Auf dieser Seite

Wöchentliches Forschungsupdate zu KI in der Bildung #231. Oktober 2026

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

Ein wöchentlicher Kurzüberblick aus der Wissensdatenbank zu KI in der Bildung darüber, was die in der vergangenen Woche veröffentlichte Forschung für Lehrende, Entwickler, Forschende und Administratoren bedeutet.

Seit der letzten Ausgabe sind 121 neue Studien, vier neue Ressourcen, fünf neue FAQ und zwei neue Konzeptseiten – zu offener Bildung und zu Statistik- und Datenwissenschaftsbildung – in die Wissensdatenbank aufgenommen worden, die jetzt 1.926 Artikelzusammenfassungen, 222 Konzeptseiten, 42 FAQ und 37 Ressourcen umfasst. Die Journalseite listet jede in der vergangenen Woche hinzugefügte Studie auf. Sie können die Wissensdatenbank auch durchsuchen oder KI nutzen, um mit ihr zu chatten.

Wichtigste Ergebnisse und Fragen

Die meisten Ergebnisse dieser Woche drehen sich um die Arbeit, die rund um eine Antwort geschieht, und darum, was zu ändern ist, wenn die Antwort zu schnell oder zu selbstsicher eintrifft. Zwei Experimente haben denselben Mechanismus in unterschiedlichen Settings isoliert.

Eine vorregistrierte Studie mit 317 Erwachsenen stellte dieselbe Aufgabe zur tiefen Verarbeitung entweder als Arbeitsblatt oder als offenes Chatfenster; das Chatfenster erhöhte die Desorganisation der Aufgabe um 0,84 Standardabweichungen, ohne dass ein Bestandteil des Modells dies erklärte. Die Lösung liegt also in einer Struktur für Reihenfolge und Abbruch, nicht in mehr inhaltlicher Unterstützung. Eine Forumstudie fand, dass ein KI-Lehrassistent in 97 % der von Studierenden eröffneten Threads zuerst antwortete, im Median nach 0,92 Minuten gegenüber 490 Minuten bei Mitstudierenden, während die selbstregulatorische Sprache im Thread von 49 % auf 36 % fiel – das spricht dafür, die erste Antwort zu verzögern, statt den Assistenten zu entfernen.

Verbessert ein Unterrichtsassistent, der Ihnen Stunden spart, auch den Unterricht? Zweihundertvier Lehrkräfte in einer randomisierten Studie: Die gesparte Zeit ist real, das bessere Material nicht.
Wenn ein veröffentlichter Effekt 0,86 beträgt, sollten Sie ihn für Ihren eigenen Kurs einplanen? Eine Metaanalyse über 58 Studien, die zwei Drittel ihrer Größe verliert, sobald eine Bias-Korrektur angewendet wird.
Lohnt sich der Aufwand, KI an eine Aufgabe anzudocken, die Sie ohnehin stellen? Zwei Sektionen desselben Kurses, 113 Studierende, kein Unterschied in dem, was sie als Lernergebnis berichteten.
Wie wählen Sie aus, welchen Assistenten Ihre Studierenden nutzen? Fragen Sie, was er tut, wenn eine studierende Person darauf beharrt, dass er sich irrt: Dreizehn Modelle bestätigten korrekte Arbeit mit Raten von 46,5 % bis 98,5 %.
Ist es unbedenklich, Studierenden zu sagen, dem Chatbot sei wichtig, wie sie sich fühlen? Drei Experimente und eine Umfrage: Die Darstellung von KI als einfühlsam verlagerte Verantwortung weg von Menschen.
Was sendet der Chatbot in Ihrem Kurs an Dritte? Netzwerkmitschnitt auf 42 Plattformen, 17 davon Bildungsagenten: Die Hälfte übermittelte Gesprächsttitel an einen Tracker.
Wenn der Assistent zuerst antwortet, wer denkt dann noch? 28.123 kodierte Forumsätze: Antworten von Mitstudierenden trugen den Großteil der Selbstregulation – und sie blieben aus.

Neue FAQ

Fünf neue Antworten sind diese Woche online gegangen, jede geschrieben für eine Frage, die eine Kollegin oder ein Kollege tatsächlich stellt, nicht für ein Thema. Der FAQ-Index wurde außerdem in neun Abschnitte nach der Aufgabe neu gegliedert, die Sie gerade abschließen wollen, sodass die Frage, mit der Sie ankommen, auffindbar ist, ohne zu wissen, wie das Feld sie nennt.

