Gerechtigkeit

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

Gerechtigkeit — das Prinzip, dass KI allen Lernenden fair dienen soll, und die Untersuchung systemischer Ungleichheiten in Zugang zu, Repräsentation in und Nutzen aus KI-Bildungswerkzeugen. Gerechtigkeitsforschung in der Wissensdatenbank untersucht Zugangslücken und die digitale Spaltung, Bias und Fairness in KI-Systemen, kulturell responsive und sprachlich inklusive Gestaltung, Zugänglichkeit für Lernende mit Behinderungen, und die Verteilung von Nutzen und Schaden der KI über Gruppen. Sie verbindet das Technische (Bias-Milderung, faire Algorithmen) mit dem Strukturellen (Infrastruktur, Politik) und dem Pädagogischen (kulturell relevantes Unterrichten).

Fragen zum Nachdenken

• KI-Werkzeuge einer Schule oder einem Klassenzimmer bereitzustellen schließt Leistungslücken nicht automatisch —, tatsächlich kann Zugang allein sie vergrößern. Wenn „Zugang ist nicht genug“, was muss sonst vorhanden sein, damit KI tatsächlich allen Lernenden fair dient?
• Selbst die Daten, die verwendet werden, um Lernende zu simulieren, tragen Bias: Als LLMs Studierenden-Vignetten erzeugten, produzierten verschiedene Modelle mehr Global-North- oder Global-South-Profile und gegenderte Pronomen. Wie sehr sollten wir KI-generierten Repräsentationen von Lernenden vertrauen, wenn die Modelle selbst ungleiche Priors kodieren?
• Gerechtigkeit in der KI-Bildung wird oft um drei Anliegen gerahmt: wer die Werkzeuge bekommt (Zugang), wer in ihnen repräsentiert ist (Repräsentation), und wer Nutzen hat (Ergebnisse). Können Sie sich eine Situation vorstellen, in der eine Gruppe Zugang bekommt, aber dennoch keinen Nutzen hat? Was erklärt die Lücke?
• Forschung zu „strukturellem Schweigen“ argumentiert, dass Sprecherinnen und Sprecher unterrepräsentierter Sprachen durch KI-Infrastruktur — Trainingskorpora, Tokenisierung, Benchmarks — benachteiligt werden, bevor überhaupt ein Modell trainiert wird. Wenn die Benachteiligung in die Infrastruktur eingebacken ist, wo beginnt die Behebung?

Einleitung

Gerechtigkeit in der KI-Bildung adressiert drei überlappende Anliegen: wer KI-Werkzeuge bekommt (Zugang), wer und was in KI-Systemen repräsentiert ist (Repräsentation), und wer Nutzen hat (Ergebnisse). KI kann bestehende Ungleichheiten je nach Gestaltung, Infrastruktur und Politik sowohl vergrößern als auch verkleinern. Gerechtigkeit ist daher eine querschneidende Linse, angewandt auf algorithmische Fairness, digitalen Zugang, sprachliche Inklusion, Barrierefreiheit und kulturell relevantes Unterrichten.

Gerechtigkeit von Zugang und Infrastruktur

• Die digitale Spaltung: Ungleicher Zugang zu KI-gestützten Lernwerkzeugen über sozioökonomische Linien, Regionen und Nationen hinweg ist eine grundlegende Barriere. Evidenz dokumentiert, wie der Nutzen aus generativer KI ungleich über Länder und Institutionen verteilt ist.
• Werkzeugqualität ist Teil der Spaltung, nicht nur Werkzeugzugang: Canonigo (2026) reichte 50 Mathematik-Prompts je dreimal bei den kostenlosen und Premium-Stufen desselben Modells ein und fand die kostenlose Stufe in 49 ihrer 150 Antworten ungenau (32.7%) gegenüber 18 von 150 (12%) für die Premium-Stufe (χ2(1) = 17.5, p < 0.001); Lehrkräfte an der unterversorgteren der zwei Studien Schulen nannten das kostenlose Modell „grenzwertig nutzlos für Mathematik“. Die Autoren lesen dies als algorithmische Spaltung, die die digitale Spaltung über Gerätezugang hinaus auf die Qualität des Werkzeugs selbst erstreckt, sodass eine Schule mit „KI-Zugang“ Studierenden möglicherweise dennoch einen materiell weniger verlässlichen Tutor übergibt —, mit ihrem eigenen Vorbehalt, dass der Vergleich explorativ war und die Prompts nicht randomisiert waren, was die Größe der Lücke indikativ statt geklärt macht. Dieselbe Studie zeigt, dass die Richtung der Lücke vom Werkzeug nicht festgelegt wird: Wo Lehrkräfte von Studierenden verlangten, KI-Ausgabe mit ihrer eigenen Arbeit zu vergleichen, und das Modell vorab anwiesen, Lösungen zurückzuhalten, wurde die Ausgabe ein Artefakt zur Kritik, während in unvermittelten Klassen Studierende den Algorithmus zuerst konsultierten und die Lehrkraft zum Validator wurde („Ich bin nicht mehr das Orakel; ich bin die Redaktion“).
• Zugang ist nicht genug: KI-Werkzeuge bereitzustellen, ohne strukturelle Barrieren zu adressieren, schließt Lücken nicht —, Zugang muss mit Fähigkeiten, Unterstützung und Bedingungen gepaart werden, die echte Nutzung ermöglichen.

Differenzierte Unterstützung ist kein Beleg für gerechten Nutzen: Ein Review von KI-Tutoring in der Mathematik findet Inklusivitätsbehauptungen ungestützt, weil Studien selten prüfen, ob Gewinne konsistent über Fähigkeits-, Geschlechts-, sozioökonomische, sprachliche, Behinderungs- und geografische Gruppen verteilt sind, sodass ungeklärt bleibt, dass diese Systeme Leistungslücken reduzieren (Ogunsakin et al. (2026)).

