Metakognition

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

Metakognition — über das eigene Denken nachzudenken — ist sowohl ein Ziel der KI-Bildung-Forschung (können KI-Werkzeuge die metakognitiven Fähigkeiten von Lernenden entwickeln?) als auch ein Risikofaktor (KI, die Aufgaben erledigt, kann metakognitive Praxis unterdrücken).(The Evidence Base on AI in K-12: A 2026 Review)(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Fragen zum Nachdenken

• „Metakognition" ist, über Ihr eigenes Denken nachzudenken — zu wissen, was man weiß, sich selbst zu überwachen und seine Strategien anzupassen. Wenn Sie lernen oder ein Problem lösen, wie bewusst sind Sie im Moment, ob Sie tatsächlich verstehen statt das Material bloß zu erkennen?
• Ein markanter Befund: Lernende, die KI-Essay-Hilfe nutzten, konnten sich oft nicht an Zitate aus ihren eigenen Essays erinnern, weil sie sich während der Produktion nicht mit dem Inhalt auseinandergesetzt hatten. Wenn ein Werkzeug die Ausgabe produziert, welche Praxis verliert die lernende Person — und ist diese Praxis wichtig?
• Die Seite rahmt Metakognition sowohl als Ziel (kann KI sie aufbauen?) als auch als Risiko (kann KI sie unterdrücken?). Könnte dasselbe KI-Werkzeug die Metakognition einer lernenden Person je nach Design oder Nutzung entweder stärken oder schwächen? Was bestimmt, in welche Richtung es geht?
• Strukturierte Prompts, die Lernende bitten, sich selbst zu erklären, Strategien zu bewerten oder Lücken zu identifizieren, bewahren metakognitive Anforderung, während KI, die Aufgaben einfach erledigt, sie verdrängt. Wenn Sie ein KI-Studienwerkzeug entwerfen würden, was würden Sie bauen, damit es Reflexion einlädt, statt sie zu ersetzen?
• Die Seite findet, dass ob KI-Nutzung metakognitiv reich ist, von der Motivation und Haltung der lernenden Person ebenso sehr abhängt wie von der Technologie. Haben Sie je ein Werkzeug oberflächlich genutzt und dann erkannt, dass Sie nichts gelernt haben — und was war anders an den Zeiten, in denen Sie es tief genutzt haben?

Einführung

Metakognition in der Bildung bezieht sich auf das Bewusstsein, die Überwachung und die Regulation der eigenen kognitiven Prozesse durch Lernende:

• Metakognitives Wissen: Verstehen, was man weiß, welche Strategien verfügbar sind und wann man sie einsetzt
• Metakognitive Regulation: das eigene Lernen in Echtzeit planen, überwachen und bewerten

Innerhalb von selbstreguliertem Lernen-Rahmenwerken ist Metakognition der zentrale Mechanismus, der Lernende befähigt, Strategien anzupassen, Verwirrung zu erkennen und angemessen Hilfe zu suchen.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Wie Lernende Metakognition tatsächlich rund um KI einsetzen, wird von mehr geformt als vom Werkzeug selbst: Cui et al. finden, dass Motivation der Studierenden und die Interaktionsrolle, die sie annehmen, ihr metakognitives Engagement mit GenAI formen — was bedeutet, dass ob KI-Nutzung metakognitiv reich ist, von der Haltung der lernenden Person ebenso sehr abhängt wie von der Technologie. Miles, Haber-Curran und Arar (2026) fügen die KI-Interaktion selbst als Objekt dieser Reflexion hinzu: der abschließende Schritt ihres Prompt-Literacy-Zyklus bittet Lernende zu untersuchen, was der Prozess darüber offenbarte, wie Prompts funktionieren, und welche Annahmen die Antwort formten, und sie machen Reflexion und Revision zur Phase, in der Autorschaft und kritisches Urteil sich entwickeln.

Eine fundamentalere Rolle für Metakognition erscheint, wenn der Ort der Koordination sich von der Lehrkraft zur lernenden Person verlagert. Dang, Hong, Doyle und Nguyen (2026) argumentieren in ihrem Human-AI Collaboration Competency (HACC)-Rahmenwerk, dass die integrative Arbeit, die TPACK der Pädagogik zuweist, sobald der Akteur die lernende Person ist, auf deren eigene Metakognition übergeht — die Kompetenz, die Lernende befähigt, die Zusammenarbeit zu steuern, ihre Verlassenheit auf KI zu kalibrieren und die Autoren ihres Lernens zu bleiben. Sie behandeln metakognitive Kompetenz als den Mechanismus, durch den Handlungsfähigkeit der Lernenden ausgeübt wird, und schließen Handlungsfähigkeit als separate Komponente absichtsvoll aus, lesen sie stattdessen als die emergente Qualität der Koordination von Domänen-, KI- und metakognitiver Kompetenz. Ihre Epistemic Network Analysis von Interviews mit 24 Hochschulbildungsakteuren fand metakognitive Rede mit dem Rollenniveau steigend — erfahrene Bildungsakteure verbanden sie mit Domäne, KI und Lernen mit KI —, was die Autoren als Bildungsakteure mit breiterer Curriculumverantwortung lesen, die die anhaltenden Schwierigkeiten der Lernenden als regulatorisch statt technisch sehen.

Wie KI-Werkzeuge Metakognition beeinflussen

Das Unterdrückungsrisiko (Stanford SCALE, 2026)

Wenn KI Schlussfolgerungsaufgaben für Lernende erledigt — Mathematikprobleme lösen, Essays schreiben, Code generieren —, verliert die lernende Person die Übung darin, ihr eigenes Verständnis zu überwachen und Strategien auszuwählen.(The Evidence Base on AI in K-12: A 2026 Review)

Verlassenheit ist kein Scheitern: Du und Yuan (2026) beurteilen KI-vermitteltes Lernen nach sechs diagnostischen Kriterien — Bestreitbarkeit, Wiederherstellbarkeit, Transfer, Nachverfolgbarkeit, verteilte Verantwortung und epistemische Pluralität — und unterscheiden instrumentelle Unterstützung, die hilft, Ausgabe zu produzieren, von urteil tragender Unterstützung, die die Standards liefert, nach denen Ausgabe beurteilt wird.

Die Governance-Frage benennen. Lin und Chang (2026) schlagen metakognitive Eigenverantwortung (metacognitive ownership) vor — die Governance der Standards, evaluativen Urteile und Handlungen, die eine KI beisteuert, durch die lernende Person —, wobei Standardsaneignung, Überwachungs-Urteil-Governance und Kontrollautorisierung getrennt werden und eine realistische Gelegenheit verlangt wird, anders zu handeln.

Wichtige Befunde:

• Kosmyna et al. (2025): Lernende, die KI-Essay-Hilfe nutzten, waren zu 83% nicht in der Lage, sich an Zitate zu erinnern aus ihren eigenen Essays, gegenüber 11% bei Nicht-KI-Nutzenden — was anzeigt, dass sie sich während der Produktion nicht mit dem Inhalt auseinandersetzten.
• Stadler et al. (2024): Allgemeine KI reduzierte kognitive Last, produzierte aber Schlussfolgern von geringerer Qualität gegenüber traditioneller Suche, was nahelegt, dass metakognitives Engagement verdrängt wurde.
• Lehmann et al. (2025): Allgemeine KI für Programmierung schadete dem Verständnis bei Lernenden mit niedrigem Vorwissen — die Lernenden, die metakognitives Gerüst am meisten brauchten, erhielten Antworten stattdessen.
• Metakognitive Faulheit. Das Feld benennt einen distinkten Fehlermodus, in dem Lernende ihre metakognitiven Verantwortlichkeiten an das Werkzeug abtreten — es übernimmt den Begriff metakognitive Faulheit (metacognitive laziness) für die resultierende Illusion der Kompetenz und warnt, dass ihre kognitiven Risiken am schwersten auf Novizen und schwächere Selbstregulierende fallen (Lodge & Loble (2026)).

Flüssigkeit ist der Grund, warum der Verlust unbemerkt bleibt. Lernende beurteilen ihr Lernen teils danach, wie leicht Material verarbeitet wird, und Bjork et al. (2013) zeigen, dass Flüssigkeitshinweise Menschen dazu führen, ihr Verständnis zu überschätzen, wenn Inhalt sich leicht anfühlt; flüssiger KI-generierter Text liefert dieses Gefühl, unabhängig davon, ob Verständnis folgte, und erzeugt damit die Bedingungen für eine fabrizierte Illusion der Kompetenz. Generativism behandelt dies als den Grund, warum adaptive Metakognition nicht vorausgesetzt werden kann: die lernende Person muss fragen, ob Leseleichtigkeit Verständnis widerspiegelt, statt die Leichtigkeit als die Antwort zu lesen.

Bewusstsein garantiert nicht, dass die Fertigstellung aufhört. Jia (2026) benennt metakognitiv diskordante Fertigstellung (metacognitively discordant completion): eine lernende Person, die echte Anstrengung investiert hat, ein gebildetes Erstperson-Urteil hält, dass Verständnis nicht eingetroffen ist, und die Arbeit dennoch freigibt — der Fall, den sowohl die Flüssigkeitsillusion- als auch die zurückgezogene-Anstrengung-Konten wegmodellieren.

Lernende sind auch über die Kosten von KI fehlkalibriert: Teilnehmende sagten unabhängige Zeiten genau vorher, unterschätzten aber KI-unterstützte Zeit, und berichteten niedrigeren Aufwand (0.61 Punkte auf NASA-TLX), während KI nur drei von 24 Aufgaben beschleunigte — eine Verzerrung, die abwesend war, wenn der imaginierte Helfer eine andere Person war (Yu et al. (2026)).

Die Kosten erscheinen begrenzt statt global: Offloading degradiert die spezifische geübte Fähigkeit, nicht die zugrunde liegenden domänenallgemeinen Fähigkeiten, und tritt beim Entzug an die Oberfläche: eine Endoskopie-Studie fand das Erkennen von Adenomen von 28.4% auf 22.4% fallen, wenn die KI nicht verfügbar war, was Quellenüberwachung (das Unterscheiden der Schlussfolgerung einer KI von der eigenen) als offenes metakognitives Risiko zurücklässt (Cash et al. (2026)).

Die Anreicherungsgelegenheit (Scheu et al., 2026)

Wenn KI darauf ausgelegt ist, Reflexion zu unterstützen, statt sie zu ersetzen, kann Metakognition gestärkt werden:

• Lerntagebücher sind eine klassische metakognitive Praxis: indem sie über Lernprozesse reflektieren, erhöhen Lernende das Bewusstsein ihrer Kognition

• Strukturierte Prompts, die Lernende bitten, sich selbst zu erklären, Strategien zu bewerten oder Wissenslücken zu identifizieren, bewahren metakognitive Anforderung. CoMeT (Hou et al. 2026) gibt diesem Satz eine Definition und eine empirische Berechtigung: es behandelt metakognitive Anforderung als eine Größe, verschieden von kognitiver Last — was die lernende Person entscheiden, aussprechen oder beurteilen muss, bevor Hilfe eintrifft, nicht einfach, was bleibt, wenn Hilfe vorenthalten wird —, und hielt sie statistisch äquivalent zu einem Tutor, der Antworten by design zurückhielt (p_TOST = .004), während seine eigene Unterstützung eskalierte und eine Sprosse nach der anderen verblasste. Verblassen hielt, wenn der Zug der lernenden Person auf die unterstützte Entscheidung zielte: Züge, die anderswohin zielten, zogen 40.3% der Zeit ein späteres Zugeständnis nach sich gegenüber 28.8% für gezielte Züge, ein Unterschied von 11.5 Punkten, sodass das, was ein Tutor lesen muss, ist, wo die Aufmerksamkeit der lernenden Person sitzt, statt wie viel Anstrengung der Zug zeigt.

• Weisen Sie pro Aufgabe ein KI-Nutzungsniveau zu. HAIML paart seine drei Schichten mit Four AI Use Levels — von keiner KI-Nutzung über Brainstorming bis zu KI-Zusammenarbeit und KI-integrierter Erschaffung mit Ausgabebewertung —, sodass eine Lehrkraft das Niveau für eine Aufgabe festlegt und metakognitive Reflexion auf jedem Niveau zentral hält (Reardon, 2026).

• Der beispielbasierte Kurs in Scheu et al.s Chatbot erhöhte wahrgenommene Kompetenz (eine metakognitive Selbsteinschätzung), selbst wenn der LLM-Assistent allein es nicht tat

• Eine entstehende Rahmung stellt das System, nicht nur die Person, in die Schleife. Ein bibliometrisch–systematischer Review von 135 STEM-Klassenzimmer-Studien (24 Kernstudien) findet eine entstehende posthumanistische Rahmung, die KI als Ko-Regulator des Lernens positioniert und die Analyseeinheit von individueller Reflexion zu systemischer Regulation und verteilter Kognition verschiebt (Tsakeni et al. (2025)).

• Interaktionsmuster an die Oberfläche bringen, die Lernende nicht sehen können. Kuang, Li und Weng (2026) verfolgten Augenbewegungen, Notizenmachen und Sprechen, während 22 Dolmetschtrainees mit einem Spracherkennungs- und maschinellen Übersetzungssystem arbeiteten, und fanden, dass die Art, wie Lernende Aufmerksamkeit zwischen KI-Ausgabe und eigenen Notizen teilten, für sie unsichtbar war: 58.3% wechselten das Profil zwischen Aufgabenstadien, und die stärksten Leserinnen und Leser von KI-Ausgabe erzielten die niedrigsten Werte bei Darbietungsflüssigkeit und Qualität der Zielsprache. Die pädagogische Folge ist, dass Reflexion durch externe Evidenz gerüstet werden muss, weil die Strategie einer lernenden Person nicht introspektierbar ist — die Autoren argumentieren dafür, Lernende anzuleiten, bei jedem Stadium zu beschreiben und zu bewerten, warum sie auf eine gegebene Weise arbeiteten.

• Prozessevidenz ist kanal-konditional. Bei 79 Studierenden, die mit generativer KI arbeiteten, erschienen Überwachung und Planung höherer Tiefe häufiger in Think-aloud-Einheiten, während Regulation höherer Tiefe häufiger in Interaktionslogs erschien, sodass ein einzelnes Protokoll manche Prozesse untergewichtet (Li und Liu (2026)).

• Reflexive Praktiken können aus gewöhnlicher Fachnutzung entstehen. Über acht dänische Oberstufenschulen hinweg entwickelten Lernende, die mit generativer KI als kognitivem Partner arbeiteten, vier Praktiken — Erklärung, Erschaffung, Inspiration und Verbesserung, die sich in elf Prozesse entfalteten —, in denen Reflexion sowohl in fachlichen als auch in Prozessregistern erschien, wenngleich jede Praxis gleichermaßen der Substitution dienen konnte (Dalsgaard & Prilop, 2026).

• Ein reflexives Gerüst kann habituieren und die Selbstüberwachung ersetzen, die es schützt. de Jong (2026) warnt, dass wiederholte Prompts zur Reflexion durch Habituation abnutzen können — ähnlich wie wiederholte Warnungen automatisch abgetan werden —, sodass eine Fachkraft, die nur reflektiert, wenn das System danach fragt, am Ende weder das Werkzeug noch die Gewohnheit der Selbstüberwachung hat; die Studie argumentiert, reflexive Prompts sollten als verblassende Kompetenzaufbau-Intervention behandelt und daraufhin getestet werden, ob Nutzende ohne sie reflektieren.

• Ein selektiver Gewinn: metakognitives Wissen ohne Planung und Überwachung. Wang et al. (2026) teilten 68 angehende Lehrkräfte in eine Gruppe, die einem novizen Generativ-KI-Lernenden das Flipped Classroom erklärte (n=33), und eine Gruppe, die eine Generative-KI-Lehrkraft befragte (n=35). Die Novizen-Lernenden-Gruppe erzielte höhere Werte bei metakognitivem Wissen und Lernstrategien (p < 0.001, Cohens d = 0.41), aber nicht bei Planung und Überwachung (M = 4.01 vs. 3.78, p = 0.062), obwohl die Erklärungs- und Anwendungswerte derselben Gruppe stiegen (r = 0.47 und r = 0.642), während faktischer Abruf die Gruppen nicht trennte (p = 0.416). Die Spaltung folgt den beiden Komponenten in der Einführung: jemandem zu erklären, der zurückfragt, baute deklaratives Bewusstsein dessen auf, was man weiß, aber nichts im Design brachte die lernende Person dazu, eine Route zu setzen oder Fortschritt zu prüfen, was die Autoren Aufgabendesign und kognitiver Last zuschreiben statt der Rolle selbst. Lernen durch Lehren mit KI ist daher ein Hebel auf metakognitives Wissen, nicht automatisch auf Regulation, und die Autoren empfehlen, explizite Planungsprompts und Fortschrittsfeedback hinzuzufügen.

• Lautes Denken stützt frühes Bewusstsein, aber nicht tiefe Evaluation. Karaki and Baroudi (2026) führten eine Mixed-Methods-Aktionsforschungsstudie mit 44 Studierenden des ersten Jahres im Entrepreneurship durch, die die Think-Aloud-Methode während KI-unterstützter Kursarbeit nutzten. Lautes Denken machte die Promptkonstruktion, Verifikationspraktiken und ethischen Entscheidungen der Studierenden sichtbarer, aber die kritische Evaluation von KI-Ausgaben „blieb oft auf Oberflächenniveau, besonders bei Studierenden, die zusätzliche Unterstützung benötigen" — Studierende erkannten generische oder fehlausgerichtete Antworten, verließen sich aber weiterhin stark auf sie. Das selbst berichtete metakognitive Bewusstsein war das höchste von drei befragten Konstrukten (M = 3.79), aber die einzelne Post-Interventions-Befragung kann Wahrnehmung nicht von Veränderung trennen. Die Schlussfolgerung der Autoren — Lautes Denken ist keine alleinstehende Lösung und muss mit expliziter Instruktion in KI-Kompetenz, Promptkonstruktion und Verifikationsstrategien kombiniert werden — erweitert die Prozessevidenz-Linie oben von was Aufzeichnungen erfassen zu was lautes Denken allein verändert.

• Früheres metakognitives Training bestimmt den Nutzen eines KI-Reflexionspartners. In einem 2 × 2-Experiment mit 60 angehenden Lehrkräften fanden Zhang et al. (2026) eine signifikante Metakognition-×-Werkzeug-Interaktion: Ein sokratischer KI-Partner besiegte traditionelle digitale Werkzeuge um 0,56 Punkte nur nach Training, ohne Vorteil ohne es (ΔM = −0.03).

Die Engagement–Motivation-Unterscheidung

Scheu et al. (2026) fanden eine kritische Spaltung:

Das legt nahe, dass metakognitive Unterstützung und Motivation nicht identisch sind. Das Gerüst der Tagebucheinträge durch den LLM-Assistenten erhöhte, wie viel Lernende schrieben (verhaltensbezogenes Engagement), machte sie aber nicht dazu geneigt, mehr zu schreiben (intrinsische Motivation).(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Die Überzeugungen-gegen-Erfahrungen-Unterscheidung

Guo & Ye (2026) bieten eine theoretisch schärfere Darstellung, wie Metakognition Strategiewahl governiert, und unterscheiden zwei Komponenten, die in verschiedenen Phasen operieren:

• Metakognitive Überzeugungen — stabile, selbstbezogene Selbstkonzeptionen, gespeichert im Langzeitgedächtnis (z. B. Überzeugungen über die eigene Gedächtnisfähigkeit oder die Verlässlichkeit eines Werkzeugs). Diese verankern Strategiewahlen vor dem Aufgabenbeginn.
• Metakognitive Erfahrungen — dynamische, aufgabenspezifische Gefühle (wahrgenommene Schwierigkeit, Vertrauen, mentale Arbeitslast), die Überzeugungsaktualisierung während der Aufgabenausführung treiben.

Diese Unterscheidung ergibt das Prinzip des Timing-Komponenten-Matching (timing-component matching): Feedback, das auf Überzeugungen zielt (z. B. vergleichende Ranglisten), ist in der Vorbereitungsphase vor der Aufgabe am wirksamsten, wohingegen Feedback, das auf Erfahrungen zielt (z. B. unmittelbare Richtigkeitsindikatoren), während der Aufgabenausführung am wirksamsten ist. Abstraktes Ranglisten-Feedback kann sich von den aufgabenspezifischen Erfahrungen lösen — oder von ihnen überstimmt werden —, die unmittelbare Entscheidungsfindung dominieren, was erklärt, warum manche Feedbackinterventionen Verhalten nicht ändern. Das gibt Bildungsakteuren eine phasenkontingente Begründung dafür, metakognitive Gerüste rund um KI-Werkzeuge zu gestalten: Überzeugungen vor der Nutzung kalibrieren, während der Nutzung unmittelbares aufgabenspezifisches Feedback liefern.

Externe Unterstützung kann auch ganz vor das Urteil treten. Iqbal et al. (2026) ließen 87 EFL-Studierende einen Essay mit ChatGPT 4.0, einer erfahrenen akademischen Schreibdozentin oder ohne Unterstützung überarbeiten, und rekonstruierten die von den Studierenden genutzten Strategien aus Clickstream-, Tastatur- und Mausspuren. Was sie wählten, war stark mit der verfügbaren Unterstützung assoziiert (Cramérs V = 0.668), aber nicht mit metakognitiver Urteilsgenauigkeit (H(3) = 4.995, p = 0.172), die nur in der Bedingung ohne Unterstützung eine marginale Verbindung zeigte (p = 0.0460). Keine Überarbeitungsstrategie war mit Veränderung des Essaypunktewerts assoziiert (p = 0.273), dennoch verbesserte sich die GenAI-Gruppe signifikant mehr als die beiden anderen (H(2) = 16.591, p = 0.00025, η² = 0.174), sodass die stärkeren Essays nicht aus besserer Selbstregulation kamen. Wenn ein fähiger Partner den nächsten Zug liefern kann, ist metakognitives Urteil nicht mehr das, was ihn auswählt, und die Strategiewahl-Konten oben beschreibt die nicht unterstützte lernende Person mehr als die unterstützte. Die praktische Lesart der Autoren ist, KI-Unterstützung darauf zu richten, Reflexion über Schreibstrategien anzuregen, statt direkte Hilfe zu liefern.

Kalibrierung ist trainierbar: Vorhersage + Feedback

Ngai & Gilbert (2026) liefern direkte kausale Evidenz, dass metakognitive Kalibrierung eine trainierbare Fähigkeit ist. In zwei präregistrierten Experimenten (N=164, N=416) verbesserten nur fünf Übungsdurchgänge, die eine Leistungsvorhersage mit veridikalem Feedback paarten, die Kalibrierung und reduzierten die Verzerrung. Ein viergruppiges additives Design isolierte die kausale Komponente: allein Vorhersagen zu machen war unwirksam; das Hinzufügen von Leistungsfeedback trieb die Verbesserung; das explizite Labeln von Über-/Untervertrauen fügte nichts weiteres hinzu. Entscheidend wirkte die Verbesserung auf die absolute Kalibrierung — Vertrauen bei Untervertrauenden hebend und es bei Übervertrauenden senkend —, sodass sie Fehlkalibrierung in beide Richtungen korrigierte, statt alle in eine Richtung zu verschieben (weshalb signierte/gerichtete Effekte null waren). Das stärkt die „Erfahrungen, nicht Überzeugungen"-Konten oben und zeigt das minimal lebensfähige metakognitive Training: Vorhersage + unmittelbares, aufgabenspezifisches Feedback.

• Ein kurzer Reflexionsprompt schärft Überwachung bei KI-unterstützten Entscheidungen. Ren (2026) fügte drei Reflexionsprompts vor dem Abschluss von Antworten in einem Dreikonditionen-Experiment mit 342 Studierenden hinzu: die Akzeptanz falschen ChatGPT-Rats fiel von 62.4% auf 39.7% (OR = 0.40) und die Bewusstseinskalibrierung stieg (0.59 vs. 0.41), während Empfehlungsgenauigkeit und Übereinstimmung mit richtigem Rat hoch blieben. Reflexion machte Verlassenheit diskriminativer statt gleichförmig defensiv, was stützt, Verlassenheit als Überwachungsproblem zu behandeln statt als Frage, wie viel KI genutzt wird.
• Prompting in einen metakognitiven Zyklus einbetten. Das IDEA-Rahmenwerk sequenziert GenAI-Nutzung als Intent, Deconstruction, Expression und Adaptation und macht Prompting zu einem Schritt in Planung und Überwachung statt zu einer eigenständigen Fähigkeit; Studierende, denen es gelehrt wurde, produzierten qualitativ höhere Prompts als Peers, denen Role–Task–Context–Format-Prompting gelehrt wurde, in allen fünf Aufgabenkategorien (Wang et al., 2026).

Implikationen für Werkzeugdesign

1. Bewahren Sie die „Reibung" des Denkens: wenn KI die Reflexion schreibt, baut die lernende Person keine metakognitive Fähigkeit auf. Tagebuchassistenten sollten gerüsten, nicht verfassen.
2. Modellieren Sie metakognitive Sprache: der beispielbasierte Kurs funktionierte teils, weil er Lernende dem metakognitiven Selbstgespräch fähiger Modelle aussetzte.
3. Trennen Sie Unterstützung für Motivation gegenüber Fähigkeit: Entwicklung metakognitiver Fähigkeit (kursstrukturiert) und Produktivitätssteigerung (KI-unterstützt) können verschiedene Designstrategien erfordern.

KI kann die metakognitive Schwelle dafür verändern, zu entscheiden, dass man genug weiß, um zu antworten: Marcoccia et al. (2026) fanden, dass bloßer Zugang zu KI-Rat die Bereitschaft unterdrückte, unter Unsicherheit Urteil auszusetzen, sogar bei falschem Rat und Genauigkeitsanreizen — ein Effekt, der ungebetene KI-Ausgabe und monetäre Einsätze überstand.

Proaktive agentische KI kann die eigene metakognitive Schleife der lernenden Person verdrängen: Woollaston et al. (2026) argumentieren, dass wenn Agenten vorab holen, initiieren und selbst korrigieren, das Planen, Überwachen und Evaluieren des Agenten die der lernenden Person ersetzen, womit die Abrufübungen und Selbstüberwachung entfernt werden, von denen wünschenswerte Schwierigkeiten und metakognitives Training abhängen.

• Fehlerbasierte Pädagogik als metakognitives Training: Hosseini (2026) zeigt, dass das absichtsvolle Aussetzen von Lernenden gegenüber KI-generierten Fehlern in einem Kurs zu Datenbankdesign metakognitive Überwachung aktiviert — Lernende untersuchten Ausgaben, identifizierten Fehler und überarbeiteten Designs, statt KI-Ausgabe für bare Münze zu nehmen. Selbst berichtete KI-Kompetenz korrelierte schwach und negativ mit objektiver Kompetenz (r=−0.39), eine Kalibrierungslücke, die der Kritik-Verfeinerung-Zyklus zu verengen ausgelegt ist.

• Productive failure bindet metakognitive Überwachung ein. Kim et al. (2026) zeigen, dass produktives-Scheitern-basiertes Lernen Reflexion über die eigenen Versuche aktiviert; Clue-before-correction-Aufgaben verlangen von Lernenden, ihre eigenen Fehler zu diagnostizieren und zu korrigieren — eine metakognitive Aktivität, in der KI Hinweise statt Antworten gibt.

• Selbstregulation puffert Offloading-Schaden, kann ihn aber nicht aufheben. Chen (2026) zeigt, dass metakognitive Regulation (selbstreguliertes Schreiben) die negative Assoziation zwischen tiefem kognitivem Offloading und unabhängigen No-AI-Ergebnissen in GenAI-unterstütztem Schreiben abschwächt (Interaktion B = 0.22), sie aber nicht beseitigt — eine Bedingung begrenzter Unterstützung, die Delegationsgrenzen mit obligatorischer Reflexion darüber paarte, wie KI-Vorschläge angenommen/abgelehnt wurden, produzierte die stärkste unabhängige Leistung.

• Erklärungssuche-Tiefe sagt Aufgabenqualität vorher, nicht Abruf. Tsiligkiris (2026) zeigt, dass Erklärungssuche-Prompts (Tiefe) in LLM-Interaktion Aufgabenqualität vorhersagen, aber nicht unmittelbaren Abruf, und interpretiert die Dissoziation über Elaboration (Verständnis) gegenüber Abrufübung (Konsolidierung) — und legt nahe, dass Erklärungssuche mit metakognitiver Überwachung korreliert, wenngleich Abrufanforderungen für dauerhaften Behaltensgewinn hinzugefügt werden müssen.

• Selbst berichtete Metakognition ist ein schwacher Proxy für Regulation mit einem LLM. Clerc et al. (2026) gaben 116 Mittelstufenschülerinnen und -schülern einen zweistündigen KI-Kompetenz-Workshop und maßen dann ihre LLM-Interaktion während naturwissenschaftlicher Probleme: trainierte Lernende akzeptierten unterspezifizierte Prompts seltener (51.5% vs. 66.7%), stellten nach einer schwachen Antwort weit häufiger Anschlussfragen (59.2% vs. 27.9%, d = 0.80) und beurteilten die Richtigkeit von Antworten sensitiver in Bezug auf Prompt-Qualität (Interaktion OR = 2.52). Weder eine allgemeine Skala metakognitiven Bewusstseins (Jr. MAI) noch GenAI-Selbstauskünfte sagten jene Verhaltensweisen oder die abschließende Leistung vorher (r = .04 und r = .01) — Überwachung und Kontrolle während der Nutzung generativer KI sind aufgabenspezifisch, und beobachtbares Verhalten trägt mehr Information als die dafür gebauten Selbstauskunftsinstrumente.

• Automatisierte Bewertung erreichte die Leistungsphase, nicht die vorausgehende Planung. Chen und Liu (2026) gaben 46 Dolmetschstudierenden 14 Wochen wöchentliche automatisierte Bewertung mit zurückgegebenem Punktewert, markierten Fehlern und einer Referenzdarbietung: die automatisierte Gruppe gewann insgesamt mehr (d = 1.03), aber nur Überwachung während der Übung korrelierte mit Punktewertgewinnen (r = 0.42), während Planung vor dem Lernen nahe der Skalenmitte lag (M = 3.01). Evaluation und Reflexion trugen den zweithöchsten Mittelwert (3.87 von 5), zeigten aber eine nahezu null Verbindung zu Gewinnen (r = 0.10), sodass ein hoher Reflexionspunktewert nicht als produktive Reflexion gelesen werden sollte.

• Verifikationskompetenz zahlt sich nur über metakognitive Selbstregulation aus. Davor, Larbi und Boateng (2026) befragten 533 Universitätsstudierende und fanden, dass KI-Verifikationskompetenz keine direkte Assoziation mit kritischem Denken oder technischem Problemlösen hatte; sie zählte nur indirekt, über metakognitive Selbstregulation (ein vollständiges Mediationsmuster). Die Tendenz zu kognitivem Offloading lief in die andere Richtung und sagte niedrigere Selbstregulation vorher (-.294) zusammen mit niedrigerem kritischem Denken (-.240) und Problemlösen (-.312).

• Reflexion stieg mit KI-Zugang, und sie speiste Schlussfolgern statt Testpunktewerte. Melanou, Beege und Kimmig (2026) folgten drei Klassen (N = 87) über einen neunwöchigen Kurs und maßen an drei Zeitpunkten. Wissen verbesserte sich in allen Bedingungen ohne Vorteil für eine der KI-Bedingungen und ohne Matthäus-Effekt (BF01 = 8.70), aber reflexive Nutzung (Quellen prüfen und KI-Ausgabe vor ihrer Übernahme verifizieren) war in der KI-Bedingung weit höher als in der Kontrollgruppe (M = 3.72 vs. 2.82, F(1, 40) = 20.21, p < 0.001) und sagte kritisches Denken vorher (β = 0.43, p < 0.001, R² = 0.183), während sie keinen Wissenszuwachs vorhersagte. Reflexion erschien aus Werkzeugzugang allein statt aus Gerüsten, und weil ihre Auszahlung im Schlussfolgern landet, wird ein Wissenstest den metakognitiven Nutzen eines KI-unterstützten Kurses nicht registrieren.

• Innerhalb eines metakognitiven Selbstauskunftsinstruments sagt Bewusstsein den Rest vorher. Alatoai und Alshahri (2026) validierten ein 45-Item-Maß KI-unterstützten STEM-Lernens mit 649 saudischen Sekundarstufenschülerinnen und -schülern (CFI = 0.983, RMSEA = 0.019; Subskala ω = 0.888–0.905) und nutzten es, um die Komponenten zu ordnen. Die vier Dimensionen erklärten 68% der Varianz in den Punktewerten selbstregulierten Lernens, mit KI-basiertem metakognitivem Bewusstsein am stärksten (β = 0.38, p < 0.001), kognitivem Transfer und Anpassungsfähigkeit als nächstes (β = 0.29, p = 0.008), und kreativem und kritischem KI-STEM-Schlussfolgern nicht signifikant (β = 0.14, p = 0.135). Bewusstsein ist die Komponente, die adaptive Leistung trägt, die Autoren raten, Subskalen separat zu berichten statt einen globalen Punktewert, und sie reservieren höherstufiges Schlussfolgern für Aufgaben der Schlussfolgerungsqualität; das Maß ist dennoch Selbstauskunft, sodass es wie die Workshop-Studie oben wahrgenommene Fähigkeit statt beobachteter Strategienutzung erfasst.

• Die eigene Überwachung der bewertenden Person ist auch metakognitive Arbeit. Hoppe, Loibl und Leuders (2026) argumentieren, dass eine KI-generierte diagnostische Inferenz keine rohe Evidenz ist, sondern eine bereits getroffene Interpretation, sodass Lehrkräfte sie mit ihren eigenen Beobachtungen in einem Prozess integrieren müssen, den sie Metadiagnose nennen, wobei sie absichtsvoll entscheiden, ob sie sie annehmen, ablehnen oder modifizieren. Das platziert eine zweite metakognitive Schleife neben die der lernenden Person: nicht nur, wie die lernende Person Denken mit KI reguliert, sondern wie die Lehrkraft bewertet, was das System über dieses Denken behauptet.

Verbundene Konzepte

• Pädagogische Muster — Die Reflexionsschritte, die diese Sequenzen einbauen
• Lernende — Lernende: der Überblick über die Konzepte auf der Seite der Lernenden
• Selbstreguliertes Lernen
• Selbstbewertung
• Kognitive Auslagerung
• Scaffolding (Gerüstbildung)
• Agentische KI
• Formatives Assessment
• KI-Kompetenz
• Abruf, Spacing und Interleaving — Urteile des Lernens und die Flüssigkeitsillusion, die Abrufübung korrigiert
• Kognitive Kapitulation

Verbundene Artikel

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — ein zweistündiger KI-Kompetenz-Workshop verschob die Regulation der LLM-Interaktion von Mittelstufenschülerinnen und -schülern, anders als ihre selbst berichtete Metakognition (Clerc et al. 2026)

• Student-AI Interaction in Computer-Assisted Consecutive Interpreting: Patterns and Performance — Student-AI Interaction in Computer-Assisted Consecutive Interpreting

• Epistemic Dependence in AI-Mediated Learning — Epistemic dependence in AI-mediated learning (Du & Yuan 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — What students ask matters: LLM interaction depth, task quality, and immediate recall (Tsiligkiris 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — LLM-mediated help-seeking in STEM: layered, instrumental, and verified

• How motivation and roles influence metacognitive engagement in student-GenAI interaction — Motivation and roles in metacognitive GenAI engagement

• Metacognitive Training Facilitates Optimal Cognitive Offloading — Metacognitive training facilitates optimal cognitive offloading (Ngai & Gilbert 2026)

• Meta-Cognitive Insights into Cognitive Offloading: Mechanisms, Interventions, and Educational Implications — Meta-cognitive insights into cognitive offloading: mechanisms, interventions, and educational implications (Guo & Ye 2026)

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — The IDEA framework for metacognitively regulated GenAI use

• HAIML: A Human-Centered AI Metacognitive Learning Model — A Framework for Human Agency and Reflective Learning in the Age of Artificial Intelligence — HAIML: a human-centered AI metacognitive learning model (agency & reflective learning)

• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Metacognitively discordant completion and aware pass-through of non-understanding

• Mapping the Scaffolding of Metacognition and Learning by AI Tools in STEM Classrooms: A Bibliometric-Systematic Review — AI tools scaffolding metacognition in STEM

• Is AI making us stupid? — Is AI making us stupid? critique of cognitive offloading

• The Evidence Base on AI in K-12: A 2026 Review — General-purpose AI suppresses metacognition by completing reasoning

• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized — AI advice suppresses willingness to say „I don't know", even with wrong advice and accuracy incentives

• Ethical Generative AI Use in Higher Education: An Action Research Study Using the Think Aloud Method — Think Aloud made prompt construction, verification and ethical reasoning visible, but critical evaluation stayed surface-level; not a stand-alone solution

• Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design — Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Agentic AI and pedagogical best practice: the tension between automation and learning

• Cognitive offloading and the speedup illusion in human-AI interaction — Cognitive offloading and the speedup illusion in human-AI interaction

• Artificial intelligence, cognitive offloading and implications for education — AI, cognitive offloading and implications for education (Lodge & Loble 2026)

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking (Hosseini 2026)

• 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

• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Reflection on the prompting process and authorship development in the Prompt Literacy Cycle (Miles, Haber-Curran & Arar 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — A reflection prompt cut acceptance of incorrect AI advice and improved awareness calibration (Ren 2026)

• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Automated scoring reinforced monitoring but not planning, and self-reported reflection stayed unproductive (Chen & Liu 2026)

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Verification literacy acting only through metacognitive self-regulation (Davor, Larbi & Boateng 2026)

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — External support, not metacognitive judgment accuracy, drove revision strategy choice (Iqbal et al. 2026)

• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — A selective gain: metacognitive knowledge rose while planning and monitoring did not (Wang et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Reflective use rose with AI access and predicted critical thinking, not knowledge gain (Melanou, Beege & Kimmig 2026)

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — Metacognitive awareness as the strongest predictor of adaptive STEM learning (Alatoai & Alshahri 2026)

• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — From diagnosis to meta-diagnosis: teachers judging AI-generated inferences (Hoppe, Loibl & Leuders 2026)

• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement

• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency — Metacognition, not pedagogy, as the mechanism of learner agency in human-AI collaboration (Dang, Hong, Doyle & Nguyen 2026)

• Metacognitive Ownership in Human-AI Regulation: Construct Definition, Boundaries, and a Research Agenda — Metacognitive ownership: a construct for learner governance of standards, judgments and actions

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — Logs and think-aloud capture different metacognitive processes in GenAI-assisted learning

• AI as a cognitive partner in learning: Emerging epistemic practices of reflective thought — four practices and eleven processes of reflective thought when students treat AI as a cognitive partner