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

Bildungsstufen

Erstellt 2026-09-20 · Aktualisiert 2026-10-10

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

Bildungsstufen – die Bänder, die das level-Metadatenfeld dieser Wissensbasis organisieren: preschool, primary education, middle school, secondary, K-12, higher ed, undergraduate, graduate, adult learning, special education und teacher education. Diese Seite ist das Dach für dieses Feld statt eine Duplikatin irgendeiner einzelnen Bandseite: Sie erklärt, was sich verändert, wenn man über die Bänder wechselt, warum der Bruch zwischen Schule und Universität mehr zählt als das unterrichtete Fach, und wo die KI-Evidenz dicht ist und wo sie dünn.

Fragen zum Nachdenken

  • Ein Doktorandenseminar und eine Mathematikstunde in der zweiten Klasse sind beide „Bildung“, doch ein Werkzeug, das der einen hilft, kann der anderen schaden. Was am Band – nicht am Fach – verändert, wie gute KI-Nutzung aussieht?
  • Eine Studie mit 132 Zweitklässlerinnen und Zweitklässlern fand einen adaptiven Mathematiktutor nicht besser als eine feste Sequenz. Würden Sie bei einer Universitätsstudierenden dasselbe Nullergebnis erwarten, und welche Lernendenkapazität setzt Adaptation stillschweigend voraus?
  • „K-12“ und „higher education“ komprimieren jeweils mehrere klar unterscheidbare Settings unter einem Label. Welche Vergleiche verbergen diese Labels?
  • Wenn die Evidenzbasis eines Bandes dünn ist: Ist die ehrliche Antwort, nichts zu sagen, von einem benachbarten Band zu borgen, oder eine Studie zu entwerfen?

Einführung

Das level-Metadatenfeld benennt das Bildungsband, um das es in einer Quelle geht – Bänder, nicht Altersgruppen: preschool, primary education, middle school, secondary, K-12, higher ed, undergraduate, graduate, adult learning, special education, teacher education. Einige benennen eine Stufe der Beschulung, zwei benennen die sehr verschiedenen Hälften des Universitätsstudiums, zwei benennen eine Lernendenpopulation statt einer Stufe, und eines benennt die Menschen, die lehren. Eine Quelle kann mehrere Bänder gleichzeitig tragen.

Diese Seite ist das Dach für dieses Feld; die Bandseiten leisten die tiefe Arbeit und sollten mit ihr gelesen werden: K-12 (Primar- und Sekundarstufe), Frühkindliche Bildung, Hochschulbildung, Erwachsene Lernende, Sonderpädagogik, Berufliche Weiterbildung und Berufliche Aus- und Weiterbildung.

Was ein Band vom anderen unterscheidet

Bänder unterscheiden sich gleichzeitig entlang mehrerer Achsen, und KI-Forschung variiert davon meist nur eine.

Die Schuljahre und die Universitätsjahre

Der folgenreichste Bruch ist der zwischen Schule und Universität, und die zwei geläufigsten Labels verbergen ihn jeweils oder kreuzen ihn.

Innerhalb der Schuljahre ändert sich das gemessene Ergebnis scharf nach Band. In der Primarstufe ist es Fachlernen: 97 chinesische Drittklässlerinnen und Drittklässler, die GenAI-Chatbots in der naturwissenschaftlichen Untersuchung nutzten, stellten bessere Fragen als eine Suchmaschinen-Kontrollgruppe (t = 2,47, p = 0,015) (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science). In der Sekundarstufe wird es oft Haltung statt Leistung: Eine Befragung von 508 taiwanesischen Schülerinnen und Schülern der unteren Sekundarstufe fand erfahrungsbezogenen Reiz, der über Freude zur Nutzungsabsicht von ChatGPT für das Liederlernen wirkt (XM → PEOU β = 0,630; PE → ATU β = 0,369), mit 81,5% auf dem kostenlosen Tarif – eine Zugangs-Gerechtigkeits-Tatsache, verkleidet als Technologieakzeptanz-Befund (Junior high school student perspectives on the use of ChatGPT in music education). Die Sekundarstufe birgt auch die größte Lernwarnung des Korpus: Über 26.811 chinesische Studierende der Klassen 7–12 hinweg stiegen Hausaufgabenscores um 18% und die Bearbeitungszeit fiel um 30%, während die Scores in geschlossenen Prüfungen innerhalb von sechs Monaten um etwa 20% fielen, konzentriert bei den etwa 81%, deren Verhalten auf ausgelagerte Hausaufgaben hindeutete (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).

