Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

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

Exekutive Funktionen sind die allgemeinen Kontrollprozesse, die es Lernenden ermöglichen, Informationen im Kopf zu behalten, einer leichteren Reaktion zu widerstehen, zwischen Regeln zu wechseln und einen Weg zu einem Ziel zu planen. In der KI in der Bildung entscheiden sie darüber, ob ein Werkzeug die Fähigkeit ersetzt, die eine Aufgabe eigentlich trainieren sollte, oder ob es diese Fähigkeit stattdessen aufbaut. Sie liegen zudem dort, wo drei Forschungsliteraturen zusammentreffen: die Forschung zum Verlassen auf Werkzeuge, die sonderpädagogische Forschung zu Unterstützung und Nachteilsausgleich und die Messforschung dazu, wie das Konstrukt erfasst wird. Sie unterscheiden sich von der Metakognition. Zu wissen, dass eine Ausgabe überprüft werden sollte, ist eine Fähigkeit; das Problem lange genug im Kopf zu behalten, um es zu überprüfen, eine andere.

Fragen zum Nachdenken

  • Ein Lernender mit zutreffendem metakognitivem Wissen schafft es dennoch nicht, ein vierstufiges Problem im Kopf zu behalten. Welche Fähigkeit fehlt, und würde mehr Feedback das beheben?
  • Kompensation, Scaffolding und Entwicklung können in einem Post-Test, bei dem das Werkzeug eingesetzt wird, identisch aussehen. Was würden Sie messen, um sie zu unterscheiden?
  • Die Trainingsbefunde enden bei einem Follow-up von einem Monat. Wenn ein Chatbot das Arbeitsgedächtnis vier Wochen lang verbessert, was ist damit gezeigt und was nicht?
  • Zwei Studien berichten, dass intensivere KI-Nutzung mit schwächeren exekutiven Funktionen einhergeht. Welches Design wäre nötig, bevor man das als Ursache bezeichnen könnte?
  • Card Sorting, der Flanker-Test und ein Selbstbeurteilungsinventar kommen für dieselbe lernende Person oft zu unterschiedlichen Ergebnissen. Welchem würden Sie für eine Aussage über eine Klasse vertrauen, und warum?
  • Wenn ein Modell das Planen und Prüfen übernimmt, das normalerweise die exekutiven Funktionen leisten, verkümmert die Fähigkeit dann — oder wird sie an anderer Stelle trainiert?

Einführung

Exekutive Funktionen sind ein kleines Set von Prozessen, die alles andere organisieren, was Lernende tun. Das Arbeitsgedächtnis hält die Teile eines Problems präsent. Die Inhibition unterdrückt die Reaktion, die leichtfällt, aber nicht passt. Kognitive Flexibilität erlaubt es Lernenden, eine Regel fallen zu lassen und eine andere aufzunehmen, wenn sich die Aufgabe ändert. Planen und Überwachen setzen darauf auf: Sie verwandeln eine Absicht in eine Abfolge von Schritten und prüfen, ob die Schritte funktionieren.

Die Unterscheidung, die diese Literatur ordnet, ist die zwischen Kapazität und Überwachung. Metakognition ist das, was Lernende über ihr eigenes Denken wissen und bemerken: ob sie verstehen, ob sie prüfen sollten, ob sie auf Kurs sind. Exekutive Funktionen sind das, was sie unter Belastung mit diesem Wissen tun können. Eine Schülerin kann wissen, dass eine KI-Antwort überprüft werden muss, und ihr dennoch das Arbeitsgedächtnis fehlen, um die Argumentation während der Prüfung zusammenzuhalten. Studien, die sich über KI und exekutive Funktionen zu widersprechen scheinen, haben bei näherem Hinsehen oft das eine und nicht das andere gemessen.

