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

Eltern und Familien

Erstellt 2026-09-16 · Aktualisiert 2026-10-10

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

Eltern und Familien — der Haushalt als Stakeholder in KI in der Bildung: die Betreuungspersonen, die ihre Kinder zu Hause unterrichten, Werkzeuge auswählen und bezahlen, beaufsichtigen oder nicht bemerken, was diese Werkzeuge tun, und die das empfangen, was ihre Schule über KI kommuniziert. Die Seite versammelt die Evidenz zu KI-vermitteltem Eltern-Kind-Tutoring und konversationellen Begleitern, die zu Hause genutzt werden, zu den Übergaben zwischen Zuhause und Schule, zur eigenen KI-Kompetenz der Eltern und zu den Gerechtigkeitsfolgen von Geräten zu Hause, Konnektivität und Kosten. Ihr Umfang ist die Familie als Akteur — was Familien mit KI tun, was von der Schule zu ihnen gelangt, und was die Forschung über die Ergebnisse feststellt und nicht feststellt.

Fragen zum Nachdenken

  • Luo et al. (2026) fanden, dass allgemeine LLM-Unterstützung die Tutorrolle des Elternteils reduzierte, während eine rollengetrennte Schnittstelle sie bewahrte. Wenn Sie ein Werkzeug gestalten würden, das ein Elternteil und ein Kind gemeinsam nutzen, was würden Sie das Elternteil vor bewahren, und was würden Sie ihm an die Hand geben?
  • In den Daten von Strömberg, Lei und Wu (2026) stiegen die Hausaufgabennoten um 18%, während die Klausurnoten ohne Hilfsmittel innerhalb von sechs Monaten um 20% fielen. Was sieht ein Elternteil tatsächlich zu Hause geschehen, und was müsste ihm gesagt werden, damit es den Unterschied bemerkt?
  • Xiao et al. (2026) fanden, dass Lehrende Eltern als primär verantwortlich für die Beziehungen der Kinder zu KI-Begleitern benannten, während sie dieselben Eltern als unwissend oder überfordert beschrieben. Ist das eine vernünftige Zuweisung von Verantwortung, und was wäre nötig, um sie real werden zu lassen?
  • Oreopoulos, Dong und Low (2026) verdoppelten die Anwesenheit in der ersten Sitzung fast, indem sie familienbezogene Papierarbeit entfernten. In Ihrer eigenen Schule oder Ihrem eigenen Programm: Welche Teile des familienbezogenen Prozesses existieren zum Vorteil der Familie, und welche zum Vorteil der Institution?
  • Fan, Li und Zhang (2026) behandeln Familie-Schule-Koordination als ungeprüfte Hypothese statt als etablierte Praxis. Wenn sie nie getestet wurde — auf welcher Evidenz beruht dann der Rat, den Ihre Schule gegenwärtig Eltern gibt?
  • MacCallum, Parsons und Mohaghegh (2026) beschreiben digitale Klüfte der zweiten und dritten Ebene, die fortbestehen, nachdem Geräte geliefert wurden. Wie würde das Schließen der Fähigkeits- und Ergebnislücken in einem Haushalt aussehen, im Unterschied zu einem Kursraum?

Einführung

Ein großer Anteil der Zeit von Kindern mit KI geschieht außerhalb des Kursraums, in einem Setting, das die Forschungsliteratur meist als Hintergrund behandelt. Arbeit zu Tutoring und Lernergebnissen ist üblicherweise schulbasiert, während Arbeit zu Familienrat meist beratend statt getestet ist, sodass Familien gleichzeitig das Ziel einer großen Menge an Ratschlägen zum verantwortungsvollen KI-Gebrauch sind und Gegenstand sehr wenig Evidenz darüber, ob dieser Rat wirkt.

Diese Seite behandelt den Haushalt als Akteur aus eigenem Recht. Sie umfasst KI-vermitteltes Eltern-Kind-Tutoring, die Begleiter- und Lesewerkzeuge, denen Kinder zu Hause begegnen, was Schulen Familien über KI-Nutzung sagen und nicht sagen, die eigene KI-Kompetenz der Eltern und was über ihre Ansichten bekannt ist, sowie die Zugangs- und Kostenbedingungen, unter denen Familien diese Werkzeuge nutzen. Wo die Evidenz dünn ist, sagt die Seite das, statt die Lücke zu füllen.

