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

Globaler Süden

Erstellt 2026-08-18 · Aktualisiert 2026-10-10

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

Der Globale Süden bezeichnet Länder in Afrika, Asien, Lateinamerika und Ozeanien, die gegenüber dem Globalen Norden häufig ökonomisch, politisch und historisch marginalisiert sind. In der Forschung zu KI in der Bildung werden Kontexte des Globalen Südens zunehmend als unterrepräsentiert in der Evidenzbasis anerkannt, doch sie werfen eigenständige Fragen zu Gerechtigkeit, kultureller Relevanz, Ressourcenbeschränkungen und der epistemischen Dominanz westlicher, anglophoner Trainingsdaten auf.

Fragen zum Nachdenken

  • Wenn ein KI-System in Benchmark-Tests gut abschneidet, die aus westlichen, englischsprachigen Daten gebaut sind — wie sicher können Sie dann sein, dass es für Ihre Studierenden genauso gut funktioniert? Was würden Sie prüfen wollen, bevor Sie ihm in Ihrem eigenen Kontext vertrauen?
  • Stellen Sie sich ein Lernwerkzeug vor, dessen Trainingsdaten und Evaluationsmetriken alle im Globalen Norden entwickelt wurden. Welche Annahmen über Sprache, Wissenstraditionen und Bildungsrealitäten könnte es stillschweigend kodieren — und wer wird durch sie am ehesten falsch dargestellt?
  • Wenn KI-Übernahme untersucht wird — wessen Kursräume und Institutionen dominieren dann typischerweise die Evidenzbasis? Wie könnte das das verzerren, was wir zu wissen glauben darüber, ob KI in der Bildung „funktioniert"?
  • Die Seite argumentiert dafür, die gelebten und gemeinschaftlichen Epistemologien der Lernenden als autoritativ zu behandeln, nicht nur als Zusätze zu westlichen Modellen. Was wäre nötig, damit Ihre eigene KI-bezogene Praxis oder Forschung lokales Wissen zentriert, statt es von anderswo zu importieren?
  • Ressourcenbeschränkungen sind ein wiederkehrendes Thema in Kontexten des Globalen Südens. Wie könnte das Versprechen kostengünstiger, skalierbarer KI-Unterstützung sowohl bestehende Chancenlücken schließen als auch erweitern, je nachdem, wie sie gestaltet und eingesetzt wird?
  • Wie könnten Sie erkennen, ob eine Technologie, die in einem bestimmten Setting „übernommen" wurde, tatsächlich übernommen wurde, weil sie zu den lokalen Bedingungen passte — oder weil angenommen wurde, sie übertrage sich? Welche Belege würden die beiden unterscheiden?

Einführung

Warum das für die AIED zählt

Mainstream-Forschung zu KI und Bildungstechnologie ist historisch von westlichen, englischsprachigen Datensätzen und institutionellen Kontexten dominiert worden. Das erzeugt zwei Probleme: (1) KI-Systeme, die auf solchen Daten trainiert sind, können in Settings des Globalen Südens unterdurchschnittlich abschneiden oder Lernende falsch darstellen, und (2) Evaluations-Benchmarks, die im Globalen Norden gebaut sind, spiegeln möglicherweise nicht die Bildungsrealitäten, Sprachen oder Wissenstraditionen anderer Regionen wider. Forschung aus Kontexten des Globalen Südens in dieser Wissensbasis erstreckt sich über kulturell gegründete Datensätze, Benchmarks und Studien zur Technologieübernahme, mit Implikationen für KI-Kompetenz und Bildung auf der Stufe Hochschule und K-12.

Anwendungen in der Wissensbasis

  • Kulturell gegründete Daten und Benchmarks: IKS-Instruct bietet einen mehrsprachigen Instruction-Datensatz zu Indian Knowledge Systems; NSMQ Riddles führt einen Ghana-basierten STEM-Benchmark ein, einen der ersten Evaluationsdatensätze des Globalen Südens für Bildung.

  • Bewusstsein für KI-Ethik in der ghanaischen Hochschulbildung: Acquah et al. (2026) validierten eine dreifaktorielle Skala (Autonomie, Wohlwollen, Fairness) für KI-Ethik-Bewusstsein mit 509 Universitätsstudierenden in Ghana und fanden fünf latente Profile von durchgängig sehr hohem Bewusstsein bis zu einem kleinen Cluster mit praktisch keinem — am schwächsten bei Wohlwollen — und keine Geschlechterunterschiede, was einen Messanker des Globalen Südens für die KI-Ethik-Literatur liefert.

