SAMR-Modell

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

Das SAMR-Modell — ein von Ruben Puentedura entwickelter Rahmen der Technologieintegration, der klassifiziert, in welchem Ausmaß eine Technologie Lernen über vier Stufen transformiert: Substitution, Augmentation, Modifikation und Redefinition. Die unteren zwei Stufen (Substitution, Augmentation) verbessern eine bestehende Aufgabe —, die Technologie tut, was vorher getan wurde, besser oder bequemer; die oberen zwei (Modifikation, Redefinition) transformieren sie —, die Aufgabe selbst ändert sich zu etwas vorher nicht Möglichem. In der KI-Bildung ist SAMR die Standardlinse, um zu fragen, ob generative KI genutzt wird, um bestehende Praxis inkrementell zu verbessern oder Lernen neu zu konzeptualisieren, und sie steht neben TPACK als Weise zu beschreiben, wie Lehrkräfte Technologie integrieren, statt warum sie sie akzeptieren.

Fragen zum Nachdenken

• Wenn KI in einen Kurs eingeführt wird, ist sie eine Substitution (ein Chatbot ersetzt ein Suchfeld) oder eine Redefinition (eine Aufgabe wird möglich, die vorher nicht war)? Was bestimmt, welche Stufe angemessen ist —, und ist Transformation immer das Ziel?
• SAMR und Technologieadoptionsmodelle beantworten verschiedene Fragen: Adoptionsstheorie fragt warum eine Lehrkraft oder Institution ein Werkzeug akzeptiert; SAMR fragt wie tief das Werkzeug Lernen verändert. Welche Frage beantwortet eine gegebene Studie zur KI-Integration tatsächlich?
• Ein systematischer Review von KI-Integration in der Hochschulbildung fand, dass die meisten Nutzungen auf der Substitutions- oder Augmentationsstufe lagen, wobei nur eine Studie sich der Redefinition annäherte. Wenn das typisch ist, was legt das über die Lücke zwischen dem Potenzial der KI und ihrer Klassenraumrealität nahe?
• SAMR wird in der professionellen Weiterbildung von Lehrkräften häufig bemüht, um Lehrende bei der Planung von Technologienutzung zu unterstützen. Verändert das Klassifizieren der SAMR-Stufe einer Lektion, was eine Lehrkraft tatsächlich tut, oder ist es hauptsächlich ein deskriptives Etikett?
• Kritiker argumentieren, SAMR ruhe wie TPACK auf einer humanistischen Ontologie, die Kognition als durch Technologie unverändert behandelt, und sage nichts über Macht, Dateneigentum oder Gerechtigkeit. Ist eine Linse der Integrationsstufe hinreichend, oder braucht Integration in der KI-Ära einen kritischeren Rahmen?

Einleitung

SAMR beschreibt die Tiefe technologischer Transformation von Lernaufgaben. Ihre vier Stufen bilden eine aufsteigende Skala von Verbesserung zu Transformation: Substitution (das Werkzeug ersetzt ein anderes ohne funktionale Veränderung —, ein Chatbot anstelle einer Suchmaschine), Augmentation (das Werkzeug ersetzt und verbessert —, die Rechtschreibprüfung einer Textverarbeitung gegenüber einer Schreibmaschine), Modifikation (die Aufgabe wird signifikant neu gestaltet —, Studierende kollaborieren in Echtzeit an einem geteilten KI-generierten Entwurf) und Redefinition (neue, vorher undenkbare Aufgaben werden möglich —, Lernende ko-kreieren mit einem generativen Modell auf Weisen, die kein nicht-KI-Analogon haben). Das Modell wird in Bildungstechnologieforschung und professioneller Weiterbildung von Lehrkräften weit genutzt, als Vokabular für Planung und Evaluation von Technologieintegration, und es ist ein Standardbegleiter von TPACK und Technologieadoptionsrahmen —, obwohl es eine andere Frage beantwortet als beide.

