Selbstreguliertes Lernen

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

Selbstreguliertes Lernen (SRL) beschreibt Lernende als aktive Teilnehmende, die ihre kognitiven und verhaltensbezogenen Handlungen auf erfolgreiche Weise gestalten und entwickeln können. KI-Werkzeuge können die Entwicklung von SRL entweder ummanteln oder sie unbeabsichtigt kurzschließen, indem sie die regulatorischen Anforderungen beseitigen, die Expertise aufbauen.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) Longitudinale Evidenz verschärft die Unterscheidung: reflexive Nutzung rund um ein KI-Werkzeug sagte kritisches Denken voraus (β = 0.43), aber nicht Wissenszugewinn, und Werkzeugzugang allein veränderte keines von beiden.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

Fragen zum Nachdenken

• SRL beschreibt Lernende, die ihr Lernen aktiv über drei Phasen steuern: Vorausdenken (Zielsetzung, Planung, Selbstwirksamkeit), Leistung (Strategie, Selbstbeobachtung), und Selbstreflexion (Evaluation, Anpassung). Welche Phase beherrschen Sie vor der Lektüre tatsächlich gut — und welche überspringen Sie, obwohl Sie es besser wissen?
• Die Kernspannung der Seite: KI kann Selbstregulation ummanteln oder sie kurzschließen, indem sie die regulatorischen Anforderungen beseitigt, die Expertise aufbauen. Wie kann ein Werkzeug, das eine Aufgabe leichter macht, Sie auch zu einer schwächeren Regulierenden des eigenen Lernens machen — und können Sie den Unterschied in Ihrer eigenen Nutzung spüren?
• Studierende zeigen oft ein „Produktionsdefizit“: sie besitzen Wissen über Selbstregulation, setzen es aber nicht spontan ein — einen Chatbot zu bitten, „die Hauptideen zu extrahieren“, und Planung und Überwachung ganz zu überspringen. Haben Sie sich dabei ertappt, das kognitive Äquivalent davon zu tun, selbst während Sie die bessere Strategie kannten?
• Wenn Unterstützung präsent ist, kann Ihr eigenes Urteil aus dem Bild verschwinden: in einer Spur-Daten-Studie war die verfügbare Unterstützung, nicht die metakognitive Genauigkeit der lernenden Person, was die gewählte Überarbeitungsstrategie bestimmte. Wenn externe Hilfe Ihre Lesart Ihres eigenen Lernens überstimmt, welches Urteil würden Sie absichtlich in Ihren eigenen Händen behalten?
• Forschung fand eine „Fehlkalibrierungslücke“: Studierende können mit GenAI mehr Lernen wahrnehmen, während sie weniger behalten — und KI gegenüber Notizenmachen bevorzugen trotz schwächeren Behaltens. Wenn Sie sich produktiv fühlen, während Sie ein Werkzeug nutzen, wie würden Sie je entdecken, dass Sie tatsächlich nicht mehr lernen?
• Ob GenAI als Scaffold, Abkürzung oder Partnerin fungiert, hängt mehr von der regulatorischen Fähigkeit der lernenden Person ab als vom Werkzeug selbst. Aber die Seite zeigt auch, dass Selbstregulation den Schaden tiefer kognitiver Entlastung abpuffert — ihn jedoch nicht aufhebt. Was bedeutet dieser „puffert ab, aber hebt nicht auf“-Vorbehalt für das Entwerfen besserer KI-Werkzeuge?
• Setzen Sie ein Ziel vor der Lektüre: wählen Sie eine Aufgabe, für die Sie regelmäßig KI nutzen, und entscheiden Sie im Voraus, welche der drei SRL-Phasen (Vorausdenken, Leistung, Reflexion) Sie absichtlich davor schützen, automatisiert zu werden. Welches Ergebnis wird Ihnen sagen, dass es funktioniert hat?

Einführung

SRL ist der Prozess, in dem Lernende ihr eigenes Lernen aktiv über drei miteinander verbundene Phasen steuern:

1. Vorausdenken: Zielsetzung, strategische Planung, Selbstwirksamkeitsüberzeugungen
2. Leistung: Strategieeinsatz, Selbstbeobachtung, Aufmerksamkeitsfokussierung
3. Selbstreflexion: Selbstbewertung, kausale Attribution, Anpassung

Kompetente selbstregulierte Lernende setzen kognitive Strategien ein, um Erfolg zu verbessern, und nutzen Metakognition, um ihre Lernprozesse kontinuierlich zu verfeinern.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Empirische Arbeit in einem technologisch vermittelten Kurs bestätigt die Phasenverbindungen: in einer achtwöchigen adaptiven Stochastik-Studie (194 Studierende) sagten Aufgabenwert, Selbstwirksamkeit, Zielorientierung und positive Emotionen in der prä-aktionalen Phase aktionales regulatorisches Verhalten voraus, während negative Emotionen es hinderten, und Zufriedenheit nach der Aktion speiste vorwärts in die nächste prä-aktionale Phase (Mejeh & Fromm (2026)).

