KonzeptlandkarteKI-Didaktik.

Didaktik untersucht und gestaltet das Zusammenspiel von drei Bezugsgrössen, die im sogenannten didaktischen Dreieck dargestellt werden: die Lehrperson, die Lernenden und der Lerngegenstand oder Inhalt. Didaktisches Denken beginnt nicht bei der Frage, welche Methode man einsetzt, sondern bei den Fragen, welcher Inhalt für welche Lernenden bedeutsam ist, welches Verstehen angestrebt wird und wozu dieses Verstehen befähigen soll. Erst aus diesen Klärungen ergeben sich begründete Entscheidungen über Ziele, Inhalte, Aufgaben und schliesslich Methoden. Didaktik ist damit sowohl eine wissenschaftliche Disziplin, die Theorien und Modelle über das Lehren und Lernen entwickelt, als auch eine professionelle Handlungskompetenz, mit der Lehrpersonen Unterricht planen, durchführen und auswerten. Sie umfasst die Auswahl und Begründung von Inhalten, die Bestimmung von Zielen, die Analyse der Lernvoraussetzungen sowie die Gestaltung von Lernsituationen, in denen Verstehen wahrscheinlich wird. Didaktik ist keine Sammlung von Rezepten, sondern eine Reflexionsperspektive: Sie verlangt, Unterricht begründet zu denken und Entscheidungen gegenüber den Lernenden, dem Fach und dem Bildungsauftrag zu rechtfertigen.

Wer Didaktik nur als Methodenkunde missversteht, optimiert das Wie, ohne das Was und Wozu geklärt zu haben, und betreibt damit gut gemachten, aber möglicherweise belanglosen Unterricht. Eine tragfähige didaktische Perspektive zwingt dazu, Bildungsziele, Inhaltsauswahl und Lernwege aufeinander zu beziehen und zu begründen. Sie schützt vor Aktionismus, macht Unterricht gegenüber Lernenden und Fach rechtfertigbar und ist die gemeinsame Sprache, in der sich Lehrpersonen über Qualität verständigen. Ohne diese Reflexionsebene bleibt Unterricht eine Aneinanderreihung von Aktivitäten.

Im deutschsprachigen Raum hat die Allgemeine Didaktik eine lange Tradition, die das Lehren und Lernen als begründungspflichtiges Handeln versteht. Bildungstheoretische Ansätze in der Tradition Klafkis rücken die Frage in den Mittelpunkt, welcher Inhalt für die Lernenden bildungswirksam ist, also zu Mündigkeit, Selbstbestimmung und Urteilsfähigkeit beiträgt. Das didaktische Dreieck bündelt die Grundeinsicht, dass Unterricht eine Vermittlungsbeziehung zwischen Lehrperson, Lernenden und Sache ist und keine dieser Ecken isoliert betrachtet werden darf. Didaktik grenzt sich so von einer rein methodischen oder lernpsychologischen Verkürzung ab.

Eine Geografielehrperson der Sekundarstufe I plant eine Reihe zum Klimawandel. Sie beginnt nicht mit der Frage, ob sie ein Video, eine Gruppenarbeit oder ein Experiment einsetzt, sondern klärt zuerst, welches Verstehen die Klasse aufbauen soll: das Unterscheiden von Wetter und Klima, das Deuten von Daten und das begründete Beurteilen von Massnahmen. Erst danach wählt sie Aufgaben und Methoden, die genau dieses Verstehen wahrscheinlich machen.

Dieselbe Lehrperson nutzt KI, um Aufgabenideen und Materialvorschläge zu generieren. Die KI liefert eine fertige, ansprechende Unterrichtssequenz. Bevor sie diese übernimmt, prüft die Lehrperson didaktisch: Bedient die Sequenz das angestrebte Verstehen oder nur eine attraktive Aktivität? Sie verwirft mehrere Vorschläge, weil diese zwar abwechslungsreich sind, aber das eigentliche Lernziel der Reihe verfehlen, und schärft den verbleibenden Vorschlag entlang ihrer Zielklärung nach.

Ein Berufsfachschullehrer übernimmt ein attraktives, fertiges Unterrichtspaket aus dem Netz. Die Lektion läuft methodisch reibungslos, doch in der Lernkontrolle zeigt sich, dass die Klasse zentrale Zusammenhänge nicht verstanden hat. Die Analyse ergibt: Das Paket war methodisch poliert, aber nie auf ein klares Lernziel hin gedacht.

• Didaktik sei gleichbedeutend mit Methodik, also mit der Frage nach Sozialformen und Unterrichtstechniken. Tatsächlich klärt Didaktik zuerst Ziele und Inhalte; die Methode ist eine nachgeordnete, daraus abgeleitete Entscheidung.
• Didaktik liefere fertige Rezepte für guten Unterricht. Sie liefert vielmehr Begründungsfiguren und Modelle, mit denen Lehrpersonen ihre Entscheidungen in der konkreten Situation selbst verantworten müssen.
• Didaktik sei reine Theorie und für die Unterrichtspraxis wenig relevant. Tatsächlich ist sie eine praktische Handlungskompetenz, die jede begründete Planungs- und Auswertungsentscheidung trägt.

Methodik: Didaktik klärt das Was und Wozu des Unterrichts, also Inhalte, Ziele und deren Begründung. Methodik betrifft das Wie der Umsetzung. Methodische Entscheidungen sollten aus didaktischen folgen, nicht umgekehrt.

Pädagogik: Pädagogik ist die umfassende Wissenschaft von Erziehung und Bildung über Institutionen und Lebensphasen hinweg. Didaktik ist enger gefasst und konzentriert sich auf das Lehren und Lernen, insbesondere im organisierten Unterricht.

Lernpsychologie: Die Lernpsychologie beschreibt empirisch, wie Lernen abläuft. Didaktik nutzt dieses Wissen, geht aber darüber hinaus, weil sie auch normativ fragt, was gelernt werden soll und wozu, und Unterricht entsprechend gestaltet.

• Welche didaktische Frage habe ich in meiner letzten Unterrichtsplanung zuerst gestellt: die nach dem Inhalt und Ziel oder die nach der Methode?
• Könnte ich einer kritischen Kollegin begründen, warum dieser Inhalt für diese Lerngruppe bildungswirksam ist?
• An welcher Stelle meines Unterrichts ersetze ich didaktische Begründung durch blossen Methodenwechsel?

Denk an eine kommende Unterrichtsstunde: Welches Verstehen soll am Ende entstanden sein, und woran genau würdest du erkennen, dass dieses Ziel und nicht bloss eine Aktivität erreicht wurde?

Didaktik bedeutet, gut zu überlegen, was Schülerinnen und Schüler lernen sollen und warum. Erst danach entscheidet man, wie man es ihnen beibringt. Die Frage nach dem Ziel kommt also vor der Frage nach der Methode.

Die Allgemeine Didaktik fragt nach dem, was allen Unterrichtsfächern gemeinsam ist. Sie entwickelt Modelle, mit denen sich Unterricht analysieren und planen lässt, sowie Kategorien wie Ziele, Inhalte, Lernvoraussetzungen, Methoden, Medien und Beurteilung. Sie liefert Lehrpersonen ein begriffliches Gerüst, mit dem sie über Fachgrenzen hinweg dieselben Planungs- und Auswertungsfragen stellen können: Welche Ziele werden angestrebt? Welche Bedeutung hat der Inhalt für die Lernenden? Welche Voraussetzungen bringt die Lerngruppe mit? Wie lassen sich Lernprozesse strukturieren und überprüfen? Die Allgemeine Didaktik ist kein konkretes Unterrichtsrezept, sondern eine Reflexions- und Planungstheorie. Ihre Stärke liegt in der Übertragbarkeit: Ein Prinzip wie die Orientierung an Lernvoraussetzungen oder die Forderung nach klaren, begründeten Zielen gilt im Mathematikunterricht ebenso wie im Sportunterricht. Ihre Grenze liegt zugleich darin, dass sie das fachspezifische Verstehen nicht ausbuchstabieren kann. Wie genau ein historisches Quellenverständnis oder ein mathematisches Beweisverständnis aufgebaut wird, lässt sich nicht allgemein, sondern nur fachdidaktisch klären. Allgemeine Didaktik und Fachdidaktik sind daher aufeinander angewiesen.

Ohne eine allgemeindidaktische Ebene zerfiele die Reflexion über Unterricht in unverbundene Fachperspektiven, und Lehrpersonen verschiedener Fächer hätten keine gemeinsame Sprache für Qualität. Die Allgemeine Didaktik stiftet diese gemeinsame Sprache: Sie erlaubt es, fächerübergreifend über Ziele, Lernvoraussetzungen und Wirksamkeit zu sprechen, Schulentwicklung zu betreiben und Unterricht systematisch statt nur erfahrungsgeleitet zu planen. Sie macht Planungsentscheidungen vergleichbar und begründbar und bildet so das Fundament professioneller Verständigung im Kollegium.

Die Allgemeine Didaktik ist im deutschsprachigen Raum als eigenständige Tradition stark ausgeprägt. Bildungstheoretische Modelle in der Tradition Klafkis stellen die Frage nach dem Bildungsgehalt eines Inhalts ins Zentrum und fragen, wozu ein Inhalt die Lernenden befähigt. Lehr-lerntheoretische Modelle, etwa das Berliner und das Hamburger Modell, ordnen Unterricht in zusammenhängende Entscheidungsfelder wie Ziele, Inhalte, Methoden und Medien und betonen deren wechselseitige Abhängigkeit. Allen Ansätzen gemeinsam ist der Anspruch, fachübergreifend gültige Kategorien und Begründungsfiguren des Unterrichts bereitzustellen.

Ein Fachschaftsteam aus Deutsch, Biologie und Geschichte plant gemeinsam eine Projektwoche. Die einzelnen Fachinhalte sind verschieden, doch das Team nutzt dieselben allgemeindidaktischen Fragen als gemeinsames Gerüst: Welche überfachlichen Ziele verfolgen wir, welche Lernvoraussetzungen bringt der Jahrgang mit, wie sichern und beurteilen wir den Lernertrag? So entsteht trotz unterschiedlicher Fächer eine kohärente Woche.

Eine Lehrperson lässt sich von einer KI ein vollständiges Stundenraster für eine Doppellektion erstellen. Das Raster wirkt professionell und nennt Ziele, Phasen und Methoden. Mit der allgemeindidaktischen Frage nach der Stimmigkeit von Zielen, Inhalt und Lernvoraussetzungen prüft sie das Raster und stellt fest, dass das genannte Ziel und die vorgeschlagenen Aufgaben nicht zusammenpassen. Sie nutzt das Raster nur als Rohentwurf und richtet es an der didaktischen Begründung neu aus.

In einer Schulentwicklungsgruppe streiten Lehrpersonen verschiedener Fächer über die Qualität einer Unterrichtsreihe. Erst als sie auf gemeinsame allgemeindidaktische Kategorien wie Zielklarheit und Passung zu Lernvoraussetzungen zurückgreifen, wird die Diskussion produktiv, weil sie nicht mehr in Fachjargon aneinander vorbeireden.

• Die Allgemeine Didaktik liefere konkrete Unterrichtsrezepte für jedes Fach. Tatsächlich stellt sie fachübergreifende Kategorien und Begründungsfiguren bereit, die fachdidaktisch erst konkretisiert werden müssen.
• Allgemeine Didaktik und Fachdidaktik stünden in Konkurrenz zueinander. Tatsächlich ergänzen sie sich: Die eine liefert das übergreifende Gerüst, die andere die fachspezifische Verstehenslogik.
• Allgemeine Didaktik sei veraltete Theorie ohne Praxisnutzen. Tatsächlich bildet sie die gemeinsame Sprache, in der Lehrpersonen verschiedener Fächer überhaupt über Unterrichtsqualität verhandeln können.

Fachdidaktik: Die Allgemeine Didaktik formuliert fachübergreifende Prinzipien des Unterrichts. Die Fachdidaktik klärt, wie Verstehen in einem bestimmten Fach aufgebaut wird. Allgemeine Aussagen müssen fachdidaktisch konkretisiert werden.

Methodik: Die Allgemeine Didaktik umfasst die gesamte Begründungs- und Planungstheorie des Unterrichts. Methodik ist nur ein Teilbereich davon und betrifft die Frage der konkreten unterrichtlichen Umsetzung.

Curriculumtheorie: Die Curriculumtheorie befasst sich mit der Auswahl und Anordnung von Bildungsinhalten über längere Bildungsgänge hinweg. Die Allgemeine Didaktik richtet ihren Blick stärker auf die Planung und Begründung des einzelnen Unterrichts.

• Welche allgemeindidaktischen Kategorien nutze ich tatsächlich, wenn ich mit Kolleginnen anderer Fächer über Unterricht spreche?
• An welcher Stelle einer fertigen Unterrichtsplanung sind Ziele, Inhalte und Lernvoraussetzungen nicht schlüssig aufeinander bezogen?
• Wo verlasse ich mich auf ein allgemeines Prinzip, das ich für mein Fach noch fachdidaktisch konkretisieren müsste?

Wähle ein allgemeindidaktisches Prinzip, das du für tragfähig hältst: Wie genau müsste es in deinem Fach konkretisiert werden, damit es im Unterricht wirksam wird?

Die Allgemeine Didaktik beschreibt, was beim Unterrichten in jedem Fach gleich ist. Egal ob Mathe oder Sport: Man braucht ein klares Ziel, einen sinnvollen Inhalt und muss wissen, was die Klasse schon kann.

Die Fachdidaktik fragt, was es heisst, ein bestimmtes Fach zu verstehen, und wie dieses Verstehen bei Lernenden entstehen kann. Sie untersucht die fachspezifischen Denk-, Arbeits- und Verstehensweisen eines Faches: Was bedeutet historisches Denken, mathematisches Argumentieren, naturwissenschaftliches Erklären oder das Erschliessen literarischer Texte? Die Fachdidaktik analysiert ferner typische Lernschwierigkeiten und Fehlvorstellungen, die für ein Fach charakteristisch sind, etwa hartnäckige Alltagsvorstellungen über physikalische Kräfte oder verbreitete Fehlkonzepte beim Bruchrechnen. Sie entwickelt Aufgaben, Darstellungsformen und Lernwege, die genau auf den Aufbau dieses fachlichen Verstehens zugeschnitten sind. Die Fachdidaktik steht damit in einem Verhältnis zu zwei Bezugsgrössen. Zur Fachwissenschaft, weil sie deren Inhalte, Methoden und Erkenntnislogik kennt, sie aber nicht einfach abbildet, sondern für Lernende erschliessbar macht. Und zur Allgemeinen Didaktik, deren übergreifende Kategorien sie aufnimmt und fachspezifisch konkretisiert. Fachdidaktik ist also weder eine vereinfachte Fachwissenschaft noch eine blosse Anwendung allgemeiner Prinzipien, sondern eine eigenständige Disziplin mit der Doppelaufgabe, Sache und Lernen zusammenzudenken.

Fachliches Können entsteht nicht durch allgemeine Methoden allein, sondern durch Lernwege, die der Eigenart des Faches gerecht werden. Wer historisches Quellenverständnis aufbauen will, kann sich nicht auf ein generisches Gruppenarbeitsformat verlassen, sondern braucht fachdidaktisches Wissen über Quellenkritik und typische Deutungsfehler. Die Fachdidaktik sichert, dass Unterricht nicht nur methodisch lebendig, sondern fachlich tragfähig ist. Sie ist die Instanz, die verhindert, dass ein Fach zu einer beliebigen Ansammlung von Aktivitäten wird, und die fachliches Verstehen statt blosser Stoffreproduktion ermöglicht.

Die Fachdidaktiken haben sich als eigenständige wissenschaftliche Disziplinen mit je eigener Forschung etabliert. Ein zentrales Konzept ist die didaktische Rekonstruktion, die fachwissenschaftliche Klärung und die Erhebung von Lernendenvorstellungen systematisch aufeinander bezieht, um Lerngegenstände zu gestalten. Ebenso bedeutsam ist die Forschung zu fachspezifischen Präkonzepten und Fehlvorstellungen, die zeigt, dass Lernende selten als unbeschriebenes Blatt beginnen. Die Fachdidaktik knüpft an das didaktische Dreieck an und betont die Eigenlogik der Ecke des Inhalts, also die Frage, was die jeweilige Sache an Verstehen verlangt.

Eine Physiklehrperson der Sekundarstufe I weiss aus der Fachdidaktik, dass viele Lernende glauben, ein Körper brauche eine fortwährend wirkende Kraft, um sich zu bewegen. Sie plant ihren Unterricht nicht primär methodisch, sondern entlang dieser Fehlvorstellung: Sie wählt Experimente und Aufgaben, die genau diesen Konflikt zwischen Alltagsvorstellung und physikalischem Konzept hervortreten lassen und bearbeitbar machen.

Eine Geschichtslehrperson lässt von einer KI eine Erklärung zu den Ursachen eines historischen Ereignisses generieren. Der Text klingt souverän, präsentiert aber eine umstrittene Deutung als gesicherte Tatsache und blendet die Quellenlage aus. Dank ihres fachdidaktischen Wissens erkennt die Lehrperson dies, nutzt den Text als bewusstes Fehlbeispiel und lässt die Klasse herausarbeiten, wo Deutung als Faktum getarnt wurde.

Eine fachlich hervorragend ausgebildete Quereinsteigerin unterrichtet Mathematik. Ihre Erklärungen sind korrekt, doch viele Lernende verstehen das Bruchrechnen nicht. Die Analyse zeigt: Ihr fehlt fachdidaktisches Wissen über die typischen Fehlkonzepte beim Bruchbegriff und über tragfähige Darstellungswege.

• Fachdidaktik sei nur vereinfachte Fachwissenschaft, also Fachinhalt in leichterer Form. Tatsächlich ist sie eine eigenständige Disziplin, die fachliches Verstehen und Lernprozesse systematisch zusammendenkt.
• Wer sein Fach beherrsche, könne es auch automatisch gut unterrichten. Tatsächlich verlangt das Unterrichten zusätzliches fachdidaktisches Wissen über Lernwege, Präkonzepte und typische Verstehenshürden.
• Fachdidaktik sei nur eine fachspezifische Anwendung der Allgemeinen Didaktik. Tatsächlich hat jedes Fach eine eigene Verstehens- und Erkenntnislogik, die sich nicht aus allgemeinen Prinzipien ableiten lässt.

Fachwissenschaft: Die Fachwissenschaft erzeugt und systematisiert das fachliche Wissen selbst. Die Fachdidaktik fragt, wie dieses Wissen und die zugehörigen Denkweisen für Lernende erschliessbar werden, und ist daher keine vereinfachte Fachwissenschaft.

Allgemeine Didaktik: Die Allgemeine Didaktik liefert fachübergreifende Kategorien des Unterrichts. Die Fachdidaktik konkretisiert diese und ergänzt sie um die spezifische Verstehens- und Erkenntnislogik eines einzelnen Faches.

Stoffvermittlung: Reine Stoffvermittlung zielt auf die Weitergabe von Fachinhalten. Fachdidaktik fragt darüber hinaus, welches fachliche Denken und Verstehen aufgebaut werden soll und wie Lernhürden überwunden werden.

• Welche typische Fehlvorstellung meines Faches berücksichtige ich in meiner Unterrichtsplanung bewusst?
• Worin besteht das fachspezifische Denken meines Faches, das über reines Faktenwissen hinausgeht?
• An welcher Stelle verlasse ich mich auf eine allgemeine Methode, wo eigentlich fachdidaktisches Wissen über den Lerngegenstand nötig wäre?

Wähle ein zentrales Thema deines Faches: Welche Verstehenshürde ist dabei charakteristisch, und wie unterscheidet sich der Lernweg dorthin von einem rein methodischen Zugang?

Fachdidaktik beschäftigt sich damit, wie man ein bestimmtes Fach gut unterrichtet. Jedes Fach hat eigene Denkweisen und eigene Stolpersteine. Wer das kennt, kann den Stoff so erklären, dass die Klasse ihn wirklich versteht.

Methodik bezeichnet die Lehre von den Wegen und Verfahren des Unterrichtens. Sie betrifft Fragen wie: In welcher Sozialform wird gearbeitet, also in Einzel-, Partner-, Gruppen- oder Plenumsarbeit? Welche Verlaufsstruktur erhält die Stunde, etwa über Phasen des Einstiegs, der Erarbeitung und der Sicherung? Welche Verfahren und Techniken kommen zum Einsatz, zum Beispiel ein Experiment, eine Recherche, ein Lehrgespräch oder eine Diskussion? Methodik ist damit ein notwendiger und anspruchsvoller Teil professionellen Unterrichtens; ohne durchdachte methodische Gestaltung bleibt auch das beste Lernziel folgenlos. Entscheidend ist jedoch die Reihenfolge der Begründung. Methodische Entscheidungen sind dienend, das heisst, sie sollen aus didaktischen Entscheidungen folgen. Zuerst wird geklärt, welches Verstehen mit welchem Inhalt bei welchen Lernenden angestrebt wird; danach wird die Methode so gewählt, dass sie genau dieses Lernen wahrscheinlich macht. Eine Methode ist nie an sich gut, sondern nur in Bezug auf ein Ziel. Dieselbe Gruppenarbeit kann in einem Fall hochwirksam und in einem anderen Fall blosse Beschäftigung sein. Methodik ohne didaktische Anbindung führt zu Aktivität ohne Lernertrag.

Die Verwechslung von Didaktik und Methodik ist eine der folgenreichsten Verkürzungen im Schulalltag. Wer guten Unterricht mit methodischer Vielfalt gleichsetzt, jagt nach abwechslungsreichen Formaten, ohne zu prüfen, ob diese das angestrebte Verstehen tatsächlich tragen. Ein klares Verständnis von Methodik als dienendem Teilbereich schützt vor Methodenfetischismus und Aktionismus. Es richtet die Aufmerksamkeit von der Frage Welche Methode setze ich ein? auf die Frage Welches Lernen löst diese Methode bei diesen Lernenden aus? Erst diese Verschiebung macht Methodenwahl professionell und begründbar.

Die Unterscheidung von Didaktik und Methodik gehört zum Kernbestand der Allgemeinen Didaktik im deutschsprachigen Raum: Didaktik klärt das Was und Wozu, Methodik das Wie. Eng damit verbunden ist die Unterscheidung von Oberflächen- und Tiefenstruktur des Unterrichts, wie sie die empirische Unterrichtsforschung im Rahmen des Angebots-Nutzungs-Modells des Unterrichts ausgearbeitet hat. Dieses Modell unterscheidet zwischen der sichtbaren Sicht- oder Oberflächenstruktur, also den beobachtbaren Sozialformen, Methoden und Verlaufsformen, und der lernwirksamen Tiefenstruktur, also der kognitiven Verarbeitung der Lernenden und der Qualität der Lerngelegenheiten. Lernwirksam ist nach diesem Forschungsstrang nicht das Unterrichtsangebot als solches, sondern dessen Nutzung durch die Lernenden. Entsprechend zeigt die Forschung, dass nicht die Methodenwahl als solche, sondern die durch sie ausgelöste geistige Aktivität über den Lernerfolg entscheidet.

Eine Englischlehrperson möchte, dass ihre Klasse freies Sprechen übt. Sie prüft zuerst das Ziel und entscheidet sich dann bewusst gegen ein Plenumsgespräch, in dem nur wenige zu Wort kämen, und für eine Partnerübung mit Rollenkarten, in der alle gleichzeitig sprechen. Dieselbe Methode wäre für das Ziel einer präzisen grammatischen Analyse ungeeignet gewesen, denn die Methode folgt dem Ziel.

Eine Lehrperson bittet eine KI um methodische Ideen für eine Lektion zur Lyrik. Die KI liefert eine Liste lebendiger Formate vom Gedicht-Slam bis zur Bildcollage. Bevor die Lehrperson eines davon übernimmt, klärt sie das didaktische Ziel und stellt fest, dass die meisten Vorschläge zwar unterhaltsam sind, das angestrebte Deutungsverständnis aber kaum fördern. Sie wählt nur das eine Format aus, das die Zielsetzung tatsächlich stützt.

Eine Lehrperson erhält im Unterrichtsbesuch das Lob, ihre Stunde sei methodisch sehr abwechslungsreich gewesen. Die Lernkontrolle zeigt jedoch geringe Lernerträge. Die gemeinsame Analyse ergibt: Die vielen Methodenwechsel kosteten Zeit und Aufmerksamkeit, ohne das eigentliche Lernziel zu vertiefen.

• Methodik und Didaktik seien dasselbe oder zumindest austauschbar. Tatsächlich klärt Didaktik das Was und Wozu, während Methodik nur das Wie der Umsetzung betrifft.
• Guter Unterricht zeige sich vor allem an methodischer Vielfalt und abwechslungsreichen Sozialformen. Tatsächlich entscheidet die ausgelöste geistige Aktivität, nicht die Vielfalt der Formate, über den Lernertrag.
• Eine Methode könne an sich gut oder modern sein. Tatsächlich ist eine Methode immer nur in Bezug auf ein bestimmtes Ziel und eine bestimmte Lerngruppe angemessen oder unangemessen.

Didaktik: Didaktik klärt Ziele, Inhalte und deren Begründung, also das Was und Wozu. Methodik betrifft die Verfahren der Umsetzung, also das Wie. Methodische Entscheidungen sollten didaktischen folgen, nicht umgekehrt.

Sozialform: Eine Sozialform wie Gruppen- oder Partnerarbeit ist nur ein einzelnes Element der Methodik. Methodik umfasst darüber hinaus Verlaufsstrukturen, Verfahren und Techniken des gesamten Unterrichts.

Oberflächenstruktur des Unterrichts: Die Oberflächenstruktur umfasst das sichtbare Methodengeschehen. Lernwirksam ist die Tiefenstruktur, also die kognitive Verarbeitung; eine Methode ist nur Mittel, um diese Tiefenstruktur anzuregen.

• Habe ich bei meiner letzten Methodenwahl zuerst das Lernziel geklärt oder zuerst die Methode gewählt?
• Welche geistige Aktivität löst die von mir gewählte Methode bei den Lernenden konkret aus?
• An welcher Stelle setze ich methodische Abwechslung ein, ohne dass sie dem angestrebten Verstehen dient?

Denk an eine Methode, die du regelmässig einsetzt: Welches Lernziel rechtfertigt sie, und in welcher Situation wäre genau diese Methode die falsche Wahl?

Methodik ist das Wie des Unterrichts: ob man in Gruppen arbeitet, ein Experiment macht oder diskutiert. Wichtig ist die Reihenfolge: Zuerst klärt man das Ziel, dann sucht man die passende Methode dazu.

Kompetenzorientierung verschiebt den Massstab des Unterrichts vom durchgenommenen Stoff zum tatsächlich verfügbaren Können der Lernenden. Eine Kompetenz wird dabei als die verfügbare Fähigkeit und Bereitschaft verstanden, bestimmte Probleme in variablen Situationen erfolgreich und verantwortungsvoll zu lösen. Dieses Verständnis umfasst mehrere Komponenten: Wissen, kognitive Fähigkeiten, aber auch motivationale, volitionale und soziale Bereitschaften, die zusammen ein erfolgreiches Handeln ermöglichen. Kompetenzorientierter Unterricht plant deshalb von der Anwendungssituation her zurück. Er fragt: Was sollen die Lernenden am Ende können, und zwar in einer neuen, nicht eingeübten Situation? Daraus ergeben sich Aufgaben, die nicht nur Reproduktion verlangen, sondern Transfer, Urteil und Begründung. Wissen wird in diesem Verständnis nicht abgewertet, sondern als notwendige Grundlage von Kompetenz verstanden; entscheidend ist jedoch, dass es anwendbar und vernetzt vorliegt und nicht als träges, nur abrufbares Faktenwissen. Kompetenzorientierung grenzt sich damit von einem Unterricht ab, der Stoff abarbeitet und dessen Erfolg sich an der Menge des Behandelten statt an der Anwendungsfähigkeit der Lernenden bemisst.

Ob Unterricht erfolgreich war, entscheidet sich nicht daran, ob ein Stoff behandelt wurde, sondern daran, ob die Lernenden in einer neuen Situation darauf zurückgreifen können. Kompetenzorientierung macht genau diesen Unterschied zum Massstab und schützt vor der verbreiteten Illusion, durchgenommener Stoff sei bereits gelerntes Können. Sie zwingt dazu, Lernziele, Aufgaben und Beurteilung auf Anwendung und Transfer auszurichten, und macht damit sichtbar, ob Wissen träge bleibt oder handlungswirksam wird. Sie ist die Grundlage dafür, dass Schule auf reale Anforderungen und nicht nur auf Prüfungen vorbereitet.

Das heute verbreitete Kompetenzverständnis geht massgeblich auf Weinert zurück, der Kompetenzen als die bei Individuen verfügbaren oder erlernbaren kognitiven Fähigkeiten und Fertigkeiten zur Problemlösung sowie die damit verbundenen motivationalen, volitionalen und sozialen Bereitschaften fasst. Bildungstheoretisch knüpft Kompetenzorientierung an die Einsicht an, dass Bildung zu mündigem Handeln befähigen soll. Lehrpläne wie der Lehrplan 21 in der Schweiz beschreiben Lernergebnisse konsequent als Kompetenzen. Kritisch diskutiert wird die Gefahr einer Verengung auf messbare Teilkompetenzen, die den umfassenden Bildungsanspruch unterlaufen kann.

Statt im Fach Wirtschaft und Recht nur Vertragsarten auswendig lernen zu lassen, stellt eine Lehrperson der Sekundarstufe II eine Anwendungsaufgabe: Die Lernenden erhalten einen konkreten, leicht ungewöhnlichen Fall und müssen begründen, welche rechtliche Einordnung zutrifft und warum. Erfolgreich ist, wer das Wissen auf den neuen Fall überträgt, nicht, wer Definitionen reproduziert.

In einer Informatikklasse dürfen die Lernenden KI für eine Programmieraufgabe nutzen. Die kompetenzorientierte Aufgabe verlangt zusätzlich, den von der KI vorgeschlagenen Code zu prüfen, einen eingebauten Fehler zu finden, die Lösung an eine veränderte Anforderung anzupassen und die Anpassung zu begründen. Beurteilt wird das Können im Umgang mit dem Code, nicht der von der KI gelieferte Rohentwurf.

Eine Klasse erzielt in einem reproduktiven Vokabeltest sehr gute Noten. Wochen später, in einer freien Gesprächssituation, gelingt es kaum jemandem, dieselben Wörter angemessen einzusetzen. Der Fall zeigt: Geprüft wurde Wissen, nicht die kommunikative Kompetenz, auf die der Sprachunterricht eigentlich zielt.

• Kompetenzorientierung werte Wissen ab und stelle blosses Können ohne Inhalt in den Vordergrund. Tatsächlich gilt Wissen als notwendige Grundlage von Kompetenz, muss aber anwendbar und vernetzt sein.
• Kompetenzorientierung bedeute, dass alle Lernziele messbar und in kleine Teilkompetenzen zerlegt sein müssen. Tatsächlich warnt die Fachdiskussion gerade vor einer solchen Verengung des Bildungsanspruchs.
• Wenn ein Stoff im Unterricht behandelt wurde, sei die zugehörige Kompetenz bereits erreicht. Tatsächlich zeigt sich Kompetenz erst in der erfolgreichen Anwendung in einer neuen Situation.

Stoffvermittlung: Reine Stoffvermittlung misst Erfolg an der Menge des behandelten und reproduzierbaren Stoffs. Kompetenzorientierung misst ihn am anwendbaren Können in variablen, nicht eingeübten Situationen.

Trägheit von Wissen: Träges Wissen ist zwar abrufbar, wird aber in Anwendungssituationen nicht genutzt. Kompetenzorientierung zielt genau darauf, Wissen vernetzt und handlungswirksam verfügbar zu machen.

Qualifikation: Eine Qualifikation ist ein formal bescheinigter Abschluss. Kompetenz beschreibt das tatsächlich verfügbare Können einer Person, das auch ohne formalen Nachweis bestehen oder fehlen kann.

• Lässt meine Aufgabe erkennen, ob die Lernenden Wissen auf eine neue Situation übertragen, oder prüft sie nur Reproduktion?
• Welche motivationalen und volitionalen Bereitschaften gehören zu der Kompetenz, die ich gerade aufbauen will?
• Woran würde ich konkret erkennen, dass behandelter Stoff bei meinen Lernenden zu anwendbarem Können geworden ist?

Wähle ein Lernziel deines Fachs: Formuliere es einmal als reproduzierbares Wissen und einmal als anwendbare Kompetenz. Worin unterscheiden sich die Aufgaben, die jeweils dazu passen?