• Differenziertes Mensch-KI-Tutoring ist ein Beleg dafür, dass Hybridmodelle Lücken schließen können — wenn die Zuteilung dem Bedarf folgt. Eine Difference-in-Discontinuities-Studie (635 Studierende, Klassen 5–8; unter dem Median Leistende erhielten proaktives menschliches Tutoring, über dem Median reaktive Bedarfsunterstützung, gegen eine AI-only-Baseline im Herbst) fand, dass hybrides Tutoring die Zeit auf Aufgabe 25 %, die Fähigkeitsproficiency 36 % und das akademische Wachstum 61 % insgesamt hob — und die beiden Arme vergleichbare Engagement- und Proficiency-Zuwächse über unterschiedliche Mechanismen erzielten. Das gerechtigkeitsrelevante Detail: proaktives Tutoring zeigte marginal höheres durchschnittliches Wachstum (75 %, p = .065), konzentriert bei Studierenden, die weiter unter dem Cut-off lagen — das Muster der Lückenkompression statt gleichförmiger Anhebung —, während ein Tutor pro Sitzung beide Gruppen versorgte. Die Autoren sind angemessen vorsichtig: das DiDC-Design ist quasi-experimentell, der dichotome Median-Cut-off verpasst die Variation des Bedarfs innerhalb der Gruppe, und der 75%-Effekt ist marginal. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)
• Fakultäten erwarten, dass sich die Spaltung vergrößert. Watson and Rainie (2026) befragten 1.057 Fakultätsangehörige US-amerikanischer Colleges und Hochschulen und fanden 81%, die erwarteten, dass generative KI digitale Ungleichheiten vergrößern würde (58% sagten stark) —, die stärkste Gerechtigkeitserwartung im Bericht und eine, die neben 68% steht, die sagten, ihre Institutionen hätten Fakultätsangehörige nicht darauf vorbereitet, die Werkzeuge für Lehren und Mentoring zu nutzen. Dieselbe Befragung zeigt, wie ungleichmäßig die Werkzeuge angenommen werden: 26% der Befragten nutzen generative KI überhaupt nicht, steigend auf 40% der Fakultätsangehörigen in Kunst und Geisteswissenschaften und 28% der Sozialwissenschaftlerinnen und -wissenschaftler, sodass Nicht-Nutzung und Unvorbereitetheit sich in bestimmten Disziplinen konzentrieren. Der Bericht ist eine Nicht-Wahrscheinlichkeits-Stichprobe, die seine Autoren als nicht generalisierbar bezeichnen, sodass dies die geäußerten Anliegen des Sektors sind statt gemessene Effekte.
• Infrastrukturelle Benachteiligung: Structural Silence zeigt, dass KI-Infrastruktur — Trainingskorpora, Tokenisierung, Benchmarks, Einsatzarchitekturen — Sprecherinnen und Sprecher unterrepräsentierter Sprachen systematisch benachteiligt bevor ein Modell trainiert wird, und Datensatzknappheit als strukturelles statt zufälliges Problem neu rahmt.
• Modellspezifische demografische Priors in synthetischen Daten: López-Pernas et al. (2026) fanden, dass jedes Modell, wenn LLMs Studierenden-Vignetten erzeugten, eigene demografische Tendenzen aufzwang — GPT produzierte mehr Global-North-Profile und nutzte they/them-Pronomen, Qwen produzierte mehr Global-South-Profile, und Mistral neigte zu she/her. Selbst die Konstruktion von Lernendendaten durch ein LLM trägt damit regionale und gegenderte Priors, die in nachgelagerte Empfehlungen fortgepflanzt werden können, ein unteruntersuchtes Gerechtigkeitsrisiko.
• Sozioökonomische Gradienten: KI und Politik des lebenslangen Lernens und Produktivitätslücken-Experimente untersuchen, wie KI Lücken zwischen verschiedenen Lernendengruppen entweder verkleinern oder vergrößern kann.
• Spaltungen für Lernende mit Behinderungen überbrücken: Khlaif et al. (2026) fanden, dass GenAI für blinde und sehbehinderte Studierende digitale, geografische und sozioökonomische Spaltungen einebnet, und Inklusion als infrastrukturelle ebenso wie kulturelle Angelegenheit rahmen —, was den Diskurs digitaler Gerechtigkeit über Zugang hinaus auf Zugehörigkeit, Stimme und Repräsentation erstreckt.

Vorbereitung zählt mehr als Präferenz, und das Recht auf Ablehnung ist ungleich verteilt. Studierende mit starkem akademischem Selbstvertrauen können KI ohne Strafe ablehnen, während Studierende, die Sprachunterstützung, Zugänglichkeitsunterstützung oder rasches Feedback brauchen, Ablehnung als Verlust von Gelegenheit erfahren, und gelegentlich beschäftigtes Personal sich gedrängt fühlen kann, Werkzeuge zu übernehmen, die Vorbereitungszeit kürzen, ohne Verantwortung zu kürzen. Wo eine Pflicht zu Verstehen ohne Weiterbildung, sichere Infrastruktur und klare Politik auferlegt wird, wird sie zu versteckter Arbeitslast, und Ablehnung wird zu einer vorhersagbaren Antwort auf institutionelle Untervorbereitung statt zu einem Widerstand gegen die Technologie (Zagami 2026).

