Wöchentliches Forschungsupdate zu KI in der Bildung #37. November 2026

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

Ein wöchentlicher Überblick aus der Wissensbasis zu KI in der Bildung darüber, was die in der vergangenen Woche veröffentlichte Forschung für Lehrende, Entwickler, Forschende und Verwaltungen bedeutet.

Seit der letzten Ausgabe sind 159 neue Studien, acht neue Konzeptseiten, zwei neue FAQ und drei neue Ressourcen zur Wissensbasis hinzugekommen, die nun 2.085 Artikelzusammenfassungen, 230 Konzeptseiten, 44 FAQ und 40 Ressourcen umfasst. Suchen Sie oder nutzen Sie die KI, um mit der Wissensbasis zu chatten.

Inhalt

• Wichtigste Ergebnisse und Fragen
• Neue FAQs
• Neue Konzepte
• Neue Ressourcen
• Für Lehrende
• Für Entwickler
• Für Forschende
• Für Administratoren
• Außerdem diese Woche neu
• Hinweise zur Website
• Dem Update folgen

Wichtigste Ergebnisse und Fragen

• Kann KI-Feedback das Feedback einer Lehrkraft ersetzen? KI-generierte Rückmeldung und Rückmeldung von Lehrkräften verbesserten Essay-Überarbeitungen in einer randomisierten Studie mit 312 Schreibenden im ersten Studienjahr gleichermaßen. Die Rückmeldung der Lehrkraft steigerte die Lernmotivation stärker, weil sich die Studierenden mit der Person verbunden fühlten, die sie gab. KI kann eine Überarbeitungsrunde tragen; die Lehrkraft trägt weiterhin die Beziehung.
• Kann ein unterstützender Chatbot einen Peer ersetzen? Ein unterstützender Chatbot schnitt beim Verringern von Einsamkeit genauso ab wie das Führen eines Tagebuchs in einer randomisierten Studie mit 296 Studierenden im ersten Studienjahr; ein zufällig zugewiesener Peer verringerte sie. Der Bot zeigte mehr Empathie, während die Studierenden weniger zurückgaben – messen Sie also die Einsamkeit selbst.
• Verändert ein kurzes Ethikmodul das Urteil über KI? Ein vierwöchiges Modul zur Informationsethik erhöhte die Werte der Studierenden in Szenarien zum ethischen Urteil über KI in einer Studie, die 16 Klassen randomisierte. Etwa 60 % des Zuwachses hielten vier Wochen später an, und die stärksten KI-Nutzenden profitierten am meisten. Fallbasiertes Lehren ist vielversprechend.
• Verbessert mehr KI-Unterstützung die kreative Arbeit? Vier randomisierte Experimente mit 728 Erwachsenen ergaben, dass die Bewertenden die entstandenen Innovationsvorschläge schlechter beurteilten, wenn die KI mehr von der Arbeit übernahm – vor allem, weil die Teilnehmenden weniger kognitive Arbeit leisteten. Mehr Unterstützung ging mit schwächerer Arbeit einher.
• Kann ein von KI verfasstes Spiel besser lehren als eine Vorlesung? Ein Krimi-Rollenspiel übertraf die Vorlesung derselben Lehrkraft zu juristischem Wissen und juristischer Argumentation in einer randomisierten Studie mit 84 Jurastudierenden. Das Spiel wurde mit generativer KI erstellt; der Vergleich lautete Spiel gegen Vorlesung, sodass das Ergebnis spielbasiertes Lernen stützt und den Einsatz von Chatbots ungetestet lässt.
• Verändern Berichte über die Leistung von Studierenden den Unterricht? Lehrkräfte, die neu in einem onlinebasierten Mathematik-Tutoriumssystem waren, wurden zufällig aufgefordert, einen Bericht des Lernanalyse-Dashboards zur Leistung ihrer Studierenden bei der ersten Aufgabe zu öffnen. Das Öffnen veränderte weder den Anteil derer, die die nächste Aufgabe begannen, noch die Lerngewinne der Studierenden in Tests, allerdings stieg die Fertigstellung der nächsten Aufgabe, vor allem in kleineren Klassen.
• Macht es eine KI-Benotung sicher, wenn sie menschliche Bewertende nachahmt? Eine Prüfung von sechs KI-Modellen, die 300 Kurzantworten bewerteten, ergab, dass alle identische Arbeiten höher bewerteten, wenn man ihnen sagte, die studierende Person sei leistungsstark – um 0,28 bis 0,75 Punkte auf einer Zehn-Punkte-Skala. Übereinstimmung kann eine Verzerrung verbergen, die an den früheren Leistungsnachweis der Person gebunden ist; halten Sie diesen Nachweis zurück.
• Warum ist von KI erzeugte Sprache so schwer zu verstehen? KI-Text übernutzt seltene Wortkombinationen, denominale Verben, unbelebte Subjekte, verkürzte Objektrelativsätze, gestapelte Substantive und lange Abhängigkeiten, weil das Nachtraining für Mathematik, Code und Schlussfolgern komprimierte Antworten gegenüber klaren Erklärungen belohnt. Für die Bildung bedeutet das, dass von KI geschriebene Erklärungen, Rückmeldungen und Lesematerial für Studierende schwerer zu verarbeiten sein können, selbst wenn die Lesbarkeitswerte gut aussehen – ein Problem für das Lesen, das Formeln übersehen. [Redaktioneller Hinweis: Zur Erinnerung – dieser Newsletter und die AIEd-Wissensbasis werden von einer KI erzeugt. Der Entwickler der Website gab umfangreiche redaktionelle Vorgaben, um Lesbarkeit und Nutzen zu verbessern; nach diesen Vorgaben wandte der KI-Agent die Humanizer-Fähigkeit an und folgte der ausdrücklichen Anweisung, affirmativ zu schreiben und die Konstruktion „nicht X, sondern Y“ zu vermeiden.]

