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

Selbstbestimmungstheorie

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

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

Selbstbestimmungstheorie (SDT) — eine psychologische Theorie menschlicher Motivation, die davon ausgeht, dass intrinsische Motivation und Wohlbefinden davon abhängen, drei grundlegende psychologische Bedürfnisse zu befriedigen: Autonomie, Kompetenz und Verbundenheit. In KI in der Bildung bietet SDT ein Rahmenwerk, um KI-Werkzeuge und professionelle Entwicklung so zu gestalten, dass sie die Motivation von Lernenden und Lehrenden unterstützen statt untergraben.

Fragen zum Nachdenken

  • Die Theorie behauptet, Motivation sei nicht nur, wie viel Sie davon haben, sondern eine Qualität, die von der Umgebung geprägt wird und auf drei Bedürfnissen beruht: Autonomie, Kompetenz und Verbundenheit. Denken Sie an eine Lernerfahrung, die Sie ausgelaugt hat. Welches dieser drei Bedürfnisse wurde verletzt, und was hätte es wiederhergestellt?
  • Eine einjährige Studie fand drei Motivationsprofile — Disengaged, Developing, Self-Determined —, die über die Zeit stabil waren, und Studierende, die das Self-Determined-Profil erreichten, zeigten die größten Zuwächse in KI-Kompetenz. Ist Motivation vor dem Weiterlesen etwas, das Studierende mitbringen, oder etwas, das eine gut gestaltete Umgebung wachsen lassen kann? Was impliziert „entwicklungsbedingt, nicht fest"?
  • Wenn ein KI-Werkzeug jede Aufgabe mühelos und „einfach zu nutzen" macht — welches psychologische Bedürfnis befriedigt es damit möglicherweise, und welches untergräbt es möglicherweise leise? Wie könnte ein Werkzeug, das kurzfristiges Engagement steigert, langfristige Motivation dennoch aushöhlen?
  • Bedürfnisunterstützende professionelle Entwicklung für Lehrende stärkte ihre KI-Kompetenz und ihr anhaltendes Engagement. Legt das nahe, dass es genauso sehr darauf ankommt, wie wir Lehrende über KI fortbilden, wie darauf, was die KI selbst tut? Wie würde bedürfnisunterstützendes, „autonomieförderndes" KI-Training für Sie persönlich aussehen?
  • Eine Studie fand, dass ChatGPT Autonomie, Verbundenheit und Kompetenz im Sprachenlernen unterstützen konnte. Aber könnte dasselbe Werkzeug diese Bedürfnisse bei einer anderen lernenden Person untergraben? Was müsste darüber zutreffen, wie es genutzt wird, damit die Theorie trägt?
  • Bevor Sie weiterlesen: Nennen Sie eine Weise, in der Sie Ihre eigene Kompetenz, Autonomie oder Ihr Verbundenheitsgefühl durch die Nutzung eines KI-Werkzeugs beeinflusst erlebt haben — und überlegen Sie, ob Sie diese Veränderung ohne die Aufforderung, danach zu suchen, bemerkt hätten.

Einführung

SDT wird in der Forschung zu KI in der Bildung zunehmend als theoretische Linse sowohl für lernendengerichtete als auch für lehrendengerichtete KI-Systeme genutzt. Die zentrale Behauptung der Theorie — dass Motivation nicht einfach eine Menge ist, die Lernende haben, sondern eine Qualität, die von der sozialen und technologischen Umgebung geprägt wird — macht sie unmittelbar relevant für Fragen danach, wie KI-Werkzeuge Engagement, Persistenz und Lernergebnisse beeinflussen. Die Artikel in dieser Wissensbasis wenden SDT in drei Hauptkontexten an: professionelle Entwicklung von Lehrenden, KI-vermitteltes Lernengagement und affective computing.

Zentrale Forschungsthemen

SDT-basierte professionelle Entwicklung von Lehrenden wendet die bedürfnisunterstützenden Prinzipien der Theorie an, um Lehrende auf KI vorzubereiten. Chiu et al. untersuchten 382 Sekundarstufen-Lehrkräfte und fanden, dass bedürfnisunterstützende, in SDT gegründete professionelle Entwicklung die KI-Kompetenz der Lehrenden stärkt und anhaltendes Verhaltensengagement in Online-Communities professionellen Lernens fördert. Qualitative Analyse identifizierte neun Designstrategien, die Autonomie, Kompetenz und Verbundenheit unterstützen — und schließt damit die Lücke zwischen isolierter professioneller Entwicklung und Communities professionellen Lernens.

