Englischunterricht (EAP / EFL / ESL)

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

Englischunterricht — die Anwendung von KI auf das Lehren und Lernen von Englisch, insbesondere English for Academic Purposes (EAP) und Englischunterricht im weiteren Sinne (EFL/ESL/L2). Dies ist ein fachspezifischer AIEd-Strang, der sich von allgemeinem Sprachenlernen (Zweit-/Fremdspracherwerb in einer beliebigen Sprache) und Schreibunterricht (Schreiben als allgemeine Fähigkeit) unterscheidet: Er zentriert Englisch als Zielsprache und akademisches Register, mit eigenen kennzeichnenden Pädagogiken — kommunikativer Kompetenz, genrebasiertem akademischem Schreiben, korrigierendem Feedback und Lesen/Schreiben in einem akademischen Register —, die prägen, wie KI entworfen, genutzt und bewertet wird.

Fragen zum Nachdenken

• Englisch ist die Sprache, die große Sprachmodelle am besten handhaben. Das gibt Lernenden des Englischen mächtige Stützen für akademisches Schreiben — könnte es aber auch stillschweigend eine Voreingenommenheit für Standard-Akademisch-Englisch verfestigen, die mehrsprachige und World-Englishes-Schreibende marginalisiert? Welches Ergebnis dominiert Ihrer Meinung nach?
• English for Academic Purposes (EAP) zentriert genrebasiertes akademisches Schreiben, korrigierendes Feedback und akademisches Register — unterschieden von allgemeinem Sprachenlernen oder allgemeinem Schreibunterricht. Warum könnte das spezifische Register des akademischen Englisch verändern, was KI-Werkzeuge leisten müssen, gegenüber generischer Schreibunterstützung?
• Wenn die KI, die Ihr Englisch überarbeitet, selbst im genau jenen „Standard-Akademisch-Englisch“ am stärksten ist, das Sie zu meistern suchen: Wann hilft das, und wann plättet sie Ihre eigene Stimme oder Ihren eigenen Dialekt? Wie würden Sie den Unterschied feststellen?
• Automatisiertes Feedback und KI-Tutoren sind im Englisch-Schreib- und -Sprechunterricht zunehmend verbreitet. Was könnte KI-Feedback an kommunikativer Kompetenz, Register und Publikum übersehen, das eine menschliche Lehrkraft oder ein Peer bemerken würde?

Einführung

Englisch ist einer der am stärksten von KI betroffenen Fachstränge, weil LLMs englischdominant sind: Sie sind am stärksten im Erzeugen, Überarbeiten und Bewerten englischer Texte, was genau das ist, worauf EAP- und EFL/ESL-Unterricht zentriert. Dieser Englisvorteil schafft eine kennzeichnende Doppelklinge — mächtiges Scaffolding für akademisches Englisch auf der einen Seite und eine verfestigte Voreingenommenheit für Standard-Akademisch-Englisch, die mehrsprachige Lernende marginalisieren kann, auf der anderen.

Umfang und Fokus

Dieses Konzept organisiert KI-Forschung im Englischunterricht — jene Teilmenge des Sprachenlernens, in der die Zielsprache Englisch ist (einschließlich EFL/ESL/L2-Kontexten) und das akademisch-englische Register (EAP). Kernthemen:

• Akademisches Englisch (EAP): KI-Unterstützung für das genrebasierte, fachspezifische Englisch, das in Schreiben, Lesen und Feedback in der Hochschulbildung verwendet wird — unterschieden von allgemeinem Schreibunterricht.
• Englischunterricht (EFL/ESL/L2): KI-Tutoren, Gesprächspartnerinnen und -partner und Feedback-Werkzeuge für Lernende, die Englisch erwerben.
• Englissspezifisches Assessment: automatisierte Bewertung und Feedback zu englischem Schreiben und Sprechen, einschließlich Überarbeitung von EAP-Texten und Assessment von L2-Schreiben.
• Lesbarkeit von Lektüre und Literatur: Bird (2026) verschmilzt transformerbasierte Textklassifikation mit Merkmalen der Computerlinguistik, um englische Literatur nach UK Key Stage zu klassifizieren, und erreicht ein F1 von 0.996 — eine skalierbare, datengetriebene Ergänzung zu genrebasierter EAP-Leseunterstützung und Ausrichtung an Leseniveaus.
• Sprachliche Gerechtigkeit: die Spannung zwischen der Englischdominanz der KI und den Bedürfnissen mehrsprachiger und World-Englishes-Schreibender.

