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

Kreativität

Erstellt 2026-08-12 · Aktualisiert 2026-10-10

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

Kreativität — die Fähigkeit, neuartige und wertvolle Ideen, Lösungen oder Artefakte zu erzeugen. Im KI-Zeitalter ist Kreativität ein zentraler bildungspolitischer Einsatz: Generative KI kann kreative Arbeit sowohl verstärken (als Partnerin für divergentes Denken) als auch untergraben (indem sie Ausgaben homogenisiert und den generativen Prozess ersetzt).

Fragen zum Nachdenken

  • Kreativität wird oft als divergentes Denken beschrieben — viele Möglichkeiten erzeugen — gegenüber konvergentem Denken, das auf eine richtige Antwort verengt. Wo sitzt Ihre eigene Arbeit oder Ihr Studium auf diesem Spektrum, und bei welchem hilft KI am bereitwilligsten?
  • Generative KI ist eine statistische Maschine: sie kann viele Optionen vorschlagen, neigt aber zum Durchschnitt. Wenn viele Studierende sich auf dasselbe Modell stützen, was passiert dann mit der Vielfalt der Ideen in der Klasse?
  • Eine Studie mit dem Motto „Erst denken, dann ChatGPT“ fand, dass Studierende, die vor der KI eigene Ideen erzeugten, keinen unmittelbaren Schub zeigten — bei einer späteren ungestützten Kreativitätsaufgabe aber alle übertrafen. Warum könnte das Schützen der unabhängigen Denkphase ein Lernen hervorbringen, das freie KI-Nutzung nicht hervorbringt?
  • Wenn KI ein poliertes Artefakt sofort erzeugen kann, was ist die kreative Arbeit der lernenden Person dann tatsächlich wert — und wie würden Sie eine Aufgabe gestalten, damit der generative Prozess bei der studierenden Person bleibt?
  • Ist eine mit Hilfe von KI erzeugte Idee „Ihre“? Ihre Antwort darauf könnte ändern, ob Sie KI als Partnerin für divergentes Denken oder als etwas behandeln, das Ihren kreativen Prozess ersetzt.

Einführung

Kreativität erstreckt sich über das divergent denkende Ende des kognitiven Spektrums — mehrere Möglichkeiten erzeugen — im Gegensatz zu konvergentem Denken, das bei einer einzigen korrekten Lösung ankommt. KI-Systeme sind für Kreativität besonders relevant, weil sie statistische Generatoren sind: sie können viele Optionen vorschlagen (und damit die Ideenfindung stützen), neigen aber auch zum Durchschnitt, was die auf Ideenebene dokumentierte Homogenisierung erzeugt, wenn viele Studierende sich auf dasselbe Modell stützen.

Kreativität und generative KI

  • Verstärkung: KI kann als Partnerin für divergentes Denken wirken — Alternativen brainstormen, Gegenargumente erzeugen und Perspektiven anbieten, die die lernende Person vielleicht nicht bedenkt. Rollenspezialisierte Multi-Agenten-Konfigurationen können ideelle Vielfalt wiederherstellen.

  • Homogenisierungsrisiko: Assistenz durch ein einzelnes Modell kann die Vielfalt der Ideen zwischen Studierenden verringern, sodass dasselbe Modell konvergente Ausgaben erzeugt. Das ist eine direkte Bedrohung der Kreativität in Schreibbildung und Designeducation.

  • Die kreative Handlungsfähigkeit schützen: Den generativen Prozess der lernenden Person im Kreis halten — Routinen „zuerst entwerfen“, originale Synthese verlangen und KI nutzen, um herauszufordern statt zu ersetzen — bewahrt die kreative Arbeit, die dauerhaftes Lernen hervorbringt.

  • Reibung ist kein kreativer Zugewinn. Konträre KI-Personas trieben Herausforderungs- und Reflexionsdiskurse in 38.2% der Gruppen an, erzeugten aber keine messbare Verbesserung der kreativen Leistung; reichere Interaktionsmuster sind also kein Beleg für Kreativität (Jin et al. (2026)).

