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

Lerngewinne

Erstellt 2026-08-09 · Aktualisiert 2026-10-10

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

Lerngewinne — messbare Verbesserungen in Wissen, Fähigkeiten oder Kompetenzen von Studierenden, die aus Bildungsinterventionen folgen, einschließlich KI-unterstützter Instruktion. In der KI-Bildung-Forschung dienen Lerngewinne als primäres Ergebnismaß zur Evaluation, ob KI-Werkzeuge Lernen tatsächlich verbessern — nicht bloß Engagement oder Zufriedenheit.

Fragen zum Nachdenken

  • Haben Sie je das Gefühl gehabt, von einer Aktivität viel gelernt zu haben, nur um bei einem Test zu scheitern, der etwas anderes maß? Die Seite unterscheidet unmittelbare KI-unterstützte Leistung von dauerhaftem Lernen — wie könnten beide in Ihrer eigenen Erfahrung auseinandergehen?
  • Ein Kernbefund ist, dass generative KI Werte bei KI-unterstützten Hausaufgaben aufblähen kann, während sie Werte bei beaufsichtigten, geschlossenen Buch Maßen senkt. Wenn Sie evaluieren würden, ob ein KI-Werkzeug Studierenden wirklich hilft zu lernen, welchem Ergebnis würden Sie vertrauen, und warum?
  • Forschung zeigt, dass ungeleitete Vertrauen auf KI schlechtere Lerngewinne vorhersagt, während strukturierte Nutzung bessere vorhersagt — dasselbe Werkzeug, entgegengesetzte Ergebnisse. Was unterscheidet „strukturierte“ von „ungeleiteter“ Nutzung in einem echten Klassenzimmer?
  • Hinweis-Knöpfe korrelieren mit reduziertem Lernen: mehr Hinweise, weniger Lernen. Waren Sie je versucht, nach einem Hinweis oder einer Antwort zu greifen, sobald Sie nicht weiterkamen? Was legt das nahe, wie viel Kampf für Lernen tatsächlich notwendig ist?
  • Eine große Metaanalyse poolte viele Studien und fand, dass KI-fähige EdTech-Lernen um einen bescheidenen Betrag erhöhte, ohne Vorteil für generative KI gegenüber früheren adaptiven Werkzeugen. Wie sollte diese vorsichtige, gepoolte Schätzung verändern, wie Sie aufregende Behauptungen über die Wirksamkeit eines einzelnen KI-Produkts lesen?

Einführung

Lerngewinne sind der ultimative Test jeder Bildungstechnologie. In der Forschung der Wissensbasis erscheinen sie als abhängige Variablen in randomisierten kontrollierten Studien, als Vorher-Nachher-Vergleiche in quasiexperimentellen Studien und als korrelative Analysen, die KI-Werkzeugnutzung mit akademischen Ergebnissen verknüpfen.

Terminologie. Der Ergebnis-Sinn von Leistung — studentische Leistung, akademische Leistung, Lernleistung, vorherige Leistung, Leistungslücken — wird hier als Synonym für Lerngewinne behandelt, und jene Phrasen verlinken auf diese Seite. Der gefühlte Sinn („ein Gefühl der Leistung“) ist eine motivationale Erfahrung statt ein gemessenes Ergebnis; siehe Lernmotivation und Selbstwirksamkeit. Zieltheorie der Leistung („Leistungsziele“, Zielorientierungen) ist ebenfalls ein motivationales Konstrukt und verlinkt auf Lernmotivation.

Zentrale Befunde aus der Wissensbasis:

  • Adaptives Vortesten-Forschung untersucht, ob GenAI-fähiges Vortesten dauerhafte Lerngewinne erzeugt, die über unmittelbares Testen hinaus bestehen.
  • Metaanalysen zu GenAI in der Programmierung finden positive Lerngewinne aus strukturierter KI-Nutzung, aber negative Effekte aus ungeleitetem Vertrauen — eine zentrale Unterscheidung zwischen Produktivität und dauerhaftem Lernen.
  • Hinweis-Knopf-Forschung zeigt negative Assoziationen zwischen Hinweismissbrauch und Lerngewinnen — mehr Hinweise korrelieren mit weniger Lernen.
  • Instruktionsanleitungs-Studien demonstrieren, dass Lerngewinne davon abhängen, WIE KI genutzt wird, nicht nur OB sie verfügbar ist.
  • Weltbank-Metaanalyse poolt 191 Effektstärken aus 14 RCTs, um zu schätzen, dass adaptive und KI-fähige EdTech Lernen um ~0,125 sd im Schnitt erhöhen — über dem Median für Bildungs-RCTs —, während sie keinen Vorteil für generative KI gegenüber früheren adaptiven Werkzeugen findet.
  • Gewinne sind Inhalt-Behandlung-Interaktionen, keine Konstanten. Rachatasumrit et al. (2025) zeigen, dass das optimale Beispiel-Problem-Verhältnis vom Wissensinhalt abhängt: reine Abrufübung erbringt höhere Gewinne für wörtliche Fakten, während beispielintegrierte Übung (abwechselnd ausgearbeitete Beispiele und Probleme) höhere Gewinne für verallgemeinerbare Fähigkeiten erbringt — direkte Evidenz dafür, dass „mehr Übung“ nicht immer besser ist und dass Gewinne daran hängen, den Trainingsplan auf die Wissenskomponente abzustimmen, die gelernt wird.

Das Messproblem des KI-Zeitalters

Ein zentrales Thema in der Lerngewinn-Forschung der Wissensbasis ist, dass generative KI scheinbare Leistung aufblähen kann, ohne Lerngewinne zu erzeugen — und dass die Wahl des Ergebnismaßes bestimmt, ob das sichtbar ist. Forschung und Felddaten in großem Maßstab zeigen eine scharfe Divergenz: KI-Nutzung verbessert Werte bei KI-unterstützten Hausaufgaben, während sie Werte bei beaufsichtigten, geschlossenen Buch, unassistierten Maßen senkt. Leistung-versus-Lernen-Forschung und Rapid Reviews unterscheiden daher unmittelbare KI-unterstützte Leistung von dauerhaftem Lernen und behandeln unassistierte summative Maße (siehe Summatives Assessment) als das verlässliche Signal echter Lerngewinne.

Was die Wirksamkeitsforschung zeigt

Über die RCTs, Metaanalysen und Feldstudien der Wissensbasis hinweg entsteht ein konsistentes Bild von Lernwirksamkeit (welche KI-Interventionen tatsächlich Lerngewinne erzeugen, und wie groß):

  • Meta-analytische Evidenz ist breit positiv, aber bedingt. Eine umfassende Metaanalyse von 53 Studien (Dong 2026) findet, dass generative KI traditionelle Ansätze bei akademischer Leistung, höherem Denken und Schreiben allgemein übertrifft — mit besonders wirksamem KI-Feedback —, obwohl spielassistiertes GenAI keinen signifikanten Zusatznutzen zeigt und Gewinne nach Land und Ergebnis variieren. Die GenAI-und-Programmierung-Metaanalyse findet große Produktivitätsgewinne, aber keinen signifikanten Lerngewinn (g ≈ 0), und trennt so Aufgabeneffizienz von dauerhaftem Lernen. Eine Sprachenlern-Metaanalyse findet positive, aber bescheidene Lerngewinne aus KI-verstärkten verkörperten Robotern. Für KI-Kompetenz spezifisch schätzt eine Metaanalyse auf drei Ebenen von 59 Studien einen großen Gesamteffekt (g = 0,837) — aber das breite Vorhersageintervall und der Befund, dass wissensfokussierte Interventionen jene übertraten, die auf Fähigkeiten, Einstellungen oder Ethik zielten, mahnen zur Vorsicht, dass das gemessene Ergebnis den scheinbaren Gewinn prägt, was den breiteren Punkt wiederholt, dass KI-bezogene Gewinne davon abhängen, was und wie Sie bewerten.
  • Gut gestaltete KI-Tutoren erzeugen echte Gewinne. Eine zweijährige Cluster-RCT (Khanmigo) fand, dass KI-Tutoring Matheleistung um ~1,3 nationale Perzentilränge pro Term erhöhte (~0,06–0,08 SD/Schuljahr, ~0,14 SD für ein volles Jahr), wobei Gewinne Übung ohne KI ähnelten — was demonstriert, dass Engagement, nicht Modellfähigkeit, die bindende Einschränkung ist. NUMI zeigte, dass KI-Unterstützung die Richtigkeit des nächsten Versuchs nach Fehlern mit mehr Zeit pro Frage verbesserte — eine „produktive Verlangsamung“, die dauerhafte Beherrschung aufbaut. Virtuelles Tutoring fand, dass die bindende Einschränkung Inanspruchnahme und anhaltende Teilhabe ist, nicht Tutorenqualität.
  • Ein Tutor, der aus der eigenen Pädagogik des Kurses gebaut wurde, übertraf aktives Lernen, nicht nur Dozieren. In einer Crossover-Randomisierte kontrollierte Studie (RCT) im Einführungs-Physikkurs von Harvard erzielten Studierende, die von einem maßgeschneiderten KI-Tutor lernten, einen Median von 4,5 im Nachtest gegenüber 3,5 für die aktiven Lernstunden des Kurses im Klassenzimmer (Baseline-Median 2,75), mit einer Effektstärke von 0,63 nach linearer Regression, und verbrachten einen Median von 49 Minuten an der Aufgabe gegenüber 60 im Klassenzimmer (Kestin et al., 2025). Weil die Kontrolle forschungsbasiertes aktives Lernen war statt einer Vorlesung, misst die Studie den Tutor gegen einen anspruchsvollen Komparator — das Design, das die Autoren anrechnen, war, den Tutor aus denselben forschungsbasierten Praktiken wie den Kurs zu konstruieren, plus personalisiertes Feedback auf Abruf und Selbststeuerung des Tempos.
  • KI kann menschliche Hilfe erreichen. ChatGPT-erzeugte Hilfe erzeugt Lerngewinne gleichwertig zu von menschlichen Tutoren verfasster Hilfe bei Mathematik-Fähigkeiten — ein Beleg, dass generative KI bei angemessener Nutzung so wirksam sein kann wie menschliches Scaffolding (Gerüstbildung).
  • Gewinne hängen davon ab, wer damit lehrt. Tutoren mit geringer Erfahrung, die KI-Unterstützung erhielten, erhöhten die Bestehensquoten der Studierenden um 9 Prozentpunkte, mit kleineren Gewinnen für erfahrenere Tutoren — ein Augmentationsmuster, das die am wenigsten Erfahrenen am stärksten stärkt (OECD, 2026).
  • Ungeschützte KI kann Lernen schaden. Die Leitplanken-RCT (PNAS 2025) fand, dass ein ungeschützter ChatGPT-artiger Tutor assistierte Übung um +48 % erhöhte, aber unassistierte Klausurwerte um −17 % senkte, während ein Tutor mit Leitplanken (Hinweis statt Antwort) den Schaden beseitigte. Das ist die schärfste Demonstration, dass Lernwirksamkeit designbedingt ist: dieselbe Werkzeugklasse kann ein starker Lerngewinn oder ein Nettoschaden sein, je nachdem, wie sie konfiguriert ist.
  • Aber ungeschützter Zugang kann auch dauerhaft helfen. Eine RCT mit einem handelsüblichen ChatGPT-Konto fand unassistierte Testwerte 0,27 SD höher, während Studierende Zugang hatten, und der Gewinn hielt eine Woche später — mehr als das Doppelte des Medians von 0,10 SD über 747 Bildungs-RCTs (Contractor & Reyes, 2026).
  • Wahrgenommene und tatsächliche Wirksamkeit divergieren. Selbstberichtete Leistung falsch ausgerichtet mit gemessener Leistung, und die abwesende kognitive Baseline zeigt, dass KI-native Studierende ihr Lernen überschätzen — daher sind Wirksamkeitsbehauptungen auf Basis von Selbstbericht unverlässlich ohne objektive Ergebnismaße. Selbstauskunftsmaße versammelt die Fälle, in denen berichtete und gemessene Ergebnisse auseinandergehen.
  • Gewinne können aus der Umverteilung von Lehrkräftezeit kommen, nicht aus KI-Benotung. In einem randomisierten Experiment über 178 brasilianische Schulen (~19.000 Absolvierende) erzeugten KI- und menschliche Aufsatzbenotung identische Klausurgewinne, aber KI-Klassenzimmer sahen ~35 % mehr Einzelgespräche der Lehrkraft über Schreiben, und das untere Quartil verbesserte sich unter keiner Bedingung (Ler, 2026).