  • Ethisches Schlussfolgern von Lehrenden in ressourcenarmen Kontexten: Adelana et al. (2026) fanden, dass praktizierende STEAM-Lehrkräfte der Sekundarstufe in einem ressourcenarmen Kontext über KI-Ethik durch professionelle Identität, Kursraumrealitäten und kulturelle Normen schlussfolgern statt durch formelle Prinzipienlisten, was der Annahme „Globaler Süden ohne Ethik" entgegensteht.

  • Kontextuelle Übernahme: Asag & Al Mamun modellieren GenAI-Übernahme unter Ingenieurstudierenden in Bangladesch, und ConnectED setzt ein curriculum-ausgerichtetes System zur Unterrichtsplanung für die vietnamesische Bildung ein.

  • Kapazitätsaufbau, nicht Infrastruktur, bewegte die Übernahme durch Fakultäten. Unter 255 Fakultätsangehörigen in Bangladesch sagte die Haltung gegenüber GenAI die Nutzung stark vorher (β = 0.556) und domänenspezifische Relevanz trieb die Haltung an (β = 0.413), während institutionelle Technologiebereitstellung und subjektive Normen keine signifikanten Prädiktoren waren (Alam et al. (2026)).

  • Institutionelle Integration und strukturelle Ungleichheit: Adeniranye et al. (2026) fanden in einer vergleichenden Inhaltsanalyse von 45 nigerianischen Universitäten (staatlich/Bundesstaat/privat), dass KI-Integration durch das Alter der Institution und ihren geografischen Standort vorhergesagt wird — nicht durch den Governance-Typ —, und dass internationale und industrielle Netzwerkbeziehungen einander verstärken (r = 0.74), sodass gut vernetzte Institutionen ihren Vorteil vergrößern, während andere weiter zurückfallen. Sie verortet digitale Ungleichheit nicht nur auf der Ebene der Lernenden, sondern in der strukturellen Kapazität der Hochschulinstitutionen selbst.

  • Academic Development als digitale Vermittlung unter struktureller Beschränkung: Sithole (2026) interviewt zwölf Academic Developers und Learning Designer in zwei südafrikanischen Historically Disadvantaged Institutions und zieht eine analytische Linie, die die Literatur zum Globalen Süden häufig verwischt: Digitale Ungleichheit ist distributiv und prinzipiell durch Umverteilung und Zugang beantwortbar, während algorithmische Kolonialität epistemisch ist und selbst bei vollem Zugang fortbesteht, weil sie dem innewohnt, was die Systeme kodieren und wessen Wissen sie zentrieren. Beide sind verschränkt, verlangen aber unterschiedliche Antworten, und die Institution ist doppelt positioniert — durch infrastrukturelle Knappheit ausgeschlossen und, wenn eingeschlossen, durch importierte Systeme untergeordnet, die andere Wissensformen und Normen kodieren. Institutionelle KI-Rhetorik („mehr Performance als Praxis") kam locker gekoppelt an die materiellen Realitäten des Unterrichts an, sodass Developers den globalen Diskurs digitaler Transformation in kontextuell tragfähige Praxis übersetzten: Werkzeuge in Peer-Räumen testen und absichtlich „brechen", auf Urteilsvermögen statt Können bestehen und die affektiven Kosten dessen absorbieren, Expertise zu projizieren, die sie noch erwarben.

  • Epistemische Marginalisierung: Tali-Otmani argumentiert, westlich-zentrierte Trainingsdaten marginalisierten nicht-westliche und auf Behinderung zentrierte Wissensformen — und verbinden damit Anliegen des Globalen Südens mit Gerechtigkeit und kulturell relevanter Pädagogik.

  • Behinderung und Inklusion im Globalen Süden: Khlaif et al. (2026) — eine qualitative Fallstudie mit 21 sehbeeinträchtigten Studierenden an drei palästinensischen Universitäten — fanden, dass GenAI für beeinträchtigte Lernende digitale, geografische und sozioökonomische Gräben überbrückt, und erweitern Technologieakzeptanz-Forschung auf Behinderungskontexte, in denen Usability, Erschwinglichkeit und Barrierefreiheit einander gegenseitig verstärken.

  • Für lokale Stressoren unter Ressourcenbeschränkung gestalten: Bashir und Afzal (2026) bauen Sukoon als Designantwort des Globalen Südens auf eine dokumentierte Passungslücke — Chatbots für mentale Gesundheit, die überwiegend auf westlichen Datensätzen und fast ausschließlich auf Englisch trainiert sind, während pakistanische Studierende gleichzeitig akademische, finanzielle, familiäre und relationale Stressoren erleben und emotionale Schwierigkeiten oft wegen Stigmatisierung nicht bei Eltern, Lehrenden oder Peers ansprechen können. Die praktischen Beschränkungen der Autoren sind so aufschlussreich wie ihr Modell: ein frei zugängliches Open-Source-LLM über eine gehostete API für niedrige Ressourcenanforderungen, ein leichtgewichtiges Flask-Deployment für regionale Universitäten, „Werkzeuge sind verfügbar, aber oft teuer" als gelistete Barriere und ungleicher Zugang zu bezahlten Modellen als allgemeines Abhängigkeitsrisiko. Sie halten außerdem fest, dass der Klassifikator auf einem öffentlich verfügbaren Datensatz trainiert wurde, der nicht repräsentativ für pakistanische Studierende ist, und verpflichten sich zu lokal erhobenen DASS-21-Daten, bevor sie bevölkerungsbezogene Schlüsse ziehen.

