Denken trotz KI

für ein selbstgesteuertes Lernen mit KI

Wolfgang Spahn, Marc Eyer

23.4.2026

2026 AI Reality

“In 2025, mehr als 2 von 5 Personen nutzen künstliche Intelligenz (KI), um Inhalte, Texte oder Bilder zu erstellen. Bei den 15- bis 24-Jährigen steigt diese Zahl auf 4 von 5.”

FSO: Dec 2025

“The vast majority of [USA] teachers (85%), students(86%), and parents(70%) report that they have used AI, with personal uses more common than work or school uses.”

CDT Report: 2025

KI im Unterricht!?

«Ich finde, die Schule sollte uns beibringen, wie man richtig mit Chat-GPT umgeht. So, wie es jetzt läuft – heimlich an den Lehrern vorbei –, bringt es nichts. Ich habe so eine Lehrerin in Italienisch, die schreibt uns ganz offen: Ich habe hier mit Chat-GPT ein kleines Übungsblatt gemacht, löst das doch auf morgen. Und das lösen wir dann natürlich auch mit Chat-GPT. Das mit dem Faulwerden stimmt halt schon.»

«[Text] zusammenfassen braucht sehr viel Zeit – wenn man das nicht mehr tun muss, bleibt mehr Zeit zum Auswendiglernen. Darum ergibt das Lernen mit KI in meiner Erfahrung die besseren Noten. Für das Gehirn wäre es wohl schon besser, es selbst zu machen – weil man den Inhalt dann eher versteht. Es gibt aber schlicht keinen Anreiz dazu.»

NZZ Artikel

Forschung

Was sagt die Forschung zu den Auswirkungen von KI auf Lernen und Gedächtnis?:

MIT:“Over four months, LLM users consistently underperformed [less cognitive load, less recall] at neural, linguistic, and behavioral levels. These results raise concerns about the long-term educational implications of LLM reliance and underscore the* need for deeper inquiry into AI’s role in learning.”

Meta-Analysis: “[The study] indicates a large positive impact [large standardized mean difference] (g = 0.867) of ChatGPT on student learning performance. … [with] significant differences […] in the type of course, learning model, and duration. [For] higher-order thinking, it is crucial to provide corresponding learning scaffolds or educational frameworks*”

It seems ChatGPT can improve outputs while weakening internal cognitive construction at the same time !?

Vertiefungstrategien

Beobachtungen zeigen, dass Schüler*innen unterschiedlich mit ChatGPT interagieren, aber oft nur passiv.

Wie in der klassischen Pädagogik realisieren wir echten Kompetenzaufbau durch eine dialogische Interaktion auf Augenhöhe.

KI sensitive Pädagogik

Oder, mit anderen Worten die Lernenden sitzen im KI-Bus am Steuer, nicht ChatGPT.

Wir sitzen am Steuer nicht ChatGPT

KI sensitive Pädagogik

Es braucht Methodik um mit KI echte Kompetenz aufzubauen:

nutze KI-Kapazität für individuelle Förderung
verlange dosierte Anstrengung durch direkten Start an der Kompetenzgrenze
fordere echte Schöpfungstiefe durch komplexere Aufgabenstellungen
ziele auf tiefes Wissen durch Vernetzung von Wissen und Kompetenzen
motiviere durch lebensnahes, exploratives Lernen von komplexen Zusammenhängen

Es braucht eine enge Lernbegleitung durch Lehrpersonen und didaktische KI Ansätze.

Auf Augenhöhe mit KI

Wir wollen ein Bild zeichnen, mit ChatGPT.

Arbeitsauftrag: Interagiere im Dialog mit ChatGPT, so dass ihr möglichst nahe an das gesuchte Bild kommt. Bild nicht hochladen!

Solche Ansätze funktionieren ABER sie erfordern eine sehr enge Lernbegleitung durch Lehrpersonen und Disziplin bei den Lernenden.

Didaktische KI Tutoren

Spezifizieren und umsetzen eines konkreten KI-Tutor-Designs mit sichergestellten didaktischen Prinzipien

didaktische KI-Dialoge in Echtzeit umzusetzen und deren Qualität sicherzustellen
- Ausrichtung am beabsichtigten Lehrverhalten
- Ausrichtung an Sitzungszielen und domänenspezifischen Inhalten
sich der Risiken bewusst sein und diese mindern und vermessen
- Verletzung pädagogischer Prinzipien
- Verlust der Tutorrolle und der Kontrolle über den Lernprozess
- Halluzinationen und Fehlinformationen
das Zielverhalten eines KI-Tutors kennen und umsetzen
- Feedback und Scaffolding im Einklang mit den Lernzielen
- Einbettung in authentische Lernkontexte

Didaktische KI Tutoren

AIDu ein Prototyp für die Erforschung von pädagogischer KI im Unterricht.

