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

KI-Bildung in den Disziplinen

Erstellt 2026-08-16 · Aktualisiert 2026-10-10

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

KI-Bildung in den Disziplinen — die Anwendung künstlicher Intelligenz auf Lehren und Lernen innerhalb spezifischer akademischer Fächer, wo die charakteristischen Pädagogiken, Methoden, Theorien und Anliegen jeder Disziplin prägen, wie KI gestaltet, genutzt und evaluiert wird. Statt KI in der Bildung als einzelnes generisches Phänomen zu behandeln, organisiert dieser Überblick die disziplinspezifische Abdeckung der Wissensbasis und bringt die übergreifenden Themen an die Oberfläche, die durch KI-Bildungsforschung in Fachbereichen laufen.

Fragen zum Nachdenken

  • Ein Mathe-Tutor, der bei Richtig/Falsch-Feedback brilliert, mag in den Geisteswissenschaften scheitern, wo Interpretation und Autorschaft mehr zählen als Richtigkeit. Wie definiert Ihre eigene Disziplin, was als „gutes Feedback“ zählt?
  • Forschung über 560 Studierende fand, dass disziplinäre Zugehörigkeit vorhersagt, wie oft und offen Studierende generative KI nutzen. Warum könnte eine Disziplin als ganzes „Tätigkeitssystem“ agieren, das KI-Nutzung prägt — statt dass KI überall ein neutrales Werkzeug ist?
  • Der „kognitive Akt“, der an KI ausgelagert wird, ist disziplinspezifisch: Rechnen in Mathe, Code in Informatik, Komposition im Schreiben. Wenn Überabhängigkeit in jedem Feld anders aussieht, wie würden Sie sie in Ihrem erkennen?
  • Was bedeutet KI für eine Disziplin, deren charakteristische Pädagogik praktische Laborarbeit oder interpretative Sinnstiftung ist statt Problemlösen? Gibt es ein Fach, in dem KI wenig Rolle spielen sollte?
  • Mehrere Disziplinen — Recht, Geschichte, die Künste — bleiben dünn in der KI-Bildungsforschung. Welcher KI-Nutzung einer Disziplin gebührt die meiste Aufmerksamkeit, und was müsste gute KI in diesem Feld ehren, was generische Werkzeuge nicht tun?

Einführung

KI in der Bildung zeigt sich unterschiedlich über Disziplinen hinweg, weil jedes Feld seine eigene charakteristische Pädagogik hat — die unterscheidenden Weisen, wie Wissen konstruiert, geübt und gelehrt wird. KI-Tutoren, die in Mathematik glänzen, mögen in den Geisteswissenschaften scheitern, wo Interpretation und Autorschaft mehr zählen als richtige Antworten. Diese Seite ist die Überblickskarte für jene disziplinspezifischen Stränge, die inzwischen von Schulfächern über professionelle und angewandte Ausbildung bis zu Studiopraxis laufen. Ein Mitglied des Strangs ist überhaupt kein gelehrtes Fach: Lernwissenschaften ist das Forschungsfeld um KI in der Bildung, das die Mechanismen liefert, die KI-Systeme operationalisieren, und die Standards, nach denen sie beurteilt werden — es nimmt die übergreifende Sicht, gegen die Prämisse dieser Seite, dass der Fachinhalt das ist, was ändert, was Unterstützung tun sollte.

Disziplinspezifische Konzepte

Die Wissensbasis hat eigene Konzeptseiten für mehrere Fachbereiche:

  • Mathematikbildung — KI-Tutoring, adaptives Problemlösen und konzeptionelle Diagnose in Mathematik.
  • Physikbildung — KI-Simulation, Chatbots und Problemstellung im Physiklernen.
  • Chemiedidaktik — KI in Labor-/Experimentdesign, KI-vermitteltes formatives Assessment, kontextbasierter und erkundungsbasierter Unterricht, Große Sprachmodelle (LLMs)-technische Grenzen bei Chemieaufgaben und die Philosophie des Experimentierens.
  • Biologiebildung — KI in Laborinstruktion, in Biologiecurricula eingebettete KI-Kompetenz, kritisches Denken im Zeitalter der KI und spezialisierte Werkzeuge (Artbestimmung, Bioimaging, prädiktive Modellierung).
  • Informatikbildung — KI für Codeerzeugung, Debugging und Unterstützung von Programmiernovizen.
  • Bildung in Informationstechnik — der angewandte Flügel des Rechnens, der Praktiker darauf vorbereitet, die eingesetzten Systeme auszuwählen, zu sichern, zu verwalten und zu steuern, die Organisationen betreiben: seine Analyseeinheit ist das eingesetzte System und das Urteil des Praktikers darüber, wo Informatikbildung das Programm und den Algorithmus als ihre Gegenstände nimmt.
  • Schreiben — KI-unterstützte Komposition, automatische Aufsatzbewertung und Feedback zum Schreiben.
  • Sprachenlernen — KI-Gesprächspartner, Aussprachefeedback und konversationelle Praxis in Zweit-/Fremdsprachen.
  • Englischunterricht (EAP / EFL / ESL) — Englisch für akademische Zwecke (EAP) und Englisch-Sprachunterricht (EFL/ESL/L2): akademisch-englischer Register, genrebasiertes Schreiben und englischspezifisches Feedback und Assessment — unterscheidbar von allgemeinem Sprachenlernen und allgemeinem Schreiben.
  • MINT-Bildung — das fächerübergreifende Dach für Naturwissenschaft, Technik, Ingenieurwesen und Mathematik.
  • Berufliche Weiterbildung — die Vorbereitung und professionelle Entwicklung von Lehrkräften (vor und im Dienst), eine Disziplin für sich, deren KI-Forschung sich auf KI-Kompetenz der Lehrkräfte, intelligentes Technologisches pädagogisches Inhaltswissen (TPACK) und Bereitschaft zur Integration von KI zentriert.
  • Medizinische und Gesundheitsberufebildung — klinische Simulation, Training mit bestärkendem Lernen und grundlegende Lernprinzipien in der Bildung von Gesundheitsberufen.
  • Pflegebildung — die dichteste empirische Aufzeichnung im klinischen Strang: Simulation mit virtuellen Patientinnen, LLM-Schlussfolgerunterstützung und adaptive Plattformen, gerahmt um Identitätsbildung im Beruf ebenso sehr wie um Kompetenz, und schmal genug, die Grenze zu benennen, wo der dokumentierte Nutzen von KI endet (komplexe psychomotorische Fähigkeit und emotional beladene Interaktion), statt Gesundheitsberufe als einen Fall zu behandeln.
  • Berufliche Aus- und Weiterbildung — Erstvorbereitung auf benannte Berufe und technische Berufe, organisiert über Qualifikationsrahmen und bewertet an dem, was Lernende mit Geräten tun können: sie erstreckt sich über die professionelle Ausbildung und berufliche Weiterbildung hinaus, die Berufliche Weiterbildung abdeckt, auf jene, die noch nicht beschäftigt sind, und ihre wiederkehrende Designfrage ist, welche teuer zu besetzenden Teile der Praxis KI absorbieren kann, ohne die Wiederholung zu verdrängen, die Kompetenz erzeugt.
  • Designeducation — studiopbasierte professionelle Formation in Produkt-, Service-, Interaktions-, Innen- und Architekturdesign, wo sichtbarer Prozess der bewertete Gegenstand ist und wo generative Werkzeuge das polierte Artefakt billig machen: sie verengt die Studioodisziplinen, die Bildung in Kunst, Design und Medien abdeckt, auf die professionelle Designpipeline, sodass Kritik, Portfolio und Regulierung statt materielle und performative Praxis das Argument tragen.
  • Ingenieurbildung — professionelle Formation, Design und praktisches Lernen, ethischer Einsatz von KI, verkörpertes Assessment und Vorbereitung auf den Arbeitsmarkt im Ingenieurwesen.
  • Wirtschaftsbildung — KI in der Wirtschafts-, Ökonomie- und Managementbildung: von Studierenden informierte GenAI-Frameworks, Curriculum-Integration über konstruktive Ausrichtung und Vorbereitung auf KI-integrierte professionelle Praxis.
  • Bildung in Geistes- und Sozialwissenschaften — interpretative Kognition, Autorschaft und Sinnstiftung in Geistes- und Sozialwissenschaften.
  • K-12 (Primar- und Sekundarstufe) und Hochschulbildung — Bildung über und mit KI auf jeder Stufe.

Fächerübergreifende Themen

Mehrere Fäden schneiden durch alle Disziplinen, obwohl sie sich in jeder anders ausspielen:

  • Disziplin als Tätigkeitssystem. Jiang et al. (2026) zeigen über 560 Studierende des Grundstudiums in fünf akademischen Domänen hinweg, dass disziplinäre Zugehörigkeit signifikant mit Nutzungshäufigkeit und Offenlegungspraktiken der Studierenden in Bezug auf GenAI verbunden ist — Disziplinen fungieren als Tätigkeitssysteme, deren Normen, Richtlinien und Rollenerwartungen prägen, wie Studierende mit GenAI umgehen und es offenlegen. Das ist direkte Evidenz für die Prämisse der Wissensbasis, dass KI in der Bildung nicht disziplinneutral ist.
  • Die Gestalt von „interdisziplinär“ selbst ist disziplinbestimmt. Xia et al.s (2026) PRISMA-Review von 59 Studien katalogisiert sechs Formen interdisziplinärer Bildung, in denen KI auftritt: STEM-Integration (n = 26), Kohorten mit fächerübergreifenden Studienhintergründen (n = 14), Nicht-STEM-Fächer (n = 10), fächerübergreifende Lerninhalte (n = 10), Inter-STEM-Integration (n = 8) und STEAM (n = 2). Die Verteilung ist ein Befund auf Disziplinebene, nicht auf Werkzeugebene: KI-unterstützte Interdisziplinarität ist überwältigend in STEM beheimatet, und Kohorten mit fächerübergreifenden Hintergründen werden häufiger untersucht als die Nicht-STEM-Fächer, die jene Kohorten überbrücken sollen. Das Review zeigt weiter, dass dieselben KI-Funktionen über diese Settings hinweg wiederkehren — Assistent (n = 43), Evaluator (n = 22), Agent (n = 14), Monitor (n = 9) —, während ihre kognitiven, verhaltensbezogenen und affektiven Effekte sich nach Disziplin und Stakeholder unterscheiden, wobei Studierende bei Weitem am meisten untersucht sind (n = 57), Lehrkräfte als Nächstes (n = 26) und Verwaltungspersonal kaum untersucht (n = 4).
  • Tutoring und Feedback. KI-Tutoringsysteme (KI-Tutoring, Intelligentes Tutoring, Rückmeldung, Qualität von KI-Feedback) erscheinen in fast jeder Disziplin, von Mathe- und Physik-Tutoren bis zu Schreib- und Sprach-Feedback. Die Disziplin prägt, was als gutes Feedback zählt — Richtig/Falsch in Mathe, Argumentqualität im Schreiben, Flüssigkeit in der Sprache.
  • Assessment und Evaluation. Automatisiertes Assessment, Automatische Benotung, Automatisierte Bewertung von Aufsätzen und Formatives Assessment werden von KI über Disziplinen hinweg neu gedacht, aber die Bewertungskonstrukte unterscheiden sich (verfahrenstechnische Genauigkeit versus interpretative Tiefe versus kommunikative Kompetenz).
  • Kognitives Auslagern und Überabhängigkeit. Risiken von Kognitive Auslagerung und Überabhängigkeit erscheinen über Mathe, Informatik und Schreiben hinweg, obwohl der „kognitive Akt“, der ausgelagert wird, disziplinspezifisch ist — Rechnen versus Code versus Komposition.
  • KI-Kompetenz und kritische Nutzung. KI-Kompetenz, Kritisches Denken und Kritische Pädagogik tragen verantwortungsvolle Nutzung in jedem Fach.
  • Disziplinäre Verankerung begrenzt KI-unterstützte Metakognition. In einem textlinguistischen Seminar reflektierten Novizen metakognitiv mit LLMs vor allem dort, wo Fachwissen bereits konsolidiert war, und die meisten schrieben schwache Ausgaben dem Modell zu statt ihrem eigenen Prompt — ein Beleg, dass Prompt-Design explizit innerhalb einer Disziplin gelehrt werden muss (Brocca & Garassino (2026)).
  • Gerechtigkeit und Zugang. Gerechtigkeit, Digitale Kluft und Kulturell relevante Pädagogik betreffen alle Disziplinen.

Charakteristische Pädagogiken, Methoden und Theorien nach Disziplin

Jede Disziplin bringt unterscheidende pädagogische Traditionen ein, auf die KI-Forschung sich einlässt:

Vertretene Disziplinen in der Wissensbasis

Die stärkste disziplinspezifische Abdeckung der Wissensbasis liegt in STEM insgesamt — besonders Mathematikbildung, Physikbildung, Chemiedidaktik, Biologiebildung und Informatikbildung — gefolgt von Schreiben, Sprachenlernen (mit einem unterscheidbaren Englischunterricht (EAP / EFL / ESL)-Strang für EAP/EFL/ESL) und jünger Ingenieurbildung, Berufliche Weiterbildung (mit einem umfangreichen Korpus an KI-Trainingsforschung vor und im Dienst), Medizinische und Gesundheitsberufebildung und Bildung in Geistes- und Sozialwissenschaften. Ingenieurwesen und Design haben ebenfalls einen wachsenden Korpus an Artikeln. Diese Konzentration verfolgt die breitere Literatur: Xia et al.s (2026) Review fand STEM als häufigste interdisziplinäre Form in KI-unterstützter Hochschulbildung (n = 26), deutlich vor Nicht-STEM-Fächern (n = 10) und STEAM (n = 2) — eine Warnung auf Disziplinebene, dass KI-Bildungsevidenz dort am schnellsten akkumuliert, wo rechnerisches Werkzeug am leichtesten einzubetten ist, nicht notwendigerweise dort, wo der pädagogische Wert von KI am größten ist. Die jüngsten Ergänzungen verbreitern den Strang über akademische Fächer hinaus in professionelle und angewandte Bildung — Pflege, Informationstechnologie und Berufsbildung —, wo Lernende an demonstrierter Praxis statt an Richtigkeit bewertet werden, und wo der Arbeitgeber und die Zulassungsbehörde, nicht nur die Akademie, definieren, was als Kompetenz zählt.

Der berufliche Strang ist der dünnste in dieser Evidenz: ein systematisches Review von 26 Studien in Berufsbildung fand keine in Arbeitsplatzsettings trotz des arbeitsbasierten Charakters der Berufsbildung, nur fünf randomisierte Experimente und nur drei Designs, die Lernenden eine aktive Rolle gaben (Deutscher et al. (2026)).

Unterrepräsentierte Disziplinen

Mehrere Disziplinen bleiben dünn in der Wissensbasis und sind gute Kandidaten für künftige Einlagerung:

Diese unterrepräsentierten Disziplinen würden von eigenen Konzeptseiten und zusätzlicher Artikel-Einlagerung profitieren, während die Wissensbasis wächst.

Verbundene Konzepte

Verbundene Artikel

Metadaten

FachgebietStem Education, Math Education, Physics Education, Cs Education, Language Learning, Writing Education, Medical Education, Humanities Education, Business Education, Design Education, Information Technology, Vocational Education, Nursing Education, Learning Sciences
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.