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

Umweltbildung

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.

Fragen zum Nachdenken

  • „KI und Umweltbildung“ kann zwei sehr verschiedene Dinge meinen: KI nutzen, um über Klima und Nachhaltigkeit zu lehren, und die Umweltkosten der Nutzung von KI in Klassenzimmern senken. Welches hören Sie in Ihrer Institution — und welches hat eine Budgetzeile?
  • Wenn eine Universität Klimawissenschaft mit einem energieintensiven großen Sprachmodell auf jedem Studierendenlaptop lehrt, hat sie die Umweltbildung dann vorangebracht oder untergraben? Was müsste der Fall sein, damit die Antwort „beides“ lautet?
  • Ein Experiment fand, dass KI-gestützte Inquiry die Klimaentscheidungsfindung gegenüber Inquiry allein verbesserte, mit Zuwächsen, die auf den schwächsten Schritten konzentriert waren. Würden Sie einer KI-gestützten Klimaeinheit in Ihrem Klassenzimmer vertrauen, und was müssten Sie zuerst sehen?
  • Fast keine AIED-Papers berichten ihren Rechenaufwand oder ihren Kohlenstofffußabdruck. Ist nicht berichtete Nachhaltigkeitswirkung ein Forschungsproblem, ein Beschaffungsproblem, ein Unterrichtsproblem, oder keines davon?

Einführung

Umweltbildung entwickelt das Verständnis der Lernenden für ökologische Systeme, Klima und Mensch-Umwelt-Interdependenz, zusammen mit den Dispositionen und Kompetenzen, danach zu handeln — institutionell oft als Bildung für nachhaltige Entwicklung (ESD) oder „grüne Bildung“ gerahmt. Im Kontext von KI in der Bildung trägt der Begriff eine Spannung, die der Korpus ohne immer Namen erreicht: KI als Werkzeug für Umweltbildung (Klima- und Nachhaltigkeitsinhalte mit generativen Werkzeugen lehren) und der Umweltfußabdruck der KI selbst (die Kohlenstoff-, Wasser- und Energiekosten der Modelle, die Institutionen einsetzen). Das sind verschiedene Fragen mit verschiedener Evidenz, verschiedenen Akteuren und verschiedenen Gegenmitteln; sie zu vermischen — wie mehrere Papers und die meisten Strategiedokumente es tun — macht es unmöglich zu sagen, wer wofür verantwortlich ist.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Zwei Dinge, die „Umweltbildung mit KI“ genannt werden

  • KI für Umweltbildung — KI nutzen, um Umweltinhalte zu lehren, Nachhaltigkeitsbewusstsein aufzubauen oder grüne Fähigkeiten zu stützen. Diese Hälfte hat Rahmenwerke, eine Lehrkräfte-Umfragestudie und ein Klassenzimmerexperiment.
  • Der Fußabdruck von KI in der Bildung — Emissionen und Ressourcennutzung der Modelle und der Infrastruktur, die zum Lehren genutzt werden, welches Fach auch immer. Diese Hälfte hat einen Review der Berichtspraxis, einen Ingenieur-Benchmark und eine kleine Interfacestudie — und nichts zum Fußabdruck von KI, die spezifisch für Umweltbildung genutzt wird.

Ein dritter, schwächerer Strang behandelt „nachhaltiges Lernen“ als pädagogische Eigenschaft statt als eine Umwelt-: Lernen, das anhält und transferiert, statt von kognitiver Auslagerung kurzgeschlossen zu werden. Es teilt das Vokabular der Nachhaltigkeit, ist aber keine Umweltbehauptung.(Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era)

Umwelt- und Klimathemen mit KI lehren

Der stärkste Beleg ist ein Drei-Gruppen-Quasi-Experiment, das Klimawandel als sozio-wissenschaftliches Thema nutzt. Studierende, die mit einem KI-Partner innerhalb einer strukturierten Inquiry-Aufgabe arbeiteten, übertrafen Inquiry-only-Peers (d = 0,69) und traditionelle Instruktion (d = 1,88) auf einer Entscheidungsfindungsrubrik, mit den größten Zuwächsen auf den Schritten, die Studierende am schwächsten begannen — Überwachung und adaptives Management, und Generierung von Alternativen. Die KI-Bedingung war zusätzlich zu Inquiry statt ein Ersatz, und Datenerhebung und -analyse trennten die Gruppen überhaupt nicht, was nahelegt, dass die KI das Schlussfolgern über Trade-offs stützte statt das Sammeln von Belegen.(Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change)

