Hochschulbildung

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

Hochschulbildung — die Integration künstlicher Intelligenz in universitäres Lehren, Lernen, Prüfen und Verwalten an Hochschulen. Hochschulbildung ist der am meisten untersuchte Kontext in der Wissensbasis, mit über 100 Artikeln, die untersuchen, wie KI Unterricht auf College-Niveau, institutionelle Politik und Erleben der Studierenden transformiert. KI in der Hochschulbildung ist sowohl das dominante Setting für AIED-Forschung als auch der Ort, wo ihre Spannungen am sichtbarsten sind — zwischen dem Versprechen generativer KI auf skalierbare Personalisierung und ihren Risiken für Integrität, Lernen, Datenschutz und Gerechtigkeit. Sie umfasst sowohl grundständiges als auch Graduiertenstudium, einschließlich professioneller Programme wie Medizin und Wirtschaft.

Fragen zum Nachdenken

• Hochschulbildung ist der Ort, wo die Spannungen von KI am sichtbarsten sind — skalierbare Personalisierung gegenüber Risiken für Integrität, Lernen, Datenschutz und Gerechtigkeit. Welche dieser Spannungen sehen Sie in Ihrer eigenen Institution am konkretesten spielen?
• Große Studien offenbaren Lücken zwischen institutioneller Politik und dem, was Lernende tatsächlich Tag für Tag mit KI tun. Warum, denken Sie, divergiert offizielle Politik so oft von echter Studierendenpraxis?
• Die Seite rahmt KI-Übernahme als ungleichmäßig — manche Institutionen transformieren, andere hinken hinter, geprägt von organisationalen Treibern und nationaler Politik. Welche Faktoren bestimmen Ihrer Meinung nach, ob sich eine Universität anpasst oder stillsteht?
• Da KI personalisierte Eins-zu-eins-Unterstützung nahezu kostenlos und universell macht — wie verschiebt das den Wert und die Rolle der Universität selbst? Was wird knapper und daher wertvoller?
• Ein Befund hält einen Rückgang der Lernzeit unter Collegestudierenden fest, die KI nutzen. Wenn Lernende weniger Zeit mit Lernen verbringen, aber Zufriedenheit berichten — was legt das nahe darüber, was Institutionen messen und bewahren sollten?
• Angesichts der Lücke zwischen selbstbewerteter und tatsächlicher KI-Bereitschaft der Fakultäten — wie würde sinnvolle Fakultätsentwicklung in Ihrem Kontext aussehen, und wer sollte dafür verantwortlich sein?

Einführung

KI-Forschung in der Hochschulbildung erstreckt sich über jede Funktion der Universität: von KI-Tutoring und automatisierter Bewertung über Fakultätsentwicklung, akademische Integrität und institutionelle Governance bis zu Studierendenunterstützung. Die Artikel zu Hochschulbildung der Wissensbasis bündeln sich um mehrere Schlüsselthemen — institutionelle Transformation, Erleben der Studierenden im großen Maßstab, Fakultäten und Unterrichten, Assessment und Integrität, sowie der rasche Wandel in Politik und Praxis.

