Erkundungsbasiertes Lernen

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

Erkundungsbasiertes Lernen (IBL) — eine lernendenzentrierte Pädagogiken und Lehrstrategien, in der Studierende Verständnis entwickeln, indem sie Fragen stellen, unabhängig erkunden und Wissen durch einen Zyklus aus Erkundung, Reflexion und Revision konstruieren, wobei die Lehrkraft Scaffolding (Gerüstbildung) bietet statt zu dozieren. Im Zeitalter der KI ist die fragengesteuerte, erkundungszentrierte Struktur des IBL ein Brennpunkt geworden: generative KI- und Große Sprachmodelle (LLMs)-Werkzeuge können als interaktive „Mit-Erkundende“ dienen, die Fragen und Untersuchung unterstützen — aber nur, wenn sie so gestaltet sind, dass sie die kognitive Arbeit der Erkundung bewahren statt sie zu umgehen.

Fragen zum Nachdenken

• Erkundungsbasiertes Lernen zentriert sich auf studierendengesteuerte Fragen und den Erkundungsprozess selbst. Wie unterscheidet sich Lernen, das von Ihrer eigenen Frage getrieben ist, von Lernen, das von der Frage eines anderen getrieben ist?
• Die Seite fragt, ob KI als „Mit-Erkundende“ dient, die Ihre Untersuchung unterstützt, oder als Ersatz, der die kognitive Arbeit umgeht. Wenn Sie KI nutzen, um eine Frage zu erkunden, wer erkundet dann?
• Die Evidenz zu KI-unterstützter Erkundung ist gemischt: Sie verbesserte kreative Leistung und Einstellungen, aber nicht kritisches Problemlösen in einer Studie, und vertiefte konzeptionelles Verständnis, ohne KI-Kompetenz zu steigern, in einer anderen. Was legt das nahe, was KI allein entwickeln kann und was nicht?
• Wenn KI-Ausgabe als autoritativ zu behandeln Überabhängigkeit und oberflächliche Schlussfolgerungen riskiert, wie würden Sie Studierenden lehren, KI-erzeugte Antworten als Teil des Erkundungszyklus zu evaluieren?
• Die Seite verbindet Erkundung mit produktivem Scheitern — Lernende erkunden vor der Instruktion, damit der Kampf selbst das Lernen vorbereitet. Wie könnte KI, die Antworten zurückhält und mehrere Versuche hervorlockt, diesen Kampf unterstützen statt ihn zu beseitigen?
• Was ist die Rolle der Facilitatorin, wenn KI die Friktion des Fragens senkt? Wenn Studierende sofort Antworten bekommen können, was muss die Lehrkraft dann begleiten, was sie vorher nicht musste?

Einführung

Erkundungsbasiertes Lernen zentriert sich auf studierendengesteuerte Fragen und den Erkundungsprozess selbst und bewegt sich typischerweise durch Phasen (Orientierung → Konzeptualisierung → Untersuchung → Diskussion → Schlussfolgerung). Es ist die breitere Familie, unter der problembasiertes Lernen und projektbasiertes Lernen oft eingeordnet sind: IBL betont den Frage- und Entdeckungsprozess, PBL das schlecht strukturierte Problem und projektbasiertes Lernen das greifbare Artefakt.

Wie erkundungsbasiertes Lernen in der Wissensbasis erscheint

KI als Mit-Erkundende. Ein systematisches Review zu ChatGPT für erkundungsbasiertes Lernen in STEAM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 Studien) fand ChatGPT hauptsächlich in den Phasen Konzeptualisierung, Untersuchung und Diskussion genutzt — als Lernwerkzeug, Tutor, Lernpeer, Fachexperte und Lehr-Assistent —, wobei Leistung, kritisches Denken, Engagement und Motivation verbessert wurden, während Risiken von Überabhängigkeit, Halluzination und oberflächlichen Schlussfolgerungen bestanden, wenn Ausgabe als autoritativ behandelt wurde.

