Lernende

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

Synthese: Lernende sind das primäre Publikum von KI in der Bildung — die Lernenden in K-12 (Primar- und Sekundarstufe), Hochschulbildung und Erwachsenenbildung, deren Arbeit, Verständnis und Selbstverständnis KI inzwischen prägt. Diese Seite ist der Schirm für die lernendenseitige Abdeckung der Wissensbasis: was Lernende erleben (das Erleben der Studierenden), wer sie werden (Identität der Lernenden), was sie noch wählen (Handlungsfähigkeit), wie sie tatsächlich mit dem Werkzeug interagieren (Interaktion zwischen Studierenden und KI), ob ihre Anstrengung und Selbstregulation darunter standhalten (kognitive Entlastung), und wie KI-Systeme sie modellieren (Modellierung der Lernenden). Der wiederkehrende Befund über diese Forschung hinweg ist, dass dasselbe Werkzeug verschiedenen Lernenden unterschiedlich hilft und schadet — Zuwächse konzentrieren sich dort, wo Vorwissen, KI-Kompetenz und Verifikationsgewohnheiten bereits vorhanden sind, und Umkehrung konzentriert sich dort, wo KI an die Stelle jenes Denkens tritt, das die Aufgabe aufbauen sollte.

Fragen zum Nachdenken

• Welche Lernende in Ihrem eigenen Kontext würde ein neues KI-Werkzeug zuerst erreichen, und welche würde es zurücklassen — und warum glauben Sie das?
• Die Forschung berichtet oft, dass Lernende glauben, KI habe ihnen geholfen, während ungestützte Maße keinen Zuwachs oder einen Verlust zeigen. Wenn der eigene Bericht einer lernenden Person unzuverlässige Evidenz ist: Was würden Sie als Beleg dafür akzeptieren, dass Lernen stattfand?
• Lernende werden hier sowohl als Menschen beschrieben, die KI nutzen, als auch als Objekte, die KI modelliert (Lernendenmodelle, Knowledge Tracing, simulierte Lernende). Wo sollte ein Modell einer lernenden Person den Unterricht informieren, und wo sollte es aufhören, vertraut zu werden?
• Selbstregulation und Vorwissen entscheiden, ob KI-Unterstützung zu Lernen oder Substitution wird. Ist das ein Defizit der lernenden Person, das zu beheben ist, ein Designproblem, das zu lösen ist, oder ein Assessmentproblem, das zu reparieren ist?
• Wenn eine Gruppe von Lernenden mit einem KI-Werkzeug schlecht abschneidet, erfahren die Gestaltenden des Werkzeugs es in der Regel zuletzt. Wie würde in Ihrer Einrichtung eine Routine aussehen, tatsächlich vor und nach der Einführung von Lernenden zu hören?
• Handlungsfähigkeit und Identität der Lernenden stehen ebenso auf dem Spiel wie Leistung. Welche davon würden Sie gegen messbare Notenzuwächse nicht eintauschen — und würde Ihr Assessment-Design diese Weigerung sichtbar machen?

Einführung

Lernende erscheinen in dieser Wissensbasis in zwei sehr verschiedenen Gestalten, und sie zu vermischen verursacht die meiste Verwirrung im Feld. In der ersten sind Lernende Menschen, die KI nutzen: Sie stellen Fragen, akzeptieren oder widerstehen Antworten, verlieren oder behalten den Boden unter den Füßen und berichten Erlebnisse von Unterstützung, Schuld, Angst und Abhängigkeit. In der zweiten sind Lernende Objekte, die KI-Systeme modellieren: eine Fähigkeitsschätzung im Knowledge Tracing, ein latenter Zustand in der kognitiven Diagnose oder ein simulierter Lernender, der für eine echte Person einspringt. Die Evidenz über die erste stammt aus Befragungen, Interviews, Log-Analysen und Experimenten; die Evidenz über die zweite stammt aus der Maschinerie der Messung selbst — und ein Modell einer lernenden Person ist eine Behauptung, keine lernende Person.

