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

Gruppenarbeit

Erstellt 2026-09-10 · Aktualisiert 2026-10-10

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

Gruppenarbeit — Lernen und benotete Arbeit, die von einem Team statt von einer Einzelperson erzeugt wird, genutzt, um Zusammenarbeit, Kommunikation und geteilte Verantwortung zu entwickeln, während sie zugleich ein Ergebnis und oft eine Note für jedes Mitglied erzeugt. Sie sitzt dort, wo Assessmentdesign und kollaboratives Lernen sich treffen, und sie erbt die Spannungen beider: Trittbrettfahren und soziales Faulenzen, ungleiche Beiträge, Konfliktvermeidung und die Schwierigkeit, ein kollektives Produkt individuellem Lernen zuzuschreiben. Generative KI verschärft diese, weil Teams nun aushandeln müssen, wessen und welche Art von KI-Engagement als akzeptabel gilt — eine Aushandlung, die Handlungsfähigkeit der Lernenden-Forschung zeigt, dass sie sich innerhalb einer einzigen Kohorte in entgegengesetzte Richtungen auflösen kann, und die KI-Agenten, die der Gruppe beitreten, selbst umformen können.

Fragen zum Nachdenken

  • Was erzeugt eine Gruppenaufgabe eigentlich — den Output der Gruppe, das Lernen jedes Mitglieds, oder deren Fähigkeit zusammenzuarbeiten? Wenn diese drei divergieren können, welches von ihnen beglaubigt Ihre Benotung zu beglauben?
  • Denken Sie an ein Gruppenprojekt, an dem Sie beteiligt waren. Wer hat die Arbeit gemacht, wer hat entschieden, was als gute Arbeit zählte, und wer blieb still? Wie viel davon war das Aufgabendesign statt die Personen?
  • Forschung zur Gruppenarbeit findet, dass Studierende oft ablehnen, Trittbrettfahrer zur Rechenschaft zu ziehen, um Beziehungen zu schützen. Wenn ein Gruppenmitglied GenAI nutzt, um seinen Abschnitt zu erzeugen, ist das Trittbrettfahren — oder ist das Urteil komplizierter, als das Wort nahelegt?
  • Eine Gruppe kann über ein einzelnes geteiltes Interface oder über die privaten Prompts jedes Mitglieds auf KI zugreifen. Was erzeugt ehrlichere Zusammenarbeit, und was verbirgt jede davon?
  • Wenn ein KI-Agent Ihrer Gruppe als Teamkollege beiträte — lobend, fragend oder provozierend —, würde das die Zusammenarbeit vertiefen oder umformen, wer sie treibt, ohne dass jemand es merkt? Wie würden Sie den Unterschied feststellen?
  • Kollaborative KI, die Aufgabeneffizienz maximiert, neigt dazu, das selbstregulatorische Engagement der Lernenden zu minimieren. Wenn Sie zwischen dem Ergebnis und dem Ringen wählen müssten, welches würden Sie schützen?
  • Einer Mediator-KI wird nur vertraut, solange sie neutral bleibt. Wenn sie vom Zusammenfassen zum Beraten oder Herausfordern übergeht, erodiert das Vertrauen. Wie neutral sollte die KI einer Gruppe wirklich sein?

Einführung

Gruppenarbeit nimmt einen unverwechselbaren Ort in der Hochschulbildung und professionellen Weiterbildung ein: sie wird für das Aufbauen von Zusammenarbeit, Kommunikation und geteilter Verantwortung geschätzt, und sie ist pädagogisch zentral in professionell orientierten Programmen wie der Lehrkräftebildung. Ihr Versprechen wird jedoch nicht automatisch verwirklicht. Sowohl Lehrende als auch Studierende berichten Hindernisse für effektive Kollaboration, und ein benotetes Gruppenprodukt trägt zwei verschiedene Behauptungen zugleich — über das, was die Gruppe erreichte, und über das, was jede Einzelperson lernte. KI, und generative KI insbesondere, drückt auf beides: sie verändert, wie Arbeit geteilt werden kann, wie leicht Beiträge verschmolzen werden können, und wie das Denken jedes Mitglieds vom Output eines Werkzeugs unterschieden werden kann. Ein großer Teil der Kollaborationslernforschung der Wissensbasis trägt zur Gruppenarbeit bei, und diese Seite stützt sich auf mehrere Stränge davon statt auf eine einzelne Studie.

