Online-Lehre und -Lernen

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

Online-Lehre und -Lernen — die Pädagogik und Praxis von Lehren und Lernen, das durch digitale, netzvermittelte Umgebungen statt in einem geteilten physischen Klassenraum geschieht. Sie umfasst vollständig online Kurse, Massive Open Online Courses (MOOC), Blended- und Hybridformate sowie Fernbildung. Für die Wissensbasis lautet die zentrale Frage, wie generative KI die Chancen, Herausforderungen und empfohlenen Praktiken des Lehrens auf Distanz umformt – von skalierbarer Personalisierung bis zu neuen Risiken für akademische Integrität und kognitive Entlastung.

Fragen zum Nachdenken

• Sie haben wahrscheinlich einen Online-Kurs besucht oder einen unterrichtet. Was haben Sie verloren und was gewonnen, als der physische Klassenraum entfernt wurde –, und wie formte das um, worauf sich Lehrende verlassen konnten?
• Die Seite argumentiert, Online-Lehre sei eine eigenständige Pädagogik, nicht nur ein Vermittlungsmechanismus. In welchen konkreten Weisen verändert das Online-Medium, welche Lehrstrategien überhaupt möglich oder wirksam sind?
• Ein RCT fand, dass ungesicherte KI-Unterstützung Übungsleistung erhöhte, aber Prüfungspunktzahlen ohne Hilfe senkte, während ein Tutor mit „Hinweis statt Antwort" den Schaden beseitigte. Können Sie vor der weiteren Lektüre erklären, warum es Studierenden die Antwort zu geben unmittelbare Leistung aufblähen, aber dauerhaftes Lernen untergraben könnte?
• Online-Assessment kann nicht immer assistierte von unabhängiger Arbeit unterscheiden. Wenn Detektionswerkzeuge eine „partielle, strittige Antwort" sind, welche alternativen Assessment-Designs könnten echtes Verständnis offenbaren?
• Wie formt die wahrgenommene Verfügbarkeit eines mühelosen KI-Kurzwegs die Motivation von Studierenden in einem selbstpaced, bildschirmbasierten Kurs um? Was könnten Sie gestalten, um ihm entgegenzuwirken?
• Ein autonomer Agent kann sich heute in ein Lernmanagementsystem einloggen, das Material lesen, das Quiz beantworten und ins Diskussionsforum posten. Wenn das Produzieren des Artefakts Lernen nicht mehr belegt, was müssten Sie stattdessen sehen?
• KI kann heute einen MOOC-äquivalenten Kurs in Minuten zu einem Bruchteil der Kosten erzeugen. Was sind die pädagogischen Kompromisse von „N Agenten für eine Person" gegenüber „ein Video für N Personen"?

Einführung

Online-Lehre und -Lernen ist ein eigenständiger pädagogischer Kontext, nicht bloß ein Vermittlungsmechanismus. Er entfernt die physische Ko-Präsenz, die Aufmerksamkeit, Motivation und informelle Interaktion stützt, und ersetzt face-to-face-Kontakt durch strukturierte digitale Interaktion – Diskussionsforen, asynchrone Materialien, Video, Tutoragenten. Das verändert, worauf sich Lehrende verlassen können, worauf Studierende zugreifen können und wie Lernen gestaltet und bewertet wird. Als Überblickkonzept in der Pädagogik-Landschaft sitzt er neben aktivem Lernen, kollaborativem Lernen und selbstreguliertem Lernen, unterscheidet sich aber durch das Medium: die Einschränkungen und Ermöglichungen der Online-Umgebung prägen, welche Strategien tragfähig sind.

Der Aufstieg generativer KI landet direkt in diesem Kontext. Online-Lernende arbeiten bereits über Bildschirme und Software, deshalb sind KI-Werkzeuge natürliche Nachbarn; zugleich ist Online-Assessment schwerer zu beaufsichtigen, was Missbrauch leichter und die Einsätze höher macht. Die Evidenz dieser Wissensbasis zeigt, dass KI ein mächtiger Verbündeter für Online-Lehre und -Lernen sein kann – und, schlecht konfiguriert, eine signifikante Quelle von Lernschaden.

Lock, Arteaga & Johnson (2025)s kritischer Literaturreview (63 Zitationen über 32 Länder hinweg) organisiert diese Landschaft in vier verbundene Themen, die auf der gesamten Seite unten wiederkehren: die Typen und Zwecke der KI-Integration, pädagogische Ansätze (KI-Kompetenz, selbstreguliertes Lernen), Vorteile und Herausforderungen. Ihre zentrale Warnung – dass diese Themen sich überlappen und dass Online-KI-Integration ein soziotechnisches Unterfangen ist, verankert in Pädagogik und menschlichen Beziehungen statt in Technologieadoption allein – richtet sich an der Rahmung der Seite aus, Online-Lehre als eigenständige Pädagogik zu behandeln. Bemerkenswert berichten sie, dass Studierende, die ChatGPT neben Tutoring durch die Lehrkraft nutzten, größere Lernzuwächse wahrnahmen als jene, die es allein nutzten, was die durch diese Seite hindurchlaufende Betonung hybrider Mensch-KI-Zusammenarbeit verstärkt.

