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

Lerntheorien

Erstellt 2026-08-16 · Aktualisiert 2026-10-10

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

Lerntheorien — die Familie von Rahmenwerken, die erklären, wie Lernen geschieht, und das Dachkonzept für die theoriebezogenen Ideen der Wissensbasis. In der KI in der Bildung formen Lerntheorien sowohl, wie KI-Systeme gestaltet sind (die Pädagogik, die sie verkörpern), als auch, wie das Feld interpretiert, ob KI „funktioniert“: dasselbe Werkzeug kann ein Scaffold unter konstruktivistischen Annahmen sein, eine Verstärkungsmaschine unter Behaviorismus oder eine Gefahr für die kognitive Last unter der Cognitive Load Theory.

Fragen zum Nachdenken

  • Denken Sie an einen KI-Tutor oder ein adaptives System, das Sie genutzt oder gesehen haben. Welche Annahmen machte es darüber, wie Menschen lernen — belohnte es richtige Antworten (Behaviorismus), baute es Verständnis auf (Konstruktivismus), oder verwaltete es mentale Anstrengung (kognitive Last)? Haben seine Macher:innen diese Annahmen je benannt?
  • Die Seite beschreibt eine wiederkehrende Lücke: der Diskurs vertritt Konstruktivismus, während KI-Implementierungen auf Drill-und-Feedback-Mechanik zurückfallen. Wo haben Sie ein Werkzeug gesehen, das behauptete, tiefes Lernen zu stützen, aber tatsächlich bloß Oberflächenreaktionen verstärkte?
  • Dasselbe KI-Werkzeug kann unter einer Theorie als Erfolg und unter einer anderen als Versagen aussehen — aufgeblähte Hausaufgabenwerte lesen sich unter Behaviorismus als Lernen, aber unter Konstruktivismus als Versagen, dauerhaftes Verständnis aufzubauen. Welche Linse ist fairer, um zu beurteilen, ob Studierende tatsächlich gelernt haben?
  • Weil jeder KI-Tutor eine Theorie verkörpert, ob seine Designer:innen es sagen oder nicht, mag „funktioniert es?“ die falsche Frage sein. Was ist die bessere Frage, die man über eine Bildungs-KI stellen sollte, angesichts der Theorien, die sie verkörpern könnte?
  • Generative KI veranlasst Lehrende, neue Theorien zu erwägen — wie Lernen als iterative Ko-Konstruktion zwischen Menschen und KI, oder KI als kognitive Partnerin über die Lebensspanne. Verlangt der Aufstieg von KI genuin neue Lerntheorien, oder genügen die bestehenden noch?
  • Die Messung von Lernzuwächsen ist selbst „theoriebeladen“: ein Instrument, das auf einer Theorie gebaut ist, erfasst die Zugewinne vielleicht nicht, die eine andere vorhersagt. Wie könnten zwei Forscher:innen mit unterschiedlichen theoretischen Verbindlichkeiten dieselben Daten betrachten und zu entgegengesetzten Schlüssen darüber kommen, ob ein KI-Werkzeug funktioniert hat?

Einführung

Dies ist das Dachkonzept für den Lerntheoriestrang der Wissensbasis. Lerntheorien sitzen im Herzen der KI in der Bildung, weil jeder KI-Tutor, jedes adaptive System und jedes Feedbackwerkzeug Annahmen darüber einbettet, wie Menschen lernen — ob die Designer:innen sie benennen oder nicht. Die Wissensbasis dokumentiert diese Theorien einzeln und behandelt sie als die konzeptuelle Linse, durch die das Design und die Wirkungen von KI bewertet werden. Das Forschungsfeld, das diese Rahmenwerke prüft, ist eine eigene Seite: die Lernwissenschaften untersuchen Lernen empirisch — Experimente, Klassenraumversuche und designbasierte Forschung — und behandeln eine Theorie als etwas, das zu bestätigen oder zu falsifizieren ist, während diese Seite die Rahmenwerke selbst sammelt; die zwei Begriffe werden in dieser Wissensbasis auseinandergehalten, wobei die Singularform „Lernwissenschaft“ diesen Theorienstrang benennt.

Die Landschaft der Lerntheorien

Die Wissensbasis dokumentiert mehrere Familien von Lerntheorien, jede mit eigenen Konzepten:

Lerntheorien und Lernzuwächse

Lerntheorien werden letztlich an ihren Ergebnissen bewertet, und das Konzept Lernzuwächse der Wissensbasis ist der Ort, an dem Theorie auf Evidenz trifft. Jede Theorie macht eine unterschiedliche Vorhersage darüber, was als Lernen zählt und wie es zu messen ist: Behaviorismus sagt beobachtbare Leistungszugewinne bei Drill-und-Feedback-Aufgaben voraus; Konstruktivismus sagt tieferes Verständnis voraus, das auf neuartige Probleme überträgt; soziokulturelle Theorie sagt Zugewinne bei Teilhabe und vermitteltem Problemlösen voraus; und Cognitive Load Theory sagt Zugewinne nur dann voraus, wenn der Unterricht Arbeitsgedächtnisgrenzen respektiert. Das ist der Grund, warum die Messung von Lernzuwächsen theoriebeladen ist — ein Instrument, das auf einer Theorie gebaut ist, erfasst die Zugewinne vielleicht nicht, die eine andere vorhersagt. Im KI-Zeitalter kann die scharfe Divergenz zwischen KI-assistierter Leistung und ungestützten Lernzuwächsen (siehe Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build, The Generative AI Learning Penalty: Evidence from Chinese Secondary Education) durch diese Linse gelesen werden: eine behavioristische Lesung sieht aufgeblähte Hausaufgabenwerte als Erfolg, während eine konstruktivistische Lesung, auf dauerhaftes Verständnis fokussiert, dieselbe Evidenz als Versagen zu lernen sieht. Theorien mit Evaluation und gemessenen Ergebnissen zu verbinden ist daher unverzichtbar, um zu entscheiden, welche theoretische Linse ein gegebenes KI-System tatsächlich erfüllt.

Warum Lerntheorien für KI in der Bildung zählen

Lerntheorien zählen aus drei Gründen:

Neue theoretische Richtungen aus jüngerer AIED-Arbeit

Jüngere theoretische Arbeit erweitert den klassischen Strang in mehrere Richtungen, die jeweils die Mensch-KI-Beziehung neu zentrieren, statt KI als neutrales Werkzeug zu behandeln:

  • Mensch-KI-Ko-Regulation. Ein Entwicklungsrahmenwerk positioniert KI nicht als externes Instrument, sondern als kognitive Partnerin, die Denken, Lernen und Selbstkontrolle über die Lebensspanne hinweg ko-reguliert.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) Gestützt auf Exekutivfunktion, Metakognition, verteilte Kognition und soziokulturelle Entwicklung wirft es KI in vier Rollen — Scaffold, metakognitive Unterstützung, externes Gedächtnis / Entlastungssystem, und Entscheidungspartnerin —, wobei das Rahmenwerk am relevantesten ab mittlerer Kindheit ist.

  • Ensemble Cognition. Ein philosophisches Rahmenwerk rekonzeptualisiert Denken als aus dynamischen Interaktionen zwischen menschlichen und künstlichen Agenten entstehend, statt allein in individuellen Köpfen zu liegen.(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) Es fordert das „Bewusstseinsparadigma“ (die Annahmen von Autonomie, Bewusstsein und Stabilität) heraus und artikuliert fünf Merkmale — verteilte Handlungsfähigkeit, dynamische Zentralität, kognitive Orchestrierung, multirepräsentationale Integration und kontextsensibles Umschalten —, während es KIs funktionale Handlungsfähigkeit von moralischer Verantwortung unterscheidet.

  • Selbstgesteuertes Wachstum / A2PL. Eine Erweiterung selbstgesteuerten Lernens integriert generative KI mit Learning Analytics, um selbstgesteuertes Wachstum zu kultivieren, operationalisiert durch das Modell Aspire to Potentials for Learners (A2PL).(Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework) Es rekonfiguriert Aspirationen der Lernenden (humanistisch), komplexes Denken (konstruktivistisch), und Selbstevaluation (pragmatisch) zu einer einzigen Kompetenz und positioniert GAI als nicht-präskriptives kollaboratives Scaffold statt als Inhaltsanbieterin.

  • Trügerische Übergeneralisierung. An, McLaren und Stamper (2026) erweitern die ACT-R / Knowledge-Learning-Instruction-Tradition, indem sie theoretisieren, wann beobachtete Korrektheit unvollständiges bedingtes Verständnis verdeckt: Lernende kompilieren eine übergeneralisierte Produktion, die eine Anwendungsbeschränkung auslässt, und erbringen dennoch korrekte Leistung — eine Versagensart, die adaptive Meisterschaftssysteme und sogar traditioneller Unterricht übersehen können, wenn sie nicht prüfen, wann eine Handlung zu unterlassen ist.

  • Ausführbare KLI-Theorie. Rachatasumrit, Koedinger & Carvalho (2025) gründen das Knowledge-Learning-Instruction-Rahmenwerk in einem ausführbaren Rechenmodell (das Apprentice-Learner-Rahmenwerk mit einem ACT-R-artigen Gedächtnismechanismus), das eine Cross-over-Interaktion in menschlichen Daten reproduziert: reine Übung unterstützt wörtliches Faktengedächtnis (indem sie Vergessen verzögert), während beispielintegrierte Übung die Induktion verallgemeinerbarer Fertigkeit unterstützt. Weil KLI konstantes (Fakten-)Wissen an Gedächtnisprozesse und variables (Fertigkeits-)Wissen an Induktion bindet, ist das Ergebnis eine vorhergesagte Inhalt-Behandlung-Interaktion statt ein Widerspruch zwischen Test- und Worked-Example-Empfehlungen — und der Erfolg des Modells nur bei Vorhandensein eines Gedächtnismechanismus zeigt, dass Übung und Beispiele ausgeprägte, komplementäre Rollen spielen.

  • Verkörperung als ontologische Herausforderung an das Paradigma der KI. Videla, Penny und Ross (2026) argumentieren, eine ontologische Kluft trenne verkörperte, enaktive Kognition von der repräsentationalen Idiomatik, die KI verkörpert, weshalb KI als erkenntnistheoretisches Zentrum dezentriert statt als neutrales Werkzeug behandelt werden sollte.

Wie die Wissensbasis diesen Strang organisiert

Statt Lerntheorien als abstrakte Philosophie zu behandeln, gründet die Wissensbasis jede in der AIED-Forschung, die sie nutzt. Die Seiten Konstruktivismus und Behaviorismus dokumentieren, wie KI-Designs jede Theorie verkörpern (oder verraten); Cognitive Load Theory, selbstreguliertes Lernen, Metakognition und Lerntransfer verbinden Theorie mit spezifischen KI-Mechanismen und -Ergebnissen. Das spiegelt, wie die Wissensbasis andere Dachbereiche wie Feedback und Assessment behandelt — ein kohärentes System interagierender Konzepte statt isolierter Seiten.

Lerntheorien und „Bildung über KI“

Lerntheorien erscheinen auch als Inhalt in Curricula zur KI-Kompetenz: Lernende studieren Behaviorismus, Kognitivismus, Konstruktivismus und Konnektivismus, um die pädagogischen Annahmen hinter den Werkzeugen zu verstehen, die sie nutzen.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence) Diesen Strang zu lehren gibt Studierenden (und Lehrenden) das Vokabular, um zu kritisieren, warum ein KI-Produkt so gebaut ist, wie es gebaut ist — und ob seine Mechanik dem Lernziel vor Ort dient.

  • Der vermittelnde Agent. Warschauer, Tate und Ritchie (2026) argumentieren, generative KI breche die soziokulturelle Unterscheidung zwischen vermittelnden Mitteln und sozialer Interaktion, und schlagen den vermittelnden Agenten vor — ein System, das Handlung sowohl vermittelt als auch kontingente, nicht verantwortbare Beiträge erzeugt und einen hybriden Raum zwischen einem Werkzeug und einem sozialen Partner besetzt. Das ergibt fünf menschenzuerst-Habits der Teilhabe (Primat menschlicher Kognition, zweckbestimmtes Engagement, aufsichtsführende Handlungsfähigkeit, erkenntnistheoretische Wachsamkeit, reflexive Selbstregulation).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

Theorien, die für das KI-Zeitalter vorgeschlagen wurden

Neben den klassischen Familien dokumentiert die Wissensbasis Theorien, die eigens für das Lernen mit KI-Systemen geschrieben wurden, und diese tragen die Designimplikationen, die die älteren Theorien offen lassen. Agentivism (Yan und Gašević 2026) ist ein Beispiel mittlerer Reichweite: es definiert Lernen als dauerhaftes Wachstum menschlicher Fähigkeit statt als erfolgreichen Aufgabenabschluss, benennt vier Mechanismen (delegierte Handlungsfähigkeit, erkenntnistheoretische Überwachung und Verifikation, rekonstruktive Internalisierung, und Transfer unter reduzierter Unterstützung), und stellt sechs prüfbare Propositionen auf, darunter dass KI-Unterstützung, die die Verantwortung der Lernenden für Problemrahmung, Kriteriensetzung und Rechtfertigung bewahrt, stärkeres Lernen erzeugt als Unterstützung, die Antworten liefert.

Elsayed (2026)s Pädagogische Symbiose erhebt eine stärkere ontologische Behauptung: die lernende Person ist eine posthumane Entität, deren Kognition hybrid ist statt werkzeuggestützt, organisiert durch vier Prinzipien: kognitive Entlastung und Augmentation, erkenntnistheoretische Ko-Konstruktion, metakognitive Symbiose, und dynamische Identitätsbildung; operationalisiert als Symbiotic-Portfolio-Rubrik und eine Lehrrolle als „Cognitive Choreographer“; sie ist ausdrücklich ungeprüft.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauHigher Ed
Lernen und UnterrichtBehaviorismus, Lerntheorien, Metakognition, Selbstreguliertes Lernen
Technologien und VerfahrenGenerative KI
Grundlagen von KI in der BildungLerndesign
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.