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

Lehr- und Curriculumsentwicklung

Erstellt 2026-08-09 · Aktualisiert 2026-10-10

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

Lehr- und Curriculumsentwicklung (auch bekannt als faculty development) — die Prozesse, Programme und institutionellen Unterstützungen, die Lehrenden helfen, die Fähigkeiten, die Zuversicht und die professionelle Identität zu entwickeln, um wirksam mit KI zu unterrichten. Lehr- und Curriculumsentwicklung erstreckt sich über individuelle Schulung, Curriculumneugestaltung, Wandel in institutioneller Politik und die kulturelle Arbeit, Sinn daraus zu machen, was GenAI für den akademischen Beruf bedeutet.

Fragen zum Nachdenken

  • Wenn Lehrende derselben Abteilung KI einerseits als menschenähnlichen „assistant" und andererseits als bloßes „tool" oder „search engine" beschreiben — kann ein Schulungsprogramm wirklich erfolgreich sein, bevor diese zugrunde liegenden mentalen Modelle an die Oberfläche gebracht sind? Was könnte geschehen, wenn Entwicklung diesen Schritt überspringt?
  • Lehr- und Curriculumsentwicklung wird oft als Schließen einer Fähigkeitslücke behandelt — bringt den Fakultäten die Werkzeuge bei, und sie werden sie übernehmen. Aber manche Forschung rahmt GenAI-Integration als Wandel auf Identitätsebene („what's the point of teaching in a GenAI world?"). Welche Rahmung halten Sie für genauer, und welche unterschiedlichen Handlungen impliziert jede?
  • Bereitschaftsrahmenwerke wie EPIQ-AI spalten Bereitschaft der Fakultäten in epistemische, pädagogische, institutionelle und Qualitäts-und-Compliance-Domänen. Wenn Bereitschaft ein soziotechnisches Ausrichtungsproblem ist statt eine individuelle Fähigkeitslücke, was sagt das darüber, wo ein einsamer „KI-Workshop" wahrscheinlich zu kurz greift?
  • Wann haben Sie gefühlt, dass Ihre eigenen Annahmen über eine neue Technologie an die Oberfläche kamen und sich verschoben — durch Diskussion, Metapher oder geteilte Sprache statt durch Instruktion? Welche Rolle, denken Sie, spielen geteilte Sprache und Metaphernanalyse dabei, Lehrenden zu helfen, KI zu verstehen?
  • Stellen Sie sich einen technisch einfachen „Metaphern-Workshop" vor, in dem Fakultäten, Personal und Lernende artikulieren, ob sich KI wie ein Schweizer Taschenmesser, ein Helfer, eine Black Box oder ein Konkurrent anfühlt. Könnte es, Ängste an die Oberfläche zu bringen (einschließlich der Angst, KI werde Lehrrollen ersetzen), mehr für die Übernahme tun als mehr technische Schulung?

Einführung

Lehr- und Curriculumsentwicklung ist die professionelle und institutionelle Arbeit, durch die Fakultäten die Fähigkeit aufbauen, gut zu entwerfen, zu unterrichten und zu bewerten —, und im KI-Zeitalter ist sie zur Vorbedingung dafür geworden, dass irgendein pädagogischer Wandel wirkt. Das Konzept erstreckt sich über das Individuum (KI-Kompetenz, Zuversicht, Kompetenz, Einstellungen) und das Institutionelle (Standards, Politik, Qualitätssicherung und Ausrichtung zwischen erklärten KI-Erwartungen und tatsächlichem Assessmentdesign). Ein wiederkehrender Befund über diese Wissensbasis hinweg ist, dass die Evidenz für wirksame Praxis dem, was die meisten Institutionen implementiert haben, deutlich voraus ist, was Entwicklungsarbeit — nicht mehr Primärforschung — zur bindenden Beschränkung macht. Die Lernwissenschaften produzieren die Befunde, die diese Arbeit trägt: Wo jenes Feld empirisch etabliert, wie Menschen lernen und welche Designs Ergebnisse verändern, ist Lehr- und Curriculumsentwicklung die institutionelle Praxis, die solche Evidenz darin bewegt, wie Fakultäten tatsächlich unterrichten und bewerten. Ihre Arbeit ist jedoch durch eine institutionelle Kante begrenzt: Entwicklung baut Fähigkeit im Personal innerhalb einer Institution auf, während die Werkzeuge, die dieses Personal dann zu übernehmen gebeten wird, üblicherweise außerhalb davon von Entwicklerinnen und Entwicklern für die Bildung gebaut werden, deren Design- und Beschaffungsentscheidungen — Voreinstellungen, Konfigurierbarkeit, was das Ende der Förderung überlebt — als Beschränkungen für das Programm ankommen statt als seine Produkte.

