Wie sollten wir asynchrone Onlinekurse gestalten und anleiten, wenn KI die Arbeit erledigen kann?

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

Sie haben die Entdeckung bereits gemacht, die diese Frage erzwingt. Irgendwo in Ihrem asynchronen Kurs ist eine Aufgabe, deren erster Entwurf nun kostenlos ist – ein Diskussionsbeitrag, eine Reflexion, eine Fallanalyse, ein Aufgabensatz –, und die ankommende Arbeit ist flüssig, on-topic und sagt Ihnen nichts darüber, was der Student kann. Sie sind nicht im Raum, um das Denken geschehen zu sehen, und das Artefakt, das dafür einzutreten pflegte, tut es nicht mehr.

Das war die Version des Problems, in der ein Student um zwei Uhr nachts entscheidet, ein Modell den Beitrag schreiben zu lassen. Die härtere Version ist bereits da. In drei Demonstrationen an einem laufenden Psychologie-Grundstudiumskurs loggten sich autonome Agenten ins Lernmanagementsystem ein, lasen die Kursmaterialien und erledigten unproktorierte bewertete Arbeit ohne Beteiligung eines Studenten: zwei Quiz in etwa 12 Minuten und in unter 5 Minuten, beide mit 10/10, und ein Diskussionsbeitrag, in dem der Agent die Beiträge seiner Peers auswertete und dann eine glaubwürdige Ich-Erzählung aus der ersten Person fabrizierte, um sie zu beantworten. Die breitere Dokumentation, die die Autoren zusammentragen, umfasst mindestens 15 dokumentierte Agentenläufe über Canvas, Moodle und Brightspace mit sieben Agentenwerkzeugen. Ihr Argument ist, dass dies ein Validität von Assessments-Problem und nicht nur ein Integritäts-Problem ist: Agentenabschluss entfernt die Annahme, dass die eingereichte Arbeit von der Person erzeugt wurde, deren Lernen bewertet wird (Hadjisolomou und El-Haddad, 2026).

Das Fazit: ein asynchroner Kurs hat keine Präsenz oder Prozesssichtbarkeit, auf die zurückzufallen ist, also muss das Design sie herstellen. Verlagern Sie den Beleg des Lernens weg vom fertigen Produkt, behalten Sie eine Messung, die der Student ohne Hilfe erzeugen muss, versehen Sie jede KI, die Sie liefern, mit Leitplanken, und takten Sie das Semester absichtsvoll – Selbstregulation ist das, was selbstgetaktete Formate stillschweigend voraussetzen und selten lehren. Klar gesagt: hören Sie auf, um die Annahme herum zu designen, dass das Erzeugen des Artefakts Lernen demonstriert. Das ist kein Argument dafür, KI zu verbieten oder Aufgaben KI-sicher zu machen, sondern dafür, den Kurs so zu gestalten, dass KI das Artefakt zu erzeugen nicht genügt, um das Lernen zu vollbringen.

Die kurze Version

• Machen Sie das Denken zum Lieferobjekt. Gestufte Entwürfe, Entscheidungsprotokolle und Selbsterklärung sind schwerer auszulagern als ein abschließendes Artefakt, und sie zeigen Ihnen die Argumentation, die Sie sonst nicht sehen können.
• Behalten Sie eine unbegleitete Messung bei den Assessments, die Kompetenz zertifizieren. Bevölkerungsdaten zeigen, dass der KI-Zugangseffekt auf Behalten unter Proctoring verschwindet, was Ihnen sagt, dass die Abkürzung außerhalb der Plattform liegt und von den Bedingungen abhängt, die Sie setzen.
• Nutzen Sie asynchrone mündliche Assessments, wo die Einsatzhöhe sie rechtfertigt – Just-in-time-Prompts, zeitbegrenzte unüberarbeitete Aufzeichnungen, eingebettete Rubriken, automatische Transkripte.
• Versehen Sie die KI, die Sie liefern, mit Leitplanken. Hinweis-statt-Antwort-Tutoring beseitigte die Prüfungsstrafe, die ungehüteter Zugang in einem randomisierten Versuch erzeugte; ein Modell ohne Randbedingungen zu liefern ist die Version, die Lernen schädigt.
• Betten Sie die Unterstützung in den Kurs ein, statt auf einen generischen Chatbot zu verlinken. Der eingebettete Assistent der Open University verdoppelte die Zeit am Task in seiner Erprobung; die Erfahrung derselben Institution mit einem externen, unangebundenen Chatbot ging in die andere Richtung.
• Takten Sie das Semester absichtsvoll. Frühwarnsignale existieren bis zu 7–8 Tage vor Modul-Deadlines, und Selbstregulation und Wohlbefinden sinken über ein Semester hinweg in Schritt mit der Häufung von Assessments –, sodass die Abstände der Deadlines eine Designentscheidung mit messbaren Folgen ist, kein Planungsdetail.
• Leiten Sie Diskussionen spärlich an und sequenzieren Sie sie absichtsvoll. LLM-Anleitungen sind deutlich begieriger zu intervenieren als menschliche Anleitungen, und die Zusammenfassungswerkzeuge, die Studierenden wirklich helfen, ein großes Forum zu navigieren, halten den Rückgang der Beteiligung für sich genommen nicht auf. Verlangen Sie eine festgelegte Position, eine Herausforderung und eine dokumentierte Revision statt einer Beitragszahl.
• Verpflichten Sie sich vor dem Konsultieren. Lassen Sie Studierende zuerst ihre eigene Position, Vorhersage, Gliederung oder Entscheidung erzeugen und dann das Modell für Kritik einbringen; das Denken, das gelernt werden muss, sollte geschehen, bevor das Werkzeug geöffnet wird.
• Paaren Sie eine verwundbare Aufgabe mit einem Zwilling. Behalten Sie die Take-home-Analyse und fügen Sie eine eng geplante zweite Aufgabe hinzu, die dasselbe Ergebnis auf eine Weise bewertet, für die die erste nicht ausgelagert werden kann.
• Geben Sie der KI eine benannte Rolle, und können Sie den Satz beenden: die Aufgabe der KI hier ist X, die Aufgabe des Studenten ist Y. Wenn Y dünn ist, ist die Aktivität nicht bereit.