Neue FAQs

Zwei neue Antworten sind diese Woche zum FAQ hinzugekommen.

Wie kann KI Studierenden beim Lesen und beim Leseverständnis helfen?

Die Antwort zum Lesen behandelt Etiketten zum Leseniveau als grobe Schätzungen: Die Bewertungen einiger echter Lesender schlagen eine Formel, und eine KI, die sich als Studierende ausgeben soll, kann Ihnen nicht sagen, wie schwer sich ein Text anfühlen wird. Nutzen Sie KI, um Lektüre zu finden, zu vereinfachen und zu glossieren, probieren Sie das Ergebnis dann mit Studierenden aus und legen Sie das Original daneben.

Wie zeigen sich Bias und Ungerechtigkeit von KI in der Bildung, und was können wir dagegen tun?

Die Antwort zu Bias verlangt Fehlerraten für die Gruppen, die Sie unterrichten, denn ein Durchschnitt kann eine Lücke verbergen, und der Fehler kann in der Bewertung, im Tutoring, in Dashboards oder in der Erkennung liegen. Verankern Sie gruppenbezogene Berichterstattung und einen Einspruchsweg in der Beschaffung, und reparieren Sie die Pipeline selbst.

Neue Konzepte

Acht Konzeptseiten sind diese Woche zur Wissensbasis hinzugekommen.

Lesen

Das Lesen hat jetzt eine Seite, die vier Dinge trennt, die oft eine Bezeichnung teilen: einer lesenden Person helfen, Lesen beurteilen, einen Text anpassen und Schwierigkeit messen. Die Seite zitiert eine Studie, in der 193 Studierende 3.954 Sätze bewerteten; 72,8 % empfanden sie als leicht oder sehr leicht, obwohl die Flesch-Werte etwas anderes sagten, sodass ein Etikett auf Klassenstufenniveau ein schwacher Hinweis darauf ist, wie eine bestimmte lesende Person einen Text erleben wird.

Reflexion

Die Reflexion hat eine neue Seite, die sie von der begleitenden Überwachung namens Metakognition trennt. Die erste Designfrage ist, ob die studierende Person die Reflexion geschrieben hat. In einem Experiment mit 302 Erwachsenen verdoppelten Reflexionsimpulse die Zeit mit Rückmeldung und senkten das Üben um 40 %, was zu geringerer Beherrschung führte, 65 % gegenüber 79 %, sodass das Timing ebenso wichtig ist wie der Impuls selbst.

Automatisierungsbias

Der Automatisierungsbias benennt die menschliche Gewohnheit, die eine korrekte KI-Empfehlung in eine falsche Entscheidung verwandeln kann: eine Antwort annehmen, die man hinterfragt hätte, wäre man selbst darauf gekommen. Er sammelt die Orte, an denen das in der Bildung geschieht, von Essay-Noten und Frühwarnungen bis zur Fernaufsicht, und zeigt, wie ein Prüfschritt, der nur auf dem Papier existiert, ihn nicht abfängt.

Politische Bildung

Die Politische Bildung zeichnet eine Lücke in der Evidenz und fasst das Feld zusammen. Eine Analyse von 310 KI-generierten Unterrichtsplänen ergab, dass 90 % der Aktivitäten nur Abrufen, Verstehen oder einfaches Anwenden verlangten; 94 % hatten nahezu keine multikulturellen Inhalte; und keine Studie im Korpus maß politisches Lernen überhaupt.

Bibliotheken

Bibliotheken behandelt die Bibliothek als Ort, als Dienstleistung und als Gruppe von Fachleuten. Eine Übersicht über 29 Studien findet, dass die Einführung sich auf Auskunft und Katalogisierung konzentriert, während das Public-AI-Libraries-Pilotprojekt geteilten, personell begleiteten Zugang zum Gerechtigkeitsargument macht.

KI-Avatare und synthetische Lehrkräfte

KI-Avatare bilden die Rollen ab, die ein synthetischer Mensch einnehmen kann, von aufgezeichneter Lehrkraft und Tutor bis zu simuliertem Patienten und Prüfendem. Die Evidenz ist ungleich, und ein realistisches Gesicht sagt wenig über Lernen aus; Offenlegung und Vertrauen zählen ebenso viel wie das Modell.

Sensoren und Blickanalyse

Sensoren und Blickanalyse umfassen Eye-Tracking, Hirn- und Herzsignale sowie Körperhaltung per Kamera als Wege, Aufmerksamkeit und Engagement und kognitive Belastung zu erschließen. Das Feld ist besser darin, Lernende zu beobachten, als darin, Unterricht zu verändern, und die Seite behandelt Datenschutz, Bias und die Lücke zwischen Körpersignal und mentalem Zustand als zentral.