Lehr- und Curriculumsentwicklung im KI-Zeitalter

  • Bereitschaftsrahmenwerke: Das EPIQ-AI-Rahmenwerk identifiziert vier Bereitschaftsdomänen: epistemisch, pädagogisch, institutionell, und Qualität-und-Compliance. Bereitschaft der Fakultäten ist ein soziotechnisches Ausrichtungsproblem, nicht nur eine individuelle Fähigkeitslücke.

  • Standards für Technologieintegration: Crompton et al. nutzen designbasierte Forschung, um Fakultätenstandards für Technologie- (einschließlich KI-)Integration in Hochschulbildungsinstitutionen zu entwickeln.

  • Übernahme und Zuversicht: Forschung zur KI-Übernahme durch Lehrende identifiziert Bedenken, Unterstützung, Zuversicht und Einstellungen als Schlüsselprädiktoren. Programme zur Fakultätsentwicklung müssen alle vier adressieren.

  • Curriculum-Integration: Rahmenwerke institutionellen Wandels und Assessment-Reform erfordern von Fakultäten, Kurse neu zu gestalten, nicht nur KI-Werkzeuge hinzuzufügen.

  • Schulungsprogramme: KI-Upskilling-Rahmenwerke und TPACK-basierte Vorbereitungsschulung bieten Modelle für strukturierte KI-Bildung der Fakultäten.

  • KI-vermittelte professionelle Reflexion. Das Reflective Triangle Model positioniert KI als kognitiven Mediator über Selbstreflexion, kollaborative Reflexion und Gemeinschaftsreflexion in einer professionellen Lerngemeinschaft, getestet in einer vierwöchigen Machbarkeits-Fallstudie mit sechs Lehrenden; die Grenze, die es zieht, ist, dass individuelle Einsicht nicht automatisch zu geteiltem professionellem Wissen wird (Nguyen (2026)).

  • Governance und Politik: Analyse institutioneller KI-Politik dokumentiert die Lücke zwischen institutionellen Ambitionen und Kapazität der Fakultätsunterstützung.

  • KI-Kompetenz ist institutionell unsichtbar. Ein systematischer Review von 32 Studien zur KI-Kompetenz von Sprachlehrenden fand sie abwesend von Arbeitslastmodellen, Beförderungspolitik und Ressourcenallokation, mit fragmentierter Entwicklung und über Institutionen und Agenturen hinweg verlagerter Rechenschaftspflicht —, sodass Kompetenzentwicklung auf individuelle Anstrengung zurückfällt statt auf strukturelle Unterstützung (Deng, Çelik & Duran, 2026)).

Metaphern und geteilte Sprache in Lehr- und Curriculumsentwicklung

Fakultäten halten heterogene, oft tief ambivalente mentale Modelle von KI, und wirksame Entwicklung muss sie an die Oberfläche bringen und mit ihnen arbeiten. Gerhardt et al. zeigen, dass Ingenieurlehrende KI durch Metaphern rahmen, die Verständnis sowohl konstruieren als auch beschränken (KI als menschenähnlicher „assistant" gegenüber einem „tool" oder „search engine"); weil Lehrende innerhalb derselben Abteilung oft fundamental unterschiedliche Konzeptualisierungen halten, ist eine geteilte, akkurate Sprache über GAI eine Vorbedingung für wirksame Fakultätsentwicklung und produktive Diskussionen zur Übernahme auf Abteilungsebene.

