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

Metaphern und Analogien

Erstellt 2026-11-07 · Aktualisiert 2026-11-07

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

Synthese: Metaphern und Analogien erfüllen in der KI-Bildung zwei Aufgaben. Sie sind Sinnstiftungsinstrumente, mit denen Lehrende und Lernende entscheiden, was KI ist (ein Werkzeug, eine Assistentin, eine Black Box, ein Orakel), und sie sind Lehrinstrumente, die eine vertraute Quelldomäne auf ein unvertrautes Zielkonzept abbilden. Die Forschung in dieser Wissensbasis zeigt, dass diese beiden Aufgaben zusammenhängen: Die Metaphern, die Menschen vertreten, prägen, was sie von KI erwarten, welche Merkmale sie wahrnehmen und ob sie ihr vertrauen oder sie fürchten. Dieselbe Logik der Strukturabbildung erklärt, warum eine Analogie eine technische Idee einprägsam machen kann, während sie sie stillschweigend falsch darstellt. Eine fehlerhafte, von GenKI erzeugte Analogie kann nützlicher sein als eine ausgefeilte, wenn Lernende die Quelldomäne gut genug kennen, um die Abbildung zu prüfen und zu reparieren. Die praktische Konsequenz ist, Metaphern passend zu dem Merkmal zu wählen, das gelehrt wird, die strukturelle Passung und die kulturelle Zugänglichkeit zu prüfen und den Vergleich als Gegenstand der Kritik statt als fertige Erklärung zu behandeln. Die Evidenz ist überwiegend qualitativ, konzeptuell und kleinteilig; das Feld hat wenig kausale Belege dafür, dass metaphernbasiertes Lehren das Lernen verbessert.

Fragen zum Nachdenken

  • Welche Metapher nutzen Sie für generative KI, wenn Sie nicht sorgfältig sind, und was macht diese Metapher leicht sichtbar oder leicht übersehbar?
  • Wann hilft eine vertraute Analogie einer lernenden Person, ein technisches Konzept zu verstehen, und wann setzt sie eine Fehlvorstellung fest, die späterer Unterricht wieder rückgängig machen muss?
  • Wessen Quelldomänen gelten als vertraut? Wenn eine Analogie auf Sport, Gaming oder ein Küchengerät zurückgreift, wer ist dann eingeschlossen und wer bleibt ausgeschlossen?
  • Sollte eine KI-Tutorin Analogien für Lernende erzeugen, oder sollte sie Lernenden Analogien zur Kritik geben? Was ändert sich, wenn die Analogie auf die angegebenen Interessen einer lernenden Person zugeschnitten wird?
  • Eine einprägsame Analogie ist nicht unbedingt eine zutreffende. Was würden Sie Lernende tun lassen, um zu zeigen, dass sie den Unterschied erkennen können?
  • Welche Evidenz würde Sie davon überzeugen, dass eine metaphernbasierte Unterrichtsstunde die KI-Kompetenz verbessert hat und nicht nur die Stunde ansprechender gemacht hat?

Einführung

Eine Metapher sagt, dass eine Sache eine andere ist: KI ist eine Black Box, eine Helferin, ein Spiegel, eine Landkarte. Eine Analogie macht den Vergleich in der Regel expliziter: Eine verkettete Liste funktioniert wie eine Kette, Rekursion funktioniert wie eine Menge ineinandergeschachtelter Schachteln, oder KI zu nutzen ist wie Kochen mit einem Thermomix. In der Praxis überschneiden sich beide. Beide verlangen von Lernenden, Beziehungen aus einer vertrauten Quelldomäne in eine weniger vertraute Zieldomäne zu übertragen, und beide werden irreführend, wenn die Abbildung über die Beziehungen hinaus ausgedehnt wird, die sie tatsächlich erhält.

Das macht sie mehr als rhetorische Ausschmückung. Die Forschung zur konzeptuellen Metapher behandelt Metapher als Denkstruktur, nicht nur als Sprache: Die verfügbaren Vergleiche prägen, welche Aspekte eines Systems als hervorstechend empfunden werden und welche Erklärungen natürlich wirken. In der KI-Bildung ist der Einsatz praktisch. Eine studierende Person, die ein LLM als Suchmaschine rahmt, erwartet möglicherweise, dass es gespeicherte Fakten abruft, und sucht vielleicht nicht nach erfundenen. Ein Lehrender, der es als fortgeschrittene studierende Person rahmt, erwartet Urteilsvermögen und Fachexpertise, die das Modell nicht hat. Eine politische Diskussion, die um eine „Naturkatastrophe“ oder einen „Konkurrenten“ gerahmt ist, stützt andere Reaktionen als eine, die um einen „Taschenrechner für Wörter“ gerahmt ist.

