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

Mensch-KI-Zusammenarbeit

Erstellt 2026-05-29 · Aktualisiert 2026-10-10

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

Mensch-KI-Zusammenarbeit — die Aufteilung kognitiver Arbeit zwischen Menschen und Modellen — ist das zentrale Interaktionsthema der Wissensbasis: Vertrauens- und Erwartungsforschung, menschenähnliches KI-gestütztes kollaboratives Schreiben, generative KI als Mindtool und Orchestrierung von Handlungsfähigkeit zwischen Lehrkraft und Studierenden untersuchen Vertrauen, Handlungsfähigkeit und komplementäre Rollen (Mensch in der Schleife, agentische KI). Die definierende Frage lautet, ob die Partnerschaft die eigene kognitive Arbeit der lernenden Person bewahrt oder ersetzt – dieselbe Anordnung kann Lernen unterstützen oder dafür einspringen, je nachdem, wie Verantwortung geteilt wird.

Fragen zum Nachdenken

  • Die definierende Frage in der Mensch-KI-Zusammenarbeit lautet, ob die Partnerschaft Ihre eigene kognitive Arbeit bewahrt oder ersetzt. Denken Sie an eine Aufgabe, die Sie an KI übergeben haben: haben Sie erzeugt und entschieden, oder bloß akzeptiert?
  • Eine Studie fand, dass freie Zusammenarbeit mit ChatGPT nur vorübergehende Zuwächse erzielte, die auf einer späteren Aufgabe ohne Hilfe einbrachen, während ein „erst denken, ChatGPT später"-Protokoll dauerhaftes Lernen ergab. Warum könnte vorhersagen, wer die Ideen erzeugt, ob Sie tatsächlich lernen?
  • Dasselbe Werkzeug kann Lernen unterstützen oder dafür einspringen, je nachdem, wie Verantwortung geteilt wird. Können Sie an eine Anordnung denken, die Sie kognitiv produktiv hielt, gegenüber einer, die Ihr Denken stillschweigend auslagerte?
  • Eine Anordnung kehrt die üblichen Rollen um: statt dass das Modell Antworten liefert, erklärt die oder der Studierende den Inhalt und das Modell spielt die unwissende Partei, die nach Erklärungen, Beispielen und einem Gegenargument fragt. Wenn die KI die Fragende ist, was geschieht dann damit, wie viel des Denkens auf Ihrer Seite bleibt?
  • Vertrauen wird als etwas beschrieben, das kalibriert statt angenommen werden muss – KI wo angemessen zu nutzen und wo nicht zu verifizieren. Wie entscheiden Sie gegenwärtig, wann Sie KI-Ausgabe vertrauen und wann Sie sie verifizieren?
  • Die Forschung identifiziert Zusammenarbeitsmodi, die Effizienz gegen die Tiefe Ihres selbstregulierenden Engagements eintauschen. Wann lohnt es sich, weniger Effizienz zu akzeptieren, um mehr Lernen in eigenen Händen zu halten?
  • Wenn Zusammenarbeit ebenso sehr eine pädagogische Wahl wie eine technische ist, welche Designmaßnahmen (Prompts, Arbeitsabläufe, Strukturen) würden Sie einrichten, um zu sichern, dass KI Denken für Ihre Lernenden erweitert statt ersetzt?

Einführung

Mensch-KI-Zusammenarbeit beschreibt, wie Lernende, Lehrende und KI-Systeme kognitive Arbeit aufteilen – wer was tut, wer entscheidet und wie Vertrauen und Handlungsfähigkeit aufrechterhalten werden. Statt KI als Ersatz oder passives Werkzeug zu rahmen, behandelt Zusammenarbeitsforschung KI als Partnerin mit komplementären Stärken, deren Wert davon abhängt, wie Verantwortung geteilt und überwacht wird. Auf der Ebene beobachtbaren Verhaltens erfasst Interaktion zwischen Studierenden und KI, wie Lernende diese Beziehung in der Praxis vollziehen – die Fragen, Prompts und Verifikationsbewegungen, die sie Moment für Moment mit KI machen.

Die Arbeitsteilung läuft auch durch die Menschen, die die Interaktion gestalten. Über zwölf Implementierungen in Lehrkräftebildungskursen hinweg positionierte Fakultät KI als Denkpartnerin, Kritikgenerator oder Übungswerkzeug, während Kandidatinnen und Kandidaten die Verantwortung für Bewerten, Anpassen und Rechtfertigen von Entscheidungen behielten, doch dasselbe Whitepaper berichtet, dass Kandidatinnen und Kandidaten Feedback abwerteten, das sie bereits für nützlich befunden hatten, sobald KI-Autorschaft offengelegt wurde – eine Episode, die es den Ballon-Platzen-Effekt nennt. Eine Analyse von 1,378 Designer-Chatbot-Beiträgen weist beim Erzeugen in die andere Richtung: Gestaltende nutzten einen eingebetteten Assistenten hauptsächlich für Ausrichtungsprüfungen an Lernergebnissen und pädagogischem Ansatz statt für die Produktion von Inhalten. In beiden Fällen trägt das evaluative Urteilsvermögen des Menschen, nicht die Ausgabe des Modells, das Lernen.

