Problemlösen

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

Problemlösen — der Prozess, neue oder komplexe Herausforderungen zu formulieren, zu analysieren und aufzulösen —, ist eine zentrale Kompetenz des 21. Jahrhunderts, die KI-Werkzeuge sowohl verstärken als auch bedrohen. Über die Artikel der Wissensdatenbank fungiert generative KI als Gerüst, dialogischer Partner und Antwortmaschine, und ihr Bildungswert hängt daran, ob Lernende die primären Entscheidungsträgerinnen und -träger bleiben oder ihr Argumentieren an die Maschine auslagern. Diese Spannung zwischen Effizienz und tieferem kognitivem und regulatorischem Engagement definiert die aktuelle Forschung zu KI und Problemlösen.

Fragen zum Nachdenken

• Denken Sie an ein echt schweres Problem, das Sie gut gelöst haben. Was machte das Ringen produktiv, und was wäre verloren gewesen, wenn Ihnen jemand einfach die Antwort gegeben hätte?
• Die Seite beschreibt eine „kognitive Schuld“: das Delegieren von Argumentieren an KI produziert das richtige Produkt auf Kosten des Verständnisses. Haben Sie jemals die richtige Antwort bekommen, ohne sie wirklich zu verstehen? Was war später der Preis?
• KI-Werkzeuge helfen Studierenden, mehrere Perspektiven zu erkunden und eigene Probleme zu erzeugen —, können aber auch „metakognitive Faulheit“ fördern. Wie unterscheiden Sie zwischen KI als Denkpartner und KI als Ersatz für Denken?
• Ein Experiment fand, dass reflektierendes und hybrides Feedback direktes KI-Feedback bei verzögertem, KI-freiem Transfer übertraf. Warum könnte Feedback, das Sie mehr arbeiten lässt, zu Lernen führen, das länger hält?
• Wie unterstützt es Transfer und Selbststudium, wenn man lehrt, eigene Probleme zu stellen (statt nur gegebene zu lösen)? Wann hat das Erzeugen einer Frage Sie mehr gelehrt als das Beantworten einer?
• Wenn KI-Fehler als Provokationen zum Fragen und Verifizieren behandelt werden, wird eine Einschränkung zur Lerngelegenheit. Haben Sie jemals mehr aus dem Fehler einer KI gelernt als aus ihrer richtigen Antwort?

Einleitung

Generative KI bietet klare Unterstützung für Problemlösen. LLM-Werkzeuge helfen Studierenden, alternative Lösungen zu erkunden, interdisziplinäre Perspektiven einzubringen und authentische reale Szenarien zu simulieren —, wie klinische und ethische Dilemmata oder Prototypentests im STEM-Bereich —, während sie skalierbares, rechtzeitiges Feedback liefern und Prüfung hin zu szenario-, kompetenzbasierter Evaluation verschieben. In designbasierter Forschung produzierte KI, positioniert als „intelligenter Lernpartner“ innerhalb strukturierter kollaborativer Aufgaben, substanzielle Gewinne in der Problemlöseleistung, wobei Studierende zunehmend KI nutzten, um mehrere Perspektiven zu erzeugen, statt einzelne Antworten zu suchen.

Doch dieselben Werkzeuge können genau die Fertigkeit erodieren, die sie zu unterstützen behaupten. Forschung zu kollaborativem Problemlösen zwischen Mensch und KI zeigt einen auffälligen Trade-off: das Interaktionsprofil, das die höchste Aufgabenleistung erreicht, zeigt auch die geringste Selbst-KI-Regulierung in der Bildung, während Studierende Argumentieren an die KI delegieren und das ernten, was die Autoren eine „kognitive Schuld“ nennen —, das richtige Produkt auf Kosten des selbstkonstruktiven Prozesses des Verstehens zu erhalten. Studien zu kollaborativem Lernen warnen ebenso vor „metakognitiver Faulheit“, wo das Auslagern kognitiver Mühe unabhängige Analyse und selbstreguliertes Lernen untergräbt.

