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

Studierendenengagement

Erstellt 2026-08-13 · Aktualisiert 2026-10-10

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

Studierendenengagement — der Grad und die Qualität aktiver Beteiligung einer lernenden Person am Lernprozess, meist zerlegt in verhaltensbezogene, kognitive und affektive Dimensionen. In der Forschung zu KI-Bildung ist Studierendenengagement sowohl ein zentrales Ergebnis (hält ein KI-Werkzeug Studierende engagiert?) als auch ein Mechanismus (vermittelt Engagement zwischen KI-Gestaltung und Lernen?). Es ist konzeptuell verschieden vom Lernen selbst —, Engagement ist Teilhabe am Lernen, kein Beleg kognitiven Gewinns —, und von den spezifischen Metriken, die genutzt werden, um es zu messen.

Fragen zum Nachdenken

  • Die Seite besteht darauf, dass Engagement nicht dasselbe ist wie Lernen —, eine Person kann verhaltensbezogen aktiv sein (klicken, Zeit verbringen) und kognitiv flach. Wo haben Sie hohes „Engagement“ gesehen, das wenig Lernen produzierte, und wie haben Sie es bemerkt?
  • Denken Sie an einen Moment, in dem Sie zutiefst kognitiv engagiert waren —, echt mit einer Idee ringend. Was war daran anders als in Zeiten, in denen Sie bloß beschäftigt oder unterhalten waren, und könnte ein KI-Werkzeug jenen Zustand zuverlässig erzeugen?
  • Engagement wird in verhaltensbezogene, kognitive und affektive Dimensionen zerlegt, die divergieren können. Warum, denken Sie, bestehen Forschende darauf, diese getrennt zu behandeln statt als eines, und was würden Sie messen, um sie auseinanderzuhalten?
  • Die Forschung legt nahe, dass tiefes kognitives Engagement mit KI Lernen vorhersagt, während flaches Engagement Überabhängigkeit vorhersagt. Wenn ein Werkzeug „engagierend“, aber flach ist, wer ist schuld —, die Gestaltung, die Aufgabe oder die lernende Person?
  • Wie könnte ein KI-Werkzeug Autonomie, Kompetenz und Verbundenheit (die Bedürfnisse hinter Engagement) befriedigen, ohne dass jene Merkmale zu flacher Unterhaltung werden, die echtes Lernen verdrängt?

Einleitung

Engagement ist ein multidimensionales Konstrukt, verwurzelt in der Bildungspsychologie. Verhaltensbezogenes Engagement bezieht sich auf Teilhabe, Mühe, Persistenz und On-Task-Aktivität. Kognitives Engagement bezieht sich auf die Tiefe geistiger Verarbeitung —, Elaboration, kritische Analyse, Selbst-KI-Regulierung in der Bildung und Investition geistiger Mühe. Affektives Engagement bezieht sich auf emotionale Reaktionen wie Interesse, Freude, Angst und Identifikation mit dem Lernen. Diese Dimensionen können divergieren: eine Person kann verhaltensbezogen aktiv (klickend, Zeit verbringend) und kognitiv flach (Ausgabe passiv annehmend) sein, oder affektiv interessiert und verhaltensbezogen abgelenkt. Diese Multidimensionalität ist der Grund, weshalb Engagement nicht mit einem einzelnen beobachtbaren Verhalten gleichgesetzt werden darf.

Wie Studierendenengagement in der Forschung erscheint

  • Engagement als Ergebnis von KI-Gestaltung: GenAI-Motivationsforschung zeigt, dass Engagement in generative KI-unterstütztem Lernen der Befriedigung grundlegender psychologischer Bedürfnisse folgt (Autonomie, Kompetenz, Verbundenheit) —, Engagement ist das nachgelagerte Ergebnis motivationaler Unterstützung, nicht von Technologieverfügbarkeit allein. Engagement wird oft per Selbstbericht gemessen, während verhaltensbezogenes Engagement aus Interaktionsprotokollen stammt, und die beiden sind nicht austauschbar.