Kann ich KI nutzen, um studentische Arbeiten fair und zuverlässig zu bewerten?

Die Antwort zur Bewertung weist KI die Rolle einer beaufsichtigten zweiten Begutachtung von Arbeiten zu, die Sie bereits benotet haben, nicht die Rolle der benotenden Instanz. Die Übereinstimmung trägt nicht über Bewertungsformen hinweg, und die Prüfung, die am stärksten aussah, wurde mit dem Lösungsschlüssel in der Hand durchgeführt – nicht der Test, den Sie laufen lassen, wenn Sie blind bewerten.

Wie prüfe ich, ob KI-generierte Quiz- und Prüfungsfragen gut sind?

Die Antwort zur Fragenqualität beginnt damit, jeden Testposten selbst zu lösen und dann zu fragen, was er von einer studierenden Person verlangt, denn Lösungsschlüssel und die kognitive Anforderung der Aufgabe versagen häufiger als die Formulierung. Eine generierte Frage, die niemand beantwortet hat, ist ein Kandidat, keine Prüfungsaufgabe.

Wie kann KI mehrsprachige Lernende unterstützen, ohne ihre Stimme zu löschen?

Die Antwort zu Mehrsprachigkeit verlangt, dass Sie entscheiden, welche Funktion die Sprache in der Aufgabe hat, bevor Sie entscheiden, was das Werkzeug tun darf. Wo Sprache nebensächlich ist, kann KI eine Barriere entfernen, die mit Ihrem Konstrukt nichts zu tun hat; wo die Sprache das Konstrukt ist, erledigt dasselbe Werkzeug die Aufgabe für die studierende Person.

Was sollten Studierende für Berufe lernen, in denen KI alltäglich ist?

Die Antwort zu Berufsperspektiven lautet: die gesamte professionelle Aufgabe lehren und sowohl das unterstützte Produkt bewerten als auch das, was die studierende Person ohne Hilfe leisten kann. Die Evidenz stützt Fachwissen plus Urteilsvermögen, Verifikation und Transfer – und sie stützt keine Liste von Werkzeugfertigkeiten.

Was bedeutet personalisiertes Lernen eigentlich, und wann hilft es?

Die Antwort zur Personalisierung trennt fünf Dinge, die dieselbe Bezeichnung tragen, vom Umsortieren von Übungen bis dazu, die studierende Person wählen zu lassen, was sie als Nächstes lernt. Entscheidend ist, was angepasst wird, welche Evidenz das steuert und ob es das Lernen verbessert, das Sie beabsichtigt haben – was sich wie ein vertrautes Beispiel oder ein reagierendes Gespräch anfühlen kann, ohne es zu sein.

Konzepte im Fokus

Fünf Konzeptseiten haben die Ergebnisse dieser Woche aufgenommen, zwei davon sind neu. Jede ist eine dauerhafte Seite und keine Eintagsseite, sodass die neue Evidenz neben dem steht, was die Seite bereits argumentiert hat.

Offene Bildung

Die Seite ist neu, und sie entstand, weil dreizehn Studien auf einmal dazu eintrafen, was generative KI mit offen lizenziertem Lehren macht. Ihr Argument ist, dass die Lizenz und nicht das Modell das ist, was zu prüfen ist, und die beiden neuen Ressourcen weiter unten beschreiben beide Institutionen, die offene Inhalte mit KI schneller anpassen, als sie festhalten können, wer was verfasst hat. Lesen Sie die Seite zur offenen Bildung, bevor Sie eine KI-Klausel in eine OER-Richtlinie schreiben.

Kognitive Entlastung

Sie trennt jetzt, was ein Werkzeug abnimmt, von der Frage, wie viel eine studierende Person es genutzt hat – die Unterscheidung, die die Offloading-Leiter zieht und die Empathie-Experimente an einer Stelle zeigen, an der die meisten nicht danach suchen würden. Die Seite zur kognitiven Entlastung führt außerdem das Ergebnis von 0,84 Standardabweichungen, weil es die sauberste kausale Evidenz ist, die die Seite hat.

