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

Simulation

Erstellt 2026-08-12 · Aktualisiert 2026-10-10

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

Simulation — der Einsatz modellierter Umgebungen, Agenten oder Szenarien, um Lernen durch Übung und Feedback in Kontexten zu unterstützen, die sicher, wiederholbar und oft anders unzugänglich sind. Simulationen lassen Lernende handeln, Fehler machen und Folgen sehen ohne reale Kosten, und werden zunehmend von KI und agentenbasierter Modellierung angetrieben.

Fragen zum Nachdenken

  • Erinnern Sie sich an einen Moment, in dem Sie etwas lernten, indem Sie es in einer sicheren Umgebung mit niedrigem Einsatz taten – ein Labor, eine Mock-Übung, ein Flug- oder Spielsimulator. Was machte diese Übung wirksam, und was könnte verloren gehen, wenn die Simulation zu realistisch oder nicht realistisch genug wäre?
  • Die Seite argumentiert, Simulationen ließen Lernende Fehler machen und Folgen „ohne reale Kosten" sehen. Was, glauben Sie, wird gewonnen, und was könnte verloren gehen, wenn die Kosten eines Fehlers auf nahezu null sinken?
  • Wenn eine KI Patienten, Studierende oder Gesprächspartner zum Üben simulieren kann, wo würden Sie die Grenze zwischen wertvoller Probe und Übung ziehen, die nicht auf reale menschliche Interaktion transferiert?
  • Warum könnte das Bewusstsein einer lernenden Person für die Grenzen einer Simulation – ihre Vertrauenswürdigkeit – ebenso sehr zählen wie, wie getreu sie Realität modelliert?
  • Wie könnte dieselbe Simulationstechnologie, die jemandem hilft zu lernen, sie auch in die Irre führen, und was müssten Sie wissen, um diese zwei Ergebnisse auseinanderzuhalten?

Einführung

Simulation sitzt im Kern erfahrungsbasierter und aktiven Pädagogiken. Sie liefert die absichtliche Übung, produktives Scheitern und Feedbackschleifen, die Fähigkeit und Urteilsvermögen aufbauen. KI hat Simulation auf zwei Weisen transformiert: sie treibt realistischere und adaptive simulierte Umgebungen an, und sie erzeugt simulierte Lernende, Patienten oder Gesprächspartner, die Übung skalierbar machen. Verhaltens-Evidenz zeigt, dass wie Lernende sich mit einer Simulation engagieren, systematisch statt gleichförmig variiert: beim Verfolgen von Online-Lernenden, die ökologische Modelle in VERA bauen, klassifizierten An, Hammock & Goel (2025) Engagement in Beobachtung (häufige Läufe und Parameteranpassung mit wenig Modellbau), Konstruktion (hands-on Bauen mit wenig Simulation) und Exploration (vollständige Konstruktion-Parametrisierung-Simulation-Zyklen), wobei Explorierende die komplexesten und vielfältigsten Modelle produzierten und beobachtungsstarke Lernende weitgehend bestehende kopierten – ein Argument, Simulationsumgebungen so zu gestalten, dass sie Lernende zu vollzyklischer Aktivität treiben.

KI und Simulation

  • KI-angetriebene Umgebungen: adaptive Simulationen passen Schwierigkeit und Szenarien an den Zustand einer lernenden Person an und verbinden sich mit adaptivem Lernen und auf bestärkendem Lernen basierendem Coaching.

  • Prompt-generierte Simulationen bringen ein maßgeschneidertes Labor in Reichweite. Lehrende können browsergestützte Modelle des Themas aus einer wiederverwendbaren Prompt-Vorlage erzeugen, das ein Kurs braucht (Schieberegler, Animation, zeitabhängige Graphen), und jedes zweimal validieren – technisch, dann gegen die bekannte analytische Lösung –, statt die nächstliegende publizierte Simulation zu akzeptieren (Ben-Zion et al., 2025).

