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

Technologisches pädagogisches Inhaltswissen (TPACK)

Erstellt 2026-08-14 · Aktualisiert 2026-10-10

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

Technological Pedagogical Content Knowledge (TPACK) — der Rahmen (Mishra & Koehler, 2006), der das integrierte Wissen beschreibt, das Lehrkräfte brauchen, um Technologie im Unterricht wirksam zu nutzen: das Zusammenspiel von Technological Knowledge (TK), Pedagogical Knowledge (PK) und Content Knowledge (CK) und ihren Schnittmengen. In der KI-Ära ist TPACK auf AI-TPACK / GenAI-TPACK erweitert worden, das modelliert, wie Lehrkräfte generative KI in fachbereichsspezifischen Unterricht integrieren. Es ist die dominante theoretische Linse, um zu verstehen, wie Lehrkraft-KI-Kompetenz strukturiert und durch professionelle Entwicklung aufgebaut wird.

Jene Dominanz ist auch teils ein Abrufartefakt: In einem PRISMA-Scoping-Review von 195 technologiegestützten Lehrkraftbildungsstudien waren digitale Kompetenz, TPACK und DigCompEdu ausdrückliche Suchdeskriptoren, sodass der 46.5%-Anteil an Kompetenzrahmen das abgerufene Korpus statt das Feld beschreibt (Patiño Hernández et al. (2026)).

Fragen zum Nachdenken

  • TPACK behauptet, wirksames Unterrichten mit Technologie sei nicht die Summe getrennter Fertigkeiten (das eigene Fach kennen + Unterrichten kennen + das Werkzeug kennen), sondern das Produkt ihres Zusammenspiels. Denken Sie an eine Lektion, die mit einer Technologie echt funktionierte. Welche Kombinationen von Inhalts-, Unterrichts- und Technologiewissen —, nicht irgendein einzelnes —, schienen die Arbeit zu leisten?
  • Eine verbreitete Annahme ist, dass eine „technikaffine“ Lehrkraft daher bereit sei, mit KI zu unterrichten. Wo könnte jene Annahme scheitern —, etwa wenn eine technisch flüssige Lehrkraft KI dennoch pädagogisch flach oder inhaltlich ungenau nutzt? Wie würde „Kompetenz“ aussehen, die ein einfacher Technikfähigkeitentest verpasst?
  • Die KI-Ära rahmt die Technologie in TPACK von einem passiven Werkzeug zu einem aktiven Agenten um, der planen, erzeugen und tutoren kann. Wenn sich die Aufgabe einer Lehrkraft vom Bedienen eines Werkzeugs zum Orchestrieren einer KI verschiebt, die selbstständig handelt, welches neue Wissen verlangt das —, und kann irgendeine statische Checkliste es erfassen?
  • Die Seite legt nahe, professionelle Entwicklung solle die Schnittmengen trainieren, nicht nur die Werkzeuge. Denken Sie an die letzte Technologie-Weiterbildung, die Sie besuchten oder gestalteten. War sie hauptsächlich „wie man die Software nutzt“, oder baute sie Inhalte und Pädagogik zusammen mit der Technologie auf? Welcher Ansatz würde Ihrer Erwartung nach die Klassenraumpraxis stärker verändern, und warum?
  • Forschung fand verschiedene „Lehrkraft-Archetypen“ —, Optimierer, Schöpfer, passive Beobachter —, die von verschiedenen Arten von Unterstützung profitieren. Welchem Archetypen ähneln Sie bei der KI-Nutzung im Unterricht am meisten, und welche Art von Gerüstbildung, denken Sie, würde Ihnen am meisten helfen? Würden Ihre Lernenden Sie so beschreiben, wie Sie sich selbst beschreiben?
  • Einige Forschende argumentieren, wirksame KI-Integration entstehe aus den Überzeugungen und dem Wirksamkeitsgefühl einer Lehrkraft, nicht nur aus ihrem Wissen. Was glauben Sie über die Rolle der KI im Lernen, und wie könnte jene Überzeugung —, mehr als Ihre technische Fähigkeit —, formen, ob und wie Sie sie tatsächlich integrieren?