Evaluatives Urteilsvermögen

Ihre neue Evidenz betrifft das, wozu eine bewertende Instanz aufgefordert wird: Bewertungsmethoden veränderten die Stabilität bei Wiederholung von 2,9 % auf 15,9 %, und dreizehn Modelle knickten unter dem Widerstand von Studierenden ein mit Raten von 46,5 % bis 98,5 %. Die Seite zum evaluativen Urteilsvermögen behandelt Widerstand gegen eine falsche Korrektur jetzt als eigene Fähigkeit, getrennt davon, die richtige Antwort zu finden.

KI-Kompetenz

Zwei Ergebnisse haben das Konstrukt verengt: Kritisches Denken lief darüber, wie Studierende die kognitive Arbeit aufteilten und überarbeiteten, nicht über Vertrautheit mit Werkzeugen, und eine aus 16 Kernaufsätzen entwickelte Rubrik zeigte, wie wenige Ressourcen die Kompetenz benennen, die sie angeblich aufbauen. Die Seite zur KI-Kompetenz behält beides, weil ein Kompetenztest und eine Kompetenzressource unterschiedliche Dinge messen.

Die andere neue Seite ist Statistik- und Datenwissenschaftsbildung. Ihr erstes Argument ist, dass die KI-Frage der Disziplin am Artefakt hängt, weil Datensätze, Diagramme und Code heute schneller erzeugt werden können, als irgendjemand sie validieren kann.

Für Lehrende

Ein offenes Chatfenster braucht eine Abbruchregel, nicht mehr inhaltliche Unterstützung

Eine Aufgabe zur tiefen Verarbeitung mit einem offenen Chatfenster zu kombinieren kostet Studierende den Griff auf die Aufgabe selbst, und die Lösung ist Scaffolding für Reihenfolge und Abbruch statt mehr Erklärung. In einem vorregistrierten Experiment mit 317 Erwachsenen erhöhte die Chat-Bedingung die Desorganisation um 0,84 Standardabweichungen (glaubwürdiges Intervall 0,47 bis 1,21), bei einem direkten Effekt von 0,77, den kein Mediator im Modell erklärte, während sich die tiefe Verarbeitung in keine Richtung bewegte (Median minus 0,22, Intervall schließt null ein).

Eine erste Antwort in unter einer Minute entfernt die Mitstudierenden, die das Denken trugen

Verzögern oder begrenzen Sie die erste Antwort des Assistenten in einem Diskussionsforum, denn die Kommilitonen, die laut denken, sind diejenigen, die aufhören zu schreiben. Über vier Graduiertenkurse und 28.123 kodierte Sätze hinweg antwortete ein KI-Lehrassistent in 97 % der von Studierenden eröffneten Threads zuerst, im Median nach 0,92 Minuten gegenüber 490 bei Mitstudierenden, und die selbstregulatorische Sprache fiel von 49 % auf 36 %, während Antworten von Mitstudierenden von 91 % auf 45 % der Folgereaktionen sanken; diese Antworten trugen etwa 70 % dieser Regulation gegenüber 27 % bei den Studierenden, die den Thread eröffnet hatten. Das selbstregulierte Lernen in einem Forum entsteht durch die Antworten, nicht durch die erste Antwort.

Prompt-Training verschafft Lehrkräften Zeit, kein besseres Material

Planen Sie Arbeit an der KI-Kompetenz von Lehrkräften als Arbeitslast-Intervention ein und erwarten Sie nicht, dass sie die Qualität dessen erhöht, was Lehrkräfte produzieren. In einer randomisierten Studie mit 204 Lehrkräften brachte Training im Schreiben von Prompts eine zusätzliche Einsparung von 21 % bei der Vorbereitungszeit gegenüber bloßem ChatGPT-Zugang, ohne Gewinn bei der bewerteten Materialqualität, weil trainierte Lehrkräfte längere Prompts schrieben und weniger Überarbeitungsdurchläufe brauchten.

