AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Berufliche Aus- und Weiterbildung

Erstellt 2026-09-17 · Aktualisiert 2026-10-10

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

Berufliche Aus- und Weiterbildung (VET) – das Segment der Bildung, das Menschen auf benannte Berufe, Handwerke und technische Rollen vorbereitet, organisiert rund um praxisnahe Kompetenz statt um disziplinäres Wissen. Wo arbeitsplatznahes Lernen das Upskilling bereits Beschäftigter beschreibt, umfasst VET auch die Erstvorbereitung auf einen Beruf; wo Hochschulbildung das Studium mit Abschluss benennt, ist VET oft ohne Abschluss und durch nationale Qualifikationsrahmen gerahmt. Seine definierenden Merkmale sind, dass Lernende danach bewertet werden, was sie mit Geräten tun können, dass Instruktion nahe der Werkstatt, dem Simulator oder der Baustelle stattfindet, und dass die menschlichen Trainer, die praktische Instruktion tragen, häufig die bindende Einschränkung sind. In der KI-Forschung tritt VET sowohl als eigenständige Lernendenpopulation auf – eine, deren akademisches Vertrauen an demonstrierter Fähigkeit und beruflicher Identität hängt – als auch als eigenständige Evidenzbasis, dünner und fragmentierter als die Literatur zu Schule oder Universität.

Fragen zum Nachdenken

  • Wenn eine Qualifikation bescheinigt, was ein Lernender kann: Wie viel KI-assistiertes Lernen zählt als authentische Praxis, und wie viel ersetzt die Wiederholung, die Kompetenz aufbaut?
  • Was geht verloren, wenn ein KI-Agent das Gegenüber – Patient, Pilot, Auftraggeber – rollenspielt, das ein menschlicher Trainer früher spielte? Welche Urteile kann ein synthetisches Gegenüber nicht modellieren?
  • Mündliches Assessment skaliert schlecht mit der Klassengröße. Wenn KI Evidenz zutage fördert, aber nicht urteilt: Welche Teile der Assessmentkapazität werden entlastet, und welche werden bloß zur Lehrkraft verlagert?
  • Keine Studie in der Evidenzbasis zu KI in der VET spielt an einem Arbeitsplatz, obwohl VET durch arbeitsbasiertes Lernen definiert ist. Was würde glaubwürdige Forschung dort, wo das Lernen geschieht, erfordern?
  • Der EU AI Act behandelt KI, die Lernergebnisse in der beruflichen Bildung bewertet, als hochriskant, während manche Rechtsordnungen gar keinen Rahmen haben. Sollte die Beschaffung dem strengsten verfügbaren Standard folgen?

Einführung

Berufliche Aus- und Weiterbildung bereitet Menschen auf bestimmte Berufe vor – Kfz-Mechanikerinnen und -Mechaniker, Fluglotsinnen und Fluglotsen, Innenarchitektinnen und -architekten, Pflegekräfte –, und ihre Währung ist demonstrierte Kompetenz statt angesammelte Leistungspunkte. Assessment tendiert zu Leistungsbewertung, Instruktion ist an Geräte gebunden, und die qualifizierten Trainer, die Praxis betreuen, sind knapp.

Seine Nachbarn in dieser Wissensbasis unterscheiden sich vor allem im Umfang. Berufliche Weiterbildung deckt arbeitsplatz- und unternehmensbezogenes Upskilling ab, überwiegend für bereits Beschäftigte; VET deckt auch erstmalige berufliche Vorbereitung ab. Erwachsenenbildung benennt Lernendenmerkmale statt Berufsspezifität. Hochschulbildung benennt Studium mit Abschlussvergabe, wohingegen viel VET durch Qualifikationsrahmen wie die Unit-Standards der NZQA oder den EQR organisiert ist. STEM-Bildung und VET überlappen in technischen Domänen, doch STEM-Bildung zielt auf konzeptuelles Verständnis, während VET auf nutzbare Verfahren zielt. Berufsvorbereitung und Berufsfähigkeit benennen die Beschäftigungsfähigkeitsdispositionen, nach denen VET-Programme beurteilt werden; VET benennt das Instruktionssystem, das für deren Hervorbringung zur Verantwortung gezogen wird.

Was an KI in der VET charakteristisch ist, ist eine Lücke zwischen dem, was der Sektor vorgibt zu wollen, und dem, was er baut: Konstruktivistische Theorie wird weithin vertreten, während behavioristische Drill-and-Practice-Systeme dominieren und Designs für Lernendenhandlungsfähigkeit selten bleiben. Die wiederkehrende Designfrage ist nicht, ob KI Instruktion liefern kann, sondern ob sie die Teile beruflichen Lernens absorbieren kann, die teuer zu besetzen sind – realistische Szenarien, zeitnahes Feedback, rollenspielende Gegenüber, mündliche Evidenz –, ohne die Praxis zu verdrängen, die Kompetenz erzeugt.