Eltern als Ko-Bildende zu Hause

Die klarste Designevidenz zum Tutor zu Hause stammt von Luo et al. (2026), die ParaTutor für den chinesischen Hausunterrichtskontext bauten, nach einer formativen Studie dazu, wie Eltern bei Mathematik-Textaufgaben helfen. Diese formative Arbeit identifizierte wiederkehrende Fehlschläge: Eltern tun sich schwer, die Struktur der Aufgabe zu verstehen, fehlt oft das Inhaltswissen, sie zu unterstützen, und sie stoßen auf Kommunikationsschwierigkeiten, die geteiltes Verständnis brechen. Die Designantwort war Rollentrennung — Eltern erhielten Tutoringsanleitung durch Multi-Agent-Chatbots, während Kinder visuelle Verankerung für die Aufgabe selbst erhielten, mit phasengegateter Unterstützung, um Dyaden davon abzuhalten, zu Antworten zu springen. In einer Evaluation mit 23 Eltern-Kind-Dyaden (Kinder im Alter von 10–12) über vier Bedingungen tendierte allgemeine LLM-Unterstützung dazu, die Rolle des Elternteils zu verdrängen, während die rollengetrennte Schnittstelle Eltern dabei hielt, Unterstützung zu liefern und anzupassen, während Kinder im Schlussfolgern blieben. Die Implikation der Autoren ist kontextspezifisch: In Mathematik, wo die Modellgenauigkeit begrenzt ist, sollten Kinder nicht unabhängig mit dem Modell interagieren.

Oreopoulos, Dong und Low (2026) behandeln den Haushalt als prozeduralen Akteur, und ihre Ergebnisse betreffen so sehr Familienverhalten wie Tutoring. Ihr randomisierter Versuch mit dem Toronto District School Board setzte menschliche virtuelle Tutoren über Khan-Academy-Übung für kämpfende Lernende der Klassenstufen 4–8. In Jahr 1 besuchten nur etwa 45% der von Lehrenden nominierten Lernenden auch nur eine Sitzung, wobei Familien an jedem Übergabepunkt verlorengingen: Einladung, Interesse, Kontenerstellung auf einer Drittplattform, Matching, Erscheinen. In Jahr 2, als Familien direkt durch ihre eigene Lehrkraft für eine feste wöchentliche Zeit eingeladen und Einschreibung und Terminplanung im Namen der Familie gehandhabt wurden, stieg die Aufnahme in die erste Sitzung auf 83%. Wöchentliche Anwesenheit schwebte weiterhin bei etwa zwei Fünfteln, meist intermittierende Abwesenheit statt Ausstieg; die Übung stieg um etwa 17 Minuten pro Woche, und der Effekt auf den Thementest unter Absicht-zu-Behandeln war 0,055 SD, mit Zeugnisnoten um etwa 0,08 SD höher. Reibung zu entfernen veränderte, wer erschien, nicht wie viel jemand aufrechterhielt.

Begleiter und Lesewerkzeuge zu Hause

Familien begegnen KI häufiger als Begleiter-App denn als Tutoringsystem. Liao (2026) verglich einen festen „student peer"-Begleiter (Whisper mit GPT-3.5) mit erfahrenen Klassenlehrkräften in Buchgesprächs-Sitzungen mit 19 Grundschulkindern in Taoyuan, Taiwan — 12 in der 4. Jahrgangsstufe und sieben in der 5. Jahrgangsstufe, je vier Sitzungen. Lernende verbrachten signifikant mehr Zeit mit der KI, trugen aber einen merklich geringeren Anteil an Worten und Sätzen bei; für die 5. Jahrgangsstufe war der Anteil weniger als ein Drittel dessen, was sie mit der Lehrkraft produzierten, ein Muster, das die Arbeit konversationelle Dominanz nennt. Der Begleiter war wirksam darin, faktisches Erinnern hervorzulocken, und signifikant schwächer als die Lehrkraft darin, emotionale und zukunftsorientierte Reflexion zu befördern — eine affektive Decke. Liaos Antwort ist ein rollenadaptives Rahmenwerk, in dem ein Begleiter die Rollen Student Peer, Teacher Assistant und Parent Advisor einnimmt, wobei die letzte Diskussion ins Zuhause ausdehnt. Die Diagnose dahinter ist ein Unterstützungsvakuum: Die meisten Begleiterdesigns bleiben auf die Studierenden-KI-Dyade fokussiert und geben Lehrenden und Eltern keinen definierten Ort.