Miete wird in drei Währungen gezahlt, und eigene Kompetenz geht mit dem Absolventen. de Barba (2026) argumentiert, dass in einem kommerziellen Werkzeug residierende Fähigkeit nur zu den Bedingungen des Anbieters verfügbar ist, sodass institutionelle Lizenzen den Vermieter verlagern statt ihn zu beseitigen: Zugang endet typischerweise mit der Einschreibung, und gemietete Fähigkeit besteht dann nur für Absolventinnen und Absolventen fort, die weiterzahlen können. Sie fügt zwei weitere Verteilungen hinzu, die Zugangsdebatten meist verpassen — Selbstkosten konzentrieren sich in der Akklimatisierung, wo Lernende mit weniger Vorwissen am längsten brauchen, und gemietete Standards tragen die Bezugspunkte des Modells, von denen vorhergesagt wird, dass sie mehr von den Standards der Lernenden verdrängen, deren kulturelle und sprachliche Bezugspunkte von denen des Modells abweichen. Dasselbe Werkzeug erweitert Zugang und verdrängt Standards zugleich, weshalb sie das Benennen der Fähigkeiten, die ein Kurs selbst aufbauen muss, ebenso sehr als Gerechtigkeitsmaß behandelt wie als pädagogisches.

Repräsentationsgerechtigkeit

• Bias in Trainingsdaten und Ausgaben: KI-Trainingsdaten spiegeln weitgehend dominante kulturelle Perspektiven. Forschung zu Geschlechter-Bias-Transfer zeigt, dass LLM-unterstütztes Schreiben Studierendenarbeit mit Geschlechter-Bias kontaminieren kann; Geschichtsunterrichts-Filter und KI-Bewertung können westlich-zentrische und sprachlich verzerrte Annahmen kodieren.

• Marginalisiertes Wissen: Forschung zu minoritisiertem Wissen untersucht, wie generative KI nicht-dominante Wissenssysteme und Behinderungsperspektiven in der Hochschulbildung marginalisiert.

• Curriculum-Diversifizierung: Lehrkräfte nutzen zunehmend LLMs, um Curriculummaterialien zu diversifizieren (Wang et al., 2025, fanden, dass 78% es taten), doch KI-kuratierte Leselisten unterrepräsentieren weiterhin BIPOC-Autorinnen und -Autoren, und STEM-KI-Tutoren gehen standardmäßig von westlich-zentrischen Problemkontexten aus.

• Generierte Bildsprache wiederholt dominante visuelle Normen, was kritischen Gebrauch zu einer Kompetenz statt zu einem Zusatz macht. Jiang et al. (2026) beobachten, dass GenAI-Bildgenerierung dominante multimodale Normen wie visuellen Bias reproduziert, und warnen, dass multimodale Prüfung, die dies ignoriert, riskiert, Ungleichheiten zu automatisieren und zu reproduzieren; ihr Rahmen für Fremdsprachenlehrkräfte verlangt daher die Kompetenz, Studierenden zu helfen, verzerrte Modellausgaben zu erkennen, zu bewerten und gegen zu narrieren (Jiang et al., 2026).

Ergebnisgerechtigkeit

• Differenzierte Wirkung: KI-Werkzeuge können Lücken vergrößern, wenn sie ohne Gerechtigkeitslinse gestaltet sind —, systematische Reviews und Bewertungs-Bias-Studien zeigen ungleichen Nutzen und Schaden über Lernendengruppen. Die gepoolte Evidenz des Nutzens trägt dieselbe Grenze: Jing et al. (2026) schätzen einen mäßigen bis großen Gesamtzuwachs für Studierende über 35 Studien (g=0.53, 95% CI [0.48, 0.64]), während sie angeben, dass ungerechter Zugang zu hochpreisigen Werkzeugen eines der Risiken ist, die jene Effektstärken nicht erfassen können, und signifikante Egger's-Tests für akademische Leistung und professionelle Fähigkeiten Funnel-Plot-Asymmetrie und Kleinstudieneffekte ungelöst lassen.

• Äquivalentes Lernen über zwei Größenordnungen von Kosten. StudentBench fand gepooltes KI-Tutoring statistisch äquivalent zu erfahrenem menschlichem Tutoring, während die Spannbreite über Tutoren von \$0.005 bis \\$1.40 pro Prozentpunkt Lernzuwachs reichte und ein offenes Modell menschliche Zuwächse bei 918× geringeren Kosten pro Punkt erreichte (\$0.0052 gegenüber \\$4.81), was Kosten pro Lerneinheit zu einer Zugangsvariable statt nur zu einer Qualitätsvariable macht (Northcutt et al. (2026)).

• Bias-Verstärkung: KI-Vorschläge und automatisiertes Feedback können bestehende Lehrkraft- und System-Bias verstärken (statt infrage stellen). Marked Pedagogies zeigt, dass LLM-Schreibfeedback-Werkzeuge systematisch hin zu stereotypabgestimmtem Lob und zurückgehaltener Kritik verschieben, wenn Feedback mit der ethnischen Zugehörigkeit, Sprache, Behinderung, Leistung oder Motivation einer Person personalisiert wird —, selbst bei identischen Aufsätzen —, was „Personalisierung“ zu einem konkreten Bias-Vektor in automatisiertem Feedback macht.

• Fairnessbewusste Systeme: Bias-Milderung und Ground-Truth-Reliabilität-Forschung entwickeln Methoden zur Erkennung und Korrektur von Bias in KI-Tutoren, -Bewertenden und -Empfehlern.