  • Dünne und werkzeugspezifische Assessment-Belege aus der afrikanischen Hochschulbildung: Ein systematischer Review nach PRISMA 2020 empirischer Forschung, die zwischen 2023 und 2025 publiziert wurde, fand nur zehn Studien, konzentriert in Nigeria und Südafrika und fast ausschließlich mit ChatGPT durchgeführt, sodass das, was über die Neugestaltung von Assessment für generative KI in der afrikanischen Hochschulbildung bekannt ist, auf Studien mit kleinen Stichproben, einzelner Institution und Selbstauskunft beruht statt auf gemessenen Lernzuwächsen — die Autoren des Reviews rahmen ihre Empfehlungen als Richtungen statt als gesicherte Effekte.

  • Gerechtigkeit ist die am wenigsten untersuchte Dimension in der Region. Ein PRISMA-ScR-Scoping-Review von 75 Studien aus dem Globalen Süden (2022–2025) fand Gerechtigkeit als am wenigsten untersuchtes seiner fünf Gebiete trotz ihrer Zentralität für inklusive Bildung und berichtete eine Lücke zwischen den von Studierenden angegebenen ethischen Positionen und ihrem Verhalten (Nguyen & Perkins, 2026).

Implikationen

Globalen-Süden-Kontexte zu beachten erfordert, über die Annahme hinauszugehen, westliche Modelle und Benchmarks übertrugen sich direkt. Es verlangt lokal gegründete Datensätze, kulturell relevante Pädagogik, gemeinschaftszentrierte Evaluationsstandards und Forschung, die die gelebten und gemeinschaftlichen Epistemologien der Lernenden als autoritativ behandelt — in Übereinstimmung mit Rahmenwerken wie gemeinschaftsbasiertem KI-Lernen und Technologieakzeptanz-Forschung, die an lokale Bedingungen angepasst sind.

Die Skalierungsbilanz ist Teil dieses Bildes, und sie ist ernüchternd. Programme, die im Pilotmaßstab funktionieren, funktionieren häufig nicht mehr, wenn Regierungen sie durchführen: Das kenianische Programm, das unter nichtstaatlicher Umsetzung erhebliche Zuwächse erzeugte, zeigte im staatlichen Maßstab keinen nachweisbaren Zuwachs (Bold et al.), Effektstärken fallen tendenziell, wenn Programme wachsen (Vivalt), und die Umsetzungsqualität verdünnt sich, wenn Standorte sich vervielfachen (Al-Ubaydli, List & Suskind). Lateinamerikas eigener Präzedenzfall ist das peruanische One-Laptop-per-Child-Programm — etwa 800.000 verteilte Laptops ohne nachweisbaren Effekt auf Mathematik oder Lesen —, aus dem die gezogene Lehre war, dass Zugang zu Technologie kein Unterricht ist. Restrepo Morales et al. (2026) fügen der Skalierungslehre eine Berichtslehre hinzu: In der El-Salvador-Episode 2026 wurde ein KI-Tutoring-Pilot in 171 Schulen als vergleichbar mit Deutschland und Schweden angekündigt, während die repräsentative PISA-2025-Stichprobe desselben Landes in zwei von drei Fächern keine Bewegung zeigte, und die Pilotdaten waren zu dünn (7,0 bewertete Studierende pro Schule gegenüber 25,4 landesweit), um Selektion als Erklärung auszuschließen. Für Systeme des Globalen Südens, die KI im großen Maßstab übernehmen, ist die Implikation doppelt: Die Evidenz, dass eine Reform funktioniert, betrifft meist die Komponenten, die sie bündelt, statt die Technologie in ihrer Überschrift, und ein vor dem Einsatz geplantes schrittweises Ausrollen identifiziert Effekte zu fast keinen Kosten — was am meisten dort zählt, wo Konnektivität die Phasierung ohnehin diktiert.

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauHigher Ed, K 12
Technologien und VerfahrenGenerative KI
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzKulturell relevante Pädagogik, Gerechtigkeit, Globaler Süden
Grundlagen von KI in der BildungKI-Kompetenz
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.