Eine systematische Kartierung von 84 KI-SRL-Studien fand, dass sich die Forschung auf Studierende in der Hochschulbildung und auf die metakognitiven und kognitiven Aspekte der Selbstregulation konzentriert, mit der motivationalen Dimension untererforscht und über einem Drittel der Studien, die überhaupt keine SRL-Theorie spezifizieren (Banihashem et al. (2025)).

Entscheidend: SRL rund um KI wird von Wahrnehmung ebenso geformt wie von Verhalten: Yilmaz et al. demonstrieren, dass es signifikant ihr selbstreguliertes Lernen und ihr Überarbeitungsverhalten beeinflusst, ob Studierende Feedback als von KI oder von einem Menschen kommend wahrnehmen — eine Erinnerung daran, dass die soziale Rahmung von KI, nicht nur ihr Inhalt, verändert, wie Lernende rund um sie regulieren.

Ein Versagensmodus sitzt vor dem Beginn der Regulation: GenAI-gestützte Lernprokrastination — unnötige Verzögerung beim Beginnen GenAI-gestützter Arbeit trotz echter Absicht, sie zu nutzen. Unter 1,243 chinesischen Studierenden im Grundstudium ging häufigere GenAI-Nutzung mit weniger davon einher (β = −0.195), und Lern-GenAI-Angst verstärkte die Absicht-Verzögerung-Verbindung (Li et al. (2026)).

Wo GenAI in den Zyklus eintritt, entscheidet seinen Effekt: Zimmermans Phasen des Vorausdenkens, der Leistung und der Reflexion auf KI-vermittelte Umgebungen abbildend argumentiert ein Ko-Handlungsfähigkeits-Rahmenwerk, der Eintrittspunkt bestimme, ob das Werkzeug das Kontrollempfinden der lernenden Person verstärkt oder erodiert, und dass Entlastung transformatives Lernen nur unterstützt, wenn die Entscheidung absichtlich statt routinemäßig ist (Poudyal (2026)).

Eine querschnittliche Befragung von 434 Studierenden im Grundstudium der Sonderpädagogik misst eine solche Kette: GenAI-Kompetenz war positiv mit GenAI-assistierten Verhaltensweisen selbstregulierten Lernens assoziiert (Gesamt-B = 0.701), verlief hauptsächlich über Lernhandlungsfähigkeit (B = 0.345) statt über Herausforderungsemotionen (B = 0.061) (Yang et al. (2026)).

Digitale Unterstützung für SRL

Lerntagebücher

Lerntagebücher sind eine vielversprechende SRL-Intervention: indem sie über ihre Lernprozesse reflektieren, erhöhen Studierende das Bewusstsein für Kognition und stärken die regulatorische Fähigkeit. Zentrale Designgesichtspunkte:

• Struktur zählt: offene Tagebücher erzeugen oft flache Einträge; geleitete Prompts und Beispielmodelle verbessern die Tiefe
• Motivationsverfall: Apps für mobiles Tagebuchführen sehen häufig schnellen Rückgang des Engagements nach wenigen Tagen
• Scaffolding-Kompromiss: KI-Unterstützung, die Reflexionen für Studierende schreibt, untergräbt die SRL-Praxis; Unterstützung, die Prompts strukturiert, ohne Inhalte zu verfassen, bewahrt sie

Dashboards, die Lehrenden SRL-Profile vermitteln

Mejia-Domenzain et al. (2026) erweitern digitale SRL-Unterstützung auf die Lehrendenseite: ihr Learning-Analytics-Dashboard (DashED) vermittelt Lehrenden in blended Klassenzimmern ML-abgeleitete Profile selbstregulierten Lernens, und wie Lehrende auf diese Profile handeln, ist kontextabhängig. In der Nutzung folgten Lehrende in Flipped-Classroom-Kursen (Universität) einer sequenziellen Exploration und bevorzugten Anpassung auf Kursebene und das Zeigen von Dashboards im Kurs, während Lehrende in der Berufsbildung Übersichtsseiten erneut besuchten und das Werkzeug hauptsächlich für individuelle Betreuungssitzungen nutzten. Die von den Lehrenden vorgeschlagenen Handlungen wurden vom repräsentierten Inhalt und ihrer Unterrichtsstufe geformt statt vom Diagrammtyp — Lehrende an Universitäten bevorzugten wöchentliche Tests und Kursanpassung, Lehrende in der Berufsbildung direkte, individualisierte Betreuung. Das positioniert das Dashboard als Scaffold für die Regulation des Unterrichts durch Lehrende, mit Designbedarfen, die nach Kontext variieren, statt einer einzelnen optimalen Schnittstelle.

Das auf Lernende zugewendete Gegenstück ist spärlicher: ein Dashboard, das 46 Sekundarstufen-Studierenden ihre eigenen GenAI-Prompts und ihre Textüberlappung mit den Antworten des Modells zeigte, wurde nur von etwa einem Drittel der Klasse geöffnet, was freiwillige Exposition statt der Visualisierung selbst zur bindenden Beschränkung macht (Fong et al. (2026)).

