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

Problembasiertes Lernen

Erstellt 2026-08-20 · Aktualisiert 2026-10-10

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

Problembasiertes Lernen (PBL) — eine lernendenzentrierte Pädagogik, in der Lernende Wissen und Fähigkeiten erwerben, indem sie ein realistisches, oft schlecht strukturiertes Problem zu verstehen und zu lösen suchen, wobei eine moderierende Person die Untersuchung begleitet, statt Unterricht zu halten. Im KI-Zeitalter haben sich PBLs strukturelle Merkmale — problemgetriebene Untersuchung, kollaborative Wissenskonstruktion, Moderation statt Instruktion und metakognitive Reflexion — als genau jene Bedingungen erwiesen, unter denen die Integration generativer KI pädagogisch produktiv statt substitiv wird.

Fragen zum Nachdenken

  • Im problembasierten Lernen ist das Problem der Treiber des Curriculums — nicht eine Illustration anderswo vermittelten Inhalts. Erinnern Sie sich an einen Moment, in dem Sie etwas tiefgehend gelernt haben, weil Sie zuerst ein echtes Problem gelöst haben?
  • Die Seite argumentiert, PBLs Merkmale (problemgetriebene Untersuchung, Kollaboration, Moderation, Reflexion) seien genau die Bedingungen, unter denen KI zu einem produktiven Partner statt zu einer Abkürzung wird. Warum könnte das so sein?
  • KI zerreißt die Verbindung zwischen einem eingereichten Artefakt und der Anstrengung, die es erzeugt hat — das Problem „Artefakt als Stellvertreter“. Wie hilft es, den Prozess statt nur das Produkt zu bewerten, und was macht Prozess-Assessment schwierig?
  • PBL entstand in der Medizinbildung zum Teil, weil berufliche Kompetenz adaptives Urteilsvermögen braucht, nicht Routineausführung. Was ist der Unterschied zwischen beiden, und wie verändert KI, welche davon wir trainieren?
  • Wenn eine KI heute „verwickelte Probleme“ und komplexe reale Fälle für mehr Lernende zugänglich machen kann: Was könnte verloren gehen, wenn die Herausforderung leichter zu erreichen wird?
  • Wo sollte eine KI in einem PBL-Umfeld die Grenze ziehen zwischen dem Geben eines Problems, eines Hinweises oder einer Antwort? Was bestimmt, welcher Schritt im jeweiligen Moment richtig ist?

Einführung

PBL entstand in der Medizinbildung (McMaster University, 1960er Jahre) und hat sich seitdem über Gesundheitsberufe, Ingenieurwesen und K-12 (Primar- und Sekundarstufe) ausgebreitet. Die lernende Person übernimmt Verantwortung dafür, Lernbedarfe zu diagnostizieren, Ressourcen zu identifizieren und Lösungen zu konstruieren, während die moderierende Person den Prozess stützt. Der kennzeichnende Anspruch von PBL ist, dass das Problem der Curriculums-Treiber ist — nicht eine Illustration anderswo vermittelten Inhalts, sondern der Kontext, in dem Inhalt gelernt wird.

PBL im KI-Zeitalter

Die Forschung der Wissensbasis zeigt, dass PBL zu einem Brennpunkt für das Nachdenken über produktive KI-Integration geworden ist.

  • PBLs strukturelle Bedingungen machen KI-Integration produktiv. Rowe (2026) argumentiert, PBLs Kernmerkmale — problemgetriebene Untersuchung, kollaborative Konstruktion, Moderation, metakognitive Reflexion — seien genau die Bedingungen, unter denen KI als Partner in der Professionalisierung funktioniert statt als Abkürzung um sie herum. Die Ausrichtung ist strukturell, nicht nachträglich: PBL wurde um diese Bedingungen herum entworfen, bevor KI existierte, begründet in der Erkenntnis, dass berufliche Kompetenz adaptives Urteilsvermögen statt Routineausführung erfordert.
  • KI hebt die Decke für die Komplexität von Problemen. Dasselbe Argument besagt, dass KI erweitert, welche Kategorie von Problem PBL überhaupt angehen kann, und „verwickelte Probleme“ sowie komplexe reale Fälle für Lernende zugänglich macht, die sie zuvor nicht erreichen konnten.
  • Das Problem „Artefakt als Stellvertreter“. KI zerreißt die Verbindung zwischen einem eingereichten Artefakt und dem Engagement, das es erzeugt hat — ein Problem, mit dem PBL gut gerüstet ist, weil es den Prozess und demonstriertes Verstehen bewertet, nicht nur das Produkt. Das verbindet PBL mit authentischem und prozessbasiertem Assessment sowie mit der Literatur der Wissensbasis zu Übervertrauen.