  • Engagementgewinn ohne Lerngewinn in einem cluster-randomisierten Klassenraumversuch: Rücker and Becker-Genschow (2025) randomisierten 195 neunte Klassen (Versuchsgruppe 102 Studierende) auf einen domänenspezifischen Mathematik-Chatbot oder auf konventionelle Differenzierungsmaterialien für eine einzelne Lektion zur Heron-Methode zur Schätzung von Quadratwurzeln. Situiertes Interesse stieg in der Chatbot-Bedingung substanziell (M = 2.63 gegenüber 2.43, p = 0.00005, Cohen's d = 0.63) und Akzeptanz auf allen vier Technology Acceptance Model-Dimensionen war hoch, doch der Pre-Post-Leistungsvergleich fand keine signifikante Gruppe-mal-Zeit-Interaktion (F(1194) = 2.84, p = 0.094) und extrinsische kognitive Last war leicht höher. Die Studie ist eine der wenigen cluster-randomisierten Tests eines maßgeschneiderten Chatbots in Sekundarstufen-Mathematik, und ihr geteiltes Ergebnis ist der Punkt: Interesse und Leistung bewegten sich nach verschiedenen Zeitplänen, sodass ein Engagementbefund kein Beleg des Lernens ist.

  • Qualität über Quantität: Kritisches Engagement bei KI-Code-Vervollständigung, Analyse kognitiven Engagementdiskurses und Gerüstbildung kritischen Engagements zeigen, dass tiefes (kognitives) Engagement mit KI Lernen vorhersagt, während flaches (verhaltensbezogenes) Engagement die Überabhängigkeit und Lernverdrängung vorhersagt, die die Risikoliteratur der Wissensdatenbank dominieren.

  • Fragil und kontextabhängig: Polierte Artefakte, fragiles Engagement und multiinstitutionelle Engagementmuster finden, dass Engagement nach Aufgabe, Kontext und lernender Person variiert —, ein KI-Werkzeug, das eine Person tief engagiert, kann flaches, ausgabenjagendes Verhalten bei einer anderen produzieren.

  • Motivationale Vorbedingungen: KI-Verfügbarkeit und Motivation zeigt, dass das Wissen um KI-Verfügbarkeit den wahrgenommenen Wert anstrengenden Engagements reduzieren kann, besonders bei Novizen-Lernenden —, Engagement wird durch Erwartung, Wert und wahrgenommene Kompetenz ebenso geformt wie durch Werkzeugmerkmale. Wang & Wang (2026) erweitern dies um ein Konto der Zielsetzungstheorie für 758 universitäre Englischlernende im KI-unterstützten Lernen, was zeigt, dass Lehrkraftunterstützung Engagement direkt verstärkt und über die Mastery-Approach- und Performance-Approach-Ziele der Studierenden operiert (statt über Vermeidungsziele). Engagement in KI-Kontexten ist daher nicht nur ein individuelles oder Gestaltungsergebnis —, es wird auch von der Lehrkraft und von den Zielorientierungen, zu deren Übernahme Lernende ermutigt werden, sozial gerüstet.

Jene Gerüstbildung hat ein institutionelles Gegenstück mit doppeltem Pfad. Chens (2026) Zwei-Studien-Design (160 Kunststudierende in einem Szenarioexperiment, 425 Befragte) fand, dass wahrgenommene Inkonsistenz zwischen dem GAI-Advokatentum einer Hochschule und ihrer tatsächlichen Lehr- und Prüfungspraxis kreatives Prozessengagement über zwei entgegengesetzte Einschätzungen vorhersagte —, negativ über Behinderung (β = −0.060, p = 0.004) und positiv über Herausforderung (β = 0.217, p < 0.001) —, wobei Pfaddenken nur die positive Route stärkte, sodass dieselbe institutionelle Bedingung manche Studierende engagierte und andere entfremdete.