Eine praktische Methode, diese mentalen Modelle an die Oberfläche zu bringen, ist der Metaphernanalyse-Workshop. Vallis, Wilson & Casey (2025) entwarfen und validierten einen technisch einfachen, kollaborativen Workshop für Fakultäten, Personal und Lernende, um ihre Metaphern für generative KI zu artikulieren. Teilnehmendenmetaphern bündelten sich in vier Kategorien — Functions (werkzeugartig: „Swiss army knife"), Roles (menschenartig: „helper", „frenemy"), Qualities (unerkennbar: „black box", „slippery slope") und Agency (bedrohlich: „competitor", „sinister robot") —, und brachten anhaltende Spannungen zwischen menschlicher und maschineller Handlungsfähigkeit und dem Bekannten gegenüber dem Unerkennbaren an die Oberfläche. Der Workshop half Teilnehmenden, Annahmen an die Oberfläche zu bringen, sich über Rollen hinweg zu verbinden, sich „not alone" zu fühlen, und über die Ethik von GenAI nachzudenken, ohne technische Expertise zu verlangen. Als Entwicklungswerkzeug gibt er Programmgestalterinnen und -gestaltern einen niedrigschwelligen Weg, die Annahmen eines Teams an die Oberfläche zu bringen, bevor Assessment neu gestaltet oder Politik ausgerollt wird, und Ängste direkt anzugehen —, einschließlich der Angst, KI werde Lehrrollen ersetzen.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI als Identitätsarbeit, nicht nur Upskilling

Eine schwelleninformierte Sicht rahmt GenAI-Integration als ontologische Transformation für Fakultäten neu, nicht als Fähigkeitslücke. Indem er Schwellenkonzept-Theorie anwendet (Meyer & Land), argumentiert Laidlaw, GenAI weise alle fünf Schwellenmerkmale auf — transformative (rekonstruiert Annahmen über Assessment, Pädagogik und professionelle Rolle), troublesome (verletzt Überzeugungen über Originalität, menschliche Handlungsfähigkeit und Anstrengung-Leistung), irreversible, integrative (verbindet Technologie, Pädagogik, Erkenntnistheorie und Identität) und bounded (GenAI-Flüssigkeit wird zum neuen Marker professioneller Währung).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Nach dieser Darstellung sind Fakultäten, die fragen „what's the point of teaching in a GenAI world?", nicht defizient an Kompetenz; sie sind in einer liminalen Schwellenüberschreitungsphase, in der Angst, Widerstand und Verwirrung notwendige Teile der Transformation sind, keine zu beseitigenden Hindernisse. Fähigkeitsbasierte Schulung, die eine Kompetenzfrage beantwortet, die Fakultäten nicht stellen, kann zur realen Transformation peripher werden, und wohlmeinende Governance kann in eine „enforcement illusion" verfallen — Regeln kommunizieren statt Wandel unterstützen.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Designimplikation: Ergänzen (nicht ersetzen) Sie Fähigkeitsaufbau mit identitätsunterstützenden Praktiken — eröffnen Sie Sitzungen mit Identitätsfragen statt technischen Demos, führen Sie laufende fachspezifische Kohorten, in denen Fakultäten erkunden, was GenAI für den Zweck ihres Felds bedeutet, schaffen Sie Peer-Mentoring-Strukturen, die verschiedene Transformierungszeitlinien würdigen, und unterscheiden Sie angstbasiertes Zögern (das von Unterstützung profitiert) von prinzipiengeleiteter Nichtübernahme, die in legitimen fachlichen Werten gründet (die Respekt verdient).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Das Metaphern-Workshop-Modell oben ist eine konkrete Instanz davon: Statt von technischem Upskilling auszugehen, eröffnet es mit der interpretativen, identitätsgeladenen Frage, was GenAI für Teilnehmende bedeutet.