Problemstellung als Ausgangspunkt. Ein Quasiexperiment mit 97 Drittklässlern (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) zeigte, dass GenAI-Chatbots Suchmaschinen bei der Problemstellung in Naturwissenschaft deutlich übertrafen, die Fragenqualität verbesserten und stärker integrierte epistemische Netzwerke erzeugten, während sie kognitive Last senkten.

Muster auf kognitiver Ebene im LLM-getriebenen IBL. Eine explorative Studie von 117 Interviewtranskripten und Interaktionsaufzeichnungen (Luo et al.) identifizierte 14 Interaktionsmuster über Blooms kognitive Ebenen hinweg und zeigte, wie das Vorwissen der Studierenden die LLM-Nutzung prägt, und markierte den Bedarf an Begleitung, die auf Stufen höheren Denkens zielt und Überabhängigkeit abmildert.

Ergebnisevidenz ist gemischt. Ein KI-unterstütztes IBL-Experiment in Mathematik (Mujib et al.) verbesserte kreative mathematische Leistung und Einstellungen, aber nicht kritisches Problemlösen — was nahelegt, dass KI-IBL vor allem Kreativität und affektive Entwicklung unterstützt. Eine Metaanalyse von 29 Experimenten (Zhao et al.) fand, dass GenAI einen moderaten positiven Effekt auf höheres Denken hat, am stärksten für Problemlösen und mit 8–16-wöchigen Interventionen, wobei Lernende mit höherer Selbstreguliertes Lernen am meisten profitieren. Ein Quasiexperiment mit 48 angehenden Naturwissenschaftslehrkräften in der Türkei (Aydın) mit einem 8-wöchigen KI-unterstützten Programm geführter Erkundung (das problem- und designbasiertes Lernen integriert) fand signifikante Gruppen-mal-Zeit-Gewinne im konzeptionellen Verständnis von Photosynthese und Zellatmung, aber keinen signifikanten Effekt auf KI-Kompetenz oder selbstwahrgenommenes rechnerisches Denken — ein Beleg dafür, dass KI-IBL Domänenverständnis vertiefen kann, während die Entwicklung von KI/CT-Kompetenzen expliziteres, gezielteres Design erfordert.

Gousopoulos (2026) isolierte den KI-Beitrag von der Erkundung selbst in einer Dreigruppen-Klimastudie: KI-unterstützte Erkundung übertraf reine Erkundungspeers bei Entscheidungsfindung (d = 0,69), mit den größten Gewinnen in Monitoring und adaptivem Management (d = 1,37), während sich grundlegende Datenerhebung über alle Bedingungen hinweg gleich verbesserte.

Gerechtigkeit und Kontext. Ein konzeptionelles Framework überbrückt generative KI-Mitgestaltung mit offenen Bildungspraktiken, um erkundungsgeführte STEM-Lehre in unterversorgten Kontexten zu unterstützen, unter Nutzung KI-erzeugter, mehrsprachiger, kontextuell relevanter Simulationen.

KI-begleiteter Evidenzvergleich. An und Kollegen (2026) zeigen, wie ein KI-gestütztes Informationsextraktionssystem die Literaturübersicht im Grundstudium von Zusammenfassung hin zu Evidenzorganisation und -vergleich verschiebt — Studierende bewegen sich von isoliertem Lesen zu studienübergreifendem Vergleich und evidenzbasierter Begründung zur Unterstützung forschungsbasierten Lernens und des Abschlusses der Thesis. Das konkretisiert, wie KI Erkundungsprozesse in der STEM-Grundstudienforschung begleiten kann.

Warum erkundungsbasiertes Lernen für KI-Integration zählt

Die fragengesteuerte, prozessfokussierte Struktur des IBL ist das natürliche Zuhause produktiver KI-Nutzung: Studierende lernen mit KI als Partnerin statt von ihr als Ersatz. Die Evidenz der Wissensbasis konvergiert auf eine Kernspannung — KI kann die Friktion von Informationsabruf und Formulierung von Fragen senken (und so kognitive Last senken und tiefere Reflexion ermöglichen), riskiert aber ohne Designbegleitung Überabhängigkeit und das Umgehen höherer Kognition. Die Rolle der Facilitatorin, das Design der Gerüste und das explizite Lehren von Evaluationsfähigkeiten sind die Hebel, die entscheiden, ob KI Erkundung vertieft oder verdrängt.

