Scaffolding (Gerüstbildung)

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

Scaffolding — strukturierte Unterstützung, die Lernenden hilft, Aufgaben zu bewältigen, die sie noch nicht unabhängig erledigen können, wobei die Unterstützung ausblendet, wenn die Kompetenz wächst. In KI in der Bildung ist Scaffolding das zentrale Gestaltungsprinzip, um sicherzustellen, dass KI-Werkzeuge Lernen stützen statt es zu ersetzen.

Fragen zum Nachdenken

• Denken Sie an einen Moment, in dem jemand Sie bei etwas, das Sie lernten, „unterstützt“ hat, und die Hilfe die Arbeit so gut machte, dass Sie weniger lernten. Wo liegt die Linie zwischen Unterstützung, die Sie wachsen lässt, und Unterstützung, die Sie ersetzt? Die Seite argumentiert, das sei die zentrale Designfrage für KI-Tutoren.
• Scaffolding wurzelt in der Zone der proximalen Entwicklung — genug Unterstützung, um Fortschritt zu ermöglichen, nicht so viel, dass Lernen umgangen wird. Wie sieht „zu viel Unterstützung“ in einem KI-Tutor aus, und können Sie es allein am Verhalten der Studierenden erkennen?
• Ein zentraler Befund: Studierende bevorzugen oft die direktiveren KI-Tutor-Rollen, obwohl sie mit kollaborativen Peer- und Lehrkräfte-Assistenz-Rollen besser abschneiden. Verfolgt die Präferenz der Lernenden verlässlich, was für das Lernen am besten ist —, und was folgt aus dieser Divergenz dafür, Studierende ihr eigenes Scaffolding wählen zu lassen?
• Scaffolding, das nie ausblendet, erzeugt Abhängigkeit. Die Seite hält fest, dass automatisierte Scaffolds Gefahr laufen, statisch zu bleiben, statt zurückgezogen zu werden, wenn die Kompetenz wächst. Warum ist „Ausblenden“ wesentlich, und warum könnte ein KI-System scheitern, es zu tun, wenn es nicht absichtsvoll dafür gestaltet ist?
• Das Gestaltungsprinzip ist „scaffolden, nicht substituieren“. Studierende selbst baten um KI, die „Ihnen keine Lösungen liefert — Sie lernen weiterhin, da Sie die richtige Antwort selbst finden müssen.“ Passt das zu Ihrer Erfahrung wirksamer Hilfe, oder haben Sie die Abkürzung bevorzugt, selbst im Wissen, dass sie Sie etwas kostete?
• Setzen Sie ein Ziel vor der Lektüre: wählen Sie eine Aufgabe, die Sie lehren, und skizzieren Sie, wie ein Hinweis aussieht, der die Anstrengung der lernenden Person bewahrt, gegenüber einer Antwort, die sie entfernt. Wie werden Sie wissen, dass Ihre Hinweise in der Zone produktiven Kämpfens liegen?

Einführung

Wie Scaffolding in der AIED erscheint

• Prompt-basiertes Scaffolding: Geleitetes LLM-Scaffolding lehrt strukturiertes Prompting als Lernintervention. Scaffolding kritischen Engagements nutzt kulturell responsive Ansätze.

• Mixed-Initiative-Scaffolding für Lücken, die die lernende Person nicht benennen kann: Sun et al. (2026) lassen die schreibende Person die narrative Synthese verantworten, während das System die Initiative nur bei der Domänenentdeckung übernimmt und proaktiv Wissenslücken markiert, die Schreibende nicht als Anfragen formulieren können.

• Sokratisches Scaffolding: Sokratischer KI-Dialog enthält direkte Antworten zurück und nutzt Fragen, um Entdeckung anzuleiten — eine Form von wünschenswerte Schwierigkeiten-Scaffolding. Als Randbedingung hilft Fragen beim Einsetzen, zerfällt aber mit der Tiefe, sodass sich die Ausblendungsregel vom Anregen zum Adressieren des Fehlers verschiebt: der Nutzen fällt von einem 20-Punkte-Vorteil beim Einsetzen auf 3 Punkte bis zur vierten Stockrunde, während das Adressieren des Fehlers von +5 auf +12 steigt Ahtisham et al. (2026).

