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

Geschichte der KI in der Bildung

Erstellt 2026-08-23 · Aktualisiert 2026-10-10

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

Geschichte der KI in der Bildung — die Untersuchung, wie künstliche Intelligenz und Bildung seit der Mitte des 20. Jahrhunderts ko-evolviert sind, und wie vergangene konzeptuelle, terminologische und Design-Entscheidungen die heutigen Debatten über KI beim Lernen weiterhin formen. Statt generative KI als plötzliche, beispiellose Kraft zu behandeln, offenbart eine historische Linse wiederkehrende Spannungen — Kontrolle gegenüber Handlungsfähigkeit, Standardisierung gegenüber Kreativität, Automatisierung gegenüber Anreicherung —, die KI in der Bildung seit ihren Anfängen strukturiert haben.

Fragen zum Nachdenken

  • Die heutige generative KI wird oft als beispiellose Revolution beschrieben. Wie könnte diese Rahmung („Chronozentrismus") uns daran hindern, die wiederkehrenden Muster darunter zu sehen?
  • Das Feld wurde fast „Kybernetik" statt „künstliche Intelligenz" genannt. Wie könnte diese einzelne Namenswahl geformt haben, ob wir Maschinen als unabhängige Intelligenzen oder als Teil verbundener Feedbacksysteme sehen?
  • Die Seite rahmt die Geschichte der AIED als Spannung zwischen Kontrolle (Andersons kognitive Tutoren, die Instruktion optimieren) und Handlungsfähigkeit (Paperts Konstruktionismus, der Lernende ermächtigt). Wo fallen Ihre eigenen KI-in-der-Bildung-Entscheidungen auf diesem Spektrum — und warum?
  • Personalisierung, so argumentiert die Seite, hat zwei Bedeutungen: den Weg zum selben Ergebnis variieren, oder vielfältige, lernendengeleitete Ergebnisse ermöglichen. Welche Art von Personalisierung verfolgt Ihre Institution tatsächlich, und welche sollte sie Ihrer Meinung nach verfolgen?
  • Wenn die heutigen GenAI-Debatten diese historischen Spannungen „spiegeln", welche vergangenen Fehler könnten wir wiederholen — und was könnten wir vermeiden, indem wir uns an sie erinnern?
  • Die Seite behauptet, technische Designentscheidungen betteten Werturteile über den Zweck des Lernens ein. Können Sie eine Designentscheidung in einem KI-Bildungswerkzeug identifizieren, das Sie genutzt haben, das heimlich Standardisierung gegenüber lernendenseitiger Handlungsfähigkeit begünstigte — oder umgekehrt?

Einführung

Die Geschichte des Felds ist keine lineare Progression, sondern eine Serie kontingenter Entscheidungen, deren Wirkungen noch immer nachhallen. Diese Geschichte zu verstehen schützt gegen „Chronozentrismus" (die Verzerrung, heutige Entwicklungen als einzigartig revolutionär zu behandeln), hilft, vergangene Fehler zu vermeiden, und offenbart, wie Entscheidungen über Rahmung und Terminologie — nicht nur Technologie — die Trajektorie der KI in der Bildung steuern.

Schlüsselstränge der Geschichte

Von der Kybernetik zur „künstlichen Intelligenz". Als John McCarthy das Dartmouth Summer Research Project 1956 plante, wählte er absichtsvoll den Begriff künstliche Intelligenz gegenüber Kybernetik — teils, um das Feld von Norbert Wiener und seinem Fokus auf analoges Feedback zu distanzieren. Diese Namensentscheidung rahmte Maschinenfähigkeiten im direkten Vergleich zu menschlicher Kognition (anthropomorphe Rahmung) und steuerte Forschungsprioritäten, öffentliche Wahrnehmung und ethische Debatte über Jahrzehnte. Hätte das Feld die kybernetische Rahmung behalten, imaginiert der Artikel, sprächen wir heute vielleicht von „kybernetischen Lernsystemen", die Feedback und Verbindung betonen, statt von „KI-Tutoren", die die Maschine als unabhängige Intelligenzquelle positionieren.

Die kognitive Revolution und die Wurzeln der ITS. Frühe Pioniere — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — modellierten nicht bloß Kognition; sie untersuchten grundlegende Fragen über Lernen und Instruktion. Ihre Arbeit produzierte informationsverarbeitende Modelle menschlicher Kognition, die grundlegend für die pädagogische Psychologie wurden, und führte zu Intelligent Tutoring Systems (ITS), verwurzelt in den heuristischen Such- und Expertensystem-Paradigmen der KI der 1960er–70er Jahre. Diese Systeme stimmten natürlich mit bestehenden Strukturen von Assessment und Standardisierung überein und schlossen sich schließlich zur AIED-Gemeinschaft zusammen.