Diese Seite behandelt beide Seiten dieser Doppelrolle: Metapher als Fenster darauf, wie Lehrende und Lernende KI verstehen, und Analogie als Lehrtechnik in der KI-Kompetenz und in KI-generierten Erklärungen. Sie verbindet Arbeiten zu Konzeptualisierungen von Lehrenden und Studierenden, Metaphern-Workshops im Kursraum, von GenKI erzeugten Analogien, analogiebasiertem Instruktionsdesign und kritischer KI-Kompetenz. Sie behandelt „Metapher“ und „Analogie“ nicht als exakte Synonyme, hält sie aber zusammen, weil die Designprobleme geteilt sind: Quellenauswahl, strukturelle Passung, kultureller Zugang und Kritik.

Warum Metaphern und Analogien wichtig sind

Der theoretische Ausgangspunkt ist die Konzeptuelle Metapherntheorie, die mit Lakoff und Johnson verbunden ist. Ihre zentrale Behauptung ist, dass Menschen abstrakte Domänen über Abbildungen aus konkreteren Domänen verstehen und dass diese Abbildungen so vertraut werden können, dass sie nicht mehr als Vergleiche erscheinen. „Die Reise des Lebens“ ist nicht nur eine Sprechweise; sie trägt Annahmen über Richtung, Fortschritt, Hindernisse und Ziele mit sich. Dasselbe gilt für „die KI-Assistentin“ oder „die KI-Black-Box“.

Für die Bildung ist die nützliche Folge, dass Metapher konzeptuelle Arbeit leisten kann, bevor eine Lehrkraft eine Definition anbietet. Sie gibt Lernenden einen Standpunkt. Sie kann auch eine ganze Theorie der Handlungsfähigkeit mit sich führen: Eine „Assistentin“ impliziert eine nutzende Person, die die Kontrolle hat, während ein „Agent“ Initiative impliziert und eine „Black Box“ impliziert, dass Erklärung unmöglich oder unnötig ist. Das sind keine neutralen Beschreibungen. Sie verteilen Verantwortung und legen Erwartungen an Vertrauen fest.

Analogien fügen eine zweite Ebene hinzu: strukturelle Entsprechung. Eine gute Lehr-Analogie erhält die Beziehungen, die für das Zielkonzept wichtig sind, nicht nur oberflächliche Ähnlichkeit. Eine Kette kann eine verkettete Liste veranschaulichen, weil beide Knoten betreffen, die in einer Reihenfolge verbunden sind. Eine Menge ineinandergeschachtelter Schachteln kann Rekursion veranschaulichen, weil jede Ebene eine kleinere Version derselben Struktur enthält. Der Vergleich ist immer partiell. Die pädagogische Frage ist, ob die erhaltenen Beziehungen die sind, die die lernende Person braucht, und ob die lernende Person sehen kann, wo die Abbildung endet.

Diese Frage trennt diese Seite von erklärbarer KI. Erklärbare KI fragt, wie die Entscheidungen eines Systems für Interessengruppen lesbar gemacht werden können. Eine pädagogische Analogie fragt, wie eine lernende Person ein brauchbares mentales Modell eines Prozesses aufbauen kann. Eine Erklärung dafür, warum ein Modell eine studierende Person markiert hat, ist nicht dasselbe wie eine Analogie dafür, wie ein Modell Text generiert, und keines ersetzt das andere.

Wie Lehrende und Studierende KI beschreiben

Die Wissensbasis hat inzwischen mehrere Fenster zu den Metaphern, die Menschen tatsächlich verwenden. Sie laufen nicht auf ein einziges Bild zu, und das ist Teil des Punktes.