• Die Funktion, nicht das Werkzeug, entscheidet, was als Erfolg zählt: Vasileiou et al. (2026) schlagen ein Drei-Funktionen-Rahmenwerk für KI-Unterstützung in der Sonderpädagogik vor. Kompensation reduziert eine exekutive Anforderung, damit die lernende Person teilhaben kann (Erfolg = Zugang, während Unterstützung bleibt). Gerüstbau stützt Leistung knapp jenseits der gegenwärtigen Fähigkeit (Erfolg = Entscheidungen mit gezielter Unterstützung). Entwicklung baut Strategien auf, die ohne das Werkzeug nutzbar sind (Erfolg = Strategienutzung nach Ausblenden oder Transfer). Jede Funktion trägt einen anderen Bewertungsstandard, und der wiederkehrende Fehler des Feldes ist es, Aufgabenerledigung während Unterstützung als Entwicklung zu berichten. Es ist ein narrativer Review mit interpretativen Kategorien, keine gepoolte Effektschätzung.

• Adaptives Ausblenden: Intelligente Tutorsysteme passen Scaffolding an Knowledge-Tracing-Schätzungen an und bieten mehr Unterstützung für nicht beherrschte und weniger für bekannte Konzepte.

• Bedarfsgetriggertes adaptives Scaffolding im klinischen Interviewtraining: die MeduAI-SP-randomisierte Studie (Yang et al., 2026; N = 100 Medizinstudierende im dritten Jahr) operationalisierte Scaffolding als adaptive, bedarfsgetriggerte Unterstützung: Ein Evaluator-Agent auf Zug-Ebene markierte, wenn eine lernende Person stockte, zentrale Anamnese ausließ, vorzeitigen Abschluss riskierte oder Rapport beeinträchtigte, und erst dann gab ein Tutor-Agent einen sokratischen Prompt aus. Expertenannotation von 207 Konsultationen zeigte, dass Scaffolding-Bedarf stark phasenabhängig war, von etwa 16.1% der Studierendenäußerungen früh in der Begegnung auf 34.8% spät steigend (24.1% insgesamt markiert) — empirischer Beleg, dass Unterstützung bei der Beratung von Novizen am meisten während Integration und diagnostischem Denken gebraucht wird, nicht bei anfänglicher Informationssammlung. Die Scaffolding-Bedingung übertraf eine strukturierte progressive-Offenlegung-Kontrolle bei der abschließenden OSCE-ausgerichteten Prüfung (71.8% gegenüber 55.6%; β = 16.4 Prozentpunkte; P = 3.30e-4), mit dem größten Zugewinn in Kommunikation (Hedges' g = −0.79).

• Hinweissysteme: Forschung zu Hinweisen in KI-Tutoren untersucht, wann Hinweise helfen und wann sie übermäßige Abhängigkeit fördern.

• Scaffolds, die die Erholung nach Fehlern heben. In einem Feldexperiment mit 6.000 Mittelstufenschülerinnen und -schülern verlangsamte KI-Unterstützung den Fortschritt und senkte die Zahl versuchter Fragen, erhöhte aber die Korrektheit beim nächsten Versuch nach Fehlern und reduzierte die Versuche, die nötig waren, um zu einer richtigen Antwort zurückzukehren — eine „produktive Verlangsamung“ statt Antwortlieferung (Oreopoulos et al. (2026)).

• Die lernende Person zu trainieren ist selbst ein Scaffold. Eine 45-minütige Sitzung, die Studierende lehrte, ein Modell nach SRL-Phase zu prompten und seine visuellen und schlussfolgernden Fehler zu beheben, hob die Genauigkeit bei Physik-Wiederholung (d = 0.81) ohne die berichtete gesamte kognitive Last zu erhöhen (Huang et al. (2026)).

• Konzeptuelle und repräsentationale Scaffolds: Concept Catalyst und LLM-Tutor-Neudenken erkunden Designmuster für kognitive Unterstützung. Davor (2026) liefert eine Domäne, in der repräsentationale Unterstützung und Antwortgeben auseinandergezogen werden müssen: Geometriebeweis ist reich an Visualisierungs-Ressourcen, dennoch ist der Schritt von einer Beziehung, die man sehen kann, zu einem gültigen deduktiven Argument der, den Lernende nicht machen, sodass der Scaffold sie über Repräsentationen tragen muss statt ihnen ein weiteres Bild zu reichen. Sein Quasi-Experiment mit 86 ghanaischen Oberstufenschülerinnen und -schülern konfigurierte generative KI dazu, zu prompten und zu fragen statt zu lösen — Lernende zu bitten zu begründen, was sie beobachteten, die relevanten Theoreme zu benennen und ihre logischen Schritte zu ordnen, wobei die Lehrkraft die Repräsentationen der KI nutzte, um die Diskussion zu steuern —, und die KI-gestützte Klasse übertraf konventionellen Unterricht bei der Beweiskonstruktion selbst nach Kontrolle der Pretest-Leistung. Die Wahrnehmungen der Qualität von Feedback und Erklärung waren günstig, wenngleich nur die Experimentalgruppe befragt wurde. Der Scaffold ist hier als Brücke von visueller Intuition zu deduktivem Denken positioniert, und das Papier benennt nie das Modell oder ein Erhebungsfenster, weshalb es mehr eine Designbegründung bietet als ein Replikationsrezept.