Kompetenzorientierung bedeutet: Wichtig ist nicht, was im Unterricht behandelt wurde, sondern was die Schülerinnen und Schüler danach wirklich können. Sie sollen ihr Wissen auch in neuen Situationen anwenden, nicht nur auswendig wiedergeben.

Ein Lernziel benennt nicht, was die Lehrperson tut, sondern was die Lernenden am Ende eines Lernprozesses können, verstehen oder beurteilen sollen. Es richtet den Blick auf das angestrebte Ergebnis und nicht auf die Aktivität. Ein tragfähiges Lernziel ist so formuliert, dass erkennbar wird, woran sich seine Erreichung zeigen würde; es ist also möglichst überprüfbar. Damit erfüllt das Lernziel mehrere Funktionen zugleich. Es steuert die Planung, weil Inhalte, Aufgaben und Methoden daran ausgerichtet werden. Es ermöglicht Beurteilung, weil ohne ein klares Ziel offen bliebe, woraufhin überhaupt beurteilt wird. Und es schafft Transparenz, weil auch die Lernenden wissen können, worauf der Unterricht hinausläuft. Lernziele lassen sich nach Reichweite unterscheiden, von weit gefassten Leitzielen über mittlere Grobziele bis zu konkreten Feinzielen einer einzelnen Stunde, und sie können verschiedene Anspruchsniveaus betreffen, vom Wiedergeben über das Verstehen und Anwenden bis zum Beurteilen. Wie weit sich ein Lernziel sinnvoll operationalisieren, also in überprüfbares Verhalten auflösen lässt, ist allerdings didaktisch umstritten; offene, nicht vollständig prognostizierbare Bildungsprozesse lassen sich nicht lückenlos vorab in Feinziele zerlegen, weshalb das Lernziel ein wichtiges, aber begrenztes Planungsinstrument bleibt. Ein Lernziel ist nicht mit einer Kompetenz identisch: Eine Kompetenz ist umfassender und situationsübergreifend, während Lernziele die kleineren, überprüfbaren Schritte beschreiben, über die eine Kompetenz aufgebaut wird. Ebenso wenig ist das Lernziel mit der Aufgabe identisch; die Aufgabe ist das Mittel, an dem sich die Zielerreichung zeigt.

Ohne klares Lernziel verliert Unterricht seinen Bezugspunkt. Planung wird beliebig, weil unklar bleibt, woraufhin Inhalte und Aufgaben ausgewählt werden; Beurteilung wird ungerecht, weil ohne ausgewiesenes Ziel intransparent ist, was eigentlich verlangt war; und Feedback wird vage, weil es kein Kriterium hat, an dem es ansetzt. Ein präzises Lernziel macht Unterricht steuerbar, Beurteilung fair und nachvollziehbar und Lernen für die Lernenden durchschaubar. Es ist damit kein bürokratisches Pflichtelement der Planung, sondern die Voraussetzung dafür, dass Unterricht gerichtet und überprüfbar bleibt.

Die systematische Arbeit mit Lernzielen hat eine lange didaktische Tradition. Taxonomien von Lernzielen, etwa in der Tradition Blooms, ordnen kognitive Anforderungen nach steigender Komplexität und helfen, Ziele unterschiedlicher Anspruchsniveaus bewusst zu setzen. Lehr-lerntheoretische Modelle der Allgemeinen Didaktik behandeln die Zielentscheidung als ein zentrales, mit Inhalten und Methoden verflochtenes Entscheidungsfeld. Im Kontext der Kompetenzorientierung werden Lernziele zunehmend als überprüfbare Teilschritte verstanden, über die umfassendere Kompetenzen kumulativ aufgebaut werden. Die strikte Operationalisierung von Lernzielen, also die Forderung, jedes Ziel möglichst vollständig in überprüfbares Verhalten aufzulösen und in einer Hierarchie von Leit-, Grob- und Feinzielen anzuordnen, ist allerdings didaktisch umstritten. Die bildungstheoretische Kritik in der Tradition Klafkis hält dem entgegen, dass sich nicht jeder Bildungsanspruch vollständig vorab in überprüfbare Ziele auflösen lässt: Offene, nicht vollständig prognostizierbare Bildungsprozesse, etwa eigensinnige Deutungen oder unerwartete Einsichten, gehören ebenso zum Unterricht und entziehen sich der lückenlosen Vorab-Operationalisierung. Lernziele bleiben darum ein unverzichtbares, aber begrenztes Planungsinstrument, das den Bildungsanspruch strukturiert, ihn jedoch nicht erschöpfend abbildet.

Eine Mathematiklehrperson der Sekundarstufe I formuliert nicht das Tätigkeitsziel Wir behandeln lineare Funktionen, sondern das überprüfbare Lernziel: Die Lernenden können zu einer gegebenen Sachsituation eine passende lineare Funktion aufstellen und ihre Steigung im Sachkontext deuten. An diesem Ziel richtet sie die Aufgaben aus und erkennt am Ende klar, wer es erreicht hat.

Eine Lehrperson lässt sich von einer KI Lernziele für eine Reihe vorschlagen. Die KI liefert eine glatt formulierte Liste. Die Lehrperson übernimmt sie nicht ungeprüft, sondern entscheidet fachdidaktisch, welche Ziele für ihre konkrete Klasse bedeutsam sind, streicht zu allgemeine Ziele und schärft die verbleibenden so, dass deren Erreichung auch dann überprüfbar bleibt, wenn die Lernenden KI nutzen dürfen.

Eine Lehrperson plant eine Stunde mit dem Ziel Die Klasse beschäftigt sich mit Gedichtinterpretation. In der anschliessenden Beurteilung entsteht Streit, weil unklar bleibt, was verlangt war. Erst die nachträgliche Umformulierung in ein überprüfbares Ergebnis zeigt, woran die Zielerreichung eigentlich zu messen gewesen wäre.

• Ein Lernziel beschreibe, was die Lehrperson im Unterricht tut. Tatsächlich beschreibt es das angestrebte Ergebnis aufseiten der Lernenden, also was diese danach können oder verstehen sollen.
• Lernziel und Kompetenz seien dasselbe. Tatsächlich ist eine Kompetenz umfassender und situationsübergreifend, während Lernziele die kleineren, überprüfbaren Schritte ihres Aufbaus benennen.
• Die Arbeit mit Lernzielen sei blosse Planungsbürokratie. Tatsächlich ist das Lernziel die Voraussetzung dafür, dass Unterricht gerichtet, Beurteilung fair und Feedback konkret sein kann.

Kompetenz: Eine Kompetenz ist eine umfassende, situationsübergreifende Fähigkeit. Ein Lernziel beschreibt einen kleineren, überprüfbaren Lernschritt; über mehrere Lernziele wird eine Kompetenz schrittweise aufgebaut.

Lernaufgabe: Das Lernziel benennt das angestrebte Ergebnis. Die Aufgabe ist das Mittel, an dem gearbeitet wird und an dem sich zeigt, ob das Ziel erreicht wurde; Ziel und Aufgabe dürfen nicht verwechselt werden.

Unterrichtsthema: Ein Thema benennt den Gegenstand, mit dem sich der Unterricht befasst. Ein Lernziel benennt darüber hinaus, was die Lernenden mit Bezug auf diesen Gegenstand am Ende können sollen.

• Beschreibt mein Lernziel das Ergebnis bei den Lernenden oder nur meine eigene Unterrichtstätigkeit?
• Woran genau würde ich erkennen, dass dieses Lernziel erreicht ist und nicht bloss das Thema behandelt wurde?
• Auf welche umfassendere Kompetenz zahlt dieses konkrete Lernziel ein, und passt sein Anspruchsniveau dazu?

Nimm ein Lernziel aus deiner letzten Planung: Ist daran erkennbar, woran du seine Erreichung festmachen würdest, und wie müsstest du es schärfen, damit es wirklich überprüfbar wird?

Ein Lernziel sagt genau, was die Schülerinnen und Schüler am Ende können sollen. Es beschreibt nicht, was die Lehrperson macht, sondern das Ergebnis. Gute Lernziele sind so formuliert, dass man überprüfen kann, ob sie erreicht wurden.

Der Begriff 'postdigital' markiert eine Verschiebung: Wir sind nicht mehr in der Phase, in der die digitale Frage neu war und gesondert behandelt werden musste. Digitalität ist Alltag, Schule, Berufswelt, Kommunikation — sie ist nicht mehr abtrennbar als 'der digitale Teil'. Postdigitale Bildung übernimmt diese Bedingung und stellt die alten Bildungsfragen unter neuen Voraussetzungen: Was heisst Mündigkeit, wenn Algorithmen Wahrnehmung filtern? Was heisst Eigenleistung, wenn KI mitschreiben kann? Was heisst Quellenkritik, wenn Plausibilität entkoppelt von Wahrheit produzierbar ist? Postdigitale Bildung ist nicht 'mehr Digitalisierung', sondern ein veränderter Bildungsbegriff selbst — sie integriert die digitale Bedingung in die Bildungsfragen, statt sie als Zusatz zu behandeln. Das hat Konsequenzen für Lehrplan, Didaktik, Unterricht und Schulorganisation.

Wer noch in vor-digitalen Kategorien denkt — Digitalisierung als Aufgabe, die abgearbeitet wird — verkennt die strukturelle Veränderung. Postdigitale Bildung verlangt, alte Bildungsfragen unter neuen Bedingungen zu stellen: Was bleibt? Was verschiebt sich? Was wird neu? Sie ist damit der theoretische Rahmen, in dem KI-Didaktik überhaupt sinnvoll diskutierbar wird.

Der Begriff stammt aus dem bildungswissenschaftlichen Diskurs der späten 2010er-Jahre (etwa bei Petar Jandrić, Sarah Hayes und anderen). Er steht in Spannung zur älteren Idee einer 'digitalen Bildung', die digitale Inhalte als spezifisches Lernfeld behandelte. Verwandt sind 'Postdigital Education' und die kritische Diskussion um Bildung im Anthropozän.

Eine Lehrperson plant eine Geschichtssequenz nicht mehr nach dem Schema 'analog vs. digital', sondern fragt: Welche Quellen prüfen wir? Welche Werkzeuge nutzen wir wofür? Welche eigene Stellungnahme bleibt unersetzbar? Die Frage 'digital oder nicht' kommt gar nicht mehr vor — sie ist obsolet geworden.

Eine Schule verzichtet auf ein separates 'Digitalisierungs-Konzept' und integriert digitale und KI-Fragen in ihr allgemeines pädagogisches Leitbild. Das ist kein Vernachlässigen, sondern eine theoretische Aufwertung: Sie sind keine Sonderfragen mehr, sondern Bildungsalltag.

Eine Schule formuliert ihr neues Leitbild ohne Begriff der 'Digitalisierung' — stattdessen wird Bildung umfassend gedacht und Digitalität als Bedingung mitgeführt. Ergebnis: Die KI-Diskussion verändert sich, weil sie nicht mehr als Sonderfrage, sondern als Bildungsfrage geführt wird.

• Postdigital bedeute 'nach dem Digitalen' im zeitlichen Sinn — tatsächlich meint es 'das Digitale ist Voraussetzung, nicht mehr Aufgabe', also eine konzeptuelle, nicht eine chronologische Verschiebung.
• Postdigitale Bildung sei eine modische Etikette — tatsächlich verschiebt sie das Verhältnis von Bildungstheorie und Digitalität grundlegend; sie ist eine theoretische Position, keine Slogan-Sammlung.

Digitale Bildung: Digitale Bildung behandelt das Digitale als spezifisches Lernfeld. Postdigitale Bildung setzt es voraus und fragt nach den Bildungskonsequenzen — eine andere theoretische Lage.

Medienbildung: Medienbildung ist breiter und älter — sie umfasst auch klassische Medien. Postdigitale Bildung fokussiert auf die spezifische Lage nach der Digitalisierung als Hintergrundbedingung.

• Welche meiner Unterrichtsentscheidungen behandeln das Digitale noch als Sonderfrage — und welche als Selbstverständlichkeit?
• Welche alte Bildungsfrage stellt sich in meinem Fach unter postdigitalen Bedingungen neu?
• Wo könnte mein Schulleitbild postdigital aktualisiert werden, ohne in modische Floskeln zu kippen?

Welche Bildungsfrage deines Fachs stellt sich unter postdigitalen Bedingungen neu — und beantwortest du sie bereits anders als vor fünf Jahren?

Postdigitale Bildung heisst: Das Digitale ist nicht mehr neu. Es ist Alltag. Wir fragen nicht mehr, ob Computer in die Schule gehören. Wir fragen, was Bildung heute heisst, wenn das Digitale überall ist.

Transfer meint die Übertragung von Wissen, Fertigkeiten oder Strategien von einer Lernsituation auf eine andere, neue Situation. Üblich ist die Unterscheidung zwischen nahem und weitem Transfer. Naher Transfer liegt vor, wenn die Anwendungssituation der ursprünglichen Lernsituation stark ähnelt, etwa eine Bruchrechenaufgabe in leicht abgewandelter Form. Weiter Transfer verlangt, dass Gelerntes auf eine deutlich anders strukturierte oder fachfremde Situation übertragen wird, etwa wenn ein in der Mathematik aufgebauter Strategiebegriff auf ein wirtschaftliches Problem angewendet wird. Die Lehr-Lern-Forschung zeigt, dass Transfer nicht selbstverständlich erfolgt, sondern an Bedingungen geknüpft ist. Erforderlich sind ein hinreichend tiefes, verstehensbasiertes Wissen, an Strukturen statt nur an Oberflächen orientiertes Üben, variierende Kontexte beim Lernen, explizite Reflexion über die zugrunde liegenden Prinzipien sowie metakognitive Strategien, mit denen Lernende erkennen, wann eine bekannte Lösung passt. Fehlt diese Tiefe, bleibt Wissen träge: Es lässt sich reproduzieren, aber in neuen Situationen nicht abrufen. Transfer steht damit in engem Zusammenhang zur Kompetenzorientierung, denn Kompetenz zeigt sich genau darin, dass Gelerntes in einer neuen Situation begründet eingesetzt wird. Er ist zugleich die wichtigste Begründung dafür, in Aufgaben Variation, Verständnistiefe und Anwendungskontexte zu betonen statt blosse Reproduktion.

Schule rechtfertigt sich nicht damit, dass ein Stoff einmal behandelt wurde, sondern damit, dass die Lernenden später in neuen Situationen darauf zurückgreifen können. Wer Transfer nicht zum Massstab macht, verwechselt Stoffabarbeitung mit Lernen und Reproduktion mit Können. Lehrpersonen, die Transfer ernst nehmen, gestalten Aufgaben so, dass sie Variation und Strukturerkennung verlangen, planen wiederkehrende Reflexionsphasen ein und kommunizieren explizit, welches Prinzip hinter einer Lösung steht. Sie machen damit den Unterschied zwischen einem trainierten Aufgabentyp und einem verstandenen Konzept zum eigentlichen Bildungsziel und schützen die Lernenden vor der Illusion eines Könnens, das nur unter Klausurbedingungen existiert.

Die kognitionspsychologische Tradition unterscheidet seit Thorndikes Theorie identischer Elemente und späteren Arbeiten zu Analogiebildung und Schemaaufbau zwischen oberflächlicher und struktureller Ähnlichkeit von Aufgaben. Lernpsychologisch zeigen Studien zur Variabilität von Übungsbedingungen (etwa im Umfeld der Arbeiten von Schmidt und Bjork), dass variantenreiches Üben naher Transferleistungen senkt, weiter Transfer aber begünstigt. Im deutschsprachigen Diskurs ist Transfer ein zentrales Argument für Kompetenzorientierung und für Aufgabenformate, die fachliches Verstehen über reine Reproduktion stellen. Die Forschung warnt zugleich davor, weiten Transfer naiv zu erwarten: Ohne explizite Anschlussarbeit und Reflexion über die Tiefenstruktur einer Lösung bleibt er eher die Ausnahme als die Regel.

Eine Mathematiklehrperson der Sekundarstufe I hat lineare Funktionen eingeführt. Statt nur Aufgaben gleichen Typs zu üben, gibt sie eine Sachsituation aus dem Bereich Mobilfunktarife, eine zweite aus dem Kontext Stromverbrauch und eine dritte aus einer ungewohnten Sportauswertung. Die Lernenden müssen erkennen, dass dieselbe Struktur dahintersteht, eine passende Funktion aufstellen und im Sachkontext deuten. Erst dieses Erkennen der gemeinsamen Struktur unter wechselnder Oberfläche zeigt, ob Transfer gelungen ist.

In einer Geografie-Doppellektion bekommen die Lernenden zwei Fallstudien zu Migration, eine aus einer Region, die im Unterricht behandelt wurde, eine aus einer fremden. Sie dürfen KI nutzen, müssen aber die zentrale Transferleistung selbst erbringen: erklären, welche Wirkmechanismen aus dem behandelten Fall in welchem Sinne auf den neuen Fall übertragbar sind und wo der KI-Output Strukturen verschmilzt, die fachlich auseinandergehalten werden müssen. Die Lehrperson beurteilt die handschriftliche Schlussbegründung jeder Person, nicht den KI-Text.

Eine Klasse löst im Übungsblock zur Prozentrechnung nahezu fehlerfrei. In einer Aufgabe, die Prozentwerte in einen ungewohnten Sachkontext einkleidet, scheitern jedoch fast alle. Die Analyse zeigt, dass nur ein Aufgabentyp trainiert, aber das zugrunde liegende Verhältnisdenken nicht aufgebaut wurde.

• Transfer geschehe automatisch, sobald ein Stoff gut behandelt worden sei. Tatsächlich zeigt die Forschung, dass weiter Transfer ohne variantenreiches Üben, Strukturreflexion und metakognitive Begleitung eher die Ausnahme bleibt.
• Variation in der Übung sei Verwirrung und schade dem Lernen. Tatsächlich erschwert variantenreiches Üben den nahen Transfer, fördert aber langfristig die Anwendung auf neue Situationen und damit den eigentlichen Bildungsanspruch.
• Wer eine Aufgabe richtig löse, beherrsche das zugrunde liegende Konzept. Tatsächlich gelingt das oft nur für sehr ähnliche Aufgaben, während schon eine veränderte Oberfläche zeigt, dass die Tiefenstruktur nicht verstanden wurde.

Reproduktion: Reproduktion verlangt die Wiedergabe von Gelerntem in vertrauter Form. Transfer verlangt darüber hinaus, das Gelernte in einer veränderten oder neuen Situation begründet einzusetzen, und ist deshalb der anspruchsvollere Massstab des Lernens.

Kompetenz: Kompetenz ist die umfassende, situationsübergreifende Fähigkeit, in variablen Situationen erfolgreich zu handeln. Transfer ist der Mechanismus, durch den sich Kompetenz im Einzelfall zeigt; ohne Transfer bleibt Kompetenz unbeobachtbar.

Blosse Anwendung: Blosse Anwendung meint die Ausführung eines bereits eingeübten Verfahrens in einer Situation, die der Übungssituation strukturell und oberflächlich gleicht; es handelt sich um Routineanwendung innerhalb des bekannten Aufgabentyps. Transfer verlangt darüber hinaus, dass Gelerntes auf eine strukturell oder situativ neue Konstellation übertragen wird, in der die Passung des Verfahrens erst erkannt und begründet werden muss. Wer Anwendung und Transfer gleichsetzt, überschätzt regelmässig, was Lernende tatsächlich verstanden haben.

• Welcher Anteil meiner Aufgaben verlangt mehr als nahen Transfer, also tatsächlich die Anwendung auf eine unvertraute Situation?
• An welcher Stelle reflektieren meine Lernenden explizit, welches Prinzip hinter einer Lösung steht und wann es ausserhalb dieses Aufgabentyps anwendbar wird?
• Welche Aufgabenvariante würde sichtbar machen, ob das Konzept verstanden oder nur ein bestimmter Aufgabentyp trainiert wurde?

Wähle eine Aufgabe, die deine Klasse zuverlässig lösen kann: Wie sähe eine Variante aus, die strukturell dieselbe Lösung verlangt, aber so anders auftritt, dass sich daran echter Transfer zeigen würde?

Transfer bedeutet, dass Schülerinnen und Schüler etwas, das sie gelernt haben, auch in einer neuen Situation anwenden können. Wer eine Aufgabe nur dann löst, wenn sie gleich aussieht wie im Heft, hat das Prinzip noch nicht verstanden. Transfer ist das eigentliche Ziel des Lernens.

Konstruktivistische Lerntheorien gehen davon aus, dass Wissen nicht von der Lehrperson in den Kopf der Lernenden übertragen wird, sondern dort aktiv aufgebaut werden muss. Lernen ist demnach die kognitive Tätigkeit, neue Informationen mit vorhandenen Vorstellungen in Beziehung zu setzen, daraus stimmige Erklärungen zu konstruieren und gegebenenfalls bisherige Konzepte umzubauen. Lernende beginnen daher nie als unbeschriebenes Blatt; sie bringen Alltagsvorstellungen, Erfahrungen und teilweise hartnäckige Fehlkonzepte mit, die sie nicht einfach ablegen, wenn die Lehrperson eine richtige Erklärung anbietet. Aus dieser Einsicht folgt eine Reihe didaktischer Konsequenzen. Unterricht muss an den Vorerfahrungen ansetzen, Lerngegenstände bedeutsam für die Lernenden machen, ihnen Gelegenheit zur eigenen geistigen Auseinandersetzung geben und produktive Anlässe für Konflikte mit vorhandenen Vorstellungen schaffen. Konstruktivistisches Lernen schliesst Erklärung und Anleitung nicht aus; entscheidend ist, dass diese Inputs auf eine vorbereitete, aktive geistige Tätigkeit der Lernenden treffen. Eine radikale Lesart, die Konstruktivismus gegen Instruktion ausspielt, geht an der empirischen Lehr-Lern-Forschung vorbei. Lernwirksam ist nicht das Unterrichtsangebot allein, sondern dessen kognitive Nutzung durch die Lernenden, und gerade gut platzierte Instruktion kann diese Nutzung enorm stützen. Konstruktivistisches Lernen meint also nicht ein Lassen, sondern eine besondere Form gestalteter Aktivierung.

Wer Lernen als blosses Übergeben von Wissen versteht, plant Unterricht von den Inhalten her und wundert sich, warum die Lernenden in Klausuren reproduzieren, in offenen Situationen aber an alten Fehlvorstellungen festhalten. Eine konstruktivistische Perspektive richtet die Aufmerksamkeit auf das, was in den Köpfen der Lernenden tatsächlich geschieht, und macht Vorerfahrungen, Sinnbezug und kognitive Aktivität zum Massstab der Planung. Sie schützt vor der Illusion, dass eine klare Erklärung schon ein verstandenes Konzept bedeutet, und vor dem umgekehrten Irrtum, dass Lernende durch reines Selbstmachen ohne fachliche Begleitung zu tragfähigen Konzepten kämen. Sie ist damit die theoretische Grundlage einer Didaktik, die Aktivierung, Diagnose von Vorstellungen und gezielte Strukturierung zusammen denkt.

Die konstruktivistische Tradition reicht von Piagets Theorie der Äquilibration über Bruners Idee der aktiven Wissenskonstruktion bis zu radikaleren Ansätzen wie dem radikalen Konstruktivismus Glasersfelds, der die Erkennbarkeit einer beobachterunabhängigen Wirklichkeit bestreitet. Im deutschsprachigen Diskurs sind didaktisch besonders die fachdidaktische Conceptual-Change-Forschung und Modelle wie die didaktische Rekonstruktion einflussreich, die systematisch Lernendenvorstellungen erheben und mit fachlichen Konzepten ins Verhältnis setzen. Empirisch belegt die Unterrichtsforschung im Rahmen des Angebots-Nutzungs-Modells, dass nicht die Methode an sich, sondern die kognitive Aktivität der Lernenden über den Lernerfolg entscheidet. Sie warnt zugleich vor verkürzten Lesarten, die konstruktivistisches Lernen mit blossem Entdeckenlassen gleichsetzen und Instruktion abwerten.

Eine Physiklehrperson startet eine Reihe zum Begriff Kraft nicht mit einer Definition, sondern mit der Aufgabe, vorherzusagen, was passiert, wenn man eine rollende Kugel sich selbst überlässt. Die Lernenden schreiben ihre Vorhersagen und Begründungen auf, und die typischen Alltagsvorstellungen werden im Plenum sichtbar. Erst dann führt sie das fachliche Konzept ein und nutzt es, um die zuvor formulierten Vorstellungen umzubauen statt zu übergehen.

In einer Geschichtsklasse zur Französischen Revolution sollen die Lernenden zunächst eigene Hypothesen zu den Ursachen formulieren und festhalten. Anschliessend dürfen sie eine KI gezielt nach Gegenargumenten oder fehlenden Faktoren befragen. Die KI dient nicht als Lieferant einer Standarderzählung, sondern als Sparringspartner, an dem die eigenen Hypothesen gehärtet, ausdifferenziert oder revidiert werden. Die Lernenden dokumentieren, welche eigenen Vorstellungen die Auseinandersetzung verändert hat.

Eine Biologieklasse erhält eine sorgfältig vorbereitete Erklärung zur Photosynthese, die alle Lernenden korrekt nachzeichnen. In einer späteren Erklärung zu einer Pflanze, die viel Sonne erhält, greift die Mehrheit dennoch auf die Alltagsvorstellung zurück, Pflanzen ernährten sich vor allem aus dem Boden. Die fachliche Erklärung war angekommen, das alte Konzept aber kognitiv nicht umgebaut worden.

• Konstruktivistisches Lernen bedeute, dass Lernende sich alles selbst beibringen und Instruktion verzichtbar sei. Tatsächlich besagt es, dass Wissen kognitiv konstruiert werden muss, und gut platzierte Instruktion ist dafür meistens unverzichtbar.
• Lernen sei umso konstruktivistischer, je offener und unstrukturierter der Unterricht. Tatsächlich entscheidet nicht die Offenheit, sondern die ausgelöste kognitive Aktivität; sehr offene Settings können sogar weniger kognitiv aktivierend sein als gut geführte.
• Konstruktivismus besage didaktisch, dass alle Lerngegenstände, Schülerantworten oder Quellen gleichwertig seien, weil Wissen ja konstruiert sei. Diese Lesart verwechselt die erkenntnistheoretische Position des radikalen Konstruktivismus (Glasersfeld), nach der eine beobachterunabhängige Wirklichkeit nicht direkt erkennbar ist, mit einer didaktischen Beliebigkeitslehre. Aus dem radikal-konstruktivistischen Argument folgt gerade nicht, dass im Unterricht keine fachlichen Geltungsansprüche mehr verhandelt würden; die didaktische Folgerung aus dem Konstruktivismus ist nicht Beliebigkeit, sondern eine intensive, anspruchsvolle Auseinandersetzung mit fachlich tragfähigen, viabel geprüften Konstruktionen.

Instruktion: Instruktion ist die direkte, angeleitete Vermittlung. Konstruktivistisches Lernen beschreibt, wie Wissen im Lernenden kognitiv aufgebaut wird. Beide schliessen sich nicht aus, sondern werden in lernwirksamem Unterricht produktiv kombiniert.

Entdeckendes Lernen: Entdeckendes Lernen bezeichnet eine konkrete methodische Form, in der Lernende einen Sachverhalt weitgehend selbst erschliessen. Konstruktivistisches Lernen ist die zugrunde liegende Theorie und schreibt keine bestimmte Methode vor.

Behavioristisches Lernverständnis: Ein behavioristisches Lernverständnis fokussiert auf beobachtbares Verhalten und dessen Verstärkung. Konstruktivistisches Lernen interessiert sich für die inneren Konstruktionsprozesse, mit denen Lernende neue Informationen mit Vorerfahrung verknüpfen.

• Welche Vorstellungen und Vorerfahrungen meiner Klasse zum nächsten Thema kenne ich tatsächlich, und woraus weiss ich das?
• An welcher Stelle meines Unterrichts entscheidet sich, ob die Lernenden ein neues Konzept aktiv mit ihren bisherigen Vorstellungen verknüpfen oder lediglich auswendig lernen?
• Welche kognitive Aktivität löse ich bei meinen Lernenden konkret aus, wenn ich erkläre, und welche, wenn ich sie selbst arbeiten lasse?

Denk an ein Konzept, das du kürzlich erklärt hast: An welcher Stelle hätten die Lernenden ihre Vorstellung aktiv mit dem neuen Konzept abgleichen müssen, und welche Aktivität hätte das verlangt?

Konstruktivistisches Lernen heisst: Wissen wird nicht einfach eingefüllt, sondern jede Schülerin und jeder Schüler baut es sich im Kopf selbst auf. Wer schon eine Vorstellung im Kopf hat, ändert sie nur, wenn er sich selbst aktiv damit beschäftigt. Erklärungen sind wichtig, aber sie reichen allein nicht aus.

Instruktion meint Unterrichtsphasen, in denen die Lehrperson die Lernenden direkt anleitet, Konzepte erklärt, Verfahren vormacht, Strukturen ordnet oder Modelle einführt. Sie reicht von der klassischen Erklärung über demonstrierende Beispiele bis zu vorbereiteten Inputs und ist ein Kernbestandteil jeder professionellen Unterrichtspraxis. Eine längere Zeit galt sie als veraltet, weil sie mit passivem Konsum gleichgesetzt wurde. Die empirische Lehr-Lern-Forschung hat dieses Bild korrigiert. Sie zeigt, dass klar strukturierte Instruktion in vielen Situationen lernwirksam ist, dass besonders bei neuen, komplexen Inhalten und bei Anfängerinnen und Anfängern eine erratende, weitgehend offene Erschliessung kognitiv überfordern kann, und dass die entscheidende Frage nicht ist, ob instruiert wird, sondern wann, wie und in welcher Beziehung zu eigenständiger Auseinandersetzung. Wirksame Instruktion ist nicht der Vortrag, der über die Köpfe hinwegläuft, sondern eine bewusst gestaltete Phase: Sie greift bei Vorwissen ein, macht Strukturen explizit, modelliert Denkschritte, gibt Beispiele und Gegenbeispiele und übergibt das Denken anschliessend an die Lernenden. Sie steht damit in einem komplementären Verhältnis zu konstruktivistischen Phasen: Diese aktivieren Vorstellungen und schaffen Anlässe für Auseinandersetzung, Instruktion ordnet, klärt und konsolidiert. Beides zusammen macht lernwirksamen Unterricht aus.

Wer Instruktion ideologisch ablehnt, verschenkt eines der wirksamsten Werkzeuge der Lehrperson. Wer sie umgekehrt zur Norm macht, riskiert passiven Konsum und träges Wissen. Eine professionelle Lehrperson entscheidet bewusst, an welcher Stelle einer Reihe Instruktion notwendig ist, etwa um eine neue Struktur einzuführen, einen Sachverhalt zu konsolidieren, eine Fehlvorstellung gezielt zu korrigieren oder ein Verfahren modellhaft vorzumachen. Das richtige Mass und der richtige Zeitpunkt unterscheiden lernwirksamen von ermüdendem Unterricht. Eine differenzierte Sicht auf Instruktion schützt vor zwei verbreiteten Verkürzungen: dem Methodenfetischismus, der jede Form von Anleitung als altmodisch verwirft, und dem Lehrervortrag als Dauerzustand, der die kognitive Aktivität der Lernenden erstickt.

Lerntheoretisch wird Instruktion in der Cognitive-Load-Theorie (Sweller) als Möglichkeit beschrieben, kognitive Belastung zu steuern, indem für Novizen entlastende Lernumgebungen mit ausgearbeiteten Beispielen geschaffen werden. Empirische Studien zur direkten Instruktion zeigen positive Effekte vor allem in strukturierten fachlichen Anforderungen. Die Debatte zwischen instruktionalistischen und konstruktivistischen Positionen, geführt etwa unter dem Schlagwort Kirschner, Sweller und Clark gegen minimal guided instruction, ist in der Forschung mittlerweile weitgehend zugunsten einer integrativen Sicht entschieden: Wirksamer Unterricht kombiniert klare Strukturierung und kognitive Aktivierung. Auch die Forschung zum produktiven Scheitern zeigt, dass Instruktion oft nach einer geeigneten Phase eigenständigen Ringens am stärksten wirkt.