Entscheiden Sie, was das Assessment tatsächlich misst

Der Grund, warum ein asynchroner Kurs exponierter ist als ein Präsenzkurs, ist nicht, dass Studierende dort weniger ehrlich sind. Es ist, dass der Beleg des Lernens des Kurses die Einreichung ist, und die Einreichung ist nun billig zu erzeugen. Zwei Stücke kausaler Belege zeigen, was das kostet.

In einem randomisierten Versuch mit etwa 1.000 Mathematikschülerinnen und -schülern der Oberstufe erhöhte ungehütete KI-Unterstützung die Übungsleistung um 48%, während sie unbegleitete, geschlossene Prüfungswerte um 17% senkte – Studierende, die nie Zugang hatten, übertrafen jene, die ihn hatten. Das kritische Detail ist die Lösung: ein mit Leitplanken versehener Tutor, der Hinweise statt Antworten gab, beseitigte den Schaden. Das Problem war nie die Präsenz des Modells; es war das Fehlen einer Randbedingung für das, was es tun würde.

Verhaltensbelege auf Bevölkerungsebene zeigen in dieselbe Richtung. Über 3.2 Millionen ALEKS-Interaktionen hinweg fiel die Lernzeit bei KI-anfälligen Problemen nach der öffentlichen Veröffentlichung von ChatGPT um 26.9%, mit einem 25%-igen Rückgang der Chancen, proktorierte Behaltensitems richtig zu beantworten – ein Effekt, der verschwand, sobald Proctoring eingerichtet war. Jenes Verschwinden ist der wichtige Teil für das Kursdesign: es lokalisiert die Abkürzung außerhalb der Plattform und zeigt, dass der Schaden eine Eigenschaft der Bedingungen ist, die Sie setzen, nicht des Charakters der lernenden Person.

Es gibt auch einen subtileren Fehler, gegen den zu designen ist. Metakognitiv diskordanter Abschluss benennt den Zustand, richtige, vollständige Arbeit einzureichen, während man privat weiß, dass Verständnis nie ankam. In einem Klassenzimmer könnten Sie das im Zögern eines Studenten erkennen; in einem asynchronen Kurs ist die Einreichung Ihr einziger Kanal, und eine richtige Einreichung liest sich als Erfolg. Leistungsbeurteilung-Design ist deshalb der erste Hebel, nicht der letzte Ausweg.

Entscheiden Sie, was als Beleg zählt, wenn es keinen Raum gibt, den man betreten kann

Wenn das fertige Produkt das Denken nicht mehr belegt, muss der Beleg aus dem Prozess kommen oder aus einer Bedingung, die der Student nicht auslagern kann.

Prozessoffenbare Artefakte sind die kostengünstigste Veränderung und funktionieren im Maßstab: gestufte Einreichungen mit einem verpflichtenden Zwischen-Entscheidungsprotokoll, eine ein Absatz lange Selbsterklärung an jeder Antwort, eine Annotation einer Quelle, ein nach Feedback überarbeiteter Plan. Diese erfassen die Argumentation statt ihres Rückstands, und sie kosten die Lehrkraft vergleichsweise wenig zu überfliegen.