Erlaubt die Erforschung verschiedener pädagogischer KI-Tutor-Konzepte in realen Klassenzimmer-Experimenten.

Welches Zielverhalten?

Wir können KI nutzen, um sehr unterschiedliche Lehrverhalten umzusetzen:

Assessing		Überprüft Wissen schrittweise, gibt Hinweise, reagiert bewertend
Solving		Bietet die vollständige Lösung und den Lösungsweg in einer einzigen Antwort
Explaining		Liefert eine strukturierte Lösung in Schritten, überprüft das Verständnis
Socratic		Führt den Lernweg durch leitende Fragen (suggestiv) zu einer vordefinierten Sequenz
Epistemic		Gibt Feedback, Hinweise und strukturelle Unterstützung, während der Lösungsweg offen bleibt

KI sollte in der Lage sein, all diese Lehrverhalten zu unterstützen, vor allem aber den Weg zu epistemischem Tutoring ebnen, um nachhaltig höherwertige Denkkompetenzen zu entwickeln.

Epistemisches Tutoring

Basiert auf Fred M. Newmann sowie John Bransford.

„Authentische intellektuelle Arbeit“ erfordert:

Wissen konstruieren (statt nur abrufen)
Höherstufiges Denken (Analyse, Synthese, Bewertung)
Transfer in neue und reale Kontexte

👉 Umsetzung durch produktives Ringen (Struggle):

Neue Fälle
Unterbestimmte Probleme
Modellkonflikte
Repräsentationskonflikte

AIDu - Mikrowelten

Kombination von KI-Dialog mit authentischen Lernkontexten (Mikrowelten)

Lernende können die Lernumgebung frei erkunden und bei Bedarf Feedback vom KI-Tutor erhalten
Der KI-Tutor gibt Feedback und Scaffolding im Einklang mit den Lernzielen, schreibt jedoch keinen spezifischen Lösungsweg vor
Die Einbettung des KI-Dialogs in eine interaktive Lernumgebung reduziert das Risiko von Halluzinationen und Rollenverlust

Mikrowelten

sind sorgfältig gestaltete, in sich geschlossene Lernumgebungen
in denen Lernende erkunden, experimentieren und Wissen konstruieren
durch die Interaktion mit einer vereinfachten Version eines realen oder abstrakten Systems.

Seymour Papert (Theorie des Konstruktivismus) — Lernende verstehen am besten, wenn sie aktiv bedeutungsvolle Artefakte konstruieren und manipulieren.

Mikrowelten

Virtuelle Lernumgebung, die es Lernenden ermöglicht zu erkunden und zu experimentieren

Treffe einen virtuellen Charakter in Paris.

KI Qualitätssicherung

Überwachung und Kontrolle von KI-Perfomance

Für jeden Dialogverlauf überprüft das System, ob die Antwort des KI-Tutors übereinstimmt
- mit dem intendierten Lehrverhalten,
- den Sitzungszielen und
- den domänenspezifischen Inhalten
Durch die Verankerung des Dialogs in einer Prolog-basierten Sprechaktanalyse kann das System Rollenverletzungen, Fehlinformationen oder den Verlust der Tutorrolle erkennen.

Didaktische Qualität

Um die Bedeutung von Monitoring und Qualitätskontrolle zu veranschaulichen, haben wir einen KI-Tutor–KI-Schüler-Dialog 10 Mal mit denselben Ausgangsbedingungen und Prompts wiederholt.

Trotz identischer Ausgangsbedingungen divergiert der Dialog im Verlauf der Zeit. Wir beobachten Abweichungen vom intendierten epistemischen Tutoring-Verhalten sowie falsche Vorannahmen bereits im ersten Zug.

“Eine mündliche Prüfung dient nicht dazu, dem Lernenden beim Verständnis zu helfen, sondern zu überprüfen, ob der Lernende bereits Verständnis erlangt hat.”

Didaktische Qualität

Am Ende des didaktischen Dialogs divergieren die Antworten des Chatbots erheblich.

Warnung (4%): Tutor arbeitet auf Grundlage einer falschen Vorannahme: agiert als Berater (falsch) statt als Prüfer.
Fehler (3%): Tutor bewertet Antworten falsch oder gibt die Lösung preis.
50% der Dialoge zeigen eine gestörte Rollentreue..

