Soziale Normen der KI-Nutzung

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

Soziale Normen der KI-Nutzung — die informellen, lokal durchgesetzten Regeln, die entscheiden, wann Lernende und Lehrende generative KI nutzen dürfen, wie offen sie dazu stehen können, und was in der Praxis statt in der Politik als Schummeln gilt. Der Korpus ist dünn zu Normen als Thema und dick zu den Mechanismen, die sie produzieren. Lernende können die KI-Nutzung der jeweils anderen nicht verlässlich inferieren: die mediane Korrelation zwischen den Schätzungen einer wahrnehmenden Person und ihrem eigenen selbstberichteten Nutzungsprofil war r = .73 bei beiden Wellen, und die Ranggenauigkeit für die Art der KI-Nutzung war r = .34 bei der zweiten Welle. Scham und Schuld regulieren Sichtbarkeit statt Nutzung und produzieren Verbergen und selektive Offenlegung statt Verhaltensänderung. Disziplinäre Normen divergieren scharf: KI-integrierte Aufgaben erschienen in 27% der Betriebswirtschafts- und 5% der Geisteswissenschafts-Syllabi über 31.000 Kurse hinweg. Und die formale Ethikliteratur routet die wenigsten und am wenigsten umsetzbaren Normen zu Endnutzenden, was bedeutet, dass die Menschen, die Klassenzimmernormen unterworfen sind, in den Dokumenten, die sie diskutieren, weitgehend abwesend sind.

Fragen zum Nachdenken

• Wenn Studierende nicht sagen können, wer KI nutzt, worauf basieren die informellen Regeln eigentlich?
• Woher kommen KI-Normen, wenn eine Institution keine Politik hat, oder wenn die Politik dem widerspricht, was Lehrende im Unterricht sagen?
• Warum würde eine Person, die nie KI genutzt hat, mehr Schuld darüber berichten als jemand, der sie wöchentlich nutzt?
• Was bewirkt Scham, das eine Politik nicht kann, und um welchen Preis für das Fragen nach Hilfe?
• Verändert Überwachung Verhalten, oder nur, wie sichtbar dieses Verhalten ist?
• Wessen Normen dominieren in einer Gruppenaufgabe, und wer absorbiert die Kosten der geteilten KI-Gewohnheiten der Gruppe?
• Sollten Studierende ein Wort mitreden, wenn es um die Normen geht, an die sie gehalten werden?

Einführung

Formale Regulierung von KI in der Bildung trifft als Politik ein: Acceptable-Use-Statements, Syllabuskauseln, Detektionsprozeduren, Proctoringsysteme, Ehrenkodices. Alles, was Studierende tatsächlich erleben, sitzt jedoch unter dieser Schicht. Eine Kommilitonin, die nie erwähnt, ChatGPT zu nutzen, eine Lehrperson, die sagt „Mir ist egal, wie Sie es schreiben“ und es dann im Syllabus verbietet, eine Lerngruppe, die sich stillschweigend darauf geeinigt hat, was fair ist, ein Department, in dem alle annehmen, die Benotungskurve habe sich bereits verschoben. Das sind Normen: geteilte Erwartungen an akzeptables Verhalten, durchgesetzt durch Zustimmung, Ablehnung und das Risiko, gesehen zu werden.

Diese Seite sammelt, was die Evidenzbasis über diese Schicht sagt. Es lohnt, sorgfältig zu trennen, weil „verstecktes Curriculum“ oft locker für alles Inoffizielle genutzt wird. Hier ist das Thema enger: die operativen Regeln zur KI-Nutzung, wie sie sich bilden, wie sie durchgesetzt werden, und wie schwach die Verbindung zwischen ihnen und den geschriebenen Regeln ist. Der Korpus hat fast keine Studie, die Normen direkt misst, was selbst ein Befund ist. Was er hat, ist wiederholte Evidenz über die Mechanismen: Inferenz, Offenlegung, Emotion und die disziplinäre Variation, die prägt, was jede lokale Norm werden kann.

Was Studierende übereinander glauben

Normen erfordern Informationen über das Verhalten anderer Menschen, und diese Informationen sind schlechter, als die meisten Lehrenden annehmen. Eine Studie zu Studierendenpaaren verfolgte, wie akkurat Lernende die KI-Nutzung eines Partners über Pair-Programming-Sitzungen hinweg beurteilten. Gegen das selbstberichtete Nutzungsprofil jedes Partners war die mediane Korrelation r = .73 bei beiden Wellen, hoch genug, um sich wie Wissen anzufühlen, und niedrig genug, dass viele individuelle Schätzungen falsch waren. Die Ranggenauigkeit für die Art der KI-Nutzung war r = .34 bei der zweiten Welle, und 25% der Teams wurden über die Zeit schlechter darin, ihre Teamkolleginnen und -kollegen zu beurteilen.