Eine Mathematiklehrperson lässt ihre Klasse zunächst eigenständig versuchen, ein neues Aufgabenmuster zu knacken. Die Lernenden produzieren Lösungsansätze, von denen einige scheitern. Erst danach setzt eine bewusst kurze, klar strukturierte Instruktionsphase ein: Die Lehrperson greift einzelne Schülerlösungen auf, ordnet sie, macht den fachlich tragfähigen Lösungsweg explizit vor und verweist auf typische Stolpersteine. Anschliessend wenden die Lernenden das Verfahren auf Variationen an.

In einer Sprachklasse haben die Lernenden mit einer KI individuell Grammatikregeln geübt und unterschiedliche Erklärungen erhalten. In der nächsten Lektion vergleicht die Lehrperson zwei dieser KI-Erklärungen vor der Klasse und nutzt eine kurze, gezielte Instruktion, um die Begriffe zu vereinheitlichen, eine fachlich präzise Formulierung herzustellen und eine wiederkehrende Unschärfe im KI-Output explizit zu korrigieren. Die Instruktion knüpft direkt an die KI-gestützte Eigenarbeit an, statt sie zu ersetzen.

Eine Klasse erarbeitet in einer bewusst angelegten Productive-Failure-Phase eigene Lösungsansätze zu einem komplexen Sachproblem, für das ihr das tragende Konzept noch fehlt. Die Ansätze sind vielfältig, einige scheitern an einem zentralen fachlichen Punkt, und genau dieses Scheitern macht die Stolperstelle und die Begrenzungen der eigenen Vorstellungen sichtbar. Erst danach setzt eine bewusst kurze, klar strukturierte Instruktion ein: Die Lehrperson greift einzelne Schülerlösungen auf, ordnet sie, macht den tragfähigen Lösungsweg modellhaft vor und verweist auf typische Stolpersteine. Weil die Klasse fachlich vorbereitet ist, landet die kurze Instruktion präzise und bringt das Verstehen entscheidend voran.

• Instruktion sei altmodisch und stehe im Gegensatz zu modernem, konstruktivistischem Unterricht. Tatsächlich zeigt die Forschung, dass klar strukturierte Instruktion in vielen Situationen lernwirksam ist und konstruktivistische Phasen ergänzt, nicht ersetzt.
• Wer instruiere, sei automatisch dozierend und überwiege die Schülerstimme. Tatsächlich kann auch eine sehr kurze, präzise Instruktionsphase hochwirksam sein, wenn sie an Vorwissen anschliesst und in kognitive Auseinandersetzung mündet.
• Eine gute Instruktion sei daran erkennbar, dass alle nicken. Tatsächlich entscheidet nicht das Zuhören, sondern die nachgelagerte geistige Aktivität der Lernenden, ob die Instruktion gewirkt hat.

Konstruktivistisches Lernen: Konstruktivistisches Lernen beschreibt, wie Wissen im Kopf der Lernenden konstruiert wird. Instruktion ist eine Form gestalteter Inputs durch die Lehrperson, die diese Konstruktion stützt. Beide stehen nicht im Gegensatz, sondern ergänzen sich in lernwirksamem Unterricht.

Vortrag: Ein Vortrag ist eine Form der Wissensvermittlung, die oft längere Zeit beansprucht und wenig Interaktion verlangt. Instruktion meint eine bewusst gestaltete, oft kürzere Phase, die strukturierend in einen aktivierenden Unterrichtsverlauf eingebettet ist.

Erklärung: Eine Erklärung ist ein einzelnes Element, das einen Sachverhalt klärt. Instruktion ist umfassender und schliesst neben Erklärungen auch Strukturierung, Modellieren von Denkschritten, Beispiele und Verfahrensvorgaben ein.

• An welcher Stelle in meiner letzten Unterrichtsreihe war eine klare, kurze Instruktion lernwirksamer als ein weiteres offenes Setting?
• Wie stelle ich sicher, dass meine Instruktion an das tatsächliche Vorwissen meiner Klasse anschliesst und nicht über deren Köpfe hinwegläuft?
• Welche kognitive Aktivität schliesst sich an meine Instruktion an, in der die Lernenden das Gehörte tatsächlich verarbeiten?

Denk an deine letzte Unterrichtsreihe: An welcher Stelle wäre eine klar gestaltete, kurze Instruktion lernwirksamer gewesen als eine weitere offene Erarbeitungsphase, und woran erkennst du das im Nachhinein?

Instruktion bedeutet, dass die Lehrperson etwas direkt erklärt oder zeigt. Manche denken, das sei altmodisch, doch es ist oft sehr hilfreich. Wichtig ist, wann und wie erklärt wird und dass die Klasse danach selbst damit weiterarbeitet.

Der kognitive Konflikt steht in der Tradition Piagets und seiner Theorie der Äquilibration: Lernen geschieht demnach besonders dann, wenn ein vorhandenes kognitives Schema mit einer neuen Erfahrung nicht zurechtkommt und in eine Spannung gerät, die durch Akkomodation, also durch Anpassung des Schemas selbst, aufgelöst wird. Im Unterricht meint kognitiver Konflikt eine bewusst herbeigeführte Situation, in der die Lernenden bemerken, dass ihre Vorhersage, ihre Erklärung oder ihre Alltagsvorstellung mit dem Befund, dem Experimentergebnis, der Quellenlage oder einem fachlich tragfähigen Konzept nicht vereinbar ist. Die Spannung selbst ist nicht das Lernziel, sondern der Anlass dafür, ein Konzept zu überdenken und umzubauen. Ein produktiver kognitiver Konflikt verlangt mehrere Bedingungen. Die Lernenden müssen ihre Vorstellung zuerst explizit machen, sonst gibt es nichts, was in Spannung treten könnte. Der Widerspruch muss von ihnen selbst bemerkt werden, nicht nur von der Lehrperson behauptet. Die Spannung darf nicht überfordern, sondern muss in der Reichweite des aktuellen Denkens liegen. Und es braucht Zeit, Mittel und Begleitung, um die Auflösung des Konflikts wirklich zu denken und nicht nur eine fertige Erklärung anzunehmen. Ohne diese Bedingungen verpufft der Konflikt entweder in blosser Verwirrung oder wird durch oberflächliche Anpassung übergangen. Der kognitive Konflikt ist deshalb von blosser Überforderung scharf zu unterscheiden: Diese signalisiert, dass das Denken keinen Anschluss findet, während der produktive Konflikt das Denken gerade an seiner offenen Flanke trifft.

Wer Lernende mit fachlich richtigen Erklärungen versorgt, ohne ihre vorhandenen Vorstellungen zu adressieren, riskiert, dass die alten Vorstellungen im Hintergrund weiterwirken und in Anwendungssituationen erneut zum Vorschein kommen. Der kognitive Konflikt ist eines der wenigen Mittel, das nicht nur Wissen ergänzt, sondern Vorstellungen tatsächlich umbaut. Lehrpersonen, die Konflikte bewusst gestalten, vermeiden den verbreiteten Doppelboden, dass Lernende in Tests die fachliche Erklärung wiedergeben, im Alltag aber an der alten Vorstellung festhalten. Sie ermöglichen Conceptual Change statt blosser Co-Existenz konkurrierender Konzepte und legen damit die Grundlage für tragfähigen Transfer.

Konzeptuell wurzelt der kognitive Konflikt in Piagets Begriff der Äquilibration und in der Conceptual-Change-Forschung, die untersucht, unter welchen Bedingungen Lernende bestehende Konzepte zugunsten fachlich tragfähigerer Konzepte aufgeben. Posner und Kolleginnen haben dafür Kriterien formuliert: Die Lernenden müssen mit ihrer bisherigen Vorstellung unzufrieden werden, das neue Konzept muss verständlich, plausibel und fruchtbar sein. In der deutschsprachigen Fachdidaktik ist der kognitive Konflikt eine zentrale Argumentationsfigur, etwa in der naturwissenschaftlichen Didaktik der Schülervorstellungen oder in mathematikdidaktischen Diskussionen typischer Fehlkonzepte. Die empirische Lehr-Lern-Forschung zeigt, dass solche Konflikte nicht von selbst zu Conceptual Change führen, sondern bewusster didaktischer Gestaltung bedürfen.

Eine Chemielehrperson lässt die Lernenden vorhersagen, was passiert, wenn ein Stück Magnesium an der Luft verbrannt wird, im Hinblick auf die Masse der Asche im Vergleich zum Ausgangsstoff. Die Alltagsvorstellung sagt: Asche wiegt weniger. Das Experiment zeigt das Gegenteil. Die Lernenden müssen ihre Vorstellung nun explizit revidieren und werden auf den Begriff der chemischen Reaktion mit Sauerstoff hingelenkt. Der Konflikt zwischen Erwartung und Befund ist der eigentliche Lernmotor.

In einer Sozialkundeklasse formulieren die Lernenden zuerst eigene Annahmen darüber, wie sich ein bestimmtes politisches Mehrheitssystem auf das Wahlverhalten kleiner Parteien auswirkt. Sie befragen anschliessend eine KI, doch die Aufgabe verlangt nicht nach einer freien Antwort, sondern nach Argumenten, die ihrer Annahme widersprechen würden, sowie nach konkreten historischen Gegenbeispielen. Auf diese Weise wird die KI gezwungen, den Widerspruch zur eigenen Vorstellung zu schärfen statt zu glätten, und der kognitive Konflikt erhält das Material, an dem er bearbeitet werden kann.

Eine Geografieklasse glaubt mehrheitlich, ein wärmerer Frühling sei der eindeutige Beleg für den Klimawandel an einem Ort. Die Lehrperson zeigt eine lokale Datenreihe, in der das genaue Gegenteil zu sehen ist. Erst der entstehende Konflikt zwischen Erwartung und Datenlage zwingt die Klasse, zwischen Wetter, lokalem Klima und globalem Trend differenzierter zu denken.

• Schon eine fachlich richtige Erklärung erzeuge bei den Lernenden einen kognitiven Konflikt. Tatsächlich entsteht der Konflikt erst, wenn die Lernenden ihre eigene Vorstellung explizit gemacht haben und deren Unvereinbarkeit mit der Erklärung selbst bemerken.
• Kognitiver Konflikt sei dasselbe wie Überforderung. Tatsächlich entsteht der lernwirksame Konflikt gerade dann, wenn der Widerspruch in der kognitiven Reichweite der Lernenden liegt; reine Überforderung bricht den Lernprozess ab.
• Wenn ein Konflikt erzeugt wurde, sei die Fehlvorstellung damit beseitigt. Tatsächlich verlangt Conceptual Change zusätzlich, dass das neue Konzept verständlich, plausibel und fruchtbar erlebt wird, sonst kehrt die alte Vorstellung zurück.

Überforderung: Überforderung bedeutet, dass die Anforderungen die kognitive Reichweite der Lernenden überschreiten und Bearbeitung unmöglich machen. Ein kognitiver Konflikt ist gerade so dosiert, dass die Lernenden den Widerspruch selbst bemerken und bearbeiten können.

Produktive Irritation: Produktive Irritation ist ein weiteres didaktisches Konzept, das gezielt verstörende Eingriffe in scheinbar selbstverständliche Annahmen einsetzt. Der kognitive Konflikt ist enger gefasst und fokussiert auf den spezifischen Widerspruch zwischen Vorstellung und Befund.

Kognitive Dissonanz: Kognitive Dissonanz beschreibt ein motivational-emotionales Spannungserleben zwischen unvereinbaren Kognitionen. Der kognitive Konflikt im didaktischen Sinn ist enger lerntheoretisch gefasst und auf den Umbau fachlicher Konzepte gerichtet.

• Welche typischen Vorstellungen oder Vorhersagen meiner Klasse zum nächsten Thema lassen sich gezielt mit einem Befund oder Beispiel in Konflikt bringen?
• Wie stelle ich sicher, dass meine Lernenden ihre Vorstellung explizit machen, bevor ich Material präsentiere, das ihr widerspricht?
• Wie verhindere ich, dass aus dem kognitiven Konflikt blosse Verwirrung wird, also wie begleite ich die Bearbeitung des Widerspruchs?

Wähle ein Thema, bei dem du eine typische Fehlvorstellung deiner Klasse kennst: Welcher konkrete Befund würde diese Vorstellung in einen produktiven Konflikt bringen, und wie müsstest du ihn einführen, damit der Konflikt bearbeitbar bleibt?

Ein kognitiver Konflikt entsteht, wenn die Klasse etwas glaubt und dann erlebt, dass es anders ist. Diese Überraschung bringt das Denken in Bewegung. Ohne diesen Moment bleiben alte Vorstellungen oft erhalten, auch wenn die Lehrperson alles richtig erklärt hat.

Der Begriff der desirable difficulties stammt aus dem Forschungsprogramm von Robert und Elizabeth Bjork und bezeichnet Gestaltungen einer Lernsituation, die das Lernen kurzfristig erschweren, aber langfristig nachhaltiger machen. Drei klassische Mechanismen tragen diese Wirkung. Erstens das Spacing, also die zeitliche Verteilung von Wiederholungen über mehrere Sitzungen hinweg statt geballter Massivübung. Zweitens das Interleaving, das ein Vermischen verschiedener Aufgabentypen oder Themen innerhalb einer Übungseinheit meint, statt sortiert blockweise zu üben. Drittens die Retrieval Practice, also das wiederholte aktive Abrufen von Wissen, etwa über kurze Tests oder Selbsterklärungen, statt blossen Wiederlesens. Allen drei Mechanismen ist gemeinsam, dass sie das Lernen während des Übens unangenehmer und langsamer wirken lassen, weil sie kognitive Anstrengung verlangen, und gerade darin liegt ihre Wirkung. Die kurzfristige fluency-Empfindung, also das Gefühl, etwas mühelos zu beherrschen, wird gesenkt, die tatsächliche, langfristige Verfügbarkeit des Wissens aber stark erhöht. Genau das ist didaktisch heikel: Lernende und auch Lehrpersonen empfinden ein Lernen, das sich anstrengend anfühlt, oft als ineffizient und kehren intuitiv zu Massivübung und blockweisem Wiederlesen zurück, obwohl diese Strategien langfristig deutlich schlechter wirken. Lernförderliche Schwierigkeiten verlangen daher ein professionelles, gegen das Bauchgefühl gerichtetes didaktisches Urteil. Sie sind scharf abzugrenzen von unproduktiver Überforderung. Eine Schwierigkeit ist nur dann lernförderlich, wenn sie in der kognitiven Reichweite der Lernenden bleibt und die Anstrengung in tatsächliches Verarbeiten mündet. Anforderungen, die das Arbeitsgedächtnis sprengen oder ohne Aussicht auf Bewältigung bleiben, sind nicht desirable, sondern destruktiv.

Ein erheblicher Teil schulischer Übungspraxis ist intuitiv auf das Gegenteil ausgerichtet: blockweises Üben eines Themas, geballte Wiederholungen vor der Prüfung und passives Wiederlesen statt Abrufen. Diese Praktiken erzeugen Komfort, gute Klausurleistung kurzfristig und das Gefühl, etwas zu können, das schon wenige Wochen später kaum mehr verfügbar ist. Wer die Befunde zu lernförderlichen Schwierigkeiten ernst nimmt, gestaltet Übung anders: gestreckt, gemischt, abrufend. Dies erhöht die langfristige Verfügbarkeit deutlich und macht den Unterschied zwischen einem Stoff, der bestanden, und einem Können, das verfügbar bleibt. Lehrpersonen können damit die Lernkultur ihrer Klasse strukturell verbessern, müssen aber gegen die intuitive Vorliebe für mühelos wirkende Übung argumentieren und diese Vorliebe selbst durchschauen.

Theoretisch knüpft das Konzept an Bjorks Unterscheidung von Lernen und Performance an: Aktuelle Leistung in der Übung ist nicht dasselbe wie langfristige Speicher- und Abrufstärke. Studien zur Retrieval Practice, etwa von Roediger und Karpicke, belegen die Überlegenheit des aktiven Abrufens gegenüber blossem Wiederlesen. Forschung zu Interleaving zeigt vor allem Vorteile bei Aufgaben, die das Unterscheiden zwischen Strukturen verlangen. Studien zum Spacing-Effekt gehören zu den ältesten und replikationsstärksten Befunden der Gedächtnispsychologie. Im didaktischen Diskurs werden desirable difficulties oft im Zusammenhang mit Cognitive-Load-Theorie diskutiert: Sie wirken so lange lernförderlich, wie die Schwierigkeit produktiv ist, also das relevante Verarbeiten unterstützt und nicht das Arbeitsgedächtnis blockiert.

Eine Sprachlehrperson stellt die Vokabelarbeit ihrer Klasse vom blockweisen, intensiven Wiederlesen vor der Prüfung auf ein gestrecktes, abrufbasiertes System um. Die Lernenden bearbeiten täglich kurze Karten, in denen Wörter verschiedener Lektionen gemischt vorkommen, sie müssen die Übersetzung aktiv produzieren statt nur wiedererkennen. In den ersten Wochen schneidet die Klasse subjektiv schlechter ab als zuvor; in der Abschlussprüfung mehrere Monate später zeigt sich ein deutlich besserer Stand.

Eine Mathematiklehrperson lässt die Lernenden mit Hilfe einer KI eine eigene gestreckte Lernkartenserie zu einem Halbjahresthema erstellen. Die KI generiert variierende Aufgaben, die explizit Interleaving zwischen Bruchrechnen, Prozent und linearen Funktionen verlangen. Die eigentliche Lernarbeit, also das aktive Abrufen, das tägliche kurze Bearbeiten und das Begründen der Lösung, bleibt jedoch bewusst bei den Lernenden, und die Lehrperson reflektiert mit der Klasse explizit, warum diese Anstrengung kein Mangel an Effizienz, sondern der eigentliche Lernmoment ist.

Eine Schule führt nach einem schulinternen Weiterbildungstag zu Bjorks Forschung Retrieval-Karten in mehreren Fächern ein. Die Lernenden klagen zunächst über erhöhte Anstrengung und sinkende kurzfristige Resultate. In der nächsten Halbjahresprüfung verbessern sich die Ergebnisse deutlich gegenüber dem Vorjahr, in dem dieselben Klassen vor allem mit Wiederlesen gearbeitet hatten.

• Was sich beim Lernen schwierig anfühle, sei automatisch ineffizient und Zeitverschwendung. Tatsächlich zeigt die Forschung, dass produktive Schwierigkeiten zwar kurzfristig die Leistung senken, aber langfristige Behaltensleistung und Transfer deutlich verbessern.
• Lernförderliche Schwierigkeiten und Überforderung seien dasselbe. Tatsächlich liegen lernförderliche Schwierigkeiten gerade in der bewältigbaren Zone und führen zu vertiefter Verarbeitung; Überforderung bricht den Lernprozess ab.
• Wer einen Stoff in einer einzigen langen Sitzung intensiv übt, verankere ihn besonders gut. Tatsächlich liegt die langfristige Wirkung gestreckter, verteilter Übung deutlich höher, auch wenn sie sich anstrengender und ineffizienter anfühlt.

Überforderung: Lernförderliche Schwierigkeiten bleiben in der kognitiven Reichweite der Lernenden und führen zu tieferer Verarbeitung. Überforderung sprengt diese Reichweite und bricht den Lernprozess ab, weil keine produktive Bearbeitung mehr möglich ist.

Massivübung: Massivübung bedeutet, einen Stoff in geballter Form zu üben. Lernförderliche Schwierigkeiten setzen auf Spacing und Interleaving und nehmen kurzfristig schlechtere Performance in Kauf, um langfristige Verfügbarkeit zu sichern.

Productive Failure: Productive Failure ist eine spezifische didaktische Sequenz, in der Lernende vor der Instruktion an einem Problem scheitern. Desirable difficulties beschreiben breiter alle Übungsgestaltungen, die kurzfristige Mühe für langfristigen Lernerfolg verlangen.

• Welche Mechanismen lernförderlicher Schwierigkeit, also Spacing, Interleaving oder Retrieval Practice, sind in meiner aktuellen Übungspraxis bewusst eingebaut, und welche fehlen?
• Woran erkenne ich konkret, ob eine Schwierigkeit in meiner Klasse produktiv oder überfordernd wirkt?
• Wie gehe ich mit dem Phänomen um, dass meine Klasse gestreckte, abrufbasierte Übung als anstrengender und ineffizienter erlebt als blockweises Wiederlesen?

Wähle eine wiederkehrende Übungspraxis aus deinem Unterricht: Welcher Mechanismus lernförderlicher Schwierigkeit fehlt darin, und wie könntest du ihn einbauen, ohne die Lernenden zu überfordern?

Lernförderliche Schwierigkeiten heisst: Lernen wird mit Absicht etwas anstrengender gemacht. Man übt verteilt über viele Tage, mischt verschiedene Themen und ruft den Stoff aktiv aus dem Kopf ab, statt nur zu lesen. Kurzfristig fühlt sich das schwerer an, langfristig bleibt aber viel mehr hängen.

Productive Failure ist ein didaktisches Konzept, das wesentlich von Manu Kapur entwickelt und erforscht wurde. Es kehrt die übliche Reihenfolge des Unterrichts um: Statt zuerst zu instruieren und danach üben zu lassen, beginnt der Unterricht mit einem komplexen, herausfordernden Problem, für dessen Lösung den Lernenden noch das nötige Wissen fehlt. Sie probieren eigene Ansätze, scheitern oft an einem zentralen Schritt und produzieren dabei vielfältige, teilweise unzulängliche Lösungsversuche. Erst danach folgt eine bewusst gestaltete Instruktion, die diese Lösungsversuche aufgreift, sie ordnet, ihre Grenzen sichtbar macht und das tragfähige fachliche Konzept einführt. Empirisch zeigt Productive Failure in mehreren Untersuchungen Vorteile vor allem für konzeptuelles Verstehen und Transfer, vergleicht man es mit der direkten Reihenfolge erst Instruktion, dann Aufgabe. Der lerntheoretische Mechanismus liegt darin, dass das Ringen vor der Instruktion das Vorwissen aktiviert, relevante Strukturen und typische Stolpersteine bewusst macht und eine Erwartung an die nachfolgende Erklärung aufbaut. Die Instruktion trifft so auf vorbereitete Schemata und kann gezielt an die produzierten Ansätze anschliessen, statt im luftleeren Raum eine Struktur zu setzen. Productive Failure ist nicht zu verwechseln mit reinem Frustrieren oder mit unstrukturiertem Entdeckenlassen. Die Aufgabe ist mit Bedacht so gewählt, dass sie kognitive Aktivität auslöst, ohne zu überfordern, dass sich verschiedene Lösungsversuche produzieren lassen und dass eine anschliessende Instruktion strukturell anschliessbar ist. Ohne diese Sorgfalt droht Productive Failure zu unproductive failure zu werden, also zu blossem Scheitern ohne Lerngewinn.

Viele Unterrichtsreihen folgen der Reihenfolge erst Erklärung, dann Aufgabe. Diese Reihenfolge ist intuitiv plausibel, sie ist aber didaktisch nicht zwingend und in vielen Fällen lernschwächer als der umgekehrte Weg. Wer Productive Failure kennt, gewinnt eine zusätzliche Gestaltungsoption: Er kann an geeigneter Stelle bewusst mit einem Problem starten, von dem er weiss, dass die Klasse daran scheitern wird, und die Wirkung der eigenen späteren Instruktion damit deutlich erhöhen. Productive Failure schützt ausserdem vor einer verbreiteten Verkürzung des Unterrichtsverständnisses, nach der scheiternde Schülerlösungen ein Mangel an Vorbereitung der Lehrperson seien. Sie können vielmehr eine bewusst gewählte Lernressource sein. Schliesslich liefert das Konzept eine starke didaktische Antwort auf den verbreiteten Effizienzdruck: Manche der wirksamsten Lernsituationen sehen auf den ersten Blick wenig produktiv aus.

Kapur und Kollegen haben das Konzept seit etwa 2008 in einer Reihe von Studien empirisch untersucht, insbesondere in der Mathematikdidaktik der Sekundarstufe. Theoretisch knüpft Productive Failure an Konzepte der kognitiven Aktivierung, des Conceptual Change und der lernförderlichen Schwierigkeiten an. Es steht in einem konstruktiven Verhältnis zur Cognitive-Load-Theorie, die zunächst eine Vorrangstellung direkter Instruktion bei Novizen nahelegte: Productive Failure zeigt unter bestimmten Bedingungen, dass eine gut gestaltete Vorphase ohne Instruktion zu tieferem Verstehen führen kann, sofern sie die Lernenden nicht überfordert. Die Forschungslage ist jedoch nicht durchgängig konsistent: Replikationsversuche haben die positiven Effekte nicht in jeder Konstellation reproduziert, und insbesondere bei sehr novizen Lernenden oder bei zu schwach skaffolded Designbedingungen kann Productive Failure in unproduktives Scheitern kippen. Cognitive-load-theoretische Einwände, wie sie Kirschner, Sweller und Clark in ihrer einflussreichen Kritik an minimal guided instruction formuliert haben, bleiben hier didaktisch ernst zu nehmen und mahnen sorgfältiges Scaffolding und passende Aufgabenwahl an. Productive Failure ist damit ein wertvoller, evidenzgestützter Ansatz, aber kein Allheilmittel und keine universelle Default-Sequenz. In der deutschsprachigen Didaktik wird das Konzept oft im Zusammenhang mit produktiver Irritation, kognitivem Konflikt und entdeckendem Lernen diskutiert und mit dem Argument verbunden, dass Reihenfolge im Unterricht eine eigene didaktische Dimension darstellt.

Eine Mathematiklehrperson plant die Einführung der Varianzformel. Statt diese zuerst zu erklären, gibt sie der Klasse einen realen Datensatz und die Aufgabe, ein eigenes Mass dafür zu konstruieren, wie stark die Werte um den Mittelwert streuen. Die Klasse produziert verschiedene, teils unzulängliche Vorschläge, etwa einfache Mittelwerte der Abweichungen, die wegen positiver und negativer Werte zu null führen. Erst dieses Scheitern an der Vorzeichenfrage bereitet die anschliessende Instruktion zur Varianzformel vor, die nun nicht mehr abstrakt eingeführt wird, sondern als Antwort auf ein eigenes, erlebtes Problem.

In einer Geschichtsklasse beginnt eine Reihe zu einem komplexen historischen Konflikt mit einem ausdrücklich KI-freien Setting: Die Lernenden müssen, gestützt nur auf zwei Quellen, eigene Hypothesen zu den Ursachen formulieren und festhalten. Erst nach dieser Erarbeitungsphase wird die KI als Ressource freigegeben, mit der die Klasse die eigenen Hypothesen mit etablierten Forschungspositionen abgleicht. Die Instruktion der Lehrperson knüpft an die zuvor produzierten Hypothesen an und macht sichtbar, welche von ihnen einer fachlichen Prüfung standhalten und welche nicht.

Eine Lehrperson beginnt eine Physikreihe zum elektrischen Stromkreis nicht mit der Formel, sondern mit einer Aufgabe, in der die Klasse vorhersagen soll, wie sich die Helligkeit zweier Lampen in unterschiedlichen Schaltungen verhält. Die Vorhersagen weichen vielfach voneinander ab, die Klasse scheitert an einer einheitlichen Begründung. Erst danach setzt die Lehrperson mit einer kurzen, klar strukturierten Erklärung zum Stromkreis ein und kann die zuvor produzierten Begründungen einordnen.

• Productive Failure bedeute, die Klasse einfach scheitern zu lassen und auf eine produktive Wirkung zu hoffen. Tatsächlich verlangt das Konzept eine sorgfältig konstruierte Aufgabe, eine geplante Anschlussinstruktion und eine bewusste Begleitung, damit aus Scheitern Lernen wird.
• Productive Failure stehe im Gegensatz zur direkten Instruktion. Tatsächlich ist es eine Reihenfolge-Entscheidung: Productive Failure setzt gerade auf eine starke, gut platzierte Instruktion nach dem Ringen, nicht statt ihr.
• Productive Failure sei für alle Themen und alle Lerngruppen gleich gut geeignet. Tatsächlich wirken die positiven Effekte vor allem bei konzeptuellem Verstehen und Transfer und sind an Voraussetzungen wie geeignetes Vorwissen und bearbeitbare Probleme gebunden.

Entdeckendes Lernen: Entdeckendes Lernen ist eine breite methodische Familie, in der Lernende einen Sachverhalt weitgehend selbst erschliessen. Productive Failure ist enger gefasst und gerade dadurch definiert, dass an die Vorphase eine bewusst gestaltete Instruktion anschliesst.

Unproduktives Scheitern: Unproduktives Scheitern liegt vor, wenn die Aufgabe überfordert, die Lernenden keine produktiven Ansätze entwickeln oder die anschliessende Instruktion fehlt. Productive Failure ist die didaktisch gestaltete Gegenform.

Direkte Instruktion: Direkte Instruktion stellt die Erklärung an den Anfang und übt anschliessend. Productive Failure dreht die Reihenfolge bewusst um, weil die Anschlussfähigkeit der Instruktion an vorbereitetes Denken oft entscheidend ist.

• Welche Themen meiner kommenden Unterrichtsreihe wären geeignet, mit einer bewusst gestalteten Productive-Failure-Phase zu beginnen, und welche eher nicht?
• Wie konstruiere ich eine Aufgabe so, dass die Klasse produktiv scheitern kann, also vielfältige, lernhaltige Ansätze produziert, ohne überfordert zu werden?
• Wie wird meine anschliessende Instruktion an die konkret produzierten Schülerlösungen anschliessbar, statt eine vorgefertigte Struktur zu setzen?

Wähle ein Thema, das du üblicherweise mit einer Erklärung einleitest: Wie könnte eine Aufgabe aussehen, an der deine Klasse vorab produktiv scheitern darf, und wie würde sich deine anschliessende Erklärung dadurch verändern?

Productive Failure bedeutet, dass die Klasse zuerst ein schwieriges Problem bekommt und dabei auch scheitern darf. Erst danach erklärt die Lehrperson, wie es richtig geht. So merken sich die Schülerinnen und Schüler den Stoff besser, weil sie vorher schon selbst darüber nachgedacht haben.

Cognitive Offloading meint, mentale Aufgaben an die Umwelt zu delegieren, statt sie ausschliesslich im Kopf zu erledigen. Wer eine Telefonnummer auf einen Zettel schreibt, statt sie zu merken, lagert Gedächtnisarbeit aus. Wer einen Termin in den Kalender überträgt, lagert Planungsarbeit aus. Wer mit einer Suchmaschine ein Faktum nachschlägt, lagert Wissensarbeit aus. Diese Auslagerung ist nicht per se gut oder schlecht, sondern eine universelle, alte und meist produktive menschliche Kulturtechnik. Sie befreit Arbeitsgedächtnis und Aufmerksamkeit für Aufgaben, die nur intern bearbeitet werden können, etwa für anspruchsvolles Argumentieren, Problemlösen oder kreative Synthese. Die didaktisch entscheidende Unterscheidung lautet, ob die ausgelagerte kognitive Arbeit das Lernziel selbst betrifft oder nur nebensächliche Aufgaben um es herum. Wer im Sportunterricht die Stoppuhr nicht im Kopf führt, lagert Hilfsleistung aus, die mit dem Lernziel wenig zu tun hat. Wer eine Definition aus dem Wörterbuch übernimmt, weil das Lernziel die Anwendung von Fachsprache ist, lagert nichts aus, was zu lernen war. Wer dagegen die Argumentation in einem Aufsatz an ein Werkzeug delegiert, das genau diese Argumentation produzieren soll, lagert das Lernziel selbst aus. In diesem Fall erlebt der Lernende fluency, aber kein Lernen. Mit generativer KI ist diese Schwelle näher an den Kern des Lernens gerückt als je zuvor: Wo früher externe Werkzeuge vor allem Hilfsleistungen übernahmen, übernimmt KI heute mühelos die zentralen geistigen Operationen, die im Unterricht aufgebaut werden sollen, also Formulieren, Erklären, Strukturieren, Argumentieren, Übersetzen, Modellieren. Cognitive Offloading wird damit von einer randständigen kognitiven Strategie zu einer didaktischen Schlüsselkategorie der KI-Ära.

Eine Schule, die nicht klärt, welche kognitive Arbeit zu lernen ist und welche legitim ausgelagert werden darf, verliert ihren Massstab. Lernen besteht ja gerade in der Anstrengung, etwas im eigenen Kopf zu konstruieren, was vorher nicht da war. Wenn diese Anstrengung systematisch ausgelagert wird, verschwindet das Lernen, während die Resultate weiterhin gut aussehen. Eine bewusste Auseinandersetzung mit Cognitive Offloading zwingt Lehrpersonen dazu, pro Aufgabe und pro Lernziel zu entscheiden, welche kognitiven Operationen Eigenleistung der Lernenden sein müssen und welche an Hilfsmittel delegiert werden dürfen oder sollen. Sie schafft die begriffliche Grundlage dafür, KI-Nutzung im Unterricht nicht pauschal zu erlauben oder zu verbieten, sondern lernzielbezogen zu steuern, und sie macht die didaktisch heikle Mitte zwischen technologischer Verweigerung und unkontrollierter Auslagerung argumentativ zugänglich.

