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

Theorieentwicklung in der KI in der Bildung

Erstellt 2026-08-22 · Aktualisiert 2026-10-10

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

Theorieentwicklung in der KI in der Bildung — die wissenschaftliche Arbeit, die Theorien und konzeptuellen Rahmenwerke zu erschaffen, voranzubringen und kritisch zu untersuchen, die erklären, wie Lernende, Lehrkräfte und KI-Systeme interagieren. Während generative KI Bildung neu formt, schlägt das Feld sowohl neue Theorien des Lernens-mit-KI vor als auch etablierte Lerntheorien überarbeitend —, während eine dokumentierte Schwäche in der Theorie nutzung eine übergreifende Grenze der AIEd-Forschung bleibt.

Fragen zum Nachdenken

  • Wir sprechen oft davon, „eine Theorie auf KI in der Bildung anzuwenden", aber diese Seite fragt, ob das Feld tatsächlich neue Theorien erfindet. Bevor Sie weiterlesen: wenn ein vertrautes Rahmenwerk (wie Behaviorismus oder Konstruktivismus) gedehnt wird, um generative KI abzudecken, was könnte es richtig machen, und was könnte es heimlich verzerren?
  • Denken Sie an eine Zeit, in der Sie KI nutzten und das Gefühl hatten, Ihr Verständnis wuchs — oder das Gegenteil. Was ist der Unterschied zwischen „mit einem Werkzeug lernen" und „Wissen mit einer Maschine ko-konstruieren"? Wo würden Sie jene Linie ziehen, und ergibt es überhaupt Sinn zu sagen, die Maschine sei ein Ko-Agent?
  • Viele KI-Bildungsstudien werden dafür kritisiert, Theorie schwach oder gar nicht zu nutzen. Wenn Sie eine Studie lesen, die zeigte, dass ein KI-Werkzeug „funktionierte", was müsste sie Ihnen darüber sagen, warum und wie es funktionierte, bevor Sie den Befund theoretisch bedeutsam statt bloß eine Effektstärke nennen würden?
  • Eine vorgeschlagene Theorie behauptet, KI-native Lernende überschätzten ihr eigenes Lernen, weil KI ihre Leistung aufbläht. Haben Sie bei sich oder anderen bemerkt, dass sie sich nach starker KI-Nutzung kompetenter fühlten, als sie es ohne sie tatsächlich demonstrieren konnten? Was wäre die stärkste Evidenz, dass dies ein echtes Phänomen ist und nicht bloß ein Artefakt einer Studie?
  • Die Seite unterscheidet Theorie (Mechanismen des Lernens erklären) von Philosophie (infrage stellen, was Lernen und Geist grundlegend sind). Wo in Ihrem eigenen Denken über KI finden Sie sich zwischen den beiden bewegend —, zum Beispiel nicht nur zu fragen, ob ein Rahmenwerk Lernen gut erklärt, sondern ob es einfängt, was Lernen wirklich ist?
  • Neue Theorien erscheinen — Generativismus, epistemische Ko-Handlungsfähigkeit, kognitive Commons. Was würde Sie als Lesende überzeugen, dass eine davon ein echter Fortschritt ist statt eine modische Umetikettierung älterer Ideen? Setzen Sie Ihren eigenen Test dafür, was eine gute neue Theorie des Lernens mit KI erklären können sollte.

Einführung

Theorieentwicklung in der AIED sitzt an der Grenze zwischen den angewandten Lerntheorien, auf die das Feld sich stützt, und den neuartigen Konstrukten, die das KI-Zeitalter produziert. Wo Lerntheorien die etablierten, auf KI angewandten Theorien katalogisiert (Behaviorismus, Konstruktivismus, kognitive Last, Selbstbestimmung etc.), verfolgt dieses Konzept den Prozess und das Produkt des Theoretisierens selbst: welche neuen Theorien und Rahmenwerke geboren werden, wie etablierte Theorien vorangebracht werden, und die methodologische Frage, ob AIEd-Forschung gut theoretisiert.