Was die vier Stufen bedeuten

• Verbesserung (untere Hälfte): Substitution und Augmentation verbessern eine bestehende Aufgabe, ohne ihre Natur zu verändern. Die meiste routinemäßige KI-Nutzung —, Aufgabengenerierung, schnelle Texterzeugung, Zusammenfassung —, sitzt hier: sie ist schneller und bequemer, verändert aber nicht, was von der lernenden Person verlangt wird.
• Transformation (obere Hälfte): Modifikation und Redefinition verändern die Aufgabe selbst. Vibe Coding, Echtzeit-Ko-Konstruktion mit einem Modell und adaptiver interaktiver Dialog sind Aufgaben, die vor generativer KI nicht möglich waren, und stellen das transformative Ende der Skala dar.

SAMR wird häufig mit dem ICAP-Rahmen gepaart, weil die beiden sich ausrichten: die vier Koch-zu-Lern-Szenarien in Rummel, Nachtigall & Panadero (2026) bilden ICAP-Engagementmodi auf SAMR-Stufen ab —, ICAP Passive mit SAMR Substitution, Active mit Augmentation, Constructive mit Modifikation und Interactive mit Redefinition —, was eine Progression von passiver Delegation zu interaktiver Ko-Konstruktion veranschaulicht.

Evidenz aus der Wissensdatenbank

• KI-Integration in der Hochschulbildung ist weitgehend inkrementell, nicht transformativ. AlSheikh et al. (2026), in einem PRISMA-systematischen Review von 22 Interventionsstudien, gescreent aus 959 Datensätzen, bewerteten KI-Integration mit dem SAMR-Modell und fanden, dass die meisten Studien auf der Substitutions- oder Augmentationsstufe ballten, mit weniger auf Modifikation und nur einer, die sich der Redefinition annäherte. KI wurde typischerweise eingeführt, um bestehende Praxis zu verbessern —, dominiert von Prüfungsautomatisierung und Personalisierte-Lern-Unterstützung —, statt um Curricula oder Lernergebnisse neu zu konzeptualisieren.
• SAMR ist eine verbreitete analytische Linse für GenAI-getriebene Curriculumveränderung. Sabani et al. (2026) bilden fünf curriculare Verschiebungen (statisch zu dynamisch, Transmission zu Fähigkeit, lokal zu institutionell) auf etablierte Linsen einschließlich SAMR und konstruktiver Ausrichtung ab, unter Nutzung des Modells, um die pädagogischen Mechanismen zu klären, durch die GenAI Curriculum umformt.
• SAMR und TPACK verankern Standards der Lehrkraft-Technologie-Integration. Crompton et al. (2026) verorten ihre sechs Standards für Fakultätstechnologie gegenüber bestehenden Rahmen —, Technologisches pädagogisches Inhaltswissen (TPACK), RAT, SAMR, SETI —, und Standards (ISTE, UNESCO, DigCompEdu), von denen die meisten K-12-Bildende oder nur den Lehranteil von Fakultätsrollen adressieren, was eine Lücke in der Fakultätsentwicklung der Hochschulbildung lässt.
• SAMR ist ein Ziel der posthumanistischen Kritik. Elsayed (2026) kritisiert TPACK-, SAMR- und KI-Kompetenz-Modelle dafür, eine humanistische Ontologie zu teilen, die eine begrenzte lernende Person voraussetzt, deren Kognition durch technologische Vermittlung fundamental unverändert ist, und argumentiert, diese instrumentalistischen Rahmen könnten die konstitutive Rolle der KI in Kognition nicht adressieren.
• Ein Rahmen für Integration, kein Rahmen für Macht. Poudyal (2026) evaluiert SAMR neben TPACK und anderen Integrationsrahmen und findet, dass keiner gerechte Macht, Dateneigentum oder Rechenschaftspflicht adressiert, was einen alternativen ökologischen Ko-Handlungsfähigkeits-Rahmen motiviert.
• Auch Studierendennutzung bildet sich auf SAMR ab, und Feedback umspannt jede Stufe. Das Kodieren der GenAI-Deklarationen von 31–36 Studierenden in einer Physikeinheit verortete Lernen auf Substitution–Augmentation, Formatierung auf Substitution und Aufgabentun auf Modifikation–Redefinition, während Feedback —, Prüfen, Klären, Verifizieren —, auf allen vier Stufen erschien (Quince and Faulconer (2026)).