• Fairness-Regularisierer generalisieren möglicherweise nicht auf neue Lernende: Fragkiadakis et al. (2026) fügten einem multimodalen Transformer, der Studierendenaufmerksamkeit in Echtzeit vorhersagt, geschlechts- und alterszielende Fehlerlücken-Regularisierung hinzu, und fanden, dass sie demografische Ungleichheiten auf Validierungsdaten verringerte, diese Gewinne aber nicht konsistent auf zurückgehaltene Subjekte oder wiederholte Subjekt-Splits übertrug (das regularisierte Modell verringerte die Lücke in nur 4 von 10 Trainingsläufen). Zertifizierte Fairness auf einem einzelnen Split kann daher bei tatsächlich neuen Lernenden verdampfen —, Bildungs-KI braucht Leave-Subjects-Out-, wiederholte-Seed-Evaluation statt allein aggregierter Metriken.

• Differenziell verteilte Nächste-Gelegenheit-Entscheidungen. Bias, der Fall für Fall verteidigbar aussieht, kann Lernende dennoch systematisch sortieren: Entezami et al. (2026) ließen drei LLMs 11.200 Teamzuweisungen in Software-Engineering-Kursen verteilen, wobei Männer mindestens 80% weniger wahrscheinlich als Frauen Interface Design statt Kernentwicklung erreichten (GPT-5.2 OR < 0.01) und Nationalität Zuweisungen unabhängig von Verdienst bewegte. Fähigkeiten entschieden es nicht — 99.2% der fähigkeitsbasierten Zuweisungen passten zu einem der zwei gültigen Teams, doch Geschlecht wählte zwischen gleichwertig gültigen Optionen, sodass nur aggregierte Statistiken das Muster offenbaren; Bildsprache zu einzelnen Personen war männlich und hellhäutig verzerrt (über 95% hellhäutig bei Prompts zu Database, Debugging und Individual Programming), während Mehrpersonen-Bilder vergleichsweise divers waren.

• Studierendenhandlungsfähigkeit: sicherstellen, dass KI Studierendenstimme und Handlungsfähigkeit der Lernenden bestärkt statt ersetzt, besonders für historisch marginalisierte Lernende.

• Psychologische vs. kognitive Gerechtigkeit: Liang et al. (2026) fanden, dass ein Jahr schulischen KI-Unterrichts an weiterführenden Schulen in Hongkong psychologische KI-Bereitschaftslücken (Vertrauen, Motivation, ethisches Bewusstsein) verkleinerte, aber nicht kognitive —, objektive KI-Kompetenzlücken zwischen selbst-initiierten („hoch-agierenden“) Lernenden und ihren Peers bestanden fort, ein Matthäus-Effekt-Muster, in dem Curricula „den Boden anhoben, aber das Spielfeld nicht einebneten“. Zugang zu einem Curriculum allein, ohne nachhaltiges selbstinitiiertes Engagement, mag psychologische, aber nicht volle kognitive Parität fördern.

• Automatisierte Markierung, Leistungsniveau und Sprache. Der OpRaise-Vergleich von drei Grenzmodellen an 761 authentischen Aufsätzen fand, dass KI-Mensch-Nichtübereinstimmung mit dem Leistungsniveau der Studierenden und mit Oberflächen-Sprachmerkmalen (Wortschatzbreite, Konnektive, Satzkomplexität) in Weisen variierte, die menschliche Markierung nicht tat, und dass Genauigkeit sich über drei britische Institutionen mit unterschiedlichen Kohorten unterschied —, was die Autoren direkt an die Pflichten der Institutionen unter dem britischen Gleichstellungsgesetz (Equality Act) knüpfen, mit der Begründung, dass einige Studierendengruppen stärker betroffen sein könnten als andere, und die ein Recht auf Erklärung unter GDPR-Artikel 22 vermerken, wo automatisierte Markierungsentscheidungen Studierende betreffen. Weil KI-Markierungen zur Mitte der Verteilung hin komprimierten, sind die am stärksten exponierten Studierenden jene am oberen und unteren Ende des Leistungsniveaus.

• Prüfungsregeln können sprachliche Benachteiligung in Integritätsrisiko verwandeln. Li (2026) argumentiert, dass Integritätsregeln, die GenAI als einzelne Kategorie nicht autorisierter Unterstützung behandeln, höhere Compliance-Lasten auf Studierende legen, die Englisch als zusätzliche Sprache nutzen, deren legitime Nutzung von Sprachunterstützung häufiger und iterativer ist, und Verdacht auf Schreiberinnen und Schreiber konzentrieren, deren Oberflächenflüssigkeit sich am stärksten verschoben hat —, ein Regelgestaltungs- statt ein Verhaltensproblem, und eines, das das Risiko selektiver Durchsetzung auf schwacher Evidenz erhöht. Die vorgeschlagene Grenze ist zweck- und konstruktbasiert statt werkzeugbasiert: Grammatik-, Zeichensetzungs- und Satzklarheits-Edits, Übersetzung zum Verständnis, und erstes Entwerfen, das die Person substanziell umschreibt, zählen als erlaubte Unterstützung, weil sie keine neuen Ideen, keine neuen Quellen und keine materielle Umordnung der Analyse hinzufügen, während das Erzeugen von Argumenten oder Gegenargumenten, das Anwenden disziplinärer Regeln auf Fakten, das Umstrukturieren der analytischen Abfolge oder das Erzeugen von Zitaten als Substitution zählt. Weil Konstruktaussagen oft Flüssigkeit und Idiomatik als Stellvertreter für Schlussfolgern belohnen, begegnen EAL-Studierende konstruktirrelevanter Varianz in ihren Punktzahlen; die Abhilfen sind Ex-ante-Spezifität über erlaubte und verbotene Funktionen, Offenlegung, so kalibriert, dass routinemäßige Unterstützung weniger zu deklarieren kostet als ein bibliografischer Eintrag, gestufte Einreichungen und Quellenpfade statt detektionsgestützter Inferenz, und Kohorten-Monitoring von Überweisungen und Sanktionen. Der Rahmen ist normativ und ungetestet —, Li erhebt keine Behauptung über Raten der GenAI-Nutzung durch EAL-Studierende.