• „Scaffolden, nicht substituieren“ als Gestaltungsprinzip: Favero et al. (2026) argumentieren, das zentrale Risiko von KI in der Bildung sei Fehlausrichtung — KI, die für menschliche Anstrengung substituiert, erodiert die Fähigkeiten, die Bildung aufbauen soll —, und leiten ein einzelnes Gestaltungsprinzip ab: scaffolden, nicht substituieren. Scaffolding muss eine erstklassige Fähigkeit von KI-Systemen sein: zu wissen, wann man eine Antwort zurückhält, eine Frage stellt, Unsicherheit sichtbar macht oder alternative Perspektiven präsentiert. Ihre Analyse studentischer Aufsätze zeigt, dass Lernende selbst darauf zulaufen — sie bitten um KI, die „Ihnen keine Lösungen liefert, Sie lernen weiterhin, da Sie die richtige Antwort selbst finden müssen“. Das Prinzip positioniert Scaffolding als Alternative zu einem selbstverstärkenden Schadenszyklus der Substitution über Kognition, Handlungsfähigkeit, Emotion und Ethik.

• Mentoring als Scaffolding für einen Forschungsprozess. Wang et al. (2026) behandeln einen systematischen Review als absichtsvolle Lernerfahrung, in der Mentoring integriertes methodisches und emotionales Scaffolding liefert, während Automatisierung auf prozedurale Last wie das Screening von Abstracts beschränkt ist, und Datenextraktion, Abgleich und Synthese bei menschlichen Reviewerinnen und Reviewern bleiben.

• In das Medium eingebettetes Scaffolding, nicht aufgesetzt: Wang, Du und Jin (2026) operationalisieren vier Scaffolding-Prinzipien innerhalb eines Videoplayers — ZPD-basierte Anpassung der Kommentartiefe, ausblendendes Scaffolding (Wissensunterstützung dünnt über die Zeitleiste aus), verteiltes Scaffolding (jeder Kommentar ist entweder Wissens- oder emotionale Unterstützung), und aus kognitiver Last abgeleitetes Timing —, indem sie Videoentropie auf Frame-Ebene berechnen und Kommentare nur in Intervallen mit geringer Information einfügen. Ihre Ablation mit vier Bedingungen und 20 Lernenden fand, dass das Entropie-Timing-Modul bei Entfernung den stärksten und robustesten Effekt auf empfundene Qualität erzeugte (Z = −2.85, r = 0.45, p = .004), was die Zeitplanung von Scaffolding zu einer messbaren Designvariable macht statt zu einem Verpackungsdetail. Die Studie trägt zudem eine Warnung für automatisiertes Scaffolding: von ChatGPT erzeugte Kommentare waren durchgehend schwerer zu lesen, lexikalisch weniger vielfältig und weniger thematisch abgestimmt als Lehrendenkommentare, mit der größten Relevanzlücke bei emotionaler Unterstützung (Feedback-Qualität).

• Bevorzugtes Scaffolding ist nicht immer das wirksamste: Zhu, Yang und Yang (2026) fanden in einem Within-Subjects-Experiment, dass Studierende mit den KI-Rollen Peer und Teaching Assistant (die kollaboratives Denken fördern) am besten abschnitten, dennoch die direktiveren Rollen Tutor und Excellent Student bevorzugten — eine Divergenz zwischen Präferenz und Performanz, die davor mahnt, die Präferenz der Lernenden mit wirksamem Scaffolding in KI-gestützter mathematischer Modellierung gleichzusetzen.