Vorteile, Risiken und Designimplikationen

Die Evidenz der Wissensbasis zeigt, dass Mensch-KI-Zusammenarbeit eine zweischneidige Anordnung ist, deren Ergebnis durch Design statt durch KI selbst bestimmt wird:

  • Zusammenarbeit kann Lernen verbessern, wenn sie kognitives Engagement bewahrt. Studien zu generativer KI als Mindtool und angeleiteter Zusammenarbeit zeigen, dass KI Denken erweitert statt ersetzt, wenn die Arbeitsteilung die lernende Person beim Erzeugen, Entscheiden und Bewerten hält – und dauerhafte Zuwächse in selbstreguliertem Lernen und Kreativität erzeugt. Dass die lernende Person die entscheidende Rolle behält, skaliert aufs Schreiben: Oppenheimer, Cash & Connell Pensky (2025) zeigen, dass LLM-Kritiken an argumentativen Essays von Studierenden das Schreiben über ein Semester verbesserten, wobei Lernende entschieden, ob sie das Feedback des Modells einarbeiten oder widerlegen (87.8% widerlegten Behauptungen) – eine Anordnung, die die evaluative Arbeit der lernenden Person bewahrte –, und Zuwächse erschienen selbst bei Essays, die ohne LLM-Unterstützung geschrieben wurden, was eher dauerhafte Fähigkeit als Werkzeugabhängigkeit nahelegt.

  • Zusammenarbeit kann für Lernen einspringen, wenn sie zu viel auslagert. Der Fehlschlagmodus ist Überabhängigkeit: wenn KI die Antwort produziert, kollabiert die Rolle der lernenden Person in passive Akzeptanz, und unmittelbare Aufgabenleistung maskiert fehlendes dauerhaftes Lernen. Forschung zu Leistung gegenüber Lernen und der Schadenszyklus vom Einspringen zum Scaffolding (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) dokumentieren das systematisch.

  • Eine bessere Punktzahl ist für sich kein Beleg dafür, dass die Zusammenarbeit irgendetwas gelehrt hat. Die weitere Evidenz der Seite liest assistierte Leistung vorsichtig, und ein randomisierter Test des Unterstützungstyps zeigt warum. In Iqbal et al. (2026) schrieben 87 EFL-Studierende in einer Laborstudie einen Essay ohne Hilfe und revidierten ihn dann mit ChatGPT 4.0 (n = 29), mit einem menschlichen Schreibdozenten (n = 28) oder ohne Unterstützung (n = 30). Welche von vier aus Spuren abgeleiteten Revisionsstrategien ein Student nutzte, war stark mit der Unterstützung assoziiert, die er hatte (Cramér's V = 0.668) und nur mäßig mit seiner früheren Schreibstrategie (Cramér's V = 0.333); Motivation, Schreibfähigkeit und Genauigkeit metakognitiven Urteilens zeigten keine Gesamtassoziation, wobei die metakognitive Verbindung nur in der Bedingung ohne Unterstützung auftauchte (p = 0.0460). Entscheidend sagte keine Revisionsstrategie die Punktzahlveränderung vorher (p = 0.273), obwohl der Unterstützungstyp es tat: die GenAI-Gruppe verbesserte sich signifikant mehr als die menschliche-Expertengruppe und die Kontrollgruppe (H(2) = 16.591, p = 0.00025, η² = 0.174), und innerhalb derselben allmählich abnehmenden Hilfesuche-Strategie gewannen GenAI-Studierende etwa 4 Punkte, während menschliche-Expertengruppen-Studierende 0.5 verloren. Die Autorinnen und Autoren lesen das Muster als externe Unterstützung, die das eigene metakognitive Urteil der lernenden Person umgeht, und warnen, dass die Zuwächse aufgabenspezifische Optimierung statt dauerhafte Fähigkeit sein könnten. Das stürzt das Prinzip wer erzeugt und entscheidet nicht um (die Studie variierte, wer Unterstützung lieferte, nicht wer das Denken erzeugte), aber es schärft den Test, den eine Lehrkraft anlegen sollte: ein unter Unterstützung erzielter Zuwachs muss eine Aufgabe ohne Hilfe überleben, bevor er als Lernen zählt, und das Hinzufügen einer menschlichen Expertin in den Raum ist nicht automatisch die sicherere Anordnung.

  • Peers hinzuzufügen ist nicht automatisch die sicherere Anordnung. Chu, Dai und Zhai (2026) setzten 87 Studierende der ersten Semester für acht Wochen an die Arbeit allein oder in Paaren mit einem GenAI-Multi-Agenten-System. Paare punkteten am höchsten im komplexen Designprojekt (M = 89.64, gegenüber 85.85 für Studierende, die in Paaren ohne das System arbeiteten, und 86.45 für jene, die allein damit arbeiteten, p = 0.039), doch das Bewusstsein für kritisches Denken stieg am meisten bei jenen, die allein arbeiteten (M = 0.41), und sank leicht bei den Paaren (M = −0.04, p = 0.039).

