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

Designbasierte Forschung

Erstellt 2026-08-24 · Aktualisiert 2026-10-10

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

Designbasierte Forschung (DBR) — ein methodischer Ansatz, der eine Bildungsintervention in authentischen Kontexten iterativ entwirft, umsetzt und verfeinert und dabei zwischen Theorie, Design und realer Praxis zirkuliert, um sowohl ein nutzbares Artefakt als auch validierte Designprinzipien zu erzeugen. In der KI in der Bildung ist DBR die Methode der Wahl, um KI-Lernumgebungen, pädagogische Modelle und Programme zur Lehrkräftebildung zu entwickeln, die in der unaufgeräumten Realität von Klassenzimmern funktionieren müssen — sie tauscht die kausale Kontrolle von Experimenten gegen ökologische Authentizität und iterative Verfeinerung.

Fragen zum Nachdenken

  • Designbasierte Forschung entwirft, setzt um und verfeinert eine Intervention iterativ in echten Klassenzimmern und zirkuliert dabei zwischen Theorie und Praxis. Wie unterscheidet sich das grundlegend von einem kontrollierten Experiment — und warum könnte eine Klassenraumforscherin bzw. ein Klassenraumforscher es vorziehen?
  • DBR tauscht bewusst kausale Kontrolle gegen ökologische Authentizität. Wenn Sie nicht mit Sicherheit sagen können, WAS einen Lernzuwachs verursacht hat, was ist das Wissen dann noch wert?
  • DBR erzeugt zwei Dinge zugleich: ein nutzbares Artefakt und validierte Designprinzipien. Welcher der beiden Ergebnisse ist Ihnen wichtiger — ein Werkzeug, das funktioniert, oder ein Prinzip, das Sie anderswo anwenden können?
  • Eine Stärke von DBR ist die hohe praktische Relevanz; eine Grenze ist, dass die Befunde kontextgebunden und schwer verallgemeinerbar sind. Wann würden Sie einem DBR-Befund so weit vertrauen, dass Sie ihn in einer sehr anderen Umgebung anwenden?
  • Ohne ein ungestütztes, kontrolliertes Ergebnismaß können DBR-Lernzugewinne dasselbe Problem „KI-aufgeblähter Leistung“ widerspiegeln, das es untersucht. Wie würden Sie eine DBR-Studie so entwerfen, dass ihre berichteten Zugewinne tatsächlich Lernen bedeuten, nicht assistierte Leistung?

Einführung

DBR ist eine Design-Tradition, keine Datentradition: sie passt nicht sauber in den Gegensatz quantitativ/qualitativ/experimentell. Sie verbindet bewusst Elemente aller drei — und erhebt sowohl Ergebnis- als auch Prozessdaten über iterative Zyklen hinweg —, um „Wie entwerfen wir diese KI-Lernumgebung so, dass sie in der Praxis funktioniert?“ zu beantworten statt „Verursacht X Y?“. Sie ist eng verwandt mit Lerndesign (das den Designprozess spezifiziert) und mit Usability-Evaluation (die die Verfeinerung speist), unterscheidet sich von ihnen aber durch ihren anhaltenden, theoriegetriebenen, mehrzyklischen Charakter und ihr doppeltes Ziel, die Praxis zu verbessern und Theorie zu erzeugen.

Der DBR-Zyklus

DBR ist kein einzelnes Design, sondern eine iterative Schleife, die typischerweise umfasst:

  1. Bedarfsanalyse — das Problem, den Kontext und die Lernenden in authentischen Settings verstehen.
  2. Design — eine Intervention und ihre zugrunde liegende theoretische Begründung artikulieren.
  3. Umsetzung — die Intervention in einem echten Klassenzimmer oder Programm einsetzen.
  4. Verfeinerung — Daten analysieren, das Design überarbeiten und iterieren (oft über mehrere Zyklen).
  5. Theorie- und Artefakt-Output — sowohl eine nutzbare Intervention als auch verallgemeinerbare Designprinzipien oder ein validiertes Modell erzeugen.

Das kanonische Beispiel in der AIED ist die Studie zum AI-Assisted Collaborative Learning (AACL) Model, die einen vierphasigen DBR-Zyklus durchlief — Bedarfsanalyse, Modelldesign, eine achtwöchige Klassenraumumsetzung mit indonesischen Studierenden im Grundstudium und Modellverfeinerung — und dabei über einen vierstufigen Lernzyklus iterierte (Problemidentifikation → KI-assistierte kollaborative Untersuchung → kollaboratives Problemlösen → Reflexion und Präsentation).