  • Den menschlichen Gegenpart automatisieren. Chew et al. (2026) ersetzen die spezialisierten menschlichen Rollenspielerinnen und Rollenspieler, die Fluglotsensimulationen bestücken, durch autonome LLM-Sim-Piloten und beseitigen damit einen Trainingskapazitäts-Engpass; ihre feinjustierte Sprach-Pipeline senkte die Wortfehlerrate bei singapurisch-akzentuierter Flugsprache von 107.80% auf 23.45%, obwohl alle Evaluationen auf Komponentenebene erfolgten, ohne dass eine Auszubildenden-Kohorte lief.

  • Adversariale Simulatoren als Trainingspartner. ResidencyRL (Liévin et al., 2026) paart einen Policy-Agenten mit LLM-Patientensimulatoren, gebaut um sich über eine 57K-Fall-Szenario-Pipeline hinweg adversarial zu verhalten; Training gegen sie senkte die Rate verpasster Red-Flag-Signale um etwa ein Drittel, und verblindete Klinikerinnen und Kliniker bevorzugten den trainierten Agenten in 87.6% der Seite-an-Seite-Vergleiche.

  • Fehlende Fallzustände explizit kodieren. Ein Multi-Agenten-Standardpatienten-System hält Intentionserkennung, fallverankerte Antworterzeugung und Nachsitzungs-Evaluation getrennt und unterscheidet vier Arten fehlender Information – klinisch negativ, der Patientin oder dem Patienten unbekannt, noch nicht erfasst, und im Fall abwesend –, weil das Zusammenwerfen derselben zu „normal" nicht gestützte klinische Fakten injiziert (Gao et al. (2026)).

  • Simulierte Agenten: KI kann Patienten (für medizinisches Training), Studierende (für Lehrkräftepraxis) oder Gesprächspartner simulieren und macht zwischenmenschliche Übung mit hohem Einsatz zugänglich und wiederholbar. In der Lehrkräftebildung bauten Zhuang und Zhang (2025) Student GPT, einen maßgeschneiderten ChatGPT-Chatbot, der einen Mittelschüler spielte, der verbreitete Missverständnisse über Verhältnisschlussfolgern hält, und Lehramtsstudierenden der Mathematik erschwingliche, inhaltsspezifische Übung im Diagnostizieren studentischen Denkens gab –, und nutzten ein Affective, Communicative, Technical (ACT) genannten Kodierrahmen, um systematisch die Stärken des Rollenspiels des simulierten Studierenden (Klarheit, Relevanz, Fehlerkonsistenz) und Authentizitätsschwächen (lehrkraft-ähnlicher Ton, Rollenverwirrung) zu bewerten.

  • Kontrafaktische Historie zu einem erstklassigen Merkmal machen. SupplyNets kontextuelle Multi-Agenten-LLM-Agenten erzeugen Lieferkettendynamik, die aus Entscheidungen der Lernenden emergent ist statt geskriptet, und seine verzweigte Zeitleiste lässt Lernende frühere Entscheidungen ohne Strafe erneut besuchen – 13 von 14 Teilnehmenden bewerteten es hoch darin, Entscheidungen mit Leistung zu verbinden, gegenüber 3 für die Baseline (Li et al. (2026)).

  • Verankerte Dynamik, nicht eine promptete Persona. Chen et al. (2026) parametrisierten die Offenlegungsdynamik eines virtuellen Patienten aus fast 2,000 Stunden echter Psychotherapie-Transkripte und aktualisierten das Niveau jeden Zug; über 1,033 Züge mit 20 Klinikerinnen und Klinikern stieg ihre Offenlegung mit Empathie und Exploration der Therapeutin oder des Therapeuten, während eine Nur-Prompt-Baseline auf demselben LLM flach blieb.