Neue Theorien des Lernens mit KI

Ein wachsendes Cluster von Artikeln erschafft explizit neue Theorie für das KI-Zeitalter, statt bestehende Rahmen anzuwenden:

  • Generativismus. Generativismus wird als neue Lerntheorie vorgeschlagen, mit dem Argument, dass Behaviorismus, Kognitivismus, Konstruktivismus und Konnektivismus jeweils auf einer Annahme ruhen, die generative KI bricht: dass beobachtbare Ausgabe Lernen zertifiziert (Behaviorismus), dass kognitive Operationen innerhalb der lernenden Person geschehen (Kognitivismus), dass Bedeutung konstruiert statt geliefert wird (Konstruktivismus), und dass der harte Teil die Navigation zu bestehendem Wissen ist statt seine Generierung (Konnektivismus). Es benennt vier Konstrukte — epistemische Partnerschaft, verteilte Handlungsfähigkeit, generative Kompetenz und adaptive Metakognition — und leitet für jedes einen Assessmentindikator ab, ein direktes Gebot, ein distinctes theoretisches Paradigma für KI-vermitteltes Lernen zu benennen. Was es nicht tut, ist Propositionen aufzustellen, die scheitern könnten: es ist ein Positionspapier, das bestehende Evidenz synthetisiert, sodass es anders als Agentivismus unten ein Vokabular und eine Messagenda statt einer falsifizierbaren Theorie bietet.

  • KI-Verbundenheit. Fu und Zhao (2026) rekonstruieren Verbundenheit für das KI-Zeitalter über die Ethik der Sorge und neo-ökologische Theorie und definieren „artificial intelligence connectedness" als eine psychologisch reale, doch ethisch asymmetrische Bindung mit drei Dimensionen und sechs falsifizierbaren Propositionen, die auf Skalenentwicklung warten.

Die synthetische Position fügt ein konkurrierendes Gebot hinzu, das doch Propositionen aufstellt: sie benennt synthetische Promotion und autorielle Suspension — ein Selbst dicht geäußert, doch nicht verfasst —, und sagt eine Crossover-Interaktion vorher, in der die bewertete Autorschaft und Kohärenz einer Lebensentscheidungserzählung sich in entgegengesetzte Richtungen bewegen (Du et al. (2026)).

  • Agentivismus. Yan und Gašević (2026) schlagen Agentivismus als Mid-Range-Lerntheorie für Mensch-KI-Interaktion vor, definieren Lernen als dauerhaftes Wachstum menschlicher Fähigkeit statt erfolgreiche Aufgabenerledigung mit KI, und spezifizieren vier Mechanismen: delegierte Handlungsfähigkeit, epistemische Überwachung und Verifikation, rekonstruktive Internalisierung und Transfer bei reduzierter Unterstützung. Was es von den anderen Geboten auf dieser Seite trennt, ist Falsifizierbarkeit: es stellt sechs Propositionen auf, einschließlich dass Lernen stärker ist, wenn KI der lernenden Person Verantwortung für Problemformulierung, Kriteriensetzung und Begründung bewahrt, als wenn sie Antworten liefert, und dass das Verlangen von Verifikation die verzögerte Leistung verbessern sollte, während wiederholte reibungsarme Delegation ohne Rekonstruktion die Kalibrierung der eigenen Kompetenz durch Lernende schwächen sollte.

Lehrkraftseitiges Theoretisieren trifft nun dieselbe Testbarkeitszusage: das Capability–Decision-Modell ordnet AI-TPACK-Fähigkeit stromaufwärts von Einstellung und wahrgenommener Verhaltenskontrolle und benennt vier Falsifikationsbedingungen — Mediationsversagen, diskriminante Entartung, Moderationsnullität und Kontextredundanz —, wenngleich das Modell ungetestet bleibt (Mnguni (2026)).

  • Epistemische Ko-Handlungsfähigkeit. Learning with Machines baut „toward a theory of epistemic co-agency", ein theorieinformiertes Modell, wie Lernende und GenAI-Systeme gemeinsam Wissen und Verstehen produzieren.

  • Die abwesende kognitive Baseline (ACB). The Absent Cognitive Baseline theorisiert eine strukturelle Lücke in der akademischen Selbstauskunft KI-nativer Lernender —, ein dreidimensionales Rahmenwerk, das erklärt, warum Studierende ihr Lernen überschätzen, wenn KI Leistung aufbläht.