Wie KI in der beruflichen Aus- und Weiterbildung auftritt

  • Eine junge, fragmentierte und geografisch konzentrierte Evidenzbasis. Der erste systematische Review zu KI in der VET (Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) identifizierte 26 empirische Studien, veröffentlicht 2015–2026 über ERIC, Web of Science und Elicit unter PRISMA-Richtlinien: neun technisch-domänenbezogen, neun domänenübergreifend, fünf in Betriebswirtschaft und drei in Gesundheit. Die Settings waren sechs im Klassenzimmer, acht online, vier gemischt und acht simulationsbasiert –, und keine an einem Arbeitsplatz, trotz des arbeitsbasierten Charakters der VET. Siebzehn der 26 stammten aus Asien; nur neun Studien teilten mindestens eine Referenz, und keine zitierte die andere. Fünf waren randomisierte Experimente und 21 nutzten präexperimentelle oder quasi-experimentelle Designs, die überwiegend Ergebnisse unmittelbar nach der Intervention maßen, und nur drei gaben Lernenden eine aktive Rolle in einem KI-ermächtigten Design. Die Autoren warnen vor einer pädagogischen „Turing-Falle“ – KI zu nutzen, um menschliche Instruktion zu replizieren statt menschliches Urteil zu verstärken – und fordern Fehlerfälle und Randbedingungen anstelle der vorherrschenden Erfolgserzählung.
  • Simulation absorbiert die knappe Rollenspielerin. ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots adressiert eine Kapazitätseinschränkung im Training der Flugverkehrskontrolle: simpilots, spezialisierte menschliche Trainer, die in einem simulierten Luftraum sowohl Piloten als auch Lotsen spielen. ASTRA ersetzt autonome LLM-getriebene Sim-Piloten, bewahrt die Szenarienkomplexität und beseitigt den Personalengpass, was adaptive Praxis im großen Maßstab ermöglicht. Es ist eine Systembeschreibung statt eines Wirksamkeitsversuchs, benennt aber einen Mechanismus, der sich über KI in der VET wiederholt: Wo der knappe Input ein qualifizierter Mensch ist, der ein Gegenüber spielt, kann ein Agent die Rolle halten und die Praxis sich ausdehnen lassen.
  • Immersive, agentenunterstützte Projektarbeit kann Designfähigkeit selektiv heben. Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments spezifiziert AI-IVE-PBL, ein vierdimensionales, fünfphasiges Modell (Entdeckung, Visionierung, Modellierung, Kommunikation, Verfeinerung), durchgeführt in VR mit einem LLM-gestützten digitalen menschlichen Assistenten in einem Kurs für Innengestaltung im ersten Jahr an einem chinesischen Berufscollege. In einem zwölfwöchigen Zweigruppen-Quasiexperiment (63 gültige Antworten; 31 gegenüber 32) erzielte die immersive Agentenbedingung höhere Werte bei Designfähigkeit (η²p = 0,138) und kreativer Fähigkeit (η²p = 0,111) unter ANCOVA, mit kognitivem Engagement d = 0,90, verhaltensbezogenem Engagement d = 0,75, Motivation d = 0,74, Zufriedenheit d = 0,69 und niedrigerer kognitiver Last (d = −0,52). Innovatives Denken und affektives Engagement erreichten keine Signifikanz, was die Autoren kurzfristigen Obergrenzen bei eingefahrenen kognitiven Mustern zuschreiben. Jedes Ergebnis ist Selbstauskunft, ohne Designartefakte oder Expertenbewertungen. Gegen Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study gelesen, wo eine GenAI-plus-XR-Pipeline sinkende Designselbstwirksamkeit und keinen Vorteil in einem blinden Expertengremium erzeugte, sieht der Unterschied weniger nach Hardware aus als danach, wer die Phasenstruktur und die Rubrik hält.
  • Assessment ist, wo das Authentizitätsproblem am schärfsten ist. Designing AI-Supported Oral Assessment in TVET dokumentiert AkoVoice, erprobt in vier Level-3-Kursen für Kfz-Technik und einem Level-3-Kurs für Ingenieurwesen, entworfen, damit KI Rubrikevidenz zutage fördert, während die menschliche Beurteilende urteilt. Von 33 befragten Lernenden stimmten 21 (64%) zu, die Spraachaufgabe sei realistisch, und derselbe Anteil sagte, sie gebe einen klaren Weg, mitzuteilen, was sie wissen; niemand widersprach, dass Sprechen in Echtzeit besser zu diesem authentischen Assessment passe als ein schriftliches Portfolio. Wortanzahlen