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

Curriculum-Design

Erstellt 2026-06-02 · Aktualisiert 2026-10-10

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

Curriculum-Design — der Prozess, über Kurse, Programme und Institutionen hinweg zu planen und zu strukturieren, was unterrichtet wird, einschließlich Lernzielen, inhaltlicher Sequenzierung, Assessmentstrategien und Fähigkeitsprogression. Im KI-Zeitalter muss Curriculum-Design Grundlagenwissen mit aufkommenden KI-Kompetenzen ausbalancieren und dabei nicht nur bestimmen, was Lernende lernen, sondern wie sie lernen, mit KI-Werkzeugen zu arbeiten und sie kritisch zu bewerten.

Fragen zum Nachdenken

  • Curriculum-Design fragt, was Studierende auf Programmebene lernen sollen, Lerndesign fragt, wie auf Kursebene. Wenn KI ein Fach neu formt, welche dieser beiden Ebenen sollte sich Ihrer Meinung nach zuerst verändern?
  • Da generative KI Arbeit auf Umsetzungsebene automatisiert, argumentieren manche, Curricula müssten sich hin zu Systemdesign, Abstraktion und kritischer Evaluation verschieben. Was, denken Sie, würden Studierende verlieren, wenn niedrigstufige Fähigkeiten abgewertet würden?
  • Curriculum-Neugestaltung im KI-Zeitalter wird oft als Balance zwischen Werkzeugflüssigkeit und Grundlagenwissen gerahmt. Wo haben Sie gesehen, dass diese Balance zu weit in eine Richtung kippt?
  • Das SAIL-Rahmenwerk behandelt KI-Kompetenz als über Alter gestuft und darauf ausgelegt, tiefere „digitale Klüfte" jenseits von Zugang zu adressieren. Wie unterscheidet sich das Einbetten von KI-Kompetenz in ein gesamtes Curriculum vom Hinzufügen eines einzelnen KI-Kurses?
  • Wenn jedes Fach jetzt KI-Kompetenzen eingebettet braucht — wer ist für die Curriculumveränderung verantwortlich, Lehrende, Programme oder Institutionen —, und was brauchen Lehrende, um dabei erfolgreich zu sein?
  • Ein Curriculum ist eine Sequenz von Fähigkeiten über Jahre, nicht nur eine Liste von Themen. Wie verändert diese längere Sicht, ob eine „Einheit zu KI-Kompetenz" tatsächlich haften bleibt?

Einführung

Curriculum-Design adressiert das Was von Bildung auf Programmebene und ergänzt Lerndesign, das das Wie auf Kursebene adressiert. Die Artikel in dieser Wissensbasis erkunden, wie KI Curricula über Fächer hinweg neu formt — von Softwaretechnik über Architektur bis zu grüner Bildung —, und wie Lehrende Curricula gestalten, die KI-Kompetenz einbetten, ohne die fachlichen Grundlagen zu opfern.

Zentrale Forschungsthemen

Curricula für das KI-Zeitalter neu gestalten ist die zentrale Herausforderung. Lee et al. synthetisierten Befunde aus internationalen Workshops zur Neugestaltung der grundständigen Informatikausbildung und argumentieren, während GenAI Programmierung auf Implementierungsebene automatisiere, müssten Curricula sich hin zu Systemdesign, Abstraktion und kritischer Evaluation verschieben — und gleichzeitig Implementierungsdetails niedriger Ebene abwerten. Gorsky formalisierte Agentic Software Engineering als eigenes Fach mit einem 21-Module-Curriculum, das sich auf die „evolution of intent" und die Praktikerdisziplin konzentriert, die das Management von KI-Agenten erfordert. Beide verbinden sich mit KI-Kompetenz und Scaffolding.

Die Veränderung als systemisch statt additiv betrachtend, triangulieren Sabani et al. (2026) einen Scoping-Review, bibliometrische Kartierung von 209 Datensätzen, 36 Artikel und zehn Interviews mit akademischen Leitungen zu fünf Verschiebungen — darunter Wissenstransmission, das Fähigkeitsentwicklung weicht, und lokale Experimente, die institutioneller Governance weichen.