Scheu et al.s 2×2-Experiment (2026)

In einem randomisierten Feldexperiment mit 179 Studierenden über 22 Tage wurden zwei Designprinzipien verglichen:

Zentrale Einsicht: Der Kurs verbesserte SRL-Fertigkeiten und intrinsische Motivation durch Fertigkeitstransfer, während der Assistent das Engagement verbesserte, ohne die Motivation zu beeinflussen.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

KI-Werkzeuge und die reziproke SRL-Motivations-Schleife

Ein grundlegendes Prinzip der SRL-Theorie ist, dass SelbstKI-Regulierung in der Bildung-Fertigkeiten und Motivation eine reziproke Beziehung bilden:

• Besseres SRL → erfolgreicheres Lernen → höhere Selbstwirksamkeit → stärkere Motivation
• Höhere Motivation → anstrengenderes Engagement → bessere SRL-Praxis

KI-Werkzeuge können an verschiedenen Punkten in diese Schleife eintreten:

• SRL-zuerst-Design (z. B. strukturierte Kurse, gestufte Hinweise, Reflexionsprompts): Stärkt die Schleife, indem es echte Fertigkeit aufbaut
• Engagement-zuerst-Design (z. B. Autovervollständigung, Inhaltserzeugung): Kann verhaltensbezogenes Engagement steigern, ohne in die Motivationsschleife einzutreten, was Werkzeugabhängigkeit riskiert

Strategische Regulation von GenAI als SRL

Kim (2026) rahmt wirksame GenAI-Nutzung im akademischen Schreiben als strategische Regulation — eine vollzogene SRL-Praxis des Verifizierens, Überarbeitens, selektiven Annehmens oder Zurückweisens von KI-Ausgabe. In einer Mixed-Methods-Studie mit 107 Studierenden war höhere KI-Angst positiv mit Verifikation und Überarbeitung assoziiert (β=.24), während evaluative Fähigkeit aktive Überarbeitung und selektive Integration vorhersagte (β=.46). Studierende clusterten in vier regulatorische Typen — Unkritische Verlassenheit (18.7%), Selektive Integration (34.6%), Evaluative Transformation (31.8%), und Strategische Zurückweisung (14.9%) —, was zeigt, dass KI-Kompetenz in der Hochschulbildung weniger als Annahme funktioniert denn als regulatorische Kompetenz, die in evaluativem Urteilsvermögen und ethischer Verantwortung gegründet ist. Das positioniert SRL als den Kernmechanismus, der kritische von unkritischer KI-Nutzung unterscheidet.

Governance des Werkzeugs ist selbst eine messbare Facette: eine Zwei-Wellen-Validierung mit chinesischen EFL-Lernenden (EFA N = 305; CFA N = 342) trennt sechs regulatorische Dimensionen und benennt Umweltregulation — erzeugte Ausgabe auf Genauigkeit prüfen, vorgeschlagene Ressourcen filtern, und Grenzen für die Verlassenheit setzen — als eine eigene (Wang, Zhang und Zhang (2026)).

Vor dem Delegieren klassifizieren: Tsim und Gutoreva (2025) verwandeln Selbstregulation in ein Pro-Task-Protokoll — jede Teilaufgabe als Substitute, Complement, Aid oder Non-negotiable etikettieren, sie in einer kurzen metakognitiven Notiz rechtfertigen, und eine Prüfspur aus Prompts, Entwürfen und menschlichen Überarbeitungen halten —, wobei sich der Zyklus wiederholt, sodass die Zuweisung einer Aufgabe die nächste informiert. Die Interaktion selbst als Gegenstand der Regulation. Brunnström und Palmqvist (2026) dokumentieren dieselbe Regulierungsanforderung aus der anderen Richtung: in einer achtrundigen Demonstration mit einem Chatbot zur Vorbereitung einer Antwort für eine Take-home-Prüfung blieb die Standardausgabe der KI am quantitativen, multistrukturellen Ende der SOLO-Taxonomie — poliert, einreichungsbereit und pädagogisch dünn — und erreichte eine nutzbare dreistufige Lernschleife erst nach wiederholten Interventionen auf Metaebene („das ist überwältigend, kannst du es komprimieren?“). Ihre Schlussfolgerung ist, dass produktive Nutzung „genau die selbstregulatorischen Fähigkeiten verlangte, die das Werkzeug unterstützen sollte“: die lernende Person muss inkrementelle Ziele setzen, Anpassungen der Schwierigkeit verlangen, und reflektieren, was noch nicht verstanden ist, zusätzlich zum fachlichen Inhalt selbst. Sie nennen diese Fähigkeit KI-Interaktionskompetenz und behandeln das Abwenden vom Werkzeug als legitime regulatorische Entscheidung statt als Versagen von Persistenz (Metakognition).