• Ein strukturierterer Scaffold ist nicht automatisch ein agentischerer: ein Experten-Design-Bot hob Interaktionslänge und selbst verfasste Prompts gegenüber blankem ChatGPT, aber die Handlungsfähigkeit im kollaborativen Problemlösen fiel in beiden Bedingungen, wobei Zustimmung statt Kritik das am wenigsten agentische beobachtete Verhalten war (Krushinskaia et al. (2026)).

• Automatisierte Bewertung als absichtsvoller Scaffold: Chen und Liu (2026) behandelten ein automatisiertes Dolmetsch-Bewertungssystem als formatives Scaffolding statt als Messinstrument, in einem 14-wöchigen Vergleich mit 46 Studierenden im zweiten Jahr von Englisch Translation und Interpreting. Der Scaffold verwandelte sich nur dort in einen Zugewinn, wo das Defizit, das er adressierte, zerlegbar, verlässlich bewertbar und sensitiv skaliert war: sprachliche Genauigkeit und logische Kohärenz stiegen, während Informationstreue und Vortragsflüssigkeit flach blieben, wobei Treue die Dimension war, bei der automatisierte und menschliche Bewertungen am meisten auseinandergingen (r = 0.12). Der Zyklus, den er verstärkte, war ebenfalls partiell. Nur Ausführung und Überwachung in der Praxisphase korrelierten mit Notenzugewinnen (r = 0.42), während Planung vor dem Lernen nahe der Skalenmitte lag (M = 3.01) und Studierende Ziele aus der vorherigen Note setzten statt aus der vor ihnen liegenden Aufgabe. Ein Scaffold kann gut innerhalb der Performanzphase platziert sein und dennoch die Planung unberührt lassen, die ihn unnötig machen würde.

• Geschlossenschleifen-Scaffolding an der gegenwärtigen Grenze der lernenden Person: Zhu, Luo und Li (2026) bauten eine Musikbildungsschleife, in der multimodale Fehlererkennung über Performance-Audio und Partitur zur Belohnung wird, die bestärkungs-generierte Übungsspuren steuert, sodass Schwierigkeit der gegenwärtigen Grenze der lernenden Person folgt statt einem festen Syllabus: erzeugte Übungsbahnen passten zu den Fähigkeitsprofilen der Lernenden bei einer Spitzen-Kosinus-Ähnlichkeit von 0.962, und die Gruppe-×-Zeit-Interaktion begünstigte die gescaffoldete Gruppe in einem 12-wöchigen Quasi-Experiment mit 120 Studierenden (beta = 0.52, 95% CI [0.31, 0.73]). Zwei Grenzen folgen für automatisiertes Scaffolding. Erkennung ist Triage statt Urteil, da Rhythmusfehler-Präzision von 89.7% bedeutet, dass etwa jeder zehnte markierte Fehler ein Fehlalarm ist, und blinde Expertenprüfung bewertete Unterstützung für musikalischen Ausdruck als schwächstes Gebiet des Systems, was Interpretation der Lehrkraft überlässt.

Die ZPD-Verbindung

Vygotskys Zone der proximalen Entwicklung liefert die theoretische Grundlage: Scaffolding zielt auf den Raum zwischen dem, was Lernende unabhängig tun können, und dem, was sie mit Unterstützung erreichen können. KI-Werkzeuge sollten in dieser Zone operieren — genug Unterstützung, um Fortschritt zu ermöglichen, nicht so viel, dass Lernen umgangen wird. Eine Konfiguration, die die übliche Richtung der Adaption umkehrt, erscheint in Sidorkins (2026) Graduiertenkurs, wo die lernende Person statt des Systems das Unterstützungsniveau setzte: wöchentliche Lektüren wurden auf Abruf erzeugt und Studierende stellten das Verständnisniveau über iteratives Prompting ein (Tempo, Definitionen, Wortschatzdichte, Tiefe). Analyse von drei Leselogs fand definitionale Marker 3.4x bis 8.7x häufiger in KI-Antworten nach verständnisorientierten Prompts als in baseline-erklärendem Text, wobei die klarsten Fälle eine definitionale Schicht und dann eine nummerierte prozedurale aufbauten, was Scaffolding-Dichte zu einer messbaren Eigenschaft der Anfrage der lernenden Person macht statt nur der Beherrschungsschätzung eines Systems. Mindestens drei Anschlussfragen pro Lektüre zu verlangen machte jenes Einstellen zur Routine und verwandelte den Text in eine Interaktion, die Verständnislücken sichtbar machte, die die Lehrkraft sonst nicht gesehen hätte.