Die Entwicklung, die dies von einer Designfrage zu einer dringenden bewegte, ist, dass generative KI nicht mehr nur Text schreibt, den eine oder ein Studierender hätte schreiben können. Autonome Agenten loggen sich heute in ein Lernmanagementsystem ein, lesen die Kursmaterialien, beantworten die Quizzes, lesen die Beiträge von Kommilitoninnen und Kommilitonen und reichen die Arbeit ein. Drei Demonstrationen an einem laufenden Psychologie-Grundkurs zeigen, was das in der Praxis bedeutet: zwei Quiz-Abschlüsse, einer in etwa 12 Minuten und einer in unter 5 Minuten, beide mit 10/10 punktend, und ein Diskussionsbeitrag, in dem der Agent die Beiträge seiner Peers minete und dann eine glaubwürdige Ich-Erstperson-Lebensgeschichte fabrizierte, um sie zu beantworten – gegenüber einer öffentlichen Aufzeichnung von mindestens 15 dokumentierten Agentenläufen über Canvas, Moodle und Brightspace mit sieben Agentenwerkzeugen. Hadjisolomou und El-Haddad (2026) argumentieren, dies sei ein Assessment-Validitäts-Problem, bevor es ein Integritätsproblem ist: was Agentenabschluss entfernt, ist die Annahme, dass die eingereichte Arbeit von der Person produziert wurde, deren Lernen bewertet wird. Die Designfrage für Online-Lehre verschiebt sich daher von der Frage, wie man Missbrauch detektiert, zu der Frage, welche Evidenz für Lernen ein Online-Kurs noch produzieren kann, was der Faden ist, der durch die Abschnitte unten läuft.

Formate und Settings

Online-Lehre und -Lernen nimmt mehrere verwandte Formen an, die das Medium teilen, aber in Reichweite und Struktur variieren:

• Blended und hybrides Lernen. Modelle, die Präsenz- und Online-Komponenten kombinieren, indem sie digitale Aktivitäten, Materialien und Interaktionen absichtlich mit face-to-face-Lehre integrieren. Blended-Formate fordern Lehrende auf zu entscheiden, was am besten synchron gegenüber asynchron und online gegenüber in Präsenz getan wird – Entscheidungen, die Lerndesign-Prinzipien organisieren und die KI sowohl unterstützt als auch kompliziert. Im Blended-Kontext bieten KI-Werkzeuge Chancen für Personalisierung und immer verfügbare Unterstützung, während sie Integritäts- und Auslagerungsrisiken aufwerfen, die sowohl den Online- als auch den Präsenzteil umspannen. Mejia-Domenzain et al. (2026) illustrieren das in zwei Blended-Settings – Flipped-Classrooms an Universitäten und reflexives Schreiben in der Berufsbildung –, wo ein Learning-Analytics-Dashboard (DashED) Lehrenden aus ML abgeleitete Selbstregulation-Profile kommunizierte. Annahme-Bedenken divergierten nach Kontext: Lehrkräfte in Flipped-Classrooms (Universität) sorgten sich am meisten um Daten-Anonymisierung und studentisches Opt-out, während Lehrkräfte im reflexiven Schreiben (Berufsbildung) Missbrauch des Werkzeugs durch Kolleginnen und Kollegen fürchteten und die Notwendigkeit betonten, Daten zu kontextualisieren. Im Gebrauch folgten Lehrkräfte in Flipped-Classrooms einer sequenziellen Exploration und bevorzugten Anpassung auf Kursebene sowie das Zeigen von Dashboards im Unterricht, während Lehrkräfte in der Berufsbildung Zusammenfassungsseiten erneut besuchten und das Werkzeug hauptsächlich für individuelle Coaching-Sitzungen nutzten – ein Beleg, dass Design von Blended-Analytik kontextbewusst sein muss.
• Synchron gegenüber asynchrones Design. Die Unterscheidung zählt mehr als das Vermittlungsmedium, weil die zwei Formate entgegengesetzte Anforderungen an die lernende Person stellen. Synchrone Sitzungen tragen Aufmerksamkeit, Tempo und Rechenschaftspflicht innerhalb der Sitzung selbst; asynchrone Kurse müssen sie hineindesignen, da die lernende Person allein entscheidet, wann sie arbeitet, und keine umgebende Rechenschaftspflicht von einem Raum empfängt. Die Forschungsbasis verwischt das oft: der Review der Wissensbasis zu KI und Engagement im Online-Lernen (24 Studien) behandelt Engagement allein und vermengt explizit synchrone mit asynchronen Kontexten, deshalb sollten seine Schlussfolgerungen nicht als asynchron-spezifisch gelesen werden. Was asynchron-spezifisch ist, ist die Evidenz dazu, wie selbstpaced Lernende Fokus und Tempo verlieren – selbstregulierte Verhaltensweisen wie Zielsetzung, Umgebungsstrukturierung und Zeitmanagement fallen am stärksten mit geringer digitaler Ablenkung zusammen (Shi et al. 2026, 530 Studierende), während metakognitives Wissen und Wohlbefinden über ein Term hinweg im Schritt mit geclusterten Assessment-Fristen sinken (Song et al. 2026, 75 Studierende). Das praktische Gegenstück ist die FAQ zu Gestaltung und Facilitation asynchroner Kurse, wenn KI die Arbeit tun kann.
• Fernbildung. Programme, gestaltet für Lernende, die remote studieren, oft im Maßstab und über Regionen hinweg (z. B. die 200K+ Lernenden der Open University). Fernlernen ist, wo 24/7-, kontext-eingebettete KI-Unterstützung und die Unmöglichkeit von Präsenz-Aufsicht am prominentesten sind. Vergleichende Evidenz aus südafrikanischer Lehrkräftevorbereitung zeigt, dass das Medium selbst mit Bereitschaft assoziiert ist: Mnguni et al. (2026) fanden selbstberichtetes TPACK für KI-integrierten Naturwissenschaftsunterricht höher unter Studierenden im Abschlussjahr an einer campusbasierten Universität (64.0%) als an einer Fernbildungsuniversität (47.4%), wobei die am schwächsten berichtete Domäne in beiden Settings Pedagogical Knowledge war. Das Muster warnt, dass Fernprogramme nicht annehmen können, dass dasselbe KI-Training dieselbe Bereitschaft produziert, und dass das Design des Trainings, nicht seine Anwesenheit, das ist, was sich unterscheidet.