  • Kompetenz und Emotion als Engagementtreiber: Zhao et al. (2026) modellieren 871 Universitätsstudierende, die mit einem LLM-Chatbot interagieren, und finden, dass GenAI-Kompetenz Chatbot-Engagement sowohl direkt als auch indirekt über positive Emotionen vorhersagt (der Affektpfad), und dass sowohl Kompetenz als auch positive Emotion Engagement und positive Lernemotionen vorhersagen. Engagement ist damit gemeinsam eine Fähigkeit und ein affektives Ergebnis —, Lernende, denen KI-Kompetenz fehlt und die Angst oder Frustration erleben, entfremden sich, was Implikationen für KI-Kompetenz-Training als Engagementintervention statt bloß als Fähigkeitsziel hat.
  • Disziplinassoziiertes kognitives Engagement im Studierenden-KI-Chat. Chang and Li (2026) zeigen, dass Studierenden-Prompts an KI im Schnitt ~62% höherordentliche kognitive Anforderung kodieren, dass Bloom-Stufen-Engagementprofile aber scharf nach Disziplin variieren (STEM Apply-verbreitet 20.8%, Sprache Understand-verbreitet 31.7%, Sozialwissenschaften Create-verbreitet 33.8%). Mit einem Within-Person-Design fanden sie, dass dieselben Studierenden signifikant mehr höherordentliche Prompts in Sozialwissenschaften als in STEM-Kursen produzierten (p < .001), wobei Kurs-Variation die Studierenden-Variation überstieg —, Evidenz, dass kognitives Engagement mit KI durch disziplinären Kontext geformt wird, nicht nur durch individuellen Stil.
  • KI-Feedback erhält verhaltensbezogene Aktivierung aufrecht. Geschwind et al. (2026)'s semesterlanges Lab-im-Feld-Experiment fand, dass Studierende, die individuelles GPT-4-Feedback zu offenen Aufgaben erhielten, die höchste Teilhabe über acht wöchentliche Aufgaben aufrechterhielten (~50% bis zur letzten, gegenüber ~30% für Lehrenden- oder Peer-Feedback-Gruppen) und ~29 mehr Zeichen pro Antwort schrieben —, individuelles KI-Feedback aktivierte Engagement sowohl an der extensiven (Teilhabe) als auch an der intensiven Grenze (Mühe pro Antwort), obwohl Studierende das Peer-Feedback leicht höher bewerteten.
  • Akademische KI-Nutzung aus Lernkonstrukten vorhersagen. Ein explorativer Machine-Learning-Rahmen analysierte Befragungsdaten von 166 Universitätsstudierenden, um lernbezogene Konstrukte zu identifizieren, die mit beabsichtigter akademischer ChatGPT-Nutzung assoziiert sind, unter Nutzung von SHAP-Analyse, um Interpretierbarkeit zu wahren. Die Befunde informieren, wie Engagement, Lernunterstützung und andere Konstrukte die Aufnahme von KI-Werkzeugen in akademische Arbeit durch Studierende formen.
  • Zugang zu einem KI-Werkzeug kann gemessenes Engagement senken, und Abschlussraten werden es nicht zeigen. Liu et al. (2026) randomisierten Tutor-Zugang über 13 Blöcke an einer großen US-öffentlichen Universität und fanden, dass protokollierte Plattformteilhabe um 0.90 SDs fiel, Seitenaufrufe um 0.37–0.38 SDs und aktive Tage um 0.51–0.61 SDs —, während Hausaufgabeneinreichung und rechtzeitige Einreichung unberührt blieben. Die Dissoziation ist die Messlektion: Ein Kurs, der nur Aufgabenabschluss überwacht, hätte nichts gesehen, denn die Reduktion saß in der Diskussions-, Quiz- und Lehrenden-Interaktionsaktivität, die die Plattform protokollierte. Studierende in behandelten Sektionen berichteten auch, der Lehrkraft weniger Inhaltsfragen zu stellen (etwa 57% gegenüber 44%), sodass der Rückgang mit Substitution weg von menschlichem Kontakt zusammenfiel statt mit Entfremdung vom Kurs.
  • Antwortlatenz ist ein Engagementhebel. In 1.137 quantitativen KI-Tutoringsitzungen korrelierte schnellere Antwort mit mehr Nachrichten und mehr korrekter Übung der Studierenden (mediane Antwortzeit 1.9 s bis 31.0 s über Modelle; geringere Latenz korrelierend mit Engagement bei Spearman ρ=-0.81, p=.0056), eine Kette, die die Autoren als Erklärung dafür lesen, wie Modelle, die bei Unterrichtsqualität unauffällig punkten, dennoch menschliche Gewinne erreichen (Northcutt et al. (2026)).
  • KI-Nutzung kann mit größerer Kursabsenz einhergehen, während Vertrauen sie nicht vorhersagt. Eine PLS-SEM-Befragung von 291 portugiesischen Universitätsstudierenden fand allgemeine KI-Nutzung positiv mit Absenz assoziiert (β = 0.148, f² = 0.029) und mit Selbstwirksamkeit für unabhängiges Lernen, doch Selbstwirksamkeit selbst sagte Absenz nicht voraus (β = −0.068, p = 0.276) —, das „selbstbewusst, aber abwesend“-Muster des Papiers. Die Anwesenheitsassoziation war bescheiden und sekundär gegenüber Peer-Einfluss (β = 0.510, f² = 0.326) und Zeitmanagement (β = −0.163), und weil das KI-Nutzungskonstrukt unidimensional war und unterstützungs- mit substitutionsorientierten Items mischte, kann die Studie komplementäre von substitutiver Nutzung nicht trennen oder Richtung etablieren (Franco et al. (2026)).

