebaut ist. Pädagogische Agenten sind dagegen durch ihre Instruktionsrolle definiert — eine KI-Komponente, die Lernende durch Dialog, Fragen oder Prompts einbindet, um metakognitive Prozesse, Rückmeldung und Scaffolding (Gerüstbildung) zu unterstützen. Intelligente Tutoringsysteme sind durch ihre Architektur und Modellierung definiert — ein diagnostisches Rückgrat aus Wissensstandsverfolgung, Studierendenmodellierung und pädagogischer Entscheidungslogik, das verfolgt, was die Lernende weiß, und Instruktion anpasst. Ein einzelner Agent kann alle drei auf einmal sein: z. B. ist ein konversationeller KI-Tutor ein CAI-Agent (Dialogoberfläche), der als pädagogischer Agent (Tutoring-Strategien) auf einer ITS-Grundlage (Studierendenmodellierung) fungiert. Die Unterscheidung zählt, weil ein CAI-Agent überhaupt nicht pädagogisch geerdet sein muss — ein schlichter FAQ-Chatbot ist konversationelle KI, ohne ein pädagogischer Agent oder Tutor zu sein.

Die Linse des pädagogischen Agenten. Pädagogische Agenten nutzen das konversationelle Medium, um Lehrstrategien zu vollziehen — Selbstbewertungen einzuholen, sokratisch zu fragen, rollenspezialisierte Facilitierung in Multi-Agenten-Designs (Lehrkraft, Assistent, Kommilitone, Analytiker). Nicht jeder CAI-Agent ist ein pädagogischer Agent, aber die beiden überlappen stark: Das Umbrella-Review zu CAI-Agenten fand, dass Unterstützung von Lehren und Lernen (97,1 %) und metakognitive Entwicklung (88,2 %) CAI-Anwendungen dominieren, was bedeutet, dass die meisten bildungsfokussierten CAI-Agenten pädagogisch funktionieren. Das Scoping-Review zu Programmiernovizen schärft dies: nur 4 von 23 konversationellen Agenten verankerten das Design explizit in Lerntheorie — die meisten waren pädagogisch in der Absicht, aber nicht in der Grundlage.

  • Wie Studierende tatsächlich mit konversationellen Agenten sprechen — ein Sechs-Kategorien-Schema des Desengagements: Rho et al. (2026) betteten einen lehrbaren GPT-4-Turbo-Agenten (positioniert als ringende Mittelstufen-Schülerin beziehungsweise -Schüler, geerdet mit RAG über einem Wissensgraphen, gepaart mit einem Mentor-Agenten, der die Erklärungen der Studierenden kritisierte) in die Algebra- und Geometrie-Lektionen von Math Nation ein und kodierten 5.522 Äußerungen von 246 Studierenden. Über Engagement hinaus (75,7 % der Äußerungen) identifizierten sie False Answering (12,8 %), Withholding (8,9 %), Random/Noisy (2,1 %), Mirroring (0,6 %), Mocking (0,3 %) und Ghosting (0,2 %) — wobei Mirroring (das Kopieren des Textes des Agenten) induktiv aus den Daten entstand. Die Klassifikation war Human-in-the-loop: 1.682 Äußerungen, annotiert von zwei Raterinnen und Ratern (κ = 0,704–0,905 pro Kategorie), trainierten einen feinabgestimmten LLaMA-3-Klassifikator (gewichtetes F1 = 0,910 auf zurückgehaltenen Threads), der die verbleibenden 3.840 Äußerungen markierte. Eine prozessuale Competing-Risks-Analyse zeigte dann, dass sich das meiste Desengagement innerhalb weniger Wendungen auflöst, außer Withholding, das persistiert — ein Signal, um das herum es sich lohnt, Agentenantworten zu gestalten. Die ITS-Linse. Intelligentes Tutoring trägt die kognitive diagnostische Maschinerie bei, die rohen konversationellen Modellen fehlt. Das Framework konversationeller KI-Tutoren argumentiert, bewährte ITS-Technologien sollten generative Tutoren verankern: Knowledge Tracing, Affekterkennung und Studierendenmodellierung liefern die Struktur, während Generative KI und LLMs flexiblen Dialog liefern. Das ist die zentrale Designspannung — konversationelle KI liefert natürliche, skalierbare Interaktion, aber ohne ITS-artige Struktur riskiert sie Überbegleitung, Halluzination oder das Umgehen des produktiven Kampfs der Lernenden. Forschung wie Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact und The Evidence Base on AI in K-12: A 2026 Review zeigt, dass pädagogieorientierte Kriterien (leitende Fragen, kalibrierte Hinweise) explizit gestaltet werden müssen.

Kurz gesagt: konversationelle KI ist die Schnittstelle/das Medium, pädagogische Agenten sind die Rolle, und intelligentes Tutoring ist die zugrundeliegende Modellierung und Instruktionslogik. Pädagogisch wertvolle CAI-Agenten sitzen an der Schnittmenge aller drei — konversationell in der Schnittstelle, pädagogisch in der Absicht und tutorartig in ihrer Modellierung der Lernenden.

Praktische Anleitung

Wählen Sie konversationelle Agenten, um Lehren, Lernmotivation und Metakognition zu unterstützen, statt bloß Fragen zu beantworten, und gestalten Sie für HCI-geerdete, partizipative, nutzerzentrierte Interaktion. Schützen Sie gegen Überabhängigkeit, indem Sie CAI mit KI-Kompetenz-Instruktion und Rückmeldung paaren, das die Lernenden kognitiv produktiv hält. Beachten Sie KI-Kompetenz und Usability explizit — da diese — nicht allgemeine digitale Fähigkeit — Einführung und Nicht-Nutzung treiben (Colbran, Jha & Schiavone 2026) —, und paaren Sie den Einsatz mit klaren KI-Nutzungsrichtlinien, Assessment-Labels und Training. Evaluieren Sie CAI an pädagogischen Ergebnissen — nicht bloß an Aufgabenerledigung —, und planen Sie Gerechtigkeit und Barrierefreiheit von Anfang an statt als Nachgedanken.

Verbundene Konzepte

Verbundene Artikel

Zitation

Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). Conversational AI agents in education: an umbrella review. AI and Ethics, 6, 72.

Metadaten

Technologien und VerfahrenKonversationelle KI, Generative KI, Intelligentes Tutoring, Große Sprachmodelle (LLMs), Pädagogische Agenten
Grundlagen von KI in der BildungKI-Kompetenz, Mensch-KI-Zusammenarbeit
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.