• Zufriedenheit ist nicht Selbstregulation. Liang et al. (2026) befragten 689 Studierende im Grundstudium in Programmen der Verbindung von Industrie und Bildung und testeten ein serielles Mediationsmodell, in dem die wahrgenommenen Angebotsqualitäten KI-erzeugter Inhalte AIGC-Selbstwirksamkeit erhöhen (beta = 0.583) und, über sie, LernMotivation (beta = 0.565) und selbstreguliertes Lernen (beta = 0.250), wobei Motivation der stärkste einzelne Prädiktor von SRL ist (beta = 0.527). Die tragenden negativen Ergebnisse sitzen neben diesen Pfaden: die Qualität von KI-Assessment-Feedback sagte Zufriedenheit stark voraus (beta = 0.712), aber nicht Selbstwirksamkeit (beta = 0.131), und Zufriedenheit hatte keinen signifikanten Effekt auf selbstreguliertes Lernen (beta = 0.032). Ein gemochter, gut funktionierender Assistent ist daher kein Beleg dafür, dass sich Regulation verbesserte — der Mechanismus läuft über Zuversicht und Motivation, nicht über die Erfahrung der lernenden Person mit dem Werkzeug.

GenAI-bewusste Reflexion als SRL

Das 5P-Reflexionsmodell (Kadel et al. 2026) zentriert strukturierte Reflexion im GenAI-Zeitalter neu als vollzogene SRL-Praxis. Weil Lernende zunehmend Bedeutung mit KI ko-schöpfen, ringen traditionelle Reflexionsmodelle damit, Reflexion von Studierenden zu authentifizieren, weshalb das 5P-Modell (Purpose, Process, Product, Pitfalls, Plan) vorausdenkengetriebene Zielsetzung, Reflexion-in-Aktion (Prompts und Iterationen dokumentieren), Reflexion-über-Aktion (die probabilistische Ausgabe gegen externe Quellen validieren), eine explizite Pitfalls-Stufe für Halluzination, Plagiat und übermäßige Verlassenheit, und einen vorausschauenden Plan verschmilzt — und emotionale Überwachung durchgehend einbettet. Seine „Prozess über Produkt“-Philosophie behandelt strukturierte Dokumentation der Mensch-KI-Interaktion als die regulatorische Anforderung, die Authentizität, Handlungsfähigkeit und metakognitive Tiefe bewahrt, und positioniert GenAI-bewusste Reflexion als Scaffold für Selbstregulation statt als Ersatz für sie.

Beziehung zu tutoring-spezifischem Design

Tutoring-spezifische KI stimmt mit SRL-zuerst-Design überein: sie bietet gestufte Scaffolds, die Handlungsfähigkeit bewahren und strategische Selbstregulation verlangen. Allgemeine KI beseitigt oft die regulatorischen Anforderungen vollständig.(The Evidence Base on AI in K-12: A 2026 Review)

Zum Beispiel:

• Bastani et al.s tutoring-spezifischer Chatbot bewahrte schrittweises Schlussfolgern (SRL-Anforderung)
• Die allgemeine GPT-Variante lieferte einfach Antworten (SRL-Umgehung)