• Anerkennung, nicht nur Zugang: die kulturelle Flachheit der KI als Gerechtigkeitsbefund: In einer 9-monatigen narrativen Untersuchung mit fünf Auszubildenden der Sekundarstufe of Color fanden Gyekye (2026), dass Studierende Fairness mit der Abwesenheit sichtbarer Verzerrung gleichsetzten — eine „kulturelle Flachheit“, in der identitätsspezifische Erfahrungen und kulturelle Marker in KI-Antworten nicht repräsentiert sind —, und Handlungsfähigkeit durch Verweigerung (Nicht-Nutzung als institutionelle Ausrichtung) und Aushandeln (KI-Ausgaben institutionell lesbar machen) konstruierten. Das Recognition-Bandwidth-Konzept der Studie benennt den Raum, den Lernende haben, sich selbst in KI-Ausgaben wiederzufinden, und Institutional AI Literacy die Fähigkeit, sich in KI innerhalb institutioneller Erwartungen zu bewegen. Eine qualitative Studie mit fünf Studierenden in einem einzigen Programm; ihr Gerechtigkeitsbeitrag liegt darin zu zeigen, dass Neutralität-als-Fairness selbst der Ausschlussmechanismus sein kann.

• Wer von einem KI-Tutor profitiert — explorative Feldevidenz: In einer Einführung in einem gesamten Schulbezirk einer durch Lehrende vermittelten KI-Mathematikplattform fanden Goblins (Alam et al. 2026) größere Leistungsassoziationen für Studierende mit IEPs (+0,122 SD), Englischlernende (+0,191 SD) und hispanische Studierende (+0,084 SD) als für Vergleichsgruppen, konsistent mit multimodaler Eingabe und Sprachunterstützung für sieben Sprachen, die Einstiegsbarrieren senken. Die Autoren sind ausdrücklich, dass die explorativen, unterpowererten Teilgruppen nicht belegen können, dass die Zugänglichkeitsmerkmale die Differenz verursachten — ein frühes, hypothesengenerierendes Signal statt ein Gerechtigkeitsbefund.

• Studierende selbst beurteilen die Unterstützung-Substitution-Linie akkurat, aber zögerlich. Reed et al. (2026) legten 531 Studierenden sechs ethische Vignetten vor und fanden 57.6%, die alle sechs korrekt klassifizierten (Mittel 88.54%): verifikationsgestützte Nutzungen wurden weithin akzeptiert — Zusammenfassen von Notizen mit Verifikation durch den Dozenten (91.7%), Grammatikverbesserung an einem selbstgeschriebenen Papier (84.9%), KI-generierte Suchbegriffe gefolgt von einem unabhängigen Literaturreview (91.1%) —, während substitutionäre Nutzungen überwältigend zurückgewiesen wurden. Unsicherheit häufte sich bei den Fällen, die eine Regel tatsächlich lösen muss, den nicht verifizierbaren KI-generierten Referenzen (9.9% „unsure“) und minimal editiertem KI-generiertem Text (9.6%), was die Autoren als Beleg lesen, dass die Grenze zwischen Unterstützung und sinnhafter Autorschaft Studierenden nicht klar ist. Objektive KI-Kompetenz sagte Klassifikationsgenauigkeit nur schwach voraus (Spearman's ρ = 0.234), die Stichprobe war überwiegend weiß, weiblich und im ersten Jahr an einer öffentlichen Hochschule im Mittleren Westen, und die Autoren betonen, dass korrektes Urteil kein ethisches Verhalten ist.

• Prompt-Privileg: Jin et al. dokumentieren „Prompt-Privileg“ —, Nutzende, die Anfragen geschickt formulieren, erhalten systematisch bessere LLM-Ausgabe als Nutzende, die dieselbe Absicht weniger gewandt ausdrücken —, was Prompting-Fähigkeit zu einer stillschweigend ungleichen Ressource macht. Ihr Prompt Equity Transformer verschiebt Promptoptimierung in das System und behandelt gerechte Ausgabe als Zugänglichkeitseigenschaft, statt Expertinnen-Prompting von Novizen zu verlangen.

• Die Interaktionsmanagement-Lücke. Brunnström and Palmqvist (2026) kommen zu einer ambivalenten Schlussfolgerung über GenAI als Nivellierer: Weil produktive Nutzung erfordert, eine überabstrakte Antwort zu erkennen, Vereinfachung zu erbitten und eine Sitzung um kleine Ziele herum zu strukturieren, mag ungeleitete GenAI „für bereits bevorteilte Studierende am nützlichsten sein“ —, jene mit starken Lerngewohnheiten und Vertrauen darin, eine KI zu steuern —, während Studierende mit schwächeren Lernfertigkeiten oder geringerem akademischem Selbstvertrauen zusätzlicher Komplexität und Frustration begegnen. Statt fehlende akademische Gesprächspartner zu ersetzen, führt das Werkzeug eine neue Kompetenz ein, deren Erwerb ihre eigene Lücke erzeugt; die Autoren schließen, dass die Verantwortung, sie zu lehren, nicht bei den Studierenden allein ruhen kann (KI-Kompetenz, Selbstreguliertes Lernen).