Chancen und Vorteile von KI für Online-Lehre und -Lernen

• Skalierbare Personalisierung. Traditionelle MOOCs glänzen bei Reichweite, tun sich aber schwer mit Anpassung – „ein Video für N Studierende". Große Sprachmodelle (LLMs)-getriebene Agentensysteme (MAIC) kehren dies zu „N Agenten für 1 Studierenden" um und nutzen spezialisierte Teacher-, Assistant-, Classmate- und Analyzer-Agenten, um adaptive Instruktion, personalisiertes Feedback und dynamische Lernpfade im MOOC-Maßstab zu liefern. Systeme wie LearnMate² adressieren die „Personalisierungslücke" im offenen Online-Lernen mit personalisierten Lernplänen, Echtzeit-Kontext-Unterstützung und adaptiven Aktivitäten. Personalisiertes Video ist ein konkreter Weg zu diesem Ziel: Tomlinson et al. (2026) fanden, dass Studierende in einem großen Online-Kurs KI-generierte personalisierte Videos gegenüber nicht-personalisierten menschlich aufgenommenen bevorzugten – eine Präferenz, deren Personalisierungseffekt den Wert überwog, der einem menschlichen Präsentierenden beigemessen wurde –, was nahelegt, dass skalierbare, generativ produzierte personalisierte Medien die „ein Video für N Studierende"-Lücke im Online-Unterricht schließen können.
• Immer verfügbare, kontext-eingebettete Unterstützung. In Fern- und Erwachsenenlern-Kontexten, wo Lernende am Arbeitsplatz oder zu Hause studieren, ist 24/7-Unterstützung, eingebettet in den Kurs, ein großer Vorteil. Der AIDA-Assistent der Open University fand, dass zweckgebaute, in der Umgebung verankerte GenAI-Unterstützung Engagement erhöhte (verdoppelte Nutzungszeit in einer explorativen Studie), wobei 96% der Studierenden sie in ihrem formalen Studium haben wollten.
• Konversationelles, dialogisches Tutoring im Maßstab. Konversationelle KI-Tutoren, gebaut auf bewährter Intelligentes-Tutoring-Technologie (keep/change/center/study-Framework), versprechen hochwertiges, dialogbasiertes Tutoring – das die Gedanken, Fragen und Missverständnisse der Studierenden einbezieht –, das weit skalierbarer ist als menschliches Tutoring.
• Facilitation und Analytik. KI kann Online-Diskussionen und Learning Analytics unterstützen, Engagement prognostizieren und Lehrenden helfen, Aufmerksamkeit zu allokieren. Hao & Cukurova (2026) fügen hinzu, dass LLM-generierte Diskussionszusammenfassungen als navigationale Gerüste in großen asynchronen Foren wirken können – und so die Peer-Exposition der Studierenden und die Netzwerkbedingungen für bridging social capital verbreitern, ohne Studierende oder Lehrende mit der Zusammenfassungslast zu belasten.
• Frühwarn-Analytik für gefährdete Online-Lernende. Zhang, Jeffries & Koprinska (2025) zeigen, dass interpretierbares maschinelles Lernen auf Inhalts-Interaktions-Logs modulbezogenen Fortschritt vorhersagt und Dropout („No submission")-Ergebnisse in großskaligen Online-Programmierkursen bis zu 7–8 Tage vor Modulfristen markiert, was Online-Lehrenden ein konkretes Fenster gibt, bei desengagierten Studierenden zu intervenieren, statt Scheitern erst nachträglich zu entdecken.
• Erschwinglichkeit und Geschwindigkeit. KI kann Kursmaterialien zu einem Bruchteil traditioneller Kosten erzeugen – MAIC reduzierte MOOC-Kursproduktion von ~$25K/60 Stunden auf unter $2/30 Minuten.