Problemlösen in der Forschung zu KI in der Bildung

Die Artikel der Wissensdatenbank nähern sich Problemlösen durch eigene, aber konvergierende Linsen. Ein PRISMA-systematischer Review findet, dass LLMs oft unvollständige oder inkorrekte Antworten produzieren, was Studierende dazu veranlasst, Informationen zu hinterfragen, zu verifizieren und zu verbessern —, was Modellunvollkommenheiten in Validierungs- und Korrekturzyklen verwandelt, die kritisches Denken und geistige Unabhängigkeit stärken. Statt Probleme als gegeben zu behandeln, stellt andere Arbeit Problemstellung in den Vordergrund: das Training von Studierenden, eigene Physikprobleme zu erzeugen unterstützt Transfer und Selbststudium, und GenAI-Chatbots verbesserten die Problemstellungsqualität von Grundschulkindern und reduzierten kognitive Last in forschungsbasiertem Lernen.

Gerüstbildung und Prüfung sind ebenfalls zentral. Adaptive KI-Gerüste, abgeleitet aus Sequenz-Mining der Prozessmuster einzelner Studierender, steigern die On-Task-Leistung bei kollaborativem Problemlösen in der Mathematik —, obwohl maximale Gerüstbildung auch Skripting-Verhalten erhöhte. Auf der Messseite können LLMs menschliche Bewertende spiegeln bei der Erkennung von Wachstum im rechnerischen Denken über große Physikkurse, während rechnerisches Denken als der explizite konzeptuelle Klebstoff vorgeschlagen wird, der Bildungsrobotik echtes Problemlösen fördern lässt statt isolierte technische Übungen.

Wie KI sowohl hilft als auch hindert

Der doppelte Charakter der KI für Problemlösen ist über Studien konsistent. Auf der helfenden Seite übertreffen Chatbots Suchmaschinen beim Problemstellen, indem sie Fragenqualität verbessern und kognitive Netzwerke integrieren; adaptive Gerüste verbessern Leistung; und kollaborative KI-Designs erhöhen sowohl kritisches Denken als auch Problemlösewerte, während Studierende primäre Entscheidungsträgerinnen und -träger bleiben. Auf der hindernden Seite reduziert Überdelegation regulatorisches Engagement, direktes Feedback ohne Reflexion fördert passive Aufnahme, und schwere Vertrauensabhängigkeit von KI beim Konsensbau bedroht interpersonelle Fertigkeitsentwicklung und intrinsische Motivation. Bemerkenswerterweise fand ein multizentrisches randomisiertes Experiment, dass reflektierende und hybride Feedbackdesigns direktes KI-Feedback bei verzögertem, KI-freiem Transfer übertrafen —, Evidenz, dass der Bildungswert der KI weniger am Zugang hängt als daran, Studierendenhandlungsfähigkeit, Bewertungsurteil und Eigentum während der Überarbeitung zu bewahren. Gestaltungsprinzipien, die aus der Literatur entstehen, umfassen die Priorisierung dialogischer Spannung über nahtlose Effizienz, das Ermöglichen proaktiver Koregulation, und das Halten metakognitiver Gerüstbildung und „Mind-in-the-Loop“-Aufsicht.

Implikationen

Für Lehrende weist die Bilanz der Evidenz auf strukturierte, prozessorientierte Integration: Prompt-Engineering-Training verschiebt Studierende von unfokussierter zu produktiver KI-Interaktion, das Einbetten von KI in kollaborative Untersuchungsaufgaben erbringt dauerhafte Gewinne, und das absichtliche Nutzen von KI-Fehlern als Provokationen verwandelt eine Einschränkung in eine Lerngelegenheit. Für Gestaltende argumentiert der konsistente Befund, dass Effizienz nicht tiefes Lernen ist, für KI, die hinterfragt, herausfordert und gerüstet statt zu antworten. Für Institutionen verlangt verantwortliche Integration, GenAI mit ausdrücklichem KI-Kompetenz-Training und Prüfungsrastern zu paaren, die Argumentieren und Begründung über korrekte Produkte belohnen. Das wiederkehrende Thema über kognitionspsychologisch begründete Arbeit ist, dass Problemlösen durch anstrengendes Engagement gelernt wird —, und die Rolle der KI sollte sein, jene Mühe zu bewahren, nicht zu tilgen.