Informations- und Medienkompetenz

Informations- und Medienkompetenz behandelt beide als ein einziges Unterrichtsproblem: Informationskompetenz fragt, ob eine Quelle Glauben verdient, während Medienkompetenz fragt, wer eine Botschaft erzeugt hat und warum. Generative KI lässt beide Fragen zusammenfallen, weil flüssiger Text seine Herkunft verbirgt; die Seite findet wenig Evidenz zu einem gemeinsamen Curriculum.

Neue Ressourcen

Drei Ressourcen sind diese Woche zur Ressourcenbibliothek hinzugekommen.

LearnHarness

LearnHarness ist eine kostenlose Open-Source-Desktop-App, in der KI-Agenten herausfinden, was eine lernende Person bereits weiß, die Ideen für ein Ziel abbilden, einen Denkschritt nach dem anderen lehren und das Üben anpassen.

Learning Commons

Learning Commons veröffentlicht offene Bausteine für Curriculum-Produkte: eine Landkarte von Standards und Curricula, Werkzeuge zum Bewerten generierten Textes und fertige KI-Workflows für Lehrkräfte.

Public AI Libraries

Public AI Libraries ist ein Pilotprojekt, das eine geteilte KI-Workstation in öffentlichen Bibliotheken der USA einrichtet, mit Chat, Bild- und Videogenerierung, einem Coding-Arbeitsbereich, einem Leitfaden für die Bildung und einem privaten Konto für jede nutzende Person.

Für Lehrende

KI-Feedback erreicht bei Überarbeitungen das Niveau einer Lehrkraft, während die Motivation zurückbleibt

KI und Rückmeldung von Lehrkräften verbesserten dieselben Essays etwa gleich stark in einer randomisierten Studie mit 312 Schreibenden. Die Rückmeldung der Lehrkraft bewirkte mehr für die Motivation, weil sich die studierende Person mit der Lehrkraft verbunden fühlte, die die Rückmeldung gab.

Sorgen Sie dafür, dass eine menschliche Stimme die Rückmeldung begleitet. Kombinieren Sie den generierten Kommentar mit einer kurzen Antwort der Lehrkraft, oder nutzen Sie KI für den ersten Durchgang und die Lehrkraft für das Gespräch über die Arbeit.

Siehe auch: KI-Feedback im großen Maßstab

Eine von fünf Hausarbeiten wurde vollständig vom Chatbot geschrieben

Eine Studie mit 77 Schreibenden an Hochschulen protokollierte jeden Prompt, jede Antwort und jedes Einfügen. Fünfzehn, also eine von fünf, reichten vom Chatbot geschriebene Essays ein, und die meisten empfanden den Essay dennoch als ihren eigenen.

Verlangen Sie die Zwischenarbeit: die Prompts, die Überarbeitungen und eine kurze Notiz dazu, was sich geändert hat und warum. Machen Sie die Übergabe sichtbar, solange noch Zeit zum Lehren bleibt.

Siehe auch: Assessment für das KI-Zeitalter neu gestalten

Schülerinnen und Schüler der Sekundarstufe nutzen KI nahezu flächendeckend, und leistungsschwächere nutzen sie mehr

Eine einjährige Studie mit 4.062 deutschen Sekundarschülerinnen und -schülern fand eine nahezu universelle KI-Nutzung: 95 % nutzten sie, und leistungsschwächere nutzten sie häufiger, um Aufgaben zu erledigen. Dieses Muster sagte später geringere Anstrengung voraus.

Damit werden die Einordnung der KI-Nutzung und selbstreguliertes Lernen Teil des Curriculums, das über das Jahr hinweg immer wieder aufgegriffen wird. Fragen Sie Studierende, wofür das Werkzeug bei dieser Aufgabe da ist, und geben Sie leistungsschwächeren Studierenden einen unterstützten Weg, der mit dem Verstehen der Arbeit beginnt.

Siehe auch: Übermäßige Abhängigkeit von KI verringern

Ein unterstützender Chatbot erreichte das Niveau von Tagebuchschreiben, während ein Peer die Einsamkeit verringerte

In einer zweiwöchigen randomisierten Studie mit 296 Studierenden im ersten Studienjahr schnitt ein unterstützender Chatbot beim Verringern von Einsamkeit genauso ab wie Tagebuchschreiben, während ein zufällig zugewiesener Peer sie verringerte. Der Bot zeigte mehr Empathie, während die Studierenden weniger zurückgaben.

Ein Bot kann als nützlicher Erstkontakt dienen, solange ein Peer oder eine Beratungsperson erreichbar bleibt. Bauen Sie diesen menschlichen Weg in jeden Unterstützungsdienst für Studierende ein, den Sie empfehlen, und messen Sie die Einsamkeit selbst.

Siehe auch: KI, Angst und Wohlbefinden

Behandeln Sie eine KI-Simulation als beaufsichtigte Übung

Eine Übersicht über 14 Studien fand, dass Pflegestudierende wiederholbare, druckfreie KI-Simulationen schätzten und mehr Selbstvertrauen berichteten, besonders bei Kommunikation und klinischem Schlussfolgern. Realismus, Körpersprache und Antwortverzögerung blieben Schwachpunkte.

Klären Sie Studierende über die Grenzen auf, verlangen Sie, dass sie generierte Inhalte prüfen, und besprechen Sie das Erlebte danach. Behalten Sie menschliche Interaktion dort, wo nonverbale Kommunikation oder anhaltende Empathie der Sinn der Übung sind.