  • Rollenspiel versetzt die lernende Person in die Rolle. Wo simulierte Agenten den Gegenpart liefern, gibt Rollenspiel der lernenden Person stattdessen diese Rolle. Sanoubari und Kolleginnen und Kollegen (2026) ließen 18 Kinder im Alter von 9–10 Jahren eine Mobbingszene anschauen, die von sozialen Robotern dargestellt wurde, über die Position jeder Figur schlussfolgern und dann das Verteidigen einüben, indem sie einen Roboter-Avatar wie eine Puppe führten, und berichteten Zuwächse in wahrgenommener Selbstwirksamkeit beim Verteidigen plus besser kalibrierten Überzeugungen darüber, ob die Konfrontation eines Mobbers tatsächlich stoppt, dass er mobbt. Ihre Rahmung, robotervermitteltes angewandtes Drama, hält eine menschliche Facilitatorin in der Forum-Theatre-Rolle und beschränkt Automatisierung auf narrative Kontrolle, was eine nützliche Erinnerung ist, dass der anspruchsvolle Teil von Rollenspiel die Reflexion ist statt die Maschinerie. Lock, Arteaga und Johnson (2025) platzieren Rollenspiel neben Simulation unter den Strategien, aus denen KI-gestütztes Online-Lernen schöpft.

  • Simulierte Lernende: Modelle studentischen Verhaltens lassen Forschende und Gestaltende Tutoringsysteme und Curriculum vor Live-Einsatz testen und verankern Lernendenmodellierung und Knowledge Tracing.

  • Vertrauen und Treue: der Wert einer Simulation hängt davon ab, wie getreu sie den realen Kontext modelliert –, und vom Bewusstsein der lernenden Person für ihre Grenzen, verbunden mit Vertrauenskalibrierung.

  • Menschenähnlichkeit ist eine Eigenschaft der Interaktion, nicht des Modells. Sobald beide Backends hinter demselben Avatar gerendert waren, verschwand ein textbasierter Menschenähnlichkeits-Vorteil: Teilnehmende nannten das kommerzielle Modell natürlich (54% gegenüber 22%), während Kommunikationsleistung identisch war; Stimme, Latenz und Zugwechsel formten um, wie dieselbe Dialogqualität wahrgenommen wurde (Hasan et al. (2026)).

  • GenAI im simulationsbasierten Lernen. Neto und Kolleginnen und Kollegen (2026) sichten systematisch GenAI über szenario-, fall-, problem- und simulationsbasiertes Lernen in der Gesundheitsbildung hinweg und finden positive Ergebnisse für kognitive Fähigkeiten höherer Ordnung, aber inkonsistente Ergebnisse anderswo, wobei hybride Mensch-KI-Zusammenarbeit vollständig automatisierte Ansätze übertrifft. Wenzel, Geiger und Liening (2026) entwickeln KI-konversationelle Agenten für adaptive Unterstützung in Wirtschafts-Simulationsspielen und adressieren die verbreitete Lücke begrenzten formativen Feedbacks und strukturierter Reflexion im simulationsbasierten Lernen.

  • Die „Authentizitätslücke" begrenzt, was KI-Simulation ersetzen kann. In klinischer Simulation findet Jiang et al. (2026)s Mixed-Methods-systematischer Review von KI-angetriebener Pflegesimulation (19 Studien, N=1,253) KI wirksam für kognitives Wissen und affektive Ergebnisse, aber inkonsistent für komplexe psychomotorische Fähigkeiten. Ihr Konzept einer Authentizitätslücke – ein von Lernenden wahrgenommenes Zurückbleiben in emotionaler Resonanz, nonverbaler Signalerkennung und taktilen/körperlichen Untersuchungsdimensionen – erklärt, warum KI-Simulation am besten für hochstrukturierte Ziele ist (fundamentale Kommunikation, Anamneseerhebung) und in einem gestuften Simulationskontinuum sitzen sollte, das fortgeschrittene psychomotorische und emotional komplexe Szenarien an menschliche standardisierte Patienten und klinische Praktika übergibt. Technische Instabilität (z. B. Verzögerungen bei Spracherkennung) kann außerdem extraneous kognitive Last und Angst hinzufügen, deshalb sind Treue und Stabilität selbst Designhebel. Das parallelisiert Neto et al. Befund, dass hybride Mensch-KI-Ansätze vollständig automatisierte übertreffen.