  • Designprinzip — die produktive Arbeit der lernenden Person bewahren. Über die Forschung hinweg ist der schärfste Prädiktor dafür, ob Zusammenarbeit hilft oder schadet, wer erzeugt und entscheidet. Anordnungen, die den Menschen kognitiv produktiv halten (angeleitetes Prompting, „erst denken, dann KI konsultieren", Verifikations- und Evaluationsschritte), unterstützen Lernen; Anordnungen, die die gesamte Aufgabe dem Modell übergeben, tun es nicht. Die komplementäre Bewegung ist, das zu verändern, wozu das Modell bestimmt wird, zu sein. In Wang et al. (2026) erklärten 68 Lehramtsstudierende in einem Quasi-Experiment entweder das Flipped-Classroom-Konzept einem auf ERNIE 3.5 gebauten GAI-Novizen-Lernenden (ein als wissbegierig und anerkennend gerahmtes System, das nach Erklärungen, Beispielen, Verifikationsschlussfolgerungen und einer entgegengesetzten Perspektive fragte, aufsteigend über Blooms Taxonomie sequenziert) oder stellten Fragen an eine auf demselben Modell gebaute GAI-Lehrkraft. Die Studierenden, die der KI etwas beibrachten, erklärten besser (Definition des Flipped Classroom M = 4.18 gegenüber 3.29; seine Lehraktivitäten M = 4.91 gegenüber 3.06, beide p < 0.001) und erzeugten mehr und höherwertige Fragen (M = 3.67 gegenüber 2.14; M = 5.67 gegenüber 3.07, beide p < 0.001), während objektiver Abruf statistisch nicht unterscheidbar war (M = 23.18 gegenüber 21.57, p = 0.416), sodass der Vorteil in Erklärung und Transfer lag statt in Faktenabruf. Studierende in der KI-Lehrkraft-Bedingung waren offen über den Kompromiss: einige räumten ein, sie gebe „genauere und detailliertere Informationen", berichteten aber, dass „ich nach der Nutzung nicht mehr unabhängig denken wollte". Dem Modell die Rolle des zu belehrenden Lernenden zuzuweisen macht die oder den Studierenden zur alleinigen Quelle der Ideen und beseitigt die langjährige Schwierigkeit, einen geeigneten Peer zum Belehren zu finden. Zwei Designgrenzen kommen damit: Planung und Monitoring verbesserten sich nicht (M = 4.01 gegenüber 3.78, p = 0.062), deshalb ist Rollenumkehr für sich keine metakognitive Intervention, und die Autorinnen und Autoren führen diesen Null-Befund auf ein Aufgabendesign zurück, das Studierende auf Inhaltsgenauigkeit fokussiert hielt. In einem Schreibklassenraum nimmt dieses Prinzip eine konkrete, lehrbare Form an. In Alshehri et al. (2026) liefen Studierende in einem saudischen EFL-Quasi-Experiment eine fünfschrittige Routine ab – das Problem rahmen und Prompts gestalten, iterativ entwerfen, revidieren, jede Behauptung und jedes Zitat gegen wissenschaftliche Datenbanken verifizieren und die eigene Attribution und Abhängigkeit regulieren –, wobei jede Aufgabe ein KI-Nutzungs-Log dessen verlangte, was sie akzeptierten, ablehnten, und warum. Schreiben und digitales kritisches Denken stiegen zusammen und bewegten sich fast im Gleichschritt, und die Reflexionen der Studierenden verbanden die Verifikations- und Halluzinations-Reparatur-Routinen spezifisch mit den Zuwächsen in kritischem Denken: dieselben Gewohnheiten des Befragens von Ausgaben prägten ihre Kompositionsentscheidungen. Der eigene Vorbehalt der Autorinnen und Autoren ist die notwendige Ergänzung des Prinzips – der Arbeitsablauf ist kontingent statt selbstgenügsam, und kann unter dünnem Scaffolding (Gerüstbildung), geringer Bereitschaft in kritischem Denken oder Metakognition (wo Studierenden die Kapazität fehlt, schlechte Ausgabe zu erkennen), gradueller Delegation von Kompositionsentscheidungen oder unklarer institutioneller KI-Nutzungspolitik kontraproduktiv werden.

  • Begrenzte Autorität ist selbst ein Designmuster für Zusammenarbeit mit hohem Einsatz. Lehrkräfte in Reichert et al. (2026) prototypisierten keine offenen Assistenten, sondern Systeme, deren Freiheit vorab festgelegt war: jedes Design schränkte den Chatbot auf spezifische Unterrichtsinhalte ein, und Sicherheit wurde geschichtet als Domänengrenzen (unterrichtsspezifischer Umfang plus ein „Informationskontingent", das eine Mindestanzahl von Fakten oder Problemen verlangte, bevor das Gespräch fortschritt), Inhaltsfilterung mit standardisierten Verweigerungen („Sorry, this is not part of my knowledge base"), die auch die Lehrkraft alarmierten, und ein Override durch die Lehrkraft für mehrdeutige Fälle – das gegebene Beispiel war eine Frage zu menschlicher Fortpflanzung, die innerhalb ihrer Einheit legitim war und zu einem Menschen geleitet werden sollte statt automatisch abgelehnt zu werden. Personalisierung von Format, Genre, Tempo und Komplexität wurde innerhalb dieser Grenzen begrüßt, und Aufsicht (vollständige Gesprächs-Logs, Echtzeit-Alarme, Override) wurde als professionelle Verantwortung gerahmt statt als Misstrauen gegenüber dem Modell. Die Implikation ist, dass in Settings mit hohem Einsatz die Arbeitsteilung als begrenzt, überwacht und widerrufbar spezifiziert werden sollte statt Zug um Zug ausgehandelt.