Siehe auch: Pflegebildung

Der Code in Abschlussprojekten verdreifachte sich, während Kommentare konstant blieben

Zehn Semester mit 260 Abschlussprojekten in der Informatikbildung zeigen, dass der Median des Codes von etwa 3.400 auf 10.000 Zeilen stieg, während Kommentare bei etwa 8 % blieben. Die Zahl der Commits stieg; einzelne Commits änderten sich kaum.

Bewerten Sie die Designentscheidungen, die Erklärung des Codes und die Fähigkeit der studierenden Person, ihn zu ändern. Das Artefakt kann heute schneller wachsen als das Lernen, das es zeigen soll.

Siehe auch: Assessment für das KI-Zeitalter neu gestalten

Für Entwickler

Ohne die Abbildung sollte ein KI-Tutor ablehnen

Sechs bildfähige KI-Modelle bearbeiteten 376 Mathematik-Aufgaben der Mittelstufe, deren Abbildungen wichtige Informationen trugen. Mit der Abbildung lösten die besten etwas mehr als die Hälfte; ohne sie lehnten sie fast jedes Mal ab.

Behandeln Sie eine Ablehnung als Signal für fehlenden Kontext. Ein Score oder eine Profilaktualisierung, die ohne die Abbildung entsteht, misst eine andere Aufgabe.

Siehe auch: Mathematikbildung

Ein Schreib-Tutor, der Fragen stellt und das Schreiben den Studierenden überlässt

MAIKE stellt Fragen und diagnostiziert Argumente, während sie den Essay-Text der studierenden Person überlässt. Bei 65 Sekundarschülerinnen und -schülern entsprach die Verbesserung der eines Kontroll-Chatbots, 40 % zu 41 %, und MAIKE-Nutzende verwendeten mehr Turns auf Ideen; niemand verschlechterte sich.

Messen Sie, ob eine im Chat besprochene Idee zu einer Überarbeitung wird. Ein Werkzeug für Schreiben, das nur den Endtext verbessert, kann das Schlussfolgern umgehen, für das die Aufgabe da ist.

Siehe auch: Schreibunterricht mit KI

Zoomen und Hervorheben der Folie, während die Erzählung läuft

GuideSlide erzählt eine Foliensammlung und nutzt Visualisierung, um auf den gerade besprochenen Teil zu zoomen. In einer Studie mit 24 Personen, die auf Telefonen zusahen, sank die Arbeitsbelastung, das Verständnis stieg von 5,5 auf 6,5 von 9, und 21 von 22 bevorzugten es.

Der Vorsprung einen Tag später war statistisch nicht signifikant, sodass die Studie Aufmerksamkeit beim Zusehen stützt; dauerhaftes Lernen bleibt ungetestet. Bauen Sie die Hinweise in die Erzählung selbst ein.

Siehe auch: KI in das Lernen hinein entwerfen

Ein feinabgestimmter Detektor kann Studierendentexte ohne Namensbias de-identifizieren

Fünf Werkzeuge wurden an 13.613 Dateien mit Studierendentexten getestet. Ein feinabgestimmtes GPT-4o-mini fand etwa 96 % der identifizierenden Angaben zu rund einem Sechstel des Token-Preises von Azure; die Microsoft-Werkzeuge übersahen afrikanische und asiatische Namen häufiger.

Das Training mit zehn Transkripten funktionierte auf einem neuen Datensatz, sodass der Ansatz übertragbar ist. Planen Sie die zweite Prüfung ein, wenn Präzision zählt, und berichten Sie, welche Gruppen Ihr Werkzeug übersieht.

Siehe auch: Institutionelle KI-Richtlinie

Videoanalyse erreichte Übereinstimmung auf menschlichem Niveau, mit einem Menschen weiterhin im Prozess

GAIVA transkribiert, etikettiert und interpretiert Unterrichtsvideos für die Lernanalyse. Bei fünf Aufnahmen stimmten seine Etiketten etwa so eng mit menschlichen Prüfenden überein wie zwei Prüfende untereinander, und es machte eine Art der Beteiligung sichtbar, die die ursprüngliche Theorie nicht benannte.

Behandeln Sie das Modell als Codierpartner mit einem nachvollziehbaren Prompt und einer menschlichen Entscheidung in jeder Phase. Das Modell macht auch Muster sichtbar, nach denen ein menschlicher Prüfer vielleicht nicht gesucht hätte.

Siehe auch: KI-gestützte Bildungsforschung

Für Forschende

Ein großer durchschnittlicher Effekt kann dennoch keinen verlässlichen Nutzen bedeuten

Eine Übersicht über vier kontrollierte Studien mit 420 Studierenden der Informatik und des Ingenieurwesens fand eine große durchschnittliche Verbesserung, während die Studien scharf voneinander abwichen und der wahrscheinliche Bereich keinen Nutzen einschloss. Die Evidenz wurde als sehr unsicher bewertet.

Behandeln Sie einen großen Durchschnitt aus vier unähnlichen Studien als Hypothese für Ihren Kurs. Testen Sie personalisiertes Lernen dort, wo es laufen soll, und sagen Sie klar, wie unsicher die Evidenz ist.

Siehe auch: Was personalisiertes Lernen bedeutet

Ein KI-Benotungssystem, das den Leistungsnachweis kennt, bewertet dieselbe Arbeit anders

Sechs KI-Modelle bewerteten dieselben 300 Kurzantworten mit einem wahren und einem vertauschten Hinweis zum früheren Leistungsstand. Jedes Modell bewertete identische Arbeiten unter dem hohen Etikett höher, um 0,28 bis 0,75 Punkte auf einer Zehn-Punkte-Skala.