Auf Curriculum-Ebene integriert das AI-SEE-Rahmenwerk KI über ein Ingenieurcurriculum hinweg auf vier Säulen (intelligenzgetrieben, grün-befähigt, verantwortungsführend, praxisintegriert), statt als aufgesetztes Nachhaltigkeitsmodul; ein 144-Studierende-Pilot berichtete Zuwächse in Nachhaltigkeitsbewusstsein und verhaltensmäßigem Engagement über persönliche, akademische, professionelle und soziale Ebenen hinweg. Die Autoren warnen, dass dies eininstitutioneller, selbstberichteter, einzeitpunktiger Interviewbeleg aus einem chinesischen Verkehrstechnikprogramm ist.(Enhancing Sustainability Consciousness in Higher Education: Impacts of Artificial Intelligence-Integrated Sustainable Engineering Education)

Zwei kleinere Studien decken die Designseite ab. KI-gestütztes Instruktionsdesign unter Sustainable Development Pedagogy-Bedingungen verbesserte die Unterrichtspläne von Lehramtsstudierenden mit einer unwahrscheinlich großen Wirkung (d = 2,80, 28 Teams, keine Kontrollgruppe). Getrennt fand eine Strukturgleichungsstudie mit 122 aktiven Lehrkräften, dass praktische KI-Nutzung bei Naturwissenschafts- und Grüne-Energie-Aufgaben plus Beteiligung an der Entwicklung ESD-abgestimmter Materialien KI-Integrationsfähigkeit vorhersagten, während abstraktes KI-Wissen und Einstellungen es nicht taten — obwohl ein dichotomer Fragebogen und ein schwaches Wissenskonstrukt begrenzen, wie weit es trägt.(The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints)(Teacher Involvement in Developing Sustainable Education Materials for AI Integration in Green Energy Education)

Der Umweltfußabdruck von KI in der Bildung

Diese Hälfte ist, wo der Korpus am dünnsten ist. Ein Review aller 396 AIED-2025-Proceedings-Papers fand „LLM-Übernahme ohne Offenlegung“: die meisten Projekte nutzen LLMs, 85 Papers berichteten irgendeine Rechenkosten, und nur 57 erwähnten Umweltwirkungen — unter Nutzung inkompatibler Metriken, sodass das Feld seine eigene Evidenz nicht aggregieren kann. Die Autoren argumentieren, dass das Unterlassen, Umweltkosten zu berichten, selbst ein ethisches Anliegen ist, und schlagen eine Open-Source-Methode vor (CodeCarbon plus eine Zweiparameter-FLOPs-Schätzung für proprietäre Modelle).(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Auf der Seite der Lernenden wurde ein Öko-Feedback-Interface, das den Latenz-Kohlenstoff-Trade-off während der Live-LLM-Nutzung exponiert, mit 89 Informatik-Undergraduates in einem Kurs zu Computingethik studiert: Studierende wählten den kohlenstoffärmeren Modus in etwa 45% der Interaktionen mit geringer Latenz, aber unter 5% bei hoher Latenz, und Nachhaltigkeitsbewusstsein hob diese Wahl signifikant an. Die Stichprobe ist klein und ungewöhnlich technisch informiert, aber es ist der einzige direkte Beleg im Korpus, dass Fußabdruckinformationen Lernende überhaupt bewegen — und er legt nahe, dass die bindende Bedingung Geduld ist, nicht Werte.(When LLMs Slow Down: How Environmental Impacts Mediate University Students' LLM Usage)

Minderungsbelege kommen von einem on-premise-CS-Wissensbasis-Assistenten auf einer einzelnen Verbraucher-GPU (12 GB VRAM) mit offen lizenzierten Inhalten: 1,8 mWh pro Anfrage im besten Fall — etwa 0,54 Wh für eine Klasse von 30 Studierenden, die je zehn Anfragen stellen —, wobei quantisierungsbewusste Feinabstimmung sowohl den Genauigkeitsverlust als auch das Halluzinationsansteigen eindämmte, das Kompression allein verursachte. Es ist ein Ingenieur-Benchmark, keine Lernstudie, aber es zeigt, dass die Fußabdruckfrage Designhebel hat (Grounding, Quantisierung, Einsatzort), nicht nur Nutzungsdisziplinhebel.(Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources)