• Fähigkeitslücken- und Ressourcenlücken-Mechanismen sind nicht dasselbe Problem. Kumar, Wongsirichot and Nanthaamornphong (2026) trennen zwei Mechanismen, die ihr systematischer Review von 72 Studien zur Informatik-Bildung in der Literatur tendenziell konfundiert fand. Die Fähigkeitslücke operiert innerhalb eines einzelnen Klassenzimmers: Studierende mit stärkerem Vorwissen verwandeln KI-Unterstützung in dauerhafte Fähigkeit, während kämpfende Studierende sie als Krücke nutzen, die produktives Ringen entfernt und die Kompetenzverteilung bis Semesterende verbreitert —, adressiert durch abgestuften Zugang, gebunden an demonstrierte Kompetenz. Die Ressourcenlücke operiert über Institutionen und nationale Kontexte hinweg: verlässliches Internet und bezahlte API-Abonnements tragen fähigeres Werkzeugnutzen als Studierende ohne sie —, adressiert durch institutionelle Investition in geteilten Werkzeugzugang und Richtlinien, die keine universelle Verfügbarkeit annehmen. Gerechtigkeit ist die dünnste der drei Rahmen-Anforderungen des Reviews (sechs Studien), und die Autoren lesen diese Dünnheit als den Befund: die Abwesenheit gerechtigkeitsfokussierter Interventionsforschung ist selbst das Gerechtigkeitsproblem (Validität von Assessments, Scaffolding (Gerüstbildung)).

• Die am besten belegten Methoden sind die am wenigsten skalierbaren. In einem Workshop mit 73 Informatik-Lehrenden wurde mündliche und interaktive Prüfung als die stärkste verfügbare Evidenz individuellen Verständnisses und als die am wenigsten skalierbare vorgeschlagene Abhilfe berichtet —, in einem Raum neben über 400 Studierenden und einer Handvoll Lehrender erhoben —, sodass die Strategien mit dem klarsten Bezug zu verifiziertem Lernen in den Institutionen sitzen, die die wenigsten Studierenden unterrichten, eine Gerechtigkeitslücke zwischen Institutionen statt innerhalb einer Kohorte (Akbar et al., 2026).

• Tutoringqualität verschiebt sich mit der Demografie der Lernenden. EduFair-Bench paart ein festes LLM-Studierenden-Modell mit jedem Tutor über neun demografische Stufen hinweg, die Geschlecht, Einwanderungshintergrund, Erstsprache und sozioökonomischen Status umspannen, und bewertet fünf zugbezogene pädagogische Metriken. In LLM-Tutoring erscheinen die größten Abweichungen in expliziten demografischen Bedingungen — Schritt-Gerüstbildung korrelierend bis |r| = 0.144 in Mathematik und korrigierender Ton 0.10 für jedes Modell in Chemie (0.102-0.168) und Physik (0.129-0.294) übersteigend —, und in 11 von 15 Modell-mal-Domäne-Zellen erzielte die falsche-Antwort-Bedingung höher als die korrekte, was anzeigt, dass Ton der demografischen Markierung der Studierenden folgte statt der Qualität der Argumentation der Studierenden. Pädagogiespezifisches Reinforcement Learning verteilte diese Lücken um statt sie zu entfernen. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)

• Implizite demografische Signale sind ein weniger kontrollierbarer Bias-Kanal als angegebene Attribute. Rooein, Benedetto and Hovy (2026) hielten jeden Aufgabeneingabewert fest, während sie nur den demografischen Kontext über sechs instruktionsabgestimmte LLMs und drei Bildungsaufgaben variierten, 192.480 Inferenzaufrufe produzierten, und explizite Signale (angegebene Studierendenattribute) von impliziten trennten, die von einem Zehn-Prompt-Konversationsverlauf getragen werden. In automatisierter Aufsatzbewertung waren die meisten Modelle vergleichsweise stabil unter expliziter Konditionierung, während implizite Konditionierung Werte aufblähte — Llama-70B erzielte 1.57 Punkte über seinem eigenen Standard (p < 0.001). In metasprachlicher Fragbeantwortung driftete die implizite Bedingung in die andere Richtung: Antworten für niedrigere Bildungsniveaus erhielten weniger positive Stimmung, eine durchschnittliche Lücke von 0.3 zwischen den niedrigsten und den höheren Bildungsniveaus auf einer 0-4-Skala gegenüber einer Standardabweichung innerhalb des Items von 0.07. Die Gerechtigkeitsschwierigkeit ist strukturell —, der Hinweis ist kein angegebenes Attribut, das eine Politik verbieten könnte, und kein Promptfeld, das ein Audit inspizieren könnte, sondern eine Eigenschaft der Interaktion selbst.

• Verifikation kann einen Zuwachs zu schwächeren Studierenden umlenken. Dang & Nguyen (2026) fanden, dass expertenverifizierte KI-Lernmaterialien in einem Erstsemester-Ökonomiekurs mit einem Zuwachs von 2.34 Notenpunkten assoziiert waren, doch etwa drei Viertel davon im untersten Quintil auftraten, und der Anteil der Noten unter der 60%-Grenze um 24.7 Punkte fiel —, was die Prüflast von Studierenden zu einem rechenschaftspflichtigen Tutor verlagert.