Diese Seite ist der Einstiegspunkt für beide. Sie versammelt die lernendenseitigen Konzepte, die die Wissensbasis abdeckt, erklärt, wie sie zusammenhängen, und verlinkt die Studien dahinter. Akteure deckt die andere Seite desselben Felds ab — Lehrende, Administration, Gestaltende und politisch Verantwortliche —, und die beiden Seiten sind dafür gedacht, zusammen gelesen zu werden.

Wer als lernende Person zählt

Die Wissensbasis behandelt Lernende über die gesamte Spanne formaler Bildung: Schülerinnen und Schüler in K-12 (Primar- und Sekundarstufe), Studierende, berufliche und berufsbegleitend weiterbildende Lernende sowie erwachsene und lebenslang Lernende, einschließlich Lernender mit Behinderungen, neurodivergenter Lernender und mehrsprachiger Lernender. Zwei Konventionen sind bedeutsam. Erstens: „Lernende“ und „Studierende“ sind nicht sinnvoll austauschbar: Studierende benennt eine institutionelle Rolle, Lernende benennt eine Aktivität, und eine Person kann das eine sein ohne das andere (eine Mitarbeiterin in Arbeitsplatztraining ist eine Lernende, aber keine Studierende). Zweitens: Lernende sind keine homogene Gruppe, und die Heterogenität ist genau das, was die Forschung fortlaufend zutage fördert — Vorwissen, Selbstregulation, Sprache, Zugang und Behinderungsstatus verändern alle, ob ein KI-Werkzeug hilft.

Was Lernende erleben

Das Erleben der Studierenden ist eine der am besten erforschten Dimensionen von KI in der Bildung, und ihre zentrale Lektion ist, dass die Effekte gemischt statt gleichförmig sind. Befragungsarbeit zur Lernproduktivität findet Lernende, die echte Effizienzgewinne berichten — 92.3% sagten, KI habe ihr Verständnis verbessert —, neben einer Lücke, die die Schlagzeilenzahlen verbergen: nur 38.5% sagten, sie habe ihre gesamte Lernzeit reduziert, und die Hälfte berichtete, manchmal auf KI zu vertrauen, statt unabhängig lernen zu versuchen. Analysen von Vertrauensmustern gehen weiter: Lernende mit unterschiedlichem Niveau an KI-Kompetenz und Bewertungsfähigkeit landen in qualitativ verschiedenen Beziehungen zum Werkzeug, sodass dieselbe Kurspolitik für verschiedene Lernende verschiedene Ergebnisse hervorbringt — Unterstützung für die einen, Substitution für die anderen. Studierende beschreiben den Sog des geringsten Aufwands in ihren eigenen Worten, was die Seiten zu akademischer Integrität und Missverständnissen als Design- und Politikproblem statt als moralisches behandeln.

Affekt läuft parallel zur kognitiven Geschichte: KI-Angst und Stress und Wohlbefinden dokumentieren Angst, überholt zu werden, des Fehlverhaltens beschuldigt zu werden, und über den Wert des angestrebten Abschlusses. Die mentalen Modelle der Lernenden von KI — was sie glauben, dass sie ist, und was sie glauben, wofür sie da ist — liegen stromaufwärts davon, ob sie sie gut nutzen, weshalb Missverständnisse und die Einordnung der KI-Nutzung für Studierende durch die gesamte lernendenseitige Forschung hindurch auftauchen.