Fazit: das Gewicht der Evidenz stützt bescheidene, bedingte und designabhängige Lerngewinne durch KI — real, wenn KI strukturiert ist, um zu coachen statt zu antworten, mit Leitplanken versehen und mit unassistierten Ergebnismaßen gepaart, und abwesend oder negativ, wenn sie die eigene Anstrengung der Lernenden ersetzt. Daher müssen Lerngewinne als Ergebnis mit validen, KI-resistenten Instrumenten gemessen werden, und daher paart Evaluation von KI in der Bildung Wirksamkeitsbehauptungen mit methodologischer Prüfung.

  • KI-Tutoring kann menschliches Expertentutoring bei standardisierten Testgewinnen erreichen. In einer Evaluation mit 2,383 Teilnehmenden war gepooltes KI-Tutoring statistisch gleichwertig zu menschlichem Expertentutoring bei GRE-Lerngewinnen (p = .015), wobei beide über einer Kontrolle ohne Tutoring lagen; die Autoren schlagen Kosten pro Prozentpunkt Gewinn als Einheit zum Vergleich von Tutoren vor (Northcutt et al., 2026).

Eine Feldkarte der Wirkungen von KI auf Lernen und Leistung

Das Korpus der Wissensbasis — Metaanalysen, RCTs, Quasiexperimente und Feldstudien — stützt ein nuanciertes, manchmal widersprüchliches Bild. Befunde clustern in positive, negative und bedingte Wirkungen.

Positive Effekte (KI kann echte Lerngewinne erzeugen):

Negative Effekte (KI kann Lernen reduzieren oder nicht verbessern):

  • Ungeschützte KI kann Lernen schaden. Die PNAS-Leitplanken-RCT (Generative AI without guardrails can harm learning: Evidence from high school mathematics) fand, dass ein ungeschützter ChatGPT-artiger Tutor assistierte Übung um +48 % erhöhte, aber unassistierte Klausurwerte um −17 % senkte; Leitplanken beseitigte den Schaden.
  • Schnellere Fertigstellung ≠ Lernen. GenAI senkte Lernzeit bei Mathematikaufgaben und dem Wissen, das sie aufbauen; Leistung-versus-Lernen-Forschung zeigt, dass KI KI-unterstützte Leistung aufbläht, während sie beaufsichtigte, geschlossene Buch, unassistierte Werte senkt.
  • Auslagern von Hausaufgaben schadet Lernen. Felddaten zeigen eine Lernstrafe durch generative KI, wenn Studierende Hausaufgaben auslagern.
  • Große Sprachmodelle (LLMs)-Vertrauen korreliert mit niedrigeren Noten. Jošt et al. fanden signifikante negative Korrelationen zwischen LLM-Nutzung für Codeerzeugung (rho = −0,305) und Debugging (rho = −0,360) und Abschlussnoten.
  • KI kann Lehren und Leistung für manche schaden. Eine lehrkräfteseitige GenAI-RCT fand, dass Studierende von Lehrkräften unter dem Median Boden verloren (−0,129 SD).
  • Hinweismissbrauch korreliert mit weniger Lernen. Hinweis-Knopf-Forschung zeigt, dass mehr Hinweise, unproduktiv genutzt, mit weniger Lernen korrelieren.
  • Meta-analytische Programmiergewinne sind illusorisch. Die GenAI-und-Programmierung-Metaanalyse findet große Produktivitätsgewinne, aber keinen signifikanten Lerngewinn (g ≈ 0), und trennt so Aufgabeneffizienz von dauerhaftem Lernen.

Bedingte und gemischte Effekte (Kontext bestimmt Richtung):

Meta-analytische Lerngewinn-Schätzungen sind aufgebläht — lesen Sie sie mit Vorsicht

Die Lerngewinn-Zahlen, die die Wirksamkeitsübersicht dieser Seite dominieren — besonders gepoolte Effektstärken aus Metaanalysen —, müssen mit einer starken Einschränkung gelesen werden: eine Welle von Meta-Forschung zeigt, dass die positiven Syntheseschätzungen des Feldes durch Publikationsbias, Konstruktinkohärenz und methodologische Abkürzungen aufgebläht sind.