Institutionelle Transformation

Rahmenwerke institutionellen Wandels analysieren, wie Universitäten sich an KI anpassen — nicht nur auf Kursraumebene, sondern über Politik, Governance und Organisationsstruktur. Das EPIQ-AI-Rahmenwerk rahmt Bereitschaft der Fakultäten als soziotechnische Ausrichtungsherausforderung mit epistemischen, pädagogischen, institutionellen und Qualitätsdomänen. Rethinking universities in the AI era untersucht, ob aktuelle institutionelle Modelle KI-getriebene Bildung aufnehmen können. Übernahme ist nicht uniform: Forschung zu organisationalen Treibern identifiziert, was institutionelle Aufnahme ermöglicht oder blockiert, und Analysen nationaler Politik zeigen, wie systemischer Kontext die Antworten von Universitäten prägt. Ein konkretes institutionelles Blueprint stammt von Qin (2026), der Lingnan Universitys Neupositionierung als „Research-Intensive Liberal Arts Institution in the Digital Era" dokumentiert, GenAI-Kompetenz für alle grundständig Studierenden verpflichtend macht und digitale Kompetenz über den Common Core einbettet, während er ein Human-in-the-Loop-Modell entwickelt, das ethisches Schlussfolgern und kritisches Urteilsvermögen in den Vordergrund stellt —, und argumentiert, der KI-für-Bildung-Wandel sei eine intellektuelle Transformation, keine technozentrische Augmentation. Makroebene-Kartierung von 22 Interventionen zur KI-Integration in der Hochschulbildung (AlSheikh et al., 2026) verstärkt, dass Transformation mehr Aspiration als Realität bleibt: Am SAMR-Modell bewertet, sitzen die meisten Interventionen auf Substitution oder Augmentation, Integration ist in Medizin, Ingenieurwesen und Informatik konzentriert mit wenig Präsenz der Geisteswissenschaften, und die Evidenz tendiert zu Nordamerika und Asien mit minimaler Repräsentation des Globalen Südens. Ein globaler Vergleichsindex misst die Diskurs-Struktur-Lücke. Chan (2026) kodierte die offiziellen Websites aller 100 Universitäten des Times Higher Education Rankings 2026 gegen einen 20-Indikatoren-Index der KI-Institutionalisierung. Die symbolische Schicht ist gesättigt, während die strukturelle dünn ist: 100% haben eine KI-Task-Force und einen KI-Masterstudiengang, aber nur 12% haben eine KI-Führung auf Executive-Ebene, 5% verlangen einen einführenden KI-Kurs für grundständig Studierende, und 0% veröffentlichen eine Richtlinie zur Barrierefreiheit von KI, obwohl 93% KI-gestützte Campusdienste einsetzen.

Institutionalisierung erwies sich zudem als unabhängig vom Prestige (Rangkorrelation r ≈ 0,04), mit signifikanter regionaler Variation (ANOVA F = 5,86, p < .001; Nordamerika M = 0,63 gegenüber Europa 0,51, Asien 0,50) und einer Typologie aus sechs Modellen, in der nur eine kleine Teilmenge, überwiegend große öffentliche US-Universitäten, „tiefe Institutionalisierung“ erreicht. Die Autorin bzw. der Autor markiert den Index als erstgenerations, nicht validiertes, website-basiertes Maß für die elitären Top 100 — eine vergleichende Karte, kein Zeugnis.

Welche Formen der GenAI-Nutzung eine Institution legitim gemacht hat, ist selbst messbar. Sun, Dohn und Rehm (2026) klassifizierten 102 empirische Hochschulbildungsstudien danach, wie epistemische Arbeit zwischen Studierenden und System verteilt war, und fanden, dass Assistant- (42,16%) und Enabler-Anwendungen (42,16%) dominierten, während Generator, Reimaginator und Synthesizer zusammen weniger als ein Fünftel des Korpus ausmachten —, nicht weil die Modelle den Rest nicht könnten, sondern weil die marginalen Formen Urheberschaft auf Weisen verteilen, die die individuelle-Kompetenz-Logik der Universität noch nicht anerkennt. Nach ihrer Darstellung ist die bindende Beschränkung für GenAI in der Hochschulbildung institutionelle Legitimität statt technischer Fähigkeit, was die Frage genau in dasselbe Politik- und Assessment-Neugestaltungsterritorium legt wie Integritäts- und Assessmentreform.