SAMR, TPACK und Technologieadoption: wie sie sich unterscheiden

Drei Rahmen werden häufig konfundiert, beantworten aber eigene Fragen:

• Technologieadoptionsmodelle (TAM, UTAUT) erklären warum eine Person oder Institution eine Technologie akzeptiert und weiterhin nutzt —, wahrgenommener Nutzen, einfache Nutzung und sozialer Einfluss.
• TPACK beschreibt das Wissen, das eine Lehrkraft braucht, um Technologie wirksam zu integrieren —, das Zusammenspiel technologischen, pädagogischen und Inhaltswissens, in der KI-Ära erweitert zu AI-TPACK/GenAI-TPACK.
• SAMR klassifiziert, wie tief eine Technologie eine Lernaufgabe transformiert, von Verbesserung zu Redefinition.

SAMR ist am besten als Integrationsstufen-Linse zu verstehen, genutzt in Planung und Evaluation, die Adoptionsstheorie (die Übernahme erklärt) und TPACK (das Lehrkraftfähigkeit erklärt) ergänzt. In der KI-Ära wird sie am produktivsten genutzt, um zu fragen, ob generative KI angewandt wird, um bestehende Aufgaben zu verbessern oder echt neue zu ermöglichen —, eine Unterscheidung, die durch die Prüfungs- und Curriculumforschung der Wissensdatenbank läuft.

Implikationen für die Praxis

• Nutzen Sie SAMR, um die Stufenfrage zu stellen, nicht um Transformation vorzuschreiben. Verbesserung ist nicht inhärent minderwertig; viele routinemäßige KI-Nutzungen sind legitime Substitutionen. Das Modell ist diagnostisch und klärt, was eine gegebene Nutzung tatsächlich verändert.
• Paaren Sie es mit ICAP. SAMR beschreibt, was die Aufgabe wird; ICAP beschreibt, wie die lernende Person sich engagiert. Zusammen genutzt unterscheiden sie oberflächliche Substitution von tiefer interaktiver Ko-Konstruktion.
• Ergänzen Sie es mit Adoptions- und Gerechtigkeitslinsen. SAMR sagt nichts darüber, warum ein Werkzeug übernommen wird oder wer Nutzen hat. Paaren Sie es mit Adoptionsmodellen und Gerechtigkeitsanalyse, um zu vermeiden, dass ein Stufenetikett für eine kritische Bewertung substituiert.
• Behandeln Sie Evidenz inkrementeller Integration als Befund, nicht als Versagen. Wenn die meiste KI-Integration auf Substitution/Augmentation ballt, ist die Gestaltungsaufgabe nicht, Redefinition zu erzwingen, sondern zu erkennen, dass transformative Nutzung verschiedene Aufgabengestaltungen verlangt, nicht nur bessere Werkzeuge.

Verbundene Konzepte

• KI in der Bildung — AI in education (umbrella)
• Technologisches pädagogisches Inhaltswissen (TPACK) — Technological Pedagogical Content Knowledge
• Technologieadoptionsmodelle — Technology adoption models
• ICAP-Rahmen — The ICAP framework of cognitive engagement
• Technologien — AI technologies and techniques
• KI-Kompetenz von Lehrkräften — Teacher AI competency
• Lehr- und Curriculumsentwicklung — Educational development
• Lerndesign — Learning design
• K-12 (Primar- und Sekundarstufe) — K-12 education
• Hochschulbildung — Higher education
• Generative KI — Generative AI

Verbundene Artikel

• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — AI integration in higher ed graded with SAMR: mostly Substitution/Augmentation
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — ICAP and SAMR mapping the four cooking-to-learning scenarios
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — SAMR among the lenses for GenAI-driven curriculum change
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — SAMR among the frameworks informing faculty technology standards
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI — The posthumanist critique of SAMR's humanist ontology
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education — SAMR's silence on power, data ownership, and accountability
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Student GenAI use under changing institutional policies: use functions mapped to SAMR levels (Quince & Faulconer 2026)