Was das Konstrukt umfasst — und was nicht

Die psychologische Literatur nennt drei Kernfunktionen — Inhibition, Arbeitsgedächtnis und kognitive Flexibilität — und behandelt Planen, Überwachen und Organisieren als teilweise abtrennbare Ergänzungen. Die KI-Forschung verwendet den Begriff in zwei Bedeutungen. Eine enge Bedeutung liegt vor, wenn eine Studie eine Leistungsaufgabe wie das NIH Dimensional Card Sorting oder den Flanker-Test einsetzt. Eine weite Bedeutung liegt vor, wenn eine Befragung nach „globaler exekutiver Funktionsfähigkeit" fragt, was meist ein Selbstbeurteilungsinventar meint.

Der Unterschied verändert die Bedeutung eines Befunds. Eine Leistungsaufgabe misst, was Lernende unter kontrollierten Bedingungen leisten können. Ein Selbstbeurteilungsinventar misst, was Lernende über ihr Alltagsfunktionieren glauben, und beides fällt auseinander. Die Instrumentenentwicklungsstudie von Ayasrah und Kolleginnen und Kollegen macht das explizit deutlich. Ihre Executive Function-Based Learning Difficulties Scale operationalisiert ihr Konstrukt als selbstberichtetes maladaptives Verlassen auf KI und wahrgenommene Verringerungen anstrengungsintensiven Überwachens, „statt einer Diagnose stabiler Defizite exekutiver Funktionen" (Ayasrah et al., 2026).

Die Abgrenzung zur Metakognition verläuft genauso. Metakognition ist Wissen über und Überwachung des eigenen Denkens, einschließlich Kalibrierung und Lernurteilen. Exekutive Funktionen sind die Kapazität, die Überwachung überhaupt möglich macht, wenn die Aufgabe anspruchsvoll ist. Lernende können zutreffendes metakognitives Wissen haben und dennoch ein mehrstufiges Problem nicht im Arbeitsgedächtnis halten. Diese Kombination ist in der Literatur zur Sonderpädagogik häufig, wo die Kluft zwischen dem Wissen um eine Strategie und der Fähigkeit, sie auszuführen, das alltägliche Problem darstellt.

Kompensation, Scaffolding, Entwicklung

Vasileiou und Kolleginnen und Kollegen liefern einen Rahmen, den man behalten sollte. Ein KI-Werkzeug kann kompensieren, indem es eine Anforderung externalisiert, sodass Lernende teilhaben können. Es kann Scaffolding leisten, indem es Leistung knapp jenseits der eigenständigen Fähigkeit unterstützt. Es kann entwickeln, indem es die Kapazität selbst aufbaut. Dasselbe Werkzeug kann je nach Gestaltung der Aufgabe jedes davon tun, und nur bei der Entwicklung ist zu erwarten, dass sie das Wegfallen des Werkzeugs überdauert.

Kompensation sieht in jeder Messung, die das Werkzeug einschließt, nach Erfolg aus. Wer mit einer Grammatikprüfung einen besseren Aufsatz schreibt oder mit einem Schritt-für-Schritt-Chatbot mehr Aufgaben löst, leistet mehr. Ob die Kapazität gewachsen ist, ist eine andere Frage, für die eine Messung ohne das Werkzeug nötig ist. Studien zu unterstützter Leistung machen denselben Punkt aus anderer Richtung: Zuwächse, die bei Anwesenheit des Werkzeugs gemessen werden, übertragen sich nicht automatisch auf Leistung ohne Hilfe. Deshalb können Prä-Test und Post-Test mit dem Werkzeug in der Hand die drei Funktionen nicht trennen, und deshalb ist die Unterscheidung für Lernende am wichtigsten, die das Werkzeug nicht immer haben werden.

Was die Trainingsstudien zeigen

Pergantis, Bamicha, Skianis und Drigas sichteten Chatbot-Interventionen, die auf exekutive Funktionen und damit verbundene Schwierigkeiten zielen. Ihre Suche prüfte 115 Treffer aus Scopus, Web of Science, PubMed und ergänzenden Quellen, deckte 2021 bis 2024 ab und behielt 10 Studien mit 1.606 Teilnehmenden im Alter von 6 bis 75 Jahren und älter.