  • Von Lehrkräften und KI co-gestaltete Simulationen. Interaktive Simulationen, die sowohl konzeptuelles Lernen als auch Kompetenzentwicklung unterstützen, sind in hands-on-Domänen selten, und GenAI-Ausgabe ermangelt oft pädagogischer Validität. In der drohnenbasierten STEM-Bildung wurden von Lehrkräften und KI co-gestaltete Simulationen, eingebettet in ein ansonsten identisches hands-on Curriculum, mit einem quasi-experimentellen Pretest-Posttest-Design über 30 Sekundarstufen-Studierende hinweg evaluiert, und untersuchten, ob simulationsgestützter Unterricht überlegene Lernoutcomes ergibt (Simulationsgestütztes Drohnenlernen in STEM). Separat nutzen Multi-Agenten-Tutoring-Benchmarks wie ASTRA simulierte sozial intelligente Agenten, um partizipations-ausbalancierte Kollaboration im Programmier-Einführungskurs zu untersuchen (ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring).

  • Steuerung durch Lernende in Simulation ist vollzogen, nicht gewährt. Ein 2 × 2-Experiment in einer Schwarm-Simulation (Su, Nair und Nagashima 2026) gab manchen Studierenden Parameter-Schieberegler, manchen einen optionalen konversationellen Agenten und manchen beides; jede Bedingung verbesserte sich, aber keine der Ermöglichungen produzierte einen verlässlichen Unterschied, sobald Vorwissen kontrolliert war (p = .849 und p = .108). Was Zuwächse vorhersagte, war, wo und wie lange Lernende Parameter manipulierten: aufrechterhaltene Schiebereglernutzung in der konzeptuell komplexesten Lektion war positiv mit Zuwächsen assoziiert, und dasselbe Verhalten in der leichteren Lektion negativ. Für Simulationsbauerinnen und -bauer ist die Implikation, dass das Anbieten von Steuerung nicht die Intervention ist – Lernenden zu helfen zu entscheiden, was zu ändern ist, und zu registrieren, was sich änderte, ist es.

  • Ein digitaler Zwilling ist eine Simulation mit einer Hardware-Rechnung, und die Rechnung prägt, wer teilnehmen kann. Ein systematischer Review von 11 Studien zu digitalen Zwillingen in Ingenieurwesen- und STEM-Hochschulbildung fand, dass jede Implementierung einen funktionierenden Prototypen mit Echtzeit-Synchronisation lieferte, doch nur drei statistisch signifikante Lernzuwächse berichteten. Physische Rigs begrenzten den Zugang in fünf Studien auf 1–3 gleichzeitige Studierende, und reduzierte soziale Interaktion war die am häufigsten genannte pädagogische Herausforderung, in sechs (Pelayo-González et al. (2026)).

Verbindungen

Simulation verbindet sich mit aktivem Lernen, adaptivem Lernen und pädagogischen Agenten. Sie ist ein Mechanismus für erfahrungsbasiertes und konstruktivistisches Lernen und wird durch KI-Fähigkeit verstärkt, adaptive, realistische Übungsumgebungen zu erzeugen.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte Ressourcen

  • OpenMAIC
    Die Open-Source-Veröffentlichung von MAIC: ein Multi-Agent-Klassenzimmer, das ein Thema oder Dokument in Folien, Quiz, interaktive Simulationen und projektbasierte Aktivitäten verwandelt, vorgetragen von KI-Lehrkräften und KI-Mitschülern.

Metadaten

Lernen und UnterrichtAktives Lernen, Erfahrensorientiertes Lernen
Technologien und VerfahrenAdaptives Lernen, Pädagogische Agenten, Bestärkendes Lernen
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.