Engagement messen: das Problem der Metrikwahl

Engagement wird über eine Reihe beobachtbarer Signale operationalisiert. Verhaltensbezogene Metriken messen, was Lernende tun (Zeit-auf-Aufgabe, Aktivitätszahlen, Interaktionsfrequenz, Persistenz); kognitive Metriken messen, wie Lernende denken (Verarbeitungstiefe, kritisches Engagement, Diskursanalyse); affektive Metriken messen, wie Lernende fühlen (Emotion, Motivation, Interesse); und kontextuelle Metriken erfassen Multitasking und Aufmerksamkeit. Forschung zu KI in der Bildung kombiniert diese zunehmend und behandelt Engagement als vermittelnden Mechanismus zwischen KI-Werkzeuggestaltung und Lernergebnissen, statt als Ergebnis an sich.

  • Sechs KI-Anwendungsfamilien + Multi-Methoden-Messung: Zhous (2025) systematischer Review von 24 WoS-Studien kartiert sechs KI-Anwendungen für Engagement —, Chatbots in Kursgestaltung, Emotions-/Gesichts-/Stimmerkennung und Blickverfolgung, ML für Datenanalyse, Unterstützung der Lehrkraft-Studierenden-Interaktion, personalisiertes Feedback/Empfehlungen und KI-gestützte Bots in intelligenten Lernumgebungen. Er findet, dass die Integration multipler KI-Modalitäten und Datenquellen genauere, echtzeitnahe Einsicht in kognitives, emotionales und verhaltensbezogenes Engagement erbringt als Einzelquellen-Ansätze —, was das obige Problem der Metrikwahl verstärkt.

Die Wahl der Metrik ist definitorisch: Eine Studie, die Engagement als Zeit-auf-Aufgabe misst, mag schlussfolgern, ein KI-Werkzeug verstärke Engagement, wenn Studierende mehr Zeit mit der Interaktion damit verbringen, während eine Studie, die Engagement als kritische Verarbeitung misst, für dasselbe Werkzeug zur entgegengesetzten Schlussfolgerung gelangen kann. Deshalb unterscheidet die Forschung der Wissensdatenbank Engagement (Teilhabe) von Lernen (tatsächlicher kognitiver Gewinn) —, siehe Leistung vs. Lernen —, und deshalb müssen Engagementmetriken gegen das validiert werden, was sie zu messen behaupten.

