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

Informations- und Medienkompetenz

Erstellt 2026-11-05 · Aktualisiert 2026-11-07

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

Informations- und Medienkompetenz sind benachbarte Fähigkeiten, die KI an derselben Naht umschreibt. Informationskompetenz zentriert sich auf das Finden und Prüfen korrekter Daten; Medienkompetenz auf das Verstehen, wer eine Botschaft erstellt hat, wie sie konstruiert wurde und warum. Sie überschneiden sich in ihrem gemeinsamen Ziel, jenes kritische Denken aufzubauen, das Menschen befähigt, sich in einer digitalen Welt zu orientieren und Fehlinformationen zu erkennen — und sie teilen inzwischen ein zweites Problem: generative KI erzeugt flüssige, plausible Inhalte, deren Herkunft und Absicht verborgen sind, sodass die Herkunftsfrage, die Medienkompetenz immer gestellt hat, auch in die Informationskompetenz gewandert ist.

Fragen zum Nachdenken

  • Wenn ein Chatbot einen zuversichtlichen Absatz mit drei Quellenangaben zurückgibt: Übt die studierende Person dann Informationskompetenz, Medienkompetenz oder keines von beiden aus — und macht die Aufgabe diese Unterscheidung sichtbar?
  • Deepfakes und erfundene Literaturangaben sind unterschiedliche Fehlformen: Die eine ist ein falscher Bericht über die Welt, die andere ein falscher Bericht über die Literatur. Kann ein Kurs beide lehren, ohne jedes davon schlecht zu lehren?
  • KI-Detektoren und Faktenprüfer sind selbst Modelle mit Fehlerraten. Was geschieht mit einem Curriculum zur Verifikation, wenn das Verifikationswerkzeug probabilistisch ist?
  • Medienkompetenz wurde über Produktion gelehrt — Lernende erstellen Medien, um sie zu verstehen. Wenn nun ein Modell das Artefakt erstellt, welcher Teil der Pädagogik überlebt?

Einführung

Die beiden Kompetenzen haben getrennte institutionelle Heimatorte. Informationskompetenz wurde in der Bibliotheks- und Informationswissenschaft kodifiziert, am sichtbarsten im ACRL Framework, als eine Menge von Haltungen zu Autorität, Prozess und Wert. Medienkompetenz wuchs aus der Kommunikations- und Medienwissenschaft und aus der schulischen Medienerziehung und fragt nach Urheberschaft, Technik, Publikum und Wirkung. Die eine beurteilt, ob eine Quelle Glauben verdient; die andere fragt, wer eine Botschaft erstellt hat und was sie tut.

Diese Trennung war in der Theorie schon immer sauberer als im Klassenzimmer. Beide Kompetenzen lehren Lernende, langsamer zu werden, die Herkunft zu prüfen und sich der Flüssigkeit zu widersetzen. Beide beruhten auf der Annahme, dass das Artefakt eine Urheberin oder einen Urheber hatte, der oder die Kosten für die Produktion trug. Generative KI nimmt diese Annahme beiden zugleich weg: Text wird aus einem nicht nachverfolgbaren Korpus synthetisiert, Bilder und Stimmen werden geklont, und automatisierte Konten simulieren das Publikum selbst.

Diese Seite behandelt das Paar, weil der Korpus sie als ein didaktisches Problem mit zwei Ergebnisgruppen behandelt. Die Evidenz ist ungleich — eine bibliometrische Karte und zwei systematische Reviews auf der Informationsseite, eine kleine Intervention und eine Experteninterviewstudie auf der Medienseite —, und fast keine davon testet ein kombiniertes Curriculum. Diese Abwesenheit ist selbst der Befund, der in die Praxis getragen werden sollte.

Wo die beiden Konstrukte auseinandergehen

Der Gegenstand der Informationskompetenz ist die Quelle, und ihre Kernfrage lautet, ob die Behauptung wahr und die Evidenz hinter ihr glaubwürdig ist. Der Gegenstand der Medienkompetenz ist die Botschaft, und ihre Kernfrage lautet, wer sie erstellt hat, wie, für wen und zu welchem Zweck. Eine erfundene Literaturangabe scheitert am ersten Test; ein Deepfake kann jede Faktenprüfung bestehen, die eine studierende Person durchzuführen weiß, und dabei am zweiten scheitern.