Die Darstellung der eigenen Evidenz durch die Übersichtsarbeit ist der Teil, den man mitnehmen sollte. Die Designs reichten von randomisierten Studien bis zu Einzelfallarbeiten. Die größte Stichprobe umfasste 744 Jugendliche, die kleinste drei Schülerinnen und Schüler im Alter von 11 bis 13 Jahren. Es wurde kein formales Instrument zur Erfassung des Verzerrungsrisikos eingesetzt, und nur zwei der 10 Studien berichteten überhaupt ein Follow-up, wobei ein Monat das längste war. Die Autoren beschreiben die Befunde als vielversprechend, nicht als gesichert. Zusammenfassungen, die diese Übersichtsarbeit als Beleg dafür zitieren, dass Chatbots exekutive Funktionen verbessern, lesen über diese Grenzen hinweg.

Was das Verlassen auf KI verdrängt

Das Argument dagegen, KI-Unterstützung als kostenlos zu betrachten, stammt aus der Literatur zum Verlassen auf KI. Klarin, Hoff und Daukantaitė definieren das Verlassen auf GenAI bei Jugendlichen als die Bevorzugung des Werkzeugs gegenüber eigener Anstrengung oder der Unterstützung durch die Lehrkraft, verbunden mit Schwierigkeiten, Schulaufgaben ohne es zu beginnen. Diese Definition benennt die verdrängte Kapazität. Anhaltende Anstrengung und das Beginnen einer Arbeit sind exekutive Anforderungen; wer sie als Einstellungsprobleme behandelt, verkennt, was das Werkzeug ersetzt.

Die Befragung indischer Studierender von Sharma, Manani und Thakwani ergänzt einen Mediator. Problematische ChatGPT-Nutzung war mit schlechterer globaler exekutiver Funktionsfähigkeit assoziiert, doch der direkte Pfad sank auf β = 0,069, P = 0,328, sobald akademischer Stress ins Modell aufgenommen wurde, während der Pfad von Stress zu Dysfunktion bei β = 0,706 lag. Nach ihrer Darstellung verläuft der Schaden über den Stress, den starke Abhängigkeit erzeugt, und nicht über eine direkte Wirkung des Werkzeugs auf die Kapazität. Das Design ist querschnittlich, der beschriebene Kreislauf bleibt also eine Hypothese.

Ayasrah und Kolleginnen und Kollegen geben dem Konstrukt ein Messinstrument, das aus Interviews mit 18 Fachpersonen, Lehrkräften und Lernenden entwickelt und an 616 Schülerinnen und Schülern der Sekundarstufe validiert wurde. Seine sechs Dimensionen — übermäßiges Verlassen auf KI beim Denken, oberflächliches Verstehen, verringerte Überprüfung, schwächere Erinnerung an Gelerntes, geringere kognitive Anstrengung und reduzierte kritische Bewertung — beschreiben, wie verdrängtes exekutives Engagement aus Sicht der Lernenden aussieht.

Messung: Aufgaben, Blickverhalten und Selbstbericht

Die Studie von Wilder und Stratchan mit 46 Studierenden mit ADHD ist der deutlichste Versuch in dieser Literatur, eine Leistungsaufgabe mit Verhalten zu verbinden. Die Teilnehmenden durchliefen eine strukturierte Interviewsimulation, während ein Tobii-Tracker den Blick aufzeichnete. Die Aufgabe NIH Dimensional Card Sorting, ein Maß für kognitive Flexibilität, war der einzige kognitive Prädiktor der Interviewstufe (β = -0,065, SE = 0,024, Wald = 7,487, p = 0,006). Die mit dem Flanker-Test gemessene Inhibition sagte die Stufe nicht vorher (p = 0,710), ebenso wenig die MSLQ-Subskala zur Selbstregulation (p = 0,312).

Das Ergebnis warnt davor, exekutive Funktionen als eine einzige Sache zu behandeln. Aufgabenwechsel sagte die Leistung in einer anspruchsvollen sozialen Situation vorher. Inhibition und selbstberichtete Regulation taten das nicht. Die Stichprobe war klein, und die Stufenanalyse fasste drei Niveaus zusammen; dies ist also ein Signal und kein gesicherter Effekt.