Warum Gruppenarbeit per Design schwierig ist

  • Trittbrettfahren und soziales Faulenzen. Einige Mitglieder reduzieren ihren Beitrag und die Arbeitslast wird auf engagiertere Peers umverteilt. Aufgabenumfang, Gruppengröße und Zusammensetzung erhöhen die Wahrscheinlichkeit; Rechenschaftsmechanismen und Gruppeneffizienz reduzieren sie.
  • Rechenschaft ist relational ebenso wie strukturell. In Hongkong — wo eine der Gruppenassessmentstudien der Wissensbasis durchgeführt wurde — wählten Undergraduates oft, Trittbrettfahren nicht zu melden, um zwischenmenschliche Beziehungen zu schützen, und erledigten die Arbeit selbst, statt das Problem zu konfrontieren. Die Handlungsfähigkeit der Studierenden kann daher die Form annehmen, die Note zu verfolgen, während sie den Konflikt vermeidet.
  • Die Kollaboration muss gestaltet werden, nicht angenommen werden. Wo eine Aufgabe in unabhängige Teilaufgaben partitioniert werden kann, nehmen Studierende diesen Weg und die Gruppe wird zu einem Einreichungsformat statt zu einem gemeinsamen intellektuellen Unterfangen. Chen und Zou (2026) fanden drei ihrer fünfzehn Gruppen genau dabei — die Arbeit teilend, auf „individuellen Plattformen“ arbeitend und ihre individuellen GenAI-Fähigkeiten nie bündelnd, selbst wenn Kohärenz ein explizites Assessmentkriterium war.
  • Prozess versus Produkt. Gruppenarbeit ist am stärksten, wenn der Prozess neben dem Output bewertet wird, was Peer-Bewertung oder andere sichtbare Zwischenergebnisse erfordert statt eines einzelnen finalen Artefakts.
  • Gerechtigkeit und Inklusion. Beitragsnormen, Sprache und Vertrauen verteilen sich ungleich innerhalb von Gruppen. Neurodivergente Studierende berichten, strukturierte Aufgaben, kleine konstante Teams und explizit definierte Rollen zu brauchen — Anforderungen, die KI-Kollaborationswerkzeuge, oft für die „durchschnittliche“ lernende Person gebaut, routinemäßig nicht erfüllen.

Wie KI Gruppenarbeit verändert

Forschung zu KI in der Gruppenarbeit adressiert zwei verschiedene Dinge: was KI zur Aufgabe einer Gruppe hinzufügt, und was KI mit dem Prozess der Gruppe tut. Beides zählt, und die Befunde der Wissensbasis erstrecken sich über sie.

KI als Koordinationsinfrastruktur

Der direkteste Befund zu GenAI und Gruppenassessment ist Chen und Zous (2026) Drei-Muster-Studie an fünfzehn Lehramtsgruppen. Statt eines einzelnen Enthusiasmus-zu-Vermeidung-Spektrums lief Handlungsfähigkeit in drei Richtungen zugleich.