KI-Einsatz außerhalb des Kursraums ist zu einer Verbraucherschutzfrage geworden, und die Studierendenseite-Inventarisierung davon ist dünn. Student Defenses SHAPE-AI-Bericht (2026) kartiert institutionelle KI-Nutzung über Zulassung, Rekrutierung und Finanzhilfe, Studierendenerfolg-Dienste (Beratung, Counseling, Zugang zu Leistungen, Kredittransfer) und Bildungsvermittlung — LMS-eingebettete Features von Canvas, Blackboard und D2L Brightspace, institutionsweite GenAI-Plattformen, Tutoring- und Feedbacksysteme, Detektion und Aufsicht —, und argumentiert, Übernahme laufe dem Schutz davon. Seine sechs querschnittenden Anliegen (ob Lernende bekommen, wofür sie bezahlen, der Verlust von Lerngemeinschaften, Offenlegung und Transparenz, Datenschutz, Bias und kalibrierte menschliche Aufsicht) sind mit einem Vier-Fragen-Beschaffungsscreen verbunden: welches Problem gelöst wird, ob Governance-Kapazität existiert, ob die Institution transparent ist, und ob der Einsatz Wert für Lernende erzeugt. Die Position des Berichts ist, dass Staaten, Akkreditierer und das föderale Bildungsministerium noch nicht ausgestattet sind, diese Risiken zu erkennen, wodurch die eigene geschriebene Politik der Institution zum operativen Schutz wird, und er benennt den Fehlschlagmodus direkt: Ein College, der ein fakultätsgeführtes Programm vermarktet, während Unterricht oder Kursdesign an KI oder Drittanbieter ausgelagert ist, verkauft ein anderes Produkt unter eigenem Namen.

Erleben der Studierenden im großen Maßstab

Großmaßstäbliche Studien zu authentischer Studierenden-KI-Nutzung und GenAI-Verfügbarkeit und Zufriedenheit dokumentieren, wie Lernende KI tatsächlich nutzen —, und offenbaren Lücken zwischen institutioneller Politik und Alltagspraxis. Umfrageforschung erfasst, wie Lernende die KI-Landschaft navigieren, und Studien zu Lernzeit, KI-Fähigkeiten für Absolventinnen und Absolventen und Wahrnehmungen von KI-Werkzeugen durch Lernende zeigen, dass das Erleben von KI durch Lernende gemischt ist — effizient, aber oft flacher. Viel dieses universitären Lernens geschieht heute online, wo Online-Lehre und -Lernen sowohl die Vorteile von KI (skalierbare Personalisierung, ständige Unterstützung) als auch ihre Risiken (akademische Integrität, kognitive Entlastung) für Collegestudierende prägt. Ein explorativer ML-Ansatz mit SHAP-Analyse untersuchte, wie Wahrnehmungen und Demografie der Lernenden zu beabsichtigter akademischer ChatGPT-Nutzung in Beziehung stehen, und priorisierte Interpretierbarkeit (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). In Kunst- und Designbildung, wo generative KI den Wert menschlicher Kreativität infrage stellt, kultivierte ein projektbasiertes Lernmodell mit digitalem Storytelling im Kern die emotionalen, kulturellen und narrativen Fähigkeiten, die KI fehlen —, evaluiert durch eine 15-wöchige eingebettete Fallstudie mit 426 chinesischen grundständig Studierenden, die lokales kulturelles Erbe in multimodale Narrative übersetzten (In the AI era: A project-based digital storytelling framework for art and design education). Assistive und inklusive Nutzungen von GenAI formen auch das Erleben der Studierenden für beeinträchtigte Lernende neu: Khlaif et al. (2026) — eine qualitative Fallstudie von 21 sehbeeinträchtigten grundständig Studierenden an drei palästinensischen Universitäten — fanden, dass GenAI Tempo, Inhalt und Vermittlung an individuelle Profile anpasst, komplexe Texte vereinfacht und Inhalte über Modalitäten hinweg konvertiert, was Lernenden ein Gefühl von Autonomie und Zuversicht bei der Teilnahme im Kursraum gibt, während sie als Ergänzung statt Ersatz für Lehrende betrachtet wird.

Jenseits des Kursraums erreicht KI Lernende durch die Institution selbst — Beratung, Ansprache, Weiterverweis und die Allokation knapper Unterstützung —, was Studierendenunterstützung und -erfolg als eigenen Evidenzkörper versammelt. Seine zentrale Mahnung zum Maßstab stammt von einer vierjährigen randomisierten Evaluation (N = 8,708), in der Anmeldeanstöße eine Frist um 34 Prozentpunkte bewegten, während Abschluss, Kredite und GPA sich überhaupt nicht bewegten.