  • Eine Meta-Metaanalyse auf Studienebene von 1.840 Effektstärken aus 67 Metaanalysen findet, dass der publikationsbias-adjustierte durchschnittliche KI-Effekt etwa ein Drittel der berichteten Größe ist (SMD ≈ 0,196 gegenüber einem Median von 0,67), mit einem Vorhersageintervall, das großen Schaden bis großen Nutzen überspannt, und kein Moderator, der konsistente Gewinne erzeugt. Selbst eine einzelne extreme Studie trägt angesichts der Heterogenität fast keine Information bei — was bedeutet, dass mehr Studien des gegenwärtigen Typs die Frage nicht klären werden; nur qualitativ hochwertige, vorregistrierte, replikationsorientierte Studien werden es.
  • Eine Metaanalyse zweiter Ordnung der Syntheseschicht selbst. Emslander et al. (2026) invertieren die übliche Analyseeinheit: 45 Metaanalysen als ihre Daten behandelnd und für Studienüberlappung korrigierend (818 eindeutige Primärstudien, gewichtet nach Einzigartigkeit statt verworfen), poolen sie 129 meta-analytische Effektstärken auf g = .57 [.50, .65], wobei Ergebniskcluster von .35 für STEM-Leistung bis .68 für allgemeine akademische Ergebnisse laufen. Zwei Ergebnisse betreffen die Zahlen oben. KI-Typ moderierte den Effekt nicht (p = .63) — intelligente Tutoringsysteme, Chatbots und ChatGPT sind auf dieser Ebene statistisch ununterscheidbar, daher werden die gepoolten Gewinne des Feldes nicht von generativer KI als solcher getrieben —, und der eine klare Moderator war Bildungsstufe (tertiär .61 gegenüber .30 für jüngere Stichproben), was teils ein Artefakt des Studiendesigns ist, da 74 % des Korpus tertiäre Studierende testete und K-12-Evidenz vergleichsweise dünn ist. Ihre Qualitätsbeurteilung ist die schärfste im Korpus: die 45 Metaanalysen erreichten im Schnitt 9,3 von 17 auf einer AMSTAR-adaptierten Skala, keine war vorregistriert, und nur 23 von 45 hatten 80 % Power, den Effekt zu erkennen, den sie selbst berichteten. Ihre zwei Publikationsbias-Tests widersprechen sich außerdem — ein symmetrisches Funnel-Plot (Kendalls τ = −.01, p = .868) gegenüber PET-PEESE (B = 0,9, p = .009), was auf Aufblähung hindeutet —, daher kommt der eigene mittlere Effekt der SOMA mit einer unaufgelösten Bias-Wolke über sich.
  • Ein forensisches Audit von 14 einflussreichen KIED-Metaanalysen findet, dass keine eine gültige Grundlage für ihre gepoolte Lerngewinn-Behauptung bot: keine hatte ein kohärentes Ergebniskonstrukt, alle hatten unaufgelöste extreme Heterogenität (I² reichte von 77,2 % bis 94,4 % über die 13 Metaanalysen, die sie berichteten, und 12 dieser 13 überschritten 80 %), zwölf behandelten abhängige Effektstärken als unabhängig, und keine bewertete Publikationsbias gültig. Eine Mehrheit zufällig geprüfter Primärstudien passte nicht zur meta-analytischen Behauptung. Die Fehler erreichten Politik: zwei der auditierten Metaanalysen behandelten die Stichprobengröße der Studie als Klassengröße und schlussfolgerten, auf der Stärke einer falsch berechneten Primärstudie, dass 21 bis 40 Studierende die ideale Interventionsgröße sind, und empfahlen, GenAI-Interventionen für diese Zahl zu gestalten.
  • Eine STEM-Synthese aus dem Jahr 2026, die zwei der auditierten Defekte behebt — und trotzdem einen dritten illustriert. Doğan und Kollegen (2026) poolten 35 experimentelle und quasiexperimentelle STEM-Studien mit einer Effektstärke pro Studie, um das Problem abhängiger Effektstärken zu vermeiden, und führten eine volle Publikationsbias-Batterie (Funnel-Plot, Beggs und Eggers Tests, trim-and-fill, Rosenthals fail-safe N = 2404) aus, statt Symmetrie zu behaupten — die zwei Abkürzungen, die das Audit oben in jeder von ihm untersuchten Metaanalyse fand. Zwei Vorsichtshinweise überleben. Erstens wandten die Autoren keine formale Qualitätsbeurteilung an und behandelten die Einschlusskriterien als Rigor-Schwelle, sodass Studien sehr unterschiedlichen Designs ungewichtet nach Qualität in den Pool gelangten. Zweitens hängt die Überschriften-Heterogenität vollständig davon ab, welches Modell Sie lesen: dieselben 35 Studien werden als I² = 82,98 % unter dem Fixed-Effekt-Modell und als I² = 15,75 % unter dem Random-Effects-Modell berichtet, daher kann eine Leserin, die die Zahlen ohne die Modellbezeichnung antrifft, schlussfolgern, das Korpus sei homogen, wenn es das nicht ist. Ihre gepoolte Schätzung (g = 0,670, 95 %-KI [0,491, 0,848]) ist daher die Art von Zahl, die der Abschnitt oben beschreibt: besser gebaut als die meisten, und trotzdem eine obere Grenze.
  • Eine Medien-/Methodenkritik zeigt, dass viele „Lerngewinne“ nicht valide gemessen wurden — Ergebnisse waren oft selbstberichtete Fähigkeiten oder Leistung, die während KI-Assistenz gemessen wurde statt dauerhaftes, unassistiertes Lernen.
  • Die erste ChatGPT-Synthesewelle maß Leistung, nicht Lernen. Fütterer et al. (2026) rekonstruierten die Evidenzbasis der fünf Metaanalysen, die die Bildungseffekte von ChatGPT poolten: Unter 69 klassifizierbaren Primärstudien maßen 79.7% ausschließlich Leistung und nur 11.6% maßen Lernen. Ihre reproduzierte gepoolte Schätzung (g = 0.83, 95% CI [0.68, 0.97], I² = 94.06%) beschreibt daher Testleistung, und ihr Vorhersageintervall [−0.75, 2.41] kreuzt null.