Zwei Details zählen für Normen. Erstens: Fehlabstimmung schrumpfte nicht bei wiederholter Präsenzarbeit. Vertrautheit produzierte keine Genauigkeit, was die Annahme untergräbt, dass Normen stabilisieren, wenn Gruppen sich kennenlernen. Zweitens: Die von den Autoren vorgeschlagene Lösung war strukturell statt einstellungsbezogen: geteilte Prompt-Historien, KI-Nutzungsannotationen oder peer-sichtbare Aufzeichnungen KI-gestützter Arbeit. KI-Nutzung sichtbar zu machen ist ein anderes Projekt, als Studierende ehrlicher oder aufmerksamer darüber zu machen, und nur das erste hat Evidenz hinter sich.

Sichtbarkeit, Scham und selektive Offenlegung

Wenn Peers KI-Nutzung nicht akkurat sehen können, dann werden die Regeln, die sich darum bilden, weitgehend durch soziales Risiko durchgesetzt. Eine Interviewstudie mit 19 Informatikstudierenden untersuchte Scham und Schuld als soziale Regulatoren und fand, dass sie Offenlegung statt Nutzung regieren. Studierende beschrieben Verbergensverhalten und selektive Offenlegung, und sie berichteten, sich selbst, ihre Peers und ihre Fakultät zu beschämen. Das wichtige negative Ergebnis ist, dass diese Emotionen mit fortgesetzter KI-Nutzung koexistierten und Zyklen reduzierter Handlungsfähigkeit und moralischer Spannung erzeugten, statt jemanden zum Aufhören zu bewegen.

Dieses Muster verlagert die Norm von „nutzen oder nicht nutzen“ zu „zugeben oder nicht zugeben“. Ein Klassenzimmer kann auf Papier eine starke Anti-KI-Norm haben, verbreitete Nutzung in der Praxis, und ein Gleichgewicht des Schweigens dazwischen, ohne dass jemand verwirrt darüber wäre, was die Regel sagt. Es sagt auch vorher, wo die Kosten landen: auf Lernenden, die am wenigsten fähig sind, das soziale Risiko zu managen, und auf Lernenden, deren sichtbare Nutzung verschiedene Folgen trägt.

Die lehrkraftseitige Seite derselben Emotion ist messbar. Eine Umfrage unter Lehrenden mit einem vierteiligen AI Guilt Index (Cronbach's alpha = 0,88) fand antizipatorische Schuld über erfahrener Reue: der mittlere Indexscore war 2,39 (SD = 1,01), mit 22,9% der Teilnehmenden über dem Mittelpunkt. Nichtnutzende von KI berichteten höhere Schuld (M = 3,25, SD = 1,04, n = 8) als Nutzende (n = 101, M = 2,32, SD = 0,97), t(8.39) = 2,00, p = .078, und das Reue-Item trennte die Gruppen schärfer, t(7.79) = 2,44, p = .041. Clusteranalyse produzierte vier Profile: Comfortable Adopters (26,6%), Guilty Non-Users (29,4%), Cautious Users (28,4%) und Morally Distressed Avoiders (15,6%), mit Unterschieden bestätigt auf Schuld, F(3, 105) = 22,13, p < .001, eta-squared = 0,39.

Eine Norm, die Menschen, die nicht gehandelt haben, schuldig fühlen lässt, wirkt durch Antizipation. Das ist ein echter regulatorischer Mechanismus, und er ist unsichtbar für jeden Politikaudit, der nur darauf schaut, was Lehrende und Studierende tun.

Das lokale Regelbuch: Disziplinen und Klassenzimmer

Normen sind lokal, und die Evidenz darüber, wie lokal, ist ungewöhnlich konkret. Eine Analyse von 31.000 Kurssyllabi fand, dass KI-integrierte Aufgaben von 27% in Betriebswirtschaft bis 5% in den Geisteswissenschaften reichten. Die Spanne ist keine Lücke in Politikcompliance; sie reflektiert verschiedene disziplinäre Urteile darüber, was die Arbeit ist, welche Praxis zählt, und welche Fähigkeiten ein Berechtigungsschein zu bescheinigen vorgibt. Die Empfehlung der Autoren folgt daraus: Lehrenden Autonomie innerhalb disziplinärer Normen zu gewähren, statt Einheitsmandate zu erlassen, weil das Mandat für einen Durchschnitt geschrieben werden müsste, der nicht existiert.