Kontrolle gegenüber Handlungsfähigkeit: Anderson und Papert. Zwei konkurrierende Visionen entstanden, verkörpert in John Anderson und Seymour Papert. Andersons kognitive Tutoren (ACT/ACT-R-Theorie) zerlegten Wissen in Produktionsregeln, lieferten präzises individualisiertes Feedback und verstärkten traditionelle Bildungsstrukturen — eine Vision von KI als Werkzeug zur Optimierung von Instruktion. Paperts Konstruktionismus (Logo, „microworlds", debugging-as-learning) sah Computer als Umgebungen, in denen Kinder Wissen durch kreatives Experimentieren konstruieren — eine Vision von KI als Instrument intellektueller Ermächtigung, das institutionelle Hierarchien herausforderte. Diese „wesentliche Spannung" zwischen Kontrolle und Handlungsfähigkeit ist der rote Faden der Geschichte des Felds.

Zwei Formen der Personalisierung. Personalisierung hat zwei verschiedene Interpretationen, die auf diese Visionen abbilden. Die erste behält gleichförmige Ergebnisse bei, während sie den Weg variiert (verwurzelt in Skinners Lehrmaschinen; die Khan-Academy-Vision von Tutoring zur Meisterschaft). Die zweite umarmt vielfältige Ergebnisse — Lernende, die individuelle Interessen und Talente verfolgen, ungebunden durch Grenzen des Standardcurriculums (Zhao, 2024). Das ITS-Modell stützt die erstere; Konstruktionismus die letztere.

Lektionen für das GenAI-Zeitalter. Die heutigen Debatten über generative KI spiegeln diese historischen Spannungen eng. GenAI wird oft als intelligenter Tutor der nächsten Generation positioniert (Anderson fortschreibend), was Bedenken über Überwachung, Datensammlung und Standardisierung aufwirft. Alternativ kann sie ein Werkzeug für kreative Handlungsfähigkeit sein (Papert fortschreibend), was von uns verlangt, Assessment neu zu denken und mehrdeutigere Ergebnisse zu akzeptieren. Wie Mishra et al. schließen, begünstigen institutionelle Kräfte wiederholt Ansätze, die bestehende Strukturen verstärken — und die Sprache und Metaphern, die wir wählen, werden künftige Möglichkeiten formen. Rismanchian & Doroudis AI×Ed-Rahmenwerk gibt dieser Intuition empirische Grundlage: indem sie Beiträge aus AIED-Tagungsbänden (1985, 1993, 2021, 2024) und IJAIED (2004, 2014, 2021) entlang zweier Achsen verorten — die Rolle von KI (angewandtes Werkzeug gegenüber Analogie zu menschlicher Intelligenz) und der Endnutzer —, zeichnen sie ein Feld nach, das sich von einer vielfältigen Mischung, einschließlich erheblicher früher Forschung, die KI als Analogie zu menschlicher Intelligenz nutzte (Rechenmodelle des Lernens, Paperts microworlds, agentenbasierte Modelle des Wissenserwerbs), hin zu einem nahezu ausschließlichen Fokus auf angewandte, instrumentelle Nutzungen bis in die 2000er bewegte. Bemerkenswerterweise scheint das Zeitalter generativer KI diese Trajektorie teilweise umzukehren: auf der AIED 2024 waren drei der vier Beiträge im Quadranten „KI-als-Analogie" des Felds LLM-basiert, einschließlich Best-Paper-Arbeit zu LLM-basierten lehrbaren Agenten.

Die jüngste Wirkung generativer KI

Das Aufkommen generativer KI — einer breiten Familie, die große Sprachmodelle (Text) plus Bild-, Audio- und Video-Generatoren umfasst — markiert den folgenreichsten Wendepunkt in der Geschichte der AIED seit Gründung des Felds. LLMs sind das prominenteste Mitglied dieser Familie und der Treiber des größten Teils der Wirkung im Klassenzimmer, aber generative KI als Ganzes (fähig, neuartigen Text, Bilder, Klang und Code zu produzieren) ist die breitere Kraft, die Bildung neu formt. Sie wird am besten vor dem Hintergrund der AIED-Geschichte verstanden statt als sauberer Bruch. Mehrere Merkmale machen das Zeitalter generativer KI unterscheidend:

Größe und Reichweite. Anders als die kognitiven Tutoren und ITS früherer Jahrzehnte, die in kontrollierten Labor- und Klassenzimmer-Settings operierten, erreichten LLMs innerhalb von Monaten nach ihrer Veröffentlichung hunderte Millionen Lernende und Bildungsakteure und traten fast unmittelbar in alltägliches Schreiben, Hausaufgaben und Instruktion ein. Die GenAI-Debatte bewegte sich mit beispielloser Geschwindigkeit von Fachzeitschriften zu Klassenzimmern, Vorstandsetagen und Gesetzgebern.

