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

Berufliche Weiterbildung

Erstellt 2026-08-16 · Aktualisiert 2026-10-10

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

Berufliche Weiterbildung — die Vorbereitung und laufende berufliche Entwicklung von Lehrkräften, über Lehramtsausbildung vor dem Dienst (initiale Zertifizierungsprogramme) und berufliche Weiterbildung im Dienst hinweg. In der KI-in-der-Bildung-Forschung ist Lehrkräftebildung zu einem zentralen Anliegen geworden, weil die KI-Kompetenz der Lehrkräfte, ihr technologisch-pädagogisches Wissen, ihre ethische Flüssigkeit und ihre Bereitschaft, KI in Instruktion zu integrieren, bestimmen, ob KI-Übernahme in Klassenzimmern gelingt. Dieses Konzept organisiert die erhebliche Abdeckung der Wissensbasis davon, wie KI die Vorbereitung, das Wissen, die Überzeugungen und die Praxis sowohl angehender als auch praktizierender Lehrkräfte umformt.

Fragen zum Nachdenken

  • Lehrkräftebildung umfasst hier Ausbildung vor dem Dienst (angehende Lehrkräfte in Zertifizierungsprogrammen) und berufliche Weiterbildung im Dienst (praktizierende Lehrkräfte). Welche der zwei steht Ihrer Meinung nach vor der größeren Herausforderung, sich auf KI-Klassenzimmer vorzubereiten, und warum?
  • Die Seite legt nahe, Lehrkräftebildung müsse Lehrkräfte darauf vorbereiten, KI-Werkzeuge nicht nur zu nutzen, sondern sie zu verstehen, zu evaluieren und ethisch zu integrieren —, eine Verschiebung, die „neu definiert, was es bedeutet, eine Lehrkraft zu sein“. Wie sollte diese Neudefinition Ihrer Meinung nach verändern, was ein Berechtigungsprogramm lehrt?
  • Rahmenwerke wie AI-TPACK erweitern das klassische TPACK-Modell um eine KI- und Ethikdimension. Was sollte Ihrer Meinung nach eine „KI-Dimension“ technologisch-pädagogischen Inhaltswissens tatsächlich enthalten, über den Betrieb eines Chatbots hinaus?
  • Ein Scoping Review von 55 auf der Seite zitierten Studien findet, dass KI das Instruktionsdesign, die Reflexion und das kritische Denken angehender Lehrkräfte verbessert. Aber wenn KI einiges davon für sie tun kann, wann baut ihre Nutzung in der Lehrkräfteausbildung Fähigkeit, statt das Urteil zu substituieren, das sie brauchen werden?
  • Wenn Sie ein Lehrkräftebildungsprogramm für das KI-Zeitalter neu gestalten würden, was würden Sie von jeder angehenden Lehrkraft verlangen zu erfahren —, und was würden Sie sie bewusst davon abhalten, an KI auszulagern?

Einführung

Lehrkräftebildung sitzt an der Schnittstelle mehrerer Stränge der Wissensbasis: sie ist eine Disziplin/Domäne (wie Medizinbildung und Geisteswissenschaftsbildung), aber sie schöpft auch aus den allgemeinen Konzepten Lehre, TPACK, KI-Kompetenz von Lehrkräften und KI-Kompetenz. Im KI-Zeitalter muss Lehrkräftebildung Lehrkräfte nicht nur darauf vorbereiten, KI-Werkzeuge zu nutzen, sondern sie zu verstehen, zu evaluieren und ethisch zu integrieren —, eine Verschiebung, die neu definiert, was es bedeutet, eine Lehrkraft zu sein. Die Lernwissenschaften liefern das Wissen, das diese Formation tragen muss: wo jenes Feld studiert, wie Menschen lernen und wie Lernumgebungen gestaltet werden sollten, ist Lehrkräftebildung die professionelle Formation, in der solche Evidenz als eigene Fähigkeit einer Lehrkraft landen muss, zu gestalten, zu lehren und zu bewerten.

Querschnittsevidenz schärft die Designpriorität: eine mehrstufige Studie mit 46 Lehrkräften und 2.832 Sekundarstufenschülerinnen und -schülern fand, dass pädagogisches KI-Wissen (TPAIK) —, nicht technisches KI-Wissen —, die Wahrnehmungen der Studierenden von KI für soziales Gut und ihre Absicht, KI zu lernen, trieb. Lehrkräftebildung sollte daher wie man mit und über KI lehrt über Werkzeugproficiency stellen, konsistent mit der Leitlinie „Pädagogik zuerst, Technologie an zweiter Stelle“.

Lehramtsausbildung vor dem Dienst

Lehramtsausbildung vor dem Dienst (initial) bereitet angehende Lehrkräfte während ihrer Zertifizierungsprogramme vor. KI-Forschung in diesem Strang umfasst:

  • AI-TPACK und Intelligent-TPACK-Bereitschaft. Instrumente und Rahmenwerke messen und bauen die Bereitschaft angehender Lehrkräfte, KI zu integrieren, und erweitern das TPACK-Rahmenwerk um eine KI-/Ethikdimension.(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)

  • Akzeptanzprofile und ein Nutzungsfreundigkeit/Absicht-Paradox. Chen et al. (2026) profilierten 128 angehende Lehrkräfte in vier ChatGPT-Akzeptanzgruppen: Resistant Skeptics (14,06%) berichteten hohe wahrgenommene Nutzungsfreundlichkeit, aber sehr geringe Verhaltensabsicht, sodass Training allein sie nicht konvertiert.

  • Anwendungen und Nutzen. Ein Scoping Review von 55 Studien zeigt, dass KI das Instruktionsdesign, den Fachunterricht, praktische Lehrfähigkeiten, Evaluation, reflexive Praxis, kritisches Denken, Technologieintegration und pädagogische Innovation angehender Lehrkräfte verbessert.(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)

  • Ungerüsteter GenAI-Zugang erzielte unter keinem GenAI. In einem 11-wöchigen Quasi-Experiment mit 52 angehenden Lehrkräften produzierte die ungerüstete GenAI-Klasse niedriger rubrikbenotete Unterrichtspläne als die Kein-GenAI-Klasse (adjustiert 86,54 vs 81,87, F = 8,348, p = 0,006, η² = 0,146), ohne Gruppenunterschied in selbstreguliertem Lernen oder kritischem Denken (Zhang et al. (2026)).

  • Pädagogische Robotik und ML. Initiale Lehrkräfteausbildung bettet Coding-, Robotik- und Machine-Learning-Aktivitäten ein (z. B. micro:bit), um Computational Thinking in angehenden Lehrkräften aufzubauen.(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)

  • Authentisches Assessment und Metakognition. KI-vermittelte Assessmentmodelle (z. B. AAIWA) integrieren authentisches rubrikbasiertes Assessment, bedingungsresponsives KI-Feedback und metakognitive Reflexion in Programmen vor dem Dienst.(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)

  • KI-gestützte Inquiry in der Naturwissenschaftsbildung. Ein Quasi-Experiment mit 48 angehenden Naturwissenschaftslehrkräften in der Türkei (Aydın) integrierte problem- und designbasiertes Lernen in ein 8-wöchiges KI-gestütztes gelenktes Inquiry-Programm zu Photosynthese und Respiration. Es produzierte signifikante Zuwächse im konzeptionellen Verstehen der zwei biologischen Prozesse, aber keinen signifikanten Effekt auf KI-Kompetenz oder selbstwahrgenommenes Computational Thinking —, eine Erinnerung daran, dass KI-IBL das Fachverstehen in Lehramtskandidatinnen und -kandidaten vertiefen kann, ohne automatisch ihre KI-/CT-Kompetenzen aufzubauen, die explizites, gezieltes Design erfordern.

  • Generative KI für konstruktivistisches Instruktionsdesign. Das SAHAB-Modell ist eine quasi-experimentelle Weiterbildungsintervention, in der generative KI Lehrkräfte ermächtigt, konstruktivistische Instruktion zu gestalten, mit großen Zuwächsen (d = 1,18). Es zeigt, dass GenAI gerüsten kann Instruktionsdesign für Lehramtskandidatinnen und -kandidaten und praktizierende Lehrkräfte gleichermaßen —, nicht nur Inhalte liefern, sondern das Design studierendenzentrierter Lernaktivitäten stützen.

  • Smart-Classroom-Training für Graduierte in Mathematik (M.Ed.). Zhu, Liang, Mao und Wang (2026) zeigen, wie ein Mathematik-M.Ed.-Kurs mit intelligenten Bildungstechnologien Technologien (automatisierte Benotung, personalisierte Empfehlungen, Multi-KI-Feedback) über Vor-, In- und Nachklassenstufen hinweg verbessert werden kann, was statistisch signifikante Zuwächse in der Kompetenz zum Design instruktionaler Ziele ergibt. Das transferierbare D-T-E-Modell (Disciplinary Demand–Technological Empowerment–Evaluation Loop) bietet Bildungsfachleuten ein fachspezifisches Rahmenwerk für die Integration von Smart Education in die graduierte Lehrkräftevorbereitung.

  • Übernahme unter einer permissiven Politik ist dünner, als Umfragen nahelegen, und Assessmentkompetenz transferiert nicht. Zou et al. (2026) befragten 85 Lehramtsstudierende in drei Hongkonger Lehrkräftebildungskursen, wo generative KI im Assessment explizit erlaubt war: 62,4% (53) wählten, sie überhaupt nicht zu nutzen, und die Nutzung der Übernehmenden war flach und korrektiv (Korrekturlesen 43,8%, Klarheitsprüfungen 34,4%, Textgenerierung 18,8%, Brainstorming 12,5%). Angst, fälschlich des Plagiats beschuldigt zu werden (41,5% der Nichtübernehmenden) und eine Präferenz für Einzelarbeit (77,4%) überwogen fehlende Fähigkeiten (13,2%), und neun von elf Interviewten lasen die permissive Politik als mögliche „Falle“ —, ein Beleg dafür, dass Lehramtsstudierende Integritätsangst, nicht nur Werkzeugbereitschaft, in KI-erlaubte Studienarbeit mitbringen.

  • Klassenzimmer-KI-Politik-Schreiben als Linse auf angehendes Denken. Nash & Burriss (2026) ließen 27 angehende Sekundarstufen-Englischlehrkräfte im Capstone-Jahr eines Sekundarstufen-Englischvorbereitungsprogramms die KI-Politiken schreiben, die sie in ihren eigenen 6–12-Klassenzimmern nutzen würden, in einem Bundesstaat ohne staatliche KI-Anleitung. 26 der 27 erlaubten etwas KI-Nutzung, fast immer beschränkt auf von der Lehrkraft spezifizierte Aufgaben, Zeiten und Orte, und nur eine verbannte sie kategorisch aus ethischen Gründen, verbunden mit Arbeitspraktiken und Urheberrecht; 22 erlaubten KI zum Generieren von Ideen, während 22 KI-Nutzung zum Komponieren von Sätzen, Absätzen oder Papers nicht erlaubten oder unklar ließen, und die begleitenden Reflexionen lesen sich als Aushandlungen zwischen pädagogischen Verpflichtungen und einer gefühlten Verpflichtung, KI zu integrieren. Angehende Lehrkräfte zu bitten, eine Politik zu verfassen —, statt KI im Abstrakten zu debattieren —, brachte ihre Philosophien, Überzeugungen und curricularen Annahmen an die Oberfläche, was Politikschieben zu einer hochwertigen Aktivität für Methodenkurse macht.

  • Politik regiert Praxis nicht. Vier Semester Umfragedaten aus einem US-Lehrkräftebildungsprogramm zeigen GenAI-Nutzung für Assessmentvorbereitung, die von 57% auf 83% stieg, und zum Lernen von 44% auf 76%, selbst während Institutionen KI-Detektionssoftware erwogen, mit ethischer Unsicherheit, die über die Wellen hinweg stieg (Parker et al. (2026)).

Berufliche Weiterbildung im Dienst

Berufliche Weiterbildung im Dienst stützt praktizierende Lehrkräfte bei der KI-Integration. KI-Forschung hier umfasst:

  • Intelligent-TPACK-basierte PD-Rahmenwerke. Ein forschungsinformiertes Rahmenwerk stimmt die fünf i-TPACK-Wissensdomänen mit vier evidenzbasierten PD-Pfaden ab (aktives Lernen, Modelle/Beispiele, Coaching, Feedback/Reflexion).(Designing effective AI professional development: A framework grounded in intelligent-TPACK)

  • GenAI-spezifisches technologisches pädagogisches Wissen (TPK). Bildungsfachleute selbst brauchen GenAI-TPK —, pädagogisches Schlussfolgern, ethisches Bewusstsein und KI-erweitertes Instruktionsdesign —, um Lehrkräfte vorzubereiten.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)

  • Menschzentrierte und kritische KI-Kompetenz. Designbasierte Forschung produziert professionelle Lerncurricula, die kritische KI-Kompetenz durch menschzentrierte KI-Aktivitäten operationalisieren, einschließlich Aufgaben mit der Lehrkraft im Loop.(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)

  • Kapazität durch Tun bauen, nicht durch Studieren. Ein TPACK-basiertes Strukturmodell mit 122 aktiven Lehrkräften fand, dass tatsächliche Nutzung von KI bei Naturwissenschafts- und Grüne-Energie-Aufgaben und Beteiligung an der Entwicklung ESD-abgestimmter Materialien KI-Integrationsfähigkeit vorhersagten, während abstraktes KI-Wissen und Einstellungen gegenüber KI es nicht taten (Riandi et al. (2026)).

  • Kollaborative Evaluation KI-generierter Inhalte als PD. Gat, Usher und Barak (2026) berichten über einen Workshop, in dem 60 Mittelstufen-Naturwissenschaftslehrkräfte ChatGPT-generierte Assessmentfragen durch ihr disziplinäres, pädagogisches und curriculares Urteil bewerteten. Kollaborative Evaluation selbst funktionierte als berufliche Weiterbildung und half Lehrkräften, Konzeptpräzisionskriterien auf KI-Output anzuwenden und das Risiko aufzudecken, dass KI-Inhalte Missverständnisse verstärken —, was Lehrkräfte als kritische Evaluierende GenAI-Materials positioniert statt als passive Konsumenten.

  • Strukturierte PD für Sprachlehrende ist selten, aber effektiv. Ein systematischer Review von 23 Studien (Li et al. 2026) fand nur drei eingeschlossene Studien, die strukturierte berufliche Weiterbildung berichteten —, ein eingebettetes Grammaturkursmodul, ein staatliches EMI-Programm, und eingebettete Chatbot-Inquiry —, doch alle konvergierten auf Zuwächse in Wissen, Vertrauen und Identitätsneurahmung, wobei sie die Sicht der Bildungsfachleute von GenAI von „Ersetzungsrisiko“ hin zu Assistent/Augmentierer verschoben. Der Review argumentiert, PD sollte technischen Fähigkeitsaufbau mit praktischer Weisheit paaren, von Bewusstseinsbildung und Ethik über hands-on-Werkzeugmeisterschaft hin zu Ko-Design KI-erweiterter Lektionen, und empfiehlt eine zweiphasige „Back-end dann Klassenzimmer“-Implementierungsstrategie.

Der klarste Fall rahmenwerkgetriebener GenAI-PD für Mathematik in der Wissensbasis ist eine Studie mit acht aktiven Lehrkräften aus ländlichen und unterresourcierten Bezirken, die zehn interaktive Module absolvierten, gebaut auf Rhodes' 4P-Rahmenwerk (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). Sie liefert zwei Designmechanismen, die dem In-Service-PD-Design hier sonst fehlen: Gerüstbau, der bewusst ausblendet (explizite Anleitung früh, dann Bitten zu begründen, zu verallgemeinern und Aufgaben zu gestalten) und simulierte Studierendenschlussfolgerungen über die Module 6-10, neben dem Befund, dass MC, CK und PCK sich gemeinsam bewegten —, während sie nur Engagement maß, nicht Lehrkräftewissen oder Studierendenlernen.

  • Nachqualifizierungsprogramme. KI-Kompetenz und -Nutzung aktiver Naturwissenschaftslehrender informieren das Design KI-bezogener Nachqualifizierungsprogramme.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)

  • KI-Unterstützung und -Anleitung in der Designarbeit der Lehrkräfte. Pishtari, Gnadlinger & Ley (2026) ließen 13 Hochschullehrkräfte Aktivitäten über Kein-KI-, KI-Chatbot- und KI-plus-Training-Bedingungen in einem Halbtagesprogramm gestalten. KI-Zugang hob höherstufige (Bloom) Aufgabenverwirklichung und schnitt wahrgenommenen kognitiven Aufwand, während die anschließende Interaktionstrainingssitzung Qualität plättete, aber den Aufwand leicht hob (germane vs. extrinsische Last unaufgelöst). Es rahmt PD für KI-Zeitalter-Lehren als beides brauchend: pädagogisch gegründete Designrahmenwerke (Bloom, ICAP) und strukturierte Chatbot-Interaktionsstrategien, während es mahnt, dass Qualitätszuwächse Auslagerung pädagogischer Entscheidungen an KI maskieren können.

Wissen, Überzeugungen und Praxis

Ein zentraler Befund über die Lehrkräftebildungsforschung hinweg ist die Lücke zwischen dem, was Lehrkräfte artikulieren, und dem, was sie vollziehen: Lehrkräfte behaupten oft operative KI-Fähigkeiten, kämpfen aber damit, pädagogisch bedeutungsvolles Wissen in der Praxis anzuwenden.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) Die Unterscheidung läuft noch tiefer, wenn Erfahrung mit KI-Proficiency gekreuzt wird: Choi et al. (2026) fanden, dass technisch flüssige Novizen KI-Output während des Lektionsdesigns immer noch passiv akzeptieren, während erfahrene Lehrkräfte —, selbst jene mit geringerer gemessener KI-Proficiency —, KI-Vorschläge kritisch erneut prompten und an ihre Studierenden und ihren Kontext anpassen. Die Implikation ist, dass In-Service-PD „KI-Fähigkeit bauen“ nicht als hinreichend behandeln kann; sie muss nach dem Erfahrungs- und Proficiency-Profil der Lehrkraft differenziert sein —, Antworten-Evaluations- und kritische-Anpassung-Gerüste für Novizen, hands-on-KI-Fähigkeitsaufbau für erfahrene Lehrkräfte mit schwächerer KI-Proficiency. Expertenurteil über KI-generierte Unterrichtspläne markiert diese kritische-Anpassung-Haltung als die Norm, nicht die Ausnahme: Karaismailoglu, Surmeli und Yildirim (2026) fanden, dass elf türkische Naturwissenschaftsbildungsspezialistinnen und -spezialisten ChatGPT-4- und Teacher's-Buddy-Pläne für eine sechste Jahrgangsstufe als nutzbare Entwürfe bewerteten —, 7 von 11 beurteilten sie als „durch Korrektur anwendbar“, nur 3 direkt „anwendbar“ —, und ihre Präferenzen divergierten von rohen Scores, wobei sie affektive und kontextuelle Qualitäten über strukturelle Treue bevorzugten. Lehrkräftebildung sollte daher die Fähigkeit aufbauen, KI-generierte Unterrichtsmaterialien zu evaluieren, anzupassen und zu lokalisieren, als Kernprofessionskompetenz, in Programmen vor und im Dienst. Psychologische Faktoren zählen auch —, Selbstwirksamkeit sagt AI-TPACK positiv vorher, während starke traditionelle Lehrüberzeugungen als kognitive Barriere wirken können.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) Vertrauen in KI wird sowohl durch technisches Wissen als auch durch ethische Wahrnehmungen geformt (Transparenz, Fairness, Rechenschaftspflicht, Inklusivität).(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) Die Messung der KI-Kompetenz von Lehrkräften ist selbst eine aktive Front: weil die meisten Assessments zur KI-Kompetenz Studierende oder allgemeine Nutzende adressieren, wurde die Teachers' AI Literacy Scale (TAILS) — gegründet im sechsdimensionalen ED-AI-Rahmenwerk — speziell für angehende Sprachlehrkräfte durch EFA und CFA entwickelt und validiert, was die Messungslücke innerhalb der Lehrkräftebildung füllt. Eine vergleichbar vernachlässigte Frage ist, ob die Art der Vorbereitung die KI-Bereitschaft verändert. Mnguni et al. (2026) befragten 186 Absolvent:innen des letzten Jahres in Naturwissenschaftsdidaktik in Südafrika und fanden selbstberichtetes TPACK für KI-integriertes Lehren an einer campusbasierten Universität höher (64,0%) als an einer Fernbildungsuniversität (47,4%), mit Pädagogischem Wissen als schwächstem in beiden, und KI-Training assoziiert mit selbstberichtetem TPACK nur an der Fernbildungseinrichtung, wo ein Kurzkurs mit fünf Credits schwächeres berichtetes TPACK vorhersagte als kein Training. Fernvorbereitung braucht daher ihre eigene Evidenzbasis, statt anzunehmen, dass für Campusprogramme gestaltetes Training transferiert.

Simulierte Unterrichtspraxis

Über Inhalte und Überzeugungen hinaus nutzt Lehrkräftevorbereitung zunehmend simulierte Klassenzimmer für hands-on-Praxis, die skaliert. EducaSim nutzt generative Studierendenagenten (mit Personas, kursgegründeten Gedächtnissen und einem Große Sprachmodelle (LLMs)-als-Richter-Sprachorakel), um eine Kleingruppensektion für Lehrkräfte in Ausbildung in einem CS1-Kurs zu simulieren, der ~20.000 Studierende unterstützt. Als optionales Vorbereitungswerkzeug über 254 Sitzungen hinweg eingesetzt (Mittel ~16 min), bietet es kostengünstige (\0.05–0.05–\\0.10/Sitzung) Rollenspielpraxis mit strukturiertem Post-Session-Feedback (Sprechzeitstatistiken, LLM-identifizierte Instruktionsverhaltensweisen) und Selbstreflexionsprompts. Das ergänzt das Simulation-von-Lernenden-Paradigma: simulierte Lernende dienen nicht nur Evaluation, sondern erfahrungsbasierter, hochfrequenter Lehrkräftevorbereitung, besonders für massive Onlinekurse, wo Live-Coaching nicht skalieren kann. Eine fachspezifische Instanz ist Student GPT (Zhuang & Zhang 2025), ein benutzerdefinierter ChatGPT-Chatbot, der eine Mittelstufenschülerin oder einen Mittelstufenschüler spielt, die oder der verbreitete Missverständnisse im Verhältnisschlussfolgern hält; angehende Sekundarstufen-Mathematiklehrkräfte übten, diese Missverständnisse in risikoarmen, personalisierten Interaktionen innerhalb eines Methodenkurses zu diagnostizieren und zu beheben, was zeigt, wie leichtgewichtiges GenAI-Rollenspiel praxisbasiertes Lehren stützen kann.

Folgerungen für Bildungsfachleute

  • Sowohl KI-Kompetenz als auch kritisches AI-TPACK bauen. Lehrkräfte vor und im Dienst brauchen Bereitschaft, KI zu integrieren —, Instrumente erweitern TPACK um eine KI-/Ethikdimension (AI-TPACK, i-TPACK PD); ethisches Schlussfolgern, Transparenz und Fairness neben Werkzeugnutzung lehren.

  • Die Artikulieren-vs.-Vollziehen-Lücke schließen. Lehrkräfte behaupten oft operative KI-Fähigkeiten, kämpfen aber damit, sie pädagogisch anzuwenden; PD gestalten, das von Wissen zu vollzogener Praxis geht (Lektionsplanung).

  • Simulierte Praxis nutzen, um Vorbereitung zu skalieren. EducaSim-artige simulierte Klassenzimmer geben Lehrkräften in Ausbildung kostengünstige, hochfrequente Praxis mit Feedback —, eine Ergänzung zu begrenztem Live-Coaching.

  • Überzeugungen und Vertrauen adressieren. Selbstwirksamkeit sagt AI-TPACK vorher, während starke traditionelle Lehrüberzeugungen eine Barriere sein können, und Vertrauen wird durch Transparenz/Fairness geformt —, diese psychologischen Faktoren beachten, nicht nur Fähigkeiten.