Die Klassenzimmerschicht kann die Dokumentenschicht auch im selben Kurs widersprechen. Interviews mit Marketingstudierenden fanden Peernormen und „mithalten“ als Treiber der Übernahme, wobei Mundpropaganda als die größte Werbung beschrieben wurde, die KI je hatte, getragen von Angst, zurückzufallen. Dieselbe Studie verzeichnete einen Widerspruch, den Lehrende erkennen werden: manche Kurse verlangten KI, während der Syllabus sie verbannte, und die Ermutigung einer Lehrperson im Unterricht überlebte nicht immer in die geschriebene Politik. Wenn diese zwei uneinig sind, behandeln Studierende die gesprochene Norm als die operative und den Syllabus als eine Haftung, die zu managen ist.

Gruppenarbeit ist, wo informelle Normen die meiste Arbeit tun, weil die benotete Einheit kollektiv ist. Eine Studie mit 52 Lehramtsstudierenden über 15 Fokusgruppen hinweg identifizierte verschiedene Muster statt einer Enthusiasmus-zu-Vermeidung-Linie, wobei Gruppen aushandelten, was als legitime Unterstützung zählte, in Abwesenheit einer geteilten Regel. Jede Person, die beobachtet hat, wie eine Gruppe sich stillschweigend auf die KI-Nutzung eines Mitglieds geeinigt hat, hat gesehen, wie eine Norm in Echtzeit geschrieben wird, ohne Politikprozess und üblicherweise ohne Aufzeichnung.

Formale Ethik, gelebte Normen

Die professionelle Literatur zu KI-Ethik und die Klassenzimmernorm, die sie erreichen soll, treiben auseinander, und die Lücke ist dokumentiert. Ein systematischer Review ethischer Werte und Normen extrahierte Normen aus 15 Artikeln und kartierte sie auf vier Stakeholder-Sets aus Smuha (2022). Entwickler erhielten die meisten Normen, gefolgt von Bildungsinstitutionen und Regulierern. Endnutzende erhielten die wenigsten und am wenigsten umsetzbaren, ohne Normen, die Studierende direkt zu Nichtdiskriminierung, Datenverantwortung oder pädagogischer Angemessenheit adressieren, und Studierendenstimmen waren im Material praktisch abwesend.

Das Ergebnis ist eine Literatur, die Verpflichtungen für die Menschen spezifiziert, die KI bauen und beschaffen, und die Menschen, die im Klassenzimmer damit leben, ihre eigenen Regeln ausarbeiten lässt. Das ist eine plausible Erklärung dafür, warum die Normen, die Studierende beschreiben, wie in der Scham-und-Schuld-Studie, so oft über Sichtbarkeit und Reputation sind statt über die Werte, die die Ethikdokumente benennen. Die zwei Systeme regulieren verschiedene Dinge.

Warum Überwachung Normen nicht klärt

Wenn Institutionen versuchen, informelle Normen durch formales Monitoring zu ersetzen, ist die Evidenz konsistent und wenig schmeichelhaft. Eine vierwellige Studie mit 1.760 Studierenden über 105 Kurse hinweg fand, dass Online-Proctoring Testangst signifikant erhöhte und keinen Effekt auf die Versuchung zum Schummeln hatte. Es veränderte auch nicht wahrgenommene Schwierigkeit oder Klausurleistung. Die Angstkosten waren konzentriert auf bereits verwundbare Studierende, einschließlich jener mit schwächeren häuslichen Umgebungen und weniger verlässlicher Technologie.

Zwei weitere Studien erklären, warum Überwachung ein schlechtes Werkzeug für Normsetzung ist. Ein Scoping Review zu Fern-Proctoring fand, dass Monitoring weithin als Abschreckung von Fehlverhalten wahrgenommen wurde, doch südafrikanische Dozierende berichteten fortgesetzte Unehrlichkeit trotz aktiven Monitorings, eine Situation, die Khalil et al. (2022) „subterrane Ethik“ nennen, und häufige kleinere Alerts generierten False Positives und Fakultätsreview-Arbeit. Überwachung kauft Compliance durch Angst vor Detektion statt durch Verpflichtung auf einen geteilten Standard. Ein Modell des Assessments unter unvollkommener Information schärft den Mechanismus: Abschreckung hängt von der Fähigkeit eines Detektors ab, zwischen versteckter Nutzung und legitimer Arbeit zu diskriminieren, statt von seiner Fangrate, und wenn False Positives schneller steigen als True Positives, distanzieren sich Studierende vom System, statt ihm zu entsprechen. Sein weiteres Ergebnis ist das, was direkt für Normen zählt: Monitoring senkt die Attraktivität versteckter Nutzung, erhöht aber nicht Offenlegung. Studierende bewegen sich hin zu Offenheit nur, wenn Berichten sicherer oder wertvoller ist als Verbergen, und ein Verbot kann Verbergen attraktiver machen als Compliance.

Das Prozedurale-Gerechtigkeit-Argument zieht den Schluss: weil geschickte oder leicht editierte KI-Nutzung im allgemeinen Fall unentdeckbar ist, produziert ein auf Detektion gebautes Fehlverfahren Ungerechtigkeit ohne Effektivität, und die Antwort ist besseres Assessment, nicht bessere Überwachung.