Der Begriff stammt aus der kognitions- und neuropsychologischen Forschung, insbesondere von Risko und Gilbert, die Cognitive Offloading als das Nutzen physischer Handlungen oder externer Werkzeuge definieren, um kognitive Anforderungen zu reduzieren. Ältere Bezugspunkte sind die Diskussion zum extended mind (Clark und Chalmers), die das Denken explizit über die Schädelgrenze hinaus in Werkzeuge, Notationen und Umwelten erstreckt sieht, sowie Studien zum Google-Effekt (Sparrow und Kollegen), die zeigen, dass Menschen weniger Faktenwissen behalten, wenn sie wissen, dass es jederzeit nachschlagbar ist. Im KI-Kontext wird Cognitive Offloading didaktisch produktiv aufgegriffen, etwa in Konzepten zur Mensch-KI-Interaktion, die zwischen Aufgabenbereichen unterscheiden, in denen Auslagerung kognitiv erweitert (etwa Routineformatierung) und solchen, in denen sie das Lernen oder Beurteilen erodiert (etwa eigenständiges Argumentieren).

Eine Geschichtslehrperson stellt einen Aufsatz zu einer komplexen Quelle. Sie unterscheidet bewusst: Das Formatieren des Textes, die Rechtschreibprüfung und die Materialsuche dürfen ausgelagert werden, die eigentliche Quelleninterpretation und die Argumentation aber nicht. In der Aufgabe ist diese Trennung explizit ausgewiesen, und die Beurteilung richtet sich auf die Eigenleistung in der Interpretation und nicht auf das polierte Endprodukt.

In einer Sprachklasse arbeiten die Lernenden an einem persönlichen Essay zu einem schwierigen Thema. Die Lehrperson erlaubt explizit, KI für Vokabelvorschläge und Strukturhinweise zu nutzen, untersagt aber den Einsatz für die Formulierung der eigentlichen Argumentation. Die Lernenden schreiben einen handschriftlichen Erstentwurf der Kerngedanken und dokumentieren danach, welche KI-Hilfen sie wofür einsetzten. Beurteilt wird sichtbar gemachte Eigenleistung, nicht die KI-polierte Oberfläche.

Eine Englischlehrperson erhält über mehrere Wochen sehr gute schriftliche Texte einer bislang sprachlich schwachen Klasse. In einer kurzen mündlichen Anschlussaufgabe gelingt es jedoch fast niemandem, die Argumente des eigenen Textes zu wiederholen oder zu verteidigen. Die Lehrperson erkennt, dass die schriftliche Eigenleistung kognitiv ausgelagert wurde, ohne dass die Klasse die Argumentation selbst entwickelt hatte.

• Jedes Auslagern an externe Werkzeuge sei eine Schwächung des Lernens. Tatsächlich ist Cognitive Offloading eine alte und meistens produktive Kulturtechnik; entscheidend ist, was genau ausgelagert wird und ob es das Lernziel betrifft oder nicht.
• KI-Nutzung sei pauschal entweder Eigenleistung oder Betrug. Tatsächlich verlangt der Begriff der kognitiven Auslagerung eine lernzielbezogene Unterscheidung pro Aufgabe, also eine differenzierte Steuerung statt einer pauschalen Regelung.
• Wer eine gute Note erhalte, habe gelernt. Tatsächlich kann ein hochwertiges Ergebnis vollständig durch Auslagerung entstanden sein und sagt ohne Prozesssichtbarkeit nichts über das Lernen aus.

Eigenleistung: Eigenleistung bezeichnet die kognitive Arbeit, die der oder die Lernende tatsächlich selbst erbringt. Cognitive Offloading beschreibt das Gegenstück, also die Auslagerung an externe Hilfen, und ist die zentrale Bezugskategorie für die Frage, was an einem Lernprodukt überhaupt Lernen war.

Trägheit von Wissen: Träges Wissen ist abrufbar, aber in Anwendungssituationen nicht verfügbar. Cognitive Offloading entsteht oft genau dort, wo Lernende statt eigenen Wissens ein externes Werkzeug bemühen; verstärkt unkontrolliert eingesetzt, kann es Trägheit weiter verstärken.

Werkzeugkompetenz: Werkzeugkompetenz ist die Fähigkeit, ein Hilfsmittel sachgerecht einzusetzen. Cognitive Offloading ist die kognitive Strategie, an die diese Kompetenz andockt; sinnvoll wird Offloading erst, wenn Werkzeugkompetenz und Lernzielbezug zusammenkommen.

• Welche kognitive Operation steht im Zentrum meines aktuellen Lernziels, und ist sie in der Aufgabe vor Auslagerung an KI oder andere Werkzeuge geschützt?
• Welche Auslagerungen sind in meinem Unterricht legitim und produktiv, weil sie das Lernziel nicht betreffen?
• Woran erkenne ich konkret, dass ein Lernprodukt durch Eigenleistung und nicht durch unsichtbare Auslagerung entstanden ist?

Wähle eine Aufgabe deines letzten Halbjahres: An welcher Stelle hätte eine vollständige Auslagerung an KI für die Lernenden möglich gewesen, ohne dass das Endprodukt darunter sichtbar gelitten hätte, und welche Konsequenzen hat das für deine Aufgabengestaltung?

Cognitive Offloading bedeutet, dass man Denkarbeit nach aussen verlagert, zum Beispiel an einen Zettel, an eine Suchmaschine oder an eine KI. Das kann sehr hilfreich sein. Es wird schädlich, wenn genau die Arbeit ausgelagert wird, an der die Schülerinnen und Schüler eigentlich etwas lernen sollten.

Unterrichtsdesign meint die professionelle Tätigkeit, eine Lernsequenz so zu entwerfen, dass das angestrebte Verstehen bei einer konkreten Lerngruppe wahrscheinlich wird. Es beginnt mit der Klärung der Lernziele und der inhaltlichen Schwerpunkte, schliesst die Analyse der Lernvoraussetzungen ein und führt von dort zu Entscheidungen über die Reihenfolge der Lernschritte, die Auswahl und Konstruktion der Aufgaben, die Bestimmung der Methoden, die Form der Beurteilung und die Gestaltung von Übergängen zwischen Phasen. Das Design verbindet damit das didaktische Was und Wozu mit dem methodischen Wie und stellt sicher, dass diese Entscheidungen nicht beliebig nebeneinanderstehen, sondern aufeinander abgestimmt sind. Es ist mehr als Stundenplanung, weil es über eine einzelne Lektion hinausgeht und Reihen, Lernlandschaften oder ganze Module umfasst; es ist mehr als Materialbeschaffung, weil es die innere Logik des Lernens entwirft, nicht nur die Inszenierung sammelt. Unterrichtsdesign verlangt zugleich die Bereitschaft, im Vollzug nachzusteuern, weil kein Entwurf alle Reaktionen einer realen Klasse antizipiert. Es ist deshalb keine Mechanik, sondern ein produktives Wechselspiel zwischen begründeter Vorausplanung und situativ angepasstem Handeln. In dieser Form ist es die professionelle Kerntätigkeit, an der sich didaktisches Denken in konkreten Lernsituationen bewährt.

Wer Unterricht improvisiert oder von Lektion zu Lektion entlang verfügbarer Materialien plant, verzichtet auf den Mehrwert, den ein durchdachtes Design stiftet. Erst ein bewusst gestaltetes Arrangement verbindet die einzelnen Aufgaben zu einem Lernweg, sichert die Passung zwischen Ziel, Inhalt und Aufgabe und macht die Reihe für Lernende lesbar. Es verhindert die typischen Risse zwischen einer aktivierenden Einstiegsstunde und einer beziehungslosen Übungsphase, zwischen einer fachlich anspruchsvollen Behandlung und einer rein reproduktiven Lernkontrolle. Unterrichtsdesign ist zugleich das Werkstück, an dem Kolleginnen und Kollegen einander professionell verständigen können, weil es Entscheidungen sichtbar macht. In einer Schulkultur, in der Materialien beliebig verfügbar sind und Methodenkataloge dominieren, ist gerade die Designkompetenz die professionelle Ressource, die nicht durch Werkzeuge ersetzt werden kann.

Im deutschsprachigen Raum hat sich das systematische Nachdenken über Unterrichtsdesign in zwei einflussreichen Traditionen niedergeschlagen. Die bildungstheoretische Didaktik in der Tradition Klafkis fragt nach dem Bildungsgehalt des Inhalts und stellt die didaktische Analyse in den Mittelpunkt, also das exemplarische, gegenwarts-, zukunfts- und problembezogene Verständnis der Sache. Die lehr-lerntheoretische Didaktik in der Tradition des Berliner Modells nach Heimann, Otto und Schulz und des Hamburger Modells nach Schulz ordnet Unterricht in zusammenhängende Entscheidungsfelder, klassischerweise Ziele, Inhalte, Methoden und Medien sowie anthropogene und sozial-kulturelle Voraussetzungen. Beide Traditionen betonen die wechselseitige Abhängigkeit dieser Felder. International und stärker prozessorientiert hat sich die Tradition des Lerndesigns etabliert, etwa Wiggins und McTighes Backward Design, das vom intendierten Lernergebnis und der Beurteilungsform her zurückplant. Auch die Tradition des Lesson Study aus dem japanischen Kontext betont die kooperative Konstruktion und systematische Verbesserung von Unterrichtsdesigns. Die empirische Unterrichtsforschung mit dem Angebots-Nutzungs-Modell betont, dass das Design nur ein Angebot ist; lernwirksam wird es erst durch die kognitive Nutzung durch die Lernenden.

Eine Geschichtslehrperson an einer Sekundarschule plant eine vierwöchige Reihe zur Industrialisierung. Sie beginnt nicht mit einer Liste möglicher Aktivitäten, sondern legt fest, dass die Klasse am Ende eigenständig Quellen einordnen und konkurrierende Erklärungsmuster gegeneinander abwägen können soll. Davon ausgehend entwirft sie eine Folge von Lernsituationen, in der jede Aufgabe einen klaren Beitrag zur Zielerreichung leistet und die Lernkontrolle exakt jene Quellenarbeit verlangt, die im Verlauf der Reihe schrittweise aufgebaut wurde.

Eine Berufsfachschullehrperson nutzt eine KI, um drei alternative Designentwürfe für eine kaufmännische Reihe zum Thema Vertragsrecht zu generieren. Sie übernimmt keinen davon, sondern legt die drei Vorschläge nebeneinander und prüft an ihrem eigenen Lernziel und ihrer Klasse, welche Entscheidungen tragen und welche nicht. Aus den Stärken aller drei Entwürfe konstruiert sie ein eigenes Design, in dem der KI-Einsatz der Lernenden explizit verankert ist: Sie dürfen KI nutzen, um juristische Begriffe zu klären, müssen die Anwendung auf einen konkreten Fall jedoch ohne KI begründen.

Ein Team aus drei Lehrpersonen plant eine fächerverbindende Reihe zur Energiewende. Anfangs sammelt es enthusiastisch Materialien und Aktivitäten, doch beim Vergleich mit der gemeinsamen Lernkontrolle zeigt sich, dass die schönsten Aufgaben kaum auf das geprüfte Verstehen einzahlen. Erst die Rückkehr zum Lernziel und die Neuordnung der Sequenz vom Ende her bringen das Design in Kohärenz.

• Unterrichtsdesign sei dasselbe wie eine ausführliche Stundenplanung. Tatsächlich umfasst es auch die Architektur ganzer Reihen oder Module, die Reihenfolge von Lernschritten, die Passung von Aufgaben und Beurteilung und die explizite Begründung dieser Entscheidungen.
• Ein gutes Design lasse sich vollständig vorab festlegen und müsse dann nur noch durchgeführt werden. Tatsächlich verlangt professionelles Design die Bereitschaft, im Vollzug situativ nachzusteuern, weil reale Klassen Reaktionen zeigen, die kein Entwurf vollständig antizipiert.
• Unterrichtsdesign sei eine bürokratische Pflichtübung der Ausbildung. Tatsächlich ist es die professionelle Tätigkeit, in der didaktische Entscheidungen kohärent verknüpft werden und an der sich Unterrichtsqualität strukturell entscheidet.

Methodik: Methodik betrifft das Wie der konkreten Umsetzung, also Sozialformen, Verfahren und Verlaufsstrukturen. Unterrichtsdesign ist umfassender und schliesst Ziel- und Inhaltsentscheidungen, Aufgabenkonstruktion, Reihenfolge und Beurteilung ein; die Methode folgt aus dem Design, nicht umgekehrt.

Improvisation: Improvisation reagiert situativ auf das, was im Unterricht entsteht, und ist Teil professioneller Praxis. Unterrichtsdesign ist der vorgängige, begründete Entwurf, der diese Improvisation orientiert und vor Beliebigkeit schützt; beide ergänzen einander.

Curriculumarbeit: Curriculumarbeit befasst sich mit der längerfristigen Auswahl und Anordnung von Bildungsinhalten über ganze Bildungsgänge hinweg. Unterrichtsdesign konkretisiert diese Setzungen für einzelne Reihen oder Module und richtet sie auf eine konkrete Lerngruppe aus.

• Welche meiner letzten Unterrichtsreihen wurde wirklich von einem geklärten Lernziel her zurückgeplant, und welche von verfügbaren Materialien her vorwärts gestrickt?
• An welcher Stelle in meinem Design ist die Passung zwischen Aufgabenfolge und Beurteilung am schwächsten, und woran erkenne ich das?
• Welche Rolle nimmt KI in meinem aktuellen Design ein, und ist diese Rolle bewusst gesetzt oder beiläufig entstanden?

Wähle eine kommende Unterrichtsreihe: Welchen Schluss würdest du aus der Form der geplanten Lernkontrolle für die Gestaltung des Lernwegs ziehen, und welche Schritte würden sich dadurch verändern?

Unterrichtsdesign ist das durchdachte Planen einer ganzen Unterrichtsreihe. Man entscheidet zuerst, was die Klasse am Ende können soll, und überlegt dann, in welcher Reihenfolge welche Aufgaben dazu führen. So entsteht ein Lernweg, der nicht nur abwechslungsreich ist, sondern wirklich auf ein Ziel hinarbeitet.

Aufgabenqualität bezeichnet jene Eigenschaften einer Aufgabe, die darüber entscheiden, ob sie Lernen wahrscheinlich macht oder nur Beschäftigung erzeugt. Mehrere Merkmale werden in der didaktischen und empirischen Diskussion regelmässig als zentral genannt. Erstens die kognitive Aktivierung, also die Anforderung, dass Lernende eigenständig denken, vergleichen, prüfen, begründen oder anwenden müssen, statt nur zu reproduzieren. Zweitens eine anschlussfähige Schwierigkeit, das heisst eine Anforderung, die zu den Lernvoraussetzungen passt und in der Zone bewältigbarer Herausforderung liegt. Drittens fachliche Tiefe, also der Zugang zur Tiefenstruktur eines fachlichen Konzepts und nicht nur zu seinen Oberflächen, etwa zu Begründungslogiken statt zu Definitionen. Viertens die Sinnhaftigkeit für die Lernenden, weil eine Aufgabe, die keinen Bezug zu Vorerfahrung, Lebenswelt oder Problemen entwickelt, kognitive Auseinandersetzung schwer auslöst. Fünftens, und in diesem Verständnis besonders zentral, das Erzwingen von Eigenleistung: Eine hochwertige Aufgabe ist so geschnitten, dass Denken nicht trivial umgangen oder ausgelagert werden kann. Eine Aufgabe ist nicht an sich gut oder schlecht, sondern nur in Bezug auf ein bestimmtes Lernziel, eine bestimmte Lerngruppe und einen bestimmten Punkt im Lernweg; dieselbe Aufgabe kann am Anfang einer Reihe ungeeignet, in der Mitte hochwirksam und am Ende trivial sein. Aufgabenqualität ist deshalb nicht eine fixe Eigenschaft, sondern eine Frage der Passung im Design.

Aufgaben sind der eigentliche Ort, an dem Lernen passiert oder ausbleibt. Wer Aufgabenqualität nicht beachtet, kann mit den lebendigsten Methoden und der überzeugendsten Lehrperson kaum mehr erreichen als die Klasse selbst an Denkarbeit leistet. Hochwertige Aufgaben verlängern den durchschnittlichen Denkprozess pro Schülerin und Schüler, sie bauen Verstehen statt Reproduktion auf, und sie machen das Können in der Bearbeitung sichtbar, sodass Beurteilung anschliessen kann. Eine schwache Aufgabenkultur ist umgekehrt eine der häufigsten Ursachen für träges Wissen: Stoff wird durchgenommen, aber die Aufgaben, an denen er verarbeitet wird, verlangen nichts darüber hinaus. Aufgabenqualität ist deshalb nicht ein nachgeordneter Detailaspekt, sondern eine strukturelle Frage der Unterrichtsqualität, an der sich der Anspruch einer Schulkultur ablesen lässt.

Die fünf oben skizzierten Merkmale spitzen aus aufgabentheoretischer Perspektive zu, was über Kliemes drei Basisdimensionen unterrichtlicher Tiefenstruktur hinausgeht, ohne sie zu ersetzen. Empirisch gestützte Modelle guten Unterrichts, etwa die Basisdimensionen nach Klieme oder die Forschung im Umfeld des Angebots-Nutzungs-Modells, nennen kognitive Aktivierung als eine der drei zentralen Tiefenstrukturmerkmale neben klarer Strukturierung und konstruktiver Unterstützung. Die fachdidaktische Forschung, etwa zu PISA-nahen Mathematikaufgaben oder zu Aufgaben mit höherem kognitiven Anspruchsniveau, hat Klassifikationen entwickelt, die Aufgaben nach Komplexitätsstufen und Anforderungsniveaus unterscheiden. Die Cognitive-Load-Theorie liefert die Begrenzung: Hoher kognitiver Anspruch ist lernförderlich, solange er das Arbeitsgedächtnis nicht durch irrelevante Belastung überfordert. Anglistisch wird zudem zwischen tasks of higher und lower cognitive demand unterschieden, mit empirischer Evidenz dafür, dass Aufgaben oft im Vollzug einer Klasse vereinfacht werden und damit ihren ursprünglichen Anspruch verlieren. Die Reformpädagogik kritisiert seit langem aufgabenarme oder rein reproduktive Schulpraxis, ohne dass sich die Befunde immer in der Aufgabenkultur niedergeschlagen hätten.

Eine Mathematiklehrperson löst zwei Varianten derselben Idee. Variante A lautet: Berechne den Mittelwert dieser zehn Zahlen. Variante B lautet: Hier sind die Wochenausgaben von zwei Familien. Erkläre, warum der Mittelwert für die eine Familie eine sinnvolle Beschreibung wäre und für die andere nicht. Beide Aufgaben behandeln denselben Stoff; nur die zweite verlangt jenes Vergleichen, Begründen und Anwenden, das Aufgabenqualität ausmacht.

In einer Wirtschaftsklasse vergleicht die Lehrperson eine alte und eine neue Aufgabenstellung. Die alte verlangte eine Definition des Bruttoinlandsprodukts. KI beantwortet das vollständig. Die neue Aufgabe stellt eine Tabelle mit zwei Ländern bereit, in der scheinbar vergleichbare BIP-Werte stehen, und verlangt von den Lernenden, mindestens drei Gründe zu nennen, warum dieser Vergleich irreführend sein kann, sowie eine kurze schriftliche Stellungnahme, welche Information sie zusätzlich bräuchten. Hier kann KI die Argumente liefern; die individuelle Auswahl, Gewichtung und persönliche Schlussfolgerung jedoch bleibt die zu zeigende Eigenleistung.

Eine Lehrperson testet die schriftlichen Aufträge der eigenen letzten zwei Wochen, indem sie jeden Auftrag einer KI vorlegt. Sie stellt fest, dass die Mehrheit der Aufgaben mit minimalem Aufwand vollständig und besser als von vielen Schülerinnen und Schülern beantwortet wird. Die Analyse zeigt, dass nicht die Lerngruppe das Problem ist, sondern die Aufgabenstellungen, die kaum kontextspezifische Begründung oder eigene Auseinandersetzung verlangen.

• Eine hochwertige Aufgabe sei dasselbe wie eine schwierige Aufgabe. Tatsächlich ist Schwierigkeit nur dann lernförderlich, wenn sie in der bewältigbaren Zone liegt und produktive Denkarbeit auslöst, statt zu überfordern oder das Arbeitsgedächtnis zu sprengen.
• Aufgabenqualität entstehe vor allem durch attraktive Verpackung und lebensweltlichen Bezug. Tatsächlich entscheidet die ausgelöste kognitive Aktivität; eine ansprechend verpackte Aufgabe kann inhaltlich flach bleiben, eine unspektakuläre kann tief sein.
• Eine Aufgabe sei objektiv gut oder schlecht. Tatsächlich hängt die Qualität von der Passung zu Ziel, Lerngruppe und Punkt im Lernweg ab; dieselbe Aufgabe kann an einer Stelle wirksam und an einer anderen ungeeignet sein.

Aktivierung: Aktivierung im Sinne sichtbarer Beschäftigung kann auch durch oberflächliche Tätigkeiten entstehen. Aufgabenqualität verlangt darüber hinaus kognitive Aktivierung, also die Auslösung tiefer geistiger Auseinandersetzung mit dem fachlichen Gegenstand.

Übungsaufgabe: Eine reine Übungsaufgabe zielt auf Festigung eines bereits Gelernten und kann legitimerweise reproduktiv sein. Aufgabenqualität fragt darüber hinaus, ob im Verlauf einer Reihe genügend Aufgaben kognitive Aktivierung, Tiefe und Eigendenken verlangen.

Schwierigkeitsgrad: Der Schwierigkeitsgrad beschreibt, wie anspruchsvoll eine Aufgabe für eine bestimmte Gruppe ist. Aufgabenqualität schliesst Schwierigkeit ein, geht aber darüber hinaus und fragt zusätzlich nach kognitiver Tiefe, Bedeutsamkeit und Erzwingen von Eigenleistung.

• Welche meiner regelmässigen Aufgaben verlangt mehr als die Wiedergabe oder einfache Anwendung von Gelerntem, und welche kognitive Operation wird konkret eingefordert?
• An welcher Stelle einer meiner Reihen wird eine ursprünglich anspruchsvoll gemeinte Aufgabe im Vollzug systematisch vereinfacht und verliert dadurch ihren Anspruch?
• Würde eine KI meine Aufgabe in einer Form lösen, die ich als Schülerleistung akzeptieren würde, oder zeigt das, dass die Aufgabe das eigentlich gemeinte Denken nicht einfordert?

Wähle eine Aufgabe aus deinem aktuellen Unterricht: Welches Denken müsste die Klasse leisten, damit du die Bearbeitung wirklich als Lernen werten würdest, und an welcher Stelle der Aufgabenstellung ist dieses Denken erkennbar gefordert?

Aufgabenqualität bedeutet, dass eine Aufgabe so gestellt ist, dass Schülerinnen und Schüler wirklich nachdenken müssen. Eine gute Aufgabe verlangt mehr als Auswendiglernen oder einfaches Anwenden. Sie passt zur Klasse und zwingt dazu, eigene Begründungen zu finden, statt nur etwas abzuschreiben.

Rollenumkehr. Bewertungs- und Aufgabenverständnis-Kompetenz durch Korrigieren statt Geprüftwerden; Fachvertiefung durch Beurteilen.

Fünf Schritte. (1) Aufgabentypen klären (20 Min). (2) Zweierteams erstellen eine Prüfung mit Bewertungsraster (45 Min). (3) Die KI beantwortet die Prüfung, per Prompt angewiesen, realistische Schüler:innen-Fehler zu machen (15 Min). (4) Teams korrigieren die KI-Antworten eines anderen Teams mit dem Raster (45 Min). (5) Gemeinsame Reflexion (20 Min).

Lernaufgaben dienen dem Aufbau und der Vertiefung von Wissen und Können. Sie sind nicht primär dazu da, fertige Leistung zu zeigen, sondern dazu, Lernen zu ermöglichen: Verstehen herzustellen, Fehlvorstellungen sichtbar und bearbeitbar zu machen, Konzepte zu üben, Strategien aufzubauen, Anwendungsspielräume zu erschliessen. Eine Lernaufgabe darf und soll deshalb Schwierigkeiten enthalten, an denen Lernende ringen, Hilfen anbieten, an denen sie sich orientieren, und Fehler zulassen, an denen sie weiterdenken. Sie ist kein Test, sondern ein Lernanlass, und ihre Qualität bemisst sich daran, wie viel Lernen sie pro Lernender und Lernendem auslöst, nicht daran, wie viele die Aufgabe richtig lösen. Lernaufgaben sind eng mit den Lernzielen verzahnt: Sie verlangen genau jenes Denken, das im Lernziel beschrieben ist, und sie lassen sich entsprechend nach Anspruchsniveau und Anschlussfähigkeit gestalten. Sie sind zugleich der natürliche Ort, an dem Scaffolding seine Funktion entfaltet, weil Stützen im Lernprozess legitim und im Sinne der Lernaufgabe sogar wünschenswert sind. Die Lernaufgabe verlangt nicht, dass die Lernenden im Augenblick ihrer Bearbeitung bereits können, was im Lernziel formuliert ist; sie verlangt, dass die Bearbeitung dem Aufbau dieses Könnens dient. Damit unterscheidet sie sich grundlegend von der Leistungsaufgabe, und diese Unterscheidung professionell wachzuhalten, ist eine der zentralen Anforderungen an die Aufgabenkultur einer Schule.

Wenn Lernende nicht wissen, ob eine Aufgabe gerade Lernen oder Leistung verlangt, geraten sie strukturell in einen Konflikt. Eine Lernaufgabe profitiert davon, dass sie sich an die Grenze des eigenen Könnens wagen, Fehler riskieren und Strategien ausprobieren; eine Leistungsaufgabe verlangt das genaue Gegenteil, nämlich sichere Demonstration des Beherrschten. Eine Schule, in der jede Aufgabe potenziell beurteilt wird, erzieht zur Risikoaversion, zum Auswendiglernen und zur Vermeidung produktiver Schwierigkeit. Wer Lernaufgaben bewusst als solche kennzeichnet und entsprechende Spielregeln etabliert, ermöglicht Vertiefung, Auseinandersetzung und Conceptual Change. Er entlastet die Lernenden zugleich von einem permanenten Bewertungsstress und schafft Raum für jene Form des Lernens, die zu Können führt, nicht nur zu bestandenen Prüfungen.

Die systematische Unterscheidung zwischen Lern- und Leistungsaufgaben gehört zu den Grundbestimmungen einer kompetenzorientierten Aufgabenkultur. Sie verbindet didaktische Tradition mit lehr-lerntheoretischer Forschung. Konstruktivistische Lerntheorien betonen, dass Lernen Auseinandersetzung mit eigenen Vorstellungen ist, die Fehler und Umwege zulässt; eine Aufgabe, die Lernen ermöglichen soll, muss deshalb anderen Spielregeln folgen als eine, die abschliessend beurteilt. Aufgaben mit hohem kognitiven Anspruch lassen sich erst dann sinnvoll einsetzen, wenn klar ist, ob sie der Verstehensbildung oder der Leistungsmessung dienen. In der Tradition formativer Beurteilung nach Black und Wiliam sind Lernaufgaben zugleich die Quelle der Information, anhand derer Unterricht und Lernen weitergeführt werden. Schweizerische Lehrpläne wie der Lehrplan 21 setzen die Unterscheidung implizit voraus, indem sie zwischen Kompetenzaufbau und Leistungsbeurteilung trennen. Empirisch zeigen Studien zur Aufgabenkultur, dass die Gleichsetzung von Lern- und Leistungsaufgabe ein verbreiteter Mangel ist, der Lernen unter den Druck permanenter Bewertung stellt und Risikobereitschaft, Fehleroffenheit und produktive Schwierigkeit unterminiert.

Eine Geometrielehrperson stellt die Aufgabe, zu einem unvollständig beschrifteten Dreieck verschiedene Annahmen zu prüfen und schrittweise zu begründen, welche Seitenlängen möglich sind. Die Klasse darf dabei skizzieren, Fehler machen, Vermutungen verwerfen und im Gespräch mit der Sitzpartnerin oder dem Sitzpartner überlegen. Die Aufgabe wird nicht benotet; sie dient dem Aufbau eines tragfähigen Verständnisses des Dreieckskonzepts, und die Lehrperson nutzt die Bearbeitung als formative Information.

Eine Französischlehrperson gestaltet eine Lernaufgabe, in der die Klasse eigene Mini-Dialoge zu einem Alltagsthema entwirft. KI darf genutzt werden, aber nur in einem festgelegten Modus: Die Schülerinnen und Schüler verfassen zuerst eine eigene Fassung, lassen sich von der KI eine alternative Variante schreiben und müssen anschliessend in deutscher Sprache erklären, welche zwei sprachlichen Mittel der KI sie verstanden und übernommen haben und welche nicht. Beurteilt wird in dieser Phase nichts; geübt wird das bewusste Lernen am Vergleich.

Eine Klasse arbeitet an einer als Lernaufgabe ausgegebenen Recherche, doch viele Lernende vermeiden riskante Hypothesen und produzieren auffällig polierte Texte. Im Gespräch zeigt sich: Die letzten drei Aufgaben, die ebenfalls als Lernaufgaben deklariert waren, wurden am Ende doch in die Note eingerechnet. Die Lernenden trauen der Deklaration nicht mehr und behandeln jede Aufgabe als Leistungssituation.

• Eine Lernaufgabe sei eine besonders einfache Aufgabe. Tatsächlich kann sie hochanspruchsvoll sein; entscheidend ist nicht die Schwierigkeit, sondern die Funktion, das Lernen zu ermöglichen und nicht die Leistung zu bilanzieren.
• Lernaufgaben verzichteten auf jede Bewertung. Tatsächlich werden sie häufig formativ ausgewertet, also als Information über den Lernstand genutzt, ohne dass diese Information in eine summative Note einfliesst.
• Es genüge, eine Aufgabe als Lernaufgabe zu deklarieren, damit sie als solche wirkt. Tatsächlich entstehen die Spielregeln einer Lernaufgabe erst in einer Klassenkultur, in der Fehler und Umwege tatsächlich kein Risiko für die Note bedeuten.

Leistungsaufgabe: Eine Lernaufgabe dient dem Aufbau von Können und lässt Hilfen, Versuche und Fehler ausdrücklich zu. Eine Leistungsaufgabe dient der Bilanzierung des erreichten Stands und verlangt selbstständige, unter Beurteilung gezeigte Bearbeitung; beide Aufgabenarten brauchen unterschiedliche Spielregeln.

Hausaufgabe: Eine Hausaufgabe ist eine räumlich und zeitlich verlagerte Aufgabe und kann sowohl Lern- als auch Leistungsfunktion haben. Eine Lernaufgabe ist primär durch ihre Funktion definiert, nicht durch den Ort der Bearbeitung.

Diagnoseaufgabe: Eine Diagnoseaufgabe dient explizit dem Erheben des Lernstands, häufig zu Beginn einer Reihe. Eine Lernaufgabe kann diagnostische Information mitliefern, ihre primäre Funktion ist aber der Aufbau von Verstehen, nicht dessen Messung.

• Welche Aufgaben in meiner aktuellen Reihe sind als Lernaufgaben gemeint, und woran erkennen die Lernenden konkret, dass sie nicht beurteilt werden?
• An welcher Stelle erkenne ich, dass meine Klasse Lern- und Leistungsaufgaben verwechselt und in Lernphasen wie in einer Prüfung agiert?
• Welche Form von Scaffolding und Fehleroffenheit traue ich mich in meinen Lernaufgaben tatsächlich zuzulassen?

Wähle eine bevorstehende Aufgabe deines Unterrichts: Welche Funktion soll sie wirklich erfüllen, und welche konkreten Spielregeln müsstest du ankündigen und einhalten, damit deine Klasse sie als Lernaufgabe behandelt?

Eine Lernaufgabe ist eine Aufgabe, bei der man lernen soll, nicht beurteilt werden. Schülerinnen und Schüler dürfen ausprobieren, Hilfen nutzen und Fehler machen. Erst später, in einer Leistungsaufgabe, geht es darum zu zeigen, was man gelernt hat.