  • Zurückverfolgen von Klassenzimmerdilemmata. Kohnke et al. (2026) interviewten 17 angehende Lehrkräfte an einer Hongkonger Universität und arbeiteten rückwärts von antizipierten Klassenzimmerdilemmata zu Designbedarfen der Lehrkräftebildung. Angehende Lehrkräfte brachten Anliegen über akademische Integrität, Datenschutz und Bewahrung essenzieller menschlicher Fähigkeiten in einer GenAI-getriebenen Umgebung vor, wobei sie auf Curriculumimplikationen verwiesen, die Ethik, Datenschutz und KI-Kompetenz (mit kritischen Denkfähigkeiten) über die gesamte Lehrkräftevorbereitung weben, statt verantwortungsvolle Nutzung als Zusatz zu behandeln.

  • KI als kognitiver Mediator in der Lehrkräftereflexion (2026): Ein praxisbasiertes Reflective-Triangle-Modell nutzt KI, um zwischen individueller Lehrkräftereflexion und geteiltem professionellem Wissen in Lerngemeinschaften zu mediatieren, adressiert das verbreitete Versagen, dass Reflexion sich nicht in kollektives professionelles Lernen transformiert (The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).

  • GenAI-Assessmentdesign Teil professioneller Curriculumarbeit machen. Lehramtsstudierende in Zou et al. (2026) zeigten geringe Absicht, ihre eigenen zukünftigen Schulassessments als Reaktion auf generative KI neuzugestalten, und die Kindergarten- und Sekundarstufenteilnehmenden beurteilten die Technologie weitgehend als irrelevant für ihren eigenen Unterrichtskontext —, eine unterentwickelte Dimension von Assessmentkompetenz eher als eine Wissenslücke. Lehrkräftebildungsprogramme sollten daher ethischen GenAI-Einsatz im Assessmentdesign als Teil professionellen Curriculums einbetten, wobei sie programmebenige Politikkonsistenz mit konkreten Beispielen akzeptabler und inakzeptabler Nutzung und zeitnahem Feedback auf die tatsächliche KI-Nutzung der Studierenden paaren.

  • Delegierbare von nicht-delegierbarer Arbeit trennen. O'Byrne (2026) fand, dass 23 Undergraduates, größtenteils angehende Lehrkräfte, vergleichbare Artefakte produzierten, egal ob sie Grenzarbeit aufrechterhielten oder sie früh delegierten, und die „Schummelspannung“ über Autorschaft war am stärksten unter jenen, die die meiste Grenzarbeit taten —, sodass das Lehrziel darin besteht, zu beurteilen, welche interpretative Arbeit nicht übergeben wird.

  • Klassenzimmer-Politikschreiben zu einer Kern-Lehrkräftebildungsaktivität machen und Mehrdeutigkeit als Politikdefekt behandeln. Nash & Burriss (2026) fanden, dass das Bitten angehende Lehrkräfte, ihre eigenen Klassenzimmer-KI-Politiken zu schreiben, als rhetorisches Weltenschaffen darüber funktioniert, wozu Schreiben da ist —, ein Fenster in entstehende Überzeugungen, das abstrakte Diskussion nicht öffnet. Weil KI Schreiben-als-Produkt von Schreiben-als-Prozess trennt, sollten Programme Lehrkräften helfen, zu verorten, wo Denken, Lernen und Wert tatsächlich über Brainstorming, Entwurf, Überarbeitung und Editierung hinweg leben, statt Denken nur in finalem Text zu verorten, und sie darin stützen, Überzeugungen in operative, eindeutige Regeln zu übersetzen, gepaart mit KI-Kompetenzinstruktion: Widersprüche wie das Verbot KI-generierten Texts, während Studierende für die KI-generierten Inhalte, die sie einreichen, verantwortlich gehalten werden, lassen Studierende unfähig, zu entsprechen.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauTeacher Education, K 12, Adult Learning
ZielgruppeInstructors
Grundlagen von KI in der BildungKI-Kompetenz, Lehre, Technologisches pädagogisches Inhaltswissen (TPACK)
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.