Grüne Fähigkeiten, Nachhaltigkeitsbewusstsein und Lehrkräftekapazität

Zusammen beschreiben diese Studien eine ungleich erbrachte Agenda grüner Fähigkeiten: Nachhaltigkeitsbewusstsein als curriculares Ergebnis, ESD-abgestimmte Materialentwicklung als Mechanismus für Lehrkräftekapazität, und Klimaentscheidungsfindung als messbare Schlussfolgerungsfähigkeit. Der wertkritische Strang liefert den Vorbehalt: eine konzeptionelle Analyse argumentiert, der Beitrag von KI zu nachhaltiger Bildung sei bedingt und governance-vermittelt, und stütze Nachhaltigkeit nur, wenn Übernahme expliziten Bildungswerten und menschzentrierten Zwecken untergeordnet wird — was Governance und kritische Pädagogik innerhalb der Umweltbildung platziert statt neben ihr.(Sustainable Education in the Age of Artificial Intelligence and Digitalization: A Value-Critical Approach)

Der Scoping Review, der diese Literatur organisiert, liefert das eigene Urteil des Feldes über Skala: Anwendungen bündeln sich um Energiemanagement, Klimaüberwachung und Grüne-Campus-Programme, sind aber in der Skala begrenzt, fehlt oft ethische oder ökologische Leitlinien, und viel Forschung bleibt konzeptionell oder kleinpilot. Abdeckung ist verzerrt hin zu Nordamerika und Europa, mit fast nichts aus dem Globalen Süden jenseits weniger südafrikanischer Studien.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)

Was die Evidenz noch nicht etabliert

  • Kein Fußabdruckbeleg spezifisch für Umweltbildung. Kohlenstoff- und Energiezahlen kommen von allgemeinen LLM-Studien und einem CS-Kontext-Benchmark; nichts misst die Umweltkosten eines KI-gestützten Klima- oder ESD-Curriculums.
  • Kein Lernzuwachsbeleg für Fußabdruckinterventionen. Öko-Feedback veränderte Entscheidungen in einer labornahen Studie; nichts zeigt, dass es Gewohnheiten, Assessmentergebnisse oder Beschaffung verändert.
  • Kein kausaler Beleg für die Curriculumrahmenwerke. AI-SEE ist ein einortiger Selbstberichtsfall und E3-HOT eine Designvorlage ohne implementierte Studie; das SDP-Unterrichtsdesign-Ergebnis hat keine Kontrollgruppe.
  • Kein großangelegter oder kontextübergreifender Beleg. Jedes empirische Ergebnis hier ist einortig, und die Lehrkräftestudien ruhen auf kleinen zweckbestimmten Stichproben mit schwachen Instrumenten.
  • Die zwei Hälften werden selten zusammen studiert, obwohl beide dasselbe Klassenzimmer betreffen.

Folgerungen für KI in der Bildung

  1. Benennen, welche Frage Sie beantworten. Strategien, die „Nachhaltigkeit“ sowohl für KI-für-Klimalehre als auch für den eigenen Fußabdruck von KI nutzen, verbergen die Rechenschaftslücke, die Daniel et al. (2026) identifizieren; die Agenden getrennt halten, mit getrennten Eigentümern.
  2. Fußabdruckoffenlegung als Feldinfrastruktur behandeln. Rechenaufwand und Kohlenstoff neben Genauigkeit zu berichten — mit einer Nachhaltigkeitserklärung selbst wenn Messung unvollkommen ist — ist der einzige Weg aus dem Problem inkompatibler Metriken.
  3. Für die ungeduldige lernende Person gestalten. Wenn die kohlenstoffärmere Option wahrgenommene Latenz kostet, werden die meisten Studierenden sie nicht nehmen: Latenz niedrig halten, Kontrollen exponieren, und Wirkung in konkreten Ergebnisbegriffen beschreiben, nicht in abstrakten Kohlenstoffeinheiten.
  4. Leichtere Einsatzweise bevorzugen, wo Pädagogik es erlaubt. Ein Modell in einem lizenzierten lokalen Korpus zu gründen und mit Feinabstimmung zu quantisieren ergab nutzbare Genauigkeit bei einem Bruchteil der Energie — dieses Muster wiederverwenden, bevor Cloud-Inferenz skaliert wird.
  5. Lehrkräftekapazität durch Materialentwicklung aufbauen, nicht durch Bewusstseinskampagnen, und die Global-Süden-Lücke füllen, statt Evidenz aus nordamerikanischen und europäischen Kontexten zu importieren.

Verbundene Konzepte

Verbundene Artikel

Metadaten

FachgebietEnvironmental Education
Lernen und UnterrichtErkundungsbasiertes Lernen, Situiertes Lernen, Kritische Pädagogik
Technologien und VerfahrenGenerative KI, Große Sprachmodelle (LLMs), Quelloffene Software (Open Source)
Institutionen und PolitikBildungspolitik zu KI, KI-Governance
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzNachhaltigkeit, Ethik, Globaler Süden
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.