Einleitung

Der Rahmen

TPACK hält, dass wirksame Technologieintegration nicht die Summe getrennter Wissensdomänen ist, sondern das Produkt ihres dynamischen Zusammenspiels. Der Rahmen umfasst drei Basisdomänen und vier Schnittmengen:

  • Content Knowledge (CK) — Wissen über das zu lehrende Fach.
  • Pedagogical Knowledge (PK) — Wissen über Unterrichtsmethoden, Strategien und wie Studierende lernen.
  • Technological Knowledge (TK) — Wissen darüber, wie Werkzeuge und Technologien zu nutzen sind, einschließlich generativer KI.
  • Pedagogical Content Knowledge (PCK) — wie spezifische Inhalte wirksam zu lehren sind.
  • Technological Content Knowledge (TCK) — wie Technologie Inhalte formt und repräsentiert.
  • Technological Pedagogical Knowledge (TPK) — wie Technologie Unterrichtsstrategien stützt oder begrenzt.
  • TPACK — das emergente, integrierte Wissen im Zentrum, wo alle drei Domänen interagieren, um technologieverstärkten, fachspezifischen Unterricht zu ermöglichen.

AI-TPACK und GenAI-TPACK

Die KI-Ära hat den Rahmen hin zu einer Lesart von Technologie-mit-Intelligenz gedrängt. Statt eines passiven Werkzeugs ist generative KI ein aktiver Agent, der planen, Inhalte erzeugen, tutoren und anpassen kann —, sodass Integrationswissen zunehmend Orchestrierung umfasst: entscheiden, wann und wie KI handelt, gerüstet oder menschlichem Urteil weicht.