Graduierten- und Berufsbildung

Die Wissensbasis ist stark auf grundständiges Studium gewichtet, und sie beherbergt Graduierten- und Berufsvorbereitung innerhalb fachspezifischer Seiten (Medizin- und Gesundheitsberufsbildung, Wirtschaftsbildung, Lehrkräftebildung) statt in einer separaten Graduiertenbildungsseite. Zwei Stränge betreffen dennoch spezifisch Master-, Promotions- und Berufsstudierende: Forschungsschulung und Berufsstudiengänge.

Postgraduierte Forschungspraxis ist die unverwechselbarere der beiden. Dai und Chan (2026) analysierten, wie 28 postgraduierte Forschungsstudierende über sieben Fokusgruppen KI-Kompetenz in ihrer GenAI-assistierten Forschung vollzogen, und fanden sie als kalibrierte Nutzende statt passive Übernehmende — Werkzeuge nach Aufgaben anhand wahrgenommener Einsätze und fachlicher Normen anpassend, menschliche Aufsicht behaltend, und ihre eigenen Grenzen zwischen akzeptabler Entwurfshilfe und Substitution ihres Schlussfolgerns ziehend. Ihr Kernbefund ist eine Politiklücke: Institutionelle GenAI-Leitlinien adressieren Lehren, Lernen und Assessment, sagen aber fast nichts über den Forschungsprozess, daher schlagen die Autoren forschende-orientierte Leitlinien vor, die jede KI-Kompetenzdimension über den Forschungsablauf für Forschende und ihre Betreuenden stützen. Oh, Talton und Bui (2026) nähern sich derselben Population von der institutionellen Seite: Unter 93 Graduiertenstudierenden und Postdoktorandinnen und -den in den Biowissenschaften in einem Pflichtkurs Forschungsethik informierten drei einfache Verhaltenssignale vor der Instruktion leichtgewichtige Intake-Profilierung für adaptiven KI-Ethikunterricht, während frühere KI-Kursarbeit keine der fünf Wahrnehmungsergebnisse vorhersagte. KI formt auch das Forschungsteam selbst neu — Analyse von 147,074 Publikationen seit 2020 assoziiert KI-assistiertes Schreiben mit kleineren, junior-lastigeren Teams, die hochzitierte Arbeit produzieren, und kehrt damit die jahrzehntelange „Big Science"-Drift hin zu größeren Kollaborationen um —, und eine Einzelforscher-Fallstudie dokumentiert, wie anhaltende agentische Unterstützung innerhalb des eigenen Arbeitsablaufs einer Forscherin aussieht.

Berufsstudiengänge halten den Großteil der graduiertenbezogenen Evidenz, und sie ist nach Fach organisiert. In der Gesundheitsberufsbildung testete ein randomisierter kontrollierter Versuch mit 100 Medizinstudierenden im dritten Jahr ein Multi-Agent-LLM-System — simulierte Patientin, sokratischer Tutor, wendungsebenes Evaluationswerkzeug —, organisiert um ausdrückliche Scaffoldingfunktionen für klinisches Gesprächstraining, während das SCAN-Rahmenwerk KI-Nutzung durch Auszubildende als Problem der Aufgabenverteilung und metakognitiven Echtzeit-Klassifikation neu rahmt statt als Missbrauch durch Lernende. Master-Niveau-Vorbereitung erscheint in Zhu et al. (2026), deren D–T–E-Modell die Unterrichtsdesign-Kompetenz von M.Ed.-Studierenden der Mathematikbildung erhöhte (Cohen's d = 0,62), indem drei LLMs als „intelligente Gutachtende" in einer Design-Feedback-Reflexion-Schleife agierten. How students conceptualize GenAI and their own professionalisation schneidet über diese Programme hinweg, während Arbeitsplatz- und berufsbegleitendes Weiterlernen — angrenzend an, aber verschieden von Graduiertenstudium — unter Erwachsenenbildung und berufliche Weiterbildung behandelt wird.