Evidenz über Kontexte hinweg

• Gemischt Evidenz und die Fehlkalibrierungslücke. Ein Rapid Review zu PreK-12-GenAI-Forschung findet, dass metakognitive Zugewinne während unterstützter Aufgaben oft nicht fortbestehen, wenn die Unterstützung entfernt wird, und dass GenAI das wahrgenommene Lernen erhöhen kann, selbst wenn dauerhaftes Lernen abwesend ist (die Fehlkalibrierungslücke — Studierende bevorzugten GenAI gegenüber Notizenmachen trotz schwächeren Behaltens). Studierende brauchen explizites, stufenangemessenes Training, um zu entscheiden, was zu delegieren ist und wann unabhängige Anstrengung zählt.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• Agentische Initiative gegenüber Selbstregulationsspannung. Woollaston et al. (2026) halten fest, dass je mehr einer Aufgabe von Agenten automatisiert wird, desto weniger selbstregulierte kognitive Arbeit die lernende Person verrichtet — weshalb Designs Lernenden Kontrolle über die Initiierung von Agenten geben sollten (dynamisches, ausblendendes Scaffolding), um selbstregulatorische Fähigkeit zu bewahren, statt sie auszulagern.
• Selbstregulation formt die Nutzung von KI-Programmierassistenten. Eine Studie zu KI-Programmierassistenten fand, dass Studierende mit hohem computationalen Denken stärkere selbstregulatorische Kohärenz zeigten (Planung-Ausführung-Selbstreflexion) und AICA für Codeverständnis nutzten, während Studierende mit geringem CT es für unmittelbaren Antwortabruf nutzten.
• SRL ko-okkupiert mit geringerer digitaler Ablenkung im Online-Lernen. Shi et al. (2026) fanden mit unüberwachtem Data Mining an 530 Hochschulstudierenden, dass SRL-Strategien — Zielsetzung, Umweltstrukturierung und Zeitmanagement — am konsistentesten mit geringerer digitaler Ablenkung im Online-Lernen ko-okkupierten, neben Engagement zwischen Lernenden und Lehrenden und zwischen Lernenden und Inhalten. Der Befund positioniert konkretes SRL-Training als Intervention mit hoher Hebelwirkung für fokussiertes Online-Studium.
• Metakognitives Bewusstsein, nicht Werkzeugzugang, ist der stärkste Treiber adaptiver STEM-Leistung. Alatoai und Alshahri (2026) bauten und validierten den AI-STEM-MLCS mit 649 Sekundarstufen-Studierenden in Saudi-Arabien (CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888 bis 0.905) und fanden, dass seine vier Dimensionen 68% der Varianz in der Leistung selbstregulierten Lernens erklärten (R² = 0.68). KI-basiertes metakognitives Bewusstsein war der stärkste Prädiktor (β = 0.38, p < 0.001), gefolgt von kognitivem Transfer und Anpassungsfähigkeit (β = 0.29, p = 0.008) und KI-verstärktem selbstreguliertem Lernen (β = 0.21, p = 0.040), während kreatives und kritisches KI-STEM-Schlussfolgern das Kriterium nicht vorhersagte (β = 0.14, p = 0.135). Die Autoren lesen das Muster als Evidenz dafür, dass adaptives Feedback STEM-Leistung hauptsächlich dadurch erhöht, dass es Lernende anregt, Fehler zu untersuchen, neu zu kalibrieren und Strategien wiederzuverwenden, weshalb das Instrument besser als Diagnose funktioniert, die Metalernlücken verortet, denn als einzelner globaler Wert. Es ist ein Selbstauskunftsmaß, validiert in einem nationalen System, weshalb die Koeffizienten vorläufig sind.
• Externe Unterstützung kann das eigene metakognitive Urteil einer lernenden Person umgehen. Iqbal et al. (2026) verfolgten 87 EFL-Studierende, die einen Aufsatz unter GenAI (ChatGPT 4.0), menschlicher Expert:innenunterstützung oder keiner Unterstützung überarbeiteten. Die Unterstützungsbedingung war bei Weitem der stärkste Korrelat der Überarbeitungsstrategie, die eine studierende Person wählte (Cramér's V = 0.668), deutlich vor Übertragung aus der vorhergehenden Schreibaufgabe (V = 0.333), während metakognitive Urteilsgenauigkeit (p = 0.172), Schreibfähigkeit (p = 0.261) und Motivation (p = 0.683) nicht assoziiert waren. Metakognitives Urteil verfolgte die Strategie nur, wenn keine Unterstützung verfügbar war (Permutationstest p = 0.0460). Studierende mit GenAI-Unterstützung gewannen am meisten (etwa 4 Punkte im Mittel unter der Strategie abnehmender Hilfesuche, gegenüber −0.5 Punkten für dieselbe Strategie unter menschlicher Expert:innenunterstützung), doch keine Überarbeitungsstrategie war mit Veränderung des Werts assoziiert (H(3) = 3.895, p = 0.273), weshalb die Zugewinne vom Werkzeug kamen statt von besserer Selbstregulation. Die Orientierung der Autoren ist, dass GenAI zur Reflexion über die eigene Überarbeitungsstrategie anregen sollte, statt direkte Hilfe zu liefern.
• Reflexive Nutzung verfolgt kritisches Denken, nicht Wissenszugewinn. Melanou et al. (2026) begleiteten drei parallele Klassen von Studierenden der Wirtschaftsinformatik (N = 87) über einen neunwöchigen Kurs, mit in jeder Gruppe steigendem Wissen (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) und ohne KI-Vorteil, ohne Zeit-×-Gruppe-Interaktion und ohne Matthew-Effekt (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70). Reflexive Nutzung (Quellen prüfen und KI-Ausgabe verifizieren, bevor man sie annimmt) war in der KI-Bedingung deutlich höher (3.72 gegenüber 2.82; F(1, 40) = 20.21, p < 0.001) und sagte kritisches Denken voraus (β = 0.43, p < 0.001), aber nicht Wissenszugewinn, was relevante kognitive Last tat (β = 0.51, p = 0.001). Die praktische Lesart ist, dass KI-Zugang selbst keine Intervention ist, und dass seine metakognitive Auszahlung in der Qualität des Schlussfolgerns auftaucht, bevor sie in Testwerten auftaucht.

LLM-vermitteltes SRL: Scaffold, Abkürzung oder Partnerin?

Ein Cluster von Learning-Letters-Studien (2026) konvergiert auf eine zentrale Spannung: GenAI kann Selbstregulation ummanteln, kurzschließen oder mit ihr partnerschaften, je nach Design und wie Lernende ihre Nutzung regulieren. Die Evidenz zeigt, dass SRL selbst — nicht das Werkzeug — die entscheidende Variable ist.