Curriculum-Kartierung und -analyse nutzt KI, um bestehende Curricula zu verstehen. Geng et al. analysierten 23 Syllabi aus Kursen zu KI-assistierter Softwaretechnik und identifizierten gemeinsame Themen — Prompt Engineering, Code-Review mit KI, ethische Überlegungen — und leiteten Designanleitung ab, die das Ausbalancieren von Werkzeugflüssigkeit mit Grundlagenwissen betont. CourseGraph wendet rechnerische Methoden an, um Informatik-Kursstrukturen über Institutionen hinweg zu vergleichen.

Integration von KI-Kompetenz bettet KI-Kompetenzen über Fächer hinweg ein. SAIL bietet ein gestuftes KI-Kompetenz-Rahmenwerk, das über alle Alter und Bildungsstufen anwendbar ist und digitale Klüfte der zweiten und dritten Ebene adressiert. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing untersucht, wie KI-Kompetenz sich durch Interaktionsmuster entwickelt. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy erkundet kollaborative Ansätze zur Entwicklung von KI-Kompetenz-Curricula und verbindet sich damit mit kollaborativem Lernen.

LearnAI zeigt, wie eine eingebettete Version aussieht: eine Schicht breiter Exposition aus kurzen Präsentationen innerhalb von 18 bestehenden Kursen über fünf Fächer hinweg (293 Studierende), gepaart mit opt-in Einzelko-Kreations-Sitzungen, die von geschulten studentischen Peer-Tutorinnen und -Tutoren geleitet werden, damit Lernende mit gemischten Fähigkeiten KI-Aufgaben auf ihrem eigenen Niveau begegnen (Qu et al. (2026)).

Integration in der Praxis hinkt den Rahmenwerken hinterher. Santos-Albardía et al. (2025) fanden, dass nur 13,8% der befragten Studierenden in Bildung und Journalistik sagten, ihre Kursarbeit behandle kritische Medienanalyse, gegenüber 97,8%, die sie für wichtig hielten, und ihre Experteninterviews führten die Lücke auf Lehrkräftebildung zurück, die technische und unterrichtliche Fähigkeiten über Medienerziehung priorisiert.

Ein PRISMA-Review von 39 STEAM-Studien (2016–2025) fand ein paralleles Ungleichgewicht in den KI-Kompetenz-Elementen: Umsetzungen entwickelten technische Literalitäten — grundlegende KI-Konzepte, computational thinking, Datenkompetenz —, während sie ethisches Bewusstsein, kreative Imagination und das Erschaffen, Managen und Gestalten mit KI unterentwickelten, sodass die Auditierung jeder Einheit dagegen die praktische Antwort ist (Niri et al., 2026).

Studierendenstimme ist eine weitere Designeingabe: 84% von 166 Studierenden im Abschlussjahr der Wirtschaftswissenschaften wollten GenAI in ihren Einheiten unterrichtet wissen und 85% sahen es als wesentlich für Berufsfähigkeit, während nur 7% an ihrer Universität darüber gelernt hatten (Rook & Plumb (2026)).

Ein Review von 42 Studien zu KI-Bildung vor der Universität findet Curricula, die sich von technischem Inhalt hin zu kompetenzbasierten Modellen bewegen, die auf Rahmenwerken wie AI4K12 und den Five Big Ideas in AI aufbauen, wobei KI-Kompetenz als fächerübergreifende Kompetenz behandelt wird, während standardisierte Instrumente zu ihrer Bewertung fehlen (Caruana et al. (2026)).

Lehrende und Arbeitgebende einigten sich auf die Wichtigkeit von nur einer von 26 KI-Fähigkeiten — realistische Erwartungen an KI-augmentierte Arbeit setzen —, und nur drei der 26 wurden von der Hälfte oder mehr Lehrenden unterrichtet, die Evidenz des Berichts für eine KI-Fähigkeitslücke zwischen Hochschulbildung und Arbeitgebenden (Fried (2026)).

Das Design von ML-Aktivitäten für K-12 bleibt an der Oberfläche: Ein Review hinter dem ICE-T-Rahmenwerk fand, dass unsichtbare Nutzung, Schaltflächeninteraktion und Modelleinsatz fast 60% der kodierten Aktivitäten zu überwachtem Lernen ausmachen, offene Kreation nur zweimal erschien, und technische und gesellschaftliche Perspektiven nur in etwa 3% der Aktivitäten gemeinsam auftraten (Haritz et al., 2026)).

