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

Lernmotivation

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

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

Motivation — die psychologischen Prozesse, die zielgerichtetes Verhalten initiieren, lenken und aufrechterhalten. In der KI-in-der-Bildung-Forschung untersucht die Forschung zur Motivation, wie KI-Werkzeuge die Motivation von Lernenden und Lehrkräften beeinflussen — ob KI Beharrlichkeit, Neugier und intrinsisches Engagement gerüstet oder untergräbt —, und wie motivationale Zustände die Wirksamkeit KI-vermittelten Lernens formen.

Fragen zum Nachdenken

  • Motivation wird oft als Eigenschaft behandelt, die manche Lernende „haben" und andere nicht. Die Seite beschreibt sie stattdessen als psychologische Prozesse, die Verhalten initiieren, lenken und aufrechterhalten — und als etwas Entwicklungsbezogenes und sozial Gerüstetes. Wie rahmt das neu, wer für die Motivation der Lernenden verantwortlich ist?
  • KI-Werkzeuge können Reibung beseitigen und Lernen zugänglicher machen, aber sie können auch die kognitive Anstrengung und das Ringen reduzieren, die intrinsische Motivation stützen. Wann hat es etwas für Sie „leichter" gemacht, aber tatsächlich weniger motivierend oder weniger befriedigend?
  • Die Selbstbestimmungstheorie sagt, intrinsische Motivation wachse aus Autonomie, Kompetenz und Verbundenheit. Wenn ein KI-Tutor den größten Teil der Arbeit tut, welche dieser drei könnte er bedrohen — und welche könnte er stärken?
  • Forschung findet distincte motivationale Profile unter Lernenden in einem KI-Curriculum, und dass das Erreichen eines selbstbestimmten Profils die größten KI-Kompetenzgewinne vorhersagte. Was könnte es brauchen, damit eine lernende Person von passivem Desengagement zu echter Selbstbestimmung bei der KI-Nutzung übergeht?
  • Die Seite berichtet, dass Unterstützung durch Lehrkräfte KI-unterstütztes Engagement weitgehend über Mastery-Approach- und Performance-Approach-Ziele treibt — die „Approach"- gegenüber den „Avoidance"-Orientierungen. Wie formt die Art, wie eine Lehrkraft KI-Nutzung einordnet („es richtig machen" gegenüber „nicht falsch aussehen"), ob Lernende sich tief engagieren?
  • Wenn Sie für Motivation gestalten, ist das Ziel dann, Lernen leichter, engagierter oder bedeutsamer anstrengend zu machen? Wo ziehen Barrierefreiheit und intrinsische Motivation in entgegengesetzte Richtungen?

Einführung

Motivation ist ein grundlegendes Konstrukt in der Bildungsforschung, und der Aufstieg von KI in der Bildung hat sie folgenreicher gemacht: KI-Werkzeuge können Reibung beseitigen und Lernen zugänglicher machen, aber sie können auch die kognitive Anstrengung und das Ringen reduzieren, die intrinsische Motivation und tiefes Lernen stützen. Die Artikel in dieser Wissensbasis erkunden Motivation über lernendenseitige KI-Werkzeuge, lehrkraftseitige KI-Systeme und die psychologischen Mechanismen — Selbstbestimmung, Selbstwirksamkeit, Emotionen —, durch die KI motiviertes Verhalten formt.

  • Lee & Wu zeigen, dass Geschlecht und Motivation differentielles Engagement mit GenAI treiben, mit distincten Leistungstrajektorien.

Schlüsselthemen der Forschung

KI-Effekte auf Motivation der Lernenden ist die direkteste Forschungslinie. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming untersucht, wie die Verfügbarkeit von KI-Unterstützung Motivation und Beharrlichkeit der Lernenden beeinflusst, und verbindet sich mit der Überabhängigkeitsforschung zu Motivationserosion, wenn KI die Arbeit tut. Für Beharrlichkeit spezifisch reicht kurze Exposition: zehn Minuten mit einem Assistenten, der auf Anfrage antwortete, ließen Teilnehmende 0.20 ununterstützter Probleme auslassen gegenüber 0.11 bei Kontrollen (Liu et al., 2026). Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement erkundet mobiles Chatbot-Tagebuchführen als motivationale Intervention. Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes untersucht, was Lernende motiviert, KI-Lernwerkzeuge in der Ingenieurbildung anzunehmen.