Fakultäten und Unterrichten

Forschung zu Lehr- und Curriculumsentwicklung untersucht, wie Lehrende KI übernehmen, sich ihr widersetzen oder sich an sie anpassen. Studien zur KI-Übernahme durch Lehrende identifizieren Zuversicht, Unterstützung und Einstellung als Schlüsselprädiktoren. Forschung zu KI-assistiertem diskretionärem Feedback erkundet, ob KI Feedbackqualität und -quantität bei Lehrenden erhöht, und Ethikforschung wägt, ob Lehrende KI überhaupt für Feedback nutzen sollten. Personalperspektiven-Forschung und phänomenografische Studien zu Vorstellungen von Lehrenden erkunden, wie Pädagoginnen und Pädagogen ihre sich verändernde Rolle verstehen. In Großveranstaltungen kann KI heute einen wachsenden Anteil der Feedbacklast schultern: Ein semesterlanges Feldexperiment in grundständigen Makroökonomie-Tutorien (Geschwind et al., 2026) fand, dass individuelles GPT-4-Feedback die höchste Teilnahme über acht offene Aufgaben hinweg aufrechterhielt und die größten inhaltlichen Lernzuwächse erzeugte, und positionierte KI-Feedback als skalierbare Ergänzung zu Dozierendenfeedback und Ersatz für unzuverlässiges Peer-Feedback. Ein komplementärer Weg für große grundständige STEM-Kurse ist ein diagnostisches Teaching-Assistant-System: Arthur (Yin et al. 2026) nutzt ein ML-Backbone pro Frage, um Echtzeit- und personalisiertes Feedback zu Engineering-Economics-Calculated-Formula-Questions zu geben — einer Domäne, in der handschriftliche Lösungen zuvor KI-Unterstützung blockiert hatten —, über eine dialogbasierte, fragenspeichergestützte Weboberfläche, die Feedbackgenauigkeit gegen Erhebungseffizienz abwägt. Farazouli et al. (2026) halten die emotionale Dimension dieses Wandels fest: 24 schwedische Universitätslehrende erlebten GAIs Aufkommen als alarmierend und überwältigend, berichteten einen „state of vulnerability" (geringe Zuversicht, Unsicherheit, Angst, „nicht vor den Studierenden zu sein") und fühlten sich „stuck" zwischen utopischen und dystopischen Diskursen —, während sie Assessment überdachten und ihre Prioritäten hin zu kritischem Denken und ethischem GAI-Gebrauch neu bewerteten.

Assessment und Integrität

Forschung zu akademischer Integrität und KI-Assessment-Reform ringt damit, wie Universitäten Evaluation für einen KI-fähigen Studierendenkörper neu gestalten sollten. Detektionszentrierte Ansätze weichen authentischem Prüfen und prozessbasierter Evaluation, einschließlich mündlicher Prüfungen, assessment twins und authentischer Assessment-Neugestaltung. Der Wandel spiegelt ein tieferes Anliegen: wie Lernende und Institutionen Fälschen mit KI definieren, und die Qualität KI-generierter Assessmentmaterialien. Automatisierung der Bewertung selbst reift für offene universitäre Arbeit: Pecuchova, Benko & Drlik (2025) benchmarkten elf GenAI- und Sentence-Embedding-Modelle an 1,885 Antworten auf 24 Softwaretechnik-Klausurfragen und fanden, dass nur GPTo1 fast perfekte Übereinstimmung mit zwei menschlichen Expertinnen- und Expertenbewertenden erreichte (Fleiss' Kappa 0,82), wobei kontextsensitive Modelle referenzbasierte übertrafen —, aber seine proprietären API-Kosten führten die Autoren dazu, hybriden Human-in-the-Loop-Einsatz für ressourcenbeschränkte Institutionen zu empfehlen. Auf Berufsprogrammebene zeigen Olvet et al. (2026), dass LLM- (GPT-4-)Bewertung offener Klausurfragen in der medizinischen Vorbereitung auf den klinischen Teil substantielle bis fast perfekte Übereinstimmung mit Fakultätsbewertenden erreichen kann (gewichtetes Kappa bis 0,94) nach iterativer menschlicher Rubrikverfeinerung, während die Autoren dennoch empfehlen, Menschen in der Schleife zu halten, um residuale Diskrepanzen zu schlichten. Als Ergänzung dieser Modellebene-Evidenz bewerteten Falahat, Das, Bhaumik & Thambi (2026) eine 21-Item-Universitätspharmazieprüfung mit ChatGPT-5 und fanden nahezu perfekte Übereinstimmung mit Fakultäten bei objektiven Items (CCC 0,935–1,000), aber unzuverlässige Übereinstimmung bei Kurzantwort- und Aufsatzitems, wobei Rubrikbereitstellung die Leistung nicht konsistent verbesserte —, was den Fall für hybride, Human-in-the-Loop-Bewertung im universitären Assessment verstärkt.