SDT in KI-vermitteltem Lernengagement untersucht, wie generative KI-Werkzeuge die Motivation von Studierenden prägen. Isaeva et al. kombinierten SDT mit epistemischer Netzwerkanalyse, um das Engagement von Studierenden mit generativer KI im akademischen Lernen zu untersuchen. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming erkundet, wie die Verfügbarkeit von KI die Motivation und Persistenz von Studierenden beeinflusst, und verknüpft dies mit Over-Reliance-Bedenken zur Erosion von Motivation. Liang et al. (2026) erweitern SDT auf KI-Lernen mit einer Latent-Transition-Analyse von 2.086 Sekundarstufen-Studierenden in einem einjährigen KI-Curriculum und identifizieren drei Motivationsprofile (Disengaged, Developing, Self-Determined), die über die Zeit stabil waren, und zeigen, dass die meisten Studierenden ihre Profile hielten oder zu höheren vorrückten. Entscheidend: Studierende, die das Self-Determined-Profil erreichten oder darin blieben, zeigten die größten Zuwächse in KI-Kompetenz — ein direkter Längsschnittbeleg dafür, dass die Befriedigung von Autonomie, Kompetenz und Verbundenheit bessere KI-Lernresultate vorhersagt, und dass Motivation eine entwicklungsbedingte (nicht feste) Eigenschaft der lernenden Person ist.

Ein gegenteiliges Kursraumergebnis zeigt, dass sich die Bedürfnisse nicht gemeinsam bewegen: Unter 2.464 Studierenden der unteren Sekundarstufe erhöhte ChatGPT-unterstütztes kompetenzbasiertes Lernen die Autonomieunterstützung und die Kompetenzzufriedenheit, erzeugte aber einen größeren Anteil an Motivationsprofilen geringer Qualität, und die Zufriedenheit mit Verbundenheit war schwächer als bei kompetenzbasiertem Lernen ohne KI (Schweder, Hagenauer & Raufelder (2026)).

Ein konfigurativer Test verschärft den Punkt: Unter 498 Medizinstudierenden im Bachelor war die GAI-Nutzung nur schwach mit Bedürfniszufriedenheit assoziiert (β = 0.155) und erwies sich als unnötig für hohes Engagement, während die Zufriedenheit des Kompetenzbedürfnisses die Kernbedingung in der stärksten Konfiguration war (He et al. (2026)).

Zwei Pfade vom Lernklima zur KI-Nutzung. Shen und Arunrugstichai (2026) integrieren SDT mit dem Hook-Modell des Verhaltensengagements, um zu erklären, warum GenAI-Nutzung von konstruktiver Unterstützung bis zu zwanghafter Abhängigkeit reicht. In querschnittlichen Umfragedaten von 508 Universitätsstudierenden mit unterschiedlichen Sekundarschulhintergründen und aktuellen Kontexten (China und Thailand) sagten retrospektive Angaben zu Druck in der Sekundarschule gegenüber Autonomieunterstützung differenziell vorher, welchem von zwei Pfaden die Studierenden in die Universität folgten — einem hin zu konstruktiver, autonomer GenAI-Nutzung und einem hin zu zwanghafter Abhängigkeit —, mit Ergebnissen, die über kontextübergreifende Multi-Gruppen-Analysen hinweg konsistent waren. Das Modell verknüpft motivationale SDT-Prozesse mit der wahrgenommenen Qualität KI-unterstützten Lernens und rahmt Autonomieunterstützung als Hebel, der Studierende zu produktiver statt abhängiger KI-Nutzung steuert.

  • ChatGPT und SDT-Bedürfnisse im Sprachenlernen: Annamalai et al. (2026) nutzten eine SDT-Linse mit 25 malaysischen Universitätsstudierenden und fanden, dass ChatGPT Autonomie, Verbundenheit und Kompetenz im Englischlernen unterstützt — und dabei Grammatik, Schreiben und konversationelle Aufgaben verbessert, während es Lehrende sich auf höherstufiges Training konzentrieren lässt.