  • Jenseits getrennten Wissens. AI-TPACK-Forschung argumentiert, wirksame KI-Integration entstehe nicht aus dem Besitz getrennter Domänen, sondern aus dem dynamischen Zusammenspiel von Systemdenken, pädagogischen Überzeugungen und Selbstwirksamkeit —, was statische, checklistenbasierte Modelle der Lehrkraft-KI-Kompetenz infrage stellt. Lehrkraft-Archetypen (Systematic Optimizers, Prolific Creators, Passive Observers) entstehen daraus, wie Lehrkräfte multiagentische Unterrichts-Workflows gestalten.
  • Was Integrationsrahmen auslassen. Eine Ko-Handlungsfähigkeits-Kritik hält, dass TPACK und SAMR Lehrkraftwissen und Adoptionsstufen adressieren, aber Macht, Dateneigentum und Rechenschaftspflicht unadressiert lassen, sodass Integrationswissen eine ausdrückliche ethische Grenze statt einer weiteren Wissensdomäne braucht (Poudyal (2026)).
  • Querebenen-Evidenz für den pädagogischen Kern. Eine multilevel Studie mit 46 Lehrkräften und 2.832 Sekundarstufenschülerinnen und -schülern fand, dass technisches KI-Wissen allein unzureichend war —, es dämpfte die Wahrnehmung der Studierenden von KI für das Gemeinwohl sogar leicht —, während pädagogisches KI-Wissen (TPAIK) jenes war, was die Wahrnehmung der Studierenden und die Verhaltensabsicht, KI zu lernen, förderte. Das Ergebnis destilliert zu einer „Pädagogik zuerst, Technologie zweitens“-Leitlinie, die die obigen Mediationsbefunde widerspiegelt.
  • Ethik als integrativer Mediator, nicht als Grenze. In einer Befragung von 454 Universitätslehrkräften hatte isoliertes KI-Technologiewissen eine negative direkte Assoziation mit integriertem AI-TPACK (β = −0.303), während sein Gesamteffekt positiv blieb (β = 0.639), laufend über pädagogisches, Inhalts- und ethisches Wissen (Chen et al. (2026)). Ethisches Wissen leitete den Effekt auch weiter und sagte sowohl pädagogisches (β = 0.353) als auch Inhaltswissen (β = 0.269) voraus.
  • Eine Reviewlinse für das ganze Feld. Ein systematischer Review aus TPACK-Perspektive (Liu & Zhong, 2025) analysierte 71 empirische Studien zu GenAI im Studierendenlernen und fand einen insgesamt positiven Effekt (Hedges' g = 0.752) und identifizierte GenAI-Kompetenz für Studierende und GenAI-TPACK-professionelle Entwicklung für Lehrkräfte als die zwei kritischen Prioritäten des Feldes.
  • Kompetenz allein sagt pädagogische Integration nicht voraus. Choi et al. (2026) maßen das Intelligent-TPACK der Lehrkräfte zur Segmentierung der Teilnehmenden und beobachteten, dass selbst KI-kompetente Novizen sich bei der Unterrichtsgestaltung passiv auf KI-Ausgabe stützten, während erfahrene Lehrkräfte —, mit geringerem gemessenem AI-TPACK —, sich kritisch wieder einließen und KI-Vorschläge an pädagogischen Kontext anpassten. Das Ergebnis verstärkt das obige Muster: AI-TPACK übersetzt sich durch erfahrenes pädagogisches Urteil in gute Klassenraumnutzung, und Lehrkräftebildungsunterstützung muss daher die Anwendung von KI-Wissen adressieren, nicht seinen bloßen Besitz.
  • Lehrkräftebildungskontext. TPACK ist instrumental bei der Kultivierung der Lehrkraftkompetenz, Technologie in curriculumspezifischen Unterricht zu integrieren, weshalb Lehrkraftbildungs- und PD-Forschung (z. B. intensive GenAI-PD-Programme, AI-TPACK-Bereitschaft unter angehenden Lehrkräften) sie zunehmend als das interessierende Ergebnis misst.
  • Pädagogisches Wissen vermittelt GenAI-Integration. Mohebi and ElSayary (2026) befragten 325 aktive Lehrkräfte über 26 Länder und interviewten sieben, unter Nutzung eines erklärend-sequenziellen Mixed-Methods-Designs, um TPACK-GenAI zu modellieren. Technological Knowledge (TK), Pedagogical Knowledge (PK) und Pedagogical Content Knowledge (PCK) assoziierten jeweils mit gesamtem TPACK-GenAI, aber Technological Pedagogical Knowledge (TPK) vermittelte diese Verbindungen —, Evidenz, dass der Schritt „von Kompetenz zu Pädagogik“ zählt: die Übersetzung von GenAI-Fähigkeit in gute Klassenraumnutzung läuft über pädagogisch-technologisches Integrationswissen, nicht über Werkzeugvertrautheit allein.
  • In der Hochschulbildung überträgt sich Inhaltsexpertise nicht auf GenAI-Integration. Sutedjo, Chowdhury & Liu (2026) adaptierten das TPACK-21-Instrument, um 127 Fakultätsangehörige an einer US-Forschungsuniversität zur Nutzung von GenAI zum Unterrichten von Kompetenzen des 21. Jahrhunderts zu befragen. Die Fakultät berichtete starkes CK (M = 5.15) und PCK (M = 4.70), aber geringes technologieintegriertes Wissen —, TPK (M = 2.62), TCK (M = 2.75) und gesamt TPACK (M = 2.55, die geringste Domäne) —, und CK zeigte keine signifikante Korrelation mit TK oder irgendeiner technologieintegrierten Domäne (r = .11–.15, ns). Die drei technologieintegrierten Domänen interkorrelierten so stark (r = .81–.91), dass sie als einzelner GenAI-Integrationsfaktor fungieren könnten. Das Ergebnis verstärkt das Gestaltungsprinzip die Schnittmengen trainieren: Fakultätsentwicklung muss GenAI-Integrationswissen absichtlich durch disziplinspezifische Aktivitäten aufbauen, statt anzunehmen, Fachwissen trage sich hinüber, und die technologieintegrierten Domänen als geteiltes GenAI-Kompetenz-Fundament behandeln.
  • Institutioneller Modus und Trainingsniveau interagieren. Mnguni et al. (2026) verglichen 186 angehende Naturwissenschaftslehrkräfte im Abschlussjahr an einer südafrikanischen Campus-Universität (n = 85) und einer Fernunterrichts-Universität (n = 97). Selbstberichtetes TPACK war auf dem Campus höher (64.0% gegenüber 47.4%), Pedagogical Knowledge war die am wenigsten berichtete Domäne in beiden Gruppen (53% auf dem Campus), und das Niveau der KI-Weiterbildung war mit selbstberichtetem TPACK nur an der Ferninstitution assoziiert, wo das Absolvieren eines Fünf-Credit-Kurz Kurses schwächeres berichtetes TPACK vorhersagte als gar keine Weiterbildung (p = .039, gegenüber p = .607 auf dem Campus). Bereitschaft folgt daher eher dem institutionellen Bereitstellungskontext als Weiterbildungsstunden allein, und die Autoren warnen, dass selbstberichtete Bereitschaft nicht für Leistungsevidenz einspringen kann.