Asynchrone mündliche Bewertung ist die stärkste Option, wenn Kompetenz zertifiziert werden muss. Pentland, Lowenthal und Krier (2026) evaluierten webbasierte Assessments, in denen Prompts just-in-time geliefert werden, Studierende kurze, zeitbegrenzte Webcam-Antworten aufzeichnen, die sie nicht noch einmal aufsuchen können, und Lehrkräfte gegen eingebettete Rubriken bewerten, während Transkripte automatisch erzeugen. Über zwei Studien – eine Zwischenprüfungs-Pilotierung in Rechnungswesen und einen Kurs in Datenanalytik – schnitten Studierende auf diesen Assessments höher als auf Präsenz-Multiple-Choice-Prüfungen (signifikant in der zweiten Studie, ein positiver, aber nicht signifikanter Trend in der ersten), mit moderaten Kreuzformat-Korrelationen, die konvergente Validität stützen. Studierende berichteten, anders vorzubereiten, mehr aktive Lernstrategien zu nutzen und das Format als professionell relevant zu behandeln. Es beantwortet das asynchrone Problem unmittelbar: das Denken wird live ausgeführt, zu einer Zeit und an einem Ort der Wahl des Studenten, zu Verwaltungskosten, die nicht mit der Kohortengröße skalieren.

Eine unbegleitete Messung gehört in jeden Kurs, dessen Note Wissen zertifiziert. Das obige ALEKS-Ergebnis ist das Argument: als Proctoring eingerichtet war, verschwand die Behaltenslücke. Schließen Sie die Schleife, indem Sie Studierenden sagen, warum die Bedingung existiert – die Argumentation gehört in Ihr Schreiben einer Kurs-KI-Richtlinie.

Entscheiden Sie die Sequenz, nicht nur das Artefakt

Sobald das fertige Produkt unzuverlässiger Beleg ist, wird die Reihenfolge, in der die Arbeit geschieht, Teil des Assessmentdesigns.

Brcic und Frljic (2026) machen Platzierung zum Zentrum des Arguments: Erlauben-oder-Verbieten ist eine falsche Dichotomie, und die Designfrage, die zählt, ist wo das Werkzeug sitzt. Die kausalen Belege, die sie erheben, zeigen, dass das Ergebnis an Platzierung allein kippt – derselbe ungehütete Helfer, der Oberstufenstudierende etwa 17% schlechter bei einer unbegleiteten Prüfung zurückließ, schadete nicht, sobald er umgebaut war, um Antworten zurückzuhalten, während ein gut konstruierter Tutor das Lernen etwa verdoppelte. Ihr Sechs-Schritte-Rahmen für die Platzierung des Werkzeugs (prime, probe, point, attach, strengthen, test) ist ein brauchbares Menü, und ihre einzeilige Diagnose ist die, die man behalten sollte: wenn das Hineinlassen von KI die Aufgabe mühelos fühlen lässt, ist sie am falschen Platz. Schlecht platzierte Unterstützung scheitert nicht bloß daran zu helfen; sie hinterlässt eine Illusion von Lernen, die bei der unbegleiteten Aufgabe zusammenfällt – der Zustand, den metakognitiv diskordanter Abschluss für eine Einreichung benennt, die richtig und nicht verstanden ist.

Für einen asynchronen Kurs übersetzt sich das in eine Sequenz, die Sie in die Aufgabe selbst schreiben können:

Denken → Verpflichten → KI nutzen → Kritisieren → Überarbeiten → Erklären.

Studierende versuchen die intellektuelle Arbeit und verpflichten sich auf eine erste Deutung, Vorhersage, Gliederung oder Entscheidung. Erst dann tritt das Modell ein, für Feedback, Alternativen, Gegenargumente oder Kritik. Dann bewerten Studierende, was es erzeugte, überarbeiten und erklären, was sich verändert hat und warum. Der Verpflichtungsschritt ist das, was den Rest bewertbar macht: ein unverpflichteter Student hat nichts zu überarbeiten, und ein von Grund auf von einem Modell geschriebenes Artefakt hat überhaupt keine Überarbeitungshistorie.

Eine Vorsicht zur Überkorrektur: jeden Prompt zu sammeln und Dokumentation jedes Tastenanschlags zu erzwingen erzeugt Arbeitsaufwand ohne Belege. Verlangen Sie stattdessen bedeutsame Entscheidungspunkte – welcher Beleg ausgewählt wurde, welche Alternative verworfen wurde, was sich nach der Kritik veränderte –, und die Argumentation, die Sie tatsächlich lesen würden.