Sprachliche, kulturelle und Behinderungs-Inklusion

• Sprache: Die meisten KI-Werkzeuge priorisieren Englisch und marginalisieren mehrsprachige Lernende. Sprachliche Vielfalt im akademischen Schreiben, unterrepräsentierte Sprachen und Sprachenlernen-Forschung adressieren dies.
• Kultur: Kulturell relevante Pädagogik und community-zentriertes AIED fordern KI, die die kulturellen Kontexte der Lernenden widerspiegelt, statt dominante Normen aufzuerlegen.
• Behinderung und Neurodiversität: Zugängliches Lernen, Universelles Design, Neurodiversität und Sonderpädagogik-Forschung untersuchen, wie KI Lernende mit Behinderungen unterstützen oder ausschließen kann —, neurodivergente Informatikstudierende, Legasthenikerinnen und Legastheniker und zugängliche Bildungsmaterialien sind illustrativ.
• Sprache, Kultur und Kosten zusammen: Bashir and Afzal (2026) rahmen gerechte Gestaltung in KI zu Wohlbefinden als eine einzige Frage von Sprache, Kultur und Kosten —, nur-englische Werkzeuge scheitern an Studierenden, die Not in Urdu oder Roman Urdu ausdrücken, westliche Datensets scheitern daran, lokal salienten Stressoren zu erfassen, und teure kommerzielle Systeme scheitern an weniger gut ausgestatteten Hochschulen (Sukoon). Ihre Antwort kombinierte ein Open-Source-mehrsprachiges LLM, über eine gehostete API mit geringen Ressourcenanforderungen zugegriffen, eine zweisprachige Einschätzungsschnittstelle und einen Klassifikator, trainiert auf einem validierten 20-Merkmals-Instrument —, während sie einräumen, dass die Trainingsdaten nicht repräsentativ für die Zielpopulation sind, dass „in manchen Gegenden … Werkzeuge verfügbar, aber oft teuer sind“, und dass die Anpassung auf Promptebene statt mit Studierenden validiert ist, ein offener Bericht der Lücke zwischen gerechter Absicht und demonstrierter Gerechtigkeit.

Besondere Populationen und globale Gerechtigkeit

• Besondere Populationen: Sonderpädagogik, neurodivergente Lernende, Legasthenikerinnen und Legastheniker und Lernende mit Behinderungen stellen Gruppen dar, deren Bedürfnisse in der Gestaltung von KI-Systemen oft übersehen werden.
• Global-South-Perspektiven: Afrikanische Studienmotivationen, vietnamesische KI-Unterrichtsplanung und Akzeptanz ghanaischer Lehrkräfte bieten Global-South-Perspektiven, die in westlich-zentrischer AIED-Forschung oft fehlen. Auf institutioneller Ebene zeigen Adeniranye et al. (2026), dass KI-Integration über 45 nigerianische Hochschulen von Institutionsalter und Geografie statt von Governance-Typ getrieben wird, wobei verstärkende Netzwerkbeziehungen gut vernetzten Institutionen erlauben, Vorteil zu kumulieren —, Evidenz, dass Gerechtigkeitslücken strukturell reproduziert werden, nicht nur über individuellen Zugang.
• Globale Kapazität: Evidenz dokumentiert, wie der Nutzen generativer KI ungleich über Länder und Institutionen verteilt ist, und KI und Politik des lebenslangen Lernens adressiert strukturelle sozioökonomische Gradienten.
• Schnittpunkt von Behinderung und Globalem Süden: Khlaif et al. (2026) —, eine qualitative Fallstudie zu 21 blinden und sehbehinderten Studierenden über drei palästinensische Hochschulen —, zeigt, dass GenAI digitale, geografische und sozioökonomische Spaltungen überbrückt, während sie Technologieakzeptanzmodelle auf Behinderungskontexte erweitert, wo Usability, Erschwinglichkeit und Zugänglichkeit sich gegenseitig verstärken.
• Geschlechtergerechtigkeit in der Informatik: Gerechtigkeitsorientierte Nutzungen von GenAI bleiben untererforscht. Eine GenAI-Makerspace-Initiative für Mädchen in Europa kombinierte zwei GenAI-Werkzeuge mit feministischer Pädagogik, um anhaltende Geschlechterungleichheiten in der Repräsentation von Mädchen in der Informatik zu adressieren, wobei Praktikerinnen und Praktiker spezifische Schritte vollzogen, um Teilhabe und Engagement von Mädchen zu stützen —, ein Beispiel gerechtigkeitsfokussierter GenAI-Gestaltung. Absichtlich gegenderte KI kann auch als die Intervention selbst funktionieren: Rücker and Becker-Genschow (2026) zeigten, dass ein weiblich kodierter, domänenspezifischer Mathematik-Chatbot, modelliert an Ada Lovelaces Persona (und sowohl als Rollenmodell als auch als Lernassistenz eingesetzt), geschlechtsstereotype Überzeugungen über mathematische Fähigkeit und Mathematik als männliche Domäne unter Neuntklässlerinnen und Neuntklässlern signifikant reduzierte —, bei beiden Geschlechtern, mit hoher und geschlechtsneutraler Technologieakzeptanz. Das rahmt Repräsentation als Gestaltungshebel, nicht nur als zu prüfenden Bias: systematisch gestaltete KI-Personas können Geschlechter-Bias entgegenwirken, statt ihn bloß nicht zu reproduzieren.

Implikationen für KI in der Bildung

• Fairness ist Gestaltung, kein Nachgedanke: Bias-Milderung und fairnessbewusste Algorithmen müssen in KI-Tutoren, -Bewertende und -Empfehler eingebaut und auf Gerechtigkeit neben Genauigkeit evaluiert werden.
• Infrastruktur ist Gerechtigkeit: Die digitale Spaltung und Infrastruktur unterrepräsentierter Sprachen zu adressieren ist eine Vorbedingung für gerechte KI, kein nachgeordnetes Anliegen.
• Repräsentation zählt in Inhalt und Prüfung: KI-kuratierte Materialien und automatisierte Prüfung müssen diverse Lernende, Kulturen, Sprachen und Wissenssysteme widerspiegeln und nicht bestrafen.
• Zugang mit Unterstützung paaren: Werkzeuge bereitzustellen genügt nicht; Lernende brauchen Fähigkeiten, Bedingungen und kulturell relevante Gerüstbildung, um zu profitieren.
• Die Zielgruppen erreichen, die formale Bildung verpasst: der AI-Literacies-Rahmen für öffentlich-rechtliche Medien argumentiert, Bereitstellung werde weiterhin die bereits Bevorteiligten erreichen, sofern sie nicht anders gestaltet wird, benennt junge Menschen, die digital oder anderweitig marginalisiert sind, als jene mit den wenigsten Gelegenheiten durch formale Bildung, und schlägt zielgerichtete Partnerschaften plus Bereitstellung mit nationaler Reichweite —, nicht universelle Veröffentlichung —, als Abhilfe vor.
• Politik und Steuerung: institutionelle KI-Politik (Bildungspolitik zu KI, KI-Governance) muss Gerechtigkeit als Leitprinzip einbetten.