Eine neue Art von Fähigkeit. Frühere AIED-Systeme modellierten Kognition und lieferten strukturierte Instruktion (die Anderson-Tradition). LLMs performen offene Generierung — Essays, Erklärungen, Code und Dialog produzierend —, was Handlungsfähigkeit und Kreativität der Lernenden (die Papert-Tradition) auf Weisen in den Vordergrund stellt, die frühere ITS nicht konnten. Deshalb entzündet der aktuelle Moment die Spannung zwischen Kontrolle und Handlungsfähigkeit so scharf: dasselbe Werkzeug kann als intelligenter Tutor der nächsten Generation eingesetzt werden (der Ergebnisse kontrolliert) oder als kreative Co-Autorin und Denkpartnerin (die Handlungsfähigkeit verstärkt).

Eine Umkehrung der Zugangsgleichung. Historisch war personalisiertes Tutoring knapp und teuer; GenAI machte adaptive Eins-zu-eins-Unterstützung nahezu frei und universell — und senkte die Zugangs- und Kostenbarrieren dramatisch, die frühere AIED formten. Aber sie führte auch neue Risiken ein: algorithmischen Bias, Halluzination, Überwachung, Datensammlung und die Dequalifizierung von Bildungsakteuren.

Erneute Sorge um KI-Kompetenz und Missbrauch. Das Zeitalter generativer KI machte KI-Kompetenz dringend und rahmte Debatten über akademische Integrität neu (Detektion gegenüber Dialog), während es langjährige Sorgen über Automatisierung, Standardisierung und epistemische Abhängigkeit wiederbelebte. Das sind die modernen Ausdrücke der ursprünglichen Spannungen des Felds.

Das Risiko des Chronozentrismus. Wie Mishra et al. warnen, mangelt es dem Hype um generative KI oft an historischem Bewusstsein, was Technologie-Evangelisten erlaubt, die Konversation zu dominieren. Zu verstehen, dass die heutigen GenAI-Debatten die Anderson-Papert-Spaltung und die Namensentscheidung der Kybernetik von 1955 nachhallen, hilft uns, absichtsvolle Entscheidungen zu treffen, statt die Gegenwart als unvermeidlich zu behandeln. Die wirkliche Frage ist nicht, was Werkzeuge generativer KI können, sondern was wir wollen, dass sie tun — eine Entscheidung, geformt davon, wo wir gewesen sind.

Implikationen

  • Lesen Sie Hype historisch. Erkennen Sie, dass jede neue KI-Welle als revolutionär gerahmt wird; historisches Bewusstsein offenbart Kontinuität und hilft, der Dominanz der Konversation durch Konzerne zu widerstehen.
  • Sehen Sie Designentscheidungen als Wertentscheidungen. Technische Entscheidungen über KI in der Bildung betten ideologische Positionen über den Zweck des Lernens ein — legen Sie sie offen und befragen Sie sie.
  • Wägen Sie Kontrolle gegen Handlungsfähigkeit absichtsvoll. Ob KI auf Standardergebnisse hin optimieren oder vielfältige, lernendengeleitete Ergebnisse ermöglichen sollte, ist eine echte Wahl mit institutionellen und politischen Folgen, keine technische Gegebenheit.
  • Bewahren Sie Handlungsfähigkeit der Lernenden. Der wiederkehrende Widerstand gegen Standardisierung und Kontrolle zugunsten offener, lernendenzentrierter Ansätze ist ein dauerhafter Faden, den es zu verteidigen lohnt.

Verbundene Konzepte

Verbundene Artikel

Metadaten

Lernen und UnterrichtKonstruktivismus, Lerntheorien
Technologien und VerfahrenGenerative KI, Intelligentes Tutoring
Grundlagen von KI in der BildungHandlungsfähigkeit der Lernenden, KI in der Bildung, Geschichte der KI in der Bildung
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.