• Viberg et al. finden, dass LLMs in ein geschichtetes Hilfesuche-Ökosystem eingewoben sind, statt menschliche Unterstützung zu ersetzen: Studierende versuchen Aufgaben zuerst unabhängig, konsultieren dann ChatGPT als ersten Schritt mit niedriger Schwelle, Peers für konzeptuelle Verhandlung, und Lehrende für hochriskante Fragen. Sie bevorzugen instrumentelle Hilfesuche (Hinweise, schrittweise Anleitung) gegenüber exekutiver Hilfesuche (direkte Lösungen), üben selektives Vertrauen und verifizieren Ausgaben gegen Kursmaterialien — ein vierstufiger Prozess (entscheiden, ob Hilfe nötig ist, wählen, wen man fragt, die Art der Hilfe bestimmen, die empfangene Hilfe beurteilen), der messbar und lehrbar ist.
• Atif & Dickson-Deane rahmen GenAI-Nutzung als kognitive Entlastung, die entweder ummantelt sein kann (Lernende kritisieren und passen KI-Ausgaben an, bewahren Handlungsfähigkeit und Sinnerzeugung) oder substitutional (Lernende akzeptieren Ausgaben mit minimaler Verifikation und verlagern Kontrolle zum Werkzeug). In einer Studie mit 267 Graduierten der IT konnte dasselbe Werkzeug SRL ummanteln oder abkürzen, je nach Strategie der lernenden Person — zuversichtliche Nutzende zeigten Handlungsfähigkeit bei Zielsetzung und Überwachung; weniger zuversichtliche Nutzende sahen GenAI als Abkürzung oder Fehlverhalten.
• Lim & Bannert zeigen das Risiko konkret: Studierende nutzten freiwillig einen genAI-Chatbot (73%) und erzielten höhere Werte bei Aufsätzen, aber sie lagerten Verständnis und Synthese aus (den Chatbot zu bitten, „nur die Hauptideen zu extrahieren“) und engagierten fast keine Planung oder Überwachung — was zentrale regulatorische Entscheidungen auslagert. Das spiegelt ein Produktionsdefizit wider: Studierende besitzen SRL-Wissen, setzen es aber nicht spontan ein, weshalb genAI-Werkzeuge zur Reflexion anregen sollten (ein Überwachungs-Scaffold), wenn Abfragen auf Entlastung hindeuten.
• Song et al. demonstrieren, dass SRL sowohl eine stabile Anlage als auch ein dynamischer Zustand ist: individuelle Baselines sind konsistent, aber metakognitives Wissen und Wohlbefinden nehmen über ein Semester hinweg systematisch ab, getrieben von Assessment-Fristen. Sie zeigen, dass GenAI als kontextbewusste Lernpartnerin wirken kann, wenn ihr persönliche, zeitliche und kontextuelle Daten gegeben werden — die Studierende unterstützt, ohne ihre Anstrengung zu ersetzen. Das argumentiert gegen „Einmal-für-alle“-Personalisierung, die allein auf Baseline-Anlage beruht.
• de Barba erweitert SRL theoretisch und argumentiert, das Feld habe sich auf aufgabenfokussierte Regulation und auf optimierbare Verhaltensproxies in der Bildungstechnologie verengt. Das Paper schlägt eine maßstabsübergreifende Darstellung von Lernendenhandlungsfähigkeit vor — Regulation (innerhalb von Aufgaben), Integration (über Zeit und Kontexte hinweg), und Positionierung (kritisch in Bezug auf die Bedingungen, die Lernen rahmen) — als Designorientierung für algorithmisch vermittelte Umgebungen.
• Selbstregulation puffert Schaden durch Entlastung ab, hebt ihn aber nicht auf. Chen (2026) zeigt, dass selbstreguliertes Schreiben die negative Assoziation zwischen tiefer kognitiver Entlastung und unabhängigen Nicht-KI-Ergebnissen im GenAI-assistierten Schreiben abschwächt — aber nicht beseitigt: die Entlastung-×-SRL-Interaktion war positiv (B = 0.22), flachte den Schaden von einer Steigung von −0.54 (geringes SRL) auf −0.33 (hohes SRL) ab, hob ihn aber nicht auf. Eine Bedingung begrenzter Unterstützung, die Delegationsgrenzen mit verbindlicher Reflexion paart, erzeugte die stärkste unabhängige Leistung, Evidenz dafür, dass metakognitive Regulation Lernende teilweise schützt, doch die Delegation der kognitiven Arbeit selbst nicht vollständig kompensieren kann.
• Struktur, nicht KI allein, treibt SRL-Zugewinne. Die Abbildung von Zimmermans Phasen auf projektbasierte Hybridinstruktion mit KI als metakognitives Gerüst erzeugte einen N-Gewinn von 0,72 gegenüber 0,28 bei konventionellem Unterricht (t = 8,47, p < 0,001, Priyambudi et al. (2026)), die argumentieren, KI stärke Selbstregulation nur innerhalb von Aufgabenstruktur — unstrukturierte Nutzung riskiere metakognitive Trägheit.