Empirische Unterstützung für die Identitätsarbeits-Rahmung. Farazouli et al. (2026) liefern direkte qualitative Evidenz für diese Darstellung: 24 schwedische Universitätslehrende beschrieben GAIs Aufkommen als alarmierend und überwältigend, berichteten einen „state of vulnerability" (geringe Zuversicht, Unsicherheit, Angst, „not being ahead of students") und fühlten sich „stuck" zwischen utopischen und dystopischen Diskursen. Ihre begrenzten Kenntnisse und Erfahrung, neben Gefühlen der Verletzlichkeit, heben den Mangel an Bereitschaft der Lehrenden hervor, GAI zu navigieren, zu bewerten und zu übernehmen —, und die Autoren argumentieren, Institutionen müssen ausgewiesene Räume und Zeit dafür bereitstellen, dass Lehrende mit GAI experimentieren, Ideen austauschen und auf institutioneller, Abteilungs- und Kursebene kollaborativ Praktiken und Leitlinien entwickeln. Das verankert den Identitätsarbeits- und unterstützungsorientierten Ansatz in der eigenen berichteten Erfahrung der Lehrenden statt nur in Theorie.

Ein Programm, das die Identitätsfrage direkt bearbeitete. Chick, Morello & Staffey (2026) berichten von einem sechswöchigen Sommerinstitut, das zehn Fakultäten aus Bildung, Gesundheitswissenschaften, Wirtschaft und anderen Programmen von niedriger KI-Flüssigkeit (mittlere Selbsteinschätzung 1,89 auf einer sechsstufigen Skala) zu 60% mit hoher Zuversicht darin brachte, KI-Nutzung durch Lernende anzuleiten, und 90% positive Wahrnehmungen, und sie attribuieren den Wandel weniger der Werkzeugschulung als strukturiertem, sicherem Experimentieren, das mit der existenziellen Frage professionellen Werts eröffnete statt mit Demos. Der Vokabelwechsel ist der Marker, auf den sie sich stützen: frühe Rahmungen von KI als „cheating machine" oder „dehumanizing force" wichen „curious assistant", und ihre vier Themen — fear to curiosity, ein Verlangen nach ethischer Klarheit, das das Politikvakuum nicht lieferte, inklusives Design als Gerechtigkeitsverstärker, und Fakultäten, die von Gatekeepern zu Guides werden — beschreiben eine teilweise, absichtsvolle Neuorientierung unterrichtlicher Identität. Die zehn Capstone-Neugestaltungen sind die härtere Evidenz, wobei acht von zehn KI als Scaffold positionieren, das Denken unterstützt statt ersetzt, und die symbiotic pedagogy der Autoren formalisiert, was Teilnehmende bauten: komplementäres Design, transparenter Prozess, kritische Integration, eingebettetes ethisches Schlussfolgern und iterative Verfeinerung. Die Einschränkung ist strukturell statt individuell: dieselben Teilnehmenden benannten widersprüchliche Politiksignale, persönliche Werkzeugabonnements und keine Zeitfreistellung für die Neugestaltungen, sodass die Autoren schließen, dass Widerstand nie das Problem war, und dass stückweise Antworten, die Politik und Infrastruktur unangetastet lassen, selbst an einer begeisterten Kohorte scheitern werden.

Entwicklung als Vermittlung, und die erste Frage, die ein Entwickler stellt. Sithole (2026) untersucht academic development — der ältere Name des Felds, und der Begriff, den das International Journal for Academic Development verwendet, das die Arbeit veröffentlichte — an zwei südafrikanischen Historically Disadvantaged Institutions, und rahmt Entwickelnde nicht als technische Umsetzende, sondern als digitale Mediatoren neu, die über drei Register arbeiten: pädagogisch (KI-Diskurs in tragfähige Praxis des Lehrens, Lernens und Bewertens übersetzend), ethisch (Automatisierung gegen akademische Integrität haltend, Innovation gegen Sorge), und institutionell (den liminalen Raum zwischen Managementimperativen und akademischen Anliegen bearbeitend). Zwei Befunde zählen für Programmdesign. Erstens ist die Filterfrage kontextuell, bevor sie technisch ist — „what does this mean for teaching here, for our students from poor schools?" —, und die Übernahme zu verlangsamen zählt als Teil der Arbeit statt als Widerstand dagegen. Zweitens ist die affektive Kostenposition strukturell, nicht persönlich: Von Entwickelnden wurde erwartet, Expertise in Werkzeugen zu projizieren, deren Implikationen sie noch ausarbeiteten („I feel like an impostor. I am learning AI as I go, but the institution expects expertise"), und ihre Antwort war Peer-professionelles Lernen, das auf Urteilsvermögen statt Fähigkeit zielte, einschließlich absichtlichen Versuchens, die Werkzeuge zu zerbrechen. Der analytische Beitrag der Arbeit ist, digitale Ungleichheit, ein distributives Problem, von algorithmischer Kolonialität zu trennen, einem epistemischen, das vollen Zugang überlebt —, und beides innerhalb von Globaler-Süden-Hochschulbildung zu platzieren, wo Entwicklungsarbeit als transformativ erwartet wird statt als neutraler Unterstützungsdienst.