Ein Teil der Heranwachsenden zieht es vor, sich KI anzuvertrauen statt ihren Eltern. Zitierte chinesische Daten setzen 13,5% der jungen Internetnutzenden an, die es vorziehen, sich KI statt ihren Eltern anzuvertrauen, und Fu und Zhaos (2026) Rahmenwerk sagt vorher, dass KI-Bindung zu kompensatorischer Substitution wird, wenn Betreuungspersonen es versäumen, die Identitätsbestätigungsbedürfnisse Heranwachsender zu erkennen.

Zwei Arbeiten zur frühen Kindheit betreffen, was das Zuhause erreicht. Yang, Li und Lee (2025) argumentieren, physische, verkörperte Agenten seien für junge Kinder entwicklungsangemessener als Bildschirme, warnen aber, dass generative soziale Roboter Inhalte fabrizieren können, die präoperationale Kinder als Wahrheit akzeptieren, es ihren Feedback-Schleifen an Entwicklungskalibrierung mangele, und sie Kosten- und Zugangsbarrieren tragen, die die digitale Kluft erweitern. Malallah et al. (2026) gehen mit derselben Altersgruppe einen anderen Weg: ihr unplugged, spielbasiertes AI-Play-Rahmenwerk wurde durch ein familienzentriertes Hour-of-Code-Event implementiert, wobei Elternumfragen und Kinderreflexionsblätter genutzt wurden, um Engagement und Usability für Replikation zu Hause zu messen. Sie berichten hohes Engagement und aufkommendes Verständnis, dass KI aus Beispielen lernt.

Kommunikation und Transparenz zwischen Zuhause und Schule

Was Schulen Familien über KI sagen, und was Familien Schulen sagen, ist weitgehend unerforscht; die klarsten Befunde betreffen die Abwesenheit eines Kanals. In szenariobasierten Interviews mit 33 US-K-12-Lehrenden fanden Xiao et al. (2026), dass Entscheidungen zu intervenieren an der Zuständigkeit hingen statt an der wahrgenommenen Schädigung. Ihr Sichtbarkeitstest zog die Grenze an der Schultür: Nutzung im Kursraum oder an einem zugewiesenen Werkzeug saß innerhalb der Rolle der Lehrkraft, während Nutzung zu Hause nur durch beobachtbare Wirkungen wie Rückzug, fallende Noten oder Isolation eintrat — ohne diese beschrieben Lehrende Beobachten und informelle Dokumentation statt Handeln. Das Eltern-Szenario wurde von 10 von 33 Lehrenden als am meisten Besorgnis erregend benannt, 17 sagten, eine Lehrkraft solle sich einbringen, und 11 antworteten „es kommt darauf an". Eltern wurden zuerst als die Partei benannt, die primär für die Beziehungen der Kinder zu KI-Begleitern verantwortlich ist, dann als unwissend oder überfordert beschrieben. Die Autoren nennen das eine Zuständigkeitsvakanz und warnen, dass ohne einen etablierten curricularen Anspruch die Erwachsenen mit dem konsistentesten Zugang zu Kindern zu Überwachung und Weiterverweisung voreingestellt sind. Beratende, Eltern und Lernende wurden nicht interviewt.

Fan, Li und Zhang (2026) machen das Koordinationsproblem ausdrücklich. In der Durchsicht der Ratliteratur beobachten sie, dass sie Risikomanagement auf Familien und Schulen schiebt, während sie ihre Koordination als etabliert behandelt, und sie formalisieren drei konkurrierende Modelle — additiv, synergistisch und kompensatorisch —, wobei sie anmerken, dass die in den meisten Ratschlägen eingebettete synergistische Version keine unterstützende Evidenz hat. Ihr vorgeschlagener Test ist ein faktorieller Versuch, der Rat nur für Familien, nur für Schulen, koordiniert und übliche Praxis gegenüberstellt. Auf der Familienseite übernehmen sie eine Unterscheidung der Selbstbestimmungstheorie zwischen abhängigem Offloading, wo Kernschlussfolgern delegiert wird, und autonomen Offloading, wo KI stützt, während die lernende Person epistemische Handlungsfähigkeit behält; die unmittelbare Leistung ist in beiden Fällen identisch, weshalb maladaptive Nutzung für ein Elternteil schwer zu sehen ist.