für identische Fragen variierten zwischen Lernenden um das Fünf- bis Achtfache, ohne die Genauigkeit bei faktenbasierten Fragen zu verbessern, und neun Lernende, die in 2 bis 13 Wörtern antworteten, wurden alle korrekt benotet, wobei die kürzeste zwei Wörter waren, „3500 kgs“, abgeglichen auf den Wert. Ein voller Zyklus aus Erfassung, Speicherung, KI-Urteilsentwurf und Lehrendenbericht lief offline auf einem Windows-Laptop mit 8 GB Grafikspeicher (Mistral 7B über Ollama, faster-whisper, Chatterbox) und bewertete bis zu 12 Lernende gleichzeitig in einer Werkstatt, in der Stahlrahmen WLAN besiegen, mit verschlüsselten und nach 90 Tagen gelöschten Aufzeichnungen. Das Papier hält fest, der EU AI Act behandle KI, die Lernergebnisse in der beruflichen Bildung bewertet, als hochriskant, während Neuseeland keinen sektorspezifischen TVET-Rahmen habe.
  • Begrenzte Begleitung statt Substitution. Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China argumentiert, der Wert von KI in technischen und beruflichen Settings hänge von verantwortlicher pädagogischer Vermittlung ab statt von Menschähnlichkeit. Sein Amico-Prototyp paart AmicoMio, ausgerichtet auf technische Klarheit und schrittweise Aufgabenanleitung, mit AmicoTuo, ausgerichtet auf reflexiven Dialog und mäeutisches Fragen. Das Designprinzip ist eine relationale Brücke: Interaktion bewusst temporär, gerichtet auf menschlichen Kontakt und begrenzt durch Schutzmechanismen, wobei Erwachsene die Mensch-im-Kommando-Verantwortung behalten. Exploratorische Pilotstudien (N = 30, Italien und China, 20 begrenzte Sitzungen) fanden, dass Teilnehmende das System als begrenztes Unterstützungswerkzeug behandelten, ohne berichtete Erwartung von Substitution oder Abhängigkeit.
  • KI-assistiertes Lernen trägt eine psychologische Kosten, wenn es Anstrengung ersetzt. AI-Assisted Autonomous Learning and Reduced Academic Accomplishment in Vocational Higher Education: The Mediating Role of Hardiness befragte 1.264 Berufscollege-Studierende in China unter Nutzung von Strukturgleichungsmodellierung und fand KI-assistiertes autonomes Lernen negativ assoziiert mit Härte (Engagement, Kontrolle, Herausforderung) und positiv assoziiert mit reduzierter akademischer Leistungserfüllung, einer Burnout-Dimension negativer Selbstbewertung. Härte vermittelte die Beziehung teilweise. Das Design ist querschnittlich, auf Selbstauskunft beruhend und auf eine einzige Einrichtung beschränkt, daher ist Kausalität nicht etabliert, doch die Rahmung zählt für die VET: Wo Vertrauen durch wiederholte Praxis aufgebaut wird, kann KI als Substitut sowohl die Disposition zum Durchhalten als auch das gefühlte Erleben von Meisterschaft reduzieren.
  • Curriculumproduktion beschleunigen, ohne Verifikation aufzugeben. AI-accelerated End-to-End Framework for Rapid Professional Upskilling wendet KI über alle fünf Stufen beruflicher Weiterbildung an – Wissenserwerb, Inhaltsentwicklung, Review und Verifikation, Tutor-Coaching und Assessmententwicklung –, während Blaupausendesign, Fachreview und das Verfassen von Fehlvorstellungen bei Menschen bleiben. Seine externe Validierung umfasst NASBA-CPE-Akkreditierung, drei von drei Lernenden, die eine NVIDIA-Zertifizierungsprüfung nur unter Nutzung der Wissensbasis des Rahmenwerks bestanden, und eine Aufgabenbank von 530 Fragen, verknüpft mit einem Blueprint von 53 Fähigkeiten. Es gehört hierher, weil es Verifikation als erstklassige Stufe behandelt: Halluzinationsdetektion ist in Bildungspipelines weitgehend abwesend, und das Papier berichtet, dass Standard-LLM-Tutoring nur 52–70% korrekte pädagogische Aktionen erreicht.

Verbundene Konzepte

Verbundene Artikel

Metadaten

FachgebietVocational Education
NiveauAdult Learning, Higher Ed
ZielgruppeInstructors, Curriculum Designers, Institutions
Lernen und UnterrichtBerufsentwicklung und Berufsfähigkeit, Berufliche Weiterbildung
Technologien und VerfahrenHuman-in-the-Loop-KI, Intelligentes Tutoring, Simulation
Assessment und MessungAuthentisches Assessment
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.