Der Kontext der studierenden Person wirkt hier als Bias. Berichten Sie den Kontexteffekt neben dem Übereinstimmungswert und testen Sie die Benotung ohne den Leistungsnachweis, bevor Sie ein Modell als verlässlich bezeichnen.

Siehe auch: Fairness und Verlässlichkeit der KI-Benotung

Ein fair wirkender Tutor kann eine Kompetenzlücke von 26 % verbergen

Zwei Jahre Logs von 8.549 Studierenden, die MATHia nutzten, einen adaptiven Mathematik-Tutor, zeigten, dass Studierende, die noch lesen lernten, Kompetenzen zu 68,7 % beherrschten gegenüber 77,6 %, während das Fairnessmaß insgesamt nahezu neutral aussah. Eine Kompetenz verbarg eine Lücke von 26 % in der vorhergesagten Beherrschung.

Der Tutor hatte keine Komponente für Lesekompetenz, sodass Lesen ein fehlender Faktor in einem Mathematiksystem war. Modellieren Sie die Kompetenz und berichten Sie Lücken auf der Ebene, auf der eine Lehrkraft eingreifen würde.

Siehe auch: Bias und Fairness von KI in der Bildung

Falsch-positive Treffer von Detektoren sind ein Governance-Problem

Eine Übersicht über 90 Studien fand, dass KI-Detektoren legitime Texte mit Raten markieren, die sich nicht zusammenfassen lassen, weil Werkzeuge, Schwellenwerte, Datensätze und Sprachen sich unterscheiden. Abstracts, Literaturübersichten, Prüfungsantworten, übersetzte Texte und bearbeitete Prosa wurden immer wieder markiert.

Das Gegenmittel ist prozedural: transparente Nutzung, menschliche Prüfung, KI-Kompetenz, eine ausdrückliche institutionelle Richtlinie und ein Einspruchsweg. Das gehört in die Governance, mit den Detektor-Einstellungen als einem Teil davon.

Siehe auch: Sollten wir KI-Detektoren nutzen?

Übereinstimmung mit menschlichen Bewertenden kann die Arbeit dennoch verfehlen

Zweiundzwanzig KI-Modelle bewerteten 100 Aufgaben pro Aufgabentyp über Kurzantworten, Code und Essays hinweg. Die meisten stimmten bei Kurzantworten mit Menschen überein, vier erreichten oder übertrafen sie bei Code, und keines erreichte das menschliche Niveau bei Essays.

Ein hoher Übereinstimmungswert kann mit einem KI-Benotungssystem zusammen bestehen, das den Hinweis bewertet und die Antwort verfehlt. Fügen Sie der Evaluation veränderte Antworten hinzu und berichten Sie, wo das Modell von der Arbeit abweicht.

Siehe auch: Fairness und Verlässlichkeit der KI-Benotung

Für Administratoren

Die Evidenz zu Edtech für neurodivergente Lernende ist konzentriert und forschungsgeleitet

Eine Übersicht über 93 Studien fand, dass Autismus die Evidenz zu Edtech für neurodivergente Lernende mit 39,8 % dominierte, vor geistiger Behinderung, ADHS und Legasthenie. Erweiterte Realität (VR und AR) wurde am häufigsten untersucht; soziale Ergebnisse und Ergebnisse im Umgang mit Gleichaltrigen erhielten weniger Aufmerksamkeit, und Kinder hatten wenig Mitsprache.

Fragen Sie nach dem Ergebnis, das dem Unterricht wichtig ist, und nach den Lernenden, die in die Evaluation einbezogen wurden. Eine Behauptung, die nur von Forschenden validiert wurde, kann sich von den Menschen entfernen, denen sie dienen soll.

Siehe auch: KI für behinderte und neurodivergente Lernende

Studierende wollten einen institutionellen Assistenten für Rückmeldung

Ein 13-monatiges Co-Design-Programm mit 315 Studierenden und 20 Beschäftigten fand, dass 73 % eine rund um die Uhr verfügbare Rückmeldung im Zusammenhang mit ihrem Studium schätzten. Karteikarten und Quizze erhielten mehr positive Kommentare als offener Chat, und 16 von 18 Beta-Testenden wollten den Assistenten.

Die 10 % bis 15 %, die aus Wertegründen ablehnten, bergen das Einführungsrisiko. Nehmen Sie ihre Bedenken ernst. Erklären Sie vor dem Piloten, wie mit Studierendendaten umgegangen wird und was der Assistent nicht kann, und geben Sie Studierenden einen Weg, sich abzumelden.

Siehe auch: KI in das Lernen hinein entwerfen

Aufsicht erkennt Täuschung und verlagert die Kosten auf die am wenigsten Begünstigten

Eine Übersicht über 32 Studien fand, dass KI-Aufsicht Identitätstäuschung und Betrug erkennt, während falsch-positive Treffer, Beleuchtungs- und Bandbreitenfehler, Angst und Datenschutzschäden die am wenigsten Begünstigten am härtesten treffen. Automatisierte Aufsicht machte 59 % der Studien aus.

Die Prüfenden empfehlen alternative Prüfungsformen und eine Mischung aus menschlicher und automatisierter Überwachung. Reduzieren Sie die Online-Prüfung mit hohen Einsätzen, bevor Sie einen weiteren Detektor hinzufügen.