Ausblick

Was können wir lernen von der aktuellen KI-Qualitätskontrolle in anderen Bereichen, wie z.B.:

medizinischer KI-Diagnostik,
juristischen KI-Entscheidungs- unterstützungssystemen oder
anderen kritischen KI-Anwendungen,

Entscheidungen werden explizit überwacht und kontrolliert, um die Einhaltung von Standards und die Vermeidung von Fehlern sicherzustellen.

Aufteilung einer KI-Interaktion auf mehrere überwachte Schritte

Ausblick

Was können wir lernen von der aktuellen KI-Qualitätskontrolle in anderen Bereichen, wie z.B.:

medizinischer KI-Diagnostik,
juristischen KI-Entscheidungsunterstützungssystemen oder
anderen kritischen KI-Anwendungen,

Entscheidungen werden explizit überwacht und kontrolliert, um die Einhaltung von Standards und die Vermeidung von Fehlern sicherzustellen.

Pilot Study 1/2

10 classes, Gymnasium Grades 1–2 (Computer Science)
AI-based tutor: AIDu guides students through a learning task “How to get my printer working?” in an interactive learning environment.
Tutor is prompted to provide epistemic support (hints, feedback, and structural guidance) while leaving the solution path open.
Polling of students and teachers after the session to evaluate the quality of interaction and learning experience.
Pre, post, and follow-up tests to assess learning outcomes and retention.

*Kantonsschule Heerbrugg (CH - St. Gallen)*

R. Langenegger. “Lernen durch KI: Eine Pilotstudie zum Einsatz eines ITS der PHBern im Informatikunterricht auf gymnasialer Stufe”. Abschlussarbeit, GymInformatik. MA thesis. PH-Bern, 2025

Pilot Study 2/2

Statistics

Comparison	Pretest M (SD)	Posttest M (SD)	t(df)	p	d
Overall (n = 84)	4.99 (5.72)	11.80 (5.93)	−8.24 (83)	< .001	0.90

Knowledge increased significantly from pretest to posttest with a large effect. While gender difference present at pretest was no longer significant at posttest.

Interaction quality

Here we see a significant variability in the quality of interaction across dialogues => Symbolic supervision and monitoring is crucial in field systems.

a wide range of interaction quality,
with some dialogues showing consistent epistemic support,
while others show significant deviations from the intended tutoring behavior, like acting as an ITC support.

For a detailed analysis of the quality of interaction the dialogues were rated by their contribution to problem solving (very helpful → destructive).

J. Buchner, W. Spahn, and M. Eyer. “AIDu: Epistemisches KI Tutoring für ein selbstgesteuertes Lernen”. In: SGFB Jahreskonferenz. University of Zurich, Switzerland, 2026.

Schlussfolgerungen

Es braucht eine sorgfältige Gestaltung von KI-Lernsituationen, um die Lernqualität sicherzustellen und Denken zu fördern.
Nur KI-Interaktionen auf Augenhöhe ermöglichen, um Vertiefung und Kompetenzaufbau.
KI-Tutoren müssen in der Lage sein, epistemisches Tutoring zu unterstützen, um nachhaltige Denkkompetenzen zu entwickeln.
Echtzeit-Monitoring und Qualitätskontrolle sind entscheidend, um die pädagogische Integrität zu gewährleisten.

Nächste Schritte

Verfeinerung des KI-Tutor-Designs basierend auf Pilot-Feedback
Nutzung von Live-Dialog-Monitoring-Daten zur Verbesserung der Robustheit und Qualität pädagogischer Interaktionen
Untersuchung der Skalierbarkeit und langfristigen Wirkung in größeren Studien

_

Danke für die Aufmerksamkeit

CAS in Artificial Intelligence for Teachers Mathematical Institute, University of Bern, and University of Teacher Education Bern (PHBern) CAS: AI4T

Pilot Study

Statistics

Comparison	Pretest M (SD)	Posttest M (SD)	t(df)	p	d
Overall (n = 84)	4.99 (5.72)	11.80 (5.93)	−8.24 (83)	< .001	0.90

Knowledge increased significantly from pretest to posttest with a large effect. While gender difference present at pretest was no longer significant at posttest.

Interaction quality

Here we see a significant variability in the quality of interaction across dialogues => Symbolic supervision and monitoring is crucial in field systems.

a wide range of interaction quality,
with some dialogues showing consistent epistemic support,
while others show significant deviations from the intended tutoring behavior, like acting as an ITC support.

J. Buchner, W. Spahn, and M. Eyer. “AIDu: Epistemisches KI Tutoring für ein selbstgesteuertes Lernen”. In: SGFB Jahreskonferenz. University of Zurich, Switzerland, 2026.