  • Engagement als fragiles, situationsabhängiges Signal: Polierte Artefakte, fragiles Engagement und multiinstitutionelle Engagementmuster finden, dass Engagement nach Kontext, Aufgabe und lernender Person variiert —, dasselbe Werkzeug produziert bei manchen Studierenden starkes Engagement und bei anderen flaches, ausgabenjagendes Verhalten.
  • Verhaltensbezogene Telemetrie von Bildungsplattformen: Vorhersage von Aufwand und Fortschritt, Learning Engagement Assistant, Engagementbewertung in Videos und Lerndashboards übersetzen verhaltensbezogene und physiologische Signale (Aufmerksamkeit, Aktivität, Persistenz) in Engagementmetriken, die für adaptives Feedback und Lehrendenintervention genutzt werden.
  • Physiologische Erfassung fügt eine Modalität hinzu —, und ein Baseline-Problem. E3Sense ko-lokalisiert EEG mit Trockenelektroden, Blickverfolgungsbrillen und Stirn-Elektrodermalelektroden auf dem Kopf und sagt 450 segmentstufige Engagementbewertungen von 30 Universitätsstudierenden auf einer fünfstufigen Ordinalskala voraus: AdaBoost über der fusionierten multimodalen Repräsentation erreichte 75.0% balancierte Innerhalb-einer-Stufe-Genauigkeit gegenüber 63.0% bei stets der häufigsten Bewertung. Die Enge jener Lücke ist der Punkt —, Innerhalb-einer-Stufe-Gutschrift gibt einer sensorfreien Baseline bei verzerrten Bewertungen die meisten ihrer Punkte —, und Lernende zu fragen, was Engagement für sie bedeutet, bewegte dasselbe Maß von 64.6% auf 71.5%, Evidenz, dass das Selbstberichtsetikett, nicht nur der Sensor, entscheidet, was solche Analytik behaupten kann.
  • Fairnessrestriktionen brauchen zurückgehaltene Subjekte, um zu halten. Der geschlechtszielende Regularisierer eines multimodalen Aufmerksamkeitsschätzers senkte die Validierungs-MAE-Lücke von 0.02 auf 0.005, erhöhte aber sowohl die Lücke als auch den Worst-Group-Fehler auf zurückgehaltenen Subjekten, sodass subgruppenbewusste, wiederholte Subjektvalidierung in jede Engagement-Erfassungs-Beanspruchung gehört (Fragkiadakis et al. (2026)).
  • Engagement als Lernendenmodellierungssignal: Engagementintensität als Lernendenmodellierungssignal nutzt Engagementstärke, um adaptive KI-Systeme zu informieren, und positioniert Engagementmetriken als Inputs für Studierendenmodellierung und adaptives Lernen statt bloß als Evaluationsergebnisse.

Engagement vs. Lernen

Ein zentrales Thema in der Forschung der Wissensdatenbank ist, dass Engagement und Lernen unterschieden werden müssen. KI-Werkzeuge, die hohes Engagement erzeugen (Zeit auf Aufgabe, Interaktionsvolumen), produzieren möglicherweise kein Lernen, wenn jenes Engagement passiv ist oder für die kognitive Arbeit des Verstehens substituiert —, siehe Leistung vs. Lernen. Umgekehrt kann produktives Ringen und wünschenswerte Schwierigkeit Lernen produzieren, selbst wenn Oberflächenengagement sich geringer anfühlt. Engagement ist daher am besten als Mechanismus zu behandeln —, wertvoll, insofern es sinnhafte kognitive Verarbeitung reflektiert oder ermöglicht —, statt als Endziel.