Siehe auch: Institutionelle KI-Richtlinie

Ein Dashboard-Bericht erhöhte die Fertigstellung, während die Testwerte stabil blieben

Lehrkräfte, die neu in einem onlinebasierten Mathematik-Tutor waren, wurden zufällig aufgefordert, einen Lernanalyse-Dashboard-Bericht zur Leistung der Studierenden bei der ersten Aufgabe zu öffnen. Er veränderte weder den Anteil derer, die die nächste Aufgabe begannen, noch die Lerngewinne der Studierenden in Tests, allerdings stieg die Fertigstellung in kleineren Klassen.

Prüfen Sie, ob Lehrkräfte den Bericht öffnen, danach handeln und einen Lerngewinn sehen, bevor Sie Analytik kaufen; ein Anstieg bei der Fertigstellung allein genügt nicht.

Siehe auch: Prüfen, ob Bildungs-KI funktioniert

Fast keine Institution kann benennen, wer die KI-Verwaltung verantwortet

Eine Befragung von 387 Studierenden und Beschäftigten in 13 Ländern fand, dass nur 17 % eine benannte Rolle für KI-Governance kannten. Von den übrigen hielten 71 % eine solche Rolle für notwendig, und 76 % erwarteten, dass sie ihre Erfahrung verbessern würde.

Die Befragten beschrieben eine Rolle mit Mandat; ein Ausschuss ohne Mandat lässt diese Rolle unbesetzt. Geben Sie der Inhaberin oder dem Inhaber Befugnisse über Schulung, Datensicherheit, ethische Prüfung und Strategie und veröffentlichen Sie, wer sie innehat.