Leistungsaufgaben dienen der Beurteilung. Sie sind so konstruiert, dass sich an ihrer Bearbeitung das tatsächlich verfügbare Können der Lernenden zeigen lässt. Anders als Lernaufgaben verlangen sie selbstständige Bewältigung; Hilfen, Fehlertoleranz und Zwischenrunden sind nicht ihre Spielform. Eine gute Leistungsaufgabe hat mehrere Merkmale. Sie bezieht sich auf ausgewiesene, im Unterricht aufgebaute Kompetenzen, verlangt jedoch deren Anwendung in einer neuen, nicht eingeübten Situation, weil Kompetenz sich gerade in solcher Übertragung zeigt. Sie ist transparent, also in Anspruchsniveau, Bewertungskriterien und Aufgabenstellung so klar, dass die Lernenden wissen, was gefordert ist. Sie ist gerecht, das heisst sie ist mit den Lernvoraussetzungen abgestimmt, prüft nicht implizit Voraussetzungen, die nicht aufgebaut wurden, und benutzt valide Kriterien. Sie ist authentisch in dem Sinn, dass die geforderte Leistung der Tiefenstruktur der Kompetenz entspricht und nicht nur deren Oberfläche prüft. Und sie ist in ihrer Bearbeitungsform definiert, etwa schriftlich allein, mündlich, in Gruppen, mit oder ohne Hilfsmittel, weil die Bedingungen die Leistung mitprägen. Leistungsaufgaben haben eine zentrale soziale Funktion: Sie strukturieren Übergänge, Selektion und Anerkennung in einem Schulsystem und müssen entsprechend kohärent, transparent und fair sein. Ihre Konstruktion ist deshalb keine technische Detailarbeit, sondern eine professionelle Kerntätigkeit.

Leistungsaufgaben entscheiden über Anerkennung, Förderung und Übergänge. Sie sind deshalb nicht nur Messinstrument, sondern auch ein Bildungsereignis: Was und wie geprüft wird, formt, was Lernende für lernwert und prüfungswert halten. Eine schwache, kognitiv flache Leistungsaufgabe degradiert auch einen anspruchsvollen Lernweg, weil sie signalisiert, dass am Ende doch Reproduktion zählt. Eine starke Leistungsaufgabe macht erreichte Kompetenz sichtbar, gibt Lernenden ein faires Urteil und entwickelt das System der Beurteilung an der Sache. Schliesslich ist die Leistungsaufgabe der Ort, an dem die didaktische Kohärenz einer Reihe stresstet wird: Wenn die Aufgabe etwas anderes verlangt als der vorausgegangene Lernweg, ist nicht die Klasse das Problem, sondern das Design. Eine ernsthafte Befassung mit Leistungsaufgaben ist deshalb eine der wirksamsten Hebel, um die Unterrichtsqualität insgesamt zu erhöhen.

Theoretisch knüpft die Beschäftigung mit Leistungsaufgaben an die kompetenzorientierte Beurteilungsforschung an. Wiggins (1989, 1998) prägte mit dem Begriff der authentic assessment die Idee, dass Leistungsbeurteilung Aufgaben verlangt, die der realen Anwendung von Kompetenz nahekommen; gemeinsam mit McTighe wurde dieser Ansatz in Understanding by Design (1998/2005) zu einem programmatischen Modell ausgebaut, das Beurteilung und Curriculum systematisch aufeinander bezieht. Die deutschsprachige Diskussion verbindet dies mit klassischen Beurteilungsgütekriterien wie Validität, Reliabilität und Objektivität. Validität bedeutet, dass die Aufgabe tatsächlich misst, was gemeint ist, und nicht heimlich andere Voraussetzungen prüft. Reliabilität fragt nach der Genauigkeit der Messung, Objektivität nach der Unabhängigkeit von der beurteilenden Person. Backward Design in der Tradition von Wiggins und McTighe schlägt vor, Leistungsaufgaben am Beginn der Planung festzulegen und den Unterricht darauf zurückzuplanen, um Lehre und Beurteilung kohärent zu halten. Die Diskussion um Bezugsnormen, also kriteriale, individuelle und soziale Bezugsnormen, klärt, woran eine Leistung gemessen wird. Empirische Studien zur Aufgabenkultur zeigen, dass viele Leistungsaufgaben in der Praxis kognitiv flacher sind als die Lernaufgaben derselben Reihe, was Kompetenzen unter Wert prüft und ein verzerrtes Bild des Lernens erzeugt.

Eine Deutschlehrperson plant eine Schlussklausur zu einer Romanlektüre. Sie verzichtet auf die klassische Frage nach Inhaltsangabe und Handlungsverlauf und stellt stattdessen einen kurzen, im Unterricht nicht behandelten Sekundärtext zu einer interpretatorischen These zur Verfügung. Die Klausur verlangt, diese These am Roman zu prüfen und zu beurteilen. Diese Form verlangt eigenständige Anwendung des aufgebauten Verstehens und nicht die Wiedergabe besprochener Deutungen.

Eine Lehrperson für Allgemeinbildung an einer Berufsfachschule plant ein Leistungsformat zum Thema Konsumkredit. Statt eines Aufsatzes verlangt sie eine schriftliche Vorarbeit, die mit KI erstellt werden darf und mit einer KI-Deklaration eingereicht wird, sowie ein anschliessendes Prüfungsgespräch ohne Hilfsmittel. Im Gespräch werden Fragen gestellt, die nur beantworten kann, wer den schriftlichen Beitrag wirklich verantwortet und durchdacht hat. Beurteilt wird zu zwei Dritteln das Gespräch.

Ein Berufsfachschullehrer prüft erstmals systematisch, welche seiner Hausarbeiten mit aktueller KI in unter zehn Minuten in einer Qualität entstehen, die er bisher als gute Schülerleistung gewertet hätte. Das Ergebnis verändert seine Aufgabenkultur tiefgreifend: Er behält die schriftliche Aufgabe als Lernaufgabe, verschiebt aber die Leistungsfunktion in ein begleitendes Prüfungsgespräch, in dem die Lernenden ihre Arbeit verteidigen müssen.

• Eine Leistungsaufgabe sei schon dann gut, wenn sie schwierig ist. Tatsächlich ist Schwierigkeit nur ein Aspekt; eine Leistungsaufgabe muss vor allem valide sein, also genau das prüfen, was sie vorgibt zu prüfen, und nicht heimlich andere Voraussetzungen.
• Wer im Unterricht aktiv mitarbeite, könne automatisch auch die zugehörige Leistungsaufgabe bewältigen. Tatsächlich verlangt eine Leistungsaufgabe oft Übertragung auf eine neue Situation, die im Unterricht nicht eingeübt wurde, und diese Übertragung ist eine eigenständige Anforderung.
• Eine Leistungsaufgabe sei nur dann verlässlich, wenn keinerlei Hilfsmittel zugelassen sind. Tatsächlich hängt das von der Kompetenz ab, die geprüft werden soll; einige Kompetenzen lassen sich gerade dann valide prüfen, wenn realitätsnahe Hilfsmittel zulässig sind.

Lernaufgabe: Eine Leistungsaufgabe dient der Bilanzierung erreichten Könnens unter beurteilenden Bedingungen. Eine Lernaufgabe dient dem Aufbau dieses Könnens und lässt Hilfen, Fehler und Umwege ausdrücklich zu; beide Aufgabenarten verlangen unterschiedliche Spielregeln.

Prüfung: Eine Prüfung ist ein zeitlich und sozial gerahmtes Beurteilungsereignis. Eine Leistungsaufgabe ist die konkrete Aufgabenstellung innerhalb oder ausserhalb einer Prüfung; sie kann in unterschiedlichen Prüfungsformaten eingesetzt werden.

Diagnostische Aufgabe: Eine diagnostische Aufgabe erhebt den Lernstand, um Unterricht zu steuern. Eine Leistungsaufgabe bilanziert den Lernstand mit Folgen für Anerkennung oder Selektion; beide Funktionen müssen klar unterschieden werden.

• Misst meine letzte Leistungsaufgabe genau die Kompetenz, die ich in der Reihe aufgebaut habe, oder prüft sie heimlich andere Voraussetzungen?
• An welcher Stelle meiner Leistungsaufgaben sind die Bewertungskriterien für die Klasse nicht klar nachvollziehbar?
• Wäre meine Leistungsaufgabe von einer KI in einer Form lösbar, die ich nicht von Schülerleistung unterscheiden könnte, und wie verändere ich Format und Bedingungen entsprechend?

Wähle eine deiner letzten Leistungsaufgaben: Welche Kompetenz sollte sie prüfen, welche Anforderungen sind tatsächlich enthalten, und an welcher Stelle prüft die Aufgabe etwas anderes als beabsichtigt?

Eine Leistungsaufgabe ist eine Aufgabe zur Beurteilung. Hier sollen Schülerinnen und Schüler zeigen, was sie selbstständig können. Es geht nicht mehr ums Üben oder Ausprobieren, sondern um das Ergebnis, das benotet wird.

Rollenumkehr. Bewertungs- und Aufgabenverständnis-Kompetenz durch Korrigieren statt Geprüftwerden; Fachvertiefung durch Beurteilen.

Fünf Schritte. (1) Aufgabentypen klären (20 Min). (2) Zweierteams erstellen eine Prüfung mit Bewertungsraster (45 Min). (3) Die KI beantwortet die Prüfung, per Prompt angewiesen, realistische Schüler:innen-Fehler zu machen (15 Min). (4) Teams korrigieren die KI-Antworten eines anderen Teams mit dem Raster (45 Min). (5) Gemeinsame Reflexion (20 Min).

Scaffolding bezeichnet eine spezifische Form der Unterstützung im Lernprozess: zeitweilige Stützen, die genau dort ansetzen, wo Lernende eine Anforderung noch nicht selbstständig bewältigen, sie ihnen aber bei Hilfestellung zugänglich ist. Die Stützen können vielfältig sein. Sie reichen von strukturierten Aufgabenleitfäden, Modellbeispielen und Satzbausteinen über sprachliche Mittel, gezielte Fragen und Selbstbeobachtungsbögen bis zu Lernpartnerschaften und Lehrerfeedback an strategischen Stellen. Wichtig ist nicht das einzelne Element, sondern die Logik: Scaffolding ist diagnostisch ausgerichtet, weil es an einer konkret beobachteten Hürde ansetzt, und es ist temporär, weil es mit wachsendem Können wieder abgebaut wird. Erst der bewusste Abbau, das fading der Stützen, unterscheidet Scaffolding von dauerhafter Erleichterung. Bleibt die Stütze stehen, wird aus Scaffolding eine externe Krücke, die Lernende von der eigenständigen Bewältigung entlastet und damit langfristig vom Aufbau eben jener Kompetenz, um die es geht. Scaffolding gehört deshalb in den Zusammenhang einer Reihe oder Sequenz: Es ist eingebettet in eine Folge zunehmend selbstständiger Anforderungen, in der die Stützen am Beginn dicht, im Verlauf gelichtet und am Ende zurückgenommen sind. In diesem Sinn ist Scaffolding nicht das Gegenteil von Anspruch, sondern die Bedingung dafür, dass Lernende sich an einen Anspruch wagen, dem sie ohne Stützen nicht gewachsen wären, und ihn schrittweise verinnerlichen.

Wer nur klare Anforderungen stellt und keine Brücke zu ihrer Bewältigung baut, sortiert vor allem die Lernenden vor, die bereits hinreichendes Vorwissen mitbringen. Wer umgekehrt Anforderungen dauerhaft erleichtert, hilft im Moment, verhindert aber den Aufbau eigenständiger Kompetenz. Scaffolding löst dieses Dilemma, weil es Anspruch und Zugang verbindet und Lernende systematisch an die selbstständige Bewältigung heranführt. Es ist damit ein zentrales Mittel der Differenzierung, das nicht das Niveau senkt, sondern den Weg zum Niveau ebnet. Es professionalisiert zugleich den Umgang mit Heterogenität, weil Stützen gezielt eingesetzt und abgebaut werden, statt pauschal an alle gleich oder gar nicht ausgegeben zu werden. In einem kompetenzorientierten Unterricht ist Scaffolding der Mechanismus, der den schrittweisen Aufbau dessen sichtbar macht, was am Ende selbstständig zu zeigen sein wird.

Der Begriff stammt aus der Arbeit von Wood, Bruner und Ross, die 1976 eine systematische Beschreibung jener tutoriellen Unterstützung lieferten, die Lernende durch eine sonst zu schwierige Aufgabe trägt. Sie identifizierten Funktionen wie Aufmerksamkeitslenkung, Reduktion von Freiheitsgraden, Aufrechterhaltung der Zielorientierung, Markieren kritischer Merkmale, Frustrationskontrolle und Demonstration. Konzeptuell ist Scaffolding eng mit Vygotskijs Begriff der Zone der nächsten Entwicklung verbunden, also dem Bereich zwischen dem, was eine Lernende oder ein Lernender alleine kann, und dem, was sie oder er mit kompetenter Hilfe schafft. Spätere Forschung hat die ursprünglich auf eine erwachsene Tutorperson bezogene Idee auf Materialien, Werkzeuge, Peer-Hilfen und technologische Stützen ausgeweitet; im englischsprachigen Diskurs unterscheiden Saye und Brush (2002) hard scaffolding, also fest in Materialien und Werkzeuge eingebaute Stützen, von soft scaffolding, also der situativ-kontingenten Hilfe durch die Lehrperson. Empirisch zeigt sich, dass Scaffolding nur dann wirkt, wenn das Fading tatsächlich erfolgt; ohne diesen Abbau verkehrt sich die Stütze in eine dauerhafte Entlastung. Kritisch diskutiert wird, dass Scaffolding in der Praxis oft auf eine generische Bereitstellung von Hilfen verkürzt wird, ohne die spezifische Diagnose der Lernhürde, die das ursprüngliche Konzept ausmacht.

Eine Sprachlehrperson führt das argumentative Schreiben ein. In der ersten Aufgabe gibt sie der Klasse einen Aufbauplan, Satzbausteine für Überleitungen und ein Modellbeispiel mit kommentierten Begründungsschritten. In der zweiten Aufgabe entfällt das Modell, in der dritten der Aufbauplan, in der vierten sind nur noch Stichworte als Anker erlaubt. Die Schlusseinheit ist ohne Hilfen zu bewältigen. Der Aufbau der Reihe und der gezielte Abbau der Stützen sind das Scaffolding.

In einer Geografieklasse erhält jede Lernende und jeder Lernender Zugang zu einer KI, die bei einer komplexen Fallaufgabe drei abgestufte Hilfen liefern darf: eine kurze, eine mittlere und eine ausführliche. Die Lernenden müssen vor der Nutzung jeweils dokumentieren, an welcher Stelle sie hängen, und nach der Nutzung erklären, was die Hilfe ihnen ermöglicht hat. In einer Folgeaufgabe steht nur noch die kurze Stufe zur Verfügung, in der letzten Aufgabe darf KI nur für lexikalische Klärungen genutzt werden. Das KI-Scaffolding wird damit transparent und ausdrücklich abgebaut.

Eine Mathematikklasse arbeitet mit detaillierten Lösungsschritt-Hilfen, die ursprünglich als Scaffolding gedacht waren. Drei Reihen später nutzen viele Lernende dieselben Hilfen noch immer und können vergleichbare Aufgaben ohne die Hilfen nicht lösen. Das Scaffolding wurde nie gefadet; die Stützen sind zu einer dauerhaften Bedingung der Bearbeitung geworden und die intendierte Kompetenz nie aufgebaut.

• Scaffolding bedeute, die Aufgabe einfacher zu machen. Tatsächlich bleibt die Zielanforderung gleich; nur der Weg dorthin wird durch temporäre Stützen zugänglich gemacht, die anschliessend wieder zurückgenommen werden.
• Wer mehr Hilfen anbiete, betreibe besseres Scaffolding. Tatsächlich ist Scaffolding diagnostisch und zielt auf eine konkrete Hürde; ungezielt verteilte Hilfen können das Lernen ebenso behindern wie das Fehlen jeder Stütze.
• Scaffolding sei mit dem Bereitstellen einer Hilfe abgeschlossen. Tatsächlich gehört der bewusste Abbau, das Fading, untrennbar dazu; eine Stütze, die stehenbleibt, wird zur dauerhaften Erleichterung und untergräbt den Kompetenzaufbau.

Hilfestellung: Eine Hilfestellung ist eine punktuelle Unterstützung in einer konkreten Situation. Scaffolding ist umfassender, diagnostisch begründet, schrittweise angelegt und beinhaltet zwingend das bewusste Zurücknehmen der Stützen.

Cognitive Offloading: Cognitive Offloading bezeichnet das Auslagern kognitiver Arbeit an externe Mittel; es ersetzt das Denken der Lernenden. Scaffolding entlastet zwar ebenfalls, aber so, dass das Denken zugemutet und schrittweise verinnerlicht wird; ohne Fading verkehrt sich Scaffolding in Offloading.

Differenzierung: Differenzierung bezeichnet die Anpassung von Anforderungen an unterschiedliche Lerngruppen oder Personen. Scaffolding ist eine konkrete Strategie, die Differenzierung möglich macht, ohne das Niveau abzusenken; sie senkt nicht den Anspruch, sondern verändert den Zugang.

• Welche Stützen biete ich in einer typischen Lernaufgabe an, und welche dieser Stützen nehme ich im Verlauf der Reihe bewusst wieder zurück?
• Woran erkenne ich, dass eine Stütze nicht mehr Scaffolding ist, sondern eine dauerhafte Erleichterung geworden ist, die das Lernen ersetzt?
• An welcher Stelle nutzen meine Lernenden KI in einer Form, die Scaffolding sein könnte, aber tatsächlich zu Offloading geworden ist?

Wähle eine Reihe deines Unterrichts: An welchem Zeitpunkt und an welcher Stelle nimmst du eine bestimmte Stütze konkret zurück, und woran erkennst du, dass die Klasse für diesen Schritt bereit ist?

Scaffolding bedeutet, dass eine Lehrperson Hilfen anbietet, solange sie nötig sind, und sie wieder wegnimmt, sobald die Klasse alleine zurechtkommt. So wagen sich die Lernenden an schwere Aufgaben heran und lernen, sie nach und nach ohne Stützen zu lösen.

Produktive Irritation bezeichnet das bewusste Setzen von Brüchen, Widersprüchen oder Verfremdungen in einer Lernsituation, mit dem die Lehrperson eine vorhandene Routine, Vorannahme oder vermeintliche Selbstverständlichkeit der Lernenden infrage stellt. Im Unterschied zum kognitiven Konflikt im engeren Sinn, der typischerweise an einer fachlichen Fehlvorstellung ansetzt, ist produktive Irritation weiter gefasst. Sie kann methodische Routinen unterbrechen, Aufgabenformate verfremden, ungewohnte Perspektiven konfrontieren, scheinbar evidente Begriffe in Frage stellen oder erwartbare Reaktionen ausbremsen. Ihr Ziel ist nicht Verwirrung, sondern das Hervorrufen jener Stutzigkeit, an der Denken einsetzt. Damit eine Irritation produktiv und nicht entmutigend wirkt, sind mehrere Bedingungen zu beachten. Erstens muss sie in der kognitiven Reichweite der Lernenden bleiben; eine Irritation, die so weit von der bestehenden Vorstellung entfernt ist, dass kein Anschlusspunkt erkennbar wird, bricht das Denken ab. Zweitens braucht es ein Mass an Sicherheit in der Lernbeziehung, weil Irritation existenziell unangenehm sein kann; eine Lerngruppe, in der Fehler riskant sind oder die Lehrperson kein Vertrauen geniesst, kann Irritation kaum produktiv nutzen. Drittens braucht die Irritation Zeit und Begleitung. Eine Irritation, die nicht bearbeitet wird, sondern entweder weggewischt oder geglättet wird, verflüchtigt sich in blosse Verwirrung. Viertens ist die Dosierung entscheidend: Zu wenig erzeugt keine Bewegung, zu viel erzeugt Resignation. Produktive Irritation gehört in Schulen dorthin, wo Routinen die Lernkultur dominieren oder Selbstverständlichkeiten das Fachverständnis behindern, also gerade nicht in den Anfang einer Lernsituation, in der erste Vertrauensgrundlagen gebaut werden, sondern in jene Phasen, in denen vorhandenes Können in Bewegung gebracht werden soll.

Eine Lernkultur, die alle Anforderungen glatt aufbereitet und alle Routinen bestätigt, untergräbt eines der wirksamsten Motive des Lernens: das Stutzen, das Sich-Fragen, das Aufgewecktwerden. Viele schulische Misserfolge entstehen nicht aus mangelndem Stoff, sondern aus eingespielten Routinen, die den Stoff oberflächlich abbilden, ohne dass tieferes Verstehen entsteht. Produktive Irritation ist das didaktische Werkzeug, um genau diese Routinen kontrolliert zu unterbrechen. Sie zwingt Lernende, Annahmen explizit zu machen, Begriffe zu prüfen, Argumente erneut zu wägen und Antworten zu überdenken, die sie für selbstverständlich hielten. Damit verhindert sie die Bequemlichkeit eines reibungslosen Unterrichts, in dem alle wissen, was kommt, und nichts mehr Aufmerksamkeit verlangt. Sie ist zugleich ein Differenzkriterium gegenüber Schulkulturen, die Lernen mit Reproduktion verwechseln, weil sie sichtbar macht, was darüber hinaus geht.

Produktive Irritation steht in mehreren Traditionen. Sie lässt sich an Piagets Idee der Äquilibration und an die Conceptual-Change-Forschung anschliessen, geht aber darüber hinaus, weil sie nicht nur fachliche Fehlvorstellungen, sondern auch Routinen, Erwartungen und Selbstverständlichkeiten adressiert. Sie ist verwandt mit der literaturtheoretisch geprägten Verfremdungsfigur, wie sie Brecht im Episches-Theater-Konzept als Verfremdungseffekt und Šklovskij im russischen Formalismus als priëm ostranenija entwickelt haben, also als Form-Erkenntnis-Verfahren, das durch Befremden das Selbstverständliche sichtbar macht. Pädagogisch ist sie mit reformpädagogischen und problemorientierten Traditionen verbunden, die im fertigen Ergebnis weniger Lernpotenzial sehen als im produktiven Zweifel an dessen Selbstverständlichkeit. Empirisch lässt sie sich an die Forschung zu desirable difficulties und an das Konzept der productive failure anschliessen, die zeigen, dass Lernen besonders dann nachhaltig wird, wenn Verarbeitung an Widerstand entsteht. Kritisch ist die Forschung dabei nüchtern: Nicht jede Irritation ist produktiv. Studien zur Beziehung von affektivem Erleben und Lernen weisen darauf hin, dass Verunsicherung ohne Bearbeitung und ohne sichere Lernbeziehung lernhinderlich wirken kann. Die didaktische Diskussion betont deshalb, dass produktive Irritation eine professionelle Inszenierungsleistung verlangt und nicht mit konfrontativem Stil verwechselt werden darf.

Eine Geschichtslehrperson legt der Klasse zu Beginn einer Reihe zur Kolonialgeschichte einen kurzen Text vor, der mit gewohnten Begriffen wie Entdeckung und Zivilisation arbeitet, und stellt die scheinbar harmlose Frage, wer hier eigentlich wen entdeckt hat. Die übliche Begriffsroutine der Klasse gerät ins Stocken, und die anschliessende Auseinandersetzung verschiebt das Verstehen vom Lernen kolonialer Daten zur Reflexion auf die Sprache, mit der diese Daten erzählt werden.

In einer Klasse zur Allgemeinbildung lässt eine Lehrperson eine KI zu einem aktuellen Streitthema bewusst nicht eine ausgewogene Zusammenfassung schreiben, sondern eine möglichst harte Gegenposition zu der in der Klasse vorherrschenden Meinung. Die Lernenden müssen anschliessend ihre eigene Position nicht nur darlegen, sondern entlang der unbequemen KI-Antworten überprüfen und schriftlich angeben, an welcher Stelle ein Argument der KI ihre Position herausgefordert hat und an welcher sie es zurückweisen können. Die KI dient als Irritationsmaschine, nicht als Wissensquelle.

Eine Klasse hatte sich daran gewöhnt, in Erörterungen eine schematische Pro-Kontra-Struktur abzuliefern. Die Lehrperson gibt eines Tages eine Position vor, die in dieser Struktur nicht aufgeht, und verbietet die übliche Gliederung. Die Klasse ist zunächst irritiert, beginnt aber, sich von einer geübten Form zu lösen und Argumente an der Sache statt an einem Schema zu ordnen. Die Routine ist erfolgreich aufgebrochen, ein neues Schreibverständnis öffnet sich.

• Produktive Irritation sei dasselbe wie schroffe Konfrontation oder schlechtes Klima im Klassenzimmer. Tatsächlich verlangt sie eine sichere Lernbeziehung und sorgfältige Inszenierung; ohne Vertrauen wird Irritation entmutigend und lernhinderlich.
• Je mehr Irritation, desto besser. Tatsächlich ist Dosierung entscheidend; zu viel Irritation lähmt, zu wenig erzeugt keine Bewegung, und die Mitte ist das Ergebnis professioneller didaktischer Diagnose.
• Irritation sei mit ihrer Setzung schon erfolgreich. Tatsächlich braucht eine produktive Irritation Bearbeitung; eine Irritation, die nicht durch Auseinandersetzung in eine neue Einsicht überführt wird, bleibt blosse Verwirrung.

Kognitiver Konflikt: Der kognitive Konflikt setzt typischerweise an einer fachlichen Fehlvorstellung an und zielt auf deren Umbau. Produktive Irritation ist breiter gefasst und kann ebenso methodische Routinen, scheinbar evidente Begriffe oder erwartbare Lehr-Lern-Interaktionen adressieren.

Verwirrung: Verwirrung ist ein Zustand der Orientierungslosigkeit ohne Anschluss an Bearbeitung. Produktive Irritation ist ihr inszeniertes Gegenstück; sie hält Anschlusspunkte für Bearbeitung offen und mündet in Auseinandersetzung statt in Resignation.

Provokation durch Design: Provokation durch Design ist ein eng verwandtes, aber spezifischeres Konzept, das auf die Konstruktion von Aufgaben zielt, in denen Eigendenken nicht umgangen werden kann. Produktive Irritation ist der weiter gefasste didaktische Grundzug, der über Aufgabenkonstruktion hinaus auch Gespräch, Setting und Medienwahl umfasst.

• An welcher Stelle meiner aktuellen Unterrichtsreihe gleitet die Klasse in eine Routine, die ein gezieltes Stutzen vertragen könnte?
• Welche Selbstverständlichkeit meines Faches könnte ich so verfremden, dass die Klasse den Begriff selbst aus dem hintergründig Selbstverständlichen herausholt?
• Wie stelle ich sicher, dass eine von mir gesetzte Irritation Anschlusspunkte zur Bearbeitung hat und nicht in blosser Verwirrung endet?

Wähle eine eingespielte Routine deines Unterrichts: Welche gezielte Irritation würde diese Routine in Bewegung bringen, ohne die Klasse zu überfordern, und welche Bearbeitung müsstest du anschliessen, damit sie produktiv wird?

Produktive Irritation bedeutet, dass die Lehrperson mit Absicht etwas Unerwartetes macht oder sagt, damit die Klasse stutzt. So merken die Schülerinnen und Schüler, dass etwas, das sie für selbstverständlich hielten, gar nicht so klar ist. Wichtig ist, dass die Irritation nicht überfordert, sondern in eine gemeinsame Auseinandersetzung mündet.

Provokation durch Design meint, eine Aufgabe so zu konstruieren, dass das gemeinte Denken in ihrer Bearbeitung notwendig anfällt und nicht umgangen, geliehen oder ausgelagert werden kann. Sie unterscheidet sich darin von der allgemeinen Forderung nach Aufgabenqualität, weil sie nicht nur fragt, ob eine Aufgabe Denken auslöst, sondern wie das Design selbst sicherstellt, dass die Denkleistung in der Aufgabe und in dieser Lernperson tatsächlich vollzogen werden muss. Sie ist die didaktische Antwort auf die spezifische Situation, in der mächtige externe Hilfen, vor allem generative KI, vielen klassischen Aufgabenformen ihre Denkverpflichtung entziehen. Mehrere Designmittel kommen dafür in Frage. Erstens die Bindung an spezifische, im Netz so nicht verfügbare Anker, etwa eigene Beobachtungen, klasseninterne Daten, individuelle Vorerfahrungen oder einen im Unterricht entstandenen Diskussionsstand. Zweitens das Erzwingen persönlicher Stellungnahme, Begründung und Reflexion, die nicht aus einer generischen Antwort generierbar ist. Drittens das Verlangen mehrschichtiger Operationen, etwa Vergleich, Gewichtung, Begründung, Selbstkritik, weil KI zwar einzelne Schritte glatt liefert, aber selten kohärent eine ganze Begründungskette hält. Viertens die Verlagerung in mündliche oder dialogische Formate, in denen Begründungen unter Nachfragen verteidigt werden müssen. Fünftens die methodische Verzahnung mit Lernprozessen, etwa wenn die Aufgabe an einen vorausgehenden eigenen Hypothesenstand anschliessen muss. Provokation durch Design ist deshalb nicht ein Trick, sondern eine systematische Veränderung der Aufgabenarchitektur, die das, was gelernt werden soll, in der Form der Aufgabe so abbildet, dass es ohne Lernleistung nicht hinkommt.

Ohne Provokation durch Design wird ein erheblicher Teil schulischer Aufgaben unter KI-Bedingungen entwertet. Aufgaben, die Reproduktion, einfache Anwendung oder formelhafte Texte verlangen, lassen sich kostenlos und in hoher Qualität an KI delegieren, ohne dass die Lehrperson dies mit Sicherheit entdeckt. Eine Schule, die ihre Aufgabenarchitektur nicht entsprechend umbaut, betreibt damit unfreiwillig eine Aufgabenkultur, die Eigenleistung nicht mehr verlangt und folglich nicht mehr fördert. Provokation durch Design ist die strukturelle Antwort auf diese Situation. Sie ist zugleich Schutz vor einer reaktiven Verschärfung in Richtung repressiver KI-Verbote: Wer Aufgaben so konstruiert, dass Denken im Vollzug der Bearbeitung notwendig ist, kann KI als Werkzeug zulassen, ohne den Bildungssinn der Aufgabe zu verlieren. Sie ist deshalb auch der professionelle Ort, an dem sich Schulen positionieren: Sie zeigt, welche Form von Können die Schule für nicht delegierbar hält, und macht diesen Anspruch in der Aufgabe selbst sichtbar.

Konzeptuell schliesst Provokation durch Design an die kognitionspsychologische Unterscheidung von Oberflächen- und Tiefenstruktur an. Eine Aufgabe kann auf der Oberfläche dieselbe Antwort verlangen, ihre Tiefenstruktur, also die geforderte kognitive Operation, lässt sich aber durch Designentscheidungen erheblich verändern. Sie verbindet sich mit der Forschung zur kognitiven Aktivierung und mit Wiggins' Idee authentischer Beurteilung, die Aufgaben nahe an realer Anwendung verlangt. Eine zweite Bezugslinie sind die Diskussionen zum cognitive offloading, die zeigen, dass externe Hilfen das Lernen dann untergraben, wenn die ausgelagerte Operation gerade die ist, die gelernt werden soll. Drittens schliesst Provokation durch Design an Konzepte produktiver Irritation und produktiven Scheiterns an, die ebenfalls das Aufgabenarrangement zum Ort machen, an dem Denken nicht umgangen werden kann. Im engeren KI-didaktischen Diskurs werden in den vergangenen Jahren systematisch AI-resistant assignments diskutiert; die deutschsprachige Debatte spricht von KI-resilienten Aufgaben oder von Aufgaben, in denen Eigendenken designseitig erzwungen wird. Empirisch ist die Forschungslage noch jung; verlässliche Studien dazu, welche Designmuster tatsächlich KI-resilient sind, fehlen weitgehend, weshalb das Feld eher von didaktischem Argument als von gesicherter Evidenz lebt. Die Diskussion ist zudem kritisch: KI-Resilienz ist ein bewegliches Ziel, weil die Werkzeuge sich weiterentwickeln, und es droht eine Verengung auf das, was KI nicht kann, statt eine offensive Frage nach dem, was Bildung in einer Welt mit KI bedeutet.

Eine Lehrperson für politische Bildung gibt nicht eine Hausaufgabe vom Typ Beschreibe das Schweizer Konkordanzsystem auf, sondern verlangt eine schriftliche Stellungnahme zu einer im Unterricht protokollierten Schüleraussage. Die Aufgabe verweist auf eine in dieser Form nur in dieser Klasse vorhandene Quelle und verlangt eine begründete persönliche Positionierung. KI kann zwar Hintergrundinformationen liefern, die geforderte Auseinandersetzung mit dem klasseninternen Diskussionsstand und der individuellen Position bleibt jedoch ohne Eigenleistung nicht möglich.

In einer Biologieklasse wird die übliche Aufgabe Erkläre den Stoffwechsel der Pflanze ersetzt durch ein Designformat in drei Schritten. Erstens dokumentieren die Lernenden eine eigene Beobachtungsreihe an einer ihnen zugeteilten Pflanze über drei Wochen mit Foto, Notizen und Skizze. Zweitens schreiben sie eine kurze Erklärung, in der sie ihre Beobachtungen mit dem Lehrstoff in Beziehung setzen. Drittens dürfen sie KI nutzen, um ihre Erklärung kritisch prüfen zu lassen, müssen aber zwei Stellen markieren, an denen die KI ihre Beobachtungen entweder gestützt oder herausgefordert hat, und entsprechend reagieren. Die Aufgabenarchitektur sichert, dass Eigenbeobachtung, Erklärung und KI-Auseinandersetzung sich in einem Produkt verbinden.

Eine Schule überarbeitet nach einer Klausurperiode systematisch jene Aufgabentypen, in denen Lehrpersonen aufgrund von Vergleichen mit KI-Antworten den Eindruck hatten, Eigenleistung nicht mehr verlässlich beurteilen zu können. Aus der Sammlung entsteht ein internes Designhandbuch mit Aufgabentypen, deren Architektur Eigendenken auch unter Bedingungen verfügbarer KI erzwingt. Lehrpersonen berichten anschliessend, dass die Diskussion über KI im Kollegium konstruktiv geworden sei, weil sie sich nicht mehr um Kontrolle, sondern um Design dreht.

• Provokation durch Design bedeute, KI in Aufgaben zu verbieten. Tatsächlich geht es nicht um Ausschluss, sondern um Architektur: Aufgaben werden so gebaut, dass das gemeinte Denken auch bei zulässiger KI-Nutzung in den Lernenden anfallen muss.
• Eine Aufgabe sei provokant designed, sobald sie persönliche Bezüge oder Reflexion verlangt. Tatsächlich reicht das selten; Provokation durch Design verlangt ein Gefüge aus klasseninternen Ankern, mehrschichtigen Operationen und Begründungspflichten, das auch sprachlich versierte KI-Hilfen nicht trivial ersetzt.
• KI-Resilienz sei objektiv messbar und ein für allemal erreichbar. Tatsächlich entwickeln sich die Werkzeuge weiter; was heute resilient ist, kann morgen trivial werden, weshalb Designarbeit dauerhaft, nicht einmalig zu leisten ist.

Aufgabenqualität: Aufgabenqualität fragt allgemein nach den Merkmalen, die Aufgaben lernwirksam machen. Provokation durch Design ist eine spezifische, auf das KI-Zeitalter zugespitzte Form von Aufgabenqualität, die die Notwendigkeit von Eigendenken designseitig erzwingt.

Produktive Irritation: Produktive Irritation ist der weiter gefasste didaktische Grundzug, der Routinen und Selbstverständlichkeiten unterbricht. Provokation durch Design konkretisiert diese Logik in der Konstruktion einzelner Aufgaben unter den Bedingungen verfügbarer KI.

KI-Verbot: Ein KI-Verbot reagiert auf die Situation durch Ausschluss eines Werkzeugs. Provokation durch Design reagiert durch Veränderung der Aufgabenarchitektur und erlaubt deshalb auch Aufgaben, in denen KI legitim und produktiv mitgenutzt wird, ohne dass die Lernleistung verschwindet.

• Welche meiner aktuellen Aufgaben würde eine KI in einer Form lösen, die ich nicht mehr von Schülerleistung unterscheiden könnte, und wie müsste ich das Design ändern, damit Eigendenken anfällt?
• An welcher Stelle verlangen meine Aufgaben einen klasseninternen Anker, der in einer KI-Antwort nicht ersetzbar wäre, und wie konsequent ist diese Ankerbindung gestaltet?
• Wie kombiniere ich produktive KI-Nutzung und nicht delegierbare Eigenleistung in einer einzigen Aufgabe, sodass beide Anteile sichtbar bleiben?

Wähle eine schriftliche Aufgabe deines aktuellen Unterrichts: Welche drei Designeingriffe würden dafür sorgen, dass die geforderte Denkleistung in dieser Aufgabe auch bei legitimer KI-Nutzung in der bearbeitenden Person stattfinden muss?

Provokation durch Design bedeutet, eine Aufgabe so zu gestalten, dass Schülerinnen und Schüler beim Lösen wirklich selbst nachdenken müssen. Auch wenn sie KI nutzen dürfen, kann das Werkzeug die Aufgabe nicht einfach für sie erledigen. So bleibt das Lernen sichtbar.

Fehlerart Halluzination. Kritisches Prüfen, Quellenbelege, kognitive Souveränität. Bewertet wird die Begründungsqualität, nicht die Fehlerzahl.

Die Lehrperson lässt die KI einen absichtlich ungeprüften Fachtext mit 5–15 Fehlern pro Seite generieren. Schüler:innen jagen in Zweierteams die Fehler, markieren sie farbig und notieren je Fehler, was falsch ist, was richtig wäre und welche Quelle das belegt. In der Auswertung werden bestätigte Fehler, strittige Stellen und scheinbar korrekte, aber fragwürdige Stellen an der Wandtafel gesammelt. Optional folgt das Warum-Protokoll (3-Spalten: Prompt / KI-Antwort / Entscheidung + Begründung).

Eine Aufgabenkultur ist das Geflecht von Erwartungen, Routinen und Mustern, das prägt, welche Art von Aufgaben in einer Schule oder einem Fach üblich sind. Manche Aufgabenkulturen sind reproduktiv (Aufzählung, Zusammenfassung, Schemaarbeit), andere sind anspruchsvoll (Begründung, Vergleich, Stellungnahme). Aufgabenkultur entsteht meist beiläufig — über Jahre, durch Lehrbücher, Klausurenroutinen, Fachschaftsabsprachen. Sie ist deshalb selten explizit, aber didaktisch hochwirksam: Was in einer Schule oder einem Fach 'normal' ist, prägt, was Lernende erwarten und einüben. Unter KI-Bedingungen werden bestehende Aufgabenkulturen sichtbar verletzbar: Wo Reproduktion dominiert, kann KI sie übernehmen — die Aufgabenkultur entwertet sich selbst, ohne dass jemand sie absichtlich verändert hätte. Eine Transformation der Aufgabenkultur ist deshalb nicht eine Stilfrage, sondern eine didaktische Notwendigkeit. Wer Aufgabenkultur reflektiert und anpasst, erhält oder gewinnt Lernwirksamkeit; wer sie nicht reflektiert, verliert sie unbemerkt.

Einzelne KI-Vereinbarungen oder neu zugeschnittene Aufgaben helfen wenig, wenn die zugrunde liegende Aufgabenkultur reproduktiv bleibt. Die didaktische Hebelwirkung kommt erst durch eine Veränderung der ganzen Kultur — also der typischen Aufgaben, der typischen Erwartungen, der typischen Beurteilungsroutinen. Das ist eine Schul- und Fachschaftsfrage, keine Einzellehrperson-Frage.

Der Begriff stammt aus dem deutschsprachigen Unterrichtsforschungs-Diskurs (Aufgabenkultur als Forschungsgegenstand bei Reusser, Pauli; verbunden mit der Tradition empirischer Unterrichtsforschung). Im KI-Didaktik-Diskurs wird er prominent von verschiedenen Stimmen aufgegriffen, weil er die strukturelle, nicht punktuelle Veränderung beschreibt, die KI in Schulen anstösst.

Eine Fachschaft Deutsch analysiert ein Jahr lang die typischen Aufgabentypen ihrer Klausuren. Resultat: 70 Prozent reproduktiv. Sie entscheidet, in drei Schritten umzubauen — eine Aufgabenkultur-Transformation, die nicht Wochen, sondern Jahre dauert, aber strukturell wirksam ist.

Eine Schule führt ein Aufgabenkultur-Audit ein: Jede Fachschaft prüft jährlich, welche Aufgabentypen unter KI-Bedingungen lernwirksam bleiben und welche entwertet sind. Daraus entsteht eine systematische Anpassung — Aufgabenkultur wird zum bewussten Schulentwicklungsthema.

Eine Berufsfachschule analysiert die letzten 50 Klausuren ihres Allgemeinbildungs-Faches. 80 Prozent prüfen Reproduktion — und sind unter KI-Bedingungen ihre Aussagekraft schuldig. Die Schule erkennt: Sie steht nicht vor einem Einzelaufgabenproblem, sondern vor einer Kulturfrage.

• Aufgabenkultur sei dasselbe wie 'die Aufgaben einer Lehrperson' — tatsächlich ist sie ein kollektives, fachschafts- und schulweites Phänomen, das einzelne Lehrpersonen nur teilweise beeinflussen können.
• Aufgabenkultur sei rasch umbaubar — tatsächlich verändert sie sich über Jahre, weil sie tief in Routinen, Lehrbüchern und Erwartungen verankert ist. Punktuelle Veränderungen reichen nicht.

Aufgabenqualität: Aufgabenqualität bezieht sich auf die einzelne Aufgabe. Aufgabenkultur bezieht sich auf das Muster vieler Aufgaben in einem Fach oder einer Schule. Die Kultur prägt, was qualitativ als 'normal' gilt.

Lehrplan: Lehrpläne legen Inhalte und Kompetenzen fest. Aufgabenkultur prägt, in welchen Aufgabenformaten diese tatsächlich behandelt werden — meist deutlich weniger explizit als der Lehrplan suggeriert.

• Welche Aufgabentypen dominieren in meinem Fach faktisch — und decken sie das ab, was wir als Lehrziele behaupten?
• Welche meiner üblichen Aufgaben wären unter ehrlicher KI-Prüfung lernwirksam? Welche nicht?
• Wer in meiner Schule kann gemeinsam mit mir an einer Aufgabenkultur arbeiten — und wo finden wir den Anfangspunkt?

Welche Aufgabenkultur prägt dein Fach an deiner Schule aktuell — und wie würdest du sie ehrlich charakterisieren?

Aufgabenkultur ist das, was an einer Schule oder in einem Fach normal ist: Welche Art von Aufgaben gibt es? Was wird erwartet? Wie wird beurteilt? Das ist nicht aufgeschrieben, aber alle wissen es. Und wenn KI kommt, muss man darüber neu reden.

Feedback meint im didaktischen Sinn eine Rückmeldung, die drei Bezugspunkte zusammenführt: ein erkennbares Ziel, den aktuellen Stand der Lernenden in Bezug auf dieses Ziel und einen anschlussfähigen nächsten Schritt. Hattie und Timperley fassen diese Bezugspunkte in den drei Fragen feed-up, feed-back und feed-forward zusammen: Wohin geht die Lernreise, wo stehe ich gerade, und wie komme ich weiter? Wird einer dieser Bezugspunkte ausgeblendet, verliert die Rückmeldung an Steuerungskraft. Eine Bemerkung wie 'Gut gemacht' oder eine isolierte Note erfüllt diese Bedingungen nicht, weil sie weder den Stand in Bezug auf ein Ziel klärt noch einen Schritt anschlussfähig macht. Hattie und Timperley unterscheiden zudem vier Ebenen, auf denen Feedback wirken kann: die Aufgabenebene, also Korrektheit und Vollständigkeit; die Prozessebene, also die Qualität des gewählten Vorgehens und der Strategien; die Ebene der Selbstregulation, also die Fähigkeit, das eigene Lernen zu überwachen und zu steuern; und die Ebene des Selbst, auf der Rückmeldungen die Lernende als Person adressieren, klassisch in Form von pauschalem Lob wie 'Du bist klug'. Wirksam sind nach der Forschungslage vor allem Rückmeldungen auf der Prozess- und Selbstregulationsebene, weil sie Können übertragbar machen. Rückmeldungen auf der Selbst-Ebene, die die Person und nicht die Bearbeitung adressieren, haben dagegen für das Lernen meist keine oder sogar nachteilige Effekte; davon zu unterscheiden sind anerkennende Rückmeldungen zu Anstrengung oder Strategie, die in der Forschung gerade nicht zu dieser Ebene gezählt werden. Feedback ist damit weniger eine Geste der Wertschätzung als eine didaktisch konstruierte Information, die Lernende handlungsfähig macht.

Ohne tragfähiges Feedback wird Lernen blind. Lernende, die nicht wissen, wo sie in Bezug auf ein Ziel stehen und welcher Schritt nun sinnvoll ist, optimieren bestenfalls Routinen und reproduzieren Fehlvorstellungen. Lehrpersonen wiederum, die Feedback mit Lob, Tadel oder einer Note verwechseln, geben Signale ab, ohne Lernen zu steuern. Eine professionelle Praxis unterscheidet deshalb scharf zwischen Bewertung, die etwas bilanziert, und Feedback, das den nächsten Lernschritt eröffnet. Diese Unterscheidung schützt vor zwei verbreiteten Fehlern: dem freundlichen, aber folgenlosen Lob auf der einen und der pauschalen Note ohne anschlussfähige Information auf der anderen Seite. Sie ist die Voraussetzung dafür, dass Beurteilung lernwirksam wird, und nicht eine bloss administrative Funktion erfüllt.

Der einflussreichste Bezugspunkt ist die Synthese von Hattie und Timperley, die Feedback als Antwort auf die drei Leitfragen feed-up, feed-back und feed-forward modellieren und vier Wirkungsebenen unterscheiden. Sie schliessen an die Tradition des formative assessment im Sinne Black und Wiliams an, in der Feedback als zentrale Steuerungsinformation im laufenden Lernprozess verstanden wird. Lerntheoretisch wird Feedback als Schliessen einer Lücke zwischen Ist- und Soll-Zustand modelliert (Sadler), wobei diese Schliessung kognitive Arbeit der Lernenden verlangt und nicht einfach von der Lehrperson vollzogen werden kann. Kritisch diskutiert wird die Übergeneralisierung der prominenten Effektstärken: Die Wirksamkeit von Feedback variiert stark mit Inhalt, Ebene, Zeitpunkt und Adressat, und ungeschickt platzierte Rückmeldungen können das Lernen sogar bremsen.

Eine Mathematiklehrperson gibt nach einer Probeklausur nicht primär Noten und Punkte zurück, sondern für jeden Aufgabentyp eine kurze schriftliche Rückmeldung: Welches Ziel sollte die Aufgabe prüfen, welchen typischen Fehler hat diese Person gemacht, und welche konkrete Übung kommt als nächster Schritt in Frage. Erst danach folgt die Note. Die Lernenden bearbeiten in der Folgestunde gezielt den ihnen empfohlenen Schritt, statt nur die Note zur Kenntnis zu nehmen.

Eine Klasse darf eine KI bitten, einen ersten Aufsatzentwurf zu kommentieren. Die Lehrperson gibt vorher das Lernziel der Aufgabe und drei Kriterien explizit aus. Die Lernenden vergleichen anschliessend in Partnerarbeit das KI-Feedback mit diesen Kriterien und markieren, welche Rückmeldungen tatsächlich auf das Ziel einzahlen und welche nur stilistische Glättung anbieten. Im Plenum diskutiert die Lehrperson zwei Fälle, in denen die KI ein fachliches Argumentationsproblem nicht erkannt hat.

Eine Klasse erhält über Wochen ausführliche schriftliche Kommentare zu jedem Aufsatz, doch die Aufsatzqualität bleibt konstant. Die Analyse zeigt: Die Kommentare sind formal sorgfältig, aber überwiegend auf Stil und Person gerichtet. Es fehlt eine konsequente Bindung an ein konkretes Lernziel und ein einziger, klar benannter nächster Schritt, mit dem die Lernenden überhaupt weiterarbeiten könnten.

• Feedback sei dasselbe wie Lob oder Wertschätzung. Tatsächlich adressiert Feedback auf der Selbst-Ebene die Person als solche, etwa in pauschalem Lob wie 'Du bist klug', und ist empirisch eher unwirksam oder schädlich; lernwirksam sind Rückmeldungen, die Stand, Ziel und nächsten Schritt aufeinander beziehen. Anerkennende Rückmeldungen zu Anstrengung oder Strategie sind davon zu unterscheiden und gehören nicht zu dieser Ebene.
• Eine Note sei eine Form von Feedback. Tatsächlich ist eine isolierte Note eine summative Bilanz, kein anschlussfähiges Feedback; ohne feed-up und feed-forward fehlt ihr die Steuerungskraft, und sie kann formative Lernprozesse sogar überlagern.
• Mehr Feedback sei automatisch besser. Tatsächlich kann zu viel oder schlecht platziertes Feedback überfordern, demotivieren oder die Selbstregulation untergraben; entscheidend ist die didaktische Passung, nicht die Menge.

Bewertung und Note: Eine Note bilanziert eine Leistung in einer Skala und erfüllt damit eine summative Funktion. Feedback ist demgegenüber informierend und prospektiv ausgerichtet: Es klärt Stand und nächsten Schritt in Bezug auf ein Ziel und ist damit auf das künftige Lernen, nicht auf die Festschreibung des Erreichten gerichtet.

Lob und Tadel: Lob und Tadel bewerten die Person und reagieren affektiv auf Verhalten oder Resultat. Feedback im didaktischen Sinn richtet sich auf Aufgabe, Prozess oder Selbstregulation und liefert anschlussfähige Information; reines Personen-Feedback ist in der Forschung meist wirkungslos oder kontraproduktiv.

Korrektur: Eine Korrektur markiert Fehler in einem Produkt. Feedback geht darüber hinaus, weil es die Fehler in Beziehung zum Lernziel setzt und einen begründeten nächsten Schritt formuliert; ohne diese Einbettung bleibt Korrektur diagnostisch, aber nicht steuernd.

• Welche meiner letzten Rückmeldungen bezogen sich auf die Person und welche auf Prozess oder Selbstregulation der Lernenden?
• An welcher Stelle gebe ich Noten zurück, ohne dass ein feed-up und feed-forward die Note in Lernhandeln übersetzt?
• Welche eine, kleine Information würde diese Lernende in dieser Aufgabe wirklich handlungsfähig machen?

Wähle eine kommende Rückmeldesituation: Welches Ziel ist explizit, welchen Stand würdest du benennen, und welcher eine nächste Schritt eröffnet diesen Lernenden eine bearbeitbare Differenz?

Feedback heisst Rückmeldung, die wirklich hilft. Es geht nicht darum, jemanden zu loben oder zu tadeln, sondern zu zeigen: Das ist dein Ziel. So weit bist du schon. Und das wäre dein nächster Schritt. Nur so kann eine Schülerin oder ein Schüler wirklich besser werden.

Formative Beurteilung bezeichnet alle Verfahren, mit denen während des Lernens Informationen über den aktuellen Stand gewonnen werden, um Unterricht und Lernhandeln gezielt anzupassen. Sie ist damit primär funktional bestimmt: Es geht nicht um ein Instrument, sondern um den Zweck, das Lernen zu informieren statt es abschliessend zu bilanzieren. Black und Wiliam haben für diese Funktion den Begriff assessment for learning geprägt, der die Beurteilung konsequent auf das künftige Lernen ausrichtet, und nicht auf dessen Dokumentation. Praktisch kann formative Beurteilung viele Formen annehmen: gezielte Fragen im Unterrichtsgespräch, kurze Diagnoseaufgaben, Lernjournale, schriftliche Kommentare zu Entwürfen, Mini-Whiteboards, Schülerselbsteinschätzungen oder Peer-Rückmeldungen. Entscheidend ist nicht die Methode, sondern dass die gewonnene Information tatsächlich in eine Anpassung mündet, sei es durch die Lehrperson, etwa in einer Re-Erklärung, einer Aufgabenwahl oder einer Schwerpunktsetzung, sei es durch die Lernenden, etwa in der Wahl ihres nächsten Übungstyps. Formative Beurteilung ist damit kein zusätzliches Modul neben dem Unterricht, sondern eine Haltung und ein methodisches Repertoire, mit dem Lernen während seiner Entstehung diagnostisch gerahmt wird. Sie steht in einem engen, aber nicht identischen Verhältnis zu Feedback: Feedback ist die häufigste Ausdrucksform formativer Beurteilung, aber formative Beurteilung umfasst darüber hinaus auch die Diagnose selbst, die der Rückmeldung vorausgeht.

Wer Lernen nur am Ende eines Abschnitts beurteilt, verschenkt die Möglichkeit, es während der Entstehung zu beeinflussen. Formative Beurteilung schafft eine zweite Beurteilungsebene, deren Sinn nicht die Bilanz, sondern die Steuerung ist. Sie ist die Voraussetzung dafür, dass Unterricht differenziert, anschlussfähig und korrigierend auf reale Schülerschwierigkeiten reagieren kann, statt einem geplanten Ablauf zu folgen, der die Lernrealität verfehlt. Sie schützt zugleich Lernende vor der Erfahrung, dass Fehler erst in der Klausur sichtbar werden, wenn es zu spät ist. Für die Schule als Institution ist formative Beurteilung der Ort, an dem sich Beurteilungskompetenz von blosser Notenfindung unterscheidet: Sie macht aus Beurteilung eine pädagogische, nicht primär administrative Tätigkeit.

Den begrifflichen Rahmen prägen massgeblich Black und Wiliam, deren Literaturreview Assessment and Classroom Learning und das daraus hervorgegangene Inside the Black Box die Wirksamkeit formativer Praktiken systematisch zugänglich gemacht und das Konzept assessment for learning popularisiert haben. Sie unterscheiden formative Beurteilung von summativer Beurteilung nicht durch das Instrument, sondern durch dessen Verwendung: Dieselbe Aufgabe kann je nach Einbettung formativ oder summativ wirken. Theoretisch verbindet sich das Konzept mit Sadlers Idee, dass Lernen die Schliessung einer Lücke zwischen Ist- und Soll-Zustand verlangt und dass Lernende dafür ein klares Bild des Ziels, eine valide Einschätzung des Stands und Mittel zur Schliessung benötigen. Im deutschsprachigen Raum wird formative Beurteilung an die Tradition pädagogischer Diagnostik angeschlossen, die die diagnostische Kompetenz von Lehrpersonen als Kern professioneller Praxis fasst. Kritisch wird in der Forschung diskutiert, dass eine technokratische Verengung auf engmaschige Tests den ursprünglichen, prozess- und beziehungsorientierten Anspruch des Konzepts verfehlen kann.

Eine Französischlehrperson lässt nach einer Erklärung zur Vergangenheitsbildung jede Lernende auf einem kleinen Whiteboard einen Beispielsatz formulieren. Beim Blick durchs Klassenzimmer erkennt sie an wenigen typischen Fehlmustern, dass zwei Drittel das Hilfsverb noch nicht zuverlässig wählen. Sie verzichtet auf die geplante Übungsphase, fügt eine kurze Re-Erklärung mit Gegenbeispielen ein und gibt drei differenzierte Folgeaufgaben aus. Die formative Information hat den Unterrichtsverlauf gesteuert.

In einer Geschichtsklasse schreiben die Lernenden Mini-Antworten zu einer Quelle. Die Lehrperson lässt eine KI typische Verständnisprobleme im Klassensatz clustern und vorschlagen, welche Re-Erklärungen sinnvoll wären. Sie übernimmt die Vorsortierung als Arbeitserleichterung, prüft aber die fachliche Stichhaltigkeit jedes Clusters selbst und entscheidet nach kurzer Rücksprache mit drei Lernenden, welche Diagnose tragfähig ist. Die KI liefert Vorstrukturierung, die Steuerungsentscheidung bleibt bei ihr.

Eine Lehrperson führt jede Lektion mit einer kurzen Eingangskarte ein, auf der die Lernenden ein vorbereitendes Beispiel skizzieren. Über Wochen sammeln sich die Karten ungelesen im Pult. Erst als die Lehrperson die Karten zu Beginn jeder Lektion fünf Minuten sichtet und das Vorgehen daran ausrichtet, wird aus dem Ritual eine formative Beurteilung; vorher war es Beschäftigung ohne diagnostische Konsequenz.

• Formative Beurteilung sei einfach 'Beurteilung ohne Note'. Tatsächlich liegt der Unterschied nicht im Verzicht auf eine Note, sondern in der Funktion: Sie soll Lernen informieren und steuern, nicht bilanzieren; dieselbe Aufgabe kann formativ oder summativ verwendet werden.
• Formative Beurteilung verlange ständige kleine Tests. Tatsächlich kann sie ebenso gut aus Gesprächen, Beobachtungen, Whiteboards oder Selbsteinschätzungen bestehen; entscheidend ist, dass die gewonnene Information in eine Anpassung mündet.
• Formative und summative Beurteilung stünden in unauflösbarem Konflikt. Tatsächlich ergänzen sie sich, wenn die Funktionen klar getrennt sind; problematisch wird es erst, wenn formative Information unbemerkt als Note in eine Bilanz einfliesst und so ihre Schutzfunktion für offenes Lernen verliert.

Summative Beurteilung: Summative Beurteilung bilanziert eine Leistung am Ende eines Abschnitts und dient Zertifizierung, Selektion oder Diagnose im Rückblick. Formative Beurteilung ist während des Lernens platziert und auf Steuerung gerichtet; ihre Information soll in eine Anpassung des Lernens münden, nicht in eine Festschreibung.

Pädagogische Diagnostik: Pädagogische Diagnostik bezeichnet die übergreifende Kompetenz, Lernstände und Lernvoraussetzungen systematisch zu erfassen. Formative Beurteilung ist deren unterrichtsnahe Anwendung im laufenden Prozess; sie verknüpft Diagnose unmittelbar mit didaktischer Steuerung.

Lernerfolgskontrolle: Eine Lernerfolgskontrolle prüft, ob ein bestimmter Stoff angekommen ist, häufig in Form einer kleinen Klausur. Formative Beurteilung ist breiter, umfasst auch nicht standardisierte Verfahren und fragt nicht primär nach Erfolg oder Misserfolg, sondern nach anschlussfähigen Informationen für den nächsten Lernschritt.

• An welcher Stelle meiner letzten Reihe habe ich Information über den Lernstand wirklich gewonnen, und an welcher habe ich sie nur unterstellt?
• Welche meiner formativen Verfahren münden tatsächlich in eine Anpassung des Unterrichts, und welche bleiben folgenlose Routinen?
• Wo riskiere ich, formative Information unbemerkt summativ zu nutzen, und welche Schutzschritte braucht es, damit offenes Lernen möglich bleibt?

Wähle eine kommende Lektion: An welcher Stelle entsteht eine Information über den Lernstand, und welche konkrete Entscheidung würde dadurch begründet getroffen oder verworfen?

Formative Beurteilung bedeutet, dass man Lernen während des Unterrichts beobachtet und nicht erst in einer Prüfung am Schluss. So merkt man früh, ob die Klasse etwas verstanden hat, und kann etwas ändern, solange es noch hilft. Es geht nicht um eine Note, sondern um nützliche Information.

Summative Beurteilung erfasst, was am Ende eines abgegrenzten Lernabschnitts an Können verfügbar ist. Sie ist bilanzierend angelegt und richtet sich auf den Rückblick: Was wurde erreicht, und in welchem Verhältnis steht das Erreichte zu vorab definierten Ansprüchen? Aus dieser Funktion folgen typische Verwendungszwecke: die Zertifizierung von Lernergebnissen in Form von Noten oder Abschlüssen, die Selektion für anschliessende Bildungswege und die diagnostische Rückschau, mit der sich Erfolg und Grenzen eines Unterrichts bewerten lassen. Damit eine summative Beurteilung diese Funktionen erfüllen kann, muss sie drei klassische Gütekriterien einlösen: Validität, also tatsächlich das messen, was sie zu messen vorgibt; Reliabilität, also bei wiederholter oder unabhängiger Anwendung zu vergleichbaren Ergebnissen kommen; und Objektivität, also unabhängig von der Person der Beurteilenden bleiben. Diese Kriterien sind theoretisch unstrittig, in der Praxis aber anspruchsvoll: Eine fachlich sauber konstruierte Klausur kann reliabel und objektiv sein und trotzdem nur einen schmalen Ausschnitt des angestrebten Könnens prüfen. Summative Beurteilung steht zudem in einem Spannungsverhältnis zu pädagogischen Funktionen. Sie ist meist die folgenreichste Form schulischer Rückmeldung und prägt zugleich, was Lernende für lernenswert halten. Eine Schule, die nicht reflektiert, welche Kompetenzen ihre summativen Formate tatsächlich erfassen, riskiert, ein heimliches Curriculum zu installieren, das sich an Prüfbarkeit statt an Bildungssinn orientiert.

Summative Beurteilung ist nicht ein Anhängsel des Unterrichts, sondern eine seiner wirkmächtigsten Steuerungsgrössen. Wovon eine Note abhängt, das ernten Lernende mit ihrer Aufmerksamkeit. Wer summative Formate unreflektiert übernimmt, riskiert, Reproduktion und Oberflächenmerkmale zu prüfen und damit zu honorieren, während Verstehenstiefe und Transfer unbeobachtet bleiben. Eine professionelle Auseinandersetzung mit summativer Beurteilung verlangt deshalb mehr als die Frage, ob eine Klausur fair benotet ist. Sie verlangt, zu prüfen, ob die geprüften Anforderungen tatsächlich repräsentieren, was Lernende am Ende der Reihe können sollen, ob die Beurteilungsform Aussagen über dieses Können erlaubt, und welche Rückwirkung sie auf den Unterricht entfaltet. In dieser Reflexion entscheidet sich, ob summative Beurteilung dem Bildungssinn dient oder ihn untergräbt.

Der Begriff geht auf Scriven (1967) zurück, der die Unterscheidung ursprünglich im Rahmen der Programm- und Curriculumevaluation einführte: Summative Evaluation bilanziert ein Programm, formative Evaluation informiert es während seiner Entwicklung. Der systematische Transfer dieser Unterscheidung auf die Schülerinnen- und Schülerbeurteilung erfolgte durch Bloom 1971 im Handbook on Formative and Summative Evaluation und prägt seither die pädagogische Diagnostik. In der pädagogischen Diagnostik ist die Unterscheidung mittlerweile Standard, wird aber kontinuierlich kritisch diskutiert. Diskussionspunkte sind erstens die Frage, ob Validität, Reliabilität und Objektivität in komplexen kompetenzorientierten Aufgaben überhaupt im klassischen Sinn realisierbar sind, und welche Kompromisse zwischen Standardisierung und fachlicher Tiefe nötig werden. Zweitens steht die Selektionsfunktion bildungstheoretisch unter Kritik, etwa in Anschluss an die Tradition Klafkis, die Bildung als Befähigung zu Mündigkeit und gegen reine Sortierfunktion akzentuiert. Drittens diskutiert die Forschung zum washback effect, wie stark summative Formate auf Unterricht und Lernverhalten zurückwirken und damit das eigentliche Lernen verformen können.

Am Ende einer Reihe zur Mechanik schreibt eine Sekundarklasse eine Klausur, in der ein vertrauter Aufgabentyp, eine Transferaufgabe in einem neuen Sachkontext und eine kurze Begründungsaufgabe kombiniert sind. Die Lehrperson dokumentiert vorab, welche Kompetenz mit welcher Aufgabe geprüft wird, und vergleicht nach der Klausur die Leistungsverteilung mit ihrer Zielsetzung. Dort, wo Klassen flächendeckend an der Transferaufgabe scheitern, zieht sie nicht nur Noten, sondern Konsequenzen für die nächste Reihe.

Eine Berufsfachschule prüft schriftliche Fallanalysen summativ. Da KI fertige Analysen produzieren kann, ergänzt die Schule das Format um zwei Schritte: Die Lernenden reichen zusätzlich eine handschriftliche Skizze ihres Lösungswegs ein und absolvieren ein zehnminütiges Fachgespräch zu zwei Stellen ihrer Analyse. Bewertet wird die Stimmigkeit von schriftlicher Analyse, Skizze und mündlicher Begründung. So bleibt die summative Funktion erhalten, ohne dass die KI die Aussagekraft aushöhlt.

Ein Gymnasium analysiert nach einem Maturitätsjahrgang die Maturaarbeiten und stellt fest, dass die sprachliche Qualität flächendeckend gestiegen, die argumentative Tiefe hingegen kaum prüfbar ist. Die Diskussion ergibt: Die summativen Vorgaben fokussieren auf Produktmerkmale, die KI mit hervorbringen kann, ohne dass dies in der Beurteilung systematisch berücksichtigt wäre.