Wie Englischunterricht sich von Sprachenlernen unterscheidet

Sprachenlernen ist der weitere Schirm für den Erwerb einer beliebigen Zweit-/Fremdsprache — gesprochen, geschrieben und literat — über KI-Gesprächspartner, Aussprache-Werkzeuge und konversationelle Übung. Englischunterricht ist der englischspezifische Fall, und innerhalb seiner ist EAP ein registerspezifischer Fall:

Die beiden überlappen stark (die meiste Englisch-Lernarbeit ist auch L2-Erwerb), doch Englischunterricht stellt Englisch als Zielsprache und das akademische Register in den Vordergrund — z. B. sind ethische GenAI-Integration in EAP, GenAI-EAP-Textüberarbeitung und Anpassung von EAP-Lesematerial auf Weisen EAP-spezifisch, die es generische Sprachenlernforschung nicht ist.

Wie Englischunterricht sich von Schreibunterricht unterscheidet

Schreibunterricht betrifft Schreiben als allgemeine kognitive und rhetorische Fähigkeit — über alle Sprachen und Fächer, von der Komposition bis zur akademischen Integrität. Englischunterricht fokussiert spezifisch auf Englisch und, innerhalb von EAP, auf das akademische Register:

Viele Artikel zu Schreibunterricht sind englischfirst (z. B. Marked Pedagogies), doch sie sind als allgemeine Schreibforschung gerahmt; Englischunterricht zentriert erneut die Dimensionen Englisch als Zielsprache und Akademisch-Englisch, die generische Schreib- und generische Sprachenlernseiten unterbetonen.

Artikel in diesem Cluster

• EAP-spezifisch: Ethische GenAI-Integration in EAP, GenAI-EAP-Textüberarbeitung, Anpassung von EAP-Lesematerial.
• EFL/ESL/L2: TACT ESL Tutoring, ChatGPT EFL E-Portfolio Sprechen, EFL-Peer-Feedback-Kompetenz, KI- gegenüber menschlichem EFL-Assessment, Akzeptanz von KI-Englischwerkzeugen, KI in arabischen Englisch-Kursräumen, Appraisal-Analyse von Peer- und KI-Überarbeitungen argumentativer EFL-Aufsätze.
• L2-Englisch Schreiben/Assessment: selbstreferenzielles L2-Schreibassessment, L2-Gesprächspartner für gesprochenen Dialog.
• Sprachliche Gerechtigkeit / World Englishes: GenAI und sprachliche Vielfalt im akademischen Schreiben, KI-Kompetenz unter Sprachlehrenden, unterrepräsentierte Sprachen in der KI-Infrastruktur.

Warum es bedeutsam ist

Die Englischdominanz der KI ist ein bestimmendes Merkmal dieses Strangs. Weil Modelle am stärksten im Englischen und spezifisch im Standard-Akademisch-Englisch sind, profitiert Englischunterricht sowohl überproportional (mächtige EAP-Stützen) als auch trägt er kennzeichnende Risiken (monolinguale Voreingenommenheit, Diskriminierung von World Englishes und mehrsprachigen Schreibenden). Forschung hier verbindet sich mit Gerechtigkeit, Bias-Minderung, automatisiertem Assessment, Qualität von KI-Feedback und akademischer Integrität.