Implikationen für Lehrende in der Hochschulbildung

• Gestalten Sie Assessment für einen KI-fähigen Studierendenkörper. Detektionszentrierte Integritätsansätze weichen authentischer und prozessbasierter Evaluation (beyond detection, Assessment-Reform) — gestalten Sie neu, was Sie bewerten, nicht nur, wie Sie es überwachen.
• Gestalten Sie die Frage „Was sollten Lernende noch von Hand lernen?" neu. Entscheiden Sie wie im Computing, welche Fähigkeiten erhalten bleiben müssen (Verifikation, Urteilsvermögen, Prozess), und machen Sie diese zum bewerteten Kern, statt anzunehmen, KI-Fähigkeiten übertragen sich automatisch.
• Behandeln Sie Bereitschaft der Fakultäten als soziotechnisch, nicht nur technisch. EPIQ-AI rahmt Bereitschaft über epistemische, pädagogische, institutionelle und Qualitätsdomänen hinweg — richten Sie Ihre Unterrichtspraxis an institutioneller Governance aus, nicht nur an Werkzeugflüssigkeit.
• Adressieren Sie die Politik-Praxis-Lücke. Großmaßstäbliche Studien (AI in the wild) zeigen, dass Lernende KI auf Weisen nutzen, die institutionelle Politik nicht antizipiert — richten Sie Ihre Erwartungen an realer Nutzung aus und unterrichten Sie KI-Kompetenz ausdrücklich.
• Nutzen Sie KI, um Feedbackqualität und -quantität zu erhöhen. KI-assistiertes Feedback kann das Feedback erhöhen, das Lehrende liefern; koppeln Sie es mit menschlichem Urteilsvermögen, damit es Lernen verbessert statt bloß zu automatisieren.
• Gehen Sie mit Bewertungs- und Assessment-Innovation absichtsvoll um. Mesny, Roberge-Maltais & Galy (2026) argumentieren, Assessment und Bewertung zählten zu den einflussreichsten Faktoren, die Lernen in der Hochschulbildung prägen, dennoch blieben sie in Feldern wie Managementbildung untererforscht (nur 58 Artikel über 20 Jahre in vier führenden Zeitschriften). Traditionelle, summativ-lastige und normreferenzierte Ansätze untergraben tiefes Lernen, Wohlbefinden, Gerechtigkeit und Integrität im Zeitalter generativer KI; die Autoren drängen Lehrende, aktiver und reziprok mit fünf innovativen Praktiken umzugehen (authentisches Prüfen, Selbst- und Peer-Bewertung, Neubewertung, standardsbasierte Bewertung, ungrading), und halten fest, dass Umsetzung institutionelle und kulturelle Unterstützung und inkrementelles Experimentieren verlangt.
• Behandeln Sie Forschungsschulung und -betreuung als eigenen KI-Kompetenz-Ort. Postgraduierte Forschende vollziehen KI-Kompetenz als situierte Praxis statt als statisches Fähigkeiten-Set, und institutionelle Leitlinien halten weitgehend bei Lehren und Assessment. Leitlinien für Bachelorarbeit, Dissertation und Publikationsarbeit sollten Verifikation, Attribution und Offenlegung konkret für jede KI-Kompetenzdimension stützen —, und einfache Signale vor der Instruktion können diese Unterstützung in Forschungsethik-Kursen adressieren —, statt binäre Regeln auszugeben.