Schuld und moralisches Unbehagen als Entwicklungssignal. Vassallo (2026) liefert das affektive Gegenstück zur Identitätsdarstellung. In einer Umfrage unter akademischem Personal einer maltesischen Universität (109 Antworten, eine Rate von 3,5%, die die Arbeit selbst als aufschlussreich für den Zustand der ethischen Debatte liest), verfolgte Schuld Verbergung statt Offenlegung — KI-Nutzung aus Unbehagen zu begrenzen korrelierte mit dem AI Guilt Index bei r = .62 und Offenlegung gegenüber Kolleginnen und Kollegen zu vermeiden bei r = .50 —, während formale Offenlegung in akademischen Ausgaben keine Beziehung zeigte (r = .08). Nur 31,2% sahen klare institutionelle Leitlinien, und die Korrelation zwischen dieser Klarheit und geringerer Schuld war schwach (r = −.25, p = .010), was die Arbeit als Evidenz liest, dass Top-down-Mandate ein teils emotionales und identitätsbasiertes Problem nicht lösen können. Ihre Empfehlungen sind direkt entwicklungsbezogen: Behandeln Sie Schuld und Identitätsanliegen als normale Übergangsantworten statt als zu korrigierende Fehler, nutzen Sie strukturiertes risikoarmes Experimentieren, um Personal durch antizipatorische Angst zu bewegen, und stützen Sie sich auf Mentoring durch erfahrene Akademikerinnen und Akademiker, da Schuld unter Personal in früher Karriere am höchsten war (M = 2,71) und unter erfahrenem am niedrigsten (M = 2,03).

Praktische Anleitung für Programmgestalterinnen und Programmgestalter

Für Fakultätsentwickelnde, akademische Leitungen und Instructional Designerinnen und Designer, die KI-Berufsbildung planen, legt die Evidenz der Wissensbasis nahe:

Adressieren Sie die vier Übernahmetreiber, nicht nur Wissen. Zuversicht, Einstellungen, Unterstützung und Bedenken sagen vorher, ob Fakultäten KI tatsächlich übernehmen — ein rein wissensbasierter Workshop, der diese ignoriert, wird Praxis unwahrscheinlich verändern. Gestalten Sie Entwicklung so, dass sie Zuversicht durch praktische Nutzung aufbaut, laufende Unterstützung bietet (nicht einmalige Schulung), und Bedenken der Fakultäten aktiv an die Oberfläche bringt und darauf antwortet.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Zuversicht und Kompetenz sind keine austauschbaren Ziele: In einem SEM mit 502 Antwortenden von Universitätsfakultäten war KI-Kompetenz der dominante Prädiktor für KI-Wohlbefinden (β = 0,713), während technologische Selbstwirksamkeit wenig beitrug (β = 0,082), und Unterstützung Wohlbefinden nur indirekt erreichte (Liu et al. (2026)).

Behandeln Sie Leitliniennachfrage und Leitlinienangemessenheit als getrennte Probleme. Fakultäten an einer Universität unterstützten stark institutionelle Maßnahmen gegen unethische KI-Nutzung (M = 4,59), während sie bestehende Leitlinien am niedrigsten bewerteten (M = 2,99), und Datenprivatsphäre und kulturelle Inklusivität als ihre schwächsten Kenntnisse benannten —, ein konkretes Ziel für Berufsbildung (Bilgic & Sever, 2026)).