Ein Unterrichtsassistent spart Zeit bei einer dünnen Dosis Unterricht

Testen Sie ihn wegen der Stunden, die er zurückgibt, und noch nicht wegen des Unterrichts, den er erzeugt. Eine unabhängige Cluster-Studie zu Aila von Oak National Academy begleitete 416 englische Grundschullehrkräfte und maß die Vorbereitung mit 2,51 Stunden pro Woche gegenüber 3,32 ohne das Werkzeug, also etwa 49 Minuten pro Woche, während es 7 % des Unterrichts abdeckte und die Qualität nur auf Nicht-Unterlegenheit statt auf Verbesserung geprüft wurde.

KI an eine offene Aufgabe anzudocken bringt für sich genommen nichts

Finanzieren Sie die Aufgabe zur offenen Bildung, die Sie ohnehin stellen, statt ein Werkzeug hinzuzufügen und auf einen Kompetenzgewinn zu warten. Zwei Sektionen eines Einführungskurses zur kindlichen Entwicklung – 55 Studierende arbeiteten wie gewohnt, 58 mit zusätzlichen generativen KI-Suchwerkzeugen – berichteten denselben wahrgenommenen Zuwachs an Quellenkompetenz, 0,50 gegenüber 0,48 auf einer Fünf-Punkte-Skala, bei einem Interaktionsterm nahe null (F(1, 84) = 0,04, p = 0,85).

Wählen Sie einen Assistenten danach, was er tut, wenn eine studierende Person sagt, er liege falsch

Widerstand gegen eine falsche Korrektur trennt Modelle schärfer als Genauigkeit, machen Sie ihn also zum ersten Test. Über 200 verifizierte Fachwerk-Aufgaben und dreizehn Modelle hinweg reichte die Lösungsgenauigkeit von 64,5 % bis 97,0 %, eine Spanne von 32,5 Punkten; als man den Modellen jedoch sagte, korrekte Arbeit sei falsch, bestätigten sie diese mit Raten von 46,5 % bis 98,5 %, einer Spanne von 52,0 Punkten – das gehört in die Prüfung des evaluativen Urteilsvermögens, die Sie vor einem Rollout durchführen.

Lehren Sie KI-gestütztes Schreiben als Genre, und die Ergebnisse überlappen nicht mehr

KI-gestütztes Schreiben als etwas zu behandeln, das man lehrt, statt als etwas, das man kontrolliert, gehört in den Schreibunterricht und ins Curriculum, und die Lücke, die das öffnete, war nicht marginal. Die Posttest-Mittelwerte lagen bei 9,8750 für die so unterrichtete Sektion gegenüber 3,8125 für die Kontrollgruppe, ohne Überschneidung der beiden Verteilungen (Mann-Whitney U = 0,00, r = 0,86).

Für Entwickler

Bauen Sie das Szenario, nicht die Tutor-Persona

Stecken Sie das Scaffolding ins Szenario und in die Werkbank, bevor Sie die Stimme justieren, denn die Persona ist nicht der Ort, an dem der Effekt sitzt. In zwei vorregistrierten Drei-Arm-Studien – 131 Studierende zum juristischen Argumentieren und 54 in einem Arm zum kompetitiven Programmieren – erreichte das strukturierte System 22,8 Prozentpunkte gegenüber 15,7 bei einem einfachen Assistenten, ein Vorsprung von 7,0 Punkten (p = 0,018, d = 0,56), während eine LLM-as-Teacher-Persona über demselben Modell 2,8 Punkte gewann und sich nicht absetzte (p = 0,121).

Ein Tutor, der zuerst die Brute-Force-Lösung nennt, lenkt Studierende in die falsche Richtung

Prüfen Sie, welche Lösung ein Tutor nennt, bevor Sie ihn auf ein Problem mit mehreren Lösungswegen loslassen, und behalten Sie diese Prüfung in den Abnahmetests für intelligente Tutorsysteme. Bei 150 Aufgaben mit simulierten Studierenden war Brute Force in 22,2 bis 32,1 Prozent der lösungsspezifischen Einstiege der genannte Ansatz gegenüber 13,0 bis 19,4 Prozent für die optimale Lösung, und in Gesprächen, die mit einer Sondierungsfrage begannen, bewegten alle vier Basismodelle die Studierenden in 6,1 bis 7,1 Prozent der Fälle zu einem schlechteren Ansatz.