Die Kosten dieser Substitution zeigen sich darin, wo Lehrende und Studierende tatsächlich reden. Über 253.222 KI-bezogene Einträge aus 26 Bildungs-Subreddits hinweg war ein Drittel aller Fakultäts-Studierenden-Threads Detektions- oder Durchsetzungsstreit, Studierende eröffneten 68,4% davon, und Negativität sagte Engagement vorher (ρ = −0,72) —, adversarieller Konflikt, nicht Beratung, ist die höchstvolumige Form des kontaktrollenübergreifenden Kontakts über GenAI (Yüce et al. (2026)).

Was das für die Praxis bedeutet

• Nutzung sichtbar machen statt sie zu inferieren. Studierende können einander nicht akkurat beurteilen, und wiederholte Kollaboration behebt das nicht. Leichtgewichtige geteilte Aufzeichnungen KI-gestützter Arbeit, Annotationen oder Prompt-Historien geben einer Gruppe etwas Faktisches, worüber sie schlussfolgern kann.
• Erwarten, dass die gesprochene Norm die geschriebene schlägt. Wenn das, was im Unterricht gesagt wird, dem Syllabus widerspricht, werden Studierende dem Klassenzimmer folgen. Abstimmung zwischen beiden ist mehr wert als eine strengere Kausel.
• Offenlegung als Designproblem behandeln, nicht als Tugendproblem. Offenlegung wird wahrscheinlich, wenn Berichten sicherer oder wertvoller ist als Verbergen. Das bedeutet, offengelegte Nutzung im Assessment selbst lesbar zu machen, statt Ehrlichkeit als Charaktermerkmal zu verlangen.
• Disziplinäre Variation respektieren. Eine Spanne von 27% bis 5% über Departments hinweg ist keine Inkonsistenz, die zu normalisieren ist, sondern verschiedene Urteile darüber, was der Berechtigungsschein bescheinigt. Institutionsweite Mandate tendieren dazu, für eine Disziplin geschrieben zu sein, die nicht existiert.
• Nicht nach Monitoring greifen, um Normen zu setzen. Proctoring erhöhte Angst, ohne die Versuchung zum Schummeln zu verändern, in der stärksten verfügbaren Studie, und konzentriert diese Kosten auf die am wenigsten begünstigten Studierenden.
• Fragen, wer in der Norm fehlt. Die Ethikliteratur weist Studierenden fast keine Verpflichtungen zu und berücksichtigt ihr Urteil wenig, während das Klassenzimmer ihnen viel zuweist und es sozial durchsetzt. Diese Lücke zu schließen ist eine Curriculumfrage, keine Compliancefrage.

Verbundene Konzepte

• Akademische Integrität — the formal rulebook these norms grow alongside
• Offenlegung der KI-Nutzung — the practice norms regulate most directly
• Die Einordnung der KI-Nutzung für Studierende — how a classroom states its expectations
• Missbrauch von KI reduzieren — the instructional counterpart to norm-setting
• Identität der Lernenden — who a learner is taken to be when AI use becomes visible
• KI-Erkennung — the technical response that mostly fails
• Fernaufsicht bei Prüfungen — surveillance as an attempted substitute for norms
• Vertrauen — what norms and disclosure both depend on
• Gerechtigkeit — who absorbs the social cost
• Hilfesuche — the behavior shame suppresses first
• Gruppenarbeit — where group norms are negotiated
• Erleben der Studierenden — the lived side of all of this
• Angst und Stress — the affective residue
• KI-Governance — the formal layer these norms sit under
• Ethik — the literature that has least to say to students

Verbundene Artikel

• Students' Perception Accuracy of Partners' AI Use and its Relation to Collaboration Performance — Students' perception accuracy of partners' AI use and its relation to collaboration performance
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Shame and guilt as social regulators of AI use in computing education
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — How instructors regulate AI in college: evidence from 31,000 course syllabi
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI guilt complex: moral emotions and ethical dilemmas in academic technology adoption
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Identifying the ethical values and norms for artificial intelligence in education
• The fear of Big Brother: The potential negative side-effects of proctored exams — The fear of Big Brother: the potential negative side-effects of proctored exams
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Under surveillance: mapping remote proctoring practices in nursing assessment
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Assessment design under imperfect information: generative AI, disclosure, and student response
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Detecting the undetectable: misconduct procedures after generative AI
• Cheating or Competing? University Students' Experience of AI Marketing and What It Means for AI Literacy Programming — Cheating or competing? AI in marketing education
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Agency in GenAI-supported group assessment
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Reddit discourse analysis: faculty–student contact concentrates in detection and enforcement disputes (Yüce et al. 2026)