Verbindungen zu anderen Konzepten

Problemlösen ist das angewandte Ergebnis kritischen Denkens und rechnerischen Denkens und wird durch problembasiertes Lernen und forschungsbasiertes Lernen kultiviert. Es hängt an Gerüstbildung, die kognitive Anforderung aufrechterhält, an Selbstregulation und metakognitiver Aufsicht, um kognitive Auslagerung zu vermeiden, und an kollaborativen Strukturen, in denen Mensch und KI zusammenarbeiten. Kognitionspsychologie und die Literatur zum Lerntransfer liefern die theoretische Begründung dafür, warum von Lernenden generierte Probleme und reflektierendes Feedback dauerhaftere Problemlösegewinne produzieren. Die Bilanz durchgearbeiteter Beispiele gegenüber Übung zum Erwerb solcher Fertigkeiten ist selbst inhaltsabhängig: Rachatasumrit, Koedinger & Carvalho (2025) zeigen, dass generalisierbare Problemlösefertigkeiten am besten durch beispielintegrierte Übung gelernt werden (abwechselnd durchgearbeitete Beispiele und Probleme), weil durchgearbeitete Beispiele die induktiven Informationen liefern, die nötig sind, um eine korrekte Regel zu erwerben und zu generalisieren, während reine Übung riskiert, scheinbar korrelierte Merkmale statt des allgemeinen Verfahrens zu stärken.

Kollaboratives Problemlösen mit LLM-Agenten simulieren

• Kollaboratives Problemlösen mit teilnehmendenspezifischen LLM-Agenten simulieren. Fang (2026) trainiert individuelle LLM-Agenten auf dem echten Dialog der Teilnehmenden, um kollaboratives Problemlösen zu reproduzieren, und validiert die Simulationen mit Epistemic Network Analysis, was zeigt, dass simulierte und echte Dialoge statistisch nicht unterscheidbar sind (ENA-Distanz 0.17; Permutation p = 0.65). Das bietet einen skalierbaren Weg, authentischen kollaborativen Problemlösediskurs zu untersuchen und zu erzeugen —, mit Implikationen sowohl für Forschung als auch für die Gestaltung von Übungsumgebungen für diese Kompetenz des 21. Jahrhunderts.

Automatisierte CPS-Fertigkeitskodierung

• Die Messung der Kompetenz im kollaborativen Problemlösen (CPS) verlangt typischerweise, Verhalten aus Prozessdaten simulierter Aufgaben in spezifische CPS-Fertigkeiten zu kodieren. Kontextbewusstes Prompting vorab trainierter Sprachmodelle kann diese Kodierung automatisieren, indem es kontextuelle Abhängigkeiten modelliert und kognitive und soziale Fähigkeiten fusioniert, um überlegene Leistung gegenüber starken Baselines auf CPS-Aufgabendatensätzen zu erreichen —, was die Arbeitsintensität manueller Kodierung adressiert und großskalige, echtzeitnahe Prüfung ermöglicht.

Verbundene Konzepte

• Kritisches Denken
• Informatisches Denken
• Kollaboratives Lernen
• Problembasiertes Lernen
• Erkundungsbasiertes Lernen
• Kreativität
• Scaffolding (Gerüstbildung)
• Selbstreguliertes Lernen
• Kognitionspsychologie

Verbundene Artikel

• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — Interaction profiles (delegated reasoning vs concerted interpretation) and the efficiency–regulation trade-off
• Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — DBR model positioning generative AI as an intelligent learning partner
• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — PRISMA review of LLMs fostering critical thinking, teamwork, and problem solving
• Towards an adaptive AI scaffold for developing student collaborative problem solving — Sequence-mined adaptive scaffolds for collaborative problem solving
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing — Problem posing as a self-regulated learning strategy with GenAI
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Reflective/hybrid feedback outperforms direct AI on delayed transfer
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Chatbots improve primary students' problem posing in inquiry-based learning
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics — LLMs as scalable assessors of computational problem solving in physics
• Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — Rule-guided vs ad-hoc scaffolding in an LLM tutoring system for primary mathematics (Looi et al. 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content