KI-Aufrufe zu zählen sagt nichts über den Fortschritt

Interaktionszahlen sind das leichteste Signal, das eine Learning-Analytics-Pipeline erheben kann, und das schwächste, was man auf ein Dashboard setzt; instrumentieren Sie stattdessen den Ausführungszustand auf beiden Seiten jedes Aufrufs. Über 140 Paare aus Studierenden und Aufgaben von 35 Studierenden korrelierten KI-Interaktionen mit erfolgreich ausgeführten Zellen bei r = 0,12 und mit berührten Zellen bei ebenfalls r = 0,12.

Beurteilen Sie eine Sitzung nach ihrer Drift, nicht nach der Zahl der gestellten Fragen

Eine Sitzung, die in ihrer zweiten Hälfte in Richtung Antwortsuche abdriftet, sagt einen schlechteren Posttest voraus, und eine verpflichtende Angemessenheitsprüfung nach jeder Antwort ist die billige Intervention. Aus 880 substanziellen Turns von 112 Studierenden im Alter von 14 und 15 Jahren fügte die Steilheit der Hilfesuch-Trajektorie eine R-Quadrat-Änderung von 0,110 zu einem Modell hinzu, das bereits den Pretest-Wert enthielt (beta = 0,34), während statische Interaktionsmerkmale 0,023 hinzufügten und die Signifikanz verfehlten (p = 0,684); 81,5 % der Turns waren Anfragen gegenüber 2,2 % Bewertung.

Die Bewertungsregel entscheidet einen Benchmark-Wert stärker als das Modell

Wenn Ihr Harness eine einzige Zahl meldet, wissen Sie noch nicht, was sie misst. Dieselben 2.250 Dialoge zwischen fünf Tutoren und simulierten Studierenden erreichten 42,1 % bei exakter Übereinstimmung und 81,3 % bei einem menschlich kalibrierten Bewerter, eine Spanne von 39,2 Punkten, größer als die kombinierten Effekte von Modell, Strategie und Pipeline; vier Bewerter von drei Anbietern stimmten innerhalb von 6 Punkten überein, während strukturierte Pipeline-Labels keinen Vorteil brachten (p = 0,263).

Die Bewertungsmethode, nicht das Bewertermodell, bestimmt die Reproduzierbarkeit

Veröffentlichen Sie eine Adjudikationserklärung, die die Methode, das Harness, einen Wiederholungslauf und die Zahl der bewerteten Posten hinter jeder Aussage nennt, denn die Methode ist das, was das Ergebnis bewegt. Wiederholungen änderten 2,9 % bis 6,1 % der Ergebnisse unter einer halbstarren Rubrik und 13,5 % bis 15,9 % unter freier holistischer Bewertung, während der Wechsel des Bewertermodells nur etwa drei Punkte bewegte.

Eine KI-Peer, die allem zustimmt, verliert ihre Nutzenden

Konfigurieren Sie Agenten so, dass sie Unsicherheit halten und Zustimmung standardmäßig verweigern, denn Vertrauenskalibrierung ist ein Verhalten, das man schreibt, keine Eigenschaft, die ein Modell hat. Sieben Expertinnen und Experten verbrachten je 20 Minuten in der Rolle der studierenden Person mit einem als Peer besetzten Agenten, und was ihn als Peer lesbar machte, war Soziales: vorsichtiges Argumentieren und absichtliche Unvollkommenheit bauten Vertrauen auf, während blinde Zustimmung zu allem, was die lernende Person sagte, es zerstörte.

Für Forschende

Planen Sie mit einem kleinen Effekt, nicht mit dem veröffentlichten Durchschnitt

In einem neuen Setting ist der Schlagzeilen-Effekt von Unterricht mit generativer KI nicht der, mit dem man planen sollte; pilotieren Sie also, bevor Sie skalieren. Eine dreistufige Metaanalyse über 58 Studien und 6.941 Teilnehmende ergab gepoolt g = 0,864, dann eine Heterogenität nahe 87,9 %, ein Vorhersageintervall von minus 0,213 bis 1,942 und einen bias-korrigierten Effekt von g = 0,258; drucken Sie dieses Intervall neben die gepoolte Schätzung, wo es niemand übersehen kann.