  • Die kognitiven Commons. Cognitive commons and expertise regeneration stützt sich auf Common-Pool-Ressource-Theorie und verteilte Kognition, um zu erklären, wie rationale KI-Übernahmeentscheidungen den geteilten Expertisepool leeren können, den Professionen für Erneuerung brauchen.

  • Leistung gegenüber Lernen. Performance-vs-learning theorisiert die scharfe Divergenz zwischen KI-aufgeblähter Aufgabenleistung und dauerhaftem Lernen, eine Unterscheidung, die über die Lernzuwächseevidenz der Wissensbasis hinweg wiederkehrt.

  • Epistemische KI-Kompetenz (EAIL). Epistemic AI Literacy rahmt KI-Kompetenz neu als prozessorientierte epistemische Kompetenz, zentriert darauf, wie Wissen konstruiert und begründet wird, wenn Studierende mit generativer KI ko-programmieren.

  • Tri-System-Theorie. Shaw und Nave (2026) erweitern Dual-Prozess-Konten mit System 3 — externes, automatisiertes, datengetriebenes Schlussfolgern durch KI, das System 1 und System 2 ergänzen, ersetzen oder unterdrücken kann —, und benennen kognitive Kapitulation (cognitive surrender), die unkritische Übernahme von KI-Ausgabe, als ihr charakteristisches Versagen.

  • Kognitive Verantwortung. Credential and cognitive stewardship theorisiert die institutionelle Verantwortung, Wissen und Lernen in KI-durchdrungenen Assessmentkontexten zu schützen.

  • Ko-regulation und epistemische Proaktivität. KI als kognitiver Partner in der Ko-Regulation integriert exekutive Funktion, Metakognition, verteilte Kognition und soziokulturelle Entwicklung in ein Entwicklungsmodell; epistemische Proaktivität theorisiert die agentische Haltung der Studierenden gegenüber KI in der Mathematik.

  • Mensch-GAI-Engagementparadigmen. Strydom (2026) adressiert das „Theoriedefizit" des Felds, indem sie sieben ausgeübte Mensch-GAI-Engagementparadigmen (guarded, possibility-focused, augmented, pioneering, symbiotic, values-based, equity) in Schommers multidimensionalem Modell persönlicher erkenntnistheoretischer Überzeugungen verankert —, eine erkenntnistheoretische, nicht werkzeugfokussierte Theorie, wie Individuen sich unterschiedlich gegenüber KI positionieren.

  • Das Ökologische Ko-Handlungsfähigkeits-Rahmenwerk. Poudyal (2026) argumentiert, dass generative KI epistemische Autorität von Lehrkräften zu Lernenden zu Maschinen neu zuweist, und führt ein Rahmenwerk ein, das Ko-Handlungsfähigkeit über drei interdependente Dimensionen definiert — relational, regulatorisch (abgebildet auf den SRL-Zyklus) und pädagogisch (Lehrkraft-Übernahmekontinuum) —, alle begrenzt durch eine nicht verhandelbare Bedingung menschlicher epistemischer Verantwortung (Bestreitbarkeit, Herkunft und Nicht-Delegation moralischer/intellektueller Anerkennung). Es positioniert Handlungsfähigkeit als ein epistemisches Designproblem statt als ein Usability-Anliegen, und gibt Institutionen eine präzisere Sprache als „Balance" für die Governance von GenAI-Integration.

  • Relationale epistemische Handlungsfähigkeit und epistemische Abhängigkeit. Du & Yuan (2026) tragen eine kritisch-integrative Darstellung dessen bei, wann KI-vermittelte Verlassenheit Urteil bewahrt gegenüber es zu verdrängen. Sie operationalisieren die produktive-Verlassenheit/schädliche-Abhängigkeit-Grenze über sechs diagnostische Kriterien (Bestreitbarkeit, Wiederherstellbarkeit, Transfer, Nachverfolgbarkeit, verteilte Verantwortung, epistemische Pluralität) und verfolgen vier soziotechnische Pfade (flüssige Autorität, reibungslose Delegation, opake Synthese, institutionalisierte Abhängigkeit). Ihr normativer Vorschlag, relationale epistemische Handlungsfähigkeit, erweitert relationale-Autonomie- und epistemische-Ko-Handlungsfähigkeit-Linien, indem er eine explizite Asymmetrie bewahrt — KI darf Schlussfolgern formen ohne reziproke Verantwortung oder legitime Autorität —, während er Verantwortung und epistemische Gerechtigkeit auf institutioneller Ebene integriert. Als Theorie des Lernens mit KI bewegt sie die Frage des Felds davon, ob KI hilft oder schadet, hin zu welchen epistemischen Handlungen bewahrt, transformiert oder verdrängt werden, und macht das Design der Abhängigkeit statt bloßer Nutzung zum Gegenstand pädagogischer und institutioneller Intervention.