Die empirischen Literaturen spiegeln diese Spaltung. Eine Befragung von 236 US-amerikanischen Universitätsstudierenden fragte, wo akademische Suchen beginnen, und fand Suchmaschinen bei 45,5 %, die Bibliothekshomepage bei 27,9 % und einen KI-Chatbot bei 26,6 %, wobei internationale Studierende Bibliotheksressourcen etwa doppelt so häufig durch KI ersetzten wie inländische Studierende (Lund et al., 2026). Ein systematischer Review von 32 Studien fand die Integration von KI-Kompetenz in die Vermittlung von Informationskompetenz in einem „Anfangsstadium", umgesetzt über LibGuides und Workshops statt über Curricula (Mirza und Arif, 2026). Auf der Medienseite fand eine Interviewstudie mit sieben Expertinnen und Experten und eine Befragung von 141 Studierenden die Einbeziehung von Technologie in das Curriculum kritischer Medienkompetenz „begrenzt und oft oberflächlich", wobei Lehrkräfte für Werkzeuge, die Desinformation und Deepfakes erzeugen, unzureichend ausgebildet seien (die Studie zur kritischen Medienkompetenz, 2026).

Wie KI die Informationskompetenz verkompliziert

Die erste Komplikation ist das Erfinden im großen Maßstab. Ein Modell erzeugt überzeugenden Text, plausible Literaturangaben und selbstsichere Statistiken, die möglicherweise nicht existieren; die lesende Person erhält eine Synthese, deren Suchspur gelöscht wurde. Prüfen wird zu einer anderen Fähigkeit: nicht „ist das eine gute Quelle", sondern „existiert diese Quelle, und sagt sie, was die Antwort behauptet".

Die zweite ist, dass die Suchebene in eine Antwortschicht kollabiert ist. Wenn das Werkzeug abruft, auswählt und schreibt, verlagert sich der kompetente Akt auf die Beurteilung der Synthese. Das ist der übrig bleibende Kern, auf den die Evidenz immer wieder zeigt: Eine Plattform mit eingebetteter bibliothekarischer Betreuung übertraf konventionelle Bibliotheksunterweisung mit 0,78 gegenüber 0,25 Punkten auf einem ACRL-basierten Instrument, und die Beratungen, die diesen Gewinn erzeugten, wurden von Fragen zur Quellenbewertung dominiert (Huang, 2026).

Die dritte ist Kapazität. In einer Befragung von 412 wissenschaftlichen Bibliothekarinnen und Bibliothekaren an 38 nigerianischen Einrichtungen war die selbst eingeschätzte Kompetenz bei Datenbankunterweisung hoch (M = 4,07) und bei der Vermittlung von Informationskompetenz ähnlich hoch (M = 4,02), aber die zusammengesetzte KI-Kompetenz lag bei 2,86, am schwächsten bei der Gestaltung von Lernzielen (M = 2,70) und der Bewertung von Ergebnissen (M = 2,62) (Dada, 2026). Ein Feld, das auf 1.669 Publikationen kartiert ist, wird gebeten, eine Kompetenz zu lehren, deren Gestaltung seine Lehrkräfte nach eigener Auskunft noch nicht beherrschen (Jabeen und Lux, 2026).

Wie KI die Medienkompetenz verkompliziert

Die Gründungsfragen der Medienkompetenz setzten eine Urheberin oder einen Urheber mit einer Absicht voraus. Deepfakes, Stimmklone und automatisierte Bots brechen diese Annahme auf drei Weisen: Das Artefakt hat möglicherweise keine menschliche Urheberschaft, das Publikum kann synthetisch sein, und die Absicht kann Optimierung auf Engagement statt Überzeugung durch irgendjemanden sein.

Die Curriculumsevidenz legt nahe, dass Schulen nicht Schritt gehalten haben. Die Experteninterviews beschreiben die Lehrkräfteausbildung als die entscheidende Engstelle statt als Widerstand der Lernenden und plädieren für eine Rahmung durch kritische Pädagogik, die Bewertung als ethische und partizipative Praxis behandelt statt als Werkzeugtraining. Ein beauftragter Bericht für öffentlich-rechtliche Medien fand, dass das Angebot für 14- bis 19-Jährige sich zu funktionalen KI-Fähigkeiten und weg von kritischer Bewertung neigt, obwohl mehr als 40 Rahmenwerke gesichtet und 35 Expertinnen und Experten interviewt wurden (der Bericht zu KI-Kompetenzen, 2025).

KI als defensives Werkzeug — Behauptungen und Einschränkungen

Das Argument für den Einsatz von KI auf der defensiven Seite ist plausibel und wird weithin vertreten: automatisierte Glaubwürdigkeitsprüfungen, die die Vorgeschichte und die Sprache einer Quelle nach Bias-Signalen durchsuchen, Deepfake-Detektoren, Metadatenanalysen, die nach Herkunftsmarkern suchen, und Simulationen, in denen Lernende die Bewertung an realistischem synthetischem Material üben. Diese Fähigkeiten sind reale Produkte, und die Nutzung im Klassenzimmer ist reale Praxis.