Kritisches Denken folgt der Arbeitsteilung, nicht der Werkzeugvertrautheit

Weisen Sie eine ausdrückliche Arbeitsteilung zu und verlangen Sie, dass Studierende die Ausgabe überarbeiten, denn Erfahrung mit generativer KI erreichte kritisches Denken nur über diese beiden Wege. Unter 891 Studierenden in den Vereinigten Staaten und der Türkei hatte die Spezialisierung und Koordination kognitiver Arbeit einen Koeffizienten von b = 0,636 und die reflektierende Transformation der Ausgabe von b = 0,367, ohne signifikanten direkten Pfad – das macht die Frage der kognitiven Entlastung zu einer Designentscheidung statt zu einer Warnung.

Eine kleinere Bildungslücke bei der KI-Nutzung bedeutet noch keine Gerechtigkeit

Lesen Sie eine engere Nutzungslücke nicht als Fortschritt und bauen Sie Zugangsziele nicht auf ein binäres Item zu den letzten drei Monaten. Wenn man 16 europäische Länder mit ihren Adoptionsraten von 2025 ihrem eigenen Internet-Ära-Jahr zuordnet, fiel die mediane Lücke zwischen den höchsten und niedrigsten Bildungsgruppen von 56,4 Punkten auf 28,6, negativ in 15 von 16 Ländern (p = 0,0005); eine zusammensetzungsbewusste Zuordnung verkleinert die Veränderung jedoch auf minus 11,5 und minus 10,0, sodass eine Aussage zur Gerechtigkeit ein stärkeres Instrument braucht.

Geringe Nutzung ist keine geringe Bereitschaft

Finanzieren Sie Zugang und Grundfertigkeiten für die Ältesten und am wenigsten Gebildeten statt eine Kampagne über Vertrauen, denn Nutzung und Vertrauen reisen getrennt. Im Jahr 2025 hatten 48,4 % der Befragten in Dänemark und 17,8 % in Rumänien in den vorangegangenen drei Monaten generative KI genutzt, gegenüber 32,7 % in der gesamten EU; dennoch bewerteten die Befragten in Rumänien ihr Vertrauen mit 4,1 gegenüber 3,8 auf einer Sieben-Punkte-Skala, und 47 % von ihnen nannten die geltenden Gesetze und Schutzmaßnahmen ausreichend gegenüber 36 % in Dänemark.

Entlastung wirkt nur erosiv, wenn sie das Ziel umgeht

Fragen Sie, welche kognitiven Operationen ein Werkzeug abnimmt, statt wie viel eine studierende Person es genutzt hat. Entlastung hilft, wenn sie Arbeit übernimmt, die für das Lernziel peripher ist, und riskiert Erosion, wenn sie Verarbeitung umgeht, die für dieses Ziel konstitutiv ist; die Ausgabe anschließend zu verarbeiten, kann eine ansonsten konstitutive Entlastung retten. Sieben konditionierte Aussagen ersetzen eine gerichtete Behauptung, und die Regulation von Entlastung wird zu einer lernbaren Dimension der KI-Kompetenz.

Sentiment-Werkzeuge verfehlen etwa die Hälfte der negativen Antworten

Behandeln Sie die automatisierte Kodierung offenen Textes als Validitäts-Argument und nicht als Werkzeugwahl, denn Genauigkeit verdeckt genau die Fälle, in denen Sie handeln würden. An 1.220 handkodierten Antworten gemessen erreichte der beste Transformer 0,79 Genauigkeit, aber nur 0,42 Kappa, und fand etwa die Hälfte der negativen Fälle, während Lexikon-Werkzeuge etwa jeden fünften Fall falsch klassifizierten – in einem Korpus, der zu 76,5 % positiv war.

Für Administratoren

Fragen Sie, was der Chatbot sendet, bevor Sie ihn lizenzieren

Verlangen Sie ein Inventar der Drittanbieter-Skripte, bevor Sie einen Kurs-Chatbot lizenzieren oder hosten, und fragen Sie ausdrücklich, welche Tags den Seitentitel, die URL und das Eingabefeld lesen können. Die Instrumentierung von 42 Plattformen ergab, dass 21 Gesprächsttitel an mindestens einen Tracker sendeten und neun den Prompt wörtlich übermittelten; 11 der 13 Allzweckplattformen mit Datenabfluss sendeten zudem die Registrierungs-E-Mail, und Bildungsplattformen hatten im Durchschnitt etwa 367 Tracker-Anfragen, von denen 24 % Nutzerinhalte trugen.