Paaren Sie eine verwundbare Aufgabe mit einem Zwilling

Die andere strukturelle Option ist, aufzuhören, zwischen einer pädagogisch wertvollen und einer vertretbaren Aufgabe zu wählen. Roe, Perkins und Giray (2026) schlagen Assessment-Zwillinge vor: paaren Sie die KI-verwundbare Aufgabe – einen Take-home-Aufsatz oder eine Analyse – mit einer zweiten, weniger verwundbaren Aufgabe, die dieselben Ergebnisse bewertet, eng genug geplant zur Kreuzverifikation und voneinander abhängig bewertet. Ihr Mapping läuft über Messicks sechs Stränge von Validitätsbelegen, und der Designprozess hat drei Schritte: die Verwundbarkeiten identifizieren, Ergebnisse abstimmen und den Zwilling wählen, dann eine Bewertung entwickeln, die beide verbindet. Die Take-home-Analyse behält ihren Wert für erweiterte Untersuchung; ihr Zwilling könnte eine kurze Fallvariation, eine Erklärung einer zentralen Entscheidung oder eine kurze mündliche oder multimediale Verteidigung sein.

Die Begleitfrage ist Eigentum statt Autorschaft. Ebrahimzadeh, Shibani und Buckingham Shum argumentieren, dass Koautorschaft mit generativer KI mehrere Formen von Validitätsbelegen untergräbt, und schlagen Koautorschaftsintegrität als eigene Quelle von Validitätsbelegen vor – verletzt, wenn ein Student KI-generierte Inhalte einreicht, die er nicht versteht. Um Eigentum im Maßstab statt durch Inspektion zu prüfen, berichten sie Arbeit an einem AI Viva: ein Konversationsagent, der ein hybrides Viva Voce führt, Verständnisfragen steuerbaren Typs und steuerbarer Komplexität stellt und von erfahrenen Pädagogischen Fachkräften und Assessment-Spezialisten in der Tiefe validiert wurde. Das ist gegen das Proktoring von allem abzuwägen: eine mündliche Verteidigung der eigenen Argumentation skaliert auf eine Weise, die Raumüberwachung nicht tut, und sie erzeugt Belege über Verständnis statt darüber, wer im Raum war.

Entscheiden Sie, was die KI in Ihrem Kurs tun darf

Der Vergleich, der zählt, ist nicht KI versus keine KI. Es ist eingebettete, eingeschränkte KI versus ein unangebundener Chatbot, und die beiden erzeugen verschiedene Ergebnisse.

Der AIDA-Assistent der Open University ist der am besten dokumentierte eingebettete Fall: sechs iterative Design-Based Studien über 18 Monate mit 498 Studierenden und 20 Personal, an einer Institution, die 200.000+ Lernende über mehr als 50 Länder bedient. In einem explorativen randomisierten Versuch verbrachten Studierende, die AIDA nutzten, doppelt so viel Zeit und besuchten mehr Seiten in ihrem Kurs als die Kontrollgruppe, und 96% wollten den Assistenten in ihren formalen Studien verfügbar haben. Zweckgebaut und in der Umgebung schlug generisch und extern.

Locks, Arteagas und Johnsons (2025) Review – 63 Zitationen über 32 Länder – fügt der Designbedingung eine soziale Bedingung hinzu: Studierende, die ChatGPT neben Tutoring durch die Lehrkraft nutzten, nahmen größere Lernzuwächse wahr als jene, die es allein nutzten. Der Assistent ergänzt die Lehrkraft oder er ersetzt die Beziehung, und nur eines davon ist ein Kursdesign.

Zwei Vorsichtsmaßnahmen sind es wert, ernst genommen zu werden. KhanMigos Scheitern war nicht technisch: Lernende engagierten sich einfach nicht mit dem Chatbot, und Belege für Gewinne waren begrenzt, was auf organisatorische Bereitschaft und instruktionale Passung statt Modellqualität zeigt. Und die Lehrkraftseite ist nicht automatisch bereit: in einem Vergleich südafrikanischer Lehrkräftebildung lag selbstberichtetes TPACK für KI-integrierten Wissenschaftsunterricht bei 64.0% an einer Campusuniversität gegen 47.4% an einer Fernuniversität, wobei pädagogisches Wissen in beiden die schwächste Domäne war (Online-Lehre und -Lernen). Einen Assistenten in einen asynchronen Kurs zu deployen, schult nicht die Menschen, die seine Ausgabe beurteilen müssen.

Entscheiden Sie, wie die asynchrone Diskussion tatsächlich angeleitet wird

Diskussionsforen sind der Ort, an dem asynchrone Kurse entweder Community aufbauen oder stillschweigend zu Einreichungsboxen werden. Zwei Befunde sollten prägen, was Sie dort automatisieren.

Erstens ist Timing der schwierige Teil, nicht Themenerkennung. Tsirmpas und Kollegen bauten das PEFK-Korpus, um Anleitungsdatensätze zu vergleichen, und führten dann die erste Befragung zum Anleitungs-Timing mit erfahrenen menschlichen Anleitenden und LLM-Judges durch. Menschen waren vorsichtiger mit Interventionen; LLMs waren übermäßig begierig. Beide waren sicherer, wenn sie urteilten, dass Anleitung nicht nötig war, als wenn sie urteilten, dass sie es war. Trainierte Klassifikatormodelle übertrafen die LLM-Setups, und selbst dann begrenzten die vorhandenen Datensätze die Leistung. Die praktische Lesart: übergeben Sie autonome Moderation nicht einem Agenten, und wenn Sie KI in einer Diskussion überhaupt nutzen, konfigurieren Sie sie so, dass sie standardmäßig schweigt.