Vallis, Wilson und Casey (2025) führten Metaphern-Analyse-Workshops mit Studierenden, Akademikerinnen und Akademikern sowie Mitarbeitenden der Bildungsunterstützung durch. Die Metaphern der Teilnehmenden clusterten sich in vier breite Kategorien: Funktionen (werkzeugartige Vergleiche wie ein Schweizer Taschenmesser), Rollen (menschenähnliche Beziehungen wie Helferin, Lernpartner oder „Frenemy“), Eigenschaften (unzuverlässige oder unerkennbare Vergleiche wie eine Black Box oder eine schiefe Ebene) und Handlungsfähigkeit (autonome oder bedrohliche Vergleiche wie ein Konkurrent oder ein finsterer Roboter). Zwei Spannungen durchzogen das Set: menschliche versus maschinelle Handlungsfähigkeit und das Bekannte versus das Unerkennbare. Der Workshop löste diese Spannungen nicht auf. Er machte sie für die Diskussion verfügbar, und genau das kann eine metaphernbasierte Intervention realistisch leisten.

Gerhardt und Kolleginnen und Kollegen (2026) interviewten 57 Lehrkräfte der Ingenieurwissenschaften über Disziplinen und Universitäten hinweg und analysierten die Analogien, die diese von sich aus anboten. Die Lehrenden rahmten generative KI überwiegend entweder als menschenähnliches soziales Wesen oder Agenten (eine Assistentin, eine Doktorandin) oder als technisches Objekt (eine Suchmaschine, ein Werkzeug). Wenige rahmten sie als ökologische oder systemische Kraft. Die Autorinnen und Autoren ordnen die Antworten entlang von fünf Dimensionen: Ontologie, Epistemologie, Funktionsweise, Beziehung sowie Macht und Fähigkeit. Ihr Anliegen ist nicht, dass Lehrende Metaphern verwenden, sondern dass Kolleginnen und Kollegen derselben Fakultät unvereinbare Metaphern vertreten können, während sie annehmen, dieselbe Sprache zu sprechen. Das macht die Metaphern-Elizitierung zu einer Diagnose für die Lehrentwicklung, nicht nur zu einer Technik für den Kursraum.

Studierende zeigen eine ähnliche Bandbreite. Bohmer und Kolleginnen und Kollegen (2026) fanden, dass Studierende GenAI als sozialen Akteur, als Technik, als Lernmaterial oder als Struktur konzeptualisieren, wobei sozio-emotionale und technische Rahmen gleichermaßen hervorstechen. Kudina (2026) beschreibt „Orakel“ und „Tutorin“ als die dominanten Rahmen, in denen Ingenieurstudierende das LLM verstehen; beide schreiben dem Werkzeug Autorität und Personalisierung zu, die über das hinausgehen, was es zuverlässig liefert. Stillman und Kolleginnen und Kollegen (2026) behandeln den „Verkaufsautomaten für Feedback“ einer studierenden Person als nützlicheres Kompetenzartefakt als das ausgefeilte Tutorin-Vokabular, weil er die Transaktion sichtbar macht: Arbeit einwerfen, Ausgabe erhalten, keine Beziehung und keine Handlungsfähigkeit.

Der querschnittliche Befund ist, dass Metapher ein Diagnostikum der Erwartung ist. Eine studierende Person, die ein LLM ein Orakel nennt, verwendet nicht einfach ein farbiges Wort. Das Etikett sagt vorher, was die studierende Person tut, wenn das Modell falsch liegt, und was sie über Verifikation glauben wird. Ein Lehrender, der es eine Suchmaschine nennt, ist nicht einfach unpräzise. Das Etikett sagt vorher, was er Studierende damit tun lassen wird. Deshalb können Programme der Lehrentwicklung Metaphern-Elizitierung vor einer Neugestaltung von Richtlinien oder Prüfungen einsetzen, und deshalb brauchen Ingenieurwissenschaften und Informatikbildung disziplinspezifische Gespräche statt einer institutionenweiten Definition.

Ein philosophischer Strang treibt die Metapher in eine andere Richtung: Xie (2026) schlägt „Zhenren“ als Gegenideal zur algorithmisch verwalteten lernenden Person vor und behandelt das Bild als Mittel, über Bildungsziele zu streiten, statt einen technischen Prozess zu erklären.