Wie DBR in der Wissensbasis auftritt

  • Lernmodelle entwickeln. Die AACL-Modellstudie nutzt DBR, um ein KI-assistiertes kollaboratives Lernmodell zu entwickeln und zu bewerten, das auf kritisches Denken und Problemlösen in der Hochschulbildung zielt.
  • KI-Kompetenz-Schulung für Lehrkräfte aufbauen. Le et al. entwickeln und bewerten eine DBR-Intervention zur GenAI-Kompetenz-Schulung für Studierende der Lehrkräftebildung; Baran et al. nutzen DBR über 2023–2025, um berufliches Lernen für kritische KI-Kompetenz zu entwerfen, das in Human-Centered-AI-Prinzipien gegründet ist.
  • Institutionelle Standards entwerfen. Crompton et al. nutzen DBR über zwei iterative Makrozyklen und 114 Teilnehmende, um sechs Standards zur Technologieintegration in der Lehre zu entwickeln.
  • Iterative Systemimplementierung. Rienties et al. beschreiben sechs iterative DBR-Studien (18 Monate, 498 Teilnehmende), die den KI-Assistenten AIDA der Open University mithilfe eines Embedded-Systems-Ansatzes umsetzen.
  • Scaffolding und Interventionsdesign. GenAI-Scaffolding für kritisches Denken und andere Interventionsentwicklungsstudien nutzen DBR, um KI-basierte Scaffolds zu entwerfen und zu verfeinern.
  • Von Jugend und Expert:innen geleitetes Curriculum-Design. Moore et al. (2026) nutzen einen zweijährigen DBR-Prozess mit einem Beratungsgremium aus Jugendlichen und KI-Expert:innen, um ein wissenschaftsintegriertes Curriculum zu KI-Kompetenz/ML für die Oberstufe zu entwerfen, das Design über Kohorten hinweg zu verfeinern und Zugewinne im ML-Wissen zu messen — ein Beispiel für DBR als partizipatives Ko-Design, das die Stimme Jugendlicher in den Designzyklus integriert.
  • Iterative Rubrik-Ko-Verfeinerung als DBR. Yaşar et al. (2026) exemplifizieren den iterativ-verfeinernden Charakter von DBR, angewendet auf das Assessmentinstrument selbst: sie behandelten die Rubrik als überarbeitbares Designartefakt und durchliefen eine Ko-Verfeinerung mit einem LLM — wobei sie Leistungsdeskriptoren klärten und implizite Indikatoren des Lernens ausdrücklich akzeptierten —, was die LLM-Mensch-Übereinstimmung bei 80 gestalteten Postern Studierender von 54.75% auf 81.25% erhöhte (Cronbach's Alpha 0.393 → 0.798). Die Studie positioniert die Rubrik als vermittelnde Schnittstelle zwischen menschlicher pädagogischer Absicht und maschineller Inferenz, und ihr rollenbewusstes Prompting (Lehrende, Peer-Reviewer:in, Gutachter:in) zeigt, wie Designentscheidungen evaluative Ausgaben formen — eine DBR-artige Demonstration, dass das Assessmentinstrument, nicht nur die Intervention, ein Designgegenstand ist.
  • KI-Kompetenz in der frühen Kindheit mitentwerfen. Lee (2026) nutzt DBR, um das Curriculum Play With AI (PL-AI) über iterative Zyklen mit zwei Vorschul- und zwei Kindergarten-Lehrkräften mitzuentwerfen, zu pilotieren und zu verfeinern, und stützt sich dabei auf Lehrkräftebefragungen, 32 Stunden Klassenzimmervideo, Feldnotizen und Transkripte von Designtreffen. Die Studie dokumentiert, wie DBR die iterative Verfeinerung entwicklungsangemessener Aktivitäten zur KI-Kompetenz unterstützt und übertragbare Designprinzipien hervorbringt (verkörpertes Spiel, anfassbares Programmieren, geleiteter Dialog, Mitgestaltung durch Lehrkräfte).
  • Expert:innenreview als die Verfeinerungsevidenz — und eine ehrliche Geltungsaussage. Dong et al. (2026) legen ihr anfängliches Robotikcurriculum mit vier Strängen fünf Expert:innen vor, die es an acht Dimensionen bewerten, und überarbeiten es daraufhin: eine eigenständige PPO-Implementierung wandert in eine Erweiterung, und eine Python-Voraussetzung wird hinzugefügt, nachdem vier von fünf Expert:innen kognitive Last monieren. Die Streuung treibt die Überarbeitungen so sehr wie die Mittelwerte — der motivierende Kontext erreichte im Mittel 4.00 mit SD = 1.73 und einer einzelnen 1/5-Bewertung —, und die Autoren sagen offen, dass das überarbeitete Rahmenwerk bis zum Vorliegen von Daten Studierender unbewertet bleibt.
  • Triangulation — und die Grenze, die sie nicht überschreiten kann. Kenzhebayeva et al. (2026) führen ein Rollenrotationsmodell über fünf DBR-Phasen — Problemanalyse, pädagogisches Design, Umsetzung, Evaluation, Verfeinerung — über acht Wochen mit 62 Teilnehmenden und triangulieren reflexive Journale, Interviews, Beobachtungsnotizen und von Studierenden erzeugte Produkte mit Member Checking. Die Designlektion liegt in dem, was die Autoren dafür beanspruchen: ohne Prä-Post-Kompetenzmaß und ohne Vergleichsgruppe präsentieren sie die Evidenz als Engagement während der Intervention statt als demonstrierte Kompetenzzugewinne, was genau die Grenze ist, die ein mehrquelliges DBR-Design überschreiten kann und nicht kann.