Zweitens hilft KI Studierenden, ein Forum zu navigieren, ohne sie partizipieren zu lassen. Mit 128 Universitätsstudierenden über drei Iterationen fanden Hao und Cukurova (2026), dass KI-generierte Diskussionszusammenfassungen die Exposition gegenüber Beiträgen von Peers verbreiterten und die verbundene Vernetztheit stärkten – die schwachen Bindungen, die Sozialkapitaltheorie Bridging nennt –, indem sie den Aufwand senkten, bedeutsame Beiträge zu finden. Sie hielten die Aktivität nicht davon ab, über den Kurs hinweg zu sinken. Zusammenfassung ist ein navigatorisches Scaffold, kein Ersatz für die Erzeugung von Beteiligung.

Die Struktur, die das abmildert, ist eine Sequenz statt eines Threads: Position → Herausforderung → Revision. Studierende verpflichten sich auf eine im Kursmaterial begründete Deutung, treffen dann eine andere Perspektive, ein Gegenbeispiel oder eine Kritik, und erklären dann, ob und wie sich ihre Argumentation bewegte. Was Sie bewerten, ist die Bewegung zwischen Ideen, nicht die Anzahl der Beiträge –, und ein eingereichter Beitrag plus zwei Antworten demonstrieren das nicht mehr, da die dritte Demonstration oben einen Agenten hat, der die Beiträge eines Peers auswertet und sich als Lebensgeschichte eines Klassenkameraden ausgibt.

Weil das, was ein Agent imitiert, Oberflächenverhalten ist, werden die eigenen Beiträge der Lehrkraft zur knappen Ressource. Mechanisch auf Dutzende einzelner Beiträge zu antworten ist die am wenigsten wertvolle Form von Lehrenspräsenz; über die Diskussion hinweg zu synthetisieren ist die wertvollste – drei Annahmen tauchen in Ihren Analysen immer wieder auf; mehrere von Ihnen lesen diesen Beleg anders; dieses Argument überzeugt, bis wir dieses Gegenbeispiel einführen. Das ist Orchestrierung statt Nachrichtenproduktion, und es ist der Teil, den kein Agent in dieser Literatur ausführt.

Die Rahmenfrage unter beidem ist Rechenschaftspflicht. Ba, Gašević, Lim und Anderson (2026) argumentieren, dass generative KI die Untersuchungsgemeinschaft-Annahme verunsichert, dass Präsenzindikatoren überhaupt Menschen zugeschrieben werden können: sie behandeln GenAI als epistemische Bedingung und Präsenzen als soziotechnische Vollbringungen, deren Beziehung zu Untersuchungsqualität davon abhängt, wo menschliche Rechenschaftspflicht sitzt. Die Designimplikation für einen asynchronen Kurs ist konkret – entscheiden und benennen Sie, wer in jedem Austausch wofür rechenschaftspflichtig ist, statt anzunehmen, Präsenz entstehe, weil ein Forum existiert.

Entscheiden Sie, wie Studierende ohne Raum, den man betreten kann, Schritt halten

Selbstgetaktete Formate setzen Selbstregulation voraus und lehren sie selten. Die Belege darüber, welche Verhaltensweisen tatsächlich mit Am-Ball-Bleiben korrelieren, sind ungewöhnlich praktisch.

Mit einer Befragung von 530 Hochschulstudierenden mittels Association-Rule-Mining und Clustering fanden Shi et al. (2026), dass selbstreguliertes Lernverhalten – Zielsetzung, Umgebungsstrukturierung und Zeitmanagement – am konsistentesten mit niedriger digitaler Ablenkung gemeinsam auftrat, zusammen mit Lernenden-Instruktor- und Lernenden-Inhalts-Engagement und technischer Kompetenz. Bemerkenswert war, dass Vertrauen auf Peer-Hilfe und Lernenden-Lernenden-Engagement in den Profilen niedriger Ablenkung weniger oft erschienen. Strukturieren Sie die Umgebung und den Zeitplan, bevor Sie eine weitere Gruppenaktivität designen.

Selbstregulation ist auch kein fixes Merkmal, das Sie voraussetzen oder abtun können. Über ein volles Semester mit 75 Studierenden der ersten Semester fanden Song et al. (2026) SRL als sowohl stabile Begabung als auch fluktuierenden Zustand funktionierend: individuelle Baselines hielten stand, während metakognitives Wissen und Wohlbefinden systemisch über das Semester hinweg sanken, getrieben von Curriculumanforderungen wie großen Assessment-Deadlines. Deadlines zu häufen mag eine effiziente administrative Wahl sein, und es ist auch eine messbare Steuer auf die Regulation, von der das Format abhängt.