Eine komplementäre Messwarnung kommt vom Capability–Decision-Modell desselben Autors: Wenn TPACK selbstberichtet ist und wahrgenommene Verhaltenskontrolle als Selbstwirksamkeit gemessen wird, können die beiden empirisch nicht unterscheidbar sein, sodass eine Studie nicht sagen kann, ob Fähigkeit oder allgemeines Vertrauen Absicht vorhersagt (Mnguni (2026)).

  • Integriertes TPACK bewegt sich am meisten, wenn KI in authentische problembasierte Aufgaben gerüstet wird. Chen and Osman (2026) verglichen ein achtwöchiges KI-unterstütztes CTD-PBL-Modul mit konventionellem Unterricht für 130 angehende Physiklehrkräfte im dritten Jahr in einem Intaktklassen-quasi-experimentellen Design (65 pro Bedingung), wobei die Gruppen DeepSeek über aufgabenspezifische Prompt-Vorlagen nutzten und jede KI-Ausgabe menschliche Verifikation bestehen musste, bevor sie in ein Unterrichtsartefakt einging. Die Modulgruppe berichtete höheres Post-Test-TPACK (M = 4.04 gegenüber 3.40, p < 0.001, d = 1.02) und höheres wahrgenommenes kollaboratives Problemlösen (M = 3.62 gegenüber 3.05, d = 0.88), mit signifikanten Gruppe-mal-Zeit-Interaktionen auf beiden Ergebnissen. Wo die Gewinne landeten, ist das TPACK-relevante Detail: die größten dimensionalen Effekte lagen in den integrierten Domänen —, TPCK (d = 1.21), PCK (d = 1.06) und TPK (d = 0.95) —, und die Kollaborationsgewinne waren am klarsten in geteiltem Wissensaufbau und sozialer Regulation, d. h. in den Schnittmengen statt in den Basisdomänen. Die Autoren präsentieren dies als differentielle Veränderung, assoziiert mit einer integrierten Unterrichtsbedingung, nicht als KI-Effekt: KI wurde nie von der PBL-Aufgabenkette, strukturierter Kollaboration, Lehrenden-Gerüstbildung, Peer-Feedback oder reflektierender Überarbeitung isoliert, und beide Ergebnisse waren fragenbogenbasierte Wahrnehmungen von Kompetenz statt demonstrierter Klassenraumleistung.

  • Eine Intervention kann die Basisdomäne zuerst bewegen. Ein sechsmonatiges professionelles Entwicklungsprogramm, direkt auf dem Intelligent-TPACK-Rahmen aufgebaut, erhöhte technisches KI-Wissen am meisten (AITK: 3.92 auf 4.43, t(63) = 3.856, p < .001, d = .48), technologisch-pädagogisches Wissen als nächstes (AITPK: d = .33) und integriertes AITPACK am wenigsten (d = .26), mit ethischem Bewusstsein vergleichsweise stagnierend gelassen (Tan, Cheng & Ling, 2025). Die Ordnung ist das Spiegelbild der integrierten Domänengewinne von Chen und Osman, und beide sind Selbstbericht.

AI-TPACK als der Mediator zwischen Kompetenz und Klassenraumintegration. Ein Strukturgleichungsmodell chinesischer angehender Naturwissenschaftslehrkräfte (Zou, Li, Wang & Du, 2026) positioniert AI-TPACK nicht als parallele Kompetenz, sondern als den Übertragungsmechanismus, durch den allgemeine KI-Kompetenz zu Unterrichtspraxis wird. KI-Kompetenz sagte AI-TPACK stark voraus, AI-TPACK sagte wiederum Naturwissenschaftsunterrichts-Selbstwirksamkeit voraus, und Unterrichts- Selbstwirksamkeit war der stärkste Einzelprädiktor der Absicht, durch KI-integrierte forschungsbasierte Anfragen zu unterrichten.