Scaffold-Form muss dazu passen, was die lernende Person bereits halten kann, nicht nur was die Aufgabe erfordert. In einem systematischen Scoping-Review von 24 Evidenzquellen zu kreativem Denken bei Kindern von 6 bis 15 Jahren berichten Niu et al. (2026), dass jüngere Kinder die präzise sprachliche und metakognitive Kontrolle fehlte, die textbasiertes Prompting verlangt, und multimodale, von Erwachsenen ermöglichte Schnittstellen brauchten, während textbasierte LLMs bei älteren Kindern und jungen Jugendlichen stärkere berichtete Ergebnisse zeigten. Prompt-Abhängigkeit war in den unteren Klassenstufen am stärksten, und keine eingeschlossene Studie untersuchte Schwellen entwicklungsbezogener Bereitschaft, sodass die Autoren Modalitäts- und Scaffolding-Wahl als offene Designfrage behandeln, die durch die Kapazität der lernenden Person zu klären ist statt durch Bequemlichkeit.

Verbindungen

Scaffolding verbindet sich mit übermäßiger Abhängigkeit (Scaffolding, das nicht ausblendet, erzeugt Abhängigkeit), Cognitive-Load-Theorie (Scaffolding managt kognitive Last), der Feedbackschleife (Scaffolding liefert formatives Feedback), und KI-Kompetenz (Lernende müssen erkennen, wann Scaffolding nützlich ist und wann es Lernen verdrängt).

Agenten müssen dynamisch scaffolden, nicht statisch: Woollaston et al. (2026) identifizieren, dass automatisierte Scaffolds Gefahr laufen, statisch zu bleiben, statt zurückgezogen zu werden, wenn die Kompetenz wächst, und empfehlen dynamische Scaffolds, die sich anpassen und ausblenden — eine zentrale Leitplanke für agentische KI. CoMeT (Hou et al. 2026) liefert sowohl die Trennung als auch die Begründung dafür, wann auszublenden ist: seine Unterstützung steigt eine Sprosse, jedes Mal wenn eine lernende Person sie nicht nutzt, und fällt bei Inanspruchnahme auf die leichteste Sprosse, wobei metakognitive Anforderung statistisch äquivalent zu einem zurückhaltenden Tutor bleibt (p_TOST = .004) während es ein Artefakt in 48.1% der Sitzungen gegen 23.7% ausliefert — mehr Systemarbeit, nicht weniger. Der Trigger, den es validierte, ist Absicht statt Tiefe: Nach einer vollständigen Demonstration räumte der Tutor später 30.3% des noch Offenen ein, nach einem eingefügten Artefakt 25.9%, nach einer blanken Behauptung 20.4% und nach einer Bitte um Bau 33.7%, wohingegen Züge, die nicht auf die unterstützte Entscheidung zielten, später ein Zugeständnis in 40.3% der Zeit gegen 28.8% für gezielte Züge zogen (11.5-Punkte-Unterschied, 95%-Bootstrap-Intervall [2.1, 22.4]). Inanspruchnahme war spärlich — 37.0% nach der ersten Bitte und 21.8% nach der dritten —, sodass eine auf lernendenaufwand gestützte Ausblendungsregel eine Nicht-Antwort als Bereitschaft lesen würde.

Eine vierte Zone macht die Quelle des Scaffolds sichtbar: Tsim und Gutoreva (2025) fügen Vygotskys Zonen „bei GenAI bekannt“ hinzu, sodass eine Aufgabe in Substituieren, Komplementieren, Hilfsmittel oder Nicht-verhandelbar fällt —, und Nicht-verhandelbar hält, was eine Person braucht, weil es normativ, implizit oder zu riskant zur Übergabe ist.

• KI nach Phase der Idee platzieren, nicht nach Kurs. Der Sechs-Zug-Platzierungsrahmen hält KI aus dem ersten harten Versuch und der abschließenden ungestützten Prüfung heraus, während er sie dazwischen für Hinweise, Beispiele und Drill lizenziert; wenn KI die Aufgabe mühelos erscheinen lässt, ist sie am falschen Platz (Brcic & Frljic, 2026).

Scaffolding muss situationsangemessen sein, nicht maximal: Zhang et al. (2026) führen TutorMoments ein, das evaluiert, ob LM-Tutoren nur scaffolden, wenn Unterstützung nötig ist, auf Strenge drängen, wenn die Person bereit ist, und Über-Scaffolding vermeiden (die kognitive Anforderung mehr zu reduzieren als die Situation erfordert). Minimal gepromptete Frontiermodelle über-scaffolden standardmäßig auf Kosten produktiven Kämpfens.