Etablierte Theorie voranbringen

Andere Arbeit erweitert bestehende Theorie in den KI-Kontext, statt neue Paradigmen zu gründen: Critical-thinking-Paradox-Arbeit integriert die Theorie kognitiver Last mit Lastreduktionsinstruktion in ein dreistufiges Rahmenwerk; gerechtes Assessment theorisiert Assessment unter GenAI-Disruption neu. Ba, Gašević, Lim & Anderson (2026) rekonzeptualisieren das Community-of-Inquiry-Rahmenwerk selbst: statt GenAI als Werkzeug, Dialogpartner oder eine spekulative „vierte Präsenz" zu rahmen, positionieren sie es als epistemische Bedingung, die neu konfiguriert, wie kognitive, soziale und lehrende Präsenz ausgeübt, belegt und governiert werden —, was CoI-Präsenzen als soziotechnische Leistungen menschlicher–GenAI-Assemblagen neu fasst und eine konfigurationsbasierte Heuristik vorschlägt, in der GenAI-Beteiligung und Forschungsqualität bedingt über menschliche Verantwortung verwandt sind. Vieles davon ist konzeptuelles-Rahmenwerk-Arbeit (Business-School-Rahmenwerke, gültige Simulation), die Theorie für die Praxis operationalisiert.

Lin und Chang (2026) erweitern selbstreguliertes Lernen und mensch–KI-Regulation, indem sie benennen, was die lernende Person governiert — Standards, evaluative Urteile und Kontrollautorisierung —, statt nur, was die KI tut.

An, McLaren und Stamper (2026) bringen ACT-R und das Knowledge-Learning-Instruction-Rahmenwerk voran, indem sie trügerische Übergeneralisierung (deceptive overgeneralization) theoretisieren — einen Fehlermodus, in dem Wissenskompilation eine übergeneralisierte Produktion erzeugt, die richtige Handlungen produziert, während sie eine kritische Anwendungsrandbedingung auslässt —, und indem sie ein Detektions-/Remediationsverfahren über adaptive ITSs und einen K-12-Dezimal-Lerndatensatz empirisch validieren.

Postphänomenologie und technologische Vermittlung. Farazouli et al. (2026) bringen das etablierte postphänomenologische Rahmenwerk technologischer Vermittlung (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) in den KI-in-der-Bildung-Kontext. Statt eine neue Theorie vorzuschlagen, wenden sie es an, um GAI-Chatbots als multistabile technologische Artefakte zu rekonzeptualisieren, deren „scripts" (rasche Responsivität, natürlich klingender Text, der bestehende Noten erreichen kann) die Wahrnehmungen der Lehrkräfte vermitteln und ihre Praktiken rekonfigurieren —, was Lehrkraftvertrauen verunsichert, neu formt, was Kompetenz bedeutet, und Lehrkräfte über instrumentelle Fragen akzeptabler Nutzung hinaus zur Neubewertung ihrer Rolle und der Bedeutung des Lehrens treibt. Dies ist ein Theorievoranbringungsbeitrag: er demonstriert, wie ein philosophischer Bericht über Mensch-Technologie-Beziehungen die emotionale und professionelle Störung erklärt, die Lehrkräfte erfahren, wenn GAI in etablierte Bildungspraxis eintritt.

