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

Lehre

Erstellt 2026-08-09 · Aktualisiert 2026-10-10

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

Lehre — wie KI die Arbeit, Identität und Handlungsfähigkeit von Bildungsakteurinnen und -akteuren umformt. Mit über 50 Artikeln, die diese Dimension untersuchen, dokumentiert die Wissensbasis eine fundamentale Transformation: von alleiniger Wissensautorität zu Orchesterleitung von Mensch-KI-Lernumgebungen. Diese Seite geht über die Beschreibung jenes Wandels hinaus — sie detailliert, was Lehrkräfte tatsächlich anders machen, wie sie ihre Praxis anpassen können, und wie sie sich mit Lerndesign, KI-Kompetenz und akademischer Integrität verbinden.

Malyn-Smith et al. (2026) nennen das das menschlichere Paradox: In sechs 2030-Szenarien, gemeinsam von 20 Forschenden aus 13 Ländern konstruiert, verstärkt KI-Sättigung die menschliche pädagogische Arbeit statt sie zu verdrängen. Die Szenarien beschreiben KI als „das Lüftungssystem des Lernökosystems“ — man bemerkt sie nur, wenn sie fehlfunktioniert.

Fragen zum Nachdenken

  • Die Seite beschreibt den Wandel der Lehrkraft „von alleiniger Wissensautorität zu Orchesterleitung von Mensch-KI-Lernumgebungen“. Was gewinnen und was verlieren Sie als Bildungsakteur oder Bildungsakteurin, wenn Sie aufhören, die Hauptquelle der Inhalte zu sein?
  • Sie argumentiert, KI teile die knappste Ressource einer Lehrkraft — Aufmerksamkeit — neu zu, von der Produktion von Materialien zur Deutung der Lernenden. Klingt diese Umrahmung wahr an, und was würden Sie mit der zurückgewonnenen Zeit tatsächlich tun?
  • Auf der Seite zitierte Forschung zeigt Lehrkräfte als aktive KI-Designende — die die Prompts und Scaffolds schreiben, die prägen, wie sich KI für ihre Studierenden verhält — statt als passive Konsumierende. Was würde es brauchen, damit Sie (oder Lehrkräfte, die Sie kennen) sich als Designer von KI fühlen statt als Nutzende?
  • Am fernen Ende des Spektrums „Lehrkraft-KI-Teaming“ orchestriert die Lehrkraft ein Team aus menschlichen Lernenden, KI-Tutoren und Curriculum-Ressourcen. Wo bleibt menschliches Urteil in diesem Team unersetzbar, und was könnte stillschweigend erodieren, wenn die Orchestrierung weitgehend der KI überlassen wird?
  • Wenn die Aufmerksamkeit der Lehrkraft von der Produktion von Materialien zur Deutung der Lernenden neu zugeteilt wird, welche neuen Kompetenzen und Risiken führt das ein —, und wer unterstützt die Lehrkraft darin, sie zu entwickeln?

Einführung

Lehre benennt hier die professionelle Rolle, wie KI sie umformt: weniger Inhaltslieferung, mehr Orchestrierung menschlicher und maschineller Teilnehmenden, Deutung dessen, was Lernende tatsächlich verstehen, und Gestaltung der Bedingungen, unter denen KI-Nutzung legitim ist. Die unter diesem Konzept gesammelten Seiten dokumentieren Lehrkraft-KI-Teaming und Wandel im Arbeitsablauf, die Kompetenzen, die die Rolle nun verlangt, und die Spannung zwischen Effizienzgewinnen und der Aufmerksamkeit, die individuelle Unterstützung erfordert. Sie sitzt neben Lehr- und Curriculumsentwicklung, KI-Kompetenz und Assessment als eine der Rollen, die bestimmen, ob KI-Integration Praxis verändert oder sie bloß dekoriert. Die Lernwissenschaften sind das Forschungsfeld, dessen Evidenz diese Position umformt: Sie beschreiben und testen, wie Lernen geschieht und welche Designs es verändern, während diese Seite die Rolle im Klassenzimmer abdeckt, die auf jene Evidenz im Moment reagieren muss.

Wie KI das Lehren transformiert

  • Von der Instruktion zur Orchestrierung: Fünf Stufen des Lehrkraft-KI-Teamings und Forschung zur Orchestrierung von Handlungsfähigkeit kartieren das Spektrum von KI als Werkzeug zu KI als Lehrpartnerin. Am fernen Ende orchestriert die Lehrkraft ein Team, das menschliche Lernende, KI-Tutoren und Curriculum-Ressourcen umfasst, statt selbst alle Inhalte zu liefern.

  • Wandel im Arbeitsablauf: Wandel im Arbeitsablauf dokumentiert, wie KI die Zeit von Lehrkräften von Inhaltslieferung zu höherwertigen Aktivitäten wie individueller Unterstützung, Feedback und Curriculum-Design verschiebt. Die knappste Ressource der Lehrkraft — Aufmerksamkeit — wird von der Produktion von Materialien zur Deutung der Lernenden neu zugeteilt. Ein systematischer Review von Sprachlehrenden (Li et al. 2026) bestätigt das: Bildungsakteurinnen und -akteure schätzen GenAI am meisten für vorbereitende Arbeit (Unterrichtsplanung, Materialerstellung, Schreibunterstützung), zögern aber bei der Live-Nutzung im Klassenzimmer, und ihre Übernahme wird durch professionelle Identität, pädagogische, technische, institutionelle und akademische-Integritäts-Faktoren geprägt —, wobei Kompetenzlücken sich auf Episteme (die Fähigkeiten und Grenzen der KI verstehen), Techne (Prompt Engineering, KI-verbessertes Aufgaben- und Assessmentdesign, Erkennen KI-generierten Texts) und Phronesis (ethisches Urteil, Umgang mit Bias und Datenschutz, kontextsensibles Urteil) abbilden. Dokumentiert, wie KI die Zeit von Lehrkräften von Inhaltslieferung zu höherwertigen Aktivitäten wie individueller Unterstützung, Feedback und Curriculum-Design verschiebt. Die knappste Ressource der Lehrkraft — Aufmerksamkeit — wird von der Produktion von Materialien zur Deutung der Lernenden neu zugeteilt.

  • Kompetenzanforderungen: Frameworks für KI-Kompetenz von Lehrkräften definieren, was Bildungsakteurinnen und -akteure wissen müssen, von grundlegender Werkzeugflüssigkeit bis zu pädagogisch verankerter Orchestrierung. Übernahmestudien identifizieren die echten Barrieren: Vertrauen, institutionelle Unterstützung und Arbeitslastanliegen. Bai & Hsieh (2026) fügen dem in einem SEM mit 898 chinesischen Universitätslehrkräften empirisches Gewicht hinzu: GenAI-gestützte Unterrichtsinnovation hängt weniger von isoliertem KI-Technologiewissen ab als von pädagogisch und fachlich eingebetteter KI-Kompetenz (KI-Kompetenz und professionelle Identität), die beide die Kompetenz→Innovation-Beziehung teilweise mediierten — ein Signal, Fakultätsentwicklung um eingebettete, identitätsverbundene KI-Kompetenz herum aufzubauen statt um werkzeugspezifisches Training.

  • Bereitschaft als Designfähigkeit, nicht als Einstellung: Charles (2026) argumentiert, dass die Bereitschaft von Lehrkräften für KI-reiches interaktives Lernen nicht an Übernahme, Vertrauen oder digitaler Kompetenz ablesbar ist, weil keine davon die Qualität der Designs vorhersagt, die Lehrkräfte tatsächlich hervorbringen. Bereitschaft-durch-Design ist vollzugsorientiert: Lehrkräfte mobilisieren KI-bezogenes pädagogisches Wissen, pädagogische Überzeugungen, Selbstwirksamkeit und ethische Orientierung durch Designvermittlung (Werkzeugwahl, Aufgaben- und Promptdesign, Scaffolding, Transparenz, Verifikation, Assessment-Reformulierung, Barrierefreiheitsplanung und menschliche Aufsicht) innerhalb einer institutionellen und politischen Ökologie, die die Übersetzung ermöglicht und moderiert. Zwei Behauptungen tragen praktisches Gewicht. Selbstwirksamkeit ist eine Mobilisierungsressource statt ein Qualitätsindikator, sodass Vertrauen ohne KI-bezogenes pädagogisches Wissen oder ethische Orientierung schlechtes Design beschleunigen kann. Und Politikklarheit und materielle Unterstützung sind getrennte Moderatoren, sodass eine gut ausgestattete Schule Lehrkräfte dennoch ratlos lassen kann, was erlaubt ist. Charles lehnt es zudem ab, Nicht-Nutzung mit Unbereitschaft gleichzusetzen: eine begründete Entscheidung, KI vorzuenthalten, kann selbst Bereitschaft demonstrieren.

  • Co-Design und Handlungsfähigkeit: Von Lehrkräften verfasste Prompts und Vibe Coding für Lehrkräfte zeigen Bildungsakteurinnen und -akteure als aktive KI-Designende, nicht passive Konsumierende — die die Prompts und Scaffolds schreiben, die prägen, wie sich KI für ihre Studierenden verhält. In der STEAM-Kunst-Unterrichtsplanung für Kinder bestätigten Luo und Tahir (2025) experimentell, dass wie die Lehrkraft an ChatGPT delegiert zählt: Inhaltliche Lücken in einem selbst umrissenen Plan zu füllen (die von 60% bevorzugte und empfohlene Methode) bewahrte die Designautonomie der Lehrkraft, während sie die expertenbewertete Planqualität weiter hob (Median 20.5 gegenüber 17.6, p = .002, großer Effekt) und damit abschnitt, dass KI ganze Pläne erzeugt oder einen fertigen bloß prüft. KI diente hauptsächlich als Inspirations- und Lückenfindungs-Kollaborateurin statt als Quelle vollständig originaler Innovation —, was verstärkt, dass die Lehrkraft die Designagentin und Richterin der Ausgabe bleibt, einschließlich dem Auffangen von Kindersicherheits- und kulturellen Bias-Fehlern, die das Werkzeug übersah. Ein systematischer Review von Lehrkraft-KI-Co-Design von Lernaufgaben (Wang, Liu & Islam 2026) findet, dass diese Co-Designer-Haltung ungleich bleibt — der dominante Modus ist noch KI als Assistentin und Inhaltsgeneratorin —, und Talebzadeh (2026) zeigt, dass die Handlungsfähigkeit der Lehrkraft als „zweisprachige Lerndesignerin“ das ist, was KI-designte Gruppenaktivitäten in differenzierten, ZPD-ausgerichteten Unterricht verwandelt.

  • Einen Bot zu verfassen ist nicht dasselbe wie zu kontrollieren, was er lehrt. Siebenundzwanzig Mittelstufenlehrkräfte, die ein Zweck-und-Regeln-Chatbot-Autorenwerkzeug konfigurierten, sahen nur teilweise Treue im erzeugten Verhalten — die Ausrichtung fiel von 88.9% bei Responsivität und 81.5% bei Persona auf 70.4% bei Regeln und 59.3% bei Zweck, und Regeleinhaltung variierte nach dem gewählten Modell —, die Ausführungs-/Evaluationslücke, die die Rolle der Lehrkraft als Designerin zur Probe der Absicht statt zu ihrer Garantie macht (Riahi et al. (2026)).

  • Angehende Vorbereitung: TPACK-basiertes Training und Programme der Lehr- und Curriculumsentwicklung bereiten künftige Lehrkräfte auf KI-erweiterte Klassenzimmer vor, bevor sie sie betreten. Rollenspiel mit simulierten Lernenden weitet dies in praktische Übung aus: Ein eigener ChatGPT-Bot (Student GPT), der eine mathematisch missverständnisbehaftete Mittelstufenschülerin spielt, lässt angehende Lehrkräfte das Diagnostizieren und Anleiten studentischen Denkens in einer risikoarmen Umgebung proben und bereitet sie auf eine zentrale Lehraufgabe vor — das Lesen und Fördern studentischen Denkens.

  • Eine Lehrkräfte zugewandte Entwicklungsfront, die die Evidenzbasis kaum betreten hat: Štefánik et al. (2026) stellen Edustories zusammen, 1.492 von Lehrkräften geschriebene Fallstudien echter Grund- und Oberstufenklassenzimmer — herausforderndes Studierendenverhalten, die von der Lehrkraft versuchte Intervention, und was folgte —, genau weil die meiste KI-in-der-Bildung-Forschung auf individualisierte Studierendenassistenz gezielt hat, während das meiste Lehren in kollektiven Klassenzimmern passiert. Beim Benchmarking von vier Sprachmodell-Familien auf die Vorhersage, ob eine Intervention gelang, erreichten die stärksten Modelle 58% Genauigkeit gegenüber 64% für menschliche Expertinnen und Experten; die Autoren lesen die Lücke in beide Richtungen, als Grenze für heutige lehrkräftezugewandte Assistenz und als Beleg aufkommenden Potenzials. Was die Seite daraus gewinnt, ist eine gemessene Obergrenze statt eine Fähigkeitsbehauptung: Ratschläge an Lehrkräfte müssen besser sein als Expertenurteil, bevor man ihnen vertrauen kann, und heute ist die Rangfolge umgekehrt. Eine parallele Lücke erscheint in Yalçın et al.s (2026) PRISMA-Review von 46 empirischen Studien zu GenAI im Programmierunterricht der Hochschulbildung: Rollen von Lehrenden und institutionelle Praktiken gehörten zu den am wenigsten untersuchten Bereichen des Felds, und 26 der 46 Studien gaben keine kodierbare Beschreibung ihres Unterrichtsansatzes, sodass die Designentscheidungen, die die berichteten Ergebnisse erzeugten, oft selbst für andere Lehrende unsichtbar sind.

  • Wo KI tatsächlich in die Arbeit eintritt, nach Aufgabe: Holster (2026) trennt Übernahme von Zuteilung anhand von TALIS-2024-Daten von 56.669 Lehrkräften, mit einer Zuteilungsstichprobe von 24.058 KI-Nutzenden über 46 Bildungssysteme. Eine Aufgabe, die einen Punkt über der eigenen mittleren Anforderung einer Lehrkraft bewertet wurde, erhielt wahrscheinlicher KI-Hilfe (OR = 1.163), aber die Richtung unterscheidet sich nach Aufgabe: Planung steigt mit Anforderung (OR = 1.084), Assessment und Benotung fällt (OR = 0.921), und Sonderpädagogik-Unterstützung und Anpassung steigt steil (OR = 1.442, eine vorhergesagte Spanne von 34.0% auf 50.3% über den Anforderungsbereich). Die Kompetenz- und Politiksicht ist, dass Lehrkräfte folgenreiches Benoten bereits menschlich halten, während sie bei individualisierter Anpassungsarbeit nach KI greifen, sodass Orientierung, die Lehrkräfte-KI-Nutzung als einzelnes Verhalten behandelt, verfehlt, wo Unterstützung tatsächlich gebraucht wird.

Wie die sich verändernde Rolle tatsächlich aussieht: konkrete Beispiele

Die Abstraktion „Orchesterleitung“ ist durch konkrete, alltägliche Verschiebungen in der Arbeit der Lehrenden leichter zu fassen:

  • Vom Schreiben jedes Handouts zum Kuratieren KI-generierter Entwürfe. Eine Lehrkraft, die früher einen Abend damit verbrachte, ein differenziertes Arbeitsblatt zu bauen, promptt heute eine KI, drei Versionen auf unterschiedlichen Schwierigkeitsstufen zu erzeugen, und verbringt denselben Abend damit, sie zu prüfen und anzupassen — ein Wandel vom Verfassen zum redaktionellen Urteil. Arbeitsabläufe wie Curriculum-as-Code machen diese Pipeline explizit, und Kibar & Ilgazs systematischer Review zeigt KI als „Co-Arbeiterin“, die Inhalte entwirft, die die Designerin dann verfeinert. Expertenvalidierung KI-generierter naturwissenschaftlicher Unterrichtspläne macht explizit, was jenes redaktionelle Urteil wiegen muss: Karaismailoglu, Surmeli und Yildirim (2026) fanden, dass elf Naturwissenschafts-Spezialistinnen und -spezialisten die sechstklässigen Pläne von ChatGPT-4 und eines bildungsfokussierten Werkzeugs als nutzbare Entwürfe bewerteten — 7 von 11 urteilten sie „durch Korrektur anwendbar“, nur 3 direkt „anwendbar“ —, und Präferenzen divergierten von rohen Werten (7 bevorzugten das höher bewertete bildungsfokussierte Werkzeug, 4 den allgemeinen Plan), weil Urteil affektive und kontextuelle Dimensionen über strukturelle Treue hinaus wog. Lehrkräfte bleiben die Schiedsrichterinnen und Schiedsrichter darüber, ob und wie ein KI-Entwurf zu einer lehrbaren, kontextuell verankerten Lektion wird.
  • Vom Vorlesen zum Coaching in Echtzeit. Statt dieselbe Erklärung der ganzen Klasse zu liefern, routen Lehrkräfte zunehmend Routinefragen an einen KI-Tutor und fokussieren die Präsenzzeit auf die Studierenden, die menschliches Urteil brauchen — Studien zum Arbeitsablauf dokumentieren genau diese Neuzuteilung von Aufmerksamkeit.
  • Vom Benoten zur Gestaltung von Assessments, die KI nicht überlisten kann. Lehrende hören auf, sich auf abrufbasierte Aufgaben zu verlassen, die LLMs trivial lösen, und gestalten stattdessen authentische Assessments, Assessment-Skalen und formative Aufgaben, die Lernzuwächse bewahren.
  • Von der Vermittlung von Inhalten zur Vermittlung von Nutzung. Die Aufgabe der Lehrkraft umfasst zunehmend, zu modellieren, wie man KI promptet, bewertet und verantwortungsvoll nutzt — ein KI-Kompetenz-Curriculum, in jeden Kurs eingewoben, nicht ein separates Fach.
  • Vom Lesen von Dashboards zum kontextuellen Handeln danach. Mejia-Domenzain et al. (2026) zeigen, dass die tatsächliche Nutzung von Analytik-Dashboards durch Lehrkräfte nach Kontext divergiert: Lehrkräfte in Flipped-Classroom-(Universitäts-)Settings folgten sequenzieller Exploration und bevorzugten kursstufige Anpassung und das Zeigen von Dashboards im Unterricht, wohingegen berufsbildende Lehrkräfte Zusammenfassungsseiten erneut besuchten und das Werkzeug hauptsächlich für individuelle Coaching-Sitzungen nutzten. Die von den Lehrkräften vorgeschlagenen Handlungen wurden durch die repräsentierten Inhalte und ihre Unterrichtsstufe geformt statt durch den Plot-Typ — Universitätslehrkräfte bevorzugten wöchentliche Tests und Kursanpassung, berufsbildende direktes, individualisiertes Coaching. Das verweist auf kontextbewusstes Dashboard-Design und differenzierte Unterstützungsbedürfnisse von Lehrkräften statt eine Einheitsgrößen-Analytik-Oberfläche.
  • Vom Empfangen von Warnungen zum Beurteilen derselben. Swidan (2026) begleitete eine Lehrkraft und acht leistungsstarke Oberstufenschülerinnen und -schüler in einer GeoGebra-Geometriestunde, in der Dash4Emotion Studierende mit roten Rechtecken rahmte, die negative Emotion signalisierten, und fand, dass die Warnungen die Ergebnisse nicht trieben — der Zug der Lehrkraft nach jeder Warnung tat es: Miras Aufgabe von der Suche nach einem Minimalwert zur geometrischen Örtlichkeit minimaler Punkte umzurahmen eröffnete ihre Exploration erneut, drei gleichzeitige Warnungen veranlassten eine Umrahmung für die ganze Klasse, und die absichtliche Nicht-Intervention einer Stunde war selbst eine pädagogische Entscheidung. Die Haltung der Studie ist, dass eine KI-generierte emotionale Warnung ein Hinweis ist, der neben dem zu deuten ist, was die Lehrkraft sehen kann, nicht eine Anweisung, der zu gehorchen ist.
  • Vom Torhüter zum prinzipientreuen Facilitator von Zusammenarbeits-Feedback. Die Community-Builder-(CoBi)-Klassenzimmer-Pilotierungen zeigen, dass die Rolle der Lehrkraft entscheidend die Umsetzungstreue prägt: Lehrkräfte, die die Feststellungen und Visualisierungen der KI nutzten, um Metakognition und kritische Reflexion über Zusammenarbeit anzuregen, erzielten hochtreue Nutzung, während jene, die das System in Performanz-Überwachung abgleiten — oder in allgemeine KI-Diskussionen abschweifen — ließen, das nicht taten. Lehrkräfte sorgten sich zudem, von Echtzeit-Feedback „auf der Stelle“ bloßgestellt zu werden, und bevorzugten Prüfung vor/nach der Handlung gegenüber Live-Anzeige, was unterstreicht, dass die Orchestrierung klassenweiter Zusammenarbeits-KI erhebliches professionelles Lernen verlangt, nicht bloße Werkzeugflüssigkeit.
  • Vom Instruieren mit KI zum Einspringen für sie. Wo die digitale Kluft kein Gerät für jede Person lässt, kann die Lehrkraft zur physischen Schnittstelle zum System werden — eine Stellvertreterin statt eine Orchesterleitung. In Rodrigues et al.s (2026) „AIED-unplugged“-Modell arbeiten Studierende weiter mit Papier und Stift, während die Lehrkraft ihre Lösungen fotografiert, und die KI gibt personalisierte Übungslisten und fehlerspezifisches Feedback zur Rückgabe zurück. Das ist ein geclustertes Quasi-Experiment über 19 authentische brasilianische Grundschulklassen statt eine Prototyp-Demonstration, und seine zwei Ergebnisse betreffen die Rolle direkt. Erstens kam der Lernvorteil gegenüber üblicher Praxis aus einer einzelnen 50-minütigen Lehrkräfte-Training-Sitzung, nicht der Technologie: die Trainings- und Training-plus-System-Bedingungen unterschieden sich nicht bei Zuwächsen (−4.33, 95% CI [−17.29, 7.23]), sodass Vorbereitung, nicht das Werkzeug, der aktive Bestandteil ist. Zweitens lief der eigene Nutzen des Systems indirekt, durch die Lehrkraft — reduziertes Anstrengungsempfinden medierte einen positiven Effekt auf Zuwächse (3.649, 95% CI [1.097, 6.398]) —, sodass der Effekt Studierende erreicht, die die KI nie berührt, und die von den Lehrkräften beschriebene Erfassen-und-Verifizieren-Arbeit (Blätter fotografieren, auf Verarbeitung warten, Erkennungsfehler korrigieren) Teil der pädagogischen Kosten ist, KI auf unterversorgte Klassenzimmer auszuweiten.
  • Vom Informationsanbieter zum Lerndesigner. Hochberg und Waitzman (2026) begleiteten 93 Lehrkräfte durch ein achtwöchiges KI-Programm und fanden Praxis, die sich hin zu heutagogischem Design für Handlungsfähigkeit der Lernenden bewegte, wenngleich die selbstberichteten Verschiebungen nach Adjustierung nicht signifikant waren und Ergebnisse der Lernenden nicht gemessen wurden.

Die Orchestrierungsmetapher

Die dominante Metapher in der Wissensbasis ist Orchestrierung: Lehrkräfte koordinieren menschliche Lernende, KI-Tutoren und Curriculum-Ressourcen. Das kontrastiert mit Ersetzungsnarrativen — KI erweitert statt menschliches Lehren zu substituieren. Empirische Evidenz stützt diese Haltung: Ein PRISMA-geleiteter systematischer Review von 42 Studien (2023–2025) fand, dass LLMs menschlichen Bewertenden bei kurzen, gut strukturierte Aufgaben gleichkommen, dass die Leistung aber bei längeren, mehrsprachigen und nuancierten Arbeiten sinkt — und schließt, dass LLMs Lehrkräfte nicht vollständig ersetzen können und dass hybride Human-in-the-Loop-Assessment-Systeme die höchste Benotungswirksamkeit erzielen (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Die Orchestrierungslinse rahmt die Kernfähigkeit der Lehrenden als Urteil: entscheiden, wann ein Mensch, eine KI oder eine gestaltete Lernaktivität das richtige Instrument für eine bestimmte lernende Person und einen bestimmten Moment ist. Ein PRISMA-Review von 2026 über 29 Studien zu Lehrkräfte-Intervention in KI-basiertem K-12-Unterricht schärft die Metapher zu einem vierphasigen Zyklus — Überwachen, Urteil, Intervention, Orchestrierung —, und zeigt, warum keine Phase angenommen werden kann. Lehrkräfte bevorzugten geteilte Kontrolle und akzeptierten, veränderten, lehnten ab oder überschrieben KI-Vorschläge; manche verzögerten Intervention absichtsvoll, damit Studierende zuerst produktiv kämpfen konnten; und Dashboards, die Bewusstsein erweiterten, konnten Aufmerksamkeit auch überlasten oder übersteigen, was eine Lehrkraft physisch tun kann. Ihre drei Strategien — pädagogische Übersetzung von KI-Ausgabe, Design von Lernunterstützung, und Rekonstruktion von Interaktionsstrukturen — beschreiben die Arbeit als Rekontextualisierung statt als Zustimmung, was die Lehrkraft näher an Mediatorin als an die Human-in-the-Loop-Reviewer-Rolle rückt. Klassenraumbeobachtung benennt dieselben Verhaltensweisen als Typen. Sechs Stunden mit einer erfahrenen Lehrkraft fügten Drijvers' vier drei Orchestrierungstypen hinzu — Dashboard-Überwachung, KI-Korrigieren und KI-Vermittlung —, wobei die inhaltliche und ethische Rolle der Lehrkraft am sichtbarsten waren, als sie KI-generiertes Feedback korrigierte (Noh & Kim, 2026).

Sich entwickelnde und kritische Rollen von Lehrkräften

Neuere Arbeit weitet die Orchestrierungsmetapher in reichere Rollenkonzepte aus:

  • Co-Orchesterin über Aktivitätsübergänge. Yang et al. (2026) nutzen partizipatives Speed Dating mit 17 Lehrkräften und 13 Studierenden, um zu kartieren, wie Kontrolle über die Stufen einer Klassenzimmeraktivität verteilt sein sollte — die Vorher-, Während- und Nachher-Übergänge zwischen individueller und kollaborativer Arbeit —, in einem Co-Orchestrierungs-Werkzeug, das dynamische Paarung in Echtzeit unterstützt. Das emergierende Designprinzip ist, dass Kontrolle kein fixer Punkt ist: Lehrkräfte und Studierende wollen auf jeder Stufe unterschiedliche Mengen an Handlungsfähigkeit, und das Werkzeug sollte die Lehrkraft Gruppierung, Aktivitätsübergänge und Interventions-Timing in Echtzeit anpassen lassen, während ein Override der Lehrkraft erhalten bleibt. Das positioniert die Lehrkraft als Co-Orchesterin der gesamten lebenden Lernumgebung — eine Rolle, die spezifischer ist als die allgemeine Orchestrierungsmetapher, fokussiert auf die granularen Moment-zu-Moment-Entscheidungen darüber, wer mit wem wann und mit welcher Unterstützung arbeitet —, und sie verbindet individuelles Tutoring mit Design auf Klassenstufe.
  • Die „kognitive Choreographin“. Posthumanistische Frameworks setzen die Lehrkraft neu als kognitive Choreographin, die Kognition orchestriert, die über biologische und künstliche Systeme verteilt ist, und gehen über instrumentalistische Modelle wie TPACK und SAM hinaus.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Facilitatorin, Co-Untersuchende, ethische Aufseherin. Im Naturwissenschaftslernen verschieben sich die Rollen von Lehrkräften von Wissenstransmittierenden zu Facilitatorinnen und Co-Untersuchenden und gewinnen neue Verantwortung als ethische Aufseherinnen der verantwortungsvollen KI-Nutzung der Studierenden.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Vermittlerin von Lernprinzipien. Bildungsakteurinnen und -akteure operationalisieren uralte Lernprinzipien (erfahrungsbasiertes, situiertes und verteiltes Erkennen) durch KI und behandeln KI als Werkzeug, das die leitende Rolle der Bildungsperson verstärkt statt ersetzt.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Kritische Vermittlerin, die KI-Ausgabe zum Gegenstand von Kritik macht. Canonigo (2026) begleitete zehn Mathematik-Lehrkräfte der Sekundarstufe durch eine achtwöchige ChatGPT-4-Intervention und identifizierte fünf Vermittlungspraktiken: KI-generierte Problemstellung, zum Ausblenden gestaltete Hinweis-Scaffolds, kritischer Vergleich von KI-Ausgabe gegen die eigene Arbeit der Studierenden, differenziertes Prompting (eine visuelle Analogie für eine kämpfende Person, eine kubische Erweiterung für einen Peer), und KI als reflexive Dialogpartnerin. Wo Lehrkräfte diese vollzogen, wurde Ausgabe zu etwas, mit dem man argumentieren kann, statt zu einem Antwortschlüssel, und Studierende bewegten sich hin zu Vermutung und metakognitivem Fragen; wo Vermittlung fehlte, wanderte Autorität hin zum Algorithmus, wobei Studierende die KI vor ihrer Lehrkraft konsultierten und nur zur Validierung zurückkehrten, was eine Lehrkraft als Übergang „vom Orakel zum Lektor“ beschrieb. Der Gerechtigkeitsbefund der Studie ist der scharfe: Über 300 Modellantworten hinweg war das kostenlose Modell in 32.7% der Fälle ungenau gegenüber 12% für das Premium-Modell (χ²(1) = 17.5, p < .001), sodass Lehrkräfte an der unterversorgten Schule es „für Mathematik grenzwertig nutzlos“ nannten. Werkzeugqualität, nicht nur Werkzeugzugang, wird zur pädagogischen Variable, und die Richtlinie für akzeptable Nutzung an der Schule einer Lehrkraft war ein Jahrzehnt alt und schwieg zu KI, was die Governance-Lücke dem Klassenzimmer überließ.
  • Ungeklärte und verwundbare professionelle Identität. Farazouli et al. (2026) dokumentieren die emotionale Seite der Rollenrekonfiguration: 24 schwedische Universitätslehrkräfte erlebten das Auftreten generativer KI als alarmierend und überwältigend und berichteten einen „Zustand der Verletzlichkeit“ (geringes Vertrauen, Unsicherheit, Furcht, „den Studierenden nicht voraus zu sein“) und das Gefühl, zwischen utopischen und dystopischen Diskursen „festzustecken“. Generative KI veranlasste sie, ihre Prioritäten neu zu bewerten — kritisches Denken, evaluatives Urteilsvermögen und ethischen Einsatz generativer KI zu kultivieren —, und die eigene und zukünftige Rolle der Universität in einer Landschaft infrage zu stellen, die sich „außer Kontrolle“ anfühlte. Das rahmt den Rollenwandel als identitätsstufig und emotional aufgeladen, nicht bloß als Wandel von Fähigkeiten oder Arbeitsablauf.
  • Akademische Entwickelnde als digitale Vermittlerinnen, auch als Bremse. Sithole (2026) interviewt zwölf akademische Entwickelnde und Lerndesignende an zwei südafrikanischen historisch benachteiligten Einrichtungen und findet die Rolle sich vom Ermöglichen reflexiven Lehrens hin zu technologischem Vermittler und Problemlöser verschieben, mit Vermittlung über Pädagogik, Ethik und institutionelle Politik. Der unterscheidende Zug ist, Verlangsamen als Teil des Jobs zu behandeln: Ein Teilnehmender beschreibt das Übersetzen zwischen „was das Management will, was die Technologie kann, und was die Dozierenden tatsächlich sorgen“, und das Benennen von Plagiat, Studierendenabhängigkeit und der Auslagerung von Denken, bevor Begeisterung das Tempo setzt — „Es ist nicht nur technische Unterstützung; es ist auch Verhandlung.“ Dieselbe Studie dokumentiert die affektiven Kosten („Ich fühle mich wie eine Hochstaplerin. Ich lerne KI, während ich arbeite, aber die Einrichtung erwartet Expertise“) und die professionelle Lernantwort: Peer-Räume, die Werkzeuge testen und absichtsvoll brechen, zielen auf Urteil statt auf Fähigkeit, und eine explizite Ablehnung der Übernahme-oder-Widerstand-Binarität — „Ich bin nicht anti-KI; ich bin pro-Kontext.“
  • Prinzipielle Selektivität statt Übernahme oder Widerstand. Adiozaman und Segar (2026) interviewten zwei Akademikerinnen mit mehr als zehn Jahren Erfahrung dreimal über ein einzelnes Semester und fanden Identitätsarbeit, die um drei miteinander verbundene Spannungen organisiert war — Pädagogik versus Plattform, Bildungsakteurin versus Facilitatorin, und Sorge versus Konformität —, die sich nicht in einer geklärten Position auflösten, sondern in prinzipieller Selektivität: kontextsensible Entscheidungen, geleitet von pädagogischen Werten, ethischer Verpflichtung und professionellem Urteil. Sie beschreiben eine Trajektorie von impliziter Orientierung über Mitte-Semester-Strategien wie das Bitten an Studierende, ihr Denken zu erklären und Aufgaben und Assessment neu zu gestalten, hin zu Haltungen, die absichtsvoll offen statt fixiert blieben, wobei die Ablehnung einer bestimmten Nutzung als legitime Ausübung von Urteil behandelt wurde statt als Scheitern der Übernahme. Das liefert das konstruktive Pendant zur oben dokumentierten Verletzlichkeit: Was der Rollenwandel verlangt, ist Urteil, sodass institutionelle Antworten, die um Werkzeugtraining herum gebaut sind, das falsche Problem adressieren.
  • Semi-Autonomie als bevorzugter Betriebspunkt. Dai et al. (2026) befragten 287 GenAI-erfahrene Lehrkräfte in 27 Ländern und Regionen und fanden sie das Werkzeug an den semi-autonomen Stufen einer Automationsskala platzierend — 130 wählten Stufe 2 („Lehrkraftassistenz“), 94 Stufe 3 („teilweise Automatisierung“), und genau eine Person wählte Stufe 6 —, wobei sie es als „zusätzlich“, „Scaffold“, „Komplement“ oder „Partner“ beschrieben. Empfundene Nützlichkeit dominierte ihre Übernahmeabsicht (β = .832, p < .001), während empfundene künstliche Autonomie die Absicht nur indirekt über Nützlichkeit beeinflusste, und Risikoaversion senkte die Absicht, ohne die Nützlichkeit zu schmälern, weil ihre Sorgen sich an der Nutzung durch Studierende festmachten — Betrug und Integrität, geschwächtes Grundlagenwissen und höherstufiges Denken, Halluzinationen, reduzierte menschliche Interaktion, und ethische, rechtliche und Gerechtigkeits-Risiken. Das „Freund-Feind“-Label der Autoren trifft die Haltung präzise: GenAI als Unterstützungswerkzeug geschätzt, aber als autonomer Agent misstraut. Die Folge für die Rolle der Lehrkraft ist, dass Lehrkräfte die entscheidende Akteurin bleiben und Nutzung von Fall zu Fall klären wollen — Disziplin, Bedürfnisse der Studierenden, Aufgabentyp, Timing —, sodass Orchestrierungswerkzeuge um menschliche Aufsicht und Urteil auf Fallebene herum gebaut werden sollten statt um Autonomie-Versprechen.
  • Autorität bleibt bei der Lehrkraft; Fähigkeit erweitert sich nur innerhalb ihrer. Reichert, Briceno, Tabarsi & Barnes (2026) gaben sechs Sekundarstufenlehrkräften der Klassen 6-12 (Sozialkunde, Mathematik, Tierwissenschaft, Naturwissenschaft, und Informatik und Robotik) die Aufgabe, ein LLM-Chatbot für das eigene Klassenzimmer auf Papier zu prototypisieren, und fanden, dass jeder Prototyp dieselbe Haltung kodierte: das System war ein begrenzter Experte, spezialisiert, aber auf eine definierte Domäne beschränkt und von der Lehrkraft überwacht. Lehrkräfte zogen zwei Grenzen. Autoritäts-Grenzen folgten aus professioneller und rechtlicher Verantwortung — Kontrolle darüber, was Studierende lernen und wie sie sicher gehalten werden, konnte nicht delegiert werden, sodass Aufsicht (vollständige Gesprächslogs, Echtzeit-Warnungen bei unangemessenen Anfragen, und manueller Override) als Pflicht der Rolle behandelt wurde statt als Prüfung des Werkzeugs. Expertise-Grenzen folgten aus dem, was das Modell nicht wissen kann: individuelle Geschichten der Studierenden, Klassenzimmerdynamik und institutionelle Normen. Delegation wurde dann selektiv über den Unterricht zugeteilt — Lehrkräfte hießen KI willkommen, Inhalte zu präsentieren, Übungsaufgaben zu liefern, zu scaffolden und formatives Feedback zu geben, behielten aber das Informieren der Studierenden über Ziele und summatives Assessment selbst. Das liefert der oben dokumentierten Semi-Autonomie-Präferenz eine konkrete Architektur: die Autorität der Lehrkraft ist das fixe Element, und KI-Fähigkeit wächst nur innerhalb ihrer.
  • Lehrkräfte als wertgeladene Benotende. Luo & Dawson (2026) zeigen, dass das Benoten KI-gestützter Arbeit kein neutraler, kriterienbasierter Akt ist, sondern ein Werturteil, geformt durch die Vermutung der Lehrkraft darüber, wer die Person ist (Ehrlichkeit, Fleiß), wozu sie fähig ist (Unabhängigkeit, GenAI-Fähigkeit, fachliche Beherrschung), wie sie sich zu anderen verhält (Vertrauen), und ob die Entscheidung zu guten Ergebnissen führt (Fairness, Wohlwollen). Lehrkräften fehlt oft das Bewusstsein für die Wertorientierungen, die ihrer Benotung zugrunde liegen, und diese variieren nach Disziplin (Geisteswissenschaften kritischer gegenüber GenAI-Nutzung; harte/angewandte Wissenschaften weniger Benotungsherausforderungen) und erkenntnistheoretischer Haltung (absolutistisch/multiplistisch/evaluativistisch). Das positioniert die Lehrkraft als evaluative Professionelle, deren Urteil — nicht nur Werkzeugnutzung — unterstützt und transparent gemacht werden muss.
  • Lehrkraft als Schiedsrichterin pädagogisch bedeutsamer Erklärungen. Weil das Vertrauen von Lehrkräften in KI-Empfehlungen steigt, wenn Erklärungen in ihrer curricularen/pädagogischen Sprache gerahmt sind statt in rohen Modellinterna, müssen wirksame Werkzeuge die Domäne der Lehrkraft „sprechen“. In einem Within-Subject-Experiment fanden Feldman-Maggor et al. (2025), dass domänengetriebenen Erklärungen eines KI-Gruppierungswerkzeugs weit mehr vertraut und akzeptiert wurde als datengetriebenen Merkmalswichtigkeits-Erklärungen, was das pädagogische Vokabular der Lehrkraft als die Schnittstelle positioniert, über die KI Vertrauen und Nutzung verdient —, und ihr Urteil darüber, ob eine Erklärung pädagogisch stichhaltig ist, als entscheidenden Faktor bei der Übernahme.
  • Facilitator, deren Funktion teilweise delegiert werden kann. Kuhail et al. (2026) ließen 32 STEM-Studierende unter einem menschlichen Moderator, einem KI-Chatbot (GPT-4, gepromptet mit den von Fakultäten erwarteten Verhaltensweisen: Neutralität, gleiche Redezeit, kurze Anweisungen, Themen-Einhaltung, Anschlussfragen, Deeskalation), oder jedem abwechselnd debattieren, und fanden keinen signifikanten Unterschied bei Wirksamkeit, Freude, Zufriedenheit, Nützlichkeit oder Absicht zur Wiederverwendung (t = 0.23 bis 1.30, p = 0.198 bis 0.818). Die Autoren lesen das Nullergebnis als Normalisierung der Mensch-KI-Zusammenarbeit in regelgebundener Diskussion, nicht als Äquivalenz. Der Weg zur Wiederverwendung unterschied sich: unter menschlicher Moderation trieb Zufriedenheit die Absicht zur Nutzung, wohingegen unter KI-Moderation empfundene Nützlichkeit es tat (0.806 gegenüber 0.495), sodass eine KI-vermittelte Aktivität auf demonstrierter Nützlichkeit überlebt statt darauf, wie vergnüglich sie sich anfühlt. Die praktische Lesart ist KI-Moderation als Skalierungshilfe für große oder dünn besetzte Kurse unter menschlicher Aufsicht, mit Gerechtigkeit unverifiziert für Sarkasmus, indirekte Sprache und Kommunikationsstile von Minderheiten.
  • Setzerin von Zwecken, nicht nur von Kompetenzen. Fagerlund et al. (2026) interviewten 13 finnische Lehrkräfte von der Vorschule bis zur neunten Klasse dazu, warum Studierende über und mit KI lernen sollten, und lasen ihre Darstellungen durch Biestas Qualifikation, Sozialisation und Subjektivation. Qualifikation war der klarste und konkreteste Zweck und umfasste KI sowohl als Ziel des Lernens als auch als Werkzeug dafür; Sozialisation erschien als Kultivieren günstiger Haltungen gegenüber KI und Vorbereiten der Studierenden als KI-gewandte künftige Arbeitskräfte; Subjektivation, selbstbestimmtes und persönlich bedeutsames Engagement, wurde als wichtig bestätigt, hatte aber keine konkreten Unterrichtsstrategien hinter sich und ruhte auf „Diskutieren und Kontemplieren“. Die Autoren schlagen informierte KI-Handlungsfähigkeit vor, Subjektivation im Zentrum mit Kompetenzen als ihrer Grundlage, was der Rolle der Lehrkraft eine Zwecksetzungspflicht gibt: das „Warum“ explizit machen, damit Fähigkeiten Kontext erwerben statt als Selbstzwecke zu stehen, und technische Frameworks wie TPACK um anhaltende Aufmerksamkeit auf Bildungszweck ergänzen.

Diese Rollen verbinden Lehrkräftearbeit mit verteilter Kognition, situiertem Lernen, verkörpertem Lernen und kritischer Pädagogik und rahmen die Lehrkraft neu als Designerin und ethische Führerin KI-vermittelten Lernens statt bloß als Nutzende.

  • KI-gestützte Entscheidungen clustern dort, wo Verhaltensdaten verfügbar sind. Köroğlu et al. (2026) reviewten 27 empirische Studien (2016–2025) und identifizierten acht Entscheidungstypen von Lehrenden und fanden KI-Unterstützung konzentriert auf instruktionale, Feedback- und Assessment-Entscheidungen, während Curriculum-, Lernumgebungs-, emotionale, ethische und administrative Entscheidungen selten unterstützt wurden. Learning-Analytics-Dashboards waren das häufigste System, das Text- und Logdaten zu Verhaltensindikatoren von Leistung und Engagement verarbeitete; multimodale und interaktionsbasierte Daten, agentische Systeme und kognitive, metakognitive, motivationale und affektive Ergebnisse waren im reviewten Korpus alle vergleichsweise selten. Die praktische Lesart für Lehrende ist, dass der Entscheidungsraum, den ein KI-Werkzeug öffnet, durch die Daten begrenzt ist, die es anzeigt, sodass Werkzeugwahl auch eine Wahl darüber ist, welche Unterrichtsentscheidungen ausgestattet werden.

Wie Lehrende ihre Unterrichtspraxis an KI anpassen sollten

Die Evidenz der Wissensbasis konvergiert auf eine Reihe konkreter Anpassungen:

Den pädagogischen Wrapper der KI gestalten, nicht nur das Werkzeug. Dieselbe KI erbringt große Lernzuwächse oder Nettoschaden, je nachdem wie die Aktivität um sie herum gestaltet ist. Kibar & Ilgaz und die Lernzuwachs-Evidenz stimmen überein: die Aufgabe der Lehrenden ist, die Lernerfahrung zu gestalten, wobei KI als Komponente innerhalb einer strukturierten Aktivität behandelt wird statt als Antwortmaschine. Zuerst einen Studierendenversuch scaffolden, dann KI coachen lassen — das ist der Unterschied zwischen Assessment und Performanzinflation.

Einen Human-in-the-Loop-Prüfpunkt verlangen. Statt KI-Ausgabe zum Nennwert zu akzeptieren, Studierenden lehren, KI-gestützte Arbeit zu bewerten, zu korrigieren und zu übernehmen. Fair-use-KI-Kompetenz rahmt das als Balance von KIs Produktivität gegen echtes menschliches Gedeihen und Autorschaft. Aufgaben so gestalten, dass KI beim Entwerfen hilft, aber die lernende Person die Agentin von Evaluation und Überarbeitung bleibt.

KI-Feedback-Entwürfe kuratieren; sie nicht weiterleiten. Chen et al. (2026) gaben 64 chinesischen angehenden Lehrkräften ChatGPT-gestütztes Feedback zu argumentativem Schreiben und fanden, dass die Behandlung der Ausgabe als Entwurfsmaterial statt als fertiger Kommentar kritisches Denken dorthin bewegte, wo lehrkräftexklusives Feedback das nicht tat (Posttest-Cohen's d von 3.74 gegenüber 0.25 beim Pretest, p < .001). Was die Lehrkräfte mit dem Entwurf taten, ist der übertragbare Teil: Sie kopierten angemessene Inhalte auf einem ihrem eigenen ähnlichen Niveau (28%), erweiterten sie mit tieferem Input (16%), lieferten sie (16%), überarbeiteten sie (14%), oder verwarfen sie ganz (14%), wobei weitere 9% Korrektur brauchten. Das gestützte Feedback neigte zum Modellieren (Demonstrieren, 33.1% gegenüber 10.9%) und Befragen (eng fragen, 21.5% gegenüber 6.0%), und Studierende überarbeiteten es hin zu Analyse, Bewertung und Erschaffung statt zu Wiedererkennen, aber sechs von acht Interviewten berichteten weiterhin Ungenauigkeit und Unprofessionalität. Der Verifikationsschritt der Lehrkraft ist das, was das Hybrid sicher macht.

Assessment an das KI-Zeitalter anpassen. Von Aufgaben weggehen, die LLMs wortgetreu erledigen können, hin zu authentischen, prozessbasierten und Präsenz-Assessments. Assessment-Skalen geben Lehrenden eine Rubrik, um zu entscheiden, wie viel KI-Assistenz auf jeder Stufe legitim ist, und meta-analytische Evidenz zeigt, dass KI höherstufiges Denken stützen kann, wenn das Assessmentdesign es verlangt.

Die Bedingungen für dauerhaftes Lernen schützen. Weil KI-Antworten Lernen leicht aussehen lassen, müssen Lehrende gestalten, um der Performanz-Lern-Lücke entgegenzuwirken. Lodge & Loble warnen, dass müheloser Erfolg mit KI das Fehlen von Lernen maskieren kann; Lehrende sollten produktives Kämpfen einbauen, ungestützte Demonstration von Beherrschung verlangen, und KI-gestützte Antworten als Startpunkt behandeln, nicht als fertiges Ergebnis.

Für das Liefermedium planen. Anpassung ist nicht mediumneutral: Online-Unterricht mit KI vervielfacht sowohl die Gelegenheiten (skalierbare Personalisierung, jederzeitige Unterstützung) als auch die Risiken (Integrität, Entlastung). Den KI-Wrapper online genauso absichtsvoll gestalten wie in Präsenzkontexten.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

KI-Kompetenz in das Lehren einbauen

KI-Kompetenz ist kein separates Modul — sie ist eingewoben darin, wie Lehrende jeden Kurs gestalten. Wirksame Ansätze umfassen:

Akademische Integrität im KI-Zeitalter sicherstellen

Akademische Integrität mit KI ist ein Designproblem, kein Überwachungsproblem. Lehrende passen sich an durch:

  • Integrität um Prozess und Autorschaft neu zu rahmen. Statt Detektion akademische Integrität als transparente, dokumentierte Nutzung betonen. Forschung zu agentischer KI und Ghost-Studierenden zeigt, dass sich das Integritätsrisiko verschiebt, wenn Studierende KI-Agenten in ihrem Namen einsetzen, sodass Lehrende definieren müssen, was Autorschaft bedeutet, wenn der „Ghost“ eine KI ist.
  • Offenlegung und Rahmung nutzen. Wie die KI-Nutzung für Studierende eingeordnet wird — ob als Krücke oder legitimes Werkzeug — prägt, ob sie sie offenlegen. Transparenz-Normen (etwa Offenlegung der KI-Nutzung) reduzieren den Anreiz, KI-Nutzung zu verbergen.
  • Den Anreiz zu betrügen weggestalten. Authentische, prozessbasierte und Präsenz-Assessments (mündliche Prüfungen, Portfolios, beobachtetes Problemlösen) machen Auslagerung weniger attraktiv, als es KI-Detektionswerkzeuge tun. Assessment-Skalen und authentisches Assessment sind die konstruktive Alternative zu Detektions-Wettrüsten.
  • Regulierung auf Aufgabenebene ist, wie Lehrende KI tatsächlich governen. Chirikovs (2026) Studie von über 31.000 Kurssyllabi zeigt Lehrende zunehmend als Aufgabenebenen-Regulierer statt als Anwender pauschaler Regeln: Sie beschränken KI für Entwerfen/Überarbeiten (79% der Kurse) und Schlussfolgern/Problemlösen (65%), erlauben sie für Redigieren/Korrekturlesen (83%) und Lernunterstützung (80%), und lassen Ideation/Planung am meisten umstritten (46% erlauben / 54% beschränken). Diese Differenzierung — aufgebaut darauf, welche Aufgaben KI verdrängt versus erweitert — ist eine konkrete, von Lehrenden getriebene Alternative zur Übernahme-oder-Verbot-Politik und gibt der Rolle der Lehrkraft einen zentralen Platz in der Politik-Gestaltung.

Lehre mit Lerndesign verbinden

Lehre und Lerndesign sind zwei Seiten derselben Medaille — die alltäglichen Urteile der Lehrenden sind die lebende Ausführung der gestalteten Lernerfahrung. KI verschärft diese Verbindung:

  • Lehrkräfte als Lerndesignende. LearnAI und von Lehrkräften verfasstes Promptdesign zeigen Lehrende als Designende funktionierend: die Aktivität spezifizieren, die Rolle der KI und die Scaffolds, die Lernen strukturieren. Das ist Lerndesign in Aktion am Nutzungspunkt.
  • Lerndesign-Prinzipien governen KI-Pädagogik. Dieselben Lerndesign-Prinzipien — klare Ziele, ausgerichtetes Assessment, Scaffolding und Feedback — bestimmen, ob KI hilft oder schadet. ISD-Agent-Bench validiert empirisch, dass das Verankern von KI-Design in formalen Instruktionsdesign-Modellen theoriefreies Prompting schlägt.
  • Für die Orchestrierung der Lehrkraft gestalten. Wirksame KI-Lernumgebungen sind mit der Lehrkraft im Sinn gestaltet — die menschenzentrierte KI-Werkzeuge, die sie bereitstellen, sollten die Arbeitslast von Lehrkräften senken und Urteil erweitern, nicht eine weitere undurchsichtige Blackbox hinzufügen. Wenn Lehrende KI-Lernaktivitäten co-designen (Aktivitätstheorie-Perspektiven), verbessern sich Übernahme und Qualität beide.

Beziehung zur Identität der Lernenden

Rolle der Lehrkraft und Identität der Lernenden sind reziproke Seiten desselben menschlichen Prozesses, und KI formt beide neu.

  • Identität der Lehrkraft ist eine professionelle Identität; Identität der Lernenden ist eine Lernidentität. Die Seite zur Rolle der Lehrkraft dokumentiert, wie KI die Arbeit, Identität und Handlungsfähigkeit von Bildungsakteurinnen und -akteuren umformt — ihr sich entwickelndes professionelles Selbstverständnis (siehe Laidlaws Rahmung von GenAI als Identitätskrise). Identität der Lernenden ist das parallele Konstrukt für Studierende: wer sie sind und als Lernende werden, in fachlicher, professioneller, kreativer und akademischer Hinsicht.
  • Sie sind kausal gekoppelt. Lehrkräfte, die Identitätsstörung erleben (Unsicherheit über ihren professionellen Zweck angesichts generativer KI), sind weniger fähig, die Identitätsentwicklung ihrer Studierenden zu stützen — eine Lehrkraft, die an ihrer Rolle zweifelt, kämpft damit, das aufkommende Selbstempfinden der Studierenden in derselben Domäne zu bestätigen. Umgekehrt sind Lehrkräfte, die eine zuversichtliche professionelle Identität aufrechterhalten, besser positioniert, Zugehörigkeit und Autorschaft der Studierenden zu scaffolden.
  • Unterscheidbare Fehlermodi. Identität der Lehrkraft wird durch Rollenobsoleszenz und Zweck bedroht (die „was ist der Sinn des Lehrens?“-Frage). Identität der Lernenden wird durch Autorschaftsverlust und Kompetenz bedroht (die „ist das wirklich meins / bin ich gut genug?“-Frage). Beides sind identitätsstufige (nicht nur fähigkeitenstufige) Antworten auf KI.
  • Beides sind Anliegen professioneller Entwicklung und Pädagogik. Unterstützung von Identität der Lehrkraft gehört zu Lehr- und Curriculumsentwicklung und KI-Kompetenz von Lehrkräften; Unterstützung von Identität der Lernenden gehört zu Erleben der Studierenden, authentischem Assessment und Handlungsfähigkeit. Ein gut gestaltetes KI-integriertes System achtet auf beides — weil die Identität der Lehrkraft die Bedingung ist, unter der sich Identitäten der Lernenden formen.

Lehrer-Co-Design früher KI-Kompetenz

  • Lehrkräfte-Co-Design in früher KI-Kompetenz. Lee (2026) zeigt, dass zwei Vorschul- und zwei Kindergartenlehrkräfte, die das Play-With-AI-(PL-AI)-Curriculum co-designten, erhebliches Wachstum an Vertrauen und pädagogischer Handlungsfähigkeit erlebten, wobei Co-Design Curriculum-Eigentum, reflexive Praxis und bedeutsame Anpassung förderte. Das positioniert Lehrkräfte als zentrale Co-Designende — nicht bloß Umsetzende — entwicklungsangemessener KI-Kompetenz-Curricula, ein Modell mit Folgen für die Lehrkräftebildung in der KI-Bildung der frühen Kindheit und Grundschule.

Lehrkräfte, die KI-Lernressourcen co-designen

  • Die Rolle der Lehrkraft erstreckt sich auf das Co-Designen von KI-Lernressourcen: von Lehrkräften und KI co-designte Simulationen für Drohnen-STEM-Unterricht hielten GenAI-Ausgabe pädagogisch valide und kontextuell relevant, und Lehrkräfte sind die intendierten Nutznießerinnen und Nutznießer der Teachers' AI Literacy Scale. Wirksame GenAI-Integration hängt zunehmend von Lehrkräftebeteiligung am Design ab.

KI-Reflexionssysteme sollten sich an Lehrerfahrung anpassen

  • Lehrkraftgerichtete KI-Reflexionsanalytik sollte expertise-angepasst sein, nicht einheitlich. Eine Befragung von 100 US-amerikanischen K-12-Lehrkräften (Median-Split bei neun Jahren; Binomialtests; 15% Wahlunterschiede erkennbar bei ~83% Power) fand systematische Präferenz-Splits. Weniger erfahrene Lehrkräfte nennen Mangel an Reflexionszeit als Top-Hindernis mit 3x der Rate der Erfahrenen (37% gegenüber 12%, p < .001) und möchten Analytik zu Studierenden-Desengagement (48% gegenüber 33%, p = .028) und Emotionen (31% gegenüber 18%, p = .036).
  • Die aus dem Split abgeleitete Designregel sind erfahrungsangepasste Empfehlungsmodi. Erfahrene Lehrkräfte möchten Analytik zu verbessertem Lernen nachdem sie einer studierenden Person geholfen haben (40% gegenüber 26%, p = .019) und zu ihren Lehrmethoden (42% gegenüber 26%, p = .012); ihr Top-Hindernis ist das Verfolgen von Leistung (28% gegenüber 15%, p = .009). Designregel: Novizenmodus = strukturierte Prompts und Engagement-Analytik; Expertenmodus = flexible longitudinale Analyse —, ein direktes Argument gegen einheitliche Dashboards. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

NiveauK 12, Higher Ed
ZielgruppeInstructors, Faculty Developers, Learners
Lernen und UnterrichtScaffolding (Gerüstbildung)
Technologien und VerfahrenIntelligentes Tutoring
Grundlagen von KI in der BildungKI-Kompetenz, Lehr- und Curriculumsentwicklung, Lerndesign, KI-Kompetenz von Lehrkräften
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.