Behandeln Sie Bereitschaft als soziotechnisches Ausrichtungsproblem. Das EPIQ-AI-Rahmenwerk zeigt, dass Bereitschaft der Fakultäten epistemische, pädagogische, institutionelle und Qualitäts-und-Compliance-Domänen umfasst. Programme, die nur das Individuum schulen, übersehen die institutionellen Hebel (Politik, Arbeitslast, Anreize, Qualitätsstandards), die Wandel ermöglichen oder blockieren — richten Sie diese neben der Schulung aus.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Setzen Sie Infrastrukturinvestition nicht mit Transformation gleich. Über 125 Studien korrelierte institutionelle Investition in GenAI-Infrastruktur und Bildungsentwicklung nur schwach mit tatsächlichem pädagogischem Wandel (r = 0,12), während 60–70% der Lehrenden sich unvorbereitet fühlten, GenAI zu integrieren —, was Entwicklung, nicht Beschaffung, zur bindenden Beschränkung macht.(Rathnayake (2026))

Bauen Sie auf Curriculumneugestaltung zu, nicht auf Werkzeugübernahme. Das Ziel ist, dass Fakultäten Kurse und Assessment neu gestalten, nicht nur KI-Werkzeuge hinzufügen. Verankern Sie Berufsbildung in Neugestaltungsarbeit auf Kursebene und Assessmentreform, und geben Sie Fakultäten strukturierte Rahmenwerke dafür (etwa Assessment-Skalen, Rahmenwerke institutionellen Wandels).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Versammeln Sie das Dorf, nicht das Individuum. Über 12 Akademikerinnen und Akademiker und 17 Studierende hinweg interviewt, überstieg GenAI-Ära-Assessmentneugestaltung die Fähigkeit einer einzelnen Akademikerin oder eines einzelnen Akademikers — unflexible Prozesse, lange Vorlaufzeiten und Arbeitslastbelastung wurden benannt —, daher schlagen die Autoren ein programmweites Team vor, das Assessmentdesign-, GenAI-, Fach-, Programm- und Branchenexpertise kombiniert (Nicola-Richmond et al., 2025).

Führen Sie die Reihe an den eigenen Daten des Raums statt an importierter Best Practice. Perl-Nussbaum und Finkelstein (2026) dokumentieren ein ausgearbeitetes Modell aus einer großen öffentlichen R1-Physikabteilung: sechs zweiwöchentliche Sitzungen von 60 bis 75 Minuten, neunzehn Fakultäten über die Reihe hinweg teilnehmend und etwa zehn bei jedem Treffen, in denen jede Sitzung mit lokalen Daten oder abteilungsbezogenen Materialien eröffnete, zum Testen von KI in Kleingruppen gegen echte anonymisierte Hausaufgaben überging, und in kollektiver Diskussion schloss. Was Fakultäten durch Testen fanden, war nützlicher als jedes Paket, das die Facilitators hätten importieren können — KI löste jedes Problem, das sie versuchten, aber ihr Feedback zu echter Studierendenarbeit war ungleich, promptabhängig und oberflächenfokussiert, solange ihr keine ausdrücklichen Ziele und Rubriken gegeben wurden, und Lernende prompteten flach und modifizierten Ausgabe oberflächlich, solange produktive Nutzung nicht modelliert wurde. Die erste konkrete Ausgabe war ein lebendiges Repository mit fünf Einträgen — Syllabus-Politikerklärungen, Kursraumdiskussionsmaterialien, die Studierendenumfrage, KI-integrierte Hausaufgaben und Assessmentstrukturen —, weshalb die Autoren die Sitzungsstruktur selbst als das Argument behandeln statt jeden Inhalt, den sie lieferte.