Ein weiterer Rahmenwerkbeitrag ist Rismanchian & Doroudis AI×Ed-Typologie, die Kahns (1977) ursprüngliche „drei Interaktionen" entlang zweier Achsen erweitert — die Rolle von KI (angewandtes Werkzeug gegenüber Analogie zu menschlicher Intelligenz) und der Endnutzer (Forschende bis lernende Person) —, um jedes AIED-Projekt zu verorten. Über das Kategorisieren des Felds hinaus argumentiert sie für die Wiederbelebung des „KI als Analogie zu menschlicher Intelligenz"-Strangs von Theorie und Forschung, wobei rechnerische und agentenbasierte Modelle des Lernens genutzt werden (z. B. ihr eigenes Rechenmodell des ICAP-Rahmenwerks), um gegenwärtige Lerntheorie und Rechenmodellierung zu überbrücken —, eine methodologische Richtung, die das Feld weitgehend aufgab, als es sich angewandter, datengetriebener Arbeit zuwandte.

Vergleichende Philosophie als Weg zu theoretischem Pluralismus. Xie (2026) modelliert einen anderen Weg zur Theorieentwicklung: statt KI in der Bildung von innerhalb einer Tradition zu theoretisieren, inszeniert die Studie einen vergleichenden Dialog, in dem jede Tradition „sichtbar macht, was die andere verdeckt", und lehnt es explizit ab, sie in ein einzelnes Rahmenwerk zu synthetisieren —, ein Ansatz, der theoretischen Pluralismus als methodologische Position behandelt statt als ungelöste Uneinigkeit. Er argumentiert, nicht-westliche Traditionen könnten mehr tun als Debatten zu diversifizieren; sie könnten die konzeptuellen Grundlagen der AIED-Theorie neu formen, indem sie daoistisches „Dao nature" (道性), Selbstkultivierung (修道) und den „Zhenren" (真人) als Ressourcen zum Neudenken von Handlungsfähigkeit, den epistemischen Zielen der Bildung und ethischem Handeln unter KI-vermittelten Bedingungen rekonstruieren. Er nennt auch die Grenzen unverblümt: der Beitrag ist einzelautorisch, nicht empirisch, und warnt, dass solche Übersetzung Kontextualisierung erfordert, um Romantisierung und Orientalismus zu vermeiden.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Das Theorie-nutzungs-Problem in der AIEd

Das Theoretisieren des Felds ist ungleich. Grenzen der AIEd-Forschung dokumentiert, dass AIEd-Studien Theorie häufig schwach oder unkritisch nutzen —, eine wiederkehrende methodologische Schwäche neben Reproduzierbarkeits- und Messlücken. Reviews finden, dass viele AIEd-Papiere Theorie oberflächlich oder gar nicht anwenden (z. B. Literaturreviews, die feststellen, dass wenige Studien Interventionen in Lerntheorie verankern). Das macht Theorieentwicklung — und Theorienutzung — zu einem Qualitätsanliegen ebenso sehr wie zu einem wissenschaftlichen Output, verbunden mit Forschungsmethoden und Evaluation von KI in der Bildung.

Beziehung zur Philosophie der KI in der Bildung

Theorieentwicklung und die Philosophie der KI in der Bildung sind komplementäre, aber distincte Stränge der grundlegenden Arbeit der Wissensbasis. Theorieentwicklung produziert und testet empirisch die Mechanismen des Lernens-mit-KI — benannte Theorien und Rahmenwerke wie Generativismus, epistemische Ko-Handlungsfähigkeit und die abwesende kognitive Baseline, die erklären und vorhersagen, wie Lernende und KI interagieren. Philosophie befragt die Voraussetzungen, auf denen jene Mechanismen ruhen: was als Wissen zählt, wer als Wissende zählt, und was die lernende Person grundlegend ist. Eine Theorie wie epistemische Ko-Handlungsfähigkeit schlägt einen Mechanismus vor, während sie implizit philosophische Verpflichtungen zu verteilter Kognition und Handlungsfähigkeit annimmt; Philosophie macht jene Verpflichtungen explizit und bestreitbar. Wo Theorieentwicklung fragt, ob ein Rahmenwerk Lernen gut erklärt, fragt Philosophie, ob es einfängt, was Lernen und Geist wirklich sind —, die beiden Stränge treffen sich in den grundlegendsten Artikeln des Felds, die oft beides auf einmal tun.

Verbundene Konzepte

Verbundene Artikel

Metadaten

StudiendesignLiterature Review
Lernen und UnterrichtLerntheorien
Forschungsmethoden und EvaluationForschungsmethoden in der AIED
Grundlagen von KI in der BildungKI in der Bildung, Grenzen der AIED-Forschung
SeitenartFramework
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.