• KI, die produktives Kämpfen scaffoldet. Kim et al. (2026) leiten KI-Designprinzipien ab (nicht-direktive Unterstützung, reflexives Design, Human-in-the-Loop), die Scaffolding in der Zone produktiven Kämpfens halten statt zum Antwortgeben zusammenzufallen; Puech et al. (2025) zeigen, dass LLM-Tutoren so gesteuert werden können, dass sie Hilfe nur geben, wenn strikt nötig — Scaffolding, das die eigene Anstrengung der lernenden Person bewahrt.

Scaffold-Rückzug als Durchsetzungsmechanismus für Verifikation. Kumar, Wongsirichot und Nanthaamornphong (2026) synthetisieren 72 Informatikbildungsstudien und verorten Scaffold-Rückzug neben Leitplanken-Werkzeugen und selbstreguliertem Lernen-Designs als einen von drei Wegen, auf denen Kurse kritisches Engagement mit KI-Ausgaben durchsetzen — strukturell (begrenzend, was das Werkzeug zurückgibt), prozedural (Reflexionslogs, Selbsttests) und temporal (schrittweise Bedingungen wiederherstellend, unter denen unabhängiges Denken erforderlich ist). Ihre Evidenz ist, dass Effizienzgewinne unter KI-Assistenz nicht auf ungestützte Leistung transferieren, und dass der Fehlermodus — das Pseudo-Apprenticeship-Muster, bei dem Studierende zusehen, wie KI Code erzeugt, ohne die Aufgabe auszuführen — genau Modellierung ohne Ganzaufgaben-Praxis ist. Gradueller Zugang funktioniert daher als Ausblendungszeitplan für eine mächtige neue Form der Unterstützung, und der Review gründet ihn in 4C/ID: Unterstützung hilft nur, wenn die lernende Person bereits genug Schema hat, um kritisch mit ihr umzugehen (die Zone der proximalen Entwicklung, kognitive Entlastung).

Sequenzierung ist der andere Hebel des Scaffolds: Vendrell und Johnston (2026) empfehlen, einen unabhängigen Versuch der lernenden Person vor jeder KI-Konsultation zu verlangen und dann das Modell zu nutzen, um Gegenargumente statt Antworten zu erzeugen, mit absichtsvollen KI-freien Phasen, sodass die Unterstützung Denken verstärkt statt es zu ersetzen.

Regelgeleitetes versus ad-hoc Scaffolding

• Regelgeleitetes versus ad-hoc Scaffolding. Looi, Liu und Sun (2026) formalisieren eine für Scaffolding-Design zentrale Unterscheidung: regelgeleitetes Scaffolding, in dem Tutoring durch eine auditierbare Dreischichten-Architektur geleitet wird (Diagnose → Absichtsauswahl → beschränkte Antworterzeugung), versus ad-hoc Scaffolding, wo hilfreiche Züge schwer zu auditieren und zu replizieren sind. Ihre Grundschulmathematik-Studie zeigte, dass regelgeleitetes Scaffolding interaktionale Konsistenz verbessert, vorzeitiges Antwortgeben und frühen Abschluss reduziert, und kognitives Engagement aufrechterhält — Beleg, dass Explizitheit und Auditierbarkeit von Scaffold-Zügen sowohl für Konsistenz als auch für Lernen in prozeduralen Domänen zählen.
• Scaffolding als der beschränkte Weg zwischen Umgehung und Entlastung. Das Neuroplasticity-KI-Interaktion-Modell benennt Scaffolding als dritten von drei Wegen für LLM-Hilfe, neben direkter Umgehung und kognitiver Entlastung, und definiert es darüber, ob das Modell die anstrengungsvolle Verarbeitung bewahrt, die die Aufgabe trainieren soll (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning). Die Kalibrierungsevidenz des Modells ist ein natürliches Experiment in Scaffold-Beschränkung: unbeschränkter GPT-4-Zugang in einer Studie mit fast 1.000 Mathematik-Studierenden der Oberstufe erzeugte einen 48%-Zugewinn in der Praxis, aber ein 17%-Defizit bei der ungestützten Prüfung, während hinweisbeschränkter GPT Tutor einen 127%-Zugewinn in der Praxis mit weitgehend beseitigtem Prüfungsdefizit erzeugte. Die Designlehre passt zur oben genannten Unterscheidung regelgeleitet versus ad-hoc in gröberer Körnung: Es ist die Beschränkung dessen, was der Tutor liefern darf, nicht die Anwesenheit eines Tutors, die bestimmt, ob der Scaffold erfolgreich entfernt wird.