Muster Gruppen Praxis Begründung
Kooperationsorientierte Handlungsfähigkeit 5 Intensivierte GenAI-Nutzung Kohärenz, Leistung, geteilte Normen, die wahrgenommenes Risiko senken
Normative Handlungsfähigkeit 7 Bewusst zurückhaltende Nutzung Authentizität, Fairness, Originalität, Vielfalt der Perspektiven
Nicht-vollzogene Handlungsfähigkeit 3 Unverändert gegenüber individueller Arbeit Aufgabe partitioniert; kollektive Interaktion als kostspielig betrachtet
  • GenAI als Koordinationsinfrastruktur. Studierende intensivierten Nutzung, um ein vertrautes Kollaborationsproblem zu lösen — nicht zu wissen, was die Abschnitte der Peers enthielten. Diese Abschnitte in einen Chatbot zu füttern, um sie zu dekodieren und abzustimmen, machte verteiltes Wissen gegenseitig intelligibel, und eine Gruppe baute ihren Arbeitsablauf als „Diskussion → Externalisierung zu GenAI → kollektive Review → Re-Diskussion“ neu. Die Autoren lesen dies als über kognitive Auslagerung hinausgehend, da Urteil bei den Studierenden blieb, während das Werkzeug Koordinationsarbeit absorbierte, während sie warnen, dass der glattere Arbeitsablauf die Uneinigkeit umgehen kann, durch die Kohäsion aufgebaut wird.
  • Gruppennormen können Rechenschaft umkehren. Ein permissives kollektives Klima senkte das wahrgenommene Missbrauchsrisiko („es ist angenehmer, weil außer mir alle in meiner Gruppe GenAI nutzen“), was geteilte Normen in geteiltes Risikomanagement verwandelte statt in Verpflichtung zum Lernen — das Gegenteil von dem, was Gruppenrechenschaft erreichen soll.
  • Zurückhaltung ist auch handlungsfähig. Sieben Gruppen schnitten ihre GenAI-Nutzung zu, um das situierte Wissen der Aufgabe zu schützen („KI weiß nur diesen Moment, wenn du tippst“), um effektives Trittbrettfahren auf Kosten von Gruppenkolleginnen und -kollegen zu vermeiden, um die Originalität zu bewahren, die Gruppen voneinander unterscheidet, und um die Vielfalt der Perspektiven zu erhalten, die die Gruppe bereits hatte — normative Selbstregulation statt bloße Compliance, und von außen schwer von Desengagement zu unterscheiden.

Wie die Gruppe auf KI zugreift, prägt die Zusammenarbeit

Xu et al. (2026) zeigen, dass wie ein Team auf GenAI zugreift, selbst eine Designentscheidung ist. Mit einem einzelnen geteilten Interface in synchroner Arbeit ko-konstruieren Teams „kollektive Prompts“, führen einen Oberfläche-Evaluieren-Einbetten-Zyklus und behandeln den Chat als geteiltes Gedächtnis; in asynchroner Arbeit fragmentieren privates Prompting und „De-Labeling“ von Output Transparenz und erhöhen die Kosten, ein geteiltes kognitives Modell aufrechtzuerhalten. Zugriffskonfiguration verbindet sich daher direkt mit der Qualität interaktiven Engagements — ob die Gruppe echt ko-konstruiert oder bloß mit-approved.

KI als Gruppenmitglied formt die Gruppe um

Eine zweite Forschungsrichtung behandelt KI als Teilnehmer statt als Werkzeug, und ihre Befunde verkomplizieren die Annahme, dass „KI-Teamkollege“ „bessere Teamarbeit“ bedeutet.