Das Interventionsfenster ist wissbar. Zhang, Jeffries und Koprinska (2025) zeigten, dass interpretierbares Machine Learning auf Inhaltsinteraktionsprotokollen Fortschritt auf Modulebene vorhersagt und Abbruchergebnisse bis zu 7–8 Tage vor Modul-Deadlines in großmaßstäblichen Online-Programmierkursen markiert. Das ist genug Vorlauf, um einem bestimmten Studenten einen bestimmten Anstoß zu senden, und es schlägt, den Fehler bei der Bewertung zu entdecken. Für erwachsene und Fernlernende fügen die AI-ALOE-Designleitlinien die Randbedingung hinzu, die am meisten zählt: mobiler Zugang, Offline-Fähigkeit und echte asynchrone Verfügbarkeit, da diese Lernenden in Zeitfragmenten zwischen anderen Verpflichtungen lernen.

Was KI Ihnen als Designerin oder Designer abnehmen kann

Zwei Nutzungen haben vernünftige Belege hinter sich, und beide zielen auf Arbeitsbelastung der Lehrkraft statt auf Denken der lernenden Person.

Produktionskosten. MAIC rahmt das „ein Video für N Studierende"-Broadcast des MOOC als „N Agenten für einen Studenten" um und nutzt spezialisierte Lehrkräfte-, Assistenz-, Klassenkameraden- und Analyzer-Agenten auf einer gemeinsamen Modellgrundlage. Seine Autoren berichten, die Kursproduktion von etwa $25.000 und 60 Stunden pro MOOC auf unter $2 und 30 Minuten reduziert zu haben, pilotiert an der Tsinghua über zwei Kurse mit 100.000+ Lernaufzeichnungen von 500+ Studierenden, und als Open-Source-OpenMAIC veröffentlicht. Personalisierte Medien sind dieselbe Idee auf Assetebene: in einem großen Onlinekurs fanden Tomlinson et al. (2026), dass Studierende KI-generierte personalisierte Videos gegenüber nicht personalisierten menschlichen Aufzeichnungen bevorzugten, wobei der Personalisierungseffekt den auf einen menschlichen Präsentierenden gelegten Wert überwog.

Fornavigation. Das obige Zusammenfassungs-Scaffold senkte die Kosten, gute Beiträge zu finden, ohne die Lehrkräfte mit der Zusammenfassung zu belasten.

Was nicht automatisieren. Entscheiden, ob ein Schriftstück das eigene Denken des Studenten ist, beurteilen, ob eine Diskussion eine Intervention braucht, und Schwierigkeit kalibrieren, sind die Aufgaben, von denen die Belege sagen, dass sie entweder unzuverlässig oder rechenschaftspflichtigkeitstragend sind. Generiertes Material braucht außerdem pädagogische Prüfung, bevor es Credit trägt – billige Produktion ist nicht dasselbe wie stimmiges Design.

Geben Sie der KI eine benannte Rolle, und prüfen Sie dann, ob der Student noch eine hat

„Studierende dürfen KI nutzen" ist eine zu breite Spezifikation, um dagegen zu designen. Die Rolle zu benennen ist das, was eine Aktivität designbar macht, und die Rollen tragen Folgen für Präsenz: eine Studie zu generativer KI in der Marketingbildung unterscheidet Tutor, Teamkollege und Werkzeug, zeigt jede als Lehrens-, Sozial- und kognitive Präsenz unterschiedlich beeinflussend, und listet die vertrauten ethischen Expositionen – Datenprivatsphäre, Plagiat, Abhängigkeit und Assessmentfairness (GenAI in Marketing Education). Dasselbe Modell kann vor einer Aufgabe ein sokratischer Fragesteller sein, nach einem ersten Entwurf ein Kritiker, während einer Fallanalyse ein simulierter Stakeholder, ein Gegner, dessen Argument widerlegt werden muss, ein hinweisgebender Tutor während des Übens, oder ein Editor, der erst hereingeholt wird, nachdem die substanzielle Argumentation existiert. Das sind verschiedene Aktivitäten, und sie zu vermengen ist, wie „KI ist erlaubt" stillschweigend zu „es wurde nichts designed" kommt.

Scaffolding (Gerüstbildung) liefert den Test: Unterstützung sollte Lernenden helfen, zu tun, was sie noch nicht allein können, und sollte ausblenden, wenn Kompetenz sich entwickelt. Ein Modell, das fortfährt, vollständige Lösungen zu liefern, ist kein Scaffold – es tut die Aufgabe. Also sollte der Designerin oder dem Designer für jede KI-aktivierte Aktivität dieser Satz ohne Zögern einfallen:

Die Aufgabe der KI hier ist _________, während die Aufgabe des Studenten __________ ist.