  • Eine Feldkarte für K–12: Generative KI verstärkt Kreativität meist und misst sie selten. Ein PRISMA-gestützter Scoping Review von 45 Studien (2017–2025) sortiert die K–12-Literatur in vier Nutzungen — Kreativitätsassessment (4 Studien), Mensch-KI-Ko-Kreativität (3), Wahrnehmungen der Akteure (14) und Kreativitätsverstärkung (34) — und zeigt, wie eng das Feld noch ist: sprachbasiertes Erzählen und Schreiben verdrängt fast alles andere, wobei Musik, verkörperte und räumliche Arbeiten sowie auf Gerechtigkeit zielende Studien fast fehlen. Zweckgebundene Scaffolds, die die Autorschaft bewahrten (Spracheingabe, Storyboards, divergente „viele Optionen“-Prompts), übertrafen Plattformen von der Stange, und LLM-Modelle erzielten bei divergentem Denken Werte nahe menschlichen Raterinnen und Ratern; die eigene Sorge der Autoren ist dennoch dieselbe Homogenisierung, die diese Seite verfolgt — schrumpfende sprachliche Vielfalt, Stilkonvergenz, KI-kontaminierte Trainingsdaten und metakognitive Trägheit beim Ko-Schreiben —, was sie mit Runcos Begriff „künstliche Kreativität“ benennen: Ausgabe, die kreativ aussieht ohne die menschliche Erfahrung dahinter. Übermäßige Abhängigkeit trat über Wahrnehmungs-, Ko-Kreativitäts- und Curriculum-Studien hinweg durchweg als Risiko auf (Generative Artificial Intelligence and Creativity in K–12 Education: A Systematic Scoping Review).

  • Ko-Kreativität ist ein Netzwerkeffekt, kein individuelles Merkmal: Ruhland (2026) stützt sich auf die Akteur-Netzwerk-Theorie, um Kreativität als emergente Eigenschaft soziotechnischer Netzwerke zu modellieren — ein triadisches Wechselspiel von Stabilisierung, Destabilisierung und Re-Stabilisierung zwischen menschlichen und nicht-menschlichen Akteuren, wobei Agenten generativer KI als gleichwertige, konstitutive Netzwerkteilnehmer behandelt werden. In einer Studie, in der pädagogische Avatare in einem kreativen Netzwerk mitentworfen wurden, waren die Avatar-Designs keine individuellen kreativen Akte, sondern entstanden durch Übersetzungsprozesse zwischen Studierenden, Forschenden und Designwerkzeugen. TriKoNet rahmt das Risiko, dass fertige KI-Avatare kreative Handlungsfähigkeit hin zu maschineninduzierter Bequemlichkeit verschieben (die „Bequemlichkeitsfalle“), und argumentiert, dass das Mit-Konstituieren der Handlungsstruktur der KI mit Lernenden Ko-Kreativität bewahrt.

  • Erst-denken-Zusammenarbeit erhält unabhängige Kreativität: Wong und Qiu (2026) fanden, dass Studierende, die vor der Nutzung von ChatGPT eigene Ideen erzeugten (ein Protokoll „erst denken, ChatGPT später“), keinen unmittelbaren Schub bei der assistierten Aufgabe zeigten, bei einer späteren ungestützten Kreativitätsaufgabe aber sowohl eine Freie-KI-Gruppe als auch eine Nur-Mensch-Gruppe übertrafen. Freie ChatGPT-Nutzung erzeugte nur vorübergehende Leistung, die zusammenbrach, sobald die Assistenz entfernt wurde — eine Form des übermäßigen Vertrauens statt Lernen —, während kollaborative Ko-Schöpfung, die darauf zielte, die eigenen Ideen zu verbessern, dauerhafte Zugewinne bei unabhängiger Kreativität erbrachte. Das liefert direkte experimentelle Evidenz dafür, dass das Schützen der kreativen Handlungsfähigkeit nicht bloß wünschenswert ist, sondern das ist, was KI-assistierte Arbeit in Lernen verwandelt.

  • Die wahrgenommene Quelle des Exemplars, nicht sein Inhalt, formt die Ideenfindung der Gruppe. Identische ChatGPT-erzeugte Exemplare, markiert als menschlich- beziehungsweise KI-produziert, veränderten die Gruppenkreativität in einer fNIRS-Hyperscanning-Studie mit 113 Dyaden: menschliche Zuschreibung erhöhte die Einzigartigkeit der Ideen während der Stimulation und die interkranielle Synchronität in prämotorischen und supplementär-motorischen Regionen, KI-Zuschreibung erhöhte nur das Wechseln zwischen Ideenfindungspfaden, und keiner der Effekte hielt an, sobald die Exemplare zurückgezogen wurden (Xiaoyong et al. (2026)).