Siehe auch: Institutionelle KI-Richtlinie

Außerdem diese Woche neu

• Assessment of teacher performance and learner behavior using artificial intelligence in higher education: an integrative review of literature
• Process visualization feedback in news translation: a controlled intervention study of human-AI interaction using multimodal process data
• A teamwork framework for preventing breaches of academic integrity and improving students' collaborative skills in the AI era
• Artificial intelligence in higher education and graduate employability: cognitive engagement, self-efficacy, and career adaptability in the AI era
• Uneven automation: comparing authorship anxiety and generative AI use among art and design undergraduate students
• University students’ overreliance on generative AI feedback in the learning process: the effects of perceived cognitive load, cognitive offloading, and metacognitive monitoring
• What Do They Think? Undergraduate Perceptions of Student-AI Use
• Ability of AI detection tools and humans to accurately identify different forms of AI-generated written content
• AI and I-Distributed authorships in the Swedish upper secondary writing classroom
• Beyond Response Scoring: An AI-aware Cognitive Supervision Framework for Automated Mathematical Short Answer Grading
• Data and AI Literacy in Geography Education: A Needs Assessment of Pre-Service Geography Teachers
• Declared, Not Detected: A Blockchain-Anchored, Agentic Framework for Academic Integrity in the Generative AI Era
• Developing Feedback Taxonomy for Math: A Synergy of Perspectives through Data Mining Methods
• Digital borders, algorithmic governance and civic digital literacy: examining the educational implications of AI-driven immigration management in post-apartheid South Africa
• Examining AI interaction profiles in generative AI supported fraction division problem posing
• I'm Sorry, Dave. I'm Afraid This Feedback is not Constructive: Human Perspectives Versus ChatGPT Evaluations of Feedback in an Era of Artificial Intelligence
• Making argumentative work visible in GenAI-mediated assessment: An exploratory LLM simulation and questionnaire study in university ideological and political education
• Owning what one did not make: psychological ownership, agency, and the authorship legitimation deficit in human-AI co-creation
• Preliminary evaluation of an AI-powered chatbot for academic integrity support in higher education
• Automating Self-Affirmation Essay Coding: Fine-Tuned BERT Performance Comparable to Human Coders and Comparison with GPT-4
• Mapping moral reasoning research among college students: a bibliometric analysis of traditional foundations and emerging digital ethics
• The longitudinal relationships among AI-assisted music classroom engagement, flow experience, and musical emotional intelligence: a parallel-process latent growth modeling study
• A Comparative Study of Knowledge Component Granularity in Intelligent Language Tutoring Systems
• Effects of generative AI assisted grammar instruction on Ethiopian EFL learners' self-efficacy, metalinguistic awareness, and writing performance
• Mapping the Integration of AI Literacy Into Information Literacy Instruction in Academic Libraries: A Systematic Review of Emerging Research
• AI in mathematics classrooms: A synergistic strategy for diversity and inclusivity
• Artificial intelligence in embodied learning: A systematic literature review
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies
• From design to classroom adoption: Teachers' perspectives on AI-powered writing analytics in resource-constrained contexts
• How does generative AI support inquiry-based learning? A systematic review
• Scaffolding Autonomy: AI-Augmented Self-Paced Learning Environments for Sustainable Learning Outcomes
• Sustained use of generative artificial intelligence (GenAI) in programming education: A systematic review of empirical evidence on adoption, learning outcomes, and continuance intention
• Active Learning with Generative AI in Introductory Physics: A Multi-Institutional Study of the P-A.I.R. Framework
• AI literacy and vocational students’ complex problem-solving skills: a moderated mediation model of systematic thinking, cognitive load, and perceived school ICT support
• AI literacy facets in creative higher education: associations with learning performance and academic well-being
• Artificial intelligence (AI) and information seeking: A comparative exploration of AI chatbots, search engines, and library resources as information sources among university students
• Artificial intelligence in professionally oriented physics education: patterns of use and perceived learning support among future engineers
• Breaking career boundaries in the AI era: how AI literacy relates to university students' perceived employability through future work self salience and boundaryless career mindset
• Designing Safe and Relevant Generative Chats for Math Learning in Intelligent Tutoring Systems
• From generation to judgment: the multidimensional structure of design thinking mindset and differences across learning stages in AIGC-supported fashion film design learning
• Generative AI dependency and perceived learning outcomes among university students: an indirect association involving effort regulation
• Generative artificial intelligence reshapes university students’ sustainable use of academic information resources: mixed evidence from behavioral logs and perceptual survey data
• Learning engagement and creative self-beliefs in generative AI-supported design education: self-reported prompt literacy and dimensions of AI dependence
• Scaffolding GenAI Use in Ethical Essay Writing: A Three-Year Experience Report in Introductory Computing
• Teachers’ basic psychological need satisfactions and their intentions to use generative artificial intelligence: the mediating role of engagement in professional development
• Using Machine Learning to Measure Self-Efficacy Belief Through Learners' Interaction Traces in Technology-Enhanced Learning
• What Am I Really Doing with My Own Brain?": College students on learning, ownership, and AI
• A Framework for Considering Exploration, Interpretation, and Confirmation During Data Analysis: Computationally Assisted Analysis of Teacher-Group Interactions
• A metacognitive approach to learning and performance in human-AI interaction
• Beyond access: How GenAI literacy relates to task performance, motivation, cognitive load and interaction patterns in AI-assisted learning environment
• Characterizing diverse student behaviors, interactions, and perceptions with GAI-augmented learning analytics tool
• ChatGPT and student engagement in L2 writing: a systematic review towards a ChatGPT-enabled smart learning environment framework
• ClickSight: An LLM Framework for Interpreting Student Clickstreams Through Learning Strategies
• CLST: Cold-Start Mitigation in Knowledge Tracing by Aligning a Generative Language Model as a Students' Knowledge Tracer
• Combining AI and corpus technology in language teaching: Professional development and knowledge co-construction using the CoI framework
• Comparing Zero-Shot Large Language Model Prompting with Human Coding of Theory Concepts in Student Essays
• Design and preliminary validation of an AI enhanced game based learning environment for computational thinking in upper secondary education
• Development and validation of the AI cognitive offloading scale for Chinese college students
• Evaluating Generative AI as a Supportive Analytic Partner in Qualitative Coding of Metacognitive Student Reflections
• Exploring AI peer in collaborative mathematics learning
• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups
• Generative AI and student motivation: an SDT-guided systematic review of learning activities, motivational regulation, and measurement
• Intrinsic and Contextual Factors Impacting Student Ratings of Automatically Generated Questions: A Large-Scale Data Analysis
• Leveraging Large Language Models to Identify Conversation Threads for Collaborative Learning Analysis
• Motivational organization in AI-supported writing: A self-determination perspective
• Personalizing Second Language Learning: Integrating AI with Learner Preference, Proficiency, and Engagement
• Psychological pathways to responsible generative AI decision-making among teachers: governance clarity, perceived accountability, decision uncertainty, and AI literacy
• Rigor, commitment, and generative AI: a conceptual framework for student engagement in EAP writing
• Should there be a teacher in-the-loop? A study of generative AI-personalized tasks middle school
• To Align Long, Plan Short: Simulating Diverse Profile-Aligned Students by Realizing Short-Term Plans in Long-Horizon Learning Environments
• Using Bayesian Knowledge Tracing to Evaluate Perceptual Scaffolding and Desirable Difficulties in a Math Intervention
• Using LLMs to Identify Indicators of Persistence from Students' Dialogues with a Pedagogical Agent
• What a teacher cannot delegate: a pedagogy-first framework for integrating conversational AI agents across the simulation cycle
• Who Is Doing the Thinking? Characterising Human Agency in First-Year Students’ AI Interactions
• Artificial intelligence and immersive technologies for LGBTQ+ youth: a narrative review
• Who benefits from LLMs? Prompt engineering competence and equity in higher education
• Trusting AI too much? Psychological correlates of overtrust and the role of AI literacy
• AI for eGovernance: Leveraging Language Technologies For Digital Inclusion
• Perceived and demonstrated generative AI literacy in engineering problem solving: the role of verification behavior
• Rethinking the Structure of AI Literacy in Generative AI Educational Systems: Descriptive Patterns of Expert Convergence and Heterogeneity
• Human-AI Collaboration for Qualitative Analysis in Participatory Design: Refining the Writing Analytics Tool
• Why is AI-generated language so hard to understand?
• Generative AI configurations across creative phases: a 2 x 2 experiment on creative performance and immediate knowledge in art and design education
• Supporting creative agency: metacognitive control and trust in generative AI art education
• A model for enhancing the quality of geography education based on the integration of Artificial Intelligence and Geographic Information Systems
• From Policing Provenance to Designing for Evidence: Testing Four Propositions on Generative AI Against Research and Institutional Policy
• Higher education governance under AI and geopolitical disruption: a socio-technical framework for administrative artificial intelligence
• ChatGPT and employability in higher education: exploring creativity, critical thinking, and problem-solving
• From technology adoption to curricular coherence: technology-enhanced simulation as a bridge in health professions education
• A Survey of Graph-Based Knowledge Tracing from Structural and Propagation Perspectives: Models, Applications, and Future Directions
• Integrating Topic Modeling and LLM Prompt Engineering into a Human-driven Approach to Analyze Interview Transcripts
• Leveraging Interview-Informed LLMs to Model Survey Responses: Comparative Insights from AI‑Generated and Human Data
• Analyzing Educational Video Transcripts with LLMs: Accuracy, Named Entities, and Interpretability
• Data Plus Theory Equals Codebook: Leveraging LLMs for Human-AI Codebook Development
• Towards responsible and trustworthy educational data mining: Comparing symbolic, sub-symbolic, and neural-symbolic AI methods
• The Ghost Learner Paradox: A Systematic Review of Metacognitive Laziness in the Age of Generative AI
• Beyond ChatGPT: A Comparative Mapping of AI Research in STEM and Engineering Education and the Contemporary AI Tool Ecosystem
• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework
• Fifty years of topic development, thematic combination, and AI's evolving reach in Computers & Education
• From "usefulness" to "dependence": the dynamic evolution mechanism of generative AI use behaviors
• Generative AI in Education and the Erosion of Critical Democratic Citizenship