Wenn die zweite Lücke wenig bedeutsames Denken enthält, braucht die Aktivität Redesign statt eine strengere Richtlinie.

Belehren Sie Evaluation, nicht nur Bedienung

KI-Kompetenz ist nicht die Fähigkeit, einen Chatbot zu bedienen; sie umfasst kritische Evaluation, metakognitives Urteil und zu wissen, wann man das Werkzeug überhaupt nicht nutzen sollte –, und die Wissensbasis ist konsistent, dass selbstberichtete Selbstsicherheit ein schlechter Proxy für demonstrierte Kompetenz ist. Das zeigt auf eine Veränderung, die jeder asynchrone Kurs sofort annehmen kann: geben Sie Studierenden manchmal selbst die KI-Ausgabe. Übergeben Sie zwei konkurrierende Antworten und fragen Sie, welche stärker ist und warum. Fragen Sie nach der schwächsten Behauptung, der fehlenden Annahme, der unverifizierbaren Quelle, der plausiblen Erklärung, die dennoch falsch ist. Fragen Sie, welche Belege sie umstimmen würden.

So gerahmt, ist die bewertete Fähigkeit nicht mehr nur kann dieser Student eine Antwort erzeugen?, sondern kann dieser Student erkennen, ob eine Antwort es verdient, vertraut zu werden? – näher an dem, was die Disziplin tatsächlich erfordert, und weit schwerer auszulagern. Die Verifikationspraktiken und das KI-Kompetenz-Material sind der Ort, an dem die Technik lebt; was hier zählt, ist, Evaluation in die bewertete Aufgabe zu setzen, statt sie als Ratschlag zurückzulassen.

Die Einwände, die Sie hören werden

„Das sind Erwachsene, die sich für einen asynchronen Kurs entschieden haben. Wenn sie KI schreiben lassen, ist das ihre Entscheidung." Das Wahlargument würde halten, wenn der Kurs nichts zertifizierte. Er tut es. Die ALEKS-Belege zeigen, dass die Abkürzung einen Anschein von Kompetenz erzeugt, der eine proktorierte Prüfung nicht überlebt, und die Kosten landen später beim Studenten – im nächsten Kurs, der Zulassungsprüfung oder dem Beruf. Es gibt auch eine Gerechtigkeitskante: die Lernenden, die am wahrscheinlichsten auslagern, sind oft jene mit der wenigsten Zeit, was genau die Gruppe ist, für die ein asynchroner Kurs existiert.

„Detektion ist die Antwort." Detektion ist umstritten, und das obige Proctoring-Ergebnis zeigt, warum Design Policing schlägt: der Schaden verschwand, als sich die Bedingungen änderten, nicht als sich das Policing intensivierte. Detektion trägt außerdem falsch-positive Kosten und verwandelt Instruktion in ein Wettrüsten. Gestalten Sie die Aufgabe neu und behalten Sie stattdessen eine unbegleitete Messung – siehe Wie kann ich KI-Betrug in meinem Kurs reduzieren? und Wie gestalte ich Assessment neu, damit eine Note weiterhin etwas Vertretbares darüber sagt, was die Person weiß oder kann?.

„Lehrenspräsenz ist auf Distanz unmöglich, also ist asynchron von Natur aus unterlegen." Präsenz in einem asynchronen Kurs ist designed statt impliziert, und die obige CoI-Rekonzeptualisierung sagt, ihre Indikatoren seien soziotechnische Vollbringungen im GenAI-Zeitalter. Die AIDA-Erprobung ist ein brauchbares Gegenbeispiel: eingebettete generative Unterstützung verdoppelte die Zeit am Task in einem Kurs ohne jede synchrone Sitzung.

„Proctoring ist Überwachung, und ich werde sie nicht verhängen." Eine vertretbare Position, und sie lässt Sie nicht ohne Optionen. Prozessoffenbare Artefakte, asynchrone mündliche Bewertung, Selbsterklärung und das oben beschriebene AI Viva erfassen alle Argumentation, ohne den Raum von jemandem zu überwachen. Wenn Sie eine proktorierte Bedingung nutzen, sagen Sie es im Syllabus, erklären Sie die Argumentation, und beschränken Sie sie auf die Assessments, die Kompetenz zertifizieren.