Unteres Fazit für die Gewinnzahlen oben: behandeln Sie große gepoolte KI-Effektstärken als obere Grenzen, nicht als Punktschätzungen. Bevorzugen Sie die Lerngewinn-Evidenz aus gut gestalteten RCTs und Feldstudien mit unassistierten, standardisierten Ergebnismaßen (die Leitplanken-RCT, die Khanmigo- und NUMI-Experimente und die Weltbank-EdTech-Metaanalyse oben), und lesen Sie meta-analytische Gewinne als vorläufig und wahrscheinlich überzeichnet, bis die Synthesequalität sich verbessert. Das Problem überdauert auch Korrektur: von den Arbeiten, die nach der Rücknahme einer auditierten Metaanalyse veröffentlicht wurden, zitierten 60 % sie noch als autoritative Stütze für große ChatGPT-Lerngewinne und keine erkannte die Rücknahme an, daher verbreitet sich eine zurückgezogene Schätzung weiter. Daher dokumentiert die Seite Limitations in AIEd Research nun die meta-analytische Evidenzkrise im Detail.

Messen, was zählt

Lerngewinne verbinden sich mit Validität von Assessments — wenn Assessments tieferes Verständnis nicht erfassen, sind Lerngewinnmaße irreführend. Sie schneiden außerdem mit Überabhängigkeit und Kognitive Auslagerung, wo scheinbare Leistungsverbesserungen Lernverluste maskieren können, und mit Randomisierte kontrollierte Studie (RCT) (randomisierte Studien als Goldstandard-Design zum Erkennen kausaler Lerngewinne), und mit Metaanalyse und systematischer Review (Poolen von Effektstärken über Studien hinweg, um die Wirksamkeitsevidenz des Feldes zu etablieren).

  • Signifikante Vorher/Nachher-Gewinne aus fehlerbasierter KI-Pädagogiken und Lehrstrategien: Hosseini (2026) Kurs in Datenbankdesign (n=13) zeigte große, signifikante Lerngewinne bei identischen Vorher/Nachher-Aufgaben (Mittelwert 4,25→6,83/7, Cohens d=1,49, p<.001), wobei Gewinne mit früherem KI- oder Datenbankvertrauen nicht korrelierten — das KI-integrierte Kritik-Verfeinerungs-Design nützte Studierenden unabhängig von anfänglichen Wahrnehmungen.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauHigher Ed, K 12
ZielgruppeLearners
Assessment und MessungLeistungsbeurteilung
Forschungsmethoden und EvaluationEvaluation von KI in der Bildung
SeitenartEvaluation
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.