Berichte der Lernenden verkomplizieren auch die Integritätsgeschichte, die so viel lernendenseitige Politik rahmt. Interviews mit 27 Studierenden an einer äthiopischen Universität finden nahezu universelle GenAI-Nutzung neben einer echt gespaltenen ethischen Lesart — die meisten schreiben den Werkzeugen zu, ihre Leistung gehoben zu haben, eine Minderheit nennt Kursarbeitnutzung ein Fehlverhalten, und fast alle berichten ein unebenes Spielfeld, auf dem KI-Nutzende über fleißige unabhängig Arbeitende hinauspunkten, einer beschreibt die Wirkung als Tötung ihres Sinns für Fleiß. Die Studierendenseite von Fehlverhaltensprozeduren ist in der Literatur dünner als die Studierendenseite der Nutzung, doch Aktenanalyse von 1,162 GenAI-Vorwürfen zeigt, was Lernende erwartet, wenn die institutionelle Antwort eintrifmt: die am häufigsten genannte Evidenz ist die am schwächsten bewertete Art, keine minimale Evidenzschwelle bestimmt, ob ein Fall weiterverfolgt wird, und Lernende, deren Fälle auf dünner Evidenz ruhen, werden in Richtung Berufung gedrängt.

Identität, Handlungsfähigkeit und Autorschaft

Lernendenseitige Forschung handelt nicht nur von Ergebnissen. Identität der Lernenden fragt, wer eine lernende Person im Verhältnis zu einem Fach und zu KI wird, und die Evidenz läuft in beide Richtungen: gut gestaltete Nutzung kann fachliche Zugehörigkeit stützen, während Auslagern das Gefühl erodieren kann, dass die Arbeit die eigene ist. Handlungsfähigkeit fragt, was die lernende Person noch kontrolliert. Die Wissensbasis behandelt beides als echt auf dem Spiel stehend, nicht als weiche Anhängsel an Leistung: eine lernende Person, die mit einer KI korrekte Ausgaben produziert und die Schlussfolgerung dahinter nicht mehr wiedererkennt, hat etwas verloren, das die Note nicht festhält. Die Autorschaftsfrage ist die, an der Lernende selbst am meisten ringen: zu GenAI und Integrität befragte Studierende reklamierten Originalität, weil kein anderer Urheber existierte — „If it is not my original idea, then whose?“ —, während andere schlossen, die Arbeit stelle sie nicht dar, und eine schloss auf das Erkennen des Werkzeugs als Koautorin, die es nicht sein konnte, da KI keine Person ist.

Interaktion mit KI: was Lernende tatsächlich tun

Die Seite Interaktion zwischen Studierenden und KI versammelt, was Lernende von KI verlangen, wie sich ihre Prompts und Dialoge entwickeln, und warum Interaktionsqualität Lernleistungen besser vorhersagt als Zugang. Ein schneller Scoping-Review von 46 Kategorisierungen aus 33 Studien findet diese Evidenzbasis konzeptuell fragmentiert — Studien unterscheiden sich in Datenquelle, Kategorienschema und Analyseeinheit, sodass „qualitätsvolle Interaktion“ quer über sie noch kein vergleichbares Konstrukt ist, und der Ruf des Reviews ist nach einer konvergenten Taxonomie lernorientierter LLM-Nutzung statt einer Behauptung, eine existiere bereits. Studien zu Chat-Inhalten finden, dass Lernende sich auf kennzeichnende Weisen disziplinieren, wobei das Engagement von Sondieren und Prüfen von Behauptungen bis zum Akzeptieren der ersten plausiblen Antwort reicht. Hilfesuche liefert den älteren Rahmen: um Hilfe zu bitten ist eine Fähigkeit, und den falschen Helfer auf die falsche Weise zu fragen ist ein bekanntes Fehlschlagmuster, das KI nicht beseitigt.

Anstrengung, Selbstregulation und die Leistungs-Lern-Lücke

Hier ist die lernendenseitige Evidenz am folgenreichsten, weil sie trennt, was Lernende mit KI können von dem, was sie ohne sie können.