  • Agenten als sozialer Stabilisator — und ein Magnet für Fragen. In fünfzehn Gruppen mit drei STEM-Studierenden, die Ethik mit drei Große Sprachmodelle (LLMs)-Teilnehmern berieten (Seo et al., 2026), hielten die Agenten Gruppen beim Thema, wenn menschliche Mitglieder abdriften („selbst wenn die beiden anderen Teilnehmer abdrifteten, musste ich es nicht handhaben“), und forderten Klärungen heraus, die Menschen aus relationalen Gründen vermieden. Aber die Gruppendynamik verschob die Interaktion weg von Menschen — 79,7% der Fragen richteten sich an Agenten (p = .017) —, und Teilnehmende bemerkten einen Breite-Tiefe-Trade-off im Turn-Stacking-Format, wo jeder Sprecher reihum das Wort nahm und „andere Teilnehmer nicht intervenieren konnten“, was es leicht machte, viele Ideen abzudecken, aber schwer, irgendeine in der Tiefe zu erkunden.
  • KI-Personen rekonfigurieren entstehende Handlungsfähigkeit. Jin et al. (2026), in einem Experiment, in dem KI als nicht offengelegter Teamkollege operierte, fanden, dass supportive und konträre Personas die Gruppe dennoch umformten: konträre KI zog den Diskurs hin zu Herausforderung und Reflexion (produktive Reibung), während supportive KI Übereinstimmung stabilisierte und Ideenfindung erneuerte. Kritisch hatte die Reibung affektive Kosten — konträre KI reduzierte Teamarbeitszufriedenheit und psychologische Sicherheit ohne kreative Zuwächse zu ergeben —, sodass „produktive“ Diskursstrukturen gegen ihre emotionalen Folgen abgewogen werden müssen. Weil die Personas selbst ohne Offenlegung wirkten, positionieren sie Persona-Design als eine Form unsichtbarer Governance über Gruppenkollaboration.
  • Kontroverse kann Gruppendenken entgegenwirken. Wiss et al. (2025) gingen absichtlich den entgegengesetzten Weg: ein KI-Agent (CALIE), darauf programmiert, kontroverse Standpunkte in zwölf interprofessionelle PBL-Teams zu injizieren, stimulierte kritisches Denken und positive Gruppendynamik und wirkte dem Konformitätsdruck entgegen, den Gruppenarbeit sonst erzeugen kann. Der Kontrast zu Jin et al. ist lehrreich — Herausforderung hilft, wenn sie das beabsichtigte Design ist, und schadet, wenn sie ein nicht anerkannter Seiteneffekt ist.
  • Die Neutral-Mediator-Bedingung. Spritz, eine KI, die Disziplingrenzen in interdisziplinären Teams mediiert, indem sie implizite Annahmen aufdeckt, wurde sowohl als kognitive Stütze als auch als relationaler Puffer geschätzt — aber das Vertrauen der Studierenden war tragend und erodierte in dem Moment, in dem die KI von neutralem Mediator zu Berater oder Herausforderer wechselte. Rollenwechsel müssen daher explizit und konfigurierbar sein, nicht still.
  • Kollaboration kann selbst der Gegenstand von Instruktion sein. ProPACT behandelt die Dyade — nicht das Individuum — als Analyseeinheit, modelliert gemeinsame Aufmerksamkeit und Anstrengung, um kollaborative Zusammenbrüche bis zu 30 Sekunden im Voraus vorherzusagen. Dyaden, die proaktives Feedback erhielten, erreichten höheren Debugging-Erfolg und zeigten anhaltende Zuwächse in kollaborativer Regulierung danach: KI kann Zusammenarbeit selbst lehren, nicht nur eine Aufgabe stützen.

Der Effizienz-Regulierungs-Trade-off

Hao et al. identifizierten drei kollaborative Modi mit KI bei komplexen Problemen — Delegiertes Schlussfolgern, Konzertierte Interpretation und Delegierte Elaboration. Der effizienteste Modus (delegiertes Schlussfolgern) ergibt die beste Aufgabenleistung, aber das niedrigste selbstregulatorische Engagement; der Modus mit größter Selbstregulation (konzertierte Interpretation) leistet bei der Aufgabe weniger. Das ist die zentrale Designspannung für KI-vermittelte Gruppenarbeit: die Effizienz des verteilten Mensch-KI-Systems gegen die Tiefe des regulatorischen Engagements der Lernenden abwägen.

Das epistemische Risiko polierten Outputs

Kimmerle konzeptualisiert das Risiko reduzierten epistemischen Aufwands, wenn Lernende KI nutzen, um polierte Wissensartefakte zu erzeugen — Automatisierungsbias auf der sozial-kognitiven Seite und epistemische Schließung, induziert vom fertigen Artefakt auf der anderen. Das Gegenmittel ist, KI als argumentativen Partner oder Herausforderer zu strukturieren, der Konflikt bewahrt. Der Gegenpunkt kommt von Oppenheimer et al., die fanden, dass, wenn LLMs als Kritikpartner agieren und Studierende ihre Behauptungen aktiv widerlegen, Lernende sich als kritische Konsumenten verhalten, die den kognitiven Konflikt der Kritik bewahren statt ihn aufzugeben. Der Unterschied zwischen einem antwortgebenden Teamkollegen und einem herausfordernden Partner bestimmt, ob Gruppenarbeit mit KI Denken aufbaut oder umgeht.