Verbundene Konzepte

• Pädagogische Muster — The level where most of the tested sequence evidence was generated
• Online-Lehre und -Lernen — Online-Lehre und -Lernen
• Generative KI — Generative KI-Technologien und -Modelle
• Große Sprachmodelle (LLMs) — Große Sprachmodelle
• Erleben der Studierenden — Erleben der Studierenden mit KI in der Hochschulbildung
• Lehr- und Curriculumsentwicklung — Fakultätsentwicklung und KI-Bereitschaft
• Akademische Integrität — Akademische Integrität in einem KI-fähigen Studierendenkörper
• KI-Kompetenz — KI-Kompetenz für Lernende und Fakultäten
• Validität von Assessments — Validität von Assessments im Zeitalter von GenAI
• Bildungspolitik zu KI — Bildungspolitik zur KI
• KI-Regulierung in der Bildung — Regulierung von KI in der Bildung
• Fernaufsicht bei Prüfungen — Fernaufsicht bei Prüfungen und automatisierte Prüfungsintegrität
• Selbstgesteuertes Lernen — Selbstgesteuertes Lernen mit KI
• Problembasiertes Lernen — Problembasiertes Lernen mit KI
• Lehre — Sich entwickelnde Rolle der Lehrenden in KI-Kursräumen
• Akteure in der KI-Bildung — Überblicksseite: Menschen und Publika in der KI-Bildung (Lernende, Lehrende, Designerinnen und Designer, Administration, politisch Verantwortliche)
• Bildung in Kunst, Design und Medien
• Unterstützung und Erfolg von Studierenden — Beratung, Ansprache, Weiterverweis und Allokation von Unterstützung — die institutionelle Seite des Studierendenerfolgs

Verbundene Artikel

• How colleges and universities are adopting AI in higher education: a global comparative analysis — Chan (2026): AI Institutionalization Index across 100 top-ranked universities; discourse outruns structure, adoption independent of prestige

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI Faculty Readiness Framework

• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI — AI in the Wild: College Student AI Use

• A Framework for Institutional Change in the Age of AI — Institutional Change in the Age of AI

• Generative AI Availability, Grades, and Student Satisfaction at a Large University — GenAI Availability and Student Satisfaction

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — AI Assessment Scale and Reform

• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Rethinking Universities in the AI Era

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI Adoption Among Teachers

• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education — Staff perspectives on GenAI in higher education

• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — Organizational drivers of AI adoption in higher ed

• Is It Ethical for Teachers to Use AI for Student Feedback? — AI in student feedback: ethics

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond detection: redesigning authentic assessment in an AI-mediated world

• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — GenAI experiences among UK higher-education students (survey)

• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Instructors vs. employers on AI skills for college graduates

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — 26.9% study-time decline among college students

• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — UK higher-education AI policy

• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking — AI tools, academic work, and cheating

• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Assessing the quality of AI-generated exams: a large-scale field study

• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment

• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Assessment twins for strengthening assessment validity in the age of GenAI

• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — phenomenographic study of university teachers' conceptions of AI

• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Digital transformation of a liberal arts university toward a research-intensive model in the GenAI era (Qin 2026)

• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Systematic review mapping AI integration in higher ed via FACETS + SAMR frameworks (AlSheikh et al. 2026)

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)

• GPT-4 feedback increases student activation and learning outcomes in higher education

• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models

• Innovative assessment and grading practices in higher education: A critical exploration for management educators

• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — Postgraduate researchers' GenAI use in the research workflow and AI-literacy-oriented guidelines (Dai & Chan 2026)

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Engagement intensity as a learner-modeling signal for adaptive AI ethics instruction (Oh, Talton & Bui 2026)

• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — AI-assisted writing shifts research teams toward smaller, junior-leaner, highly cited collaborations (Wang et al. 2026)

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

• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026

• Literacy demands placed on students in student–GenAI entanglements in higher education — Assistant and Enabler forms dominate higher-education GenAI research; the marginal entanglement types stay rare for institutional rather than technical reasons (Sun, Dohn & Rehm 2026)

• Students at Stake: Risks of AI Deployment in Higher Education — Student-side map of AI deployment across admissions, financial aid, student services and education delivery, with a four-question procurement screen (Student Defense 2026)