Analogien als Lehrtechnik

Die stärkste Evidenz aus dem Kursraum in diesem Korpus stammt aus der Analogienutzung in der Informatikbildung. Bernstein und Sibia (2026) gaben Studierenden im Grundstudium von GenKI erzeugte Analogien für verkettete Listen und Rekursion und baten sie dann, die Ausgaben zu annotieren und zu diskutieren. Die Studierenden beurteilten die Analogien nicht global als gut oder schlecht. Sie trennten strukturelle Genauigkeit, Klarheit, Angemessenheit und Vertrauen und benannten konkrete Brüche: Eine Rundstrecke beschreibt eine kreisförmige Liste, nicht eine einfach verkettete; ein Badminton-Ballwechsel hat keinen garantiert schrumpfenden Input für Rekursion; eine interessensbasierte Referenz kann Wissen voraussetzen, das der studierenden Person fehlt.

Der Beitrag des Artikels ist die Idee der zweiseitigen Analogieprüfung. Wissen über das Zielkonzept sagt einer lernenden Person, welche Beziehungen eine Analogie erhalten muss. Wissen über die Quelldomäne sagt ihr, ob die Quelle diese Beziehungen tatsächlich hat. Die schärfsten Prüferinnen und Prüfer waren nicht immer die Studierenden, deren Interessen zur Analogie passten. Es waren die Studierenden, die die Quelldomäne gut genug kannten, um sie zu untersuchen. Das hat eine Designfolge: Eine vertraute Quelle kann eine lernende Person von einer Empfängerin zu einer Expertin im Prüfen machen. Die Autorinnen und Autoren empfehlen, fehlerhafte Analogien als Objekte zum Untersuchen und Reparieren zu vergeben, statt sie herauszufiltern. Die fehlerhafte Analogie wird zu einer produktiven Schwierigkeit.

Dieser Befund verkompliziert die übliche Annahme, KI-generierte Erklärungen sollten ausgefeilt sein, bevor Studierende sie sehen. Eine saubere Analogie kann immer noch eine falsche Abbildung kodieren, und eine fehlerhafte kann lehrreicher sein, wenn die Aufgabe Kritik ist. Die wichtige Bedingung ist, dass Studierende genug Zielwissen haben, um zu wissen, was die Analogie erhalten muss, und genug Quellenwissen, um zu prüfen, ob sie es tut. Ohne eines von beiden kann die Analogie aus dem falschen Grund einprägsam sein.

ANVIL zeigt die Erzeugungsseite. Es nimmt eine Konzeptdefinition, erzeugt eine textliche Analogie, kompiliert sie zu einem Drehbuch, erzeugt Animationscode und repariert Fehler in einer begrenzten Schleife. Das System wurde mit Informatiklehrenden evaluiert, die die meisten Analogien als angemessen bewerteten und das Werkzeug als kreative Mitarbeiterin für die frühe Unterrichtsplanung schätzten. Die Autorinnen und Autoren fanden zudem, dass Kontrolle der Lehrkraft, Editierbarkeit und pädagogische Passung mehr zählten als die rohe Erzeugungsqualität. ANVIL erinnert daran, dass eine KI-generierte Analogie ein Kandidatenartefakt ist, keine fertige Erklärung: Die Lehrkraft muss weiterhin entscheiden, ob die Abbildung strukturell solide und für die Klasse angemessen ist.

Rummel, Nachtigall und Panadero nutzen eine Analogie als das Argument selbst. Der Thermomix, ein geführtes Küchengerät, ruft Begeisterung und Kritik hervor, die jener von generativer KI in der Bildung ähneln. Indem sie Kochszenarien auf Lernszenarien abbilden, verschieben sie die Diskussion von der Frage „Ist KI gut oder schlecht?“ zu der Frage „Wie viel der Arbeit wird delegiert, und was macht das mit der lernenden Person?“ Die Analogie ist keine Evidenz; sie ist ein Instrument, um ein Design-Kontinuum sichtbar zu machen. Das ist eine legitime Verwendung von Analogie in einem konzeptuellen Beitrag, sollte aber nicht mit einer getesteten Intervention verwechselt werden.

Code as Anchor ergänzt eine Designwarnung. Studierende nutzten mehrere Repräsentationen, darunter eine Metaphernansicht, verbrachten aber die meiste Blickzeit mit Code und nur einen kleinen Anteil mit der Metaphernansicht. Einige empfanden die metaphorischen Gerüste als kindlich oder als Förderunterricht. Eine Metapher, die eine Lehrkraft erhellend findet, kann für Studierende ein Zeichen geringer Fähigkeit sein. Legitimität ist Teil der pädagogischen Nützlichkeit, keine getrennte Frage.