Implikationen für Lehrende in Englisch / EAP / EFL-ESL

• Die Stärke der KI für akademisches Englisch gezielt nutzen. Weil Modelle im Englischen und im Standard-Akademisch-Englisch am stärksten sind, können EAP-Lehrende KI für genrebasiertes Schreiben, Differenzierung von Lesematerial (EAP-Material) und Überarbeitungsfeedback einsetzen — sollten KI aber als Partner für Entwurf und Feedback rahmen, nicht als Antwortmaschine.
• Akademisch-englisches Register und Feedback-Kompetenz schützen. EAP-Textüberarbeitung zeigt, dass Feedback nur so produktiv ist wie die Feedback-Kompetenz der lernenden Person — bringen Sie Studierenden bei, KI-Feedback zu interpretieren, zu beurteilen und darauf zu reagieren, und nutzen Sie Zweitbewertungsmechanismen, um KI-Qualität zu prüfen.
• Die Gerechtigkeitsspannung der Englischdominanz im Blick behalten. Modelle privilegieren Standard-Akademisch-Englisch und marginalisieren dabei World Englishes und mehrsprachige Schreibende (World Englishes, Marked Pedagogies) — prüfen Sie Feedback auf monolingualen Bias und gesenkte Erwartungen.
• KI ethisch in EAP integrieren. Ethisches GenAI in EAP fordert transparenten, verantwortungsvollen Einsatz im Englischunterricht der Hochschulbildung, der akademische Integrität wahrt.
• Vorsichtige, vorbereitungsfirstige Übernahme erwarten. Ein systematischer Review von 23 Studien (Li et al. 2026) findet, dass Sprachlehrende GenAI am meisten für hinter-den-Kulissen-Vorbereitung schätzen — Unterrichtsplanung, Materialerstellung und Unterstützung/Feedback beim Schreiben —, während sie bei direkter Nutzung im Kursraum zögern, wobei sich die zentralen Bedenken auf akademische Integrität (Plagiat und Assessment-Validität) konzentrieren. Übernahme wird durch berufsidentitätsbezogene, pädagogische, technische, institutionelle und integritätsbezogene Faktoren geprägt, und Kompetenzlücken bilden sich ab auf episteme (Fähigkeiten und Grenzen der KI verstehen), techne (Prompt-Engineering, KI-ergänztes Aufgaben-/Assessment-Design, Erkennen KI-erzeugter Texte) und phronesis (ethisches Urteilen, Umgang mit Bias/Datenschutz) — EAP/EFL-Lehrende sollten diese Kompetenzen daher absichtlich aufbauen und eine Umsetzung nach dem Muster „zuerst Backend, dann Kursraum“ planen.
• Nach Leistungsstand und Bedarf differenzieren. EFL-Assessment und Forschung zu adaptivem Tutoring stützen es, KI-Unterstützung und -Bewertung an das Niveau der Lernenden anzupassen statt nach dem Gießkannenprinzip.
• Technologie auf Produktion hin gewichten. Eine Metaanalyse von 33 TEFL-Studien fand einen kleinen bis moderaten Gesamteffekt (g = 0.38, auf 0.28 reduziert durch trim-and-fill), der mit der Bildungsstufe stieg und produktive Fähigkeiten — Sprechen und Schreiben — gegenüber rezeptiven bevorzugte (Liu, Hashim & Sulaiman (2026)).

Verbundene Konzepte

• Sprachenlernen
• Schreiben
• Mehrsprachiges Lernen
• Hochschulbildung
• K-12 (Primar- und Sekundarstufe)
• Generative KI
• Große Sprachmodelle (LLMs)
• Automatisiertes Assessment
• Qualität von KI-Feedback
• Feedback-Kompetenz
• Gerechtigkeit
• Minderung von Bias
• Akademische Integrität
• KI-Bildung in den Disziplinen

Verbundene Artikel

• Ethical Generative AI Integration in English for Academic Purposes within Higher Education: A Mixed-Methods Study — Ethical Generative AI Integration in EAP within Higher Education
• Effects of feedback literacy scripts and a second-rater mechanism on EAP writing revision in generative AI-supported — Feedback Literacy Scripts and a Second-Rater Mechanism in GenAI EAP Writing Revision
• From Unified to Differentiated Materials: Generative AI–Supported Adaptation of EAP Reading Materials — From Unified to Differentiated Materials: GenAI-Supported Adaptation of EAP Reading Materials
• TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring — TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring
• Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model: Its Effect on Students' Speaking Performance and Feedback Literacy — Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model
• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — Positioning Generative AI in EFL Peer Feedback
• AI-Generated versus Human-Developed Assessment Tasks in EFL Context: Insights from TPCK Model — AI-Generated versus Human-Developed Assessment Tasks in EFL Context
• Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups — Acceptance of AI-Assisted English Language Learning Tools in Higher Education
• AI tools in Arab University English classrooms: Looking back and forward — AI tools in Arab University English classrooms
• Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs — Toward Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs
• What Changes When the Interlocutor Is an AI? Interactional Fluency and Linguistic Uptake in L2 Spoken Dialogue — What Changes When the Interlocutor Is an AI? L2 Spoken Dialogue
• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — Generative AI and Linguistic Diversity in Academic Writing and Publishing
• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Governing the Unseen: AI Literacy among Language Teachers
• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — Structural Silence: Underrepresented Languages in AI Infrastructure
• A Systematic Review of Emerging Technology Applications for Teaching English as a Foreign Language Across Different Educational Levels — Emerging technologies for TEFL
• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Goal-setting theory: teacher support, achievement goals, and engagement in AI-assisted English learning (758 Chinese students)
• What differentiates educational literature? A multimodal fusion approach of transformers and computational linguistics — Multimodal fusion for classifying educational literature
• A Systematic Review of Language Educators' Practices and Development with GenAI — Language educators' practices and development with GenAI
• Human-written and AI-generated revisions: An appraisal analysis of dialogic positioning in argumentative writing — Peer and AI revisions of EFL argumentative essays differ in dialogic positioning (Zhao & Ji 2026)