SDT angewandt auf die eigene KI-vermittelte Praxis von Lehrenden. Claassen et al. (2026) nutzten SDT als interpretative Linse darauf, wie Lehrende Learning Analytics und generative KI in Lerndesign integrieren — und fanden, dass die Unterstützung der grundlegenden Bedürfnisse von Lehrenden (Autonomie, Kompetenz, Verbundenheit) das kreative Problemlösen fördert, das ihre Designarbeit erfordert. In ihrer ENA-Analyse war GenAI-Nutzung mit dem Gestalten für Selbstbestimmung der Studierenden assoziiert (etwa Ko-Erstellung von Assessment-Rubriken mit Studierenden), was SDT von Lernenden auf die Lehrenden ausdehnt, die bedürfnisunterstützende KI-vermittelte Umgebungen bauen.

Für Lehrende selbst schneidet KI-Zusammenarbeit in beide Richtungen: eine Drei-Wellen-Studie mit 468 Universitätslehrenden fand, dass sie das Arbeitsengagement durch psychologische Verfügbarkeit erhöhte und durch Arbeitsentfremdung senkte, und dass digitale Kompetenz den ersten Pfad stärkte und den zweiten schwächte (Sun et al. (2026)).

Ein Ko-Handlungsfähigkeits-Rahmenwerk begrenzt die Reichweite von SDT in der KI-vermittelten Bildung: Es verändert die Umstände, unter denen Autonomie, Kompetenz und Verbundenheit entstehen, lässt aber Gleichheit der Macht, Dateneigentum und Rechenschaftspflicht unadressiert, weshalb seine Autoren menschliche epistemische Rechenschaftspflicht als nicht verhandelbare Bedingung außerhalb der Theorie setzen (Poudyal (2026)).

Autonomieunterstützung als Rahmen für den GenAI-Gebrauch von Kindern. Fan, Li und Zhang (2026) verlegen die Frage verantwortungsvollen Gebrauchs von Beschränkung zu Bedürfnisunterstützung und argumentieren, die Unterscheidung, die zählt, sei, ob die Erwachsenen um ein Kind herum Autonomie unterstützen statt sie zu kontrollieren, und unterscheiden in SDT-Begriffen abhängiges von autonomen Offloading: Abhängiges Offloading überträgt Handlungsfähigkeit und senkt intrinsische Motivation, autonomes Offloading stützt, während die lernende Person epistemische Kontrolle behält. Zwei Merkmale des Reviews sind für die Anwendung von SDT unmittelbar relevant: Er besteht darauf, dass Autonomieunterstützung nicht Permissivität ist, und er behandelt die Familien-Schule-Koordination, die aktuelle Leitlinien voraussetzen, als ungeprüfte Hypothese und formalisiert additive, synergistische und kompensatorische Versionen, die nur eine faktorielle Studie unterscheiden könnte, die Anleitung nur für Familien, nur für Schulen, koordiniert und übliche Praxis gegenüberstellt.

Verbindungen zu verwandten Konzepten

SDT verbindet sich unmittelbar mit Motivation als ihrem übergeordneten Konstrukt, mit affective computing und affektivem Tutoring für emotionsbewusstes KI-Design und mit dem Erleben der Studierenden dafür, wie Lernende KI-vermittelte Umgebungen erfahren. Die Betonung der Autonomie in der Theorie verbindet sich mit selbstreguliertem Lernen, während sich ihre Kompetenzdimension mit Selbstwirksamkeit und KI-Kompetenz von Lehrkräften verbindet. SDT ist besonders relevant für berufliche Weiterbildung und Lehr- und Curriculumsentwicklung, weil bedürfnisunterstützendes Design ein übertragbares Prinzip ist, um Lehrende auf die Nutzung von KI vorzubereiten.

Verbundene Konzepte

Verbundene Artikel

Metadaten

ZielgruppeLearners
Lernen und UnterrichtLernmotivation, Selbstbestimmungstheorie
Technologien und VerfahrenAffektives Computing
Grundlagen von KI in der BildungKI in der Bildung, KI-Kompetenz von Lehrkräften
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.