Herausforderungen der Online-Lehre in der KI-Ära

Das Online-Medium und generative KI kombinieren sich, um einen spezifischen Cluster von Herausforderungen zu intensivieren, dem Lehrende sich direkt stellen müssen. Wo face-to-face-Lehre sich auf Präsenz, unmittelbare Rechenschaftspflicht und Aufsicht verlassen kann, muss Online-Lehre sie explizit designen.

Akademische Integrität und Betrug

Online-Kurse stellen bereits Aufsichts-Herausforderungen – Präsenz-Proctoring ist oft nicht praktikabel für verteilte, asynchrone Lernende. Generative KI verschärft das, indem sie KI-generierte Arbeit nicht unterscheidbar von studentischer Arbeit macht und Kurzweg-Shortcuts im Contract-Cheating-Stil im Maßstab ermöglicht. Die Evidenz der Wissensbasis zu akademischer Integrität und KI-Missbrauch und Lernschaden zeigt, dass Missbrauch weniger durch KI-Fehler getrieben wird als dadurch, dass Studierende Antworten kopieren statt zu lernen. Weil Online-Assessment häufig assistierte von unabhängiger Arbeit nicht unterscheiden kann, kann Missbrauch unmittelbare Noten aufblasen und dauerhaftes Wissen untergraben – eine wahrgenommene-gegen-tatsächliche Lücke, die auf Distanz besonders gefährlich ist, wo Lehrende weniger Sicht auf den studentischen Prozess haben. Detektionswerkzeuge sind eine partielle, strittige Antwort (KI-Plagiat-Detektion, Fernaufsicht bei Prüfungen), und die Haltung der Wissensbasis bevorzugt authentisches, prozessoffenbarendes Assessment gegenüber Detektions-Wettrüsten.

KI-Missbrauch und kognitive Entlastung

Das ernsthafteste Risiko ist, dass Online-Lernende genau die kognitive Arbeit auslagern, die Verständnis aufbaut. Die Leistungs-Lern-Lücke zeigt, dass generative KI leicht unmittelbare Leistung steigert, während sie die für dauerhaftes Lernen nötige tiefe Verarbeitung umgeht. Feldevidenz ist direkt:

• Ein kausales RCT (~1,000 Mathematikstudierende der Highschool) fand, dass ungesicherte KI-Unterstützung Übungsleistung +48% erhöhte, aber Prüfungspunktzahlen ohne Hilfe und mit geschlossenem Buch −17% reduzierte – die Studierenden, die nie KI-Zugang hatten, übertrafen jene, die ihn hatten. Ein mit Leitplanken gesicherter Hinweis-statt-Antwort-Tutor beseitigte den Schaden.
• Populationsskalige Verhaltensdaten (3.2M ALEKS-Interaktionen) fanden, dass Lernzeit auf KI-anfälligen Problemen nach ChatGPTs Release −26.9% fiel, mit einer −25%igen Abnahme der Chancen auf korrekte beaufsichtigte Retentions-Items – ein Effekt, der unter Beaufsichtigung verschwand, was ihn auf KI-Nutzung außerhalb der Plattform festlegte.

Online-Lernen ist besonders verwundbar: das Medium entfernt Lernende bereits von unmittelbarer Rechenschaftspflicht, und selbstpaced, bildschirmbasierte Arbeit lädt zum „frag nach der Antwort"-Kurzweg ein, den kognitive Entlastung in der Forschung als zentralen Schadensmechanismus identifiziert. Die Antwort ist nicht, KI zu verbieten, sondern Leitplanken anzuwenden – Hinweis-statt-Antwort-Scaffolding, Wissensverankerung und menschliche Aufsicht –, damit KI kognitive Arbeit der lernenden Person erweitert statt ersetzt.