Fachspezifische Curriculum-Innovation wendet Curriculum-Design auf bestimmte Felder an. Gen-AI-tecture: using generative AI to support architectural students in design tasks erkundet, wie generative KI architektonische Design-Pädagogik neu formt. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints untersucht KI-Integration in Curricula grüner Bildung. ConnectED: A Curriculum-Aligned AI System for Vietnamese Instructional Lesson Planning and Student Learning und LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example adressieren kulturell responsives Curriculum-Design.

KI in das Fach einbetten statt daneben. Ein dreistufiges (einführendes, angewandtes, fortgeschrittenes) KI-Curriculum faltete maschinelles Lernen in bestehende Themen der Thermotechnik über einen 39,1-Stunden-Kurs hinweg, statt Wahlfächer in Informatik hinzuzufügen, vermied damit zusätzliche Last für Maschinenbaustudierende und veröffentlichte sein Syllabus, seine Daten und seinen Code offen (Li et al. (2026)).

Ein Journalismus-Fall zeigt die werte-zuerst-Variante: ein triadisches Gerüst aus Werten, Prozessen und Kompetenzen bewegte Studierende von rein menschlichem Berichten hin zu KI-integrierter Arbeit, dennoch berichteten 8 von 9 (89%) Zuversicht in ethische Entscheidungen, während Umfrageitems zu Urheberschaft und Bias nur oberflächliches Verständnis nahelegten (Ngu und Weller (2026)).

Institutionelle Rahmenwerke adressieren Curriculumveränderung im großen Maßstab. A principled way to think about AI in education: guidance for educators and policy makers based on goals, models und A principled way to think about AI in education: guidance for educators and policy makers based on goals, models bieten Prinzipien für die Integration von KI über Bildungsprogramme hinweg. The Main Barrier to AI Adoption in the Public Sector is Lack of Training untersucht Barrieren für die Übernahme von KI-Curricula in öffentlicher Bildung.

KI über das Programm hinweg sequenzieren. Torres-Sahli et al. schlagen ein „refrain, then amplify"-Rahmenwerk vor, das generative KI auf Programmebene sequenziert: ein generatives Werkzeug zurückhalten, während sich eine Fähigkeit bildet, und es dann wiederherstellen, um diese Fähigkeit zu verstärken, sobald die lernende Person sie leiten und ihre Erträge beurteilen kann. Regiert von einem Kriterium bilden gegenüber auslagern (ob eine Strecke Arbeit eine Fähigkeit aufbaut oder sie bloß durch das Werkzeug durchleitet), verbindet das Rahmenwerk Curriculum-Design mit kognitiver Entlastung, selbstreguliertem Lernen und akademischer Integrität, mit schwer zu fälschenden Kontrollpunkten an jedem refrain-to-amplify-Scharnier.

Der Hebel für die höchsten Stufen ist nicht mehr Kursarbeit: über 89 geförderte Capstone-Projekte war der Fortschritt von Workforce Readiness Level 6 zu 7 durch brancheneingebettete Erfahrung gegatet — Co-ops und Manufacturing-Extension-Partnership-Projekte —, sodass Studiengänge arbeitsintegriertes Lernen brauchen statt ein weiteres technisches Wahlfach (Smith et al. (2026)).

Eine Curriculum-Folge der Modellfähigkeit ist, dass KI-resistentes Design verfällt. Lehrende im Computing beschrieben, wie sie Aufgaben gegen das kalibrierten, was die Modelle noch nicht konnten, und zusahen, wie die Kalibrierung erlosch — die Probleme einer Cybersicherheitslehrenden erforderten sieben oder acht Monate früher echtes Problemlösen und wurden dann einfach gelöst —, während eine Facilitator eine Haltbarkeit von etwa einem Semester schätzte. Der strukturelle Befund des Workshops ist, dass fast jede Anpassung von einer einzelnen Lehrkraft innerhalb eines einzelnen Kurses gemacht wurde, ohne die institutionelle Koordination, die eine dauerhafte curriculare Antwort erfordern würde (Akbar et al., 2026)).