  • Entwicklungsbedingte Implementierung, nicht Kapazität, trennt die KI-assistierte Kreativität von Kindern. Im ersten neurobildgebenden Vergleich von Kindern und Erwachsenen, die mit ChatGPT ko-kreieren, hielten 6–7-Jährige und Erwachsene dasselbe fünfminütige gesprochene Gespräch in einem MRT-Scanner. Die außerhalb des Scanners gemessene Kreativität unterschied sich zwischen den Gruppen nicht. Dennoch zeigten Erwachsene signifikant stärkere Konnektivität innerhalb der frontoparietalen Kontroll-, Salienz- und dorsalen Aufmerksamkeitsnetzwerke, und höhere Kreativität sagte stärkere frontoparietal–Salienz-Kopplung bei Erwachsenen, aber nicht bei Kindern vorher. Die Autor:innen lesen dies als Unterschied darin, wie kreative Kognition im KI-Dialog implementiert wird, nicht als Unterschied der Basiskapazität. Es wirft auch eine Frage auf, die der Scaffolding-Rat auf dieser Seite bisher nicht beantworten musste: wann reift die Kontrollmaschinerie, die KI-assistierte kreative Arbeit rekrutiert, eigentlich? (Horowitz-Kraus et al. (2026))

Ein Gegengewicht aus der Graduiertenforschung: unter 1.157 chinesischen Promotions- und Masterstudierenden war GenAI-Abhängigkeit positiv mit selbstberichteter Forschungskreativität assoziiert, weit stärker für funktionale, aufgabenorientierte Abhängigkeit (β = 0.457) als für existenzielle Verlassenheit (β = 0.147), wobei kritisches Denken etwa 85.0% des funktionalen Pfades trug (Yin et al. (2026)).

Eine nationale Umfrage kompliziert dieses Muster: über 5.764 chinesische Universitätsstudierende korrelierte KI-Abhängigkeit negativ mit selbstberichteter Kreativität (r = −0.17), wobei Flucht- und soziale Motivationen negative indirekte Pfade trugen und instrumentelle sowie Unterhaltungsmotivationen positive (Hou et al. (2026)).

  • Verkörperung zahlt sich ungleich aus. Ein physischer Roboter, gepaart mit einem hochkreativen Modell, erhöhte die Originalität signifikant gegenüber Mensch-Mensch- und textbasierter Zusammenarbeit, während die menschliche und die textbasierte Bedingung den Vorteil bei Bildlichkeit und Stimme behielten — ein Verkörperungsparadox, in dem der Roboter die Ausgabe der KI verstärkte, ohne den Stil zu verbessern (Liu & Song (2026)).
  • Menschliche Kreativität im KI-Zeitalter bekräftigen. Der Aufstieg generativer KI fordert Bildungsfelder heraus, den Wert menschlicher Kreativität zu bekräftigen. Ein projektbasiertes digitales Storytelling-Rahmenwerk für Kunst- und Designbildung wurde ausdrücklich dazu entworfen, emotionale, kulturelle und narrative Fähigkeiten zu kultivieren, die KI fehlen, wobei Studierende multimodale Erzählungen aus lokalem kulturellem Erbe produzierten — was Kreativität als den unverwechselbar menschlichen Beitrag im KI-integrierten Lernen positioniert.

Kreativität über die Fächer hinweg

Kreativität ist keine einzelne monolithische Fähigkeit — sie realisiert sich unterschiedlich im Schreiben, in der bildenden Kunst, in der Mathematik und im Rechnen, und generative KI interagiert mit dem kreativen Prozess jedes Fachs auf eigene Weise. Diese Unterschiede zu verstehen ist wichtig, um KI-gestütztes Lernen zu entwerfen, das den zentralen kreativen Akt jedes Fachs schützt statt ihn zu umgehen.