Metapher als kritische KI-Kompetenz

Das direkteste Rahmenwerk für das Lehren mit Metaphern stammt von Roe, Perkins und Furze (2025). Sie definieren kritische KI-Kompetenz als Verständnis dafür, wie KI-Systeme funktionieren, bei gleichzeitiger Prüfung ihrer sozialen, ökologischen und kulturellen Folgen. Ausgehend von einer Liste von 13 verbreiteten KI-Metaphern wählen sie vier für den Kursraum aus und bewerten jede anhand von vier Kriterien: Zugänglichkeit, Erklärungskraft, Potenzial für kritische KI-Kompetenz und pädagogische Nützlichkeit.

Die vier sind:

  • KI als Zerrspiegel, für Verzerrung und Bias in generierter Ausgabe.
  • KI als Landkarte, für Repräsentation, Auswahl und die Frage, wessen Wissen enthalten ist.
  • KI als Echokammer, für Rückkopplungsschleifen, Filterblasen und die Verstärkung bestehender Muster.
  • KI als Black Box, für Opazität und die Grenzen der Erklärung.

Jede ist mit einer kurzen Aktivität und einer von der Lehrkraft moderierten Diskussion verbunden. Die Zerrspiegel-Stunde lässt Studierende Prompts auf Bias testen; die Echokammer-Stunde lässt sie beobachten, wie wiederholte Prompts und begrenzte Daten Muster verstärken; die Landkarten-Stunde fragt, was die Repräsentation einer KI enthält und auslässt; die Black-Box-Stunde nutzt probabilistische Generierung, um verborgene Prozesse sichtbar zu machen. Die Autorinnen und Autoren ordnen die Aktivitäten dem KI-Kompetenzrahmen der UNESCO für Studierende zu, was dem Rahmenwerk einen curricularen Anknüpfungspunkt gibt, statt es bei einer allgemeinen Ermahnung zu belassen, über Metaphern zu diskutieren.

Der wichtigste Schritt des Rahmenwerks ist, Metaphern als Gegenstände der Kritik zu behandeln. Eine Metapher ist nützlich, weil sie partiell ist, und sie wird gefährlich, wenn sie als vollständig präsentiert wird. Der Zerrspiegel zeigt Verzerrung, aber nicht den Algorithmus, der sie erzeugt. Die Landkarte zeigt Repräsentation, kann aber eine kohärente Absicht implizieren, die das System nicht hat. Die Black Box zeigt Opazität, kann aber die Schlussfolgerung nahelegen, dass nichts gewusst werden kann. Die Stunde sollte mit der Frage enden, wo der Vergleich bricht.

Das ist es auch, was die Metaphernarbeit breiter mit KI-Kompetenz verbindet. Ein Metaphern-Workshop ist ein technologiearmer Weg, Annahmen vor einer technischen Stunde sichtbar zu machen. Eine Kritik einer KI-generierten Analogie ist ein Weg zu beurteilen, ob eine studierende Person das Zielkonzept versteht. Die eigene Metapher einer studierenden Person, etwa der Verkaufsautomat, kann aufschlussreicher sein als ein standardisiertes Umfrageitem. Das sind alles Formen von kritischem Denken über KI, nicht bloß Übungen im kreativen Schreiben.

Metaphernbasierten Unterricht gestalten

  • Beginnen Sie beim Merkmal, nicht beim Bild. Entscheiden Sie, was Studierende verstehen müssen, und fragen Sie dann, welche Quelldomäne die Beziehungen erhält, auf die es ankommt. Ein einprägsamer Vergleich, der auf das falsche Merkmal zeigt, ist schlechter als eine schlichte Erklärung.
  • Prüfen Sie die strukturelle Passung vor der Personalisierung. Interessenabgleich kann das Engagement erhöhen, garantiert aber nicht, dass die Quelldomäne die richtige Struktur hat. Prüfen Sie zuerst die Abbildung, personalisieren Sie dann.
  • Prüfen Sie die Quelldomäne auf kulturellen Zugang. Zerrspiegel, Landkarten, Sport und Küchengeräte sind nicht für alle Lernenden gleich vertraut. Fragen Sie, was der Vergleich voraussetzt, und bieten Sie Alternativen an.
  • Machen Sie die Grenzen explizit. Bitten Sie Studierende zu benennen, was die Metapher erhält, was sie verzerrt und was sie nicht erklären kann. Die Kritik ist das bewertete Lernen, keine optionale Diskussion.
  • Nutzen Sie mehrere partielle Metaphern. Ein Zerrspiegel, eine Landkarte und eine Echokammer können koexistieren, weil jede eine andere Dimension beleuchtet. Eine einzige totalisierende Metapher wird eher zur Fehlvorstellung.
  • Halten Sie die technische Darstellung in der Nähe. Eine Analogie kann ein Thema öffnen, sollte aber den Unterricht über Trainingsdaten, probabilistische Generierung oder den Unterschied zwischen flüssiger Ausgabe und verifiziertem Wissen nicht ersetzen.
  • Bewerten Sie die Aktivität, nicht nur das Engagement. Der Korpus zeigt noch nicht, dass metaphernbasierte Stunden die KI-Kompetenz oder Lernergebnisse verbessern. Behandeln Sie die Aktivitäten als zu testende Designs und messen Sie, was Studierende danach tun können.