Dieselbe Unsichtbarkeit erscheint in den Leistungsdaten. Strömberg, Lei und Wu (2026) verfolgten 26,811 chinesische Sekundarstufen-Studierende der Klassenstufen 7–12 über 30 Monate und fanden, dass generative KI-Übernahme die Hausaufgabennoten um 18% erhöhte und die Bearbeitungszeit um 30% senkte, während sie die Klausurnoten ohne Hilfsmittel innerhalb von sechs Monaten um 20% senkte, wobei Rückgänge der Aufnahmeprüfungsnoten um 18% und 24% erst nach etwa zwei Jahren auftauchten. Etwa 81% der Nutzenden zeigten ein Muster der Hausaufgabenauslagerung, während KI-Nutzende, die genauso viel Hausaufgabenzeit verbrachten wie Nichtnutzende, bei Prüfungen ähnlich abschnitten. Die Empfehlung der Autoren ist an die Erwachsenen um das Kind adressiert: überwachen Sie Eingaben wie Hausaufgabenzeit und -anstrengung statt Ausgaben wie Hausaufgabennoten. Sie mahnen, dass engere elterliche Überwachung selbst eine der Unbeobachtbaren ist, die die Gruppe ohne Auslagerung unterscheidet.

Eigene KI-Kompetenz und Interessenvertretung der Eltern

Direkte Evidenz darüber, was Eltern wissen, fürchten und verlangen, ist dünn, und Eltern erscheinen in der Literatur meist wie von anderen berichtet. Die Eltern in Liu et al.s (2026) kritischer Fallstudie eines Mädchen-Makerspace wurden neben Mädchen und Praktikerinnen und Praktikern interviewt und berichteten, dass Mädchen oft „got scared" und in gemischtgeschlechtlichen Settings weniger sprachen. In Xiao et al. (2026) war die von Lehrenden skizzierte Begleiterkompetenz geteilte Arbeit über Beratende, Eltern, Plattformen und politisch Verantwortliche hinweg, sequenziert als altersgestufte Spirale, mit Eltern zuerst benannt und dann beschrieben als bereits mehr tragend, als sie könnten. Eltern erscheinen in der AI-Play-Evaluation durch Umfragen zur Aktivitäts-Usability statt durch Berichte ihres eigenen Verständnisses.

Was ein Elternteil bräuchte, um an irgendeinem davon teilzunehmen, wird in der Tat definiert durch KI-Kompetenz-Rahmenwerke, die für Schulen gebaut sind. MacCallum, Parsons und Mohaghegh (2026) gestalteten SAIL altersagnostisch und behandeln seine Level-1-Kompetenzen — KI verstehen und erkunden — als wesentlich für alle Alter, was Erwachsene in dieselbe Progression stellt statt als ihre Instruktorinnen und Instruktoren. Familien besetzen auch eine formale Rolle in der Forschung selbst: Allison (2026) bittet Autoren, Teilnehmendenkontext und soziodemografische Merkmale, Barrierefreiheit und kulturelle Passung, und ethische Review, Zustimmung und Daten-Governance zu berichten — die Verpflichtungen, durch die die Zustimmung, die Daten und der Kontext einer Familie überhaupt sichtbar werden.

Zugang und Gerechtigkeit über Familien hinweg

Kosten und Konnektivität prägen, was Familien nutzen können, bevor irgendeine Frage der Pädagogik entsteht. In der Makerspace-Studie dokumentieren Liu et al. (2026) sowohl eine Kostenbarriere als auch eine Designbarriere: Der freie Bildgenerator Playground stellte seine freien Funktionen für eine bezahlte „pro"-Stufe ein, die die unterversorgte Nonprofit-Organisation nicht absorbieren konnte, und die Werkzeuge akzeptierten nur englische Prompts, was Mädchen ohne Englischzuversicht benachteiligte. Yang, Li und Lee (2025) halten Kosten und Zugang als die digitale Kluft erweiternd fest. Das Aufnahmeergebnis in Oreopoulos, Dong und Low (2026) ist ebenso sehr ein Gerechtigkeitsergebnis wie ein Designergebnis: Die in Jahr 1 verlorenen Familien gingen an administrative Schritte verloren, und die Intervention, die sie zurückgewann, war um die eigene Lehrkraft der Familie und einen festen wöchentlichen Slot gebaut.

Fan, Li und Zhang (2026) nennen die Messbedingungen, die pauschalen Familienrat unsicher machen: Instrumente für KI-Kompetenz, Abhängigkeit und Überreliance wurden weitgehend in einlandesspezifischen oder spezialisierten Universitätsstichproben entwickelt, und die meisten Studien sind querschnittlich und selbstberichtet. SAILs Gerechtigkeitsargument gilt auch im Haushaltsregister: Ein Gerät zu liefern adressiert nur die erste der drei Klüfte, und die Fähigkeits- und Ergebnislücken bestehen unabhängig davon, wer die Hardware besitzt.

Was die Evidenz zeigt und nicht zeigt

Die stärksten familienbezogenen Ergebnisse in dieser Wissensbasis betreffen Verhalten statt Lernen. Familienbezogene Reibung zu reduzieren erhöhte die Anwesenheit in der ersten Sitzung von etwa 45% auf 83% in einem Versuch, und Aufnahme blieb auch dann die bindende Beschränkung. Derselbe Versuch erzeugte kleine und unpräzise Ergebniszuwächse, während die größte Leistungsstudie große negative Effekte berichtet, konzentriert unter Studierenden, die Hausaufgaben auslagerten, ein Muster, das die Autoren teilweise elterlicher Überwachung attribuieren, die sie nicht direkt messen konnten. Kein Befund isoliert, was Eltern tun, von dem, was Schulen oder Werkzeuge tun.

Was fehlt, ist auffälliger. Eigene Berichte der Eltern sind selten: Die Lehrenden in Xiao et al. (2026) schlossen Eltern per Design aus ihrer Stichprobe aus, und die Eltern, die erscheinen, werden als eine Stimme unter Mädchen, Praktikerinnen und Praktikern oder Lehrenden interviewt. Es gibt hier keine direkte Evidenz darüber, wie Familien die KI-Politik einer Schule lernen, was ihnen über Überwachung oder Offenlegung gesagt wird, oder wie sie darauf antworten, und Familie-Schule-Koordination wurde eher theoretisiert als getestet. Hausunterrichtsdesigns wie ParaTutor wurden mit 23 Dyaden in einem nationalen Kontext evaluiert, und Begleitervergleiche ruhen auf 19 Lernenden in einer Schule.

Ein Scoping-Review 2026 kartiert, wie weit das Feld gekommen ist. Luo et al. (2026) analysierten 53 HCI-Studien aus 6,540 Datensätzen über 19 Veranstaltungen hinweg durch Aktivitätstheorie und fanden die Literatur zentriert auf Kind-Eltern-Interaktion und auf Sprache, KI-Kompetenz und relationales Lernen, wobei 44 der 53 Studien (83%) in Kind-Eltern-Konfigurationen angesiedelt waren. Konversationelle, verkörperte und räumliche Systeme erzeugen Unterstützung aus dem Kontext einer sich entfaltenden Interaktion, und LLMs verteilen Bildungsarbeit neu, während Familien und Institutionen dafür verantwortlich bleiben, Ausgaben zu interpretieren und zu entscheiden, wie sie in die Praxis eingehen. Anhaltende Personalisierung, Reparaturarbeit, und wie Familien Autorität und Regeln verhandeln, sind die Lücken, die der Review nennt, was dieselbe Abwesenheit ist, die dieser Abschnitt aus der anderen Richtung dokumentiert.

Beziehung zu anderen Seiten. Akteure in der KI-Bildung ist der kurze Überblick über die gesamte Stakeholdermenge, mit Familien als Publikum, das noch nicht vertieft abgedeckt ist; diese Seite ist diese Tiefe. Frühe Kindheit und Grundschule umfasst die Entwicklungs- und pädagogische Domäne für junge Lernende über Schule und Zuhause hinweg; diese Seite folgt der Familie über Alter hinweg, von Vorschulspielaktivitäten bis zu Sekundarstufenhausaufgaben. Offenlegung der KI-Nutzung umfasst, ob Lernende anderen sagen, dass sie KI genutzt haben; diese Seite umfasst die angrenzende Frage, ob diese Information die Erwachsenen zu Hause erreicht, und was Familien über KI-Nutzung in der Schule gesagt wird.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauPreschool, Primary Education, Secondary, K 12
ZielgruppeInstructors, Policymakers, Researchers
Technologien und VerfahrenKonversationelle KI
Gerechtigkeit, Ethik und verantwortungsvoller EinsatzDigitale Kluft, Gerechtigkeit
Grundlagen von KI in der BildungKI-Kompetenz
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.