Weitere Herausforderungen

• Übereifrige KI-Facilitation. LLM-Facilitators sind übermäßig eifrig, in Online-Diskussionen zu intervenieren, was Teilnehmende irritieren und gute Gespräche entgleisen lassen kann; menschliche Vorsicht ist das bessere Modell (Tsirmpas et al.).
• Motivationserosion. Die wahrgenommene Verfügbarkeit eines mühelosen KI-Kurzwegs reduziert autonome Motivation und Persistenz und verschärft Lernschaden.
• Gerechtigkeit und die digitale Kluft. Zugang zu verlässlichen Geräten, Konnektivität und hochwertiger KI variiert; Online-Lernen mit KI kann Gerechtigkeitslücken eher verbreitern als verengen (digitale Kluft).
• Daten-Datenschutz und Vertrauen. Online-Plattformen erheben reiche Lernendendaten; KI-Systeme werfen Transparenz- und Datenschutzbedenken auf (Datenschutz), besonders für Erwachsene, die Arbeit und Studium ausbalancieren.
• Organisatorische Bereitschaft. Das Ende von KhanMigo – Lernende, die den Chatbot tatsächlich nicht engagierten, mit begrenzter Evidenz für Zuwächse – mahnt, dass technische Fähigkeit durch Governance und organisatorische Bereitschaft ergänzt werden muss.

Assessment-Validität, wenn eine Abgabe ohne die lernende Person produziert werden kann

Wenn Aufsicht nicht praktikabel ist und ein Agent die Arbeit erledigen kann, ist die Antwort, die die Wissensbasis bevorzugt, zu verändern, was als Evidenz zählt, statt härter zu polizieren. Vier Designantworten kehren über die jüngste Literatur hinweg wieder.

Das verwundbare Aufgaben mit einem Zwilling paaren. Roe, Perkins und Giray (2026) behalten das pädagogisch wertvolle, aber KI-verwundbare Assessment – der Take-Home-Essay oder die Fallanalyse – und fügen eine zweite, weniger verwundbare Aufgabe hinzu, die dieselben Lernoutcomes bewertet, zeitlich nah genug geplant für gegenseitige Verifikation und interdependent benotet. Ihr Mapping läuft über Messicks sechs Stränge der Validitätsevidenz, und der Designprozess ist drei Schritte: die Verwundbarkeiten identifizieren, Outcomes ausrichten und den Zwilling wählen, dann Benotung entwickeln, die die beiden verbindet. Eine kurze Fallvariation, eine Erklärung einer Schlüsselentscheidung oder eine kurze mündliche Verteidigung kann als Zwilling dienen.

Eigentum statt Autorschaft adressieren. Ebrahimzadeh, Shibani und Buckingham Shum argumentieren, dass gemischte mensch-KI-Autorschaft mehrere Formen der Validitätsevidenz untergräbt, und schlagen Coauthorship-Integrität als Validitätsevidenz eigenen Rechts vor: verletzt, wenn eine oder ein Studierender KI-generierte Inhalte einreicht, die sie oder er nicht versteht. Um Verständnis im Maßstab zu prüfen, berichten sie ein AI Viva, einen konversationellen Agenten, der eine hybride Viva-voce-Prüfung mit Verständnisfragen kontrollierbaren Typs und kontrollierbarer Komplexität durchführt, validiert von Bildungsexpertinnen und -experten sowie Assessment-Spezialistinnen und -Spezialisten. Für Online-Kurse ist das eine echt skalierbare Form der Verifikation, und sie produziert Evidenz über Verständnis statt darüber, wer im Raum war.

Die mündliche Prüfung online bewegen. Pentland, Lowenthal und Krier (2026) liefern Prompts just in time und lassen Studierende kurze, zeitlich begrenzte Webcam-Antworten aufzeichnen, die sie nicht wiederholen können, benotet gegen eingebettete Rubriken mit automatisch generierten Transkripten. Über zwei Studien hinweg – einem Zwischen-Accounting-Piloten und einem Data-Analytics-Kurs – punkteten Studierende höher bei diesen Assessments als bei Multiple-Choice-Prüfungen in Präsenz (signifikant in der zweiten Studie, ein positiver Trend in der ersten), mit moderaten Kreuzformat-Korrelationen, die konvergente Validität stützen; Studierende berichteten, anders vorzubereiten und mehr aktive Lernstrategien zu nutzen. Das Format adressiert das Async-Problem direkt: das Denken wird live zu einem von der oder dem Studierenden gewählten Zeitpunkt vollzogen, zu administrativen Kosten, die nicht mit Kohortengröße skalieren.