Verankern Sie in einem Kompetenzrahmenwerk. Entwicklung sollte auch pädagogische Prompt-Kompetenz aufbauen — die Fähigkeit, pädagogische Absichten in Prompts zu kodieren —, da Talebzadeh (2026) findet, dass es pädagogische Expertise ist, nicht KI-Flüssigkeit, die die Qualität der KI-assistierten Designarbeit der Lehrenden bestimmt.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Sequenzieren Sie Verständnis vor Automatisierung. Eine kritische Diskursanalyse von 14 Stücken grauer Literatur, die zwischen November 2022 und April 2025 publiziert wurden und Praktikerinnen und Praktiker zu generativer KI für konstruktive Ausrichtung berieten, findet, dass Fähigkeit Werkzeugzugang vorausgehen muss: Weil Qualität des Engagements der Qualität des Verständnisses in einem konstruktivistischen Rahmen vorausgeht, skaliert Risiko invers mit Vertrautheit, und Novizinnen und Novizen sind am meisten der Plausibilitäts-getriebenen Akzeptanz plausibel aussehender, aber pädagogisch dünner Ausgaben ausgesetzt. McInnes et al. (2026) argumentieren weiter, Entwicklungseinheiten sollten einem technizistischen Brief widerstehen — Fakultäten dabei zu helfen, „Fluenz" in Werkzeugen zu „erwerben", die „the heavy lifting" des Kursdesigns tun —, weil diese Rahmung Entwickelnde aus einer geschlossenen Lehrende-GenAI-Schleife ausschließt und wertegeleitete, relationale Entwicklung als vermittelnden Mechanismus für Softwareübernahme umdeutet. Die vertretbare Alternative hält Bildungsentwickelnde als Kuratorinnen und Kuratoren und Regelsetzer jedes institutionell begrenzten retrieval-augmented Alignment-Assistenten, der vertiefende Fragen stellt, Unter- und Überbewertung markiert und Alternativen erzeugt, aber nie fertige Artefakte, mit Eskalation zu menschlichem Urteilsvermögen in Akkreditierungs- und programmübergreifenden Angelegenheiten als Merkmal statt als Ausnahme.

Bringen Sie Ängste und mentale Modelle an die Oberfläche und adressieren Sie sie. Bevor Sie Unterrichten neu gestalten, nutzen Sie einen Metaphernanalyse-Workshop (Vallis, Wilson & Casey 2025), um die Annahmen und Ängste eines Teams über GenAI an die Oberfläche zu bringen — einschließlich der Angst, er werde Lehrrollen ersetzen —, und bauen Sie Entwicklung, die darauf antwortet, statt sie zu ignorieren.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modellieren Sie KI-Kompetenz und messen Sie echte Zuwächse. Fakultätsentwicklung sollte selbst die Praktiken verkörpern, die gelehrt werden — KI pädagogisch nutzen, Ausgaben kritisch bewerten —, und sollte demonstrierte Kompetenz bewerten statt selbstberichtete Zuversicht, da Selbstwahrnehmung KI-Fähigkeit verlässlich überschätzt.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Nehmen Sie nicht an, dass Fachexpertise auf GenAI übertragbar ist. Sutedjo, Chowdhury & Liu (2026) befragten 127 US-Fakultäten an Forschungsuniversitäten mit dem TPACK-21-Instrument und fanden, dass Inhaltswissen (CK) keine signifikante Korrelation mit technologischem Wissen oder irgendeiner technologieintegrierten Domäne zeigte (r =.11–.15, ns) —, fachliche Expertise sagte GenAI-Integrationswissen nicht vorher. Die technologieintegrierten Domänen (TPK, TCK, TPACK) korrelierten untereinander so stark (r =.81–.91), dass sie als einzelner GenAI-Integrationsfaktor funktionieren mögen. Praktisch: Bauen Sie GenAI-Integration durch fachspezifische Aktivitäten auf, die GenAI-Angebote mit dem Fachinhalt jedes Fakultätsmitglieds verbinden, und behandeln Sie die technologieintegrierten Domänen als eine geteilte GenAI-Kompetenzgrundlage statt sie als getrennte Fähigkeiten zu schulen.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Fachspezifische Smart-Classroom-Modelle. Zhu, Liang, Mao und Wang (2026) zeigen, wie ein Mathematik-M.Ed.-Kurs mit intelligenten Bildungstechnologien (automatisierte Bewertung, personalisierte Empfehlungen, multi-KI-Feedback) verstärkt werden kann, integriert über Vor-, In- und Nach-Kurs-Stufen innerhalb eines dreidimensionalen Smart-Classroom-Rahmenwerks. Ihr Quasi-Experiment fand statistisch signifikante Zuwächse in der Kompetenz, Unterrichtsziele zu entwerfen, und bietet damit ein übertragbares D-T-E Model (Disciplinary Demand–Technological Empowerment–Evaluation Loop) für Lehrkräftebildende und Entwickelnde in Lehr- und Curriculumsentwicklung, die Smart-Bildungs-Rahmenwerke von Makrokonzepten in fachspezifische Praxis bewegen wollen.