Eine Metaanalyse von 42 Studien (56 Effektstärken, 6.059 Lernende) fand, dass GenAI-unterstütztes Lernen Motivation um Hedges' g = 0.764 erhöhte (95% CI [0.566, 0.962]) — aber mit I² = 93.7% und einem 95%-Prognoseintervall von [−0.689, 2.217] verbirgt der Mittelwert Settings, in denen der Effekt nahe null oder negativ ist (Fang et al. (2026)).

  • Unreflektierte Nutzung erodiert Motivation — stärker bei Männern. Gedankenlose GenAI-Nutzung (Antworten ungeprüft akzeptieren) sagte niedrigere Motivation (β = −0.54) und niedrigere Selbstwirksamkeit (β = −0.37) unter 487 Studierenden vorher, und der Motivationseffekt war bei männlichen Lernenden signifikant stärker, während der Selbstwirksamkeitseffekt bei weiblichen Lernenden stärker war (Zhao & Gu, 2026).

Warum eine lesende Person nach KI greift, ist selbst eine messbare Variable: die AIR-Skala löst vier Motive für GenAI-unterstütztes Lesen auf — Task-oriented, Feel-good, Translation und Low-effort —, und nur Low-effort, KI zu nutzen, wenn man müde oder desengagiert ist, war negativ mit Bedarf an Kognition verwandt (r = −.18) (Brann, Etgar und Sidi (2026)).

Motivation in KI-vermitteltem Engagement untersucht, wie sich motivationale Qualität (nicht nur Quantität) mit KI verändert. Isaeva et al. kombinierten die Selbstbestimmungstheorie mit epistemischer Netzwerkanalyse, um Engagement mit generativer KI zu studieren. Liang et al. (2026) verfolgten Motivation entwicklungsbezogen über latente Transitionsanalyse von 2.086 Sekundarstufenschülerinnen und -schülern in einem einjährigen KI-Curriculum und fanden drei stabile Profile (Disengaged, Developing, Self-Determined), wobei das Erreichen des Self-Determined-Profils die größten KI-Kompetenzgewinne vorhersagte. Wang & Wang (2026) nutzten Zielsetzungstheorie mit 758 Englischlernenden der Universität und zeigten, dass Unterstützung durch Lehrkräfte KI-unterstütztes Engagement primär über Mastery-Approach- und Performance-Approach-Ziele treibt (die Approach-, nicht Avoidance-Zielorientierungen). Zusammen zeigen diese Studien, dass Motivation in KI-Kontexten sowohl entwicklungsbezogen als auch sozial gerüstet ist — sie verschiebt sich über die Zeit und reagiert auf Unterstützung durch Lehrkräfte und Zielrahmung, nicht nur auf Werkzeugdesign.

Zielorientierung lenkt auch, wie das Werkzeug genutzt wird: Mastery- und normative Performance-Ziele neigen dazu, Elaboration und Verfeinerung zu stützen, wohingegen Appearance-Performance-Ziele Aufwandsminimierung und Schutz wahrgenommener Kompetenz wahrscheinlicher machen — sodass derselbe Assistent Denken gerüstet oder substituiert, je nach motivationalem Klima (Øby, 2026).

Ein Dialogformat kann Motivation erhöhen, ohne die Gesamtevaluation zu verbessern: bei 221 Erstsemestlerinnen und Erstsemestrern der Oberstufe erhöhte Lehrkraft-Lehrkraft-Dialog die ARCS-Motivation mehr als das Lehrkraft-Lernende-Format bei Lernenden mit hoher konkreter Erfahrung (b = 0.162, p < .001), erzielte aber signifikant niedrigere Werte in der Gesamtevaluation (b = -0.126, p = .005) (Watanabe et al. (2026)).