Klassenweite, nicht-evaluative Unterstützung

CoBi erkennt „aufbauenden“ Kleingruppendiskurs (Respekt, Gerechtigkeit, Gemeinschaft, Denken voranbringen) und gibt nicht-evaluative, klassenweite Visualisierungen zurück — wobei es studierenden- oder gruppenebenes Feedback bewusst vorenthält, um Datenschutz und Vertrauen zu schützen. Studierende bevorzugten qualitative Visualisierungen (einen organischen Baum) gegenüber quantitativen (einem Radardiagramm). Für die relationale Dimension der Gruppenarbeit stützt klassenweites aggregiertes Feedback den Gemeinschaftsaufbau, wo individuelle Benotung sich überwacht anfühlen würde.

Designfolgerungen

  • Die Aushandlung über KI-Nutzung zu einem bewertbaren Ergebnis machen. Chen und Zou (2026) argumentieren, Teams sollten begründen und dokumentieren, wie GenAI genutzt und nicht genutzt wird, was eine implizite Peer-Norm in explizites, benotbares Schlussfolgern verwandelt, statt es dem wahrgenommenen Risiko zu überlassen.
  • Prozess bewerten, nicht nur Produkt. Peer-Bewertung, Zwischenergebnisse und reflexive Beiträge schaffen die Interaktionen, durch die Normen und geteiltes Verstehen tatsächlich konstruiert werden.
  • Nicht auf ein Kohärenzkriterium allein verlassen. Eine Rubrikzeile, die Integration verlangt, erzeugt keine Kollaboration, wenn die Aufgabenstruktur weiterhin Teilen-und-Erobern erlaubt; der Arbeitsablauf muss gemeinsame Arbeit erfordern.
  • Zugriff bewusst gestalten. Ob die Gruppe ein KI-Interface teilt oder jedes Mitglied privat promptet, verändert die Transparenz der Zusammenarbeit und die Kosten, ein geteiltes kognitives Modell aufrechtzuerhalten.
  • Sichtbar entscheiden, welche Rolle die KI hat. Ein neutraler Mediator wird vertraut; ein Berater oder Herausforderer wird es nicht, es sei denn, diese Rolle ist explizit und beabsichtigt. Eine konträre Persona kann Gruppendenken entgegenwirken, aber nur als gestaltetes Merkmal mit anerkannten psychologischen Sicherheitskosten.
  • Effizienz gegen Selbstregulation abwägen. Kollaborative KI, die Aufgabeneffizienz maximiert, kann das regulatorische Engagement der Lernenden unterlaufen; Design sollte Raum für konzertierte Interpretation bewusst schützen.
  • Einen argumentativen Partner gegenüber einem Antwortgeber bevorzugen. KI so strukturieren, dass sie Uneinigkeit aufdeckt statt sie zu glätten, sodass Gruppenarbeit den kognitiven Konflikt bewahrt, der Verstehen aufbaut.
  • Neurodivergente Lernende aufnehmen. Strukturierte Aufgaben, kleine konstante Teams und explizite Rollendefinitionen sind Anforderungen, die KI-Kollaborationswerkzeuge stützen müssen.
  • Zurückhaltung sorgfältig lesen. Studierende, die KI in Gruppen vermeiden, können normative Selbstregulation ausüben — oder sich gegen Risiko und Unvertrautheit schützen. Die zwei verlangen verschiedene Lehrendenreaktionen.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauHigher Ed
ZielgruppeInstructors, Learners
Lernen und UnterrichtKollaboratives Lernen
Technologien und VerfahrenGenerative KI
Assessment und MessungLeistungsbeurteilung, Authentisches Assessment, Peer-Prüfung
Grundlagen von KI in der BildungAkademische Integrität, Handlungsfähigkeit der Lernenden
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.