Die Metaanalyse auf drei Ebenen, die GenAI-unterstütztes PBL mit projektbasiertem Lernen zusammenführt, hält Produkt- und Lösungsleistung genau deshalb in einem separaten Modell, weil sie die kollaborative Mensch-KI-Ausgabe statt internalisiertes Lernen misst, und diese Schätzung ist die größte, die die Reviewenden berichten (g = 1.958), während sie auf nur sechs Studien beruht und ein approximatives 95%-Prädiktionsintervall von [−0.740, 4.656] trägt, das die Null kreuzt — die quantitative Form der obigen Mahnung zum „Artefakt als Stellvertreter“ (Chen et al. 2026).

  • ChatGPT als adaptives Scaffolding. La Sunra et al. (2026) zeigen ChatGPT, integriert als adaptives Scaffolding in ein KI-ergänztes PBL-Rahmenwerk, das kritisches Denken und personalisiertes Lernen in K-12 verbessert (120 Achtklässlerinnen und Achtklässler). Das behandelt KI als Unterstützung innerhalb von PBL statt als Antwortmaschine.
  • Ein kontroverse Perspektiven einbringender Agent kann Gruppendenken entgegenwirken. Ein GenAI-Agent, der an drei festen Punkten in einer interprofessionellen PBL-Sitzung zu Wort kam, brachte kontroverse Perspektiven ein, und Lernende berichteten, das Widerlegen des Agenten habe ihnen einen sozial zulässigen Weg gegeben, sich zu Wort zu melden, wobei die Uneinigkeit Reflexion anregte, selbst wenn sie die Antworten des Agenten zurückwiesen (Wiss et al. (2025)).
  • Quasi-experimentelle Belege aus der Lehrkräftebildung. Chen und Osman (2026) verglichen ein achtwöchiges KI-gestütztes CTD-PBL-Modul mit konventionellem Unterricht für 130 Physik-Lehramtsstudierende im dritten Jahr (65 pro Bedingung), wobei DeepSeek über aufgabenspezifische Promptvorlagen als begrenztes Scaffolding genutzt wurde — Generierung von Unterrichtsideen, Ressourcenorganisation, Vergleich von Erklärungen, Peer-Feedback-Prompts und Planung der Überarbeitung —, und jede KI-Ausgabe musste gegen inhaltliche Richtigkeit, pädagogische Angemessenheit, Machbarkeit und ethischen Anforderungen geprüft werden, bevor sie in ein Unterrichtsartefakt einging. Die Modulgruppe berichtete höhere TPACK-Werte im Nachtest (M = 4.04 gegenüber 3.40, d = 1.02) und höheres wahrgenommenes kollaboratives Problemlösen (M = 3.62 gegenüber 3.05, d = 0.88), und die größten Interaktionseffekte fielen auf gemeinsames Aufbauen von Wissen und soziale Regulation — genau die kollaborativen Prozessdimensionen, für die das strukturelle Argument oben vorhersagt, dass KI sie stärken statt abkürzen sollte. Die Autoren stellen ausdrücklich klar, dass KI nicht als unabhängige Variable isoliert wurde: die differentielle Veränderung haftet an der gesamten Bedingung aus problembasierten Aufgaben, strukturierter Kollaboration, Scaffolding durch die Lehrperson, Peer-Feedback und reflektierter Überarbeitung, und beide Ergebnisse waren selbst berichtete Wahrnehmungen statt beobachteter Praxis.
  • Rahmenwerke verantwortungsvoller Nutzung. Uden & Hwang (2026) entwickeln das neurowissenschaftlich informierte LEARN-Rahmenwerk (Lifelong Learning, Engagement, Active Processing, Reflection, Neuro-based Design) weiter, um generative KI-Nutzung innerhalb von PBL ethisch zu fundieren und dabei kognitivem Auslagern und der Erosion von Integrität entgegenzuwirken.
  • Umsetzungen in Domänen. PBL-Rahmenwerke für Biomedizintechnik nutzen GenAI für Zusammenfassung und Programmierunterstützung mit Replikationspaketen (Nnamdi et al. 2026); KI-gestütztes PBL steigert computational thinking in Robotik (KI-gestütztes PBL für computational thinking); und GenAI-ermöglichte virtuelle Patientinnen und Patienten unterstützen Anamnesen im Tutorium (Mool et al. 2026).
  • Evidenzsynthese. Amdan et al. (2026) systematisch reviewen 50 Studien (2015–2024) zum Engagement von Lehrenden mit KI in PBL innerhalb eines Mensch-Computer-Interaktion-Rahmenwerks.
  • GenAI in szenariobasiertem PBL. Neto und Kollegen (2026) nehmen problembasiertes Lernen unter die szenariobasierten Ansätze in ihrem systematischen Review zu GenAI in der Bildungsarbeit im Gesundheitswesen auf und finden, dass Promptdesign als Instruktionsspezifikation funktioniert und dass hybride Mensch-KI-Kollaboration vollautomatische Ansätze übertrifft. Der Review betont die Notwendigkeit stärkerer Ausrichtung erzeugter Inhalte an Instruktionsrahmenwerken und reproduzierbarerer Prompting-Praktiken in PBL-Kontexten.
  • KI kann die Wissensvermittlung der Tutorin oder des Tutors tragen, aber nicht die soziale Regulation des Gruppenlernens. In einem vierwöchigen pharmakologischen Quasi-Experiment fanden Shetty & Rao (2026), dass KI-vermitteltes PBL die akademischen Zugewinne von durch Facilitator:innen geleitetem PBL erreichte (Zwischengruppen-p = 0,474), während von Facilitator:innen geleitete Gruppen Vorteile in Gruppendynamik (26,51 gegenüber 24,74, p = 0,035) und kritischem Denken (14,75 gegenüber 13,09, p < 0,001) behielten.