Messen Sie Anwesenheit, nicht das Gefühl von Engagement. In einem sechsmonatigen Intelligent-TPACK-Programm für 64 Universitätslehrende sagte die Anwesenheitsrate den Zuwachs in KI-Kompetenz vorher (β = .407, p = .001), während selbstwahrgenommene Teilnahme es nicht tat (β = .049, p = .692), was die Autoren als konkrete Verhaltensinvestition gegen oberflächliches Engagement lesen (Tan, Cheng & Ling, 2025)). Das Programm koppelte Onlinevorlesungen mit drei Präsenzworkshops, verlangte dann von Lehrenden, ihre Unterrichtsentwürfe zu revidieren und sie im folgenden Semester umzusetzen, und die Autoren empfehlen, Anwesenheit neben sinnvollen Anreizen in die Beurteilung einzubinden.

Benchmarken Sie gegen das, was Fakultäten selbst berichten. Watson & Rainie (2026)s Umfrage von 1,057 US-Fakultäten findet die institutionelle Schicht auf Weisen dünn, die Programmgestalterinnen und -gestalter direkt messen können: 59% beurteilten ihre Schule als unvorbereitet, generative KI wirksam dafür zu nutzen, Lernende auf die Zukunft vorzubereiten, und 68% sagten, sie habe Fakultäten nicht darauf vorbereitet, sie für Unterrichten und Mentoring zu nutzen, während die strukturelle Antwort bei einer Task Force in 55% der Institutionen lag, aber einem KI-Kompetenz-Ergebnis der Allgemeinbildung in nur 13%. Fakultäten hatten nicht auf Politik gewartet — 87% schrieben ihre eigenen aufgabenspezifischen Regeln gegenüber 48%, die auf eine institutionelle verweisen konnten —, und sie benannten Widerstand von Kolleginnen und Kollegen (82%) und Unvertrautheit (83%), nicht Mandat, als die Hindernisse für Übernahme auf Abteilungsebene. Für Entwicklungsprogramme argumentiert das dafür, Peer-Normen, geteilte Politiksprache auf Aufgabenebene und ausdrückliche Maße institutioneller Bereitschaft als Teil der Intervention zu behandeln, statt sie dem Politikdokument zu überlassen.

Reaktion der Lehrenden spiegelt Machtzentren, nicht Einstellung. In einer instrumentellen Fallstudie von 33 Schreiblehrenden prägten vier polyzentrische Machtzentren — der globale GenAI-Trend, die Universität/Abteilung, Kolleginnen und Kollegen, und Lernende — die Praxis, und nebenberufliche Lehrende, die durch begrenzte Diskursmacht beschränkt waren, verschoben sich von Detektion hin zum Unterrichten akzeptabler Nutzung (Zuo et al. (2026)).

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Verknüpfte Ressourcen

  • Education Agent Skills
    Eine Bibliothek von 165 evidenzbasierten Agent Skills zu Pädagogik, Lernwissenschaft, Curriculum und Assessment, verpackt für Claude, Codex und Hermes.
  • FPDS Apps and Resources
    Die öffentliche Ressourcenseite der Faculty Professional Development Services des Hillsborough College, die deren KI-, Lehr- und Barrierefreiheits-Ressourcen an einem Ort versammelt.

Metadaten

NiveauHigher Ed, K 12
ZielgruppeFaculty Developers, Instructors
Institutionen und PolitikBildungspolitik zu KI
Grundlagen von KI in der BildungKI-Kompetenz, Curriculum-Design, Lerndesign, Lehre, KI-Kompetenz von Lehrkräften
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.