Stärken und Grenzen

  • Stärken: hohe ökologische Validität und praktische Relevanz; erzeugt sowohl nutzbare Artefakte als auch Theorie; reagiert auf die Komplexität echter Klassenzimmer und sich entwickelnder KI-Werkzeuge; gut geeignet, ein Modell zu entwickeln und es auf Basis authentischer Implementierungsevidenz zu verfeinern; erfasst, wie eine Intervention in der Praxis tatsächlich wirkt (oder scheitert).
  • Grenzen: schwache interne Validität (wenige/keine Kontrollgruppen); Befunde sind kontextgebunden und schwer verallgemeinerbar; lange Zeitrahmen; schwierig zu isolieren, welches Designelement ein Ergebnis verursacht hat — DBR demonstriert Machbarkeit und Verbesserung, kann Lernzugewinne aber keinem spezifischen Mechanismus zuschreiben.

DBR tauscht die kausale Kontrolle von Experimenten gegen ökologische Authentizität und iterative Verfeinerung: seine Evidenz ist am stärksten als Machbarkeitsnachweis und Designorientierung statt als kausale Wirksamkeit. DBR-Lernzugewinne zu lesen verlangt dieselbe Vorsicht wie bei anderen Designs — ohne ein ungestütztes, kontrolliertes Ergebnismaß können Zugewinne dieselbe durch KI aufgeblähte Leistungskonfundierung widerspiegeln, die unter Lernzuwächse dokumentiert ist.

Beziehung zu anderen Methoden

DBR ist die Leitmethode der Lernwissenschaften — des interdisziplinären Felds, das Lernen und das Design von Lernumgebungen untersucht und das den Aufbau einer Intervention und ihr Studium als eine einzige Tätigkeit behandelt statt als zwei. Sie ist komplementär zu anderen Forschungsmethoden, nicht ihre Rivalin (siehe Forschungsmethoden in der AIED für die gesamte Landschaft). Wo Experimente Kausalität und Befragungen Breite etablieren, etabliert DBR Machbarkeit und Designwissen — ob eine Intervention so gebaut werden kann, dass sie in authentischer Praxis funktioniert, und welche Designprinzipien sie stützen. Sie paart sich häufig mit Usability-Evaluation (um die Schnittstelle zu verfeinern) und qualitativen Methoden (um zu verstehen, wie Lernende die Intervention erleben). Ein reifes DBR-Programm gipfelt typischerweise in einer Wirksamkeitsstudie oder Mess-Studie, die die kausalen Effekte der entwickelten Intervention im Maßstab prüft.

Verbundene Konzepte

Verbundene Artikel

Metadaten

StudiendesignLiterature Review
Forschungsmethoden und EvaluationDesignbasierte Forschung, Forschungsmethoden in der AIED
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.