PBL gegenüber verwandten Pädagogiken

PBL ist eng mit projektbasiertem Lernen verwandt — beide sind lernendenzentriert und problem-/kontextgetrieben —, doch PBL zentriert ein schlecht strukturiertes Problem, dessen Lösung Untersuchung und Wissenskonstruktion erfordert, während projektbasiertes Lernen auf die Herstellung eines greifbaren Artefakts oder Projekts zentriert. PBL ist außerdem fällebasiertem und forschendem Lernen verwandt, die die problemgetriebene, von Moderation geführte Struktur teilen. In der Kartierung der Wissensbasis gilt das strukturelle Argument für produktive KI-Integration für jede Pädagogik, die diese Merkmale teilt, nicht nur für PBL.

Warum PBL für KI-Integration bedeutsam ist

Weil PBL Prozess, Kollaboration und demonstriertes Verstehen gegenüber Artefaktproduktion in den Vordergrund stellt, ist es ein natürliches Zuhause für verantwortungsvollen KI-Einsatz: Lernende lernen mit KI als Partner statt von KI als Ersatz. Die Rolle der moderierenden Person und das Design des Problems werden zu den Hebeln, die darüber entscheiden, ob KI Lernen stützt oder verdrängt — dieselben Anliegen menschlicher Aufsicht und Assessment-Design, die quer durch die Wissensbasis wiederkehren.

Produktives Scheitern und PBL

Produktives Scheitern (PF) teilt PBLs konstruktivistischen Kern — Lernende gehen Probleme vor dem Unterricht an —, unterscheidet sich aber in der Struktur: PF enthält Unterricht und Scaffolding absichtlich zurück bis nachdem Lernende gerungen haben, Lösungen zu generieren, während PBL Moderation durchgehend einbettet. Die PF-Literatur des KI-Zeitalters informiert direkt, wie sich KI in problembasierten Settings verhalten sollte: Kim et al. (2026) zeigen, dass KI produktives Ringen mit nicht-direktiver Unterstützung über die PF-Phasen hinweg erhalten sollte; Puech et al. (2025) demonstrieren, dass LLM-Tutoren dazu angeleitet werden können, Antworten zurückzuhalten und mehrere Lösungsversuche hervorzulocken; und ProductiveMath nutzt KI, um beim Design hochwertiger PF-/PBL-artiger Probleme zu helfen. Die Designfrage — wann KI ein Problem, einen Hinweis oder eine Antwort geben sollte — ist beiden Pädagogiken gemeinsam.

Verbundene Konzepte

Verbundene Artikel

Metadaten

FachgebietMedical Education, Engineering Education
NiveauHigher Ed
Lernen und UnterrichtAktives Lernen, Kollaboratives Lernen, Scaffolding (Gerüstbildung)
Technologien und VerfahrenGenerative KI
Grundlagen von KI in der BildungKritisches Denken
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.