Verbundene Konzepte

• Unterschiedliche Effekte zwischen Gruppen von Lernenden
• Lernende — Learners: the umbrella for the learner-side concepts
• Digitale Kluft — Ungleicher Zugang zu KI-Werkzeugen und Infrastruktur über sozioökonomische Linien, Regionen und Nationen
• Minderung von Bias — Methods for detecting and correcting bias in AI tutors, scorers, and recommenders
• Barrierefreiheit — Design that makes AI learning tools usable by learners with disabilities
• Assistive Technologien — Tools that support learners with disabilities in AI-mediated settings
• Kulturell relevante Pädagogik — Teaching that reflects learners' cultural contexts rather than imposing dominant norms
• Sprachenlernen — Linguistic inclusion of multilingual and underrepresented-language learners
• Inklusives Lernen — Accessible and equitable learning for all learners
• Universelles Design für das Lernen (UDL) — Designing for learner variability from the outset
• Neurodiversität — Supporting neurodivergent learners in AI education
• Sonderpädagogik — Meeting the needs of learners with disabilities in AI system design
• KI-Kompetenz — The skills learners need to benefit from AI equitably
• Bildungspolitik zu KI — Institutional policy embedding equity as a guiding principle
• KI-Governance — Oversight and accountability for equitable AI
• Handlungsfähigkeit der Lernenden — Ensuring AI empowers rather than replaces student voice
• Akteure in der KI-Bildung — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)
• Eltern und Familien
• Unterstützung und Erfolg von Studierenden — who support systems reach, and the risks of acting on a risk score

Verbundene Artikel

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — How GenAI visual bias enters multimodal assessment, and why counter-narrating it is a teacher competency

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — The rented self: rent paid in money, self and standards, and licenses that end at graduation

• Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course — Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Equity as a delivery problem: reaching young people formal education misses

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — OpRaise report: AI marking of 761 university essays across three UK universities

• Generative AI in computing education: A systematic review and a framework for responsible integration — Skill-gap vs resource-gap: two equity mechanisms requiring different remedies

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — Unguided GenAI may widen gaps: the interaction-management competence (Brunnström & Palmqvist 2026)

• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — Institutional structures, digital inequality, and AI integration in Nigerian higher education

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — School AI education narrows psychological but not cognitive readiness gaps

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: measuring & mitigating accessibility disparities in LLM access

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — Language bias in AI-based scoring

• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — Gender bias transfer in LLM-assisted writing

• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — Generative AI and the marginalization of minoritized knowledges

• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — Structural silence: underrepresented languages in AI infrastructure

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — GenAI in higher education: systematic review

• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — AI and lifelong-learning policy

• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — Does generative AI narrow education-based productivity gaps?

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — Linguistic diversity in AI-mediated academic writing

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — Access is not enough

• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — Female-coded chatbot as role model reducing math gender stereotypes

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Paternalistic filtering in LLM-based history education

• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums — DyslexLens: AI support for dyslexic learners

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — Ground-truth reliability in AIED

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: stereotype-aligned feedback bias across student attributes

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — All-girls GenAI makerspace workshops and gender equity in computing

• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — Assistive GenAI for visually impaired learners

• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning

• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Implicit (conversation-history) demographic signals shift LLM scoring, feedback and answering (Rooein, Benedetto & Hovy 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 US faculty on AI's present and future: 81% expect wider digital inequities, 26% do not use the tools

• GenAI assessment and language equity: Drawing the line between support and substitution — Drawing the support-substitution line: GenAI assessment rules and EAL students' compliance burden

• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — The right to refuse is unevenly distributed: refusal as evidence of institutional under-preparation (Zagami 2026)

• AI literacy and scenario-based ethical judgment about generative AI among undergraduate students — Scenario-based ethical judgment and AI literacy among 531 undergraduates

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI and human tutoring yield equivalent GRE learning gains

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI

• Generative AI May Reinforce Social Biases in Software Engineering Education — Generative AI May Reinforce Social Biases in Software Engineering Education

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Free-tier vs premium-model accuracy gap in mathematics: 32.7% vs 12% (Canonigo 2026)

• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — Pooled GenAI learning gains (g=0.53) and the inequitable access to high-cost tools they cannot capture

• Reimagining mathematics education through intelligent tutoring: evidence, opportunities, and implementation challenges — Mathematics AI-tutoring review finding inclusiveness and achievement-gap claims unsupported

• Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs — Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs (Gurung et al. 2026)

• Teacher-Mediated Multimodal Platform and Math Achievement: Evidence from Goblins' Yearlong District Implementation — District AI-math rollout with larger exploratory associations for IEP, English-learner, and Hispanic students (multimodal/multilingual supports; causality untested)

• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — Apprentices of color equated fairness with cultural flatness; agency constructed through refusal and negotiation; Recognition Bandwidth and Institutional AI Literacy