Die Unterscheidung ist nicht akademisch. Pramod and Patil (2026) stellen Engagement ins Zentrum ihres PLS-SEM-Modells, zwischen Motivation und sozialer Präsenz auf der einen Seite und wahrgenommener Leistung auf der anderen —, der größte Koeffizient in ihrem Modell, und dennoch eine Wahrnehmung statt eines Maßes des Lernens.

Pädagogik vermittelt den Effekt der KI auf Engagement

Eine systematische Synthese von KI in der Hochschulbildung (Long et al., 2026) betont, dass die Unterrichtsmethode, in die ein KI-Werkzeug eingebettet ist, der entscheidende Mediator dafür ist, ob es Studierende engagiert. Chatbots, adaptive Systeme und prädiktive Analytik verstärken Engagement am meisten, wenn sie innerhalb interaktiver Pädagogiken eingesetzt werden —, Flipped Classrooms, projektbasiertes Lernen und gerüstete Feedbackschleifen —, statt als eigenständige Werkzeuge. Der Review formalisiert dies als das PMAISE-Modell (Pädagogische Vermittlung von KI für Studierendenengagement), das die Ausrichtung zwischen KI-Technologien, pädagogischen Strategien und den affektiven, verhaltensbezogenen und kognitiven Dimensionen des Engagements kartiert. Die Implikation ist, dass Engagementsergebnisse vom Werkzeug und der umgebenden Unterrichtsgestaltung ko-produziert werden: dieselbe KI kann Engagement in einer Pädagogik verstärken und in einer anderen hemmen.

Verbindungen zu verwandten Konzepten

Studierendenengagement verbindet sich mit Lernmotivation und Selbstbestimmungstheorie als seinen psychologischen Treibern und mit Studierendenerfahrung als dem gelebten Kontext. Seine Messung beruht auf Lernanalyse und Bildungsmessung, die die quantitativen Werkzeuge zur Operationalisierung der obigen Dimensionen liefern. Die Unterscheidung zwischen tiefem und flachem Engagement verknüpft sich direkt mit Selbstreguliertes Lernen (selbstregulierte Lernende engagieren strategisch), Kognitive Auslagerung und Überabhängigkeit (flache Vertrauensabhängigkeit als Fehlermodus) und Metakognition. In Systemgestaltung speisen Engagementsignale Modellierung der Lernenden und adaptive Instruktion und Adaptives Lernen, und Engagementsergebnisse erscheinen in Evaluationen von KI-Bildungs-Interventionen.

  • Lernendenmerkmale moderieren TTS-Dialog-Lektionen (2026): In LLM+TTS-generierten Lehrkraft-Studierenden-, Studierenden-Studierenden- und Lehrkraft-Lehrkraft-Dialoglektionen interagierten erfahrungsorientierter Stil und kritische Denkdisposition signifikant mit dem Dialogformat für ARCS-basierte Motivation, was anzeigt, dass KI-generierter Dialoginhalt je nach Lernendenprofil unterschiedlich motivierend ist (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).

  • Dimensionsspezifische Gewinne auf der Primarstufe (2026): Ein neunwöchiges GenAI-unterstütztes L2-Schreibprogramm mit 301 Studierenden der Klassenstufen 5 und 6 erhöhte verhaltensbezogenes und emotionales Engagement, ließ aber kognitives und metakognitives Engagement unverändert, und seine Autoren benennen reduzierte Selbstüberwachung während des Schreibens als stehendes Risiko (Lu et al., 2026). Das Muster ist eine konkrete Instanz der obigen Engagement-versus-Lernen-Unterscheidung: mehr Aktivität und mehr Freude übersetzten sich nicht in tiefere Verarbeitung.