Die Universitätsjahre teilen sich erneut. Das Undergraduate-Studium ist Kursarbeit unter externem Urteil: Unter Studierenden im Schreibbereich an einer Minderheiten dienenden R1-Universität sagte KI-Kompetenz vorher, welche Art von Große Sprachmodelle (LLMs)-Abhängigkeit ein Studierender einnahm, statt wie viel er oder sie LLMs nutzte (Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University). Das Graduiertenstudium ist Forschungstraining, wo sich das Ergebnis von Leistung zu Formung verschiebt. Unter 420 Astronomie-Doktorandinnen, -Doktoranden und Postdocs war KI-Abhängigkeit negativ mit Forschungsautonomie assoziiert (r = −0,355) und Selbstwirksamkeit (r = −0,321), und der indirekte Pfad zu innovativem Verhalten verlief überwiegend über Autonomie (−0,115) statt über Selbstwirksamkeit (−0,069); Betreuungsunterstützung schwächte die negative Verbindung zu Autonomie (B = 0,077, p = 0,020) (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Ein Doktorand oder eine Doktorandin wird nach dem Urteil beurteilt, das KI-Abhängigkeit offenbar erodiert; ein Undergraduate nicht. Beides unter „higher education“ zu fassen, verbirgt das.

Wo die Evidenz konzentriert ist, und wo sie dünn ist

Das Korpus ist ungleichmäßig besiedelt, und das Level-Feld macht das Ungleichgewicht sichtbar.

Dicht. Higher education ist das am stärksten abgedeckte Band: Die hier herangezogenen Seiten umfassen eine achtwöchige Plattformstudie mit 60 Ingenieurstudierenden (Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams), eine Befragung von 395 Bildungsmanagern (AI adoption readiness among Ukrainian education managers: Barriers, typologies, and policy implications), eine Meta-Synthese von 18 afrikanischen Hochschulbildungsstudien (Rethinking data privacy for AI adoption in African higher education: A meta-synthesis of stakeholder perceptions and policy implications) und eine 420-Forschende-Studie zum Doktorandentraining (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Primar- und Sekundarstufe tragen ebenfalls Ergebnisevidenz.

Dünn, und stellenweise abwesend. Die hier herangezogenen Seiten berichten überhaupt keine Studie zu Ergebnissen bei Kindern im Vorschulband; die nächste Evidenz ist eine Befragung von Lehrendenabsichten, die an Kinder gerichtete Werkzeuge ausschloss (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings). Middle school erscheint hauptsächlich als vorgeschlagenes Design und Längsschnittstudie statt als berichtete Ergebnisse (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High). Die stärkste Evidenz des beruflichen Bandes sind 63 Selbstauskunftsantworten aus einem Kurs, von dem seine Autoren sagen, es bedürfe der Replikation (Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments). Die Graduierten-Evidenz ist querschnittlich, wobei ein Modell mit umgekehrtem Pfad etwas besser passt als das entwicklungsbezogene, daher wird die Richtung von Abhängigkeit zu reduzierter Autonomie eher erschlossen als bestätigt (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Nichts von dem hier Herangezogenen berichtet KI-Ergebnisevidenz für adult learning oder special education als Bänder; diese haben ihre eigene Abdeckung unter Erwachsene Lernende und Sonderpädagogik, und diese Seite verallgemeinert nicht von Befunden im Schulalter, um die Lücke zu füllen.

Ein Muster gilt auf jeder untersuchten Stufe: Die menschliche Schicht absorbiert die härtesten Fälle. Ein menschlicher Experte blieb am Glaubwürdigkeits-Entscheidungspunkt für Ingenieurstudierende, selbst wenn algorithmische Empfehlung F1 = 0,64 erreichte (Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams); Betreuungsunterstützung war die eine Bedingung, die die negativen Verbindungen der KI-Abhängigkeit im Doktorandentraining schwächte (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training); und es sind Vorschullehrende, nicht Kinder, die die Adoptierenden sind (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings).

Was stufengerechtes Design tatsächlich verändert

Folgerungen für KI in der Bildung

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauPreschool, Primary Education, Middle School, Secondary, K 12, Higher Ed, Undergraduate, Graduate, Adult Learning, Special Education, Teacher Education
ZielgruppeLearners, Parents And Families
Lernen und UnterrichtScaffolding (Gerüstbildung), Selbstreguliertes Lernen, Vorwissen
Technologien und VerfahrenAdaptives Lernen, Personalisiertes Lernen
Assessment und MessungLeistungsbeurteilung, Lerngewinne
Forschungsmethoden und EvaluationMetaanalyse und systematischer Review
Institutionen und PolitikBildungspolitik zu KI, KI-Governance
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzUnterschiedliche Effekte zwischen Gruppen von Lernenden, Gerechtigkeit, Datenschutz, Pädagogische Sicherheit
Grundlagen von KI in der BildungKI in der Bildung, Identität der Lernenden
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.