Die Unterscheidung regelgeleitet versus ad-hoc reicht über den Tutor hinaus bis in die Aufgabe selbst. Ein institutionenübergreifendes Fakultäts-Collaboratory fand, dass Kritik an KI-Ausgaben nicht von selbst passierte, sodass Anforderungen, erzeugte Inhalte zu auditieren, zu vergleichen, zu überarbeiten und zu begründen, in die Aufgabe geschrieben werden mussten, und jene, die unabhängige fachliche Analyse schützten, bevor KI eintrat, fanden, dass Kandidatinnen und Kandidaten KI-Ausgaben kritischer bewerten konnten. Rehearsal-Belege stimmen zu: angehende Lehrkräfte, die mit KI-Partnern übten, nutzten mehr befragende und erkundende Fragen, wenn strukturiertes Post-Rehearsal-Feedback gegeben wurde. In beiden Fällen wird Unterstützung im Voraus spezifiziert statt improvisiert, was gestaltete Anleitung von der ad-hoc Hilfe trennt, die schwer zu auditieren und zu replizieren ist.

• Ein korrekt beschränkter Scaffold scheitert dennoch, wenn die Beschränkung nicht administriert wird. Azimi (2026) baute, was die obige Unterscheidung vorschreibt — ein Budget von 25 Hinweisen pro Sitzung, eine 15-Minuten-Obergrenze für KI-Nutzung, eine verpflichtende Reflexion am Sitzungsende, und keinen erzeugten Code —, und randomisierte 33 Masterstudierende zwischen ihm und unbeschränkter generativer KI-Nutzung über sieben Wochen. Aufgabenleistung und Konzept-Inventar-Zugewinne unterschieden sich nicht zwischen den Bedingungen. Das Hinweisbudget wirkte nicht als Rationierungsmechanismus: manche Studierenden gaben den Großteil für die ersten Probleme aus und hatten keine mehr für die anspruchsvollen übrig, andere endeten mit den meisten ungenutzt, und innerhalb der Coach-Bedingung waren es die Studierenden, die bereits eine absichtsvolle Strategie für das Ausgeben eines Hinweises hatten, die höher punkteten. Die Beschränkung hob berichtetes Vertrauen und folgte den Studierenden aus dem Klassenzimmer hinaus als Gewohnheit des Sich-selbst-Befragens (ob eine Frage es wert war, das Werkzeug zu fragen), aber sie belohnte bestehende Selbststeuerung statt sie zu entwickeln. Auditierbarkeit eines Scaffolds und die Kapazität einer lernenden Person, ihn zu nutzen, sind getrennte Bedingungen.

• Ein Scaffold, den die lernende Person nicht verifizieren kann, ist ein flüssiges Substitut. Weil Chemie über beobachtbare Phänomene, Teilchenmodelle und symbolische Notation hinweg denkt, kann eine erzeugte Antwort lokal überzeugend und global falsch sein. Vega-Baudrit und Rivera Álvarez (2026) platzieren Scaffolding auf der produktiven Seite ihrer Presage-Process-Produkt-Analyse und unkritisches Kopieren auf der Fehlerseite, und verlangen von Scaffolds, repräsentationale Übersetzung in beide Richtungen zu verlangen, da eine Antwort, die Neutralisation korrekt beschreibt, dennoch behaupten kann, dass jeder Äquivalenzpunkt einen pH von 7 hat. Verifikation ist in die Aufgabe gestaltet statt als Regel angekündigt: Studierende identifizieren eine falsche Annahme, korrigieren einen Einheiten- oder Mechanismusfehler, vergleichen eine symbolische Struktur mit einem submikroskopischen Modell, oder begründen die Ablehnung einer erzeugten Antwort. Weil Studierende nicht verifizieren können, was sie noch nicht verstehen, kommen Vorwissen und Scaffolding zuerst, und Prompting wird als epistemischer Akt behandelt, in dem die lernende Person die Einschränkungen spezifiziert, die die Antwort erfüllen muss.