Die Journalseite listet jede Studie auf, die diese Woche hinzugekommen ist, einschließlich der hier nicht zusammengefassten.

Hinweise zur Website

Der Newsletter und sein RSS-Feed sind jetzt auch auf Spanisch verfügbar: Besuchen Sie die spanische Newsletter-Website oder abonnieren Sie den spanischen Newsletter-RSS-Feed. Wenn Sie eine weitere Sprachversion wünschen, eröffnen Sie ein Issue oder kontaktieren Sie den Entwickler der Website.

Die Website ist deutlich leichter geworden. Der vollständige Konzept- und FAQ-Baum bleibt aus jeder Seite heraus: Die Seitenleiste zeigt zehn Themengruppen und lädt die vollständige Liste erst, wenn eine lesende Person eine davon öffnet, und die rechte Spalte listet acht aktuelle Seiten statt dreißig. Über den gesamten Build fiel das HTML von 1,80 GB auf 1,26 GB und das Markup der Seitenleiste von 604 MB auf 87 MB.

Die Übersetzungen wurden in allen 33 konfigurierten Sprachversionen aktualisiert, einschließlich der von rechts nach links laufenden Ausgaben für Arabisch, Hebräisch und Urdu. Artikelzusammenfassungen bleiben ausschließlich auf Englisch.

Die Offline-Ausgaben sind an einen neuen Ort für GitHub-Releases umgezogen, sodass alte EPUB- und PDF-Links nicht mehr auflösen. Jede Sprachversion behält ihre gewohnte Adresse. EPUB- und PDF-Dateien gibt es für die 19 Sprachen mit Links unten; die übrigen 14 sind nur als Website verfügbar.

• English: EPUB and PDF
• Español (Spanish): EPUB and PDF
• Français (French): EPUB and PDF
• 中文 (Chinese): EPUB and PDF
• Deutsch (German): EPUB and PDF
• 日本語 (Japanese): EPUB and PDF
• 한국어 (Korean): EPUB and PDF
• Português (Portuguese): EPUB and PDF
• العربية (Arabic): EPUB and PDF
• עברית (Hebrew): EPUB and PDF
• हिन्दी (Hindi): EPUB and PDF
• Русский (Russian): EPUB and PDF
• Українська (Ukrainian): EPUB and PDF
• Italiano (Italian): EPUB and PDF
• বাংলা (Bengali): EPUB and PDF
• اردو (Urdu): EPUB and PDF
• Bahasa Indonesia (Indonesian): EPUB and PDF
• Tiếng Việt (Vietnamese): nur als Website
• Nederlands (Dutch): nur als Website
• Svenska (Swedish): nur als Website
• Dansk (Danish): nur als Website
• Suomi (Finnish): nur als Website
• Norsk bokmål (Norwegian Bokmål): nur als Website
• Română (Romanian): nur als Website
• Magyar (Hungarian): nur als Website
• Čeština (Czech): nur als Website
• Български (Bulgarian): nur als Website
• Slovenčina (Slovak): nur als Website
• Hrvatski (Croatian): nur als Website
• Ελληνικά (Greek): nur als Website
• Polski (Polish): nur als Website
• Kiswahili (Swahili): EPUB and PDF
• Türkçe (Turkish): EPUB and PDF

Der Quellcode ist öffentlich auf github.com/edtechdev/aied.

Dem Update folgen

Erhalten Sie jede Ausgabe über den Newsletter-Feed in einem Feedreader, indem Sie denselben Feed in Blogtrottr einfügen, um neue Ausgaben nach einem von Ihnen gewählten Zeitplan per E-Mail zu bekommen, oder indem Sie ihm auf LinkedIn folgen, wo jede Ausgabe als LinkedIn-Newsletter erscheint.

---

Das AIEd Research Weekly Update stammt aus der Wissensbasis zu KI in der Bildung, die ein KI-Agent erzeugt. Diese Ausgabe wurde von demselben KI-Agenten entworfen, mit redaktioneller Anleitung durch den Entwickler der Website, und jede Aussage oben verlinkt auf die Seite, aus der sie stammt.

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

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