Unterstützung, Nachteilsausgleich und der ethische Rahmen

Die Übersichtsarbeit von Deep, Ghosh und Natoli zu 28 Studien über KI für Studierende mit ADHD behandelt die Technologie als eine Lücke in der Unterstützung, nicht in der Diagnostik. Die Werkzeuge reichen von erklärbaren Klassifikatoren bis zu adaptiven Planern und Konversationsagenten. Die Übersichtsarbeit berichtet Potenzial und eine Grenze: Ein pupillometrisches Modell erreichte eine AUROC von 0,856, während ein SVM-Klassifikator eine Genauigkeit von 66,1 bis 68,8 Prozent erreichte — unterhalb dessen, was ein klinischer Einsatz erfordern würde.

Ihre ethische Diskussion lässt sich über ADHD hinaus verallgemeinern. Nachteilsausgleich, Datenschutz, Einwilligung und übermäßiges Verlassen auf KI gehören zur selben Frage. Ein Werkzeug, das gut kompensiert, kann die Übung entfernen, die die Kapazität aufgebaut hätte, und wer diesen Zielkonflikt am wenigsten beurteilen kann, ist oft die Person, die die Kompensation am dringendsten braucht. Das ist ein Argument dafür, Unterstützung mit regelmäßiger Arbeit ohne Hilfe zu verbinden — nicht dafür, Unterstützung vorzuenthalten.

Wohin sich das Konstrukt entwickelt

Das Framework-Paper von Sidorkin weitet das Konstrukt nach außen. Es schlägt „Extended Executive Cognition" als Lernergebnis für die Hochschulbildung vor: kognitive Anstrengung zuteilen, eine Aufgabe für menschliche oder maschinelle Ausführung zerlegen, ein zutreffendes Modell dessen haben, was KI kann und was nicht, und Ausgaben in ein verteidigungsfähiges Produkt integrieren. Das Papier berichtet keine Daten. Seine einzige quantitative Aussage — dass Führungskräfte 60% mehr Zeit für Szenarioplanung und ethische Aufsicht aufwenden als vor der KI — geht auf eine aus zweiter Hand zitierte Befragung zurück.

Vor dem Hintergrund der oben genannten Studien gelesen, ist das Framework eine Hypothese darüber, wohin sich das Konstrukt als Nächstes bewegt. Wenn Denken zunehmend bedeutet, Maschinenausgaben anzuleiten und zu prüfen, dann werden Inhibition und Überwachung an einem neuen Ort trainiert. Ob sie mehr oder weniger trainiert werden, ist eine empirische Frage, die noch niemand beantwortet hat.

Implikationen für die Praxis

Lehrende können den Versuch ohne Hilfe zum Teil der Aufgabe machen, statt ihn nur auf Vertrauensbasis zu erbitten. Ein kurzer Planungsschritt, ein erster Entwurf oder eine Schätzung, die vor dem Öffnen des Modells entsteht, gibt Lernenden etwas zum Vergleichen und hinterlässt einen Beleg für die eingesetzte Kapazität. Wenn ein Kurs auf KI-Unterstützung für Planung oder Organisation setzt, zeigt eine pro Semester eingeplante Arbeit ohne sie, ob die Kapazität noch vorhanden ist.

Supportpersonal und Lernfachleute können benennen, welche Funktion ein Werkzeug anspricht. Ein Planer, der die Reihenfolge externalisiert, kompensiert. Ein Prompt, der die Lernenden auffordert, den nächsten Schritt zu erklären, bevor das Modell fortfährt, leistet Scaffolding. Nur eine Aufgabe, die von den Lernenden verlangt, ohne Hilfe zu planen — mit Feedback zum Plan —, kann die Kapazität plausibel entwickeln, und die Literatur hat wenige Beispiele für dieses Design.