Kodifiziertes Abrufwissen ist der Teil eines Abschlusses, der an Wert verliert

Schützen Sie beaufsichtigte Praxis und Urteilsvermögen unter Unsicherheit, und lesen Sie die Implikation für die Curriculumsgestaltung vor der Implikation für das Programm-Marketing. Eine Differenz-in-Differenzen-Analyse über 655.919 Umfragebeobachtungen von 2018 bis Juni 2026 ergab, dass die Rendite eines Schuljahres in den am stärksten KI-exponierten Berufen nach November 2022 um 0,55 Logpunkte fiel, etwa 7 % ihres Niveaus vor dem Schock, während die Rendite von Erfahrung bei drei Jahren um 0,26 Logpunkte stieg und bei fünfundzwanzig Jahren um 0,12 fiel.

Den Chatbot einfühlsam zu nennen, verlagert die Empathie weg von Menschen

Positionieren Sie das System als Triage, die Studierende zurück zu Menschen leitet, und beobachten Sie Hilfesuche als das Verhalten, das still verschwindet. Über vier Studien mit 249, 494, 743 und 737 Teilnehmenden hinweg erhöhte die Darstellung von KI als zu Empathie fähig die Bereitschaft, einfühlsame Verantwortung abzugeben (Gesamteffekt 0,83), vollständig über die wahrgenommene Fähigkeit (indirekt 0,73), und zu hören, dass ein Peer ein Problem zu ChatGPT getragen hatte, senkte die Genauigkeit beim Lesen von Emotionen auf 7,13 richtige von 12 gegenüber 7,73 (p = 0,012).

Benchmarks bestanden, Kinder weiterhin geschädigt

Bewerten Sie auf Sitzungs- und Institutionsebene statt auf API-Ebene, denn ein Filter pro Ausgabe erreicht eine Begleitinteraktion nicht, in der kein einzelner Turn eine Schwelle überschreitet. In einer Kodierung von 1.331 gemeldeten kinderbezogenen Vorfällen ist Sexualisierung mit 316 der größte Schadenssubtyp, vor sexueller Ausbeutung mit 131, und Schäden clustern mit Fehlern bei Einsatz, Governance und Missbrauch statt mit Modelldefekten.

Schreiben Sie Integritätsrichtlinien für gelegentliche, ambivalente Nutzende

Benennen Sie Verweigerung, Unterstützung und Ersetzung als drei Gruppen, auf die dieselbe Aufgabe trifft, denn fast niemand nutzt täglich. Zwei anonyme Umfragen an einer britischen Universität ergaben, dass 81,05 % von 94 Studierenden im ersten Jahr ein generatives KI-Werkzeug genutzt hatten, um eine Aufgabe zu bearbeiten, gegenüber 4,21 %, die tägliche Nutzung angaben, und 9,47 %, die keine angaben – das macht akademische Integrität zu einer Politik für die Mitte einer Verteilung statt zu einer Trennung in Betrüger und Nicht-Betrüger.

Ethikmodule lehren nicht, woher die Daten kommen

Fügen Sie dem Ethikmodul, das Sie ohnehin unterrichten, eine Aufgabe zur Provenienzprüfung hinzu – eine Änderung der Curriculumsgestaltung, kein neuer Kurs. Eine Vollerhebung von 36 Programmen an 21 Universitäten fand Ethik in 29 (80,6 %) gelehrt, aber Datenprovenienz nach dem Maßstab der Autorinnen und Autoren nur in 8 (22,2 %), wobei kein Master- oder Executive-Programm diesen Maßstab erfüllte und 22 der 29 Programme mit Ethik die Provenienz vollständig vermissen ließen.

Neue Ressourcen

Vier Ressourcen sind diese Woche zur Ressourcenbibliothek hinzugekommen, und alle vier beschreiben eine institutionelle Entscheidung statt einen Trick für den Unterricht.