Gesamtkurs-Ausrichtung, wenn generative KI erlaubt ist. Eine Neugestaltung 2026 eines einführenden Kurses in Kern- und Teilchen-physik (Mikhasenko et al.) integrierte drei Aktivitätstypen mit verschiedenen Rollen — Vorlesungen für Konzepte und Notation, Tutorien für standardmäßige analytische Praxis und Hausaufgaben als explorative, „forschungsgeformte" Komponente aus ungewöhnlich schwierigen, multimethodischen Problemen. Die berichtete Reibung (eine nicht deklarierte Programmiervoraussetzung, unzureichend Zeit, um zu verstehen statt bloß Antworten zu erhalten, und Fehlausrichtung unter Vorlesungen, Tutorien, Hausaufgaben und Prüfung) illustriert, dass generative KI zu erlauben Ausrichtungsarbeit über den gesamten Kurs erzwingt statt eine Veränderung an einem Aufgabentyp; ihre empfohlene Struktur hält die KI-erlaubte explorative Arbeit als bonus-tragende fortgeschrittene Aufgaben, während die unassistierte schriftliche Prüfung die Note bestimmt.

Tiefe der Ausrichtung, nicht Häufigkeit der Nutzung, trennt Integrationsmuster. Über 17 Fälle von Wirtschaftsmodulen betteten sechs GenAI systematisch über Unterrichten, Lernen und Assessment ein (konstruktiv), neune taten es inkonsistent (blended) und zwei sporadisch (ad hoc); die konstruktiven Fälle berichteten die stärksten Ergebnisse bei Engagement, Fähigkeit und Curriculum-Relevanz (Zhou et al. (2026)).

Rat zu konstruktiver Ausrichtung unter kritischer Prüfung. Wo die Quellen oben über Ausrichtung in der Praxis berichten, lesen McInnes et al. (2026) die Anleitung selbst als Diskurs. Ihre kritische Diskursanalyse von 14 Stücken grauer Literatur, die von November 2022 bis April 2025 publiziert wurden — meist institutionelle Seiten und Kapitel von zentral positionierten Learning-and-Teaching-Einheiten — fand konstruktive Ausrichtung als Effizienzproblem dargestellt: generative KI war „an effective and efficient way to draft rubrics", die „streamline the process" könnte, anthropomorphisiert als „an educational expert and assistant", ein „sparring partner" oder ein „intelligent assistant in instructional design", während akademisches Personal nur „subject matter expertise" beisteuerte und das Werkzeug „the heavy lifting of developing learning objectives, organizing course content ... and aligning course components" übernahm. Copy-and-Paste-Prompt-Rezepte und nummerierte Vorlagen rahmten CA als standardisierbares Produkt und erzeugten drei Fehlschlagmodi: Performativität (Ausrichtung, die nur ausgerichtet aussieht), Auslöschung situierten und kritischen Kontexts und flaches CA, das Ausrichtung mit der konstruktiven Dimension verwechselt. Ihr Abhilfemittel sequenziert den Curriculum-Design-Ablauf neu — Lehrende müssen CA gut genug verstehen, um KI-Ausgabe zu leiten, zu bewerten und abzulehnen, bevor sie irgendeinen Teil davon delegieren —, und begrenzt jedes Werkzeug auf einen institutionellen retrieval-augmented Agenten, der in lokaler Politik, Rubriken und Absolventenattributen verankert ist, mit einer „liminal tutor"-Rolle, die die Entwicklerbeziehung erweitert statt ersetzt.

Curriculum-ausgerichtete Modellierungsaufgaben generieren. KI-gestützte Plattformen können den Zeit- und Ressourcenmangel von Lehrenden für das Entwerfen hochwertiger mathematischer Modellierungsaufgaben adressieren, indem sie curriculum-ausgerichtete Probleme und pädagogische Empfehlungen erzeugen, die in Designprinzipien und retrieval-augmented generation verankert sind — ein Ansatz, illustriert mit direkter Variation in Mathematik der Sekundarstufe (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Kurslektüren selbst sind heute ebenfalls ein Generierungsziel: Sidorkin (2026) ersetzte ein kommerzielles Lehrbuch durch wöchentlich KI-generierte Lektüren in einem Graduiertenkurs zu Bildungsleitung, und obwohl Studierende sie nützlich bewerteten und 75 Prozent zustimmten, mehr gelernt zu haben als in einem vergleichbaren Kurs, trugen die 4.487 Seiten Protokolle APA-artige In-Text-Zitationen auf nur etwa 0,80 Prozent der Seiten und verbanden einen benannten Campus oder ein benanntes System mit assertiven Politikanforderungen auf etwa 1,03 Prozent der Seiten ohne verifizierbare Quelle. Die Lehre für Curriculummaterialien ist, generierte Lektüren als Entwurfsproduktion unter Review durch Lehrende zu behandeln, die Arbeitszeit der Lehrenden für Promptdesign und Verifikation einzukalkulieren und geprüfte Quellen in den Assistenten zu kuratieren, statt Quellenqualität den Studierenden zu überlassen, sie aus dem Kontext zu erschließen.