  • Bildende Kunst und Design — das Kompetenzparadox. Text-zu-Bild-Werkzeuge (T2I) verkürzen die Distanz von der Idee zum Artefakt, aber Leichtigkeit befreit Kreativität nicht einfach. In einer Studie mit Kunst- und Designstudierenden (417 befragt) sagte kreative Kompetenz stark die Absicht voraus, T2I-Werkzeuge zu nutzen — sagte aber auch zurückhaltendere, selektivere tatsächliche Nutzung voraus, während Studierende Autorschaft, Originalität und Erhalt der Fertigkeiten gegen Effizienz verhandelten (The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students). Leichtigkeit und Verfügbarkeit ermöglichen schnelle Ausgabenerzeugung statt anhaltendes Engagement, sodass das Werkzeug still zu einer Abkürzung werden kann, die den iterativen Studio-Arbeitsablauf erodiert, den es beschleunigen sollte.
  • Mathematik — Kreativität ohne Transfer. Eine KI-gestützte forschungsbasierte Lern-Intervention in der Sekundarstufen-Mathematik (Studierende im Alter von durchschnittlich 12.79 Jahren) erhöhte kreative mathematische Leistung und Einstellungen zur Mathematik signifikant — verbesserte aber kritisches Problemlösen nicht signifikant (Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics). Kreativität und konvergentes Problemlösen sind trennbare Ergebnisse; KI-assistierte Untersuchung kann kreative Produktion steigern, während übertragbare analytische Fähigkeiten zurückbleiben, was die weitere Leistung-Lern-Lücke verstärkt.
  • Mathematik — Kreativität der Lehrenden bewegt sich mit Inhalts- und pädagogischem Wissen. In einer eingebetteten Fallstudie mit acht aktiven Lehrkräften aus ländlichen und unterversorgten Bezirken baute ein von generativer KI geleitetes Programm aus zehn interaktiven Modulen auf Rhodes' 4P-Rahmenwerk auf und brachte Lehrkräfte mit mathematischer Kreativität (MC), Inhaltswissen (CK) und pädagogischem Inhaltswissen (PCK) als miteinander verbundenen Formen des Schließens in Berührung statt als getrennten Bereichen (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). Der Beitrag, den die Messdiskussion dieser Seite braucht, ist die Behauptung der Autoren, dass sich MC nicht unabhängig vom mathematischen Wissen der Lehrkräfte und ihrem Wissen darüber entwickelt, wie man Ideen zugänglich macht — und dass es der nicht wertende, nicht evaluative Ton der KI war, der produktives Ringen sicher genug zum Versuch werden ließ.
  • Kreatives Rechnen — Reibung, die Iteration schützt. Novizinnen und Novizen im kreativen Programmieren lernen, indem sie „gefundene Beispiele“ verstehen und erweitern, was KI hilfreich ummanteln oder verlockend umgehen kann. Flowcode, eine KI-gestützte Umgebung für kreatives Rechnen, paart ein Code-Struktur-Flussdiagramm mit einem lernorientierten Chat und bewusst gestalteter Reibung — gezeigt über zwei Studien, die KI-Nutzung hin zum Verstehen und Erweitern von Code lenken statt darum herum Vibe Coding zu betreiben (Flowcode: An AI-Powered Programming Environment for Scaffolding Iteration in Creative Computing Education). Produktive Schwierigkeit ist hier ein Merkmal, das die generative Schleife der lernenden Person bewahrt.
  • Literarische Schöpfung — die Einheit zwischen Thema und Text. Incipit argumentiert, dass ein Werk durch angelegte Prämissen statt durch Themen organisiert ist, und baut eine mittlere Ebene — 1,455 Axiom-Datensätze über 149 Werke, verbunden durch 472 typisierte Relationen —, auf der eine schreibende Person, die eine Konfiguration überarbeitet, eine organisierende Verpflichtung ändern kann, eine lesende Person eine Rekonstruktion rechtfertigen kann und eine kritisierende Person zwei Werke vergleichen kann. Ihr eigenes Audit verschärft den Messpunkt oben: das Artefakt verzeichnet eine einzelne Kuratierung, 1,448 der 1,455 Axiome sind genau einem Werk zugeordnet, und die vorgeschlagene Validierung (fünf Raterinnen und Rater auf einer Stichprobe von 35 Datensätzen) ist nicht gelaufen, sodass das Rahmenwerk ein Forschungsprogramm ist statt Evidenz über kreatives Lernen.
  • Ein GenAI-Design-Arbeitsablauf kann kreatives Vertrauen senken, während die Leistung hält. In einem Vergleich architektonischen Entwerfens mit 36 Studierenden erreichte GenAI-Bildgenerierung die gleiche Designleistung, kognitive Last und aufgabenspezifische kreative Selbstwirksamkeit wie die Präzedenssuche, dennoch fiel die allgemeine kreative Selbstwirksamkeit (DiD = −0,543, 95%-KI [−1,068, −0,017]) — Aufgabenunterstützung und Vertrauen in die eigene Kreativität können auseinandergehen (Xiao et al. (2026)).