Verbundene Konzepte

• Pädagogische Muster — Wo in der Sequenz Unterstützung hingehört, und warum Versuch-vor-Hilfe die lasttragende Regel ist
• Problembasiertes Lernen — PBL bettet ausblendende Scaffolds um schlecht strukturierte Probleme
• Lernen durch Lehren — Wissensaufbau durch Erklärung scaffolden
• Soziokulturelles Lernen — Wygotskische Grundlage: ZPD und sozial vermitteltes Lernen
• Kognitive Auslagerung — Scaffolding, das nie ausblendet, erzeugt übermäßige Abhängigkeit
• Rückmeldung — Scaffolding liefert formatives Feedback, während Unterstützung ausblendet
• KI-Kompetenz — Erkennen, wann Scaffolding Lernen stützt und wann es verdrängt
• Intelligentes Tutoring — ITSs passen Scaffold-Intensität an Beherrschungsschätzungen an
• Sokratische Methode — Fragen, die direkte Antworten zurückhalten
• Metakognition — Scaffolds, die Selbstüberwachung und Selbstregulation aufbauen
• Adaptives Lernen — Adaptive Systeme modulieren Unterstützung innerhalb der ZPD der lernenden Person
• Lerndesign — Scaffolding ist eine zentrale Strategie des Instruktionsdesigns
• Hilfesuche — Scaffolding prägt, wann und wie Lernende Hilfe anfragen
• Lehre — Lehrkräfte scaffolden und blenden dann aus, wenn die Kompetenz wächst
• Pädagogiken und Lehrstrategien — Überblicksseite: Pädagogien und Lehrstrategien in der KI-Bildung
• Agentische KI
• Produktives Scheitern — Productive Failure

Verbundene Artikel

• Generative AI in computing education: A systematic review and a framework for responsible integration — Scaffold withdrawal as the mechanism enforcing verification (VIE framework)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Entropy-timed AI comments as in-video knowledge and emotional scaffolding (Wang, Du & Jin 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Guided LLM prompting as a structured learning intervention
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Culturally responsive critical-engagement scaffolding with GenAI
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — Design patterns for scaffolding in LLM tutors
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — Concept Catalyst scaffolds for conceptual change
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — When hints help vs. when they encourage over-reliance
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Scaffolding critical thinking with GenAI
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Scaffolded narrative drafting with Veriforge
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — Preferred scaffolding in AI-supported mathematical modeling
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Dynamic (fading) scaffolds as a guardrail for agentic AI
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — When Help is Unhelpful: evaluating AI tutors for productive struggle
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Designing AI Systems to Support Productive-Failure-Based Learning
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pedagogical Steering of LLMs for Productive Failure
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Making AI tutoring productive: mastery-based math practice
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — Guarded vs. unguarded AI: the placement rule (Brcic & Frljic 2026)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — AI-supported experimental design in practical chemistry
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — Scaffolding Systematic Reviews with Mentoring and AI (Wang 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Pre-service teacher agency during GenAI interactions in design for learning (Krushinskaia, Elen & Raes 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — AI across the pedagogies of practice in mathematics teacher education: structured rehearsal feedback raised probing questions (Bondurant & Shaughnessy 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — AI integration as instructional design: critique of AI output must be assigned, and disciplinary analysis comes first
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — A hint-budgeted AI Study Coach: scaffolded vs unrestricted GenAI use, and why the constraint alone did not produce learning (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: scaffolding reframed as deciding which sub-zone a task belongs to
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Automated scoring as formative scaffolding: it converts into a gain only where the targeted deficit is decomposable, reliable and sensitively scaled (Chen & Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — Closed-loop adaptive scaffolding that tracks the learner's current boundary in music practice, with error detection as triage (Zhu et al. 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — Scaffold form must match children's developmental capacity, not only the task (Niu et al. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Scaffolds must require representational translation and verification, since students cannot verify what they do not understand (Vega-Baudrit & Rivera Álvarez 2026)
• Generative AI-supported instruction as a cognitive scaffold: effects on senior high school students' geometric reasoning and proof construction — GenAI as a prompting scaffold that bridges visual intuition to deductive proof in geometry, where visualization alone is insufficient (Davor 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — Examining Variation in How Guided AI Tutors Resolve Student Impasses
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Training the learner as scaffolding for GenAI use in STEM problem solving (Huang et al. 2026)
• A Conversational AI Framework for Teacher Training — Conversational AI diagnostic for teaching misconceptions with evidence-grounded dialogue (Miranda & Calvani 2026)