KI-assistierte Unterrichtsplanung auf der Ebene Curriculum-zu-Kursraum. An dem Punkt, wo ein Curriculum zur unterrichteten Stunde wird, verglichen Luo und Tahir (2025) experimentell von Lehrenden generierte gegenüber ChatGPT-assistierten Plänen in der STEAM-Kunstbildung von Kindern und fanden KI-assistierte Pläne von sechs Expertinnen und Experten signifikant höher bewertet (Median 20,5 gegenüber 17,6, p = .002, großer Effekt). Sie zeigen, dass der Ertrag davon abhängt, wie die Lehrkraft delegiert: Die empfohlene Methode füllt Inhaltslücken in einer selbst umrissenen Stunde (und bewahrt damit die Design-autonomie der Lehrkraft), statt den gesamten Plan zu delegieren, und sie steuern eine Role–Instructions–End-Goal-Prompt-Vorlage für reproduzierbare, qualitätskontrollierte Generierung bei — ein Beleg dafür, dass KI-Unterrichtsplanung am stärksten ist, wenn sie in den Curriculum-Entscheidungen der Lehrkraft eingebettet ist statt diese ersetzt. In der Naturwissenschaftsbildung erreicht Expertenvalidierung ein paralleles Verdikt zum Plattformdesign: Karaismailoglu, Surmeli und Yildirim (2026) ließen elf Naturwissenschaft-Spezialistinnen und -Spezialisten ChatGPT-4 und ein bildungsfokussiertes Werkzeug (Teacher's Buddy) an Plänen für die 6. Jahrgangsstufe bewerten, die an die überarbeitete türkische Curricula und das Engineering-Design-Based-Lernmodell angelehnt waren. Die bildungsfokussierte Plattform erzielte über alle acht Qualitätskriterien höhere Werte — einschließlich feedbackintensiver Stufen und Curriculum-Ausrichtung —, ein Beleg dafür, dass pädagogische Struktur in eine KI einzubetten besser ausgerichtete Ausgabe erzeugt; dennoch zogen manche Expertinnen und Experten den allgemeinen Plan wegen seines stärkeren sozial-emotionalen Fokus vor, und 7 von 11 beurteilten die Pläne als „applicable by correction" statt direkt nutzbar. Die Wahl der Plattform und der Prompt-Rahmung, nicht nur die KI selbst, prägt, wie gut generierte Pläne an Curriculum-Standards und Prozessmodelle ausgerichtet sind.

Struktur, nicht Prompt-Formulierung, ist, was KI-Entwerfen in der Produktion verlässlich macht: Paivas (2026) Curriculum-as-Code-Pipeline beschnitt Kontext aggressiv und generierte Materialien Abschnitt für Abschnitt über 28 Projektkontexte hinweg, was die Vorbereitungszeit der Lehrenden von etwa acht auf zwei Stunden pro Instruktion senkte und keine konzeptuellen oder mathematischen Halluzinationen zur Entdeckung durch menschliche Prüfung hinterließ.

Verbindungen zu verwandten Konzepten

Curriculum-Design verbindet sich unmittelbar mit Lerndesign — Curriculum definiert was, Unterricht definiert wie. Es verbindet sich mit KI-Kompetenz, weil das Einbetten von KI-Kompetenzen eine primäre Curriculum-Herausforderung ist, mit Lehre und Lehr- und Curriculumsentwicklung, weil Curriculumveränderung Vorbereitung der Lehrenden erfordert, und mit Scaffolding, weil gut gestaltete Curricula Fähigkeitsentwicklung über Kurse und Jahre stützen. Die Verbindungen zu Hochschulbildung und K-12 spiegeln die Relevanz von Curriculum-Design über Bildungsstufen hinweg wider.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

FachgebietStem Education
NiveauHigher Ed
ZielgruppeInstructors, Faculty Developers
Lernen und UnterrichtScaffolding (Gerüstbildung)
Technologien und VerfahrenGenerative KI
Grundlagen von KI in der BildungKI-Kompetenz, Curriculum-Design, Lerndesign, Lehre
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.