„Dann macht alles synchron und proktoriert." Viele Studierende wählen asynchrones Studium genau deshalb, weil sie Erwerbsarbeit, Sorgeverantwortung, Behinderungen oder geografische Randbedingungen haben, die synchrone Teilnahme erschweren, und Detektion trägt ihre eigenen Gerechtigkeitskosten: Werkzeuge, die nicht muttersprachlich Schreibende überproportional markieren, erzeugen falsch-positive Ergebnisse, die ehrliche Arbeit bestrafen (KI-Erkennung). Die verhältnismäßige Alternative ist eine kleine Anzahl von Verifikationsmomenten innerhalb eines ansonsten flexiblen Kurses: eine kurze aufgezeichnete Erklärung, eine personalisierte Anwendung, eine Antwort auf eine von der Lehrkraft gewählte Frage, ein annotierter Entscheidungspfad, eine risikoarme individuelle Prüfung. Verifikation sollte die Validität Ihrer Belege erhöhen, ohne die Flexibilität zu entfernen, die das Format anzubieten wert machte.

Was die Belege nicht entscheiden

Der systematische Review zu KI im Fernunterricht (56 Artikel, 2020–2025) deckt Personalisierung (24 Studien), Assessment und Feedback (19), Mensch-KI-Interaktion (17) und Governance und Gerechtigkeit ab und schließt, dass die Basis kurzfristig und querschnittlich ist, mit wenig longitudinaler Arbeit. Der Review zu KI und studentischem Engagement im Online-Lernen (24 Studien) ist auf eine Datenbank begrenzt, behandelt nur Engagement und vermengt explizit synchrone mit asynchronen Kontexten –, sodass seine Schlussfolgerungen nicht als asynchron-spezifisch gelesen werden sollten. Asynchrone mündliche Bewertung ruht auf zwei Studien in zwei Kursen. MAIC ist eine Pilotierung. Anleitungstiming-Datensätze begrenzen Leistung selbst mit trainierten Klassifikatoren. Und keine Studie hier folgt einer asynchronen Kohorte lange genug, um zu zeigen, ob neugestaltetes Assessment dauerhaftes Lernen erzeugt statt bessere Belege dafür. Behandeln Sie alles davon als stark genug, Ihren nächsten Kurs zu verändern, und zu dünn, um eine Politikbehauptung zu rechtfertigen.

Diese Woche tun

In zehn Minuten: nehmen Sie Ihr höchstes Assessment und fügen Sie eine Bedingung hinzu, die der Student ohne Hilfe erledigt. Sagen Sie ihnen, warum sie existiert.

Bevor die nächste Aufgabe ausgeht: nehmen Sie die Aufgabe, die KI nun end-to-end erledigt, und schreiben Sie sie so um, dass der Prozess das Artefakt ist – ein Entscheidungsprotokoll, ein gestufter Entwurf, eine Selbsterklärung, ein Vergleich zweier Versuche. Wenn die Aufgabe ohne jede dieser Argumentationen fertigzustellen ist, war die Argumentation nie erforderlich.

Dieses Semester: verwandeln Sie ein Hauptassessment in eine asynchrone mündliche Verteidigung mit eingebetteten Rubriken; setzen Sie die KI-Erlaubnis je Aufgabe im Syllabus und platzieren Sie sie dort, wo Studierende sie tatsächlich lesen werden; staffeln Sie die großen Deadlines statt sie zu häufen; und öffnen Sie ein 7–8 Tage vor der Deadline liegendes Fenster, in dem Sie Studierende kontaktieren, deren Interaktionsdaten still geworden sind.

Lassen Sie drei Fragen über Ihre schwächste Aufgabe laufen. (1) Könnte ein KI-System diese Aktivität abschließen, ohne dass der Student den Stoff versteht? (2) Welche kognitive Aktivität soll hier das Lernen erzeugen? (3) Welcher Beleg wird zeigen, dass der Student jene Aktivität tatsächlich ausgeführt hat? Wenn die erste Antwort ja ist und die anderen beiden schwer zu beantworten sind, ist das Problem das Lerndesign und nicht die KI-Richtlinie –, und keine Formulierung der Richtlinie wird es beheben.

Das Ziel ist kein Kurs, an dem KI nicht teilnehmen kann. Es ist ein Kurs, an dem KI teilnehmen kann, ohne das Lernen zu verdrängen, das der Kurs zu erzeugen existiert.

Wohin als Nächstes: die Regelungen auf Kursebene gehören in Wie schreibe ich eine Kurs-KI-Richtlinie und kommuniziere sie an Studierende?; der Assessment-Neubau ist in Wie gestalte ich Assessment neu, damit eine Note weiterhin etwas Vertretbares darüber sagt, was die Person weiß oder kann? abgedeckt; das darunterliegende Abhängigkeitsproblem in Wie halte ich Studierende davon ab, übermäßig von KI abhängig zu werden?; Arbeitsbelastung der Lehrkräfte und was KI realistisch entfernt in Wie kann mir KI als Lehrkraft Zeit sparen?; und die Designebenen-Sicht der Einbettung von KI in eine Lernerfahrung in Wie sollte KI in die Lernerfahrung designed werden?.