Die Arbeit sequenzieren, damit das Schlussfolgern zuerst committet wird. Brcic und Frljic (2026) rahmen die Designfrage als Platzierung statt als Erlaubnis, und die kausale Evidenz, die sie zusammentragen, zeigt, dass das Ergebnis allein an der Platzierung kippt – derselbe ungesicherte Helfer, der Highschool-Studierende bei einer Prüfung ohne Hilfe etwa 17% schlechter dastehen ließ, tat keinen Schaden, sobald er umgebaut wurde, Antworten zurückzuhalten, während ein gut konstruierter Tutor das Lernen etwa verdoppelte. Ihre Diagnose ist die, die man behalten sollte: wenn das Hineinlassen von KI die Aufgabe mühelos anfühlen lässt, ist sie am falschen Platz. Operativ ergibt das eine Sequenz, die ein Online-Kurs in die Aufgabe schreiben kann – denken, committen, KI nutzen, kritisieren, revidieren, erklären –, wobei der Commit-Schritt das ist, was den Rest bewertbar macht, weil ein von Null produziertes Artefakt keine Revisionsgeschichte hat, die man befragen könnte. Darunter sitzt ein Zustand, den diese Wissensbasis metakognitiv diskordanten Abschluss nennt: korrekte, vollständige Arbeit, eingereicht von einer oder einem Studierenden, die oder der weiß, dass das Verständnis nie ankam, was in einem asynchronen Kurs nicht von Erfolg unterscheidbar ist, außer das Design verlangt etwas mehr.

Welche Kombination eine Lehrkraft auch wählt, eine Einschränkung sollte sie prägen. Online-Studium ist häufig die einzige zugängliche Option – Studierende wählen es wegen Erwerbstätigkeit, Sorgeverantwortung, Behinderungen oder Geografie –, deshalb muss Verifikation klein und verhältnismäßig sein: eine kurze aufgenommene Erklärung, eine personalisierte Anwendung, eine Antwort auf eine von der Lehrkraft gewählte Frage, eine annotierte Entscheidungsspur, eine niedrig-stufige individuelle Prüfung. Detektion trägt hier ihre eigenen Gerechtigkeitskosten, denn Werkzeuge, die Menschen ohne Muttersprache markieren, erzeugen unverhältnismäßig viele False Positives (KI-Detektion, digitale Kluft).