Wo „Rental“ innerhalb von Winne's Modellen sitzt. de Barba (2026) bildet den Mechanismus auf SRL als Operationen ab, die das System anstelle der lernenden Person vollzieht: Bemerken, Überwachen und evaluatives Urteil werden vom Werkzeug ausgeübt, ein Engpass wird durch Suche aufgelöst statt durch die eigene Wenn-Dann, Sonst-Wahl der lernenden Person, und die Standards, nach denen die lernende Person urteilt, sind geborgt statt aufgebaut. Eine Fähigkeit, von der eine lernende Person glaubt, sie zu halten, während das Werkzeug sie hält — verborgenes Rental — unterdrückt das Fehlersignal, das sonst zur Regulation anregen würde, und zehn Propositionen spezifizieren, was zu testen ist, einschließlich größerer Kosten bei der Domänenakklimatisierung und von Standards, die hin zu den eigenen Referenzpunkten des Modells driften.

Die kollektive Lektion: SRL ist der Kernmechanismus, der kritische von unkritischer KI-Nutzung unterscheidet. Ob GenAI als Scaffold, Abkürzung oder Partnerin fungiert, hängt von der regulatorischen Fähigkeit der Lernenden ab und davon, ob Werkzeuge darauf ausgelegt sind, die regulatorischen Anforderungen zu bewahren (statt zu beseitigen), die Expertise aufbauen.

Welche Unterstützung im Spiel ist, entscheidet, welcher Mediator die Assoziation trägt: unter 3.003 chinesischen angehenden Lehrkräften lief wahrgenommene KI-Werkzeugunterstützung zu innovativer Kompetenz hauptsächlich über KI-Selbstwirksamkeit (60.88% des Gesamteffekts dieses Pfads), während wahrgenommene schulbasierte Unterstützung durch intelligente Umgebungen hauptsächlich über selbstreguliertes Lernen lief (29.64% gegenüber 18.60%) (Liu et al. (2026)).

Implikationen

• Für Tagebuch-/Chatbot-Werkzeuge: SRL-Unterricht (kursbasiert) mit optionaler Schreibunterstützung verbinden, um sowohl Motivations- als auch Engagementzugewinne zu erhalten
• Für Werkzeugdesignerinnen und -designer: Evaluation zu einem verlangten Schritt machen, nicht zu einem optionalen. Iqbal et al. fanden, dass die verfügbare Unterstützung, statt des metakognitiven Urteils der lernenden Person, die Überarbeitungsstrategie bestimmte, die Studierende nutzten, und dass GenAI-Wertzugewinne nicht von besserer Regulation kamen, während Melanou et al. fanden, dass reflexive Nutzung kritisches Denken vorhersagte, wo bloßer Werkzeugzugang es nicht tat. Interaktionen, die Lernende bitten zu verifizieren, zu vergleichen und neu zu strategisieren, sind diejenigen, die den Lernwert tragen.
• Für Lehrende: KI-basiertes metakognitives Bewusstsein als ersten Hebel behandeln und es explizit prüfen. Alatoai und Alshahri fanden es den stärksten Prädiktor adaptiver STEM-Leistung (β = 0.38) und Transfer und Anpassungsfähigkeit an zweiter Stelle (β = 0.29), weshalb Aktivitäten, die Studierende Fehler untersuchen und eine Strategie in einen neuen Problemkontext tragen lassen, mehr bewirken als allgemeines Anregen zu kritischem oder kreativem Schlussfolgern.
• Für KI-Politik: Beschaffungskriterien sollten fragen, ob ein Werkzeug Selbstregulation entwickelt oder verdrängt
• Für Forschende: Langzeitstudien, die SRL-Ergebnisse messen (nicht nur unmittelbare Leistung), sind unverzichtbar; Melanou et al. zeigen die Auszahlung dieser Geduld, da reflexive Nutzung über ein Semester kritisches Denken bewegte (β = 0.43), ohne Wissenszugewinn zu bewegen.

Konversationelle Agenten und SRL in Simulationsspielen

• Konversationelle Agenten, die selbstreguliertes Lernen in Spielen unterstützen. Wenzel, Geiger und Liening (2026) zeigen, dass ein KI-konversationeller Agent (Lara) in einem Wirtschafts-Simulationsspiel selbstreguliertes Lernen durch metrikbasiertes formatives Feedback, Anleitung auf Abruf und strukturierte Reflexion unterstützen kann — und damit die gängige Grenze angeht, dass Simulationsspiele begrenztes formatives Feedback und Reflexionsprompts bieten. Evaluationen mit Lehramtsstudierenden und BSG-Teilnehmenden berichteten positive Wahrnehmungen der kognitiven und sozialen Präsenz des Agenten und seiner Unterstützung für Selbstregulation.

