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

Empathie

Erstellt 2026-11-10 · Aktualisiert 2026-11-11

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

Synthese: Empathie gelangt aus drei Richtungen zugleich in die Bildung: als Ergebnis, das Lehrende zu vermitteln versuchen, als Konstrukt, das sie zu messen versuchen, und als etwas, das KI-Systeme zunehmend zu zeigen beanspruchen. Die Evidenz ist in allen drei Richtungen ungleichmäßig. Empathie zu lehren funktioniert – Rollenspiel, VR und LLM-Dialog erzeugen alle messbare Vorher-Nachher-Zuwächse –, doch der Effekt schrumpft, je weniger verkörpert die Erfahrung wird, und die Vergleichsstudien vermengen Modalität mit Bearbeitungszeit. Empathie zu messen ist schwerer als sie zu lehren: Beobachterurteile halten zusammen, während Computervisions-Proxywerte bei körperlichem Kontakt übereinstimmen, bei Blickkontakt auseinandergehen und beim Lächeln ins Gegenteil kippen. KI kann einfühlsame Gespräche in großem Maßstab üben, doch die am besten kontrollierte Studie zeigt steigende Selbsteinschätzung ohne Prüfung der beobachteten Performanz. Und die neueste Sorge läuft in die andere Richtung: Wer glaubt, KI könne Empathie liefern, ist weniger bereit, sie selbst zu liefern (Shastry & Gray, 2026).

Fragen zum Nachdenken

  • Wenn Rollenspiel, VR und ein Chatbot alle Empathiewerte erhöhen – ist der Unterschied Lernen oder Bearbeitungszeit?
  • Eine Pflegestudierende lächelt einen Patienten in Schmerzen an: Beobachtende lesen Unstimmigkeit, ein Lächeln-Detektor liest Wärme. Welchem sollte ein Assessment vertrauen?
  • Die meisten Studien zu KI-gestütztem Empathietraining messen Zuversicht statt beobachtetes Verhalten. Wenn die Zuversicht steigt, das Verhalten aber nicht – ist das Training gescheitert oder nur nicht geprüft worden?
  • Wenn ein Chatbot warm antwortet, berichten Studierende, sich verstanden zu fühlen. Ist das Empathie, eine Aufführung von Empathie oder etwas, das unabhängig davon zählt?
  • Wenn Menschen die empathische Verantwortung abgeben, sobald sie glauben, KI könne es übernehmen, was bedeutet das für ein Curriculum, das Empathie teils durch KI-Übung lehrt?
  • Wer sollte entscheiden, ob Empathie ein benotbares Ergebnis ist – und was geschieht mit Studierenden, die korrekt, aber nicht warm sind?

Einführung

Empathie wird üblicherweise in mindestens zwei Komponenten zerlegt: eine kognitive Komponente, die Perspektivübernahme, und eine affektive Komponente, das Mitfühlen mit dem Gefühl eines anderen, wobei einige Darstellungen eine motivationale Komponente ergänzen, den Impuls zu helfen. Personal Distress – die aversive Reaktion auf das Leiden eines anderen – wird oft daneben gemessen und verhält sich anders als der Rest. Für die Bildung ist das wichtig, weil die Komponenten auf unterschiedliche Weise lehrbar und mit unterschiedlichem Erfolg messbar sind.

KI kommt an drei unterschiedlichen Punkten ins Spiel, und ihre Vermischung ist die Hauptquelle der Verwirrung in der Literatur.

  1. KI als Lehrmethode für menschliche Empathie. Simulationen, VR-Verkörperung, Rollenspiel mit von LLM erzeugten Personas und generative Bildwelten, die die Erfahrung eines anderen lebendig machen.
  2. KI als Messinstrument. Computervision, die Körpersprache in aufgezeichneten Simulationen bewertet, oder Skalen, die Empathie als eine Disposition behandeln, die sich in der KI-Interaktion ausdrückt.
  3. KI als empathischer Akteur. Chatbots, die Patienten, Coaches oder Begleiter spielen und so gestaltet sind, dass sie verständnisvoll wirken, was die Frage aufwirft, ob die Empathie echt, aufgeführt oder ein Ersatz für menschlichen Kontakt ist.

Die ersten beiden betreffen Lernende, die dritte betrifft Systeme. Eine Seite, die sie vermischt, erzeugt Aussagen wie „KI verbessert Empathie“, die drei verschiedene Dinge bedeuten.

Lässt sich Empathie lehren?

Der direkte Vergleich ist im Design ungewöhnlich sauber und in der Durchführung ungewöhnlich konfundiert. Zwoliński et al. (2026) ordneten 64 Masterstudierende in einem Kurs zur Barrierefreiheit zufällig einer von drei Bedingungen zu: reales Rollenspiel mit Rollstühlen, Alterssimulationsanzügen und Schwangerschaftssimulatoren; dieselbe Ausrüstung in einem VR-Labor; oder Persona-Aufbau im Dialog mit ChatGPT-4.0. Alle drei Gruppen verbesserten sich signifikant auf dem Davis Interpersonal Reactivity Index. Rollenspiel gewann 13.2%, VR 11.6% und die KI-Bedingung 8.8%. Nur Personal Distress unterschied sich signifikant zwischen den Gruppen.

Die Reihenfolge ist intuitiv, die Interpretation nicht. Die drei Bedingungen liefen etwa 125, 87 und 42 Minuten, sodass die Studie Modalität und Dosis gemeinsam vergleicht. Man kann fair sagen, dass ein 42-minütiger LLM-Dialog einen kleineren Zuwachs erzeugte als eine zweistündige verkörperte Übung; man kann nicht fair sagen, dass Verkörperung pro Minute dreimal so viel wert ist. Die Autorinnen und Autoren benennen die Konfundierung ausdrücklich, und die Empfehlung ihrer eigenen Studierenden – die Wiederholbarkeit von VR, den sinnlichen Reichtum der realen Welt und die Anpassungsfähigkeit des LLM zu verbinden – ist eine vernünftige Lesart der Evidenz.

Die Literatur der Gesundheitsberufe fügt Maßstab hinzu, aber wenig kausale Klarheit. Ismail und Zafira (2026) begutachteten 17 Studien zu KI für die affektive Entwicklung und fanden die Interventionen konzentriert auf Kommunikationstraining, virtuelle Patienten, reflexives Feedback, Simulation des Überbringens schlechter Nachrichten und OSCE-artige Prüfung. Die meisten berichteten Zuwächse bei Zuversicht, Selbstwirksamkeit, reflexivem Engagement oder wahrgenommener Kommunikationsfähigkeit. Die Evidenz für Empathie selbst, emotionale Responsivität, relationale Authentizität und nonverbale Kommunikation blieb begrenzt. Das ist der zentrale Befund: Ein Feld, das Empathie lehren will, misst überwiegend Komfort.

Ein vierter Strang macht die Mehrdeutigkeit ausdrücklich: tragbare Erregungssensoren und KI-generierte Bildwelten können die Umstände eines anderen lebendig machen, aber ein Anstieg der Hautleitfähigkeit ist ein Beleg für Erregung, nicht für Empathie, und Studien dieser Linie hören oft dort auf (Lim et al., 2024).

Lässt sich Empathie messen?

Beobachterurteile kommen einem Referenzstandard am nächsten, und sie verhalten sich vernünftig. In Nissan et al. (2026) bewerteten zwei Lehrende 37 Pflegestudierende in einer aufgezeichneten Simulation mit einem Inventar aus 12 Items (α = 0.91) und einer Skala mit sechs Gesten (α = 0.93), und die Gestenbewertungen korrelierten mit dem Inventar zwischen 0.41 und 0.63.

Die Algorithmen erzählten eine interessantere Geschichte. Die Erkennung körperlichen Kontakts stimmte mit vier Beobachtermaßen zwischen 0.46 und 0.54 überein. Blickkontakt- und Heatmap-Erkennung zeigten keinen signifikanten Zusammenhang mit Beobachterurteilen. Und der Lächeln-Detektor korrelierte negativ mit drei Beobachtermaßen und mit der Gesamt-Empathie bei r = −0.322, weil die Beobachtenden zusahen, wie eine Studierende einen Patienten in Schmerzen anlächelte, und es als Nervosität oder Unstimmigkeit lasen. Das Signal war real; die Interpretation war verkehrt herum. Es ist dieselbe inferenzielle Lücke, die in Sensor- und Blickanalyse dokumentiert ist, in einer Umgebung, in der es um eine klinische Note geht.

Selbstauskunftsskalen besetzen das andere Ende. Die AI Empathy Scale for Generative AI Interaction behandelt Empathie als menschliche Disposition, die sich während der KI-Nutzung ausdrückt, und fragt Befragte nach ihren eigenen kognitiven, affektiven und motivationalen Reaktionen; ihre vorläufige Faktorenstruktur reproduzierte die beabsichtigten sechs Dimensionen nicht (Kang et al., 2026). Ein Dispositionsfragebogen und eine Verhaltensbeobachtung sind nicht austauschbar, und keines ersetzt Patientenbewertungen dazu, ob die Begegnung fürsorglich wirkte.

Kann KI Empathie üben?

Ja, zumindest für den Übungsteil. Müller et al. (2026) gaben 162 Medizinstudierenden ein Gespräch mit einem rollenprompteten GPT-4o in einem von vier Szenarien – gemeinsame Entscheidungsfindung, motivierende Gesprächsführung, eine STI-Konsultation, Überbringen schlechter Nachrichten –, und die Selbsteinschätzung der Kommunikationskompetenz stieg von 5.89 auf 6.83 auf einer Skala von 0–10 (d = 0.58) nach durchschnittlich 13 Austauschschritten. Studierende bewerteten das KI-Feedback als nützlich mit 7.92 von 10, aber die Angemessenheit des Feedbacks sagte den Zuwachs nicht voraus (r = 0.08). Es gab keine Kontrollgruppe.

Das Muster wiederholt sich: eine kurze Übung mit niedrigen Einsätzen erzeugt einen großen Selbstwirksamkeitszuwachs, und der Mechanismus ist eher die Übung als die Kritik des Modells. Das ist kein Grund, das Werkzeug zu verwerfen. Standardisierte Patienten sind teuer, knapp und terminiert; ein Chatbot ist nichts davon, und eine studierende Person, die ein Gespräch über schlechte Nachrichten schon einmal durchgesprochen hat, wird eine Sitzung mit standardisierten Patienten anders nutzen. Es ist ein Grund, den Zuwachs nicht länger als Kompetenzbeleg zu bezeichnen.

Wo Empathie eine Gesprächsqualität statt eine Fertigkeit ist, betrifft die Evidenz die Wahrnehmung. Wang et al. (2026) hielten Modell, Plattform und Temperatur konstant und änderten nur die Rolle und die Gesprächszüge im Prompt, was einen großen Unterschied in der wahrgenommenen Empathie erzeugte (21.27 gegenüber 18.24, r = 0.53). Empathie, in dem Sinne, wie Studierende sie erleben, lässt sich skripten. Ob das Skripten pädagogisch gut ist, ist eine andere Frage.

Das Substitutionsproblem

Die neueste Arbeitslinie fragt, was KI-Empathie mit menschlicher Empathie macht. Über vier Studien mit 249, 494, 743 und 737 Teilnehmenden fanden Shastry und Gray (2026), dass die Bereitschaft, selbst emotionale Unterstützung zu geben, sinkt, je fähiger Menschen KI darin halten – Empathie-Offloading –, kontrolliert für Trait-Empathie und frühere KI-Nutzung. Wenn die Quelle der Unterstützung des Empfängers benannt wurde, sagten Teilnehmende, sie würden weniger an KI abgeben als an Freunde oder Therapeuten, weil sie die empathische Fähigkeit von KI niedriger einschätzten. Bei einem Verhaltensmaß wählten dieselben Teilnehmenden, die angaben, nicht an KI abzugeben, weniger Empathiewörter und mehr Gleichgültigkeitswörter.

Für die Bildung schneidet das in zwei Richtungen. Ein Curriculum, das KI nutzt, um Empathie zu üben, baut vielleicht die Fertigkeit auf; eine Campus-Kultur, die emotionale Unterstützung an Chatbots leitet, erodiert vielleicht die Motivation, sie einzusetzen. Die beiden Effekte sind vereinbar, und nichts in der aktuellen Literatur misst sie zusammen.

Was das für die Praxis bedeutet

  • Trennen Sie die drei Fragen. Wenn jemand behauptet, KI verbessere Empathie, fragen Sie, ob damit das Lehren von Menschen, das Messen von Menschen oder das Simulieren von Empathie gemeint ist. Die Evidenz unterscheidet sich für jedes.
  • Akzeptieren Sie Selbstwirksamkeit nicht als Empathie-Ergebnis. Zuversicht ist billig und steigt nach fast jeder Übung; Beobachtung, standardisierte Patienten oder Patientenbewertungen sind die Maße, die zählen.
  • Behandeln Sie Vision-Werte als Zweitleser. Die Erkennung körperlichen Kontakts ist für formatives Feedback brauchbar; Lächeln- und Blickkontakterkennung sind es nicht, ohne Szenariokontext, über den ein Modell nicht verfügt.
  • Kalkulieren Sie Zeit, nicht nur Modalität. Die Vergleichsstudien vermengen beides, und eine billigere Methode, die ein Viertel der Zeit braucht, kann dennoch die bessere Wahl sein – nur keine äquivalente.
  • Achten Sie auf Offloading. Wenn KI zum Standardkanal für emotionale Unterstützung wird, wird die Empathie, die Sie lehren wollen, womöglich still ausgelagert.

Verbreitete Fehlvorstellungen

  • „KI kann Empathie lehren.“ KI kann Übung und Reflexion unterstützen; der stärkste Review findet begrenzte Evidenz für Empathie als Ergebnis, und die am besten kontrollierte Trainingsstudie misst Selbsteinschätzung.
  • „Empathie ist warme Sprache.“ Wahrgenommene Empathie lässt sich allein durch Prompt-Design erzeugen, was Evidenz über Wahrnehmung ist, nicht über Verständnis.
  • „Ein Lächeln bedeutet Wärme.“ In einer belastenden klinischen Begegnung lesen Beobachtende Lächeln als Unstimmigkeit, und ein Gesichtsaktionsdetektor liest es als positiven Affekt. Der Kontext ist die fehlende Variable.
  • „Selbstauskunftsskalen messen Empathie.“ Sie messen eine Disposition oder ein Selbstkonzept; sie messen nicht Verhalten in einer Begegnung.
  • „Immersiver ist immer besser.“ Immersive Methoden zeigen größere Zuwächse, aber zu einem Vielfachen der Kosten und Dauer, und die Vergleiche gleichen die Exposition nicht an.

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauHigher Ed, K 12
ZielgruppeInstructors, Medical Educators, Curriculum Designers, Researchers
Lernen und UnterrichtBerufliche Weiterbildung, Erfahrensorientiertes Lernen, Sozial-emotionales Lernen
Technologien und VerfahrenAffektives Computing, Affektives Tutoring, Generative KI, Simulation, Sensoren und Blickanalyse
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzPädagogische Sicherheit, Datenschutz
Grundlagen von KI in der BildungKI-Kompetenz
QuelleVerlaufBearbeitenChat

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.