Motivation formt, wie Lernende das Werkzeug rahmen, und die Rahmung trägt die metakognitive Auszahlung: Cui et al. (2026) fanden, dass die Collaborator-Rolle — 7.5% der Logs — die einzige war, die eine vollständige metakognitive Kette produzierte, während extrinsisch motivierte Lernende GenAI in 64.6% der Logs als Ersatzwerkzeug nutzten und keine höherstufigen Verbindungen produzierten.

Motivationsgewinne sind konstruktspezifisch, nicht allgemein. Lu et al. (2026) fanden, dass ein neunwöchiges GenAI-unterstütztes Schreibprogramm für 301 Lernende der Klassen 5 und 6 ihr ideales L2-Schreib-Selbst und akademische Auftriebskraft erhöhte — die aspirationalen und die Resilienz-Komponenten der Motivation —, während das Growth Mindset unverändert blieb; der einzige Growth-Mindset-Zuwachs erschien in der Kontrollgruppe und überlebte die Korrektur für multiple Vergleiche nicht. Lernende führten die Verschiebung darauf zurück, flüssigen Text aus Vokabular gebaut zu sehen, das sie bereits kannten, was erfolgreiches Schreiben erreichbar anfühlen ließ. Motivation ist also kein einzelner Regler, den KI aufdreht: was sich verbesserte, war der Glaube, dass man gut schreiben kann, nicht der Glaube, dass Fähigkeit mit Anstrengung wächst. Dieselbe Konstruktspezifität erscheint, wenn GenAI selbst die Relevanzintervention ist. Guo, Fryer und Shum (2026) ließen 218 Oberstufenschülerinnen und -schüler eine Stunde in semi-strukturiertem Dialog mit einem Chatbot verbringen, der auf persönliche Relevanz zur Mathematik zielte; die kollektive, klasseneebene Version erhöhte Relevanz als Identifikation (F = 4.35, p = .014, η² = 0.04; gegenüber der Kontrolle, F = 11.11, p = .001, η² = 0.073 — ein mittlerer Effekt) und sagte im SEM Relevanz für eine spezifische Lektion eine Woche später vorher (β = 0.18, p < .01), während das Interesse am Mathematikunterricht sich nicht bewegte (F = 0.29, p = .75, η² = 0.003). Die Autoren führen die Entkopplung auf die Dosis zurück: eine einzelne einstündige Sitzung ist zu kurz, damit sich Relevanzgewinne zu Interesse am Unterricht konsolidieren.

Eine Nutzenwert-Intervention ist nicht gleichförmig vorteilhaft: eine gerüstete Version produzierte keinen Gesamtzuwachs in der Wissensintegration angehender Lehrkräfte und schadete ihr bei Lernenden, die mit hohem wahrgenommenem Nutzenwert hereinkamen, eine Aptitude-Treatment-Interaktion, die dafür argumentiert, motivationale Unterstützung an die Startpunkte der Lernenden anzupassen (Boos, Eder & Lachner (2026)).

Eine Feedbacknachricht bewegt Interesse über ihre wahrgenommene Nützlichkeit, nicht über die Dispositionen der lernenden Person. Jansen et al. (2026) gaben 1.507 Sekundarstufenschülerinnen und -schülern eine standardisierte automatisierte Feedbacknachricht nach einem ersten Entwurf eines argumentativen Textes: globale Rezeptivität war die einzige Rezeptivitätsdimension, die mit situativer Interessenveränderung verwandt war (etwa 0.11 Punkte auf der beobachteten Skala, grob das 54. gegenüber dem 46. Perzentil), und dieser Effekt war vollständig durch wahrgenommene Nützlichkeit vermittelt (indirekt β = 0.09, 95% CI [0.06, 0.13]) ohne signifikanten direkten Pfad mehr (β = 0.06, 95% CI [−0.07, 0.16]), sodass das, was Interesse verschob, der gefühlte Wert der Nachricht war statt der allgemeinen Haltung der lernenden Person gegenüber Feedback.

Motivation und Beharrlichkeit von Lehrkräften untersucht Motivation unter Bildungsakteuren. Framing the 5 Percent Problem studiert Beharrlichkeit von Lehrkräften mit KI-Werkzeugen, und Chiu et al. fanden, dass bedürfnisunterstützende professionelle Entwicklung nachhaltiges verhaltensbezogenes Engagement in professionellen Lerngemeinschaften fördert.