Empfohlene pädagogische Strategien für Online-Lehre und -Lernen

• Aktives und interaktives Lernen. Strategien bevorzugen, die Studierende tun und denken lassen, statt passiv zu empfangen – aktives Lernen, interaktive Übungen und sokratischer Dialog. KI, die Schlussfolgern promptet (statt Antworten zu liefern), bewahrt den produktiven Kampf und wünschenswerte Schwierigkeiten, die dauerhaftes Lernen aufbauen.
• Gescaffoldete, angeleitete Unterstützung. Scaffolding nutzen, das mit fortschreitenden Lernenden ausblendet, und Selbstregulation-Unterstützung gestalten, damit Lernende ihr eigenes Lernen steuern statt vom Werkzeug abzuhängen.
• Kollaboratives und diskussionsbasiertes Lernen. Online-Diskussionen und Gruppenarbeit absichtlich strukturieren; kollaborative Lern-Aktivitäten nutzen und, wenn KI teilnimmt, ihre Facilitation und ihre Rolle als Peer kalibrieren.
• Authentisches, prozessoffenbarendes Assessment. Hin zu authentischem Assessment und Assessments bewegen, die Prozess erfassen – Entwürfe, mündliche Verteidigungen, Selbsterklärung, reflexive Portfolios –, die KI-resistenter sind und echtes Verständnis offenbaren.
• Personalisierte und adaptive Pfade. KI-ermöglichte Personalisierung und adaptive Aktivitäten nutzen, um Tempo und Schwierigkeit zuzuschneiden, während Personalisierung tief bleibt (Aufgabensequenzierung, Schwierigkeitskalibrierung) statt bloß oberflächlich (maßgeschneiderte Beispiele).
• Soziale Präsenz und Gemeinschaftsaufbau. Soziale Präsenz und Gemeinschaft absichtlich kultivieren – der Kern des Community-of-Inquiry-Frameworks – durch Begleit-KI, synchrone Check-ins und Peer-Interaktion, da Online-Isolation eine Schlüsselbarriere für Engagement und Zugehörigkeit ist. In der KI-Ära bedeutet das, die drei Präsenzen (kognitiv, sozial, Lehr-) zu kuratieren, selbst während maschinengenerierter Diskurs kompliziert, wer „präsent" ist (siehe Community of Inquiry).
• Blended Design-Thinking. Für Hybridformate Lerndesign-Prinzipien anwenden, um zu entscheiden, was am besten synchron gegenüber asynchron und online gegenüber in Präsenz getan wird, und wie KI jedes davon unterstützt.
• Die Rolle der KI benennen, und prüfen, dass die oder der Studierende noch eine hat. „Studierende dürfen KI nutzen" ist zu breit, um dagegen zu designen. Rollen tragen verschiedene pädagogische Folgen – eine Studie zu generativer KI in der Marketingbildung unterscheidet Tutor, Teamkollegin und Werkzeug und zeigt, dass jede kognitive, soziale und Lehrpräsenz unterschiedlich prägt (GenAI in der Marketingbildung) –, deshalb sollte eine Online-Aktivität ihre Arbeitsteilung nennen können: der Job der KI hier ist X, der Job der oder des Studierenden ist Y. Wenn Y wenig Denken enthält, braucht die Aktivität Neugestaltung statt einer strengeren Politik.
• Diskussion als Position, Herausforderung, Überdenkung sequenzieren. Die konventionelle asynchrone Formel von einmal posten und zweimal antworten ist sowohl oberflächlich als auch agenten-absolvierbar. Eine stärkere Struktur bittet Studierende, sich auf eine Interpretation festzulegen, einem Gegenbeispiel oder einer Kritik zu begegnen und dann zu erklären, wie sich ihr Schlussfolgern bewegte; was benotet wird, ist die Bewegung zwischen Ideen statt der Beitragszahl. Das verlagert auch Lehrpräsenz: dutzende Beiträge mechanisch zu beantworten ist ihre am wenigsten wertvolle Form, während das Synthetisieren von Mustern über die Diskussion hinweg – die Annahmen, die immer wiederkehren, die Meinungsverschiedenheiten, die es zu benennen lohnt, das Gegenbeispiel, das einen Konsens verunsichert – der Teil ist, den kein Agent in dieser Literatur vollbringt.
• Human-in-the-Loop-Governance. Lehrende und Lehrkräfte in der Schleife über KI-Werkzeugen behalten, verankert in technological pedagogical content knowledge, damit pädagogische Absicht – nicht die Voreinstellung des Werkzeugs – Design treibt.

Implikationen für Online-Lehrende und Instruktionsdesignende

• KI absichern, nicht bloß liefern. Hinweis-statt-Antwort-Scaffolding nutzen, das kognitive Arbeit der lernenden Person in der Schleife hält; das RCT des mit Leitplanken gesicherten Tutors zeigt, dass dies die Prüfungsstrafe beseitigt, die ungesicherter Zugang verursacht. Siehe das Leitplanken-Konzept für die volle Design-Schicht (Prompting, RAG (retrieval-augmented generation / abrufgesteuerte Generierung)-Verankerung, Training, QA).
• KI-resistente und beaufsichtigte/ohne Hilfe erbrachte Assessments gestalten. Weil Online-Benotung oft assistierte von unabhängiger Arbeit nicht unterscheiden kann, geschlossen-buch-, beaufsichtigte oder prozessoffenbarende Assessments einschließen, um Missbrauch sichtbar zu machen und zu entmutigen (KI-Missbrauch und Lernschaden).
• KI-Kompetenz explizit lehren. Studierenden helfen, Vertrauensmuster zu erkennen und Vertrauen zu kalibrieren (KI-Kompetenz); Selbstregulation und Metakognition aufbauen, um Auslagerung entgegenzuwirken.
• KI in die Lernumgebung einbetten, nicht als externen Aufsatz. Zweckgebaute, kontextuell abgestimmte Assistenten, eingebettet in den Kurs (wie AIDA), übertreffen generische externe Chatbots und erhöhen Annahme.
• KI-Facilitation auf menschliche Vorsicht kalibrieren. Bei der Nutzung von KI zur Moderation von Diskussionen Einstellungen bevorzugen, die sparsam intervenieren (Tsirmpas et al.).
• Für Einschränkungen erwachsener Leben gestalten. Für Erwachsene und Fernlernende mobilen Zugang, Offline-Fähigkeit und asynchrone Verfügbarkeit priorisieren (AI-ALOE-Leitlinien).
• Mit Studierenden und Personal co-designen, und Governance aufbauen. Partizipative Entwicklung, Sponsoring auf höchster Ebene, einheitenübergreifende Kollaboration und robuste Governance sind ermöglichende Faktoren für verantwortungsvolle GenAI-Adoption.
• Annehmen, dass ein Agent jede unbeaufsichtigte Aktivität versuchen wird, und aus dieser Annahme designen. Der Drei-Fragen-Test ist schnell und legt schwache Aktivitäten offen: könnte ein KI-System das ohne die oder den Studierenden erledigen, das Material zu verstehen; welche kognitive Aktivität soll das Lernen produzieren; welche Evidenz wird zeigen, dass die oder der Studierende sie vollzog. Wenn die erste Antwort ja ist und die anderen zwei schwer zu beantworten sind, ist das Problem das Lerndesign statt die KI-Politik.
• Verifikation verhältnismäßig zum Risiko halten. Wo Kompetenz zertifiziert werden muss, eine Zwillingsaufgabe, eine asynchrone mündliche Verteidigung oder eine kurze Verständnisprüfung gegenüber flächiger Überwachung bevorzugen; den Rest des Kurses flexibel halten für die Lernenden, die auf dieser Flexibilität angewiesen sind.
• Analytik nutzen, um Lehre zu unterstützen, nicht zu ersetzen. Learning Analytics nutzen, um Engagement zu prognostizieren und Unterstützung zu adressieren, aber menschliche Aufsicht zentral halten.