Wer Assessments gestaltet, kann das Messinstrument passend zur Behauptung wählen. Eine Selbstbeurteilungsskala beantwortet Fragen zum Anstrengungserleben der Lernenden. Eine Leistungsaufgabe beantwortet Fragen zur Kapazität unter kontrollierten Bedingungen. Mit dem Ersteren das Zweite zu behaupten, ist der häufigste Fehler in diesem Bereich — und er lässt sich schon in der Designphase vermeiden.

Verantwortliche in der Verwaltung können Anträge auf Nachteilsausgleich als Fragen danach lesen, welche Kapazität unterstützt wird und was geschieht, wenn die Unterstützung wegfällt. Ein Werkzeug, das die Anforderung vollständig entfernt, kann für eine Schülerin der richtige Nachteilsausgleich sein und für einen anderen Schüler der falsche — und der Unterschied ist in Nutzungsdaten selten sichtbar.

Wo die Evidenz dünn ist

Vier Grenzen kehren in den Studien wieder. Die meisten messen nur einmal und können daher nicht zeigen, dass sich eine Kapazität verändert hat, statt dass sich eine Leistung unterschied. Selbstbeurteilungsinstrumente dominieren, und Selbstbericht und Aufgabenmaße stimmen nicht überein. Die Trainingsliteratur hat fast keine Follow-ups über einen Monat hinaus. Fast nichts trennt Kompensation experimentell von Entwicklung — genau die Unterscheidung, deren Prüfung das Feld am dringendsten braucht.

Die einzige Übersichtsarbeit, die Offloading mit exekutiven Funktionen verknüpft, ist Papasideri, Chatziioannou und Palaiologos (2026), eine narrative Synthese ohne gepoolte Daten. Sie berichtet, dass stärkeres Offloading mit geringerem selbstberichtetem kritischem Denken und schwächerem selbstregulierten Lernen einhergeht sowie — in der EEG-Studie, die sie zusammenfasst — mit reduzierter Konnektivität unter LLM-Unterstützung. Das sind Assoziationen aus getrennten Studien, kein Mediationsmodell, und die Autoren sagen das auch. Neben den Trainingsbefunden gelesen, schärft die Übersichtsarbeit die zentrale Unterscheidung: Ein Werkzeug kann die Leistung bei der Aufgabe vor den Lernenden steigern und gleichzeitig die Anstrengung senken, die dahinter die Kapazität aufbaut.

Verbreitete Fehlvorstellungen

  • „Exekutive Funktionen sind dasselbe wie Metakognition." Metakognition ist Wissen über das eigene Denken. Exekutive Funktionen sind die Fähigkeit zu halten, zu inhibieren und zu wechseln. Wenn eine Selbstbeurteilungsskala zur Regulation nichts vorhersagt und ein Aufgabenmaß die Leistung vorhersagt, werden die beiden getrennt gemessen.
  • „Ein Werkzeug, das die Leistung verbessert, entwickelt die Kapazität." Kompensation, Scaffolding und Entwicklung sind getrennte Funktionen. Nur bei der Entwicklung ist zu erwarten, dass sie ohne das Werkzeug fortbesteht.
  • „Mehr KI-Nutzung bedeutet schwächere exekutive Funktionen." Sharma und Kolleginnen und Kollegen fanden, dass der Zusammenhang über akademischen Stress verlief, und ein Querschnittsdesign kann keine Richtung bestimmen. Abhängigkeit und Kapazitätsverlust sind korreliert, nicht nachweislich kausal.
  • „Exekutive Funktionen sind eine einzige messbare Sache." Card Sorting, der Flanker-Test und Selbstbeurteilungsinventare messen unterschiedliche Prozesse und stimmen oft nicht überein.
  • „Selbstbeurteilungsskalen diagnostizieren Defizite." Die EFB-LDS-AI misst selbstberichtetes Verlassen auf KI und wahrgenommene Anstrengungsreduktion, was ihre Autoren ausdrücklich von einem klinischen Defizit unterscheiden.

Verbundene Konzepte

Verbundene Artikel

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.