  • Die Dissoziation kann auch andersherum laufen (2026): In einem zwölfwöchigen Berufskurs für Innengestaltung erhöhte ein immersives VR-Studio mit eingebettetem LLM-Lehrassistenten kognitives (d = 0.90) und verhaltensbezogenes (d = 0.75) Engagement gegenüber traditionellem projektbasiertem Unterricht, während affektives Engagement sich nicht signifikant unterschied (d = 0.38) —, die Umkehrung des obigen L2-Schreibfalls (Jin et al., 2026). Kognitive und verhaltensbezogene Gewinne kamen hier mit geringerer berichteter kognitiver Last, was die Autoren darauf zurückführen, dass der Assistent Such- und interdisziplinäre Integrationsmühe absorbierte. Gegen den Schreibfall gelesen legen die zwei Studien nahe, dass welche Engagementdimension eine KI-unterstützte Intervention bewegt, eine Eigenschaft der Gestaltung ist —, diskurslastige immersive Kollaboration gegenüber Allein-Schreibunterstützung —, statt von KI-Unterstützung im Allgemeinen, und dass ein affektiver Vorteil nicht aus hochfideligem oder intelligentem Feedback angenommen werden kann.

  • KI-Kompetenz wirkt auf Engagement über psychologische Ressourcen (2026): Eine moderierte Mediationsstudie mit 1.198 Studierenden in Zhengzhou, China (Wang, 2026) modellierte Engagement als Ergebnis von KI-Kompetenz statt als Nebenprodukt der Werkzeugnutzung. KI-Kompetenz sagte Lernengagement direkt voraus und auch indirekt durch Aufbau psychologischen Kapitals, wobei die indirekte Route etwa die Hälfte des Gesamteffekts trug —, partielle Mediation, sodass sich eine technologische Kompetenz nur teils über die psychologischen Ressourcen, die sie erzeugt, in Engagement verwandelt. Berufliches Engagement, eine identitätsbasierte Variable, moderierte die Psychokapital-zu-Engagement-Verbindung ohne eigenen direkten Effekt, und die Übersetzung psychologischen Kapitals in Engagement war für Studierende, die sich auf dem Weg in den Beruf sahen, deutlich stärker. Das Muster ist die klarste verfügbare Instanz des obigen Punkts, dass Lernendenmerkmale bedingen, wie KI Engagement beeinflusst.

  • KI-Vor-Kurs-Übung kann Live-Teilhabe erhöhen (2026): Ein präregistriertes Feldexperiment mit 759 MBA-Studierenden fand, dass die Vorbereitung mit einem sprachbasierten KI-Diskussionspartner freiwillige Beiträge in späteren Sitzungen um etwa 31% erhöhte, aber erst nach einer zweiten Nutzung; eine erste Nutzung ging geringerer Teilhabe voraus (Wang et al., 2026).

  • Desengagement als Zug auf Wendungsebene, nicht als stabiler Zustand: Rho et al. (2026) kodierten 5.522 Studierendenäußerungen an einen lehrbaren KI-Agenten in Math Nation in sechs Kategorien konversationellen Desengagements (False Answering, Mocking, Ghosting, Mirroring, Withholding, Random/Noisy) und fanden, dass die Engagementrate mit 75,7% der Äußerungen dominierte. Die prävalenzbasierten Assoziationen von False Answering und Mocking mit Post-Test-Werten überlebten eine menschlich annotierte Sensitivitätsprüfung nicht. Die Sequenzanalyse ist das engagement-relevante Ergebnis: Das leistungsstärkste Cluster kombinierte gemäßigtes Desengagement mit starken Erholung-zu-Engagement-Übergängen (Withholding → Engagement p = 0,83), während das niedrigste persistierende Selbstschleifen ohne Erholung zeigte (Engagement-Selbstschleife p = 0,96). Withholding war der eine Desengagementtyp, der eher zu persistieren als sich aufzulösen neigte — Persistenz gegenüber Reparatur, nicht Anwesenheit gegenüber Abwesenheit, ist die Unterscheidung, die Engagementtrajektorien trennt.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauHigher Ed
ZielgruppeLearners
Lernen und UnterrichtLernmotivation, Selbstreguliertes Lernen, Studierendenengagement
Technologien und VerfahrenGenerative KI, Lernanalyse
Grundlagen von KI in der BildungKI in der Bildung
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.