Verbreitete Fehlvorstellungen

  • „Eine einprägsame Metapher ist eine gute Metapher.“ Einprägsamkeit ist nicht Erklärungskraft. Studierende können sich eine lebhafte Analogie merken und das Konzept dennoch missverstehen, das sie klären sollte.
  • „Metaphern sind neutrale Illustrationen.“ Jede Metapher wählt einige Merkmale aus und verbirgt andere. Die Wahl trägt Annahmen über Handlungsfähigkeit, Vertrauen und Verantwortung.
  • „KI-generierte Analogien sind gebrauchsfertig.“ Generierte Analogien können strukturell falsch, kulturell eng oder pädagogisch unpassend sein. Sie brauchen eine Prüfung durch die Lehrkraft oder eine Kritikaufgabe für Studierende.
  • „Wenn Studierende die Analogie mögen, haben sie das Konzept gelernt.“ Engagement und Lernen sind getrennte Ergebnisse. Die Evidenzbasis hier ist überwiegend qualitativ und belegt keinen Lernzuwachs.

Grenzen und Evidenzlücken

Die Literatur in dieser Wissensbasis ist ungleich. Die Metaphernstudien zu Lehrenden und Studierenden sind qualitativ und oft klein. Die Studie zu Ingenieurlehrenden analysiert Antworten auf eine einzige Interviewfrage. Die Professionalisierungsstudie behandelt Metaphernzählungen als explorativ. Die Kursraumstudie zu Analogien hat zehn Studierende im Grundstudium und eine Konfundierung zwischen Personalisierung und Erklärungsformat. Das Rahmenwerk von Roe et al. ist konzeptuell, und seine Aktivitäten wurden nicht mit Studierenden getestet. ANVIL ist eine Systemevaluation mit Lehrenden, keine Lernstudie.

Das macht die Arbeit nicht nutzlos. Es macht die Aussagen angemessen bescheiden. Metaphern-Elizitierung kann Annahmen aufdecken, die Umfragen verfehlen. Analogiekritik kann strukturelles Verständnis sichtbar machen. Eine gut gewählte Metapher kann einer Klasse einen gemeinsamen Gegenstand geben, über den sie streiten kann. Aber das Feld braucht weiterhin Studien, die metaphernbasierten Unterricht mit gewöhnlichem Unterricht vergleichen, Transfer statt Erinnerung an die Metapher messen und prüfen, ob der Ansatz über Kulturen und Disziplinen hinweg trägt.

Das Risiko der Überzeichnung ist in beide Richtungen real. Eine Lehrkraft, die eine Metapher als vollständige Erklärung behandelt, kann eine Fehlvorstellung festsetzen. Eine Forscherin, die Metapher als bloße Dekoration behandelt, kann einen Mechanismus verfehlen, durch den Studierende ein mentales Modell aufbauen oder nicht aufbauen. Die produktive Position ist, Metapher als gestaltete, partielle und kritisierbare Repräsentation zu behandeln und zu untersuchen, was Lernende damit tun.

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauHigher Ed
ZielgruppeInstructors, Learners, Researchers
Lernen und UnterrichtMissverständnisse über KI, Studierendenengagement
Technologien und VerfahrenGenerative KI
Grundlagen von KI in der BildungKI-Kompetenz, Kritisches Denken
QuelleVerlaufBearbeitenChat

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.