  • Kulturübergreifende Motivation künftiger Lehrkräfte: Martínez-Moreno et al. (2026) validierten die (D)FIT-Choice-Skala mit 416 Lehramtsstudierenden in der Schweiz und China und fanden, dass Schweizer Lehrkräfte stärkeren sozialen Nutzen und intrinsische Motivation berichten, während chinesische Lehrkräfte höhere wahrgenommene digitale Kompetenz und Begeisterung für die Integration von KI zeigen — was herausstellt, wie kulturelle und systemische Faktoren die Motivation formen, die Zukunft der Bildung mit KI zu gestalten.

  • Selbstwirksamkeit ist die Wurzel der Freude von Lehrkräften an GenAI. In einer PLS-SEM-Studie mit 434 aktiven Lehrkräften war Selbstwirksamkeit die einzige exogene Variable des Modells, und ihr größter Effekt lag auf wahrgenommener Freude (β = 0.805, f² = 1.839), die wiederum wahrgenommene Nützlichkeit und Nutzungsleichtigkeit speiste (Guillén-Gámez et al., 2026).

Das Anstrengungsparadox und der Teufelskreis der Unterstützung. Zohar, Bloom und Inzlicht (2026) argumentieren, dass Motivation nicht einfach von KI geholfen oder behindert, sondern umverteilt wird: Menschen nehmen generell den Weg des geringsten Widerstands, suchen aber auch Anstrengung — das Anstrengungsparadox —, weil Anstrengung signalisiert, dass Handlungen zählen, und weil an Prozess statt an Produkt geknüpfte Belohnung die Neigung erhöht zu streben und durchzuhalten. Zwei Behauptungen folgen. Erstens ist die Anstrengung-Bedeutung-Beziehung ein umgekehrtes U, sodass das motivationale Ziel mäßige Reibung ist und das Risiko reibungsloser KI darin besteht, in zu wenig überzuschießen. Zweitens ein Teufelskreis: wenn KI Anstrengung in einer Domäne ersetzt, erodieren die motivationalen Vorteile von Anstrengung dort, was Nutzende abhängiger von KI macht, was Motivation weiter erodiert. Sie trennen zudem Ergänzung von Substitution nach Entwicklungsstadium — Lernende in früheren Stadien riskieren, die Erfahrungen zu umgehen, die Beharrlichkeit aufbauen, während jene mit etablierten Fähigkeiten KI nutzen können, um Zeit zu sparen (wünschenswerte Schwierigkeiten, Selbstwirksamkeit).

Die Literatur misst Motivation ohne eine Theorie von ihr. Ein Scoping Review von 156 Studien von 2003 bis 2025 fand, dass 133 (85.3%) von keiner spezifischen Motivationstheorie geleitet waren, die häufigste Variable eine generalisierte akademische Motivation war (n = 89), und 88 Studien (56.4%) aus einem nationalen Kontext kamen (Li et al., 2026).

Verbindungen zu verwandten Konzepten

Motivation ist das Elternkonstrukt der Selbstbestimmungstheorie, die die psychologischen Bedürfnisse (Autonomie, Kompetenz, Verbundenheit) spezifiziert, die intrinsische Motivation aufrechterhalten. Sie verbindet sich mit dem Erleben der Studierenden als der Erlebnisschicht motivierten Engagements, mit studentischem Engagement als seiner messbaren Dimension, und mit Affective Computing für die emotionalen Mechanismen, die Motivation formen. Motivation verbindet sich auch mit Überabhängigkeit (KI, die produktives Ringen reduziert), selbstreguliertem Lernen (motivierte Lernende regulieren sich selbst) und der Lehrkräftenschaft (Motivation gilt für Bildungsakteure ebenso wie für Studierende).

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

ZielgruppeLearners
Lernen und UnterrichtLernmotivation, Selbstbestimmungstheorie, Studierendenengagement
Technologien und VerfahrenAffektives Computing
Grundlagen von KI in der BildungKI in der Bildung
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.