Produktives Scheitern und Erkundung

Produktives Scheitern (PF) ist der strukturierteste Vetter des erkundungsbasierten Lernens: Lernende erkunden Probleme und erzeugen Lösungen vor direkter Instruktion und konsolidieren dann. Beide teilen die Prämisse, dass von Lernenden erzeugte Versuche (selbst gescheiterte) Vorwissen aktivieren und Lernende darauf vorbereiten, von Instruktion zu lernen. Die KI-Zeitalter-PF-Forschung schärft, wie KI Erkundung begleiten sollte, ohne sie kurzzuschließen: Kim et al. (2026) leiten KI-Designprinzipien ab, um den Kampf durch Problemerkundung und Lösungserzeugung zu bewahren; Puech et al. (2025) zeigen, dass LLM-Tutoren so gesteuert werden können, dass sie Antworten zurückhalten und mehrere Versuche hervorlocken; Hinweis-vor-Korrektur-Aufgaben exemplifizieren hinweisbasierte (statt direkte) Begleitung, die Lernende weiter schlussfolgern lässt. Diese verbinden Erkundung und PF mit dem übergreifenden Imperativ, dass KI den produktiven Kampf nicht beseitigen darf, durch den dauerhaftes Lernen entsteht.

In Außen-Settings wird derselbe Imperativ räumlich: GenAI kann vorstrukturieren, was Lernende bemerken, bevor sie der Evidenz begegnen, daher schützt eine Feld-zuerst-Sequenz, die erzeugte Erklärung zurückhält, bis Beobachtungen und erste Interpretationen aufgezeichnet sind, die Erkundung (Choi, 2026).

Verbundene Konzepte

• Problembasiertes Lernen
• Projektbasiertes Lernen
• Aktives Lernen
• Kritisches Denken
• Metakognition
• Selbstreguliertes Lernen
• Scaffolding (Gerüstbildung)
• Kognitive Auslagerung
• Generative KI
• Große Sprachmodelle (LLMs)
• MINT-Bildung
• Kollaboratives Lernen
• Hochschulbildung
• K-12 (Primar- und Sekundarstufe)
• Produktives Scheitern — Productive Failure

Verbundene Artikel

• The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education — ChatGPT für erkundungsbasiertes Lernen in STEAM (systematisches Review)
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — GenAI-Chatbots und Problemstellung in der Grundschul-Naturwissenschaft
• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — IBL-Muster in LLM-getriebenen Umgebungen (Blooms Perspektive)
• Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics — KI-unterstütztes IBL und kreative mathematische Leistung
• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — GenAI- und höheres-Denken-Metaanalyse
• STEAM Education for AI Literacy: A Systematic Literature Review — STEAM-Bildung für KI-Kompetenz
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Designing AI Systems to Support Productive-Failure-Based Learning
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pedagogical Steering of LLMs for Productive Failure
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning
• AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — KI-unterstützte geführte Erkundung zu Photosynthese & Atmung (Naturwissenschaftslehrkräftebildung)
• From Literature to Research-Based Learning: An AI-Powered Information Extraction System to Enhance Undergraduate Thesis Completion — KI-gestützte Informationsextraktion unterstützt Thesis im Grundstudium und forschungsbasiertes Lernen (An et al. 2026)
• Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change — KI-unterstützte Erkundung zu sozio-wissenschaftlichen Fragen des Klimawandels
• Reconceptualizing outdoor geoscience learning for the generative AI era: a human-centered instructional model — Ein Feld-zuerst-Instruktionsmodell, das verhindert, dass GenAI vorstrukturiert, was Lernende bemerken (Choi 2026)