• Summative Beurteilung sei einfach 'die Note am Schluss'. Tatsächlich ist sie ein funktional bestimmtes Beurteilungsformat mit eigenen Gütekriterien, und nicht jede Beurteilung am Ende ist im methodischen Sinn summativ.
• Summative und formative Beurteilung stünden in einem Entweder-oder. Tatsächlich ergänzen sie sich; problematisch wird ihre Vermischung erst, wenn formative Information unbemerkt in Noten überführt wird und damit ihre Schutzfunktion verliert.
• Eine valide und reliable Klausur sei automatisch eine pädagogisch gute Beurteilung. Tatsächlich kann ein Format technisch sauber sein und trotzdem nur einen schmalen Ausschnitt des angestrebten Könnens prüfen oder durch washback effects den Unterricht verformen.

Formative Beurteilung: Formative Beurteilung informiert das laufende Lernen, summative Beurteilung bilanziert das Lernergebnis. Der Unterschied liegt nicht im Instrument, sondern in der Funktion und in den Konsequenzen, die aus der Information gezogen werden.

Diagnose: Diagnose meint die Erhebung von Lernständen und Lernvoraussetzungen, oft im Vorfeld einer Massnahme. Summative Beurteilung ist die nachträgliche Bilanz eines abgegrenzten Lernabschnitts; sie kann diagnostische Funktion haben, ist aber primär auf das Ergebnis und nicht auf die Planung gerichtet.

Notengebung: Notengebung ist die Umsetzung einer Beurteilung in eine Skala. Summative Beurteilung umfasst darüber hinaus die Konstruktion der prüfenden Aufgaben, die Klärung ihrer Gütekriterien und die Reflexion ihrer Funktion; sie ist also nicht auf den administrativen Akt der Notenfindung reduzierbar.

• Welche Kompetenzen prüfen meine summativen Formate tatsächlich, und welche behaupten sie zu prüfen, ohne es zu tun?
• An welcher Stelle riskiere ich, dass ein gut wirkendes Produkt eine Eigenleistung suggeriert, die unter KI-Bedingungen nicht mehr belegt ist?
• Welchen washback effect entfalten meine summativen Aufgaben auf den vorausgehenden Unterricht, und ist dieser pädagogisch gewollt?

Wähle eine summative Beurteilung aus deinem Unterricht: Welcher Anteil der Note bezieht sich auf Eigenleistung, die du unter Bedingungen verfügbarer KI noch verlässlich rekonstruieren kannst, und welcher nicht?

Summative Beurteilung ist die Beurteilung am Ende eines Lernabschnitts, zum Beispiel eine grosse Prüfung mit Note. Sie zeigt, was am Schluss gelernt wurde, und entscheidet oft über Zeugnisse oder weitere Schulen. Damit sie fair ist, muss sie wirklich prüfen, was die Person selbst kann, und nicht nur, was sie aufgeschrieben hat.

Rollenumkehr. Bewertungs- und Aufgabenverständnis-Kompetenz durch Korrigieren statt Geprüftwerden; Fachvertiefung durch Beurteilen.

Fünf Schritte. (1) Aufgabentypen klären (20 Min). (2) Zweierteams erstellen eine Prüfung mit Bewertungsraster (45 Min). (3) Die KI beantwortet die Prüfung, per Prompt angewiesen, realistische Schüler:innen-Fehler zu machen (15 Min). (4) Teams korrigieren die KI-Antworten eines anderen Teams mit dem Raster (45 Min). (5) Gemeinsame Reflexion (20 Min).

Prozesssichtbarkeit richtet den Blick von Lehrperson und Lernenden auf den Verlauf des Lernens und nicht nur auf dessen Resultat. Sichtbar werden Zwischenstände, verworfene Ansätze, Begründungen für Entscheidungen, genutzte Quellen oder die Art, wie eine Aufgabe zerlegt wurde. Solche Einblicke entstehen nicht von selbst, sondern werden durch Aufgabenformate, Dokumentationsformen und Gespräche bewusst hergestellt - etwa durch Lernjournale, kommentierte Entwürfe, mündliche Zwischenbesprechungen oder das Festhalten von Denkschritten. Prozesssichtbarkeit ist damit weniger eine einzelne Methode als eine Gestaltungsabsicht: Unterricht und Beurteilung werden so angelegt, dass der Weg zum Ergebnis nachvollziehbar bleibt. Pädagogisch bedeutsam ist das, weil aus einem fertigen Produkt allein oft nicht hervorgeht, welche Verstehensschritte, Schwierigkeiten und Strategien dahinterstehen. Erst der sichtbare Prozess erlaubt es, gezielt zu unterstützen, Fehlvorstellungen früh zu erkennen und Lernende über ihr eigenes Vorgehen ins Gespräch zu bringen.

Beurteilung und Unterstützung sind nur so gut wie die Informationen, auf die sie sich stützen. Wer ausschliesslich Produkte sieht, beurteilt Ergebnisse, ohne die Lernwege zu kennen, und verschenkt diagnostische Anhaltspunkte. Prozesssichtbarkeit liefert die Grundlage für treffsicheres Feedback, für faire Leistungsbeurteilung und für Gespräche, in denen Lernende ihr eigenes Vorgehen reflektieren - sie ist damit Voraussetzung für lernwirksamen, anschlussfähigen Unterricht.

Der Begriff verbindet zwei Linien der Unterrichtsforschung: das formative Assessment im Sinne des Assessment for Learning, das Lernen während des Prozesses informiert statt es nur abschliessend zu bilanzieren, und die Unterscheidung von Oberflächen- und Tiefenstruktur des Unterrichts, nach der nicht das sichtbare Format, sondern die kognitive Verarbeitung über Lernwirksamkeit entscheidet. Prozesssichtbarkeit macht eben diese Tiefenstruktur der Bearbeitung zugänglich und schliesst an Konzepte des sichtbaren Lernens an.

Statt nur den fertigen Aufsatz einzusammeln, lässt eine Deutschlehrperson eine kommentierte Gliederung, einen ersten Entwurf mit sichtbaren Überarbeitungsspuren und eine kurze Schreibkonferenz einfliessen. So wird erkennbar, wo eine Schülerin argumentativ ringt und welche Entscheidungen bewusst getroffen wurden.

Eine Klasse darf für eine Erörterung KI nutzen. Die Aufgabe verlangt zusätzlich ein kurzes Arbeitsprotokoll: welche Prompts gestellt wurden, welche KI-Vorschläge übernommen, verändert oder verworfen wurden und warum. Die Lehrperson beurteilt die begründeten Entscheidungen mit - nicht nur den Endtext.

Zwei Schüler reichen identisch starke Lösungen ein. Erst die geforderte Skizze des Lösungswegs zeigt: Einer hat den Ansatz selbst entwickelt, der andere eine fertige KI-Lösung übernommen, ohne sie zu durchdringen.

• Prozesssichtbarkeit bedeute lückenlose Kontrolle jeder Handlung. Tatsächlich geht es um didaktisch ausgewählte, aussagekräftige Einblicke, nicht um Überwachung - Vertrauen und Lernfreiheit bleiben erhalten.
• Prozesssichtbarkeit ersetze die Produktbeurteilung. Sie ergänzt diese, indem sie den Weg zum Produkt mitdenkbar und mitbeurteilbar macht.
• Mehr Dokumentation bedeute automatisch mehr Prozesssichtbarkeit. Entscheidend ist die diagnostische Aussagekraft der sichtbaren Schritte, nicht ihre Menge.

Produktbeurteilung: Produktbeurteilung bewertet das Endergebnis. Prozesssichtbarkeit macht den Weg dorthin zugänglich; ob und wie dieser Weg bewertet wird, ist eine zweite, davon trennbare Entscheidung.

Lernkontrolle und Überwachung: Überwachung zielt auf vollständige Beobachtbarkeit zur Kontrolle. Prozesssichtbarkeit wählt didaktisch wenige, aussagekräftige Einblicke, um Lernen zu unterstützen.

• Woran würde ich in dieser konkreten Aufgabe erkennen, dass die Lernenden selbst gedacht haben?
• Welche Zwischenschritte lasse ich aktuell unsichtbar - und aus welchem Grund?
• Welcher eine, kleine Einblick in den Prozess hätte den grössten diagnostischen Wert?

Wähle eine kommende Aufgabe: An welcher Stelle würdest du einen Denkschritt sichtbar machen - und wie verhinderst du, dass daraus blosse Kontrolle wird?

Prozesssichtbarkeit bedeutet: Man schaut nicht nur auf das Ergebnis, sondern auch darauf, wie jemand dorthin gekommen ist. Welche Schritte, welche Ideen, welche Fehler gab es auf dem Weg?

Eigenleistung meint den Anteil an einer Lernleistung, den die Lernende oder der Lernende tatsächlich selbst gedacht, formuliert, entschieden oder hergestellt hat. In klassischen schulischen Settings wurde Eigenleistung selten ausdrücklich definiert; sie galt als selbstverständlich, weil das eingereichte Produkt im Wesentlichen nur durch die Person selbst entstehen konnte, von begrenzten Hilfsmitteln und der gelegentlichen Abschrift einmal abgesehen. Generative KI verändert diese Ausgangslage strukturell. Texte, Lösungen, Argumentationen, Bilder und Code können in hoher Qualität und mit geringem Aufwand extern erzeugt werden; das eingereichte Produkt ist damit nicht mehr automatisch eine Spur des Denkens der Person. Eigenleistung muss deshalb neu gefasst werden, und zwar entlang mehrerer Dimensionen. Erstens lässt sie sich nicht mehr nur am Produkt ablesen, sondern erfordert Einblicke in den Entstehungsprozess. Zweitens bezieht sie sich nicht nur auf die Erstproduktion eines Textes oder einer Lösung, sondern auch auf den Umgang mit KI-Vorschlägen: Welche Vorschläge wurden geprüft, abgewogen, übernommen, verändert oder verworfen, und mit welcher Begründung? Drittens umfasst sie zunehmend metakognitive Anteile, etwa die bewusste Steuerung des eigenen Lernens und die Reflexion über den eigenen Verstehensstand. Eigenleistung ist damit nicht der Verzicht auf KI, sondern die fachlich begründete, im Lernprozess sichtbare Eigenarbeit der Person, die KI auch dann nicht ersetzen kann, wenn sie genutzt wird.

Wer Eigenleistung nicht klärt, beurteilt unter KI-Bedingungen häufig nicht das, was er zu beurteilen meint. Eine fehlerfreie Hausarbeit kann ein Beleg von Verstehen sein oder ein Beleg dafür, dass die Lernende eine KI-Antwort akzeptiert hat. Ohne eine bewusste Vorstellung davon, welche Eigenleistung in einer Aufgabe verlangt und sichtbar gemacht wird, verlieren Aufgaben, Rückmeldungen und Noten ihre Aussagekraft. Eigenleistung bewusst zu fassen, ist deshalb mehr als ein Akt der Kontrolle: Sie ist die Voraussetzung dafür, dass Schule weiterhin Bildung beanspruchen kann, statt nur Produktion zu organisieren. Sie schützt zudem vor zwei verbreiteten Verkürzungen: einerseits dem Reflex, jede KI-Nutzung als Verlust von Eigenleistung zu deuten, andererseits der Illusion, Eigenleistung sei ohne aktive Designarbeit ohnehin gesichert.

Begrifflich knüpft Eigenleistung an die bildungstheoretische Tradition an, in der Bildung nicht nur als Ergebnis, sondern als selbsttätige Aneignung verstanden wird; in der Tradition Humboldts und später Klafkis ist die Selbsttätigkeit konstitutiv für Bildung. Lerntheoretisch verbindet sich das Konzept mit konstruktivistischen Positionen, nach denen Wissen nicht übergeben, sondern kognitiv konstruiert wird, sowie mit Forschung zu desirable difficulties und produktivem Scheitern, die die unverkürzte Eigenarbeit als notwendigen Lernweg ausweist. Beurteilungstheoretisch ist Eigenleistung lange Zeit ein eher implizites Konzept geblieben; akademisch betrieben hat ihn vor allem die Forschung zu academic integrity und in den letzten Jahren zur AI-resistant assessment. Aktuell wird Eigenleistung von verschiedenen Seiten neu vermessen: aus rechtlich-administrativer Perspektive im Rahmen von KI-Deklarationen, aus didaktischer Perspektive im Rahmen von Aufgabenarchitekturen und Prozesssichtbarkeit, aus bildungstheoretischer Perspektive im Rahmen einer Debatte um den Bildungsbegriff in einer Welt mit KI.

Eine Klasse erhält die Aufgabe, ein literarisches Werk zu interpretieren. Die Lehrperson erlaubt KI-Nutzung für Inhaltszusammenfassung und Forschungsüberblick, definiert aber die Eigenleistung explizit als die persönliche Deutung an zwei selbstgewählten Textstellen, mit eigener Argumentation und expliziter Markierung, an welcher Stelle die KI welche Idee beigesteuert hat. Beurteilt wird die Deutungstiefe an diesen beiden Stellen, nicht die Vollständigkeit des Gesamttextes.

In einer Berufsfachschule definiert eine Fachschaft Eigenleistung für die Diplomarbeit neu: Sie verlangt eine schriftliche Arbeit mit deklarierter KI-Nutzung, eine zehnminütige mündliche Verteidigung von drei Schlüsselentscheidungen und ein kurzes Reflexionspapier zu zwei Stellen, an denen die Lernende einen KI-Vorschlag bewusst verändert oder verworfen hat. Eigenleistung gilt als belegt, wenn alle drei Komponenten kohärent sind; das Produkt allein reicht nicht.

Eine Sekundarschule diskutiert nach einer Reihe von KI-gestützten Hausarbeiten, wie sie mit auffällig homogenen Leistungen umgeht. Die Fachschaft entscheidet, in einer Folgereihe Eigenleistung explizit zu definieren: als persönliche Stellungnahme zu zwei selbstgewählten Textstellen mit dokumentiertem Bezug auf einen klasseninternen Diskussionsstand. Die Auswertung zeigt, dass die Leistungen wieder ausdifferenziert sind, weil die Eigenleistung in den Aufgaben sichtbar geworden ist.

• Eigenleistung sei gleichbedeutend mit dem Verzicht auf KI. Tatsächlich kann auch in KI-gestützten Aufgaben eine substanzielle Eigenleistung gefordert sein; entscheidend ist nicht der Verzicht auf Werkzeuge, sondern die fachlich begründete Eigenarbeit der Person.
• Eigenleistung sei ohne weiteres erkennbar, wenn das Produkt 'persönlich klingt'. Tatsächlich kann KI-generierter Text persönlich klingen, ohne dass die Person die Denkarbeit geleistet hat; sprachliche Merkmale sind kein zuverlässiger Indikator.
• Eigenleistung sei eine moralische Frage und werde durch Vertrauen oder Kontrolle gesichert. Tatsächlich ist sie primär eine didaktische und designseitige Frage: Sie hängt davon ab, wie Aufgaben angelegt sind und welche Sichtbarkeit der Prozess erhält.

Plagiat: Plagiat bezeichnet die unausgewiesene Übernahme fremder Inhalte und ist eine rechtlich-ethische Kategorie. Eigenleistung ist eine didaktisch-beurteilungsbezogene Kategorie und fragt nicht primär nach Quellen, sondern nach dem tatsächlichen Denk- und Arbeitsanteil der Person, der auch bei korrekt deklarierter KI-Nutzung zu klären ist.

Selbständigkeit: Selbständigkeit beschreibt eine Haltung und ein Lernziel: das eigenverantwortliche Arbeiten ohne unmittelbare Anleitung. Eigenleistung ist enger gefasst und bezieht sich auf den konkreten Denk- und Arbeitsanteil an einer bestimmten Aufgabe; Selbständigkeit kann vorhanden sein, ohne dass die Eigenleistung in einer einzelnen Aufgabe sichtbar wird.

Originalität: Originalität meint die Eigenart oder Neuheit einer Leistung. Eigenleistung verlangt keine Originalität, sondern den nachweisbaren Eigenanteil; eine fachlich angemessene, nicht besonders originelle Lösung kann eine starke Eigenleistung sein, wenn sie selbst gedacht ist.

• Welche Eigenleistung verlangt eine bestimmte Aufgabe in meinem Fach, und in welcher Form wäre sie auch unter zulässiger KI-Nutzung sichtbar?
• An welcher Stelle meiner aktuellen Beurteilungspraxis unterstelle ich Eigenleistung, ohne sie tatsächlich beobachten oder rekonstruieren zu können?
• Welche zwei Aufgabenanteile sind so zentral, dass ihre Erbringung ohne Eigenleistung den Sinn der Aufgabe untergraben würde?

Wähle eine kommende Aufgabe: Welche Eigenleistung ist dir in dieser Aufgabe unverzichtbar wichtig, wie wird sie sichtbar, und welche KI-Nutzung lässt du ausdrücklich daneben zu?

Eigenleistung ist das, was eine Person selbst gedacht und gemacht hat. Früher war das automatisch klar, weil die Schülerin den Text ja selbst geschrieben hat. Heute, mit KI, muss man genauer hinschauen: Welche Idee, welche Entscheidung, welche Begründung kommt wirklich von dieser Schülerin selbst?

Rollenumkehr. Bewertungs- und Aufgabenverständnis-Kompetenz durch Korrigieren statt Geprüftwerden; Fachvertiefung durch Beurteilen.

Fünf Schritte. (1) Aufgabentypen klären (20 Min). (2) Zweierteams erstellen eine Prüfung mit Bewertungsraster (45 Min). (3) Die KI beantwortet die Prüfung, per Prompt angewiesen, realistische Schüler:innen-Fehler zu machen (15 Min). (4) Teams korrigieren die KI-Antworten eines anderen Teams mit dem Raster (45 Min). (5) Gemeinsame Reflexion (20 Min).

Prüfungskultur ist das eingeschliffene Set an Prüfungsformaten, das eine Schule oder ein Fach prägt: Welche Klausurtypen sind üblich? Welche Aufgabenformen erscheinen wiederholt? Welche Bewertungslogiken werden angewandt? Eine Prüfungskultur ist meist konservativ — sie wird über Jahre erzeugt, durch Lehrbücher, Reglemente, Beurteilungsroutinen, und sie ist gleichzeitig hochwirksam, weil Lernende sich auf das einstellen, was geprüft wird. Unter KI-Bedingungen geraten viele Prüfungskulturen in eine strukturelle Krise: Hausarbeiten verlieren Aussagekraft, schriftliche Texte können nicht mehr eindeutig als eigenständig nachgewiesen werden, und produktorientierte Bewertungen werden insgesamt fragwürdiger. Die Antwort ist nicht eine punktuelle Anpassung einzelner Aufgaben, sondern eine Transformation der Prüfungskultur — neue Formate (mündliche Verteidigungen, klasseninterne Bedingungen, Prozessdokumentation), neue Massstäbe (Eigenleistung, Urteilsfähigkeit, Begründungstiefe), neue Routinen. Das verändert auch die Schulorganisation: Mehr mündliche Prüfungen verlangen mehr Zeit, neue Räume, andere Personalressourcen.

Einzelne neu zugeschnittene Prüfungen reichen nicht, wenn die zugrunde liegende Prüfungskultur unverändert bleibt. Die Glaubwürdigkeit von Zertifikaten, Noten und Abschlüssen steht und fällt mit der Prüfungskultur — wenn sie KI nicht standhält, wird sie als ganze entwertet. Eine bewusste Transformation ist deshalb keine Stilfrage, sondern eine Bildungsverteidigung.

Der Begriff verbindet die Tradition der Beurteilungsforschung (validity, reliability, washback) mit dem aktuellen Diskurs um Prüfungstransformation unter KI-Bedingungen. Konzeptionell verwandt sind 'Assessment Reform' und 'AI-resilient Assessment'. In der Praxis greifen viele Stimmen den Begriff auf, um die strukturelle Notwendigkeit der Veränderung zu betonen.

Eine Gymnasium-Fachschaft verschiebt 30 Prozent ihrer Bewertungslast von Hausarbeiten zu mündlichen Verteidigungen. Der Aufwand steigt zwar, die Aussagekraft auch — Maturarbeiten werden seither weniger angefochten und die Beurteilung trägt mehr Konsens.

Eine Berufsfachschule führt eine 'mündliche Komponente' für jede grössere Arbeit ein: Lernende verteidigen ihre Texte in einem 15-Minuten-Gespräch. Die Kombination aus Text und mündlicher Verteidigung wird zur neuen Standardform — die Prüfungskultur verschiebt sich strukturell.

Eine Fachschaft führt nach drei Jahren KI-Erfahrung eine Prüfungskultur-Reform durch: Hausarbeiten werden mit obligatorischer mündlicher Verteidigung gekoppelt, Klausuren bleiben analog, Maturarbeiten verlangen Prozessdokumentation. Die Akzeptanz steigt, die Streitigkeiten gehen zurück.

• Prüfungskultur sei dasselbe wie Prüfungsordnung — tatsächlich ist die Prüfungsordnung der formale Rahmen, die Prüfungskultur die tatsächliche Praxis, die deutlich davon abweichen kann.
• Prüfungskultur lasse sich durch einzelne Regelungen verändern — sie verschiebt sich nur, wenn sich Formate, Routinen und Massstäbe systematisch verändern.

Aufgabenkultur: Aufgabenkultur betrifft alle Aufgaben (Lern- und Leistungssituationen). Prüfungskultur betrifft spezifisch die Leistungssituationen — sie ist enger gefasst, aber besonders verletzlich unter KI-Bedingungen.

Prüfungsformat: Ein Prüfungsformat ist eine konkrete Form (z. B. Klausur, mündliche Prüfung, Hausarbeit). Prüfungskultur ist das Muster vieler Formate plus die Routinen ihrer Bewertung.

• Welche Prüfungsformate dominieren in meinem Fach — und welche davon sind unter KI-Bedingungen noch aussagekräftig?
• Welche eine strukturelle Veränderung der Prüfungskultur würde meine Beurteilung wieder valider machen?
• Wo in meiner Schule liegen die organisatorischen Hürden gegen mehr mündliche Prüfungen — und wer könnte sie bewegen?

Welche Prüfungsform deines Fachs würde eine ehrliche Prüfung auf KI-Resistenz noch bestehen — und welche müsstest du verändern?

Prüfungskultur heisst: Wie wird in unserer Schule geprüft? Welche Klausuren gibt es? Was wird erwartet? Das hat sich über Jahre eingespielt. Aber wenn KI viele Aufgaben übernehmen kann, müssen wir manche Prüfungen anders machen — sonst sagen sie nichts mehr aus.

Sokratische Gesprächsführung meint eine Praxis, in der die Lehrperson Wissen nicht weitergibt, sondern in Frageform zugänglich macht. Sie geht auf die Figur des Sokrates und die platonischen Dialoge zurück, in denen Sokrates seine Gesprächspartner nicht widerlegt, sondern in eine geordnete Folge von Fragen führt, an deren Ende sie ihre ursprüngliche Position als unhaltbar oder als präzisierbar erkennen. Klassisch unterscheidet die Tradition zwei Bewegungen. Die Elenktik führt eine vorgebliche Gewissheit durch sorgfältige Rückfragen in einen produktiven Widerspruch (Aporie), in dem die Lernende bemerkt, dass ihre Begründung nicht so weit trägt, wie sie meinte. Die Mäeutik (Hebammenkunst) begleitet im Anschluss daran die Entstehung einer geklärteren Position; nicht die Lehrperson bringt das Wissen, sondern sie hilft, es bei der Lernenden zur Welt zu bringen. Didaktisch tragfähig wird das Verfahren nicht durch das blosse Stellen vieler Fragen, sondern durch eine Reihe spezifischer Bedingungen. Die Fragen sind nicht beliebig, sondern auf einen begriffenen Gegenstand bezogen und auf die Lernvoraussetzungen abgestimmt; die Gesprächsführung lässt Lernende formulieren, statt sie zu raten, was die Lehrperson hören will; sie hält Aporien aus, statt sie vorzeitig aufzulösen; und sie schliesst mit einer Konsolidierung, in der das Geklärte sprachlich gesichert wird. Wo diese Bedingungen fehlen, kippt das sokratische Gespräch entweder in ein Frage-Antwort-Ritual, in dem Lernende die Antwort der Lehrperson suchen, oder in ein folgenloses Räsonieren ohne fachliche Verbindlichkeit. Die Methode ist damit anspruchsvoller als sie wirkt; sie verlangt fachliche Sicherheit, didaktische Geduld und eine Haltung, die Nichtwissen ernst nimmt.

Wer fragt, behandelt sein Gegenüber als denkfähig. Sokratische Gesprächsführung ist deshalb mehr als eine Methode der Wissensvermittlung; sie ist eine Form, in der sich didaktische Achtung ausdrückt: Sie unterstellt, dass Lernende eine Position haben, die der Auseinandersetzung wert ist, und dass die Klärung dieser Position einen eigenständigen Lernwert hat. Praktisch schützt sie vor zwei verbreiteten Mustern. Sie verhindert das Pseudogespräch, in dem die Klasse rät, was die Lehrperson hören will, und sie verhindert die monologische Belehrung, die das Verstehen der Person übergeht. Wo sie gelingt, macht sie das Denken im Klassenraum sichtbar und bearbeitbar: Lernende formulieren, hören Mitlernende, präzisieren ihre Sprache und merken im Idealfall selbst, wo ihre Begründungen noch tragen und wo nicht. Damit ist die Methode kein Stilelement guter Didaktik, sondern ein Werkzeug, das die Tiefenstruktur des Lernens adressiert: die kognitive Verarbeitung, an der sich Lernwirksamkeit entscheidet.

Begrifflich geht die sokratische Methode auf die platonischen Frühdialoge und Xenophons Memorabilien zurück; das Bild der geistigen Hebammenkunst ist im Theaitetos ausgeprägt. Pädagogisch wirksam wurde die Tradition in mehreren Wellen: in der humanistischen Pädagogik der Renaissance, in der reformpädagogischen Wiederaufnahme um 1900 und systematisch im Neosokratischen Gespräch nach Leonard Nelson und Gustav Heckmann, das die Methode für philosophische Gruppenarbeit ausarbeitet. In der allgemeinen Didaktik wird sokratische Gesprächsführung dem entdeckenden und problemorientierten Lernen zugeordnet und mit dem fragend-entwickelnden Unterricht verglichen; in der empirischen Unterrichtsforschung gilt die Qualität der Lehrerfragen als ein Aspekt kognitiver Aktivierung. Kritisch diskutiert wird die idealisierende Aneignung der Tradition: Die platonischen Dialoge sind literarische Konstruktionen, nicht Transkripte realer Unterrichtsstunden, und ihre Übertragung in den Klassenraum erfordert eine eigenständige didaktische Reflexion.

Eine Geschichtslehrperson eröffnet die Stunde zur Französischen Revolution nicht mit einer Definition, sondern mit der Frage, was die Klasse unter einer Revolution versteht. Auf die erste Antwort folgt nicht Lob, sondern eine Rückfrage: Wäre dann auch der Übergang von Pferdekutsche zum Auto eine Revolution? Über mehrere Runden präzisiert die Klasse ihre Kriterien, stösst auf den Widerspruch zwischen technischer und politischer Verwendung des Begriffs und kommt zu einer Unterscheidung, die die Lehrperson am Ende sprachlich sichert.

Eine Berufsfachschullehrperson lässt die Klasse zur Vorbereitung einer Diskussion über Arbeitsethik mit einem System-Prompt-gesteuerten Chatbot arbeiten, der ausschliesslich Rückfragen stellen darf. Die Lernenden notieren, an welcher Stelle ihre erste Position ins Wanken geriet und welche Unterscheidung sie nach drei Frageschritten eingeführt haben. Im Plenum vergleicht die Lehrperson zwei Verläufe und zeigt, wo der Chatbot tatsächlich sokratisch arbeitete und wo er bloss freundlich um den Punkt herumformulierte.

Eine erfahrene Mathematiklehrperson beobachtet, dass ihre Klasse zwar Bruchrechnung korrekt ausführt, aber an einfachen Anwendungsproblemen scheitert. Statt nachzuüben, eröffnet sie eine Stunde mit der Frage, was es eigentlich heisse, etwas durch einen Bruch zu teilen. Nach 25 Minuten zäher Rückfragen und gegenseitiger Korrektur kommen drei Lernende selbst auf die Deutung als Verhältnis, an der sich die folgende Reihe orientiert.

• Sokratische Gesprächsführung sei dasselbe wie viele Fragen zu stellen. Tatsächlich ist nicht die Anzahl der Fragen entscheidend, sondern ihre fachliche Ausrichtung, ihre Abstimmung auf die Lernvoraussetzungen und die Bereitschaft der Lehrperson, Antworten der Lernenden ernst zu nehmen statt sie zu prüfen.
• Die Methode tauge nur für philosophische Themen. Tatsächlich lässt sie sich in allen Fächern einsetzen, in denen Begriffe geklärt, Annahmen geprüft oder Argumentationen entwickelt werden; sie ist eine Form, nicht ein Gegenstandsfeld.
• Es handle sich um das fragend-entwickelnde Unterrichtsgespräch, in dem die Klasse die Antwort der Lehrperson errät. Tatsächlich unterscheidet sich sokratische Gesprächsführung gerade darin, dass die Lernenden eine eigene Position formulieren dürfen und Aporien stehengelassen werden, statt sie auf die gewünschte Antwort hinzuführen.

Fragend-entwickelnder Unterricht: Der fragend-entwickelnde Unterricht führt die Klasse über eine geschlossene Frageserie auf ein vorab feststehendes Ergebnis hin und prämiert das Erraten der gewünschten Antwort. Sokratische Gesprächsführung lässt die Lernenden selbst formulieren, hält Aporien aus und arbeitet an deren Auflösung, ohne den Klärungsweg vorab als Lückentext zu organisieren.

Diskussion: Eine Diskussion stellt verschiedene Positionen gegeneinander und sucht meist Mehrheit oder Konsens. Sokratische Gesprächsführung ist nicht meinungsorientiert, sondern erkenntnisorientiert: Sie zielt auf die schrittweise Klärung eines Begriffs oder einer Begründung an einer einzelnen Position und akzeptiert Aporie als legitimes Zwischenergebnis.

Coaching: Coaching begleitet eine Person in einem persönlichen Entwicklungsanliegen und ist auf Handlungsfähigkeit ausgerichtet. Sokratische Gesprächsführung ist auf einen fachlichen Gegenstand bezogen und prüft Begriffe und Begründungen; auch wenn beide mit Fragen arbeiten, unterscheiden sich Zweck und Verbindlichkeit der Klärung.

• Welche meiner Fragen sind echte Fragen, und welche sind verkappte Anweisungen, die auf eine bestimmte Antwort zielen?
• An welcher Stelle in einer kommenden Stunde könnte ich eine Aporie stehen lassen, statt sie aus didaktischer Höflichkeit aufzulösen?
• Welche fachliche Vorbereitung brauche ich, um eine Fragesequenz so zu planen, dass sie wirklich an den Begriff und nicht nur am Stoff entlang führt?

Wähle eine kommende Stunde: An welcher Stelle könnte eine einzige sokratisch gestellte Frage mehr Lernwirkung entfalten als die geplante Erklärung, und welchen Mut zur Verlangsamung verlangt das von dir?

Bei der sokratischen Gesprächsführung gibt die Lehrperson nicht einfach Antworten. Sie stellt Fragen, die die Schülerinnen und Schüler zum Nachdenken bringen. So merken sie selbst, wo ihre Idee schon gut ist und wo sie noch nicht passt. Das Ziel ist nicht, eine Antwort zu erraten, sondern selbst eine zu finden, die wirklich trägt.