Die volle serielle Kette (KI-Kompetenz → AI-TPACK → Selbstwirksamkeit → Absicht) war signifikant, ebenso die getrennten indirekten Routen über AI-TPACK und über Selbstwirksamkeit; zusammen genommen lief der größte Teil der Assoziation von KI-Kompetenz mit Absicht über diese Mediatoren statt direkt, und das Ergebnis hielt nach Kontrolle auf Geschlecht, Studienjahr, Hauptfach und KI-Nutzungsfrequenz. Die praktische Behauptung des Modells ist eine Abfolge mit Einstiegspunkt: KI-Kompetenz ist notwendig, aber unzureichend, und die Arbeit der Integration passiert dort, wo technologisches, pädagogisches und Inhaltswissen kombiniert werden —, was auch dort ist, wo das Vertrauen der Lehrkräfte in das Unterrichten des Fachs aufgebaut wird.

  • Validierung als vierte Kompetenz. Orhon, Cekerol and Ugur (2026) erweitern das Modell um AI-Validation Knowledge —, probabilistische KI-Ausgabe einer disziplinspezifischen Verifikation zu unterwerfen, bevor sie als Evidenz einer legitimen Entscheidung behandelt wird —, und paaren es mit einem prozessorientierten Raster für Designbildung.

Warum es in der KI-Bildung zählt

TPACK ist der organisierende Rahmen für die Lehrkraftseite der Evidenzbasis der Wissensdatenbank. Er erklärt, warum Lehrkraft-KI-Kompetenz mehr ist als Werkzeugflüssigkeit: Lehrkräfte müssen technologisches, pädagogisches und Inhaltswissen zusammen integrieren, um KI in Lerngewinne zu verwandeln. Die Seite KI-Kompetenz von Lehrkräften der Wissensdatenbank deckt die Kompetenzdimensionen ab; TPACK ist die Wissensstruktur, die ihnen zugrunde liegt. Forschung zu Lehrkraftvertrauen, professioneller Entwicklung und der sich wandelnden Lehrkraftrolle operiert alle innerhalb (oder gegen) diesen Rahmen. Der Rahmen wird jetzt erweitert, um ganze Programme zu evaluieren: Wu & Li (2026) bauen ein AHP-Fuzzy-AHP-Evaluationssystem für KI-Zertifikatsprogramme auf TPACK-Dimensionen und finden, dass professionelle Fakultätskompetenz —, nicht technische Infrastruktur —, die größte Lücke zwischen Expertenpriorität und aktueller Bereitstellung ist, was signalisiert, dass Zertifizierung in die integrierte pädagogische Kapazität der Lehrkräfte investieren sollte.

Gestaltungsimplikationen

  1. Trainieren Sie die Schnittmengen, nicht nur Werkzeuge. PD sollte technologisches, pädagogisches und Inhaltswissen zusammen aufbauen, statt isoliertes Werkzeugtraining anzubieten —, das zentrale TPACK-Gestaltungsprinzip.
  2. Behandeln Sie KI als Agenten, nicht als Gerät. AI-TPACK erweitert den Rahmen hin zur Orchestrierung von KI-Agenten und verlangt Systemdenken und pädagogisches Urteil darüber, wann KI handeln sollte.
  3. Differenzieren Sie PD nach Lehrkraftprofil. Verschiedene Lehrkraft-Archetypen (Optimierer, Schöpfer, Beobachter) profitieren von verschiedener Gerüstbildung —, beziehungsweise fortgeschrittenen Rahmen, rascher Rückmeldung oder ausdrücklicher Modellierung.
  4. Bewerten Sie integrierte Kompetenz. TPACK-orientierte Ergebnisse (z. B. AI-PCK-Gewinne) sollten als integrierte Fähigkeit gemessen werden, nicht als selbstberichtete Werkzeugvertrautheit.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

ZielgruppeFaculty Developers, Instructors
Technologien und VerfahrenGenerative KI
Grundlagen von KI in der BildungKI-Kompetenz, Curriculum-Design, Lehr- und Curriculumsentwicklung, Lerndesign, Lehre, Technologisches pädagogisches Inhaltswissen (TPACK), 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.