  • Vertrauen muss kalibriert, nicht angenommen werden. Produktive Zusammenarbeit hängt davon ab, dass Lernende genau kalibrieren, wann sie sich auf KI-Ausgabe verlassen und wann sie sie verifizieren – verbunden mit Vertrauenskalibrierung und menschlicher Aufsicht statt blinder Akzeptanz oder pauschaler Ablehnung.

  • Zusammenarbeit von Lehrkräften mit KI ist zweischneidig für Engagement, nicht nur für Lernen. In einer dreiwellige Befragung von 468 Universitätslehrkräften erhöhte Zusammenarbeit das Arbeitsengagement durch psychologische Verfügbarkeit (indirekt 0.19), senkte es aber durch Arbeitsentfremdung (indirekt −0.03); digitale Kompetenz moderierte beides und flachte die Entfremdungssteigung von 0.38 auf 0.17 ab (Sun et al. (2026)).

  • Die Arbeitsteilung folgt Glaubwürdigkeit, nicht Fähigkeit. Worauf sich Lernende einigen, ist eine prinzipiengeleitete Allokation: KI für unmittelbares, breit anwendbares Sprachfeedback und Lehrende für individualisierte, relationale Anleitung, zugewiesen nach der wahrgenommenen Glaubwürdigkeit jeder Quelle statt nach ihrer Genauigkeit, weil die bindende Einschränkung des Vertrauens wahrgenommene Sorge war, nicht Kompetenz (Serpil & Mor, 2026).

  • Vertrauen ist ein Populationsprozess, nicht nur eine individuelle Wahl. In einem agentenbasierten Modell brach sichtbarer sozialer Beweis für unverifizierte Nutzung die Verifikation von 0.29 auf 0.002 zusammen und hob Überabhängigkeit von 0.30 auf 0.52, während sichtbare Peer-Verifikation nahezu vollständige Verifikation wiederherstellte – zu verändern, was Lernende andere tun sehen, schlägt das Senken von Prüfkosten (Biswas (2026)).

Das macht Mensch-KI-Zusammenarbeit zu einem pädagogischen Konstrukt ebenso sehr wie zu einem technischen: der Wert der Partnerschaft wird geprägt davon, wie Lehrkräfte die Interaktion gestalten, wie Lernende sie regulieren und wie das System produktives Engagement einlädt oder entmutigt.

Wie Mensch-KI-Zusammenarbeit in der Forschung erscheint

  • Vertrauen und Erwartungen: Vertrauens- und Erwartungsforschung untersucht, wie Erwartungen der Lernenden an KI prägen, ob Zusammenarbeit produktiv ist oder zu Überabhängigkeit führt.

  • Komplementäre Rollen in Schreiben und Denken: menschenähnliches KI-gestütztes kollaboratives Schreiben und generative KI als Mindtool zeigen, wie KI Denken der lernenden Person erweitern statt ersetzen kann, wenn die Arbeitsteilung deren kognitives Engagement bewahrt.

  • Orchestrierung und Handlungsfähigkeit: Orchestrierung von Handlungsfähigkeit zwischen Lehrkraft und Studierenden und mentale Modelle von Studierenden adressieren, wie Handlungsfähigkeit zwischen Menschen und KI ausgehandelt wird, und verbinden sich mit Mensch in der Schleife und agentischer KI.

  • Metakognitive und Team-Dimensionen: Metakognitive Modelle menschzentrierter KI und disziplinäre Mediation in studentischen Teams erweitern Zusammenarbeit auf Metakognition und Teamlernen.

  • Zusammenarbeitskompetenz als Konfiguration, nicht als Checkliste – Metakognition übernimmt die integrative Rolle des TPACK. Dang, Hong, Doyle und Nguyen (2026) definieren Human-AI Collaboration Competency als dynamische Konfiguration aus Domänen-, KI- und metakognitiver Kompetenz plus ihren Schnittmengen (Working with AI, Agentic Learning with AI, Agentic Personal and Professional Development und HACC selbst), und weisen explizit eine additive Liste von KI-Fähigkeiten zurück, die auf ein bestehendes Curriculum aufgeschraubt wird. Ihr zentraler Schritt weist die integrative Arbeit, die Pädagogik in TPACK leistet, neu zu: weil KI ein adaptiver Teilnehmer ist, dessen Beitrag sich verschiebt, während eine Aufgabe sich entfaltet, fällt die koordinierende Last der eigenen Metakognition der lernenden Person zu – zu entscheiden, wann KI zu konsultieren, wie die Interaktion zu rahmen und wann sie zu übersteuern ist –, deshalb hält die lernende Person, nicht die Lehrkraft, den Mechanismus, der Zusammenarbeit produktiv hält. Handlungsfähigkeit der Lernenden wird bewusst als eigenständiger Knoten weggelassen; sie ist stattdessen die emergente Qualität, die Lernende ausdrücken, wenn sie die drei Kompetenzen koordinieren, was Handlungsfähigkeit zu einer Eigenschaft der Konfiguration macht statt zu einer isoliert zu trainierenden Fähigkeit. Die Interviewstudie des Rahmens mit 24 neuseeländischen Lehrenden stützte die Dimensionen deskriptiv, und Rollenniveau verschob die Betonung statt die Akzeptanz: Netzwerke von Leitenden in der Bildung zentrierten auf KI mit Verbindungen zu HACC und beruflicher Entwicklung, signifikant unterschiedlich von erfahrenen Lehrenden (U = 10.00, p = .04) und Lehrenden am Karrierebeginn (U = 7.00, p = .01).

  • Unterschiedliche Zusammenarbeitsmodi: empirische Arbeit identifiziert drei menschliche–KI-kollaborative Problemlöse-Modi – Delegated Reasoning, Concerted Interpretation und Delegated Elaboration – und legt einen Kompromiss zwischen der Effizienz des verteilten Mensch-KI-Systems und der Tiefe des selbstregulierenden Engagements der Lernenden offen (delegated reasoning performt am besten, aber mit geringerer Selbst-Regulation).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Menschliche und KI-Facilitators können in strukturierter Diskussion perzeptuell austauschbar sein, aber Wiedernutzung läuft aus verschiedenen Gründen. Kuhail et al. (2026) tauschten einen menschlichen Moderator gegen einen GPT-4-Moderator (und zurück) über 32 Debatten-Sitzungen hinweg, die von 32 STEM-Studierenden geleitet wurden, und fanden keinen statistisch signifikanten Unterschied bei Wirksamkeit, Freude, Zufriedenheit, Nützlichkeit oder Nutzungsabsicht (t reichte von 0.23 bis 1.30, p von 0.198 bis 0.818). Was sich unterschied, war, warum Studierende zurückkehren würden: unter KI-Moderation trieb wahrgenommene Nützlichkeit die Nutzungsabsicht (0.806, p = 0.004), während Zufriedenheit sie nur unter menschlicher Moderation trieb (0.556, p = 0.002). Die Autorinnen und Autoren lesen den flachen Vergleich als Normalisierung in regelgebundenen Aufgaben statt als Beleg von Äquivalenz und empfehlen, menschliche Aufsicht aus ethischen und relationalen Gründen zu behalten, während sie die Nützlichkeit KI-moderierter Aktivitäten lesbar machen statt auf Freude zu setzen. Weil die Studie nur Wahrnehmungen maß, sagt sie nichts darüber, ob Studierende besser argumentierten.

  • Die Aufgabe zuweisen, bevor sie delegiert wird. Tsim und Gutoreva (2025) fügen den Entwicklungszonen der lernenden Person eine vierte Zone hinzu – was das Modell bereits weiß –, woraus Substitute-, Complement-, Aid- und Non-negotiable-Aufgabenzuweisungen folgen, und argumentieren, die Modi Automation–Erweiterung–Zusammenarbeit unterschieden sich durch Kontrollort und epistemische Verantwortung statt durch Werkzeugsophistikation.

  • Prompt Engineering als pädagogisches Denken, aufgebaut durch Lesson Study. Robinson et al. (2026) begleiteten fünf Lehrkräftebildnerinnen und -bildner an einer Einrichtung in den VAE durch zwei Lesson-Study-Zyklen, die 36 Lehramtsstudierende in Mathematik der Sekundar- und Primarstufe erreichten, und entwarfen KI-gestützte Stunden mit ChatGPT (GPT-4o). Die Bewegung, die die Arbeit leistete, war die Paarung der KI mit einem disziplinären Rahmen: PSTs generierten eine Aufgabe, beurteilten ihre kognitive Anforderung gegen einen modifizierten Mathematical-Task-Analysis-Rahmen und schrieben dann ihren Prompt um, um die konzeptuelle Tiefe zu erhöhen, sodass Revision in der Mathematik verankert war statt in Werkzeugmerkmalen. Sechzehn von 26 analysierbaren Prompts trugen konzeptuelle Aufgabenmerkmale, und die Lehrkräftebildnerinnen und -bildner schlussfolgerten, Prompt Engineering sei „not a technical skill; it's a cognitive one." Berichtetes Lernen stieg in der revidierten Stunde (5 von 7 PSTs im ersten Zyklus und 10 von 14 im zweiten berichteten Lernen, konzeptuelle von prozeduralen Aufgaben zu unterscheiden), mit der Einschränkung, dass das Fragen der KI nach einer konzeptuelleren Aufgabe manchmal bloß eine kompliziertere produzierte. Für Entwicklung der Fakultät ist das Argument nachhaltige kollaborative Untersuchung echter Stunden statt isolierter Werkzeug-Workshops.

  • Anleitung entscheidet über Leistung gegenüber Lernen: Wong und Qiu (2026) kontrastierten freie gegenüber angeleiteter Mensch-KI-Zusammenarbeit in einer kreativen Aufgabe. Freie Zusammenarbeit mit ChatGPT produzierte nur vorübergehende Leistung, die auf einer späteren Aufgabe ohne Hilfe einbrach, während ein angeleitetes „erst denken, ChatGPT später"-Protokoll – eigene Ideen erzeugen, dann ChatGPT nutzen, sie zu verbessern, zu entwickeln und zu bewerten – dauerhafte Zuwächse in unabhängiger Kreativität ergab. Der Vorteil wurde durch kollaborative Prompts vermittelt, die darauf zielten, die eigenen Ideen zu verbessern, was zeigt, dass wer erzeugt (die Arbeitsteilung) vorhersagt, ob Zusammenarbeit Lernen oder Einspringen produziert.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • KI als Mediatorin, nicht bloß Partnerin: Niari konzeptionalisiert KI als pädagogische Mediatorin neu, die Interaktion, epistemisches Sinnbilden und regulatorische Prozesse orchestriert und Handlungsfähigkeit, Autorität und Verantwortung über menschliche und nicht-menschliche Akteure neu verteilt, statt KI als Tutorin, Peer oder Werkzeug zu behandeln.

  • Die Zusammenarbeit von Lehrkräften mit KI ist ebenfalls gemustert, nicht binär. Wenn Lehrkräfte Stundenentwürfe mit generativer KI gestalten, nimmt ihre Interaktion empirisch unterscheidbare Formen an. Choi et al. (2026) identifizierten sieben Muster der Interaktion zwischen Lehrkraft und KI – von direkter Übernahme und ausgearbeiteter Übernahme von KI-Ausgabe über anfängliche Ablehnung, revidierte Übernahme, nachfolgende angeleitete Nutzung, komplexe Interaktionen und KI umgehen –, wobei Unterrichtserfahrung und KI-Profizienz einer Lehrkraft gemeinsam prägen, ob sie kritisch neu-promtet und KI an Studierende und Kontext anpasst (eine komplementäre, verteilte Arbeitsteilung) oder Vorschläge passiv akzeptiert (eine KI-dominante Verteilung).

  • Der mediationale Agent als hybride Form der Partizipation. Statt eines Mittelpunkts zwischen Werkzeug und Mitarbeiterin wird generative KI als mediationaler Agent konzeptualisiert, der Handlung mediiert, während er kontingente, nicht-rechenschaftspflichtige Beiträge erzeugt – eine eigene Kategorie, die Design von technologischer Fähigkeit hin zu Gewohnheiten der Partizipation umlenkt (supervisory agency, epistemic vigilance).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Gemeinschaft und epistemische Autorität: gemeinschaftsbasiertes KI-Lernen zeigt, dass Zusammenarbeit auch eine Frage danach ist, wer autoritativ ist, und KI-Engagement in den gelebten Epistemologien der Lernenden verankert.

  • Datengestützte Merkmalsentdeckung: Principal Trait Analysis (PTA) automatisiert die Ableitung von Interaktions-„Merkmalen" aus großen Große Sprachmodelle (LLMs)-Gesprächskorpora – eine PCA-inspirierte, vierstufige Pipeline, die Verhaltensbeobachtungen extrahiert, sie zu Kandidatenmerkmalen clustert, jeden Mitarbeitenden punktet und die unterscheidendsten Merkmale auswählt. Evaluiert an einem Korpus aus studentischem KI-Tutor und einem aus Entwickler-Coding-Agenten findet PTA Merkmale, die Ergebnisse erklären und vorhersagen (z. B. tiefes konzeptuelles Engagement positiv, Aufgaben-Delegation negativ, im Bildungssetting), und – weil sie noch nicht über Semester/Settings hinweg generalisieren oder Lernkurven-Trajektorien zeigen – argumentieren die Autorinnen und Autoren, die Merkmale seien noch nicht als „Fähigkeiten" interpretierbar. Das bietet ein skalierbares, objektives Komplement zu KI-Kompetenz-Rahmen und Selbstauskunftsmaßen und informiert direkt, wie Lehrende „KI-Nutzungsfähigkeiten" unterrichten.

  • Die Mensch-KI-Beziehung als das persistenteste Anliegen über CAI-Generationen hinweg. Der Überblicks-Review von konversationellen KI-Agenten (Ganguly et al. 2025, 34 Reviews) findet Anliegen der Mensch-KI-Beziehung – Überabhängigkeit, soziale Isolation, Depersonalisierung, emotionale Abhängigkeit, Transparenz, Rechenschaftspflicht – als das am häufigsten diskutierte ethische Thema über alle CAI-Generationen hinweg, vor GenAI. Das positioniert die Frage „bewahren gegenüber einspringen" im Zentrum der CAI-Ethik und verstärkt, dass der Wert von Zusammenarbeit durch Design bestimmt wird (wer erzeugt, wer entscheidet, wie Verantwortung geteilt wird).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

  • KI skaliert Echtzeit-Expertise auf Novizinnen und Novizen – das erste Live-Tutoring-RCT. Wang et al. (2024)s randomisierte Studie (900 Tutorinnen und Tutoren, ~1,800 K-12-Studierende in unterversorgten Gemeinschaften) platzierte KI auf der Tutorinnen- und Tutorenseite statt auf der der Studierenden: Tutor CoPilot generierte Echtzeit-Vorschläge wie von Expertinnen und Experten (gebaut aus dem lauten Denken erfahrener Tutorinnen und Tutoren), die Novizen-Tutorinnen und -Tutoren bearbeiten oder ablehnen konnten. Studierende behandelter Tutorinnen und Tutoren beherrschten Themen mit 4 Prozentpunkten höherer Wahrscheinlichkeit (p < 0.01), mit 9 Prozentpunkten Zuwachs bei Studierenden der am niedrigsten bewerteten Tutorinnen und Tutoren – die aufstiegen, um die Kontrollergebnisse höher bewerteter Tutorinnen und Tutoren zu erreichen – bei ~$20/Tutorin/Jahr. Der Befund ist ein starker empirischer Anker für Lehrkräfte-/Tutoren-Erweiterung als gerechten Modus der Mensch-KI-Zusammenarbeit: der Mensch behält pädagogisches Urteilsvermögen und Autonomie, während KI skalierbare Expertise liefert.

  • Begrenzte Expertinnen und Experten: wie Lehrkräfte Autorität mit einer KI aufteilen. Reichert, Briceno, Tabarsi & Barnes (2026) führten eine partizipative Designstudie durch, in der sechs Sekundarstufen-Lehrkräfte LLM-Chatbots für ihre eigenen Klassenräume prototypisierten und analysierten, wie Autorität zwischen Lehrkraft und System verteilt werden sollte. Lehrkräfte rahmten die KI konsistent als begrenzte Expertin – spezialisierte Fähigkeit, beschränkt auf eine streng definierte Domäne und arbeitend unter menschlicher Aufsicht – und spalteten diese Begrenztheit in zwei Dimensionen: Autoritätsgrenzen, wo professionelle und rechtliche Verantwortung für Lernen und Sicherheit der Studierenden nicht delegierbar ist, und Expertisegrenzen, wo dem System das Kontextwissen der Lehrkraft über einzelne Studierende, Klassendynamik und institutionelle Normen fehlt. Das Abbilden der Prototypen auf Gagnés neun Unterrichtsereignisse zeigte, dass Delegation selektiv statt alles-oder-nichts war: Lehrkräfte begrüßten KI für das Präsentieren von Inhalten, das Liefern von Übungsproblemen, Scaffolding und formatives Feedback, weigerten sich aber, das Informieren der Studierenden über Ziele oder summatives Prüfen zu übergeben. Die Designlesart ist, dass eine Zusammenarbeits-Schnittstelle sichtbar machen sollte, wo der Mensch die entscheidende Rolle behält, nicht bloß wo das Modell fähig ist.

  • Die Rolle muss sich anpassen, nicht nur bezeichnet werden. Liao (2026) zeigt, dass ein fixer „Peer"-KI-Begleiter längere Book-Talk-Interaktionen aufrechterhielt, aber den Austausch dominierte (geringerer studentischer Wort-/Satzanteil) und eine affektive Decke traf, und argumentiert, Zusammenarbeit erfordere rollen-adaptive Logik – Wechseln zwischen Peer, Assistentin und Beraterin – statt einer einzelnen statischen Persona.

  • Co-Design und Rollenarchitektur auf der Lehrkraftseite sind ebenfalls Zusammenarbeiten. Über studierendenorientierte Partnerinnen hinaus arbeiten Lehrkräfte mit GenAI zusammen, um Instruktion zu gestalten. Wang et al. (2026) sichten systematisch Co-Design von Lernaufgaben durch Lehrkräfte und KI und kartieren die kollaborativen Modi und Spannungen (Handlungsfähigkeit, epistemische Autorität, Kontrolle), die entstehen, wenn Lehrkräfte und KI gemeinsam Designs produzieren; Talebzadeh (2026) findet, dass pädagogische Expertise der Lehrkräfte – nicht KI-Geläufigkeit – die Qualität KI-gestalteter differenzierter Gruppenaktivitäten bestimmt (Rollenreichtum, Synergie, Niveauausrichtung), und positioniert die Lehrkraft als „zweisprachige Lerndesignerin".

  • GenAI als Agent und kollaborativer Raum in Gruppen. Xu et al. (2026) beobachten kleine Hochschul-Teams und zeigen, dass GenAIs Rolle ausgehandelt und konfigurierbar ist – von untergeordneter Assistentin zu strittiger Teamkollegin – und dass synchrone geteilte Nutzung gemeinsamen Grund aufrechterhält, während asynchrone private Nutzung Transparenz fragmentiert, und schlagen eine GenAI-Supported-Cooperative-Work-Linse vor, die GenAI sowohl als Agenten als auch als interaktiven kollaborativen Raum behandelt.

  • Komplementäre Hälften der Zusammenarbeit im Klassenraum. Zwei Studien von 2026 kartieren komplementäre Hälften der Mensch-KI-Zusammenarbeit in Klassenräumen. MeduAI-SP (Yang et al.) argumentiert für „funktionale Komplementarität" in der klinischen Bildung: KI-Agenten übernehmen repetitives Rollenspiel, konsistente Patienten-Simulation, Checklisten-Monitoring, sokratisches Prompting und vorläufiges formatives Feedback, während Fakultät und menschliche standardisierte Patienten kontextuelle Interpretation, nuancierte emotionale Reaktion, individualisierte Remediation, Professionalitätsbewertung und Bereitschaftsurteile liefern – wobei Einspringen durch Fehlerfolgen, Aufgabenunsicherheit, relationale Sensitivität und verfügbare menschliche Prüfung begrenzt ist und ein KI-System explizit daran gehindert wird, klinische Kompetenz autonom zu bestimmen. In die entgegengesetzte Richtung dokumentiert eine 45-Personen-gemischte 3-Mensch/3-Agenten-Ethikdiskussion (Seo et al., 2026) ein zweischneidiges Muster: Agenten senkten soziale Barrieren (Teilnehmende sprachen direkter, weil Agenten Emotionen fehlen, und fühlten keine Verpflichtung, Stille zu füllen), doch derselbe Komfort lenkte Interaktion von Menschen weg – 79.7% der Fragen gingen an Agenten gegenüber den 60%, die ihre Verfügbarkeit vorhersagt (p = .017). Bemerkenswert ließ Teilnehmende die Anwesenheit anderer Menschen die KI respektvoller behandeln, was nahelegt, dass menschliche Ko-Präsenz selbst ein Ermöglichungsmerkmal für die Kalibrierung von KI-Engagement ist.

  • Berufsprogramme lenken Training von Routinproduktion hin zu Zusammenarbeitskompetenzen (ein Designprotokoll): Wang (2026) schlägt ein designbasiertes Rahmenwerk für die Übersetzer:innenbildung vor, das um ein Inventar zur Aufgabenverdrängung herum gebaut ist (18 Teilaufgaben, bewertet nach der Wahrscheinlichkeit von KI-Verdrängung, mit [E]/[P]-Herkunftsmarkierungen) und um vier umgelenkte Kompetenzen: fachübergreifendes Wissen, KI-Orchestrierung, strategisches Urteil und kritische KI-Evaluation. Das Rahmenwerk ist ein vorregistriertes Protokoll ohne empirische Daten bislang; sein Beitrag ist die Methode — eine prüfbare Verdrängungsanalyse plus ein Co-Design-Pfad zur Curriculumreform —, die auf jedes Berufsprogramm übertragbar ist, dessen Routineaufgaben zunehmend von agentischen Systemen ausgeführt werden.

  • Verflechtungstypen unterscheiden sich darin, was sie von der oder dem Studierenden verlangen, und deshalb bleiben manche selten. Sun, Dohn und Rehm (2026) klassifizieren 102 Studien aus der Hochschulbildung danach, wie epistemische Arbeit zwischen Studierendem und System geteilt ist (Assistant, Enabler, Synthesizer, Generator, Reimaginator) und finden, dass die beiden Formen, die Kompetenz dem individuell Studierenden zurechenbar halten, je 42.16% des Korpus ausmachen, während die Formen, die Autorschaft verteilen, marginal bleiben. Ihre Erklärung ist institutionell statt technisch: die seltenen Typen verlangen von Studierenden, epistemische Verantwortung für Ergebnisse zu übernehmen, die sie nicht produziert haben, während sie weiterhin als individuelle Autoren bewertet werden, und es ist dieser Widerspruch – nicht die Arbeitsteilung selbst –, der sie aus der Praxis heraushält. Die Designantwort ist, die Verteilung epistemischer Arbeit explizit zu machen, Aktivitäten über das Spektrum hinweg zu sequenzieren und Reflexion darüber aufzubauen, wie Verantwortung geteilt wurde.

Verbindungen

Mensch-KI-Zusammenarbeit verbindet sich mit Mensch in der Schleife (Aufsicht), agentischer KI (Autonomie), Lehre (sich verändernde Arbeit der Lehrkräfte), Scaffolding und Metakognition (wie Zusammenarbeit Lernen unterstützt) sowie Überabhängigkeit (dem Fehlschlagmodus, wenn Zusammenarbeit zu Einspringen wird). Sie ist ein zentrales Thema über KI-Kompetenz, selbstreguliertes Lernen und Erleben der Studierenden hinweg.

Verbundene Konzepte

Verbundene Artikel

Metadaten

Lernen und UnterrichtInteraktion zwischen Studierenden und KI
Technologien und VerfahrenGenerative KI, Große Sprachmodelle (LLMs)
Grundlagen von KI in der BildungMensch-KI-Zusammenarbeit, KI-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.