Die Evidenz ist dünner als die Behauptungen. Detektoren sind probabilistisch und verschlechtern sich, während die Generatoren besser werden; ein Faktenprüfungsmodell ist selbst ein Modell, sodass die studierende Person noch immer den Prüfer beurteilen muss; und Herkunftsmetadaten helfen nur, wenn eine produzierende Stelle sie freiwillig anhängt. Eines der belastbarsten Ergebnisse des Korpus ist, dass KI-gestützte Medienkompetenzvermittlung in kleinem Maßstab wirken kann: Ein 18-stündiges Programm nach dem 5E-Modell erzeugte große Zuwächse bei 36 Viertklässlerinnen und Viertklässlern an einer türkischen Schule (Demir und Akar, 2026). Sechsunddreißig Lernende sind ein Machbarkeitsnachweis, kein Beschaffungsfall.

Ein Meinungsbeitrag aus dem Bibliothekssektor treibt dieselbe Idee weiter: KI könnte die Vermittlung von Informationskompetenz durch Retrieval, adaptive Tutorials, Chatbots und automatisierte Faktenprüfung tragen, wobei Bibliothekarinnen und Bibliothekare statt Anbieter die Integration verantworten sollten (Offem und Arikpo, 2026). Der Beitrag berichtet keine Daten; er ist daher eine Designskizze dafür, wo Vermittlung liegen könnte, und kein Beleg dafür, dass sie funktioniert.

Zusammengelesen legen die beiden Seiten der Bilanz eine Regel nahe: KI kann die Übungslast tragen — realistische Szenarien, unmittelbares Feedback, Skalierung —, aber die Urteilslast bleibt bei der lernenden Person, und jedes Werkzeug, das behauptet, sie zu ersetzen, sollte als Detektor mit gemessener Fehlerrate bewertet und nicht als Lösungsschlüssel übernommen werden.

Was das für die Praxis bedeutet

  • Eine Prozedur lehren, zwei Gegenstände. Die prüfbare Routine — die Behauptung zu einer Quelle zurückverfolgen, die Quelle zu einer Urheberschaft zurückverfolgen, fragen, was das Artefakt tut — funktioniert für eine Literaturangabe wie für ein Video. Benennen Sie, welchen Gegenstand die Aufgabe bewertet.
  • Detektion als Evidenz behandeln, nicht als Urteil. Die Ausgabe eines Detektors ist eine Wahrscheinlichkeit; lehren Sie Lernende, sie mit einer zweiten Methode zu bestätigen und zu sagen, was ihre Meinung ändern würde.
  • Produktion im Curriculum behalten. Medien zu erstellen war die Pädagogik, die Kritik konkret machte; das Erzeugen mit KI kann sie nur stützen, wenn Lernende die Entscheidungen untersuchen, die das Werkzeug für sie getroffen hat.
  • Eine bibliothekarische oder medienpädagogische Fachperson in den Arbeitsablauf einbinden. Das stärkste Unterrichtsergebnis in dieser Literatur stammt aus einem Design, in dem menschliche Beratung eingebaut war und nicht nachträglich angeboten wurde.
  • Die Kapazität des Personals prüfen, bevor der Lehrplan geschrieben wird. Das gemessene Defizit liegt bei der Gestaltung von Zielen und der Bewertung von Ergebnissen, nicht bei der Nutzung von Werkzeugen.

Grenzen der Evidenz

Die meisten Studien hier sind klein, selbstberichtet oder beides: 236 Studierende in einer Befragung, 36 Kinder in einer Intervention, 412 Bibliothekarinnen und Bibliothekare, die sich selbst einschätzten. Bibliometrische Sichtbarkeit ist keine Praxis, und die scientometrischen Autorinnen und Autoren sagen das ausdrücklich. Keine Studie im Korpus bewertet ein kombiniertes Curriculum für Informations- und Medienkompetenz, und die Detektor- und Faktenprüfungswerkzeuge, die die Praxisliteratur empfiehlt, sind in diesen Quellen weitgehend ungemessen. Die Behauptung, KI-gestützte Verifikation verbessere Ergebnisse, sollte als Designhypothese behandelt werden, bis jemand sie gegen eine Kontrolle testet.

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauHigher Ed, K 12, Adult Learning
ZielgruppeLibrarians, Instructors, Learners, Curriculum Designers
Lernen und UnterrichtKritische Pädagogik
Technologien und VerfahrenGenerative KI, Große Sprachmodelle (LLMs)
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzVertrauenskalibrierung
Grundlagen von KI in der BildungInformations- und Medienkompetenz, KI-Kompetenz, Kritisches Denken, Akademische Integrität
SeitenartSynthesis
QuelleVerlaufBearbeitenChat

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.