Verbundene Konzepte

• Pädagogische Muster — Der Kontext, der Sequenzierung tragend macht, da das System einen Versuch nicht sehen kann
• Validität von Assessments — Validität der Inferenz von eingereichter Arbeit zu Lernen
• Agentische KI — autonome Systeme, die Werkzeuge und Plattformen bedienen, einschließlich eines LMS
• Untersuchungsgemeinschaft — Community of Inquiry
• Pädagogiken und Lehrstrategien
• Lerndesign
• Aktives Lernen
• Kollaboratives Lernen
• Scaffolding (Gerüstbildung)
• Selbstreguliertes Lernen
• Kognitive Auslagerung
• Akademische Integrität
• KI-Missbrauch und Lernschaden
• KI-Kompetenz
• Intelligentes Tutoring
• Personalisiertes Lernen
• Adaptives Lernen
• Studierendenengagement
• Digitale Kluft
• KI-Governance
• Lehre
• Human-in-the-Loop-KI
• Authentisches Assessment
• Leitplanken
• KI-Erkennung

Verbundene Artikel

• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — Autonome Agenten absolvierten unbeaufsichtigte LMS-Assessments end to end: ein Assessment-Validitätsproblem (Hadjisolomou & El-Haddad 2026)
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Assessment-Zwillinge: ein GenAI-verwundbares Aufgaben mit einem nah geplanten, weniger verwundbaren auf denselben Outcomes paaren
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — Coauthorship integrity as validity evidence, and the AI Viva as scalable verification
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Asynchronous oral assessments: time-limited unrevised recordings graded against embedded rubrics
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — The effortless trap: placement of AI rather than permission or prohibition
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Metacognitively discordant completion: correct work submitted without understanding
• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — Which self-regulated strategies coincide with low digital distraction (530 students)
• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — SRL as stable aptitude and fluctuating state; metacognition and well-being declining across a term
• When AI Wears Many Hats: The Role of Generative Artificial Intelligence in Marketing Education — AI as tutor, teammate and tool: roles and their effects on presence
• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — Beyond detection: assessment design for online settings
• Reconceptualizing Community of Inquiry in the Age of Generative Artificial Intelligence — Reconceptualizing Community of Inquiry in the age of generative AI
• Integrating AI in Online Learning in Higher Education: A Literature Review — Integrating AI in online learning in higher education: a four-theme critical literature review
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — LearnMate²: Personalized and Adaptive Support System for Online Learning
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — Human and LLM Facilitator Tendencies in Online Discussions
• ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education — ELEVATE: Human-Centered GenAI Virtual Tutors
• The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents — The Path to Conversational AI Tutors
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Implementing AIDA at the Open University
• Guidelines for Designing AI Technologies to Support Adult Learning — Guidelines for Designing AI Technologies to Support Adult Learning
• DeepTutor: Towards Agentic Personalized Tutoring — DeepTutor: Toward Agentic Personalized Tutoring
• Making machine learning findings accessible to teachers in blended classrooms — Making ML findings accessible to teachers in blended classrooms
• A Machine Learning Approach for Predicting Student Progress in Online Programming Education
• Students Prefer Personalized, AI-Generated Educational Videos over Non-Personalized, Human-Recorded Videos — Students prefer personalized AI-generated videos over non-personalized human-recorded ones (Tomlinson et al. 2026)
• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — AI-Generated Summary-Driven Learning Design in Online Discussion Forums
• AI training and science student teachers’ TPACK in campus-based and distance education: a comparative study — Campus-based student teachers reported higher TPACK for AI-integrated science teaching than distance education peers (64.0% versus 47.4%)