Automatisierte SRL-Erkennung: Was transferiert und was nicht

• Auf Embeddings basierende SRL-Klassifikatoren kreuzen Sprachen innerhalb einer Domäne, aber nicht über Domänen hinweg. Eine Studie mit 26 Studierenden (Chemie und formale Logik; Think-Aloud-Protokolle kodiert mit dem Winne-und-Hadwin-Modell) fand, dass auf Embeddings basierende Modelle (text-embedding-3-small), die auf Englisch trainiert wurden, deutsches SRL bei ~0,8 AUC mit ~0,1 Degradierung klassifizieren — außer Enactment (~0,7). Domänenübergreifender Transfer scheitert: Chemie-zu-Logik fällt auf ~0,6, Enactment auf Zufallsniveau (~0,5) — die Domänenmauer, nicht die Sprache, bindet.
• Drei Fehlermodi erklären, wo der Transfer bricht. (1) Konzeptauflösung bei Alltags- statt Domänenbedeutung — „cancel" gegenüber chemischem „kürzen" — bricht die Enactment-Klassifikation. (2) Anthropomorphisierung — deutsche Studierende, die mit einem stark gerüsteten Tutor nicht vertraut waren, adressierten ihn als Person und erzeugten Out-of-Distribution-Äußerungen; der Transfer war auf weniger gerüsteten Plattformen besser. (3) Ambiguität zwischen Hinweislesen und Planformulierung — Modelle können Lesen eines metakognitiven Hinweises nicht von Planen unterscheiden ohne Logdaten. Fehler realisieren ist robust über jede Bedingung hinweg — zu bemerken, dass man falsch liegt, ist kontextunabhängig. Abhilfen: Expertenwörterbücher oder Feinabstimmung für Domänenterme; Logdaten für Hinweise. (Large language models generalize SRL prediction to new languages within but not between domains)

Verbundene Konzepte

• Lernende — Lernende: der Dachbegriff für die Konzepte auf der Seite der Lernenden
• Metakognition — die kognitive Überwachung, auf die SRL sich stützt
• Selbstbewertung
• Selbstwirksamkeit — eine Überzeugung der Vorausdenkphase, die Anstrengung antreibt
• Scaffolding (Gerüstbildung) — gestufte Unterstützung, die regulatorische Anforderung bewahrt
• Rückmeldung — Input, um den Lernende regulieren
• Feedback-Kompetenz — die Fähigkeit, auf Feedback zu handeln
• Hilfesuche — ein strategisches SRL-Verhalten
• Lernmotivation — die reziproke Partnerin der Selbstregulation
• Kognitive Auslagerung — das Risiko, wenn KI regulatorische Arbeit beseitigt
• Generative KI — die Technologie, die SRL ummanteln oder kurzschließen kann
• KI-Kompetenz — regulatorische Kompetenz in der KI-Nutzung
• Selbstgesteuertes Lernen — das weitere Autonomiekonstrukt
• Handlungsfähigkeit der Lernenden — die Fähigkeit der lernenden Person, mit Absicht zu handeln, zentral für Regulation, Integration und Positionierung
• Adaptives Lernen — Personalisierung, die Regulation unterstützen kann
• Formatives Assessment — kontinuierliches Feedback für Regulation
• Lernen durch Lehren — eine Strategie, die Selbstregulation aufbaut
• Intelligentes Tutoring — Systeme, die SRL ummanteln
• Große Sprachmodelle (LLMs) — das zugrunde liegende Modell von KI-Werkzeugen
• Abruf, Spacing und Interleaving — Terminierung, Selbsttest und Lernstrategieentscheidungen, die Lernende treffen
• Kognitive Kapitulation

Verbundene Artikel

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC Affordance and Student Self-Regulation

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — AI-interaction literacy: steering a chatbot demanded the SRL it was meant to support (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — The 5P reflection model for the GenAI era (Kadel et al. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Learner agency across scales: regulation, integration, positioning

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — The rented self: rental mapped onto Winne's SRL models, with ten propositions and within-learner indices

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — GenAI as a context-aware learning partner over time

• How Do Students Regulate Their Learning With a GenAI Chatbot? — How students regulate learning with a genAI chatbot

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — Scaffold or shortcut? GenAI dual role in SRL

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — LLM-mediated help-seeking in STEM: layered, instrumental, and verified

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — GenAI feedback and SRL: perceived source matters

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — From AI anxiety to strategic regulation

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Mixed evidence on metacognition/self-regulation with GenAI

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Agentic AI and the self-regulation tension

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — SRL and lower digital distraction in online learning (Shi et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Making ML findings accessible to teachers in blended classrooms

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: a learner-facing loop of task identification, justification and post-task reflection

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — A validated instrument for AI-supported self-regulation in adaptive STEM learning, with metacognitive awareness as the strongest predictor

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — Support condition, not metacognitive judgment, drove revision strategy choice in an essay-revision experiment

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Longitudinal: reflective AI use predicted critical thinking but not knowledge gain, with no Matthew effect

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — GenAI literacy related to self-regulated learning behaviors mainly through learning agency

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — Support type flips the mediator: AI self-efficacy vs self-regulated learning

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — GenAI-assisted learning procrastination: an intention-behavior gap that anxiety strengthens

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — A validated six-dimension GenAI-SRL scale for L2 writing, with environmental regulation as its own dimension and a 12-item ant-colony-optimized short form

• Large language models generalize SRL prediction to new languages within but not between domains — Large Language Models Generalize SRL Prediction to New Languages Within But Not Between Domains (Borchers et al. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning