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

Video in der Bildung

Erstellt 2026-09-05 · Aktualisiert 2026-10-10

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

Video in der Bildung — der Einsatz von Video als Medium für Lehren und Lernen, und wie generative KI es umformt: KI-generierte und KI-personalisierte Unterrichtsvideos, KI-Avatare und Präsentierende, adaptive Videogenerierung, videobasierte Learning Analytics und Aufmerksamkeits-/Engagement-Erfassung, und KI-Unterstützung für den Konsum von Vorlesungsvideos. Die Wissensbasis behandelt Video sowohl als etabliertes Medium des Online-Lernens als auch als rasch evolvierenden Ort der KI-Innovation, überspannend Online-, hybride und Präsenz-Lehre.

Fragen zum Nachdenken

  • Bildungsvideo ist lange eine „Einheitsgrößen“-Ressource gewesen — identische Inhalte für jede lernende Person. Generative KI macht Video pro Person nun machbar, und Forschung legt nahe, dass Studierende diese Personalisierung hoch schätzen. Was fügt Personalisierung über Relevanz hinaus hinzu —, und was könnte sie kosten?
  • Studierende sagen oft, sie schätzten weiterhin die Präsenz und Authentizität einer menschlichen Lehrkraft im Video. Doch im direkten Präferenzvergleich kann personalisiertes KI-Video generische von Menschen aufgenommene Vorlesungen schlagen. Welche Trade-offs treffen Lernende tatsächlich, und wie dauerhaft sind sie?
  • Aus Lehrkräften geklonte KI-Avatare können Video im großen Maßstab erzeugen —, sie können aber auch „Uncanny-Valley“-Unbehagen und ethische Einwände auslösen (Umweltwirkung, Arbeit, akademische Integrität). Wann ist eine KI-Präsentatorin akzeptabel, und wann überschreitet sie eine Linie, die keine technische Lösung adressiert?
  • Viel Video-Forschung stützt sich auf Präferenzen und Selbstauskunft der Studierenden. Wie gut sagen angegebene Präferenzen tatsächliche Lernergebnisse vorher —, und wann könnte ein Video, das sich „gut anfühlt“, weniger gut lehren als eines, das es nicht tut?
  • Video-Analytik kann Aufmerksamkeit, Engagement und Abbruchpunkte erkennen. Was sind die pädagogischen und Datenschutz-Folgen, Video-Lernen so eng zu instrumentieren?

Einführung

Video ist ein Eckpfeiler zeitgenössischer Bildung — besonders Online- und hybriden Lernens —, geschätzt für seine Flexibilität, Skalierbarkeit und Konsistenz. Doch konventionelles Unterrichtsvideo wird als Einheitsgrößen-Artefakt produziert und präsentiert jeder lernenden Person identische Inhalte unabhängig von ihren Interessen, ihrem Hintergrund oder Vorwissen. Generative KI verschiebt Video von einem statischen Broadcast-Medium zu einem dynamischen, individuell zugeschnittenen, und erzeugt zugleich neue Fragen über Präsenz, Vertrauen, Datenschutz und Messung.

Wie die Forschung der Wissensbasis clustert

  • KI-generiertes und personalisiertes Unterrichtsvideo. Ein zentraler Faden fragt, ob Studierende KI-produziertes Video akzeptieren und wie es sich mit von Menschen aufgenommenem Inhalt vergleicht. Studierendenbefragungen in der Informatikbildung sondieren Wahrnehmungen und Präferenzen für KI-generiertes Unterrichtsvideo. In einem großen Feldeinsatz fanden Tomlinson et al. (2026), dass Studierende KI-generierte personalisierte Videos gegenüber nicht-personalisierten von Menschen aufgenommenen Vorlesungen bevorzugten — eine Präferenz, in der der Personalisierungseffekt den einer menschlichen Präsentatorin beigemessenen Wert überwog. Forschung zu zweifachem Gatekeeping zeigt, wie Aufsicht durch die Lehrkraft („Gatekeeping“) über zwei Stufen der KI-Videoproduktion pädagogisch stärker verankerte Ausgabe erbringt, was sich mit Human-in-the-Loop-Design verbindet.
  • Adaptive und strukturierte Videogenerierung. CourseBlueprint bietet eine strukturierte Pipeline, die adaptives pädagogisches Video erzeugt, in Kurskorpora verankert, und zeigt, dass explizite pädagogische Struktur — nicht nur KI-Flüssigkeit — wirksames KI-Video treibt. Bespoke wendet dieselbe Logik auf der Ebene ganzer Vorlesungen an: Aus 31 Graduiertenvorlesungen erzeugte es 209 Videos für Gesundheitswesen, Finanzen, Energie und ein generisches Publikum, und 25 domänenpassende Expertinnen und Experten, die 92 davon bewerteten, platzierten 87% auf oder über der Mitte, formuliert als „die Qualität einer Standard-MOOC-Vorlesung“ (Mittelwert 3.42 von 5), bei etwa $0.22 API-Kosten pro Minute —, wobei Stimme, Folien-Timing und Layout die wiederkehrenden Defekte waren.
  • Eine Lernschleife schlägt ein besseres Rendering. Ma et al. (2026) planen jedes Video als Storyboard aus Zielen, Aktivierung von Vorwissen, durchgearbeiteten Beispielen und diagnostischen Sonden, gepaart mit einem Quiz, das die Beispiele des Videos vermeidet, und einer Förderung für jede falsche Option; 96.9% von 32 Lehrenden urteilten, die Schleife sei wirksamer als ein alleinstehendes Video.
  • Video-Learning-Analytics und Aufmerksamkeit. Video zu instrumentieren legt offen, wie Lernende sich engagieren. Engagement-Assessment im Video-Lernen und SAVVY visualisieren die Aufmerksamkeit von Studierenden während videobasierten Lernens und stützen damit Learning Analytics, Selbstregulation und Frühwarnung bei Disengagement. Segmentierungsarbeit (etwa zeitliche Videosegmentierung) schneidet Video auf individuelle Unterschiede zu.
  • Avatare und Präsenz. KI-Avatare — virtuelle Präsentierende und pädagogische Agenten — werfen Fragen über Identität, soziale Präsenz und Vertrauen auf. Avatar-Identität und epistemisches Vertrauen untersucht, wie die scheinbare Identität einer Präsentierenden das Vertrauen der Lernenden prägt, während KI-Avatare im Training das Muster auf professionelle Praxis ausweiten.
  • Scaffolding-Kommentare im Video — und was KI noch falsch macht. Wang, Du und Jin (2026) erzeugen i-Comments, Scaffolding-Nachrichten, die innerhalb des Videoframes gerendert und mit dem Inhalt synchronisiert sind, indem sie Frame-Ebenen-Entropie berechnen und Unterstützung nur in Intervallen mit geringer Information einfügen. Gebenchmarkt gegen 120 Kommentare erfahrener Lehrender waren ChatGPTs 1.000 Kommentare dichter, weit weniger strukturell vielfältig (POS-3-Gramm-Diversität 5.5–6.2% gegenüber 25.1–38.5%), schwerer zu lesen auf jedem Lesbarkeitsindex, und weniger thematisch abgestimmt (Emotional-Support-BERTScore 0.317 gegenüber 0.574); 40 Lernende bewerteten die menschlichen Kommentare signifikant höher bei Timing und Hilfsamkeit, wenngleich ein neueres Modell diese Lücke verengte. Das Argument ist ein Designargument so sehr wie ein Automatisierungsargument: in das Medium eingebettete Unterstützung vermeidet die Aufmerksamkeits- und kognitiven Kosten des Pausierens, um einen separaten Chatbot zu befragen (Feedback-Qualität, emotionale Unterstützung).
  • KI-Unterstützung für den Konsum von Vorlesungsvideos. Jenseits der Erzeugung hilft KI Lernenden und Lehrenden, mit bestehendem Video zu arbeiten: zweisprachige LLM-Vorlesungsbegleiter stützen selbstreguliertes Lernen mit aufgenommenen Vorlesungen, und Transkriptions-Pipelines wandeln Vorlesungsvideo in zugänglichen Text um.

Personalisierung versus menschliche Präsenz

Eine wiederkehrende Spannung ist, ob der Wert von Personalisierung den Wert einer sichtbaren menschlichen Lehrkraft überwiegen kann. Tomlinson et al. (2026) rahmen Personalisierung und soziale Präsenz als teilweise substituierbare Signale instruktionaler Fürsorge: menschliche Lieferung verstärkt affektive Erfahrung und Authentizität, während Personalisierung Relevanz verstärkt —, und Studierende sind bereit, das eine für das andere zu tauschen. Ihre Rangfolgendaten aus großen Kursen (88.4% bevorzugten irgendein personalisiertes Video; nur 73.8% bevorzugten von Menschen aufgenommenes) legen nahe, dass Personalisierung heute oft der einflussreichere Faktor ist, was auf ein komplementäres Modell hinweist, in dem menschliche Lehrkräfte Expertise und soziale Verbindung liefern, während KI ihre Reichweite mit individuell zugeschnittenen Medien erweitert.

Design, Ethik und Messung

Wirksames KI-Video zu produzieren erfordert pädagogische Struktur und menschliche Aufsicht und wirft unterscheidbare Anliegen auf: KI-Präsentierende können Unbehagen oder Misstrauen evozieren (das „Uncanny Valley“); generatives Video riskiert faktische Ungenauigkeit, die Lernende womöglich nicht bemerken; Personalisierung zu skalieren erfordert, Attribute der Lernenden zu erheben oder zu erschließen, mit begleitenden Datenschutz-, Bias- und Governance-Anliegen; und eine Untergruppe der Lernenden erhebt aus prinzipiellen Gründen Einspruch gegen KI-generierten Unterricht (Umweltwirkung, Arbeit, Automatisierung, akademische Integrität). Messung ist ebenfalls im Fluss — viel Evidenz ruht auf angegebener Präferenz und empfindenem Wert statt auf objektiven Lernergebnissen, sodass Präferenzdaten neben (oft noch ausstehenden) Ergebnisdaten zu lesen sind.

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauHigher Ed, K 12
ZielgruppeInstructors, Instructional Designers
Lernen und UnterrichtOnline-Lehre und -Lernen, Studierendenengagement, Video in der Bildung
Technologien und VerfahrenAdaptives Lernen, Generative KI, Lernanalyse, Große Sprachmodelle (LLMs), Multimodale KI, Personalisiertes Lernen
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.