Kognitive Entlastung versammelt die Übervertrauens-Evidenz; Leistung gegenüber Lernen stellt den zentralen methodischen Punkt fest, dass assistierte Leistung und ungestützte Fähigkeit getrennt gemessen werden müssen; ebenensensible Studien des Schreibens trennen Auslagern auf Oberflächen-, Struktur-, Ideen- und Schlussebene und finden die höchste gestützte Leistung in der am wenigsten begrenzten Bedingung neben der niedrigsten unabhängigen Leistung acht Wochen später; und Shaw und Naves Konto kognitiver Kapitulation benennt jene Disposition, die Delegation zur Gewohnheit statt zur Strategie macht. Metakognitive Dissonanz dokumentiert den unbequemen Mittel fall — Lernende, die bemerken, dass sie nicht verstehen, und dennoch einreichen —, und Verifikationsforschung zeigt, dass „Prüfen“ selbst eine abgestufte Fähigkeit ist, keine binäre Gewohnheit. Auf der Designseite versammeln produktive Schwierigkeit und Missbrauch reduzieren jene Interventionen, die die Anstrengung wiederherstellen, die die Aufgabe erfordern sollte.

Lernende als Modelle

Die lernendenseitigen Konzepte mit der längsten technischen Linie sind jene, die die lernende Person für das System repräsentieren. Modellierung der Lernenden deckt die Familie ab: Knowledge Tracing schätzt Fähigkeitserwerb über die Zeit, kognitive Diagnose lokalisiert spezifische Missverständnisse, und die adaptiven und personalisierten Systeme konsumieren jene Schätzungen. Simulation von Lernenden und ihr Review behandeln Simulation als Weg, Tutoren zu testen und Daten zu erzeugen, wenn echte Lernende nicht verfügbar sind — als ausdrücklich vorläufigen Einspringer, nicht als Ersatz. Zwei Vorsichtsmaßnahmen laufen durch diese Literatur: Modellschätzungen sind Inferenzen aus Verhalten, die empfindlich darauf reagieren, wie Items und Schnittstellen gebaut sind, und Studien zu demografischen Signalen zeigen, dass Assessment-Systeme Stellvertreter für die Identität der lernenden Person aufgreifen können (Sprache, Hintergrund), die nie Teil des Konstrukts sein sollten. Selbstauskunftsmaße deckt das Spiegelbildproblems auf der Forschungsseite ab: was Lernende über ihr eigenes Lernen sagen, weicht oft von dem ab, was sie können.

Gerechtigkeit zwischen Lernenden

Weil Vorteile vorherigem Vorteil folgen, ist lernendenseitige Arbeit von Gerechtigkeit in der KI-Bildung untrennbar. Digitale Kluft und Zugang zu bezahlten Modellstufen prägen, wer die stärksten Werkzeuge erhält; Anliegen der Fairness bestimmen, wie gelernte Modelle verschiedene Gruppen behandeln; inklusives Lernen, Barrierefreiheit, Sonderpädagogik und Neurodiversität decken Lernende ab, deren Bedürfnisse das Standarddesign ignoriert. Die praktische Lektion aus dieser Forschung ist, dass „KI hilft Lernenden“ kein Befund ist — der Befund ist immer welchen Lernenden, unter welchen Bedingungen, mit welchem Vorwissen und Zugang. Zwei Gruppen tragen einen kennzeichnenden Anteil jenes Risikos. Wright (2026) argumentiert, Verbote, die um „generative KI“ statt um Funktion geschrieben seien, fingen Transkriptionswerkzeuge ein, die das Format von Arbeit umwandeln, die eine lernende Person bereits verfasst hat, sodass die resultierenden Fehlalarme am härtesten auf Lernende mit Behinderungen fallen, die auf Sprache-zu-Text und OCR angewiesen sind, auch dort, wo KI-gestützte OCR eingestellte Assistivsoftware ersetzt hat; ein Scoping-Review zu Fernaufsicht bei Prüfungen macht den parallelen Punkt zu Assessmentbedingungen und findet, dass Konnektivität, Datenkosten und Geräteausfall darüber entscheiden, wer überhaupt geprüft werden kann — ein Gerechtigkeitsbefund statt ein technischer, und einer, der in Ländern mit niedrigem und mittlerem Einkommen konzentriert ist.

Wo diese Seite sitzt

Lesen Sie sie mit Akteure für die Menschen um die lernende Person herum, und mit Pädagogik und Lerndesign für das, was Lehrende mit diesen Befunden tun. Assessment bestimmt, welche Fähigkeiten der lernenden Person überhaupt sichtbar gemacht werden; Grenzen in der AIED-Forschung erklärt, warum so viel der lernendenseitigen Evidenz kurzfristig, selbst berichtet und an Gelegenheitsstichproben erhoben ist; und Missverständnisse ist der übliche Einstiegspunkt für Lernende selbst.

Verbundene Konzepte

• Unterschiedliche Effekte zwischen Gruppen von Lernenden
• Erleben der Studierenden — Wie Lernende KI wahrnehmen, mit ihr interagieren und von ihr betroffen sind
• Identität der Lernenden — Wer Lernende im Verhältnis zu einem Fach und zu KI werden
• Handlungsfähigkeit der Lernenden — Was Lernende noch kontrollieren und wählen
• Interaktion zwischen Studierenden und KI — Was Lernende tatsächlich von KI verlangen und wie sich Dialoge entwickeln
• Kognitive Auslagerung — Übervertrauen und die Substitution von KI für Denken
• Selbstreguliertes Lernen — Das eigene Lernen planen, überwachen und anpassen
• Hilfesuche — Gut um Hilfe bitten, und die Fehlschlagmuster, wenn Lernende es nicht tun
• Metakognition — Wissen, was man versteht und was nicht
• Lernmotivation — Warum Lernende durchhalten oder aufhören
• Selbstwirksamkeit — Die Zuversicht der Lernenden in die eigene Fähigkeit
• Studierendenengagement — Behaviorales, emotionales und kognitives Engagement
• Vorwissen — Das Hintergrundwissen, das entscheidet, ob Unterstützung zu Lernen wird
• Modellierung der Lernenden und adaptive Instruktion — Die lernende Person im System repräsentieren
• Wissensstandsverfolgung — Fähigkeitserwerb über die Zeit schätzen
• Simulation von Lernenden — LLM-simulierte Lernende als vorläufige Einspringer
• KI-Kompetenz — Die Fähigkeit, die entscheidet, ob Lernende KI gut nutzen
• Gerechtigkeit — Wer profitiert und wer außen vor bleibt
• Wohlbefinden — Angst, Stress und die affektiven Kosten KI-vermittelten Lernens
• Missverständnisse über KI — Die mentalen Modelle, die Lernende an KI mitbringen
• Akteure in der KI-Bildung — Die andere Seite desselben Felds: Lehrende, Leitungen, Gestaltende
• Leistungsbeurteilung — Welche Fähigkeiten der lernenden Person überhaupt sichtbar gemacht werden

Verbundene Artikel

• The Uneven Impact of Generative AI on Student Learning: Examining the Roles of Reliance, Evaluation Literacy, and Course Policy in AI-related Courses — Reliance patterns and evaluation literacy split student outcomes
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Learners report efficiency gains alongside dependency concerns
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — A taxonomy of learning-oriented student-LLM interaction
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Discipline-specific patterns in student-AI chat
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Assisted performance gains without independent capability
• Distinguishing performance gains from learning when using generative AI — Why assisted performance and unassisted learning must be measured apart
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Cognitive surrender as a disposition, not an accident
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Learners who notice they do not understand and submit anyway
• Beyond checking: verification quality, reliance calibration, and learning in generative AI-assisted higher education — Verification quality and reliance calibration
• Simulating Students with Large Language Models: A Review of Architecture, Mechanisms, and Role Modelling in Education with Generative AI — Simulated students: architecture, mechanisms, and limits
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Parameter estimation in Bayesian knowledge tracing
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Implicit and explicit demographic signals in LLM-based assessment
• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — AI literacy, engagement, and psychological capital
• "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 — Students describe the pull of least effort
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Students on whether GenAI is a cheating tool or a learning partner
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — What misconduct allegation files actually contain as evidence
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Over-inclusive AI rules and the students they catch
• Educational integrity in GenAI-augmented assessment: making judgment visible — Integrity as evaluative judgment rather than compliance
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Remote proctoring's emotional and equity costs for students