Kreativität in die Praxis bringen

Das wiederkehrende Designprinzip über diese Befunde hinweg ist, den eigenen generativen Akt der lernenden Person im Kreis zu halten — ob dieser Akt nun das Erzeugen einer Idee ist, das Iterieren eines Artefakts oder das Erweitern eines gefundenen Beispiels —, und KI als Partnerin für divergentes Denken zu nutzen, die herausfordert und erweitert statt ersetzt.

  • Für Lehrende: Sequenzieren Sie Aufgaben so, dass Studierende vor der KI-Konsultation eigene erste Ideen erzeugen (ein Protokoll „erst denken, ChatGPT später“), und nutzen Sie dann KI, um diese Ideen zu hinterfragen, zu erweitern oder als Anwältin des Teufels aufzutreten. Bewerten Sie Prozess und originale Synthese neben Politur, damit anstrengungsscheue Abkürzungen (T2I-Ausgabe mit einem Klick, vibe-gecodete Lösungen) nichts einbringen. Machen Sie in Kunst und Design Autorschaft und Fertigkeitsentwicklung zum bewerteten Gegenstand, nicht nur das Artefakt.
  • Für Entwickelnde und Designerinnen und Designer: Bauen Sie Werkzeuge, die die Iterationsschleife offenlegen und belohnen — zeigen Sie Struktur (wie Flowcodes Flussdiagramm es tut), fügen Sie produktive Reibung am Moment „die erste Ausgabe ausliefern“ hinzu, und bieten Sie Alternativen und Kritiken statt einer einzelnen polierten Antwort. Wenn das Werkzeug die nächstbeste Version mühelos macht, sollten die kreativen Entscheidungen dennoch die sein, die zählen.
  • Für Forschende: Behandeln Sie Kreativität als fachspezifisch und ergebnisspezifisch — messen Sie, ob Zugewinne auf konvergente oder ungestützte Aufgaben übertragen, nicht nur, ob assistierte Ausgabe kreativer aussieht. Die Messlücke ist das schärfste Problem des Felds: im 45-Studien-K–12-Korpus nutzten nur die vier Assessmentstudien ein formales Kreativitätsmaß, die meisten Studien definierten das Konstrukt überhaupt nicht, und der kreative Prozess — Vorbereitung, Inkubation, Erleuchtung, Verifikation — blieb im Kern ungemessen. Daher lautet die Verordnung des Reviews: Messung zuerst — bewerten Sie Kreativität unaufdringlich innerhalb offener Aufgaben durch evidence-centered design und verdecktes Assessment, und behandeln Sie kreative Selbstwirksamkeit als Teil des Ergebnisses statt als implizierten Nebeneffekt (Generative Artificial Intelligence and Creativity in K–12 Education: A Systematic Scoping Review).

Verbindungen

Kreativität verbindet sich mit kritischem Denken und mit konstruktivistischem Lernen. Sie wird geschützt von denselben Scaffolds zur Reduktion von KI-Missbrauch, die Lernen bewahren, und von authentischem Assessment, das originale Schlussfolgerung gegenüber polierten Produkten belohnt.

Verbundene Konzepte

Verbundene Artikel

Metadaten

FachgebietCs Education, Math Education, Writing Education
ZielgruppeLearners
Lernen und UnterrichtKonstruktivismus, Problemlösen
Technologien und VerfahrenGenerative KI
Grundlagen von KI in der BildungKritisches Denken, Design-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.