Learning Design Wiki

Learning Design Wiki ist eine offen lizenzierte Referenz, die Lehrdesign in Prinzipien, Elemente, Muster und Strategien gliedert, jeweils an die dahinterstehenden Quellen gebunden, und ihr eigener Evidenzbericht sagt, dass 98 % der Aussagen auf einer einzigen Studie beruhen. Sprachmodelle pflegen sie mit einem einzigen menschlichen Maintainer, und keine Seite wurde von einer Person geprüft; sie ist also eine Sammlung gut belegter Hinweise, keine Befunde.

teacher.dev

teacher.dev ist ein gemeinnütziges Studio, das täglich eine kostenlose Unterrichts-App veröffentlicht, bisher 34, jede auf einen einzelnen Moment gerichtet, etwa ein Generator für druckbare Abbildungen oder ein First/Then-Board für die Sonderpädagogik. Die meisten laufen local-first ohne Konto, sodass keine Studierendendaten das Gerät verlassen.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies ist eine offene Anthologie mit elf Fallbeispielen dazu, wo generative KI auf offen lizenzierte Ressourcen in der Hochschule trifft – von einer föderierten Universität, die unter einem Tarifvertrag Leitlinien entwirft, bis zu einer Lehrbuchüberarbeitung mit Mensch im Kreislauf. Keine zwei Kapitel teilen ein Instrument; es ist also Praxis zum Anpassen, nicht Evidenz zum Zitieren, und die Sammlung steht unter CC BY 4.0, während jedes Kapitel seine eigene Lizenz trägt.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET ist ein UNESCO-UNEVOC-Leitfaden von 2026 für Institutionen, die Techniker und Handwerker ausbilden, und das nutzbare Material steckt in drei Anhängen: einem Selbsteinschätzungsinstrument zur Bereitschaft, einem Risikoregister und einem Indikatorenrahmen. Er berichtet keine Ergebnisdaten und nennt seine eigene Reifegradskala ein Diskussionshilfsmittel; nutzen Sie ihn also, um eine erste institutionelle Entscheidung zu strukturieren, nicht um eine bereits getroffene zu rechtfertigen.

Ebenfalls diese Woche hinzugefügt

Die übrigen Studien mit Methoden und Abstracts sind nach Tag auf der Journalseite aufgeführt.

Anmerkungen zur Website

Alle 222 Konzeptseiten tragen jetzt einen Abschnitt zu verbreiteten Missverständnissen, der den falschen Glauben benennt, den eine Leserin oder ein Leser bereits haben könnte, und ihn mit der Evidenz auf dieser Seite korrigiert.

Jede FAQ wurde diese Woche überarbeitet, und fünf neue kamen hinzu, sodass die Sammlung nun 42 Antworten umfasst, geschrieben für die Frage, die eine Kollegin oder ein Kollege tatsächlich stellt, nicht für ein Thema. Der Index gruppiert sie in neun Abschnitte nach der Aufgabe, die eine Leserin oder ein Leser abschließen will, sodass man mit einer Frage nicht mehr wissen muss, wie das Feld sie nennt.

Die Übersetzungen kamen weiter voran als das Englische: Die zwölf Konzeptseiten im Essentials-Bereich und alle FAQ sind jetzt in jeder Sprache vollständig übersetzt.

Jede Sprache hat ihre eigene Startseite, und sechzehn davon bieten zusätzlich ein herunterladbares EPUB und PDF:

Alles oben ist öffentlich unter github.com/edtechdev/aied.

Der Aktualisierung folgen

Beziehen Sie jede Ausgabe über den Newsletter-Feed in einem Feedreader, indem Sie denselben Feed in Blogtrottr einfügen und sich neue Ausgaben nach einem von Ihnen gewählten Zeitplan per E-Mail schicken lassen, oder folgen Sie ihm auf LinkedIn, wo jede Ausgabe als LinkedIn-Newsletter erscheint.

Das wöchentliche Forschungsupdate zu KI in der Bildung stammt aus der Wissensdatenbank zu KI in der Bildung, die ein KI-Agent erzeugt. Diese Ausgabe wurde von demselben KI-Agenten entworfen, mit redaktioneller Begleitung durch den Entwickler der Website, und jede Aussage oben verlinkt auf die Seite, aus der sie stammt.

Die Wissensdatenbank ist unter einer CC0 1.0-Lizenz der Gemeinfreiheit gewidmet. Keine Rechte vorbehalten.

Ein Problem mit dem Inhalt gefunden? Melden Sie es auf GitHub oder wenden Sie sich an den Entwickler der Website, Doug Holton.

Quelle Verlauf Bearbeiten Chat