Sokratische KI-Begleitung versucht das didaktische Versprechen der sokratischen Tradition unter den Bedingungen generativer KI einzulösen. Sie nutzt die fast unbegrenzte Verfügbarkeit eines dialogfähigen Gegenübers und konfiguriert dieses Gegenüber so, dass es nicht antwortet, sondern fragt. Damit beansprucht sie eine paradoxe Leistung: Sie verwendet ein System, das technisch auf das Erzeugen von Antworten optimiert wurde, in einer Rolle, in der gerade das Zurückhalten von Antworten zentral ist. Praktisch wird diese Rolle durch eine Kombination aus Prompt-Strategien, System-Prompts und sogenannten Tutor-Modi hergestellt. Ein System-Prompt legt etwa fest, dass die KI keine Lösung ausgeben darf, bevor die Lernende drei eigene Versuche formuliert hat, dass sie auf jede Antwort mit einer Rückfrage reagiert oder dass sie an klar definierten Stellen den Klärungsstand zusammenfasst. Daneben spielt das Aufgabendesign eine entscheidende Rolle: Sokratische KI-Begleitung gelingt nur, wenn die Aufgabe selbst nach Klärung verlangt und nicht nach Antwort. Strukturelle Grenzen sind erheblich. Sprachmodelle tendieren statistisch zur Antwortgabe, weil ihre Trainingsdaten genau das belohnen; das Zurückhalten widerspricht ihrem Default. Sycophancy verstärkt die Tendenz, jede Antwort der Lernenden zu validieren, statt sie kritisch zu prüfen, und unterläuft damit die elenktische Bewegung der sokratischen Tradition. Die Begleitung kann zudem die Aporie kaum aushalten: Wo eine Lehrperson eine Verstehensblockade als produktive Schwierigkeit stehen lassen kann, neigt das Modell dazu, die Spannung durch Hinweise zu reduzieren. Sokratische KI-Begleitung ist damit weniger ein technisches Feature als ein didaktischer Anspruch, der durch sorgfältiges Design, kritische Reflexion der Modellgrenzen und eingebettete Lehrpersonenpräsenz eingelöst werden muss.

Wer KI im Unterricht ernst nimmt, kommt an der Rollenfrage nicht vorbei: Soll die KI die Lernarbeit erleichtern, indem sie Antworten gibt, oder soll sie sie strukturell ermöglichen, indem sie die Klärung der Lernenden unterstützt? Die zweite Variante ist anspruchsvoller und nicht selbstverständlich; sie verlangt, dass Lehrpersonen die Default-Rolle der KI aktiv umstellen. Sokratische KI-Begleitung ist deshalb mehr als eine Methodeneinführung; sie ist eine bildungstheoretische Setzung. Sie behauptet, dass auch in einem KI-gestützten Lernsetting die Aktivität der Lernenden konstitutiv bleibt und nicht durch ein effizientes Ausgaberegime ersetzt werden darf. Praktisch macht das den Unterschied zwischen einer Klasse, die mit Hilfe von KI besser denkt, und einer Klasse, die mit Hilfe von KI vermeidet zu denken. Für Schulen, die sich zu einer didaktisch verantworteten KI-Nutzung verpflichten wollen, ist sokratische KI-Begleitung das Leitbild, an dem sich der Einsatz konkret entscheiden lässt.

Theoretisch verbindet das Konzept die Tradition der sokratischen Methode mit der Tutorforschung. Klassisch verweisen Studien zum intelligent tutoring (Bloom 1984; VanLehn 2011) auf erhebliche Lerngewinne dialogischer Eins-zu-Eins-Begleitung gegenüber Frontalunterricht; VanLehn 2011 attribuiert den im Mittel etwa 0,8 Standardabweichungen grossen Effekt allerdings ausdrücklich der Schritt-für-Schritt-Interaktivität und nicht dem sokratischen Format selbst und relativiert zugleich Blooms 2-Sigma-Befund als überzeichnet; entscheidend bleibt die kognitive Aktivität der Lernenden. Mit dem Aufkommen grosser Sprachmodelle entstanden experimentelle Tutor-Modi wie Khan Academys Khanmigo oder verschiedene Versuche akademischer Lehrstühle, sokratische Prompts systematisch zu evaluieren; die empirische Evidenz ist 2026 noch jung, methodisch heterogen und betrifft meist kurze Interventionen. Theoretisch wird das Konzept zudem mit Konstruktivismus, mit Forschung zu produktiver Schwierigkeit (Bjork) und mit Modellen der Selbstregulation verknüpft. Kritisch eingewendet wird, dass sokratische Begleitung durch KI eine Pädagogik vortäuschen kann, ohne die didaktische Beziehung und die Aushaltefähigkeit einer realen Lehrperson zu ersetzen.

Eine Mathematiklehrperson stellt ihren Lernenden für die Vorbereitung einer Klausur einen Chatbot zur Verfügung, dessen System-Prompt vorschreibt: Erkläre nichts, sondern frage die Lernende zuerst, wie sie an die Aufgabe herangeht; gib einen Hinweis erst nach zwei eigenen Versuchen; bestätige keine Antwort, sondern frage, warum die Lernende sie für tragfähig hält. Die Lehrperson zeigt zu Beginn drei Beispiele, in denen der Bot dem Sokrates-Modus folgt, und drei, in denen er aus dem Modus fällt, damit die Klasse die Differenz erkennt.

An einer Pädagogischen Hochschule arbeiten Studierende in einer Veranstaltung zur Lernpsychologie mit einem sokratisch konfigurierten Bot, der ausschliesslich Rückfragen zu ihren Definitionen stellt. In der Auswertung notiert jede Studentin zwei Stellen, an denen die KI eine echte sokratische Bewegung erzeugt hat, und zwei Stellen, an denen sie aus der Rolle fiel und doch eine Antwort lieferte. Die Veranstaltung diskutiert anhand dieser Beispiele, welche Promptelemente die Rolle gehalten haben und welche sie unterlaufen liessen.

Eine Sekundarschule erprobt einen sokratisch konfigurierten Bot in einem Geografieunterricht zu Migration. Die ersten Auswertungen zeigen, dass die Lernenden in den ersten zehn Minuten produktiv klären, danach den Bot aber wiederholt mit der Bitte 'einfach erklären' aus dem Modus drängen. Die Schule reagiert nicht mit einem strengeren Prompt, sondern mit einer didaktischen Regel: Nach jedem Drängen schreiben die Lernenden eine Zeile, was sie zu vermeiden versuchen. Die Klärung verlagert sich damit von der Maschine in den Lernprozess.

• Sokratische KI-Begleitung sei ein technisches Feature des Chatbots. Tatsächlich ist sie ein didaktischer Anspruch, der durch Aufgabendesign, System-Prompts und Lehrpersonenpräsenz gemeinsam realisiert wird; ohne diese Einbettung kippt jedes Tool zurück in seinen Antwortmodus.
• Mit einem guten Prompt sei das Problem gelöst und der Bot werde zuverlässig sokratisch. Tatsächlich tendieren Sprachmodelle strukturell zur Antwortgabe und zur Sycophancy; auch gut konfigurierte Modi brechen regelmässig zusammen, vor allem wenn die Lernende drängt.
• Sokratische KI-Begleitung sei eine vollwertige Ersatzform für menschliche Tutorierung. Tatsächlich kann sie eine produktive Ergänzung sein, aber sie ersetzt weder die didaktische Beziehung noch die fachliche Beurteilung einer Lehrperson und sollte explizit als ergänzendes Format gerahmt werden.

Sokratische Gesprächsführung: Die klassische Methode lebt von der Präsenz einer Lehrperson, die Aporien aushalten und Antworten echt hören kann. Die KI-Begleitung versucht denselben Anspruch mit einem System einzulösen, das technisch zur Antwort tendiert; sie ist nicht die Methode selbst, sondern ihr riskanter Versuch unter veränderten Bedingungen.

KI-Lernunterstützung im weiten Sinn: KI-Lernunterstützung im weiten Sinn umfasst alle Formen, in denen KI individualisierte Hilfe gibt, einschliesslich Erklärungen, Hinweisen und direkter Lösungen (LLM-Tutoren wie Khanmigo etwa). Sokratische KI-Begleitung ist eine spezifische, methodisch enge Variante davon, die das Antwortgeben gerade aufschiebt und die Klärung an die Lernende delegiert.

Adaptives Lernsystem: Adaptive Systeme variieren Aufgaben und Hinweise anhand von Leistungsdaten und folgen einem vorab modellierten Lernpfad. Sokratische KI-Begleitung dagegen ist dialogisch offen, nicht curriculargesteuert, und arbeitet an der von der Lernenden eingebrachten Klärungsfrage statt an einem Trainings-Item.

• An welcher Stelle in meinem Unterricht würde eine sokratisch konfigurierte KI-Begleitung wirklich einen Mehrwert gegenüber meiner eigenen Frage stiften, und an welcher Stelle wäre sie nur Effekthascherei?
• Welche zwei Promptelemente halten in meinen Tests den sokratischen Modus am robustesten, und welche zwei lassen ihn am schnellsten kippen?
• Wie gehe ich damit um, dass Lernende den Bot durch Drängen aus der Rolle drängen können, und welche Reflexionsschleife schliesse ich daran an?

Wo in deinem Unterricht würdest du als Lehrperson sokratisch fragen, und welchen Teil dieser Bewegung würdest du einer KI-Begleitung anvertrauen, ohne die didaktische Verantwortung an sie abzugeben?

Sokratische KI-Begleitung heisst: Die KI gibt nicht einfach Antworten, sondern stellt Fragen, damit die Schülerin selbst weiterkommt. Das ist schwer, weil KI eigentlich darauf trainiert ist, sofort zu antworten. Damit es trotzdem funktioniert, muss die Lehrperson die Aufgabe und den Bot so einrichten, dass die KI in ihrer fragenden Rolle bleibt.

Mit KI-Deklaration ist die ausdrückliche und nachvollziehbare Kennzeichnung gemeint, dass und wie KI bei der Bearbeitung einer Aufgabe genutzt wurde. Sie reicht von einer einfachen Erklärung am Ende einer Arbeit ('Diese Arbeit wurde unter Einbezug von ChatGPT für die Recherche und die sprachliche Überarbeitung erstellt'), über ein Nutzungsprotokoll mit Aufstellung der wichtigsten Prompts und der Art ihres Einflusses, bis zu in Text- und Code eingebetteten Markierungen einzelner Passagen. KI-Deklaration ist damit kein einzelnes Format, sondern eine institutionelle Norm, die in unterschiedlichen Tiefen umgesetzt werden kann. Pragmatisch dient sie der Beurteilbarkeit: Sie ermöglicht es Lehrpersonen, sich ein Bild davon zu machen, welche Anteile einer Arbeit der Person zugerechnet werden können und welche der KI; sie macht Eigenleistung sichtbar, ohne KI-Nutzung pauschal zu sanktionieren. Ethisch ist sie eine Ausdrucksform intellektueller Redlichkeit, wie sie auch klassisch durch Zitation hergestellt wird: Wer fremde Beiträge nutzt, kennzeichnet sie. Akademische Integrität ist in dieser Hinsicht keine Frage einzelner Tools, sondern einer Haltung, die ihr Tun überprüfbar macht. Damit Deklaration funktioniert, müssen drei Bedingungen erfüllt sein. Erstens braucht es klare Regeln darüber, was deklariert werden soll, welches Detail erwartet wird und welche Konsequenzen aus einer Deklaration folgen. Zweitens muss eine Deklarationskultur eingeübt werden, in der die Offenlegung nicht als Schwäche gilt, sondern als Standard professioneller Arbeit. Drittens muss die Deklaration mit Beurteilung gekoppelt sein, sonst bleibt sie ein Lippenbekenntnis ohne Folgen für den Lernweg.

Ohne Deklaration zerfällt die Beurteilung in unter KI-Bedingungen unfaire Spekulation. Lehrpersonen müssten zu Detektivinnen werden, die anhand stilistischer Indizien Vermutungen anstellen; diese Praxis ist unzuverlässig, beziehungsschädigend und institutionell heikel. KI-Deklaration verschiebt die Last vom Erkennen zur Erklärung: Nicht die Lehrperson muss nachweisen, dass KI genutzt wurde, sondern die Lernende zeigt, wo und wie. Damit gewinnt die schulische Praxis ein Mittel zurück, mit dem sie zwischen erlaubter Unterstützung und unzulässiger Ersetzung unterscheiden kann, ohne KI grundsätzlich zu verbieten. Zugleich erfüllt Deklaration eine pädagogische Funktion. Sie zwingt Lernende, ihr eigenes Vorgehen zu beschreiben, und macht damit metakognitive Reflexion zur Pflicht. Sie erzieht zu einer Haltung, die intellektuelle Redlichkeit nicht als zusätzliche Schikane, sondern als integralen Teil ernsthafter Arbeit begreift. Diese Funktion geht weit über das Pragmatische hinaus und betrifft, wie Lernende ihr Verhältnis zu Wissen, Werkzeugen und ihrer eigenen Leistung verstehen.

Begrifflich knüpft KI-Deklaration an die Tradition der wissenschaftlichen Zitation und an die akademische Integrität an, wie sie etwa von Bretag und anderen für eine Welt zunehmender Plagiatsdebatten ausgearbeitet wurde. Sie verschiebt deren Reichweite: Während Zitation auf konkret zuschreibbare Quellenwerke zielt, betrifft KI-Deklaration einen Werkzeugeinsatz, dessen Beiträge nicht zitierbar im klassischen Sinn sind. International haben Hochschulen und Schulbehörden seit 2023 erste Standards entwickelt, die zwischen erlaubter, dokumentationspflichtiger und unzulässiger KI-Nutzung unterscheiden; die EDK und einzelne Kantone haben Hinweise dazu veröffentlicht. Empirische Forschung zu Wirksamkeit und Akzeptanz solcher Deklarationspflichten ist 2026 noch jung; methodisch zeigt sich, dass Deklaration in offenen Lernsettings besser angenommen wird als in Prüfungssettings, und dass die Wirksamkeit massgeblich vom institutionellen Rahmen abhängt. Kritisch diskutiert wird die Annahme, dass Lernende ihre KI-Nutzung zuverlässig selbst erkennen und beschreiben können; gerade die unkritische Übernahme bleibt häufig undeklariert, weil sie nicht als Nutzung wahrgenommen wird.

Eine Gymnasiallehrperson verlangt für jede grössere schriftliche Arbeit drei Zeilen Deklaration am Ende: Welches Tool wurde genutzt, für welche Funktion (Recherche, Strukturierung, Formulierung, Korrektur, Übersetzung) und an welcher Stelle in der Arbeit. Drei Beispieldeklarationen werden zu Beginn des Semesters besprochen, eine davon mit Mängeln, damit die Klasse selbst erkennt, was eine tragfähige Deklaration ausmacht.

An einer Berufsfachschule führt ein Fachschaftsteam für die Abschlussarbeit ein einseitiges Nutzungsprotokoll ein. Die Lernenden tragen drei bis fünf wichtige Promptverläufe ein und kommentieren in zwei Sätzen, was sie übernommen, verändert oder verworfen haben. Das Protokoll wird mitbeurteilt; eine Arbeit ohne nachvollziehbares Protokoll wird zur Überarbeitung zurückgegeben statt als Plagiat behandelt. Die Beziehung zwischen Schule und Lernenden bleibt damit klärend statt kontrollierend.

Eine Schule führt eine einheitliche Deklarationsregel für alle schriftlichen Arbeiten ein und protokolliert ein Jahr lang die Erfahrungen. Die Auswertung zeigt: Beschwerden über vermeintliche KI-Nutzung gehen deutlich zurück; gleichzeitig steigt die Qualität der Reflexion in Klassen, in denen Deklaration explizit unterrichtet wurde. In zwei Fachschaften, die die Regel nur dem Namen nach übernommen, aber nicht in die Beurteilung gekoppelt haben, bleibt die Wirkung aus.

• KI-Deklaration sei dasselbe wie ein KI-Verbot mit Ausnahmen. Tatsächlich ist sie der Gegenentwurf zu einem Verbot: Sie akzeptiert KI als legitimes Werkzeug und macht ihren Einsatz durch Offenlegung verhandelbar, statt ihn in die Heimlichkeit zu verdrängen.
• Mit einer Deklaration sei alles in Ordnung und das Produkt automatisch als Eigenleistung anerkannt. Tatsächlich ist Deklaration die Voraussetzung für eine sinnvolle Beurteilung, nicht ihr Ersatz; das Produkt wird im Licht der deklarierten Nutzung beurteilt, nicht unbesehen anerkannt.
• Lernende könnten ihre KI-Nutzung problemlos selbst beschreiben. Tatsächlich verlangt eine tragfähige Deklaration metakognitive Kompetenz, die eingeübt werden muss; ohne Anleitung und Beispiele entstehen Floskeln oder Auslassungen, vor allem dort, wo Übernahmen nicht bewusst wahrgenommen wurden.

KI-Verbot: Ein KI-Verbot untersagt jede Nutzung und setzt auf Kontrolle; es scheitert empirisch häufig an der Nichtnachweisbarkeit und schadet pädagogisch, weil es Lernende zur Heimlichkeit erzieht. KI-Deklaration erlaubt Nutzung unter der Bedingung der Offenlegung und verschiebt die Norm vom Was-nicht zum Wie-sichtbar.

Zitation: Zitation kennzeichnet konkrete Quellenwerke und ist auf urheberrechtlich greifbare Beiträge ausgerichtet. KI-Deklaration betrifft einen Werkzeugeinsatz mit variablem, nicht zitierfähigem Beitrag und ergänzt die Zitation; beide gehören zur intellektuellen Redlichkeit, sind aber methodisch unterschiedlich.

KI-Detektion: KI-Detektion versucht KI-Anteile algorithmisch zu identifizieren und verschiebt die Verantwortung auf die Technik. KI-Deklaration verschiebt sie auf die Lernende und macht die Offenlegung zur Pflicht; sie ist verlässlicher als Detektion und pädagogisch produktiver, weil sie Reflexion einübt.

• Welches Niveau von KI-Deklaration verlange ich in meinen Aufgaben, und an welcher Stelle ist diese Erwartung tatsächlich an Beurteilung gekoppelt?
• An welchen Stellen meiner aktuellen Praxis arbeite ich noch mit Detektion oder Misstrauen statt mit klar geregelter Deklaration?
• Welches Beispiel und welches Gegenbeispiel zeigt der Klasse am klarsten, was eine tragfähige Deklaration ausmacht?

Wähle eine kommende Arbeit: Welche Deklaration würdest du verlangen, welches Format wäre für diese Klasse passend, und welche Konsequenz hätte eine unzureichende Deklaration tatsächlich?

KI-Deklaration heisst, dass eine Schülerin am Ende einer Arbeit ehrlich sagt, ob und wie sie KI benutzt hat. Zum Beispiel: für die Idee, für die Sprache oder für die Korrektur. Das ist nicht schlimm, sondern Teil ehrlicher Arbeit. So weiss die Lehrperson, was wirklich von der Schülerin kommt, und kann fair beurteilen.

Die Rolle der KI als Coach beschreibt eine bestimmte Verwendungsweise generativer KI im Lernprozess: Die KI wird nicht als Lieferant fertiger Lösungen genutzt, sondern als Gegenüber, das Lernende bei der eigenen Arbeit unterstützt. Coaching umfasst dabei drei Funktionen. Erstens das Strukturieren: Die KI hilft, ein diffuses Anliegen zu sortieren, indem sie nachfragt, gliedert und Optionen für nächste Schritte aufzeigt. Zweitens das Fragen: Sie reflektiert eine Antwort der Lernenden zurück und stellt eine Anschlussfrage, statt einen Lösungsweg vorzulegen. Drittens das Spiegeln: Sie fasst zusammen, was die Lernende gesagt hat, hebt Unklarheiten hervor und gibt damit eine Form von Aussensicht, die in der einzelnen Bearbeitung sonst fehlt. Wichtig ist, was die Rolle nicht ist. Eine Coach-Rolle bedeutet nicht, dass die KI freundlich ist und Lob ausspricht; das ist Sycophancy, kein Coaching. Sie bedeutet nicht, dass die KI in jeder Situation strukturierend wirkt; in vielen Settings ist eine direkte Antwort sinnvoll und legitim. Coaching ist eine spezifische Rolle, die zur Aufgabe passen muss. Damit sie gelingt, sind Designentscheidungen entscheidend. Die Aufgabe muss so angelegt sein, dass eine Coach-Rolle der KI tatsächlich hilft, also dass die Lernende eigene Klärung braucht und nicht eine fertige Auskunft. Das Prompt-Setting muss die Rolle stabilisieren, zum Beispiel durch einen System-Prompt, der die KI zu Rückfragen statt zu Lösungen verpflichtet, oder durch die Vorgabe, dass die Lernende drei eigene Versuche dokumentiert, bevor sie um eine Lösung bittet. Und die Lehrperson muss den Rahmen so setzen, dass die Coach-Rolle nicht im ersten Frustmoment zur Antwortmaschine kippt. Wo diese Bedingungen fehlen, ist Coaching ein Etikett, das auf eine Sitzung geklebt wird, die in Wahrheit anders verläuft.

Wie Schulen die Rolle der KI definieren, entscheidet darüber, was Lernende mit ihr tun. Bleibt die Rolle implizit, fällt sie nahezu zwangsläufig in den Default zurück: KI als Antwortlieferant. Die Rolle des Coaches ist die didaktisch ambitioniertere Variante, die nicht von selbst entsteht, sondern aktiv hergestellt werden muss. Sie ist deshalb mehr als ein Stilelement; sie ist eine bildungstheoretische Entscheidung darüber, ob KI im Lernen Verfügbarkeit erhöht oder Eigenleistung ermöglicht. Praktisch bewahrt die Coach-Rolle vor zwei Verkürzungen. Sie verhindert die Vorstellung, KI sei automatisch hilfreich, wenn sie nur höflich genug antworte. Sie verhindert zugleich die Vorstellung, KI sei pauschal lernschädlich, weil sie Antworten gebe. Beides greift zu kurz, weil es die Rollenfrage übergeht. Wer die Rolle des Coaches in seinen Aufgaben verankert, gestaltet KI-Einsatz produktiv und macht zugleich verhandelbar, welche Coach-Anteile in welchem Setting gewollt sind.

Begrifflich verbindet die Rolle der KI als Coach Konzepte aus der Tutorforschung, aus Coaching-Theorien und aus der konstruktivistischen Lerntheorie. Aus der Tutorforschung stammt die Einsicht, dass dialogische Eins-zu-Eins-Begleitung Lernen erheblich beschleunigen kann, ohne notwendig auf Antwortgabe zu setzen (Bloom 1984; VanLehn 2011). Aus der Coaching-Tradition stammt das Repertoire fragender, klärender Interventionen, das in der Beratungspraxis etabliert ist und sich für Lernsettings adaptieren lässt; einflussreich ist ein ko-konstruktives, ressourcenorientiertes Beratungsverständnis, wie es in Lehrcoaching und lerntheoretisch fundierter Lernberatung ausgearbeitet wird. Konstruktivistisch wird die Rolle damit begründet, dass die Klärung an der Lernenden selbst stattfinden muss und nicht von aussen geliefert werden kann. Empirisch ist die Evidenz für KI-Coaching im Schulkontext 2026 noch dünn; einzelne Studien deuten an, dass coachende Modi die Lernzeit verlängern, aber die Verstehensqualität nicht automatisch erhöhen, vor allem wenn Lernende nicht in der Coach-Logik trainiert sind. Kritisch wird eingewendet, dass das Etikett Coach den Antwortcharakter der Modelle kaschiert, statt ihn pädagogisch zu bearbeiten.

Eine Deutschlehrperson lässt die Klasse mit einem coachend konfigurierten Chatbot an einer Erörterung arbeiten. Der Bot hat den Auftrag, vor jedem Vorschlag die Position der Lernenden klarer zu fassen, und bietet Strukturhilfen erst an, wenn die Lernende mindestens zwei Argumente formuliert hat. Im Plenum bespricht die Lehrperson zwei Verläufe: einen, in dem der Bot tatsächlich coachte, und einen, in dem er nach drei Runden in Antwortmodus kippte, weil die Lernende ihm Lösungen entlockte.

Im Lehrgang einer pädagogischen Hochschule arbeiten Studierende an einer Praxisplanung mit einer KI in Coach-Rolle. Vorgegeben ist eine Reflexionsroutine: Die KI fragt erst nach Zielen, dann nach Lernvoraussetzungen, dann nach der ersten Aufgabenidee, und gibt erst nach diesen Schritten eine Variantenrückmeldung. Studierende dokumentieren in zwei Sätzen, an welcher Stelle der Coach die Klärung tatsächlich vorangetrieben und an welcher er bloss freundlich zugestimmt hat.

Eine Sekundarlehrperson erprobt ein neues Setting: Die Lernenden arbeiten in der Recherche mit einer KI in Coach-Rolle. Nach zwei Wochen zeigt die Auswertung, dass die Klasse mehr Zwischenschritte dokumentiert als zuvor, dass aber drei Lernende den Bot durch geschicktes Nachfragen regelmässig in den Antwortmodus drängen. Die Lehrperson ergänzt den Rahmen um eine Reflexionsschleife: Wenn der Bot eine Lösung liefert, notiert die Lernende, an welcher Stelle die Coach-Rolle gebrochen ist und welche eigene Klärung damit ausgelassen wurde.

• KI als Coach bedeute, dass die KI besonders freundlich antwortet und Lernende ermutigt. Tatsächlich ist freundliches Bestätigen Sycophancy und kein Coaching; coaching verlangt klärende Fragen und ehrliche Spiegelung, nicht emotionalen Komfort.
• Die Coach-Rolle entstehe automatisch, wenn man die KI höflich bittet, nicht alles zu verraten. Tatsächlich ist sie das Ergebnis einer Designentscheidung, die durch System-Prompt, Aufgabengestaltung und Lehrpersonenrahmen aktiv stabilisiert werden muss; ohne diese Stützen kippt sie regelmässig zurück in den Antwortmodus.
• Coaching durch KI sei in jeder Situation der bessere Modus. Tatsächlich gibt es Aufgaben, in denen eine direkte Auskunft sinnvoller ist als ein Klärungsprozess; die Coach-Rolle ist eine begründete Wahl, kein universelles Ideal.

KI als Antwortmaschine: Coach und Antwortmaschine unterscheiden sich auf zwei Achsen: in der primären Funktion (Klärung gegenüber Auslieferung) und in der Rolle der Eigenleistung (vorausgesetzt und gestützt gegenüber überflüssig gemacht). Sie sind nicht zwei Tools, sondern zwei Rollen derselben Technik, die durch Design entstehen oder eben nicht.

KI-Tutoring: Tutoring ist curricular getaktet und führt entlang eines Lehrziels; Coaching arbeitet offener an der eingebrachten Klärungsfrage der Lernenden. Beide können produktiv sein; die Coach-Rolle räumt der Steuerung durch die Lernende systematisch mehr Raum ein.

Beratung: Beratung ist meist auf eine persönliche Entscheidungslage bezogen und entkoppelt vom curricularen Lernziel. Coaching durch KI ist didaktisch eingebettet und auf das Lernen einer bestimmten Sache gerichtet; die Klärung dient nicht der Lebensentscheidung, sondern dem Verstehen.

• In welcher meiner Aufgaben ist die Coach-Rolle der KI tatsächlich begründet, und in welcher ist eine direkte Antwort die didaktisch ehrlichere Wahl?
• Welche zwei Designentscheidungen halten in meinen Settings die Coach-Rolle am stabilsten, und an welcher Stelle kippt sie am häufigsten in den Antwortmodus?
• Wie unterscheide ich für die Klasse erkennbar zwischen freundlicher Sycophancy und echtem Coaching, damit Lernende das Format einordnen können?

Wähle eine KI-gestützte Aufgabe: An welcher Stelle würde die Coach-Rolle der KI deiner Klasse wirklich helfen, und welche zwei Designelemente bräuchte es, damit diese Rolle nicht in den Antwortmodus zurückfällt?

KI als Coach heisst, dass die KI nicht einfach die Antwort gibt, sondern beim Denken hilft. Sie stellt Fragen, fasst zusammen und hilft, Ideen zu ordnen. So lernt die Schülerin selbst, einen Weg zu finden, anstatt die fertige Lösung zu bekommen. Das funktioniert nur, wenn die Lehrperson die Aufgabe und den Chat so einrichtet, dass die KI in dieser Rolle bleibt.

Die Rolle der KI als Antwortmaschine beschreibt die Verwendungsweise, in der eine Lernende oder eine Lehrperson der KI eine Frage stellt und eine möglichst vollständige Antwort erhält. Diese Rolle ist nicht durch böse Absicht entstanden, sondern ist der Default der gegenwärtigen Modelle. Sie sind technisch darauf optimiert, plausible Antworten zu erzeugen, und in den meisten Anwendungsfeldern, vom Kundendienst über Programmierhilfe bis zur Übersetzung, ist genau das die nützliche Leistung. In Lernkontexten ist diese Rolle jedoch problematisch. Sie ist nicht problematisch, weil KI Antworten gibt, sondern weil sie sie auf einem Niveau und in einer Geschwindigkeit liefert, die die kognitive Eigenarbeit der Lernenden umgehen kann. Wer ein Argument selbst entwickeln müsste, kann es sich nun in zehn Sekunden in fertiger Form ausgeben lassen; wer eine Begründung selbst durchdenken müsste, kann sie überspringen. Dadurch entsteht ein Lernen, das sich kognitiv flach an der Oberfläche eines fertigen Produkts bewegt, ohne dessen Tiefenstruktur zu durchdringen. Das ist nicht in jeder Situation lernschädlich. Wer einen Begriff schnell nachschlagen will, einen Routinevorgang automatisieren möchte oder eine Übersetzung benötigt, wird in der Antwortmaschine ein legitimes Werkzeug finden. Lernschädlich wird die Rolle dort, wo sie in eine Aufgabe einschleicht, deren Sinn gerade darin lag, dass die Lernende selbst denkt. Die Rollendiagnose ist deshalb nicht KI-feindlich, sondern didaktisch differenzierend: Sie unterscheidet, in welchen Settings die Antwortmaschine ein nützliches Werkzeug ist und in welchen sie die Bildungssubstanz aushöhlt. Wer diese Unterscheidung nicht macht, redet entweder pauschal gegen KI oder lässt sich von ihrer Verfügbarkeit kritiklos einsaugen.

Wer die Antwortmaschinen-Rolle nicht benennen kann, kann sie auch nicht regulieren. Die diagnostische Schärfe dieses Begriffs liegt darin, dass er den Modus identifiziert, in dem KI im Lernen am häufigsten genutzt wird, ohne ihn moralisch zu disqualifizieren. Er erlaubt eine Praxis, die zwischen legitimer und problematischer Nutzung unterscheidet, und damit eine Position jenseits des falschen Gegensatzes von KI-Begeisterung und KI-Verbot. Praktisch ist diese Unterscheidung die Voraussetzung dafür, dass Schulen mit KI verantwortlich umgehen können. Wo eine Aufgabe in der Logik der Antwortmaschine sinnvoll wäre, kann sie KI bewusst zulassen und das Ergebnis als Lernanstoss nutzen. Wo eine Aufgabe in dieser Logik ihren Sinn verliert, kann sie umgebaut werden, sodass sie der Antwortmaschine nicht zugänglich ist oder ihren Einsatz produktiv einbindet. Ohne die Rollendiagnose bleibt diese Designarbeit blind und führt entweder zu generellem Verbot oder zur stillen Aushöhlung des Unterrichts.

Begrifflich knüpft die Rolle an die Forschung zu cognitive offloading an, die untersucht, wie das Auslagern kognitiver Anstrengung an externe Werkzeuge das Behalten und Verstehen beeinflusst (Risko und Gilbert; Sparrow und andere); die Befunde zeigen, dass das Auslagern dann nicht lernschädlich ist, wenn die ausgelagerte Operation für das Lernziel sekundär ist, aber sehr wohl lernschädlich, wenn sie zentral war. Sie knüpft zudem an klassische Lerntheorien zur Eigenaktivität an, von Piagets Konstruktion bis zu Bjorks desirable difficulties, nach denen Lernen Aufwand und Auseinandersetzung verlangt; eine zu einfache Antwort entzieht dem Lernprozess gerade die Bewährungsfläche, an der Verstehen entsteht. Empirisch ist die Forschung zu lernschädlichen Wirkungen generativer KI 2026 noch jung, methodisch schwierig und teils widersprüchlich; deutlich ist, dass kurze Interventionen mit KI das Produkt verbessern, ohne dass dies einer dauerhaften Verstehenszunahme entsprechen müsste. Kritisch eingewendet wird, dass die Rede von einer Antwortmaschine zu instrumentell sei und die Beziehung zwischen Lernenden und KI nicht adäquat fasse; dieser Einwand ist berechtigt, aber er widerspricht der Diagnose nicht, sondern verlangt ihre Einbettung in eine umfassendere Rollenreflexion.

Eine Wirtschaftslehrperson erkennt nach zwei Reihen, dass die Klasse für Aufgaben zum strukturierten Erklären die KI als Antwortmaschine nutzt und dadurch erkennbar an Eigenformulierung verliert. Sie reagiert nicht mit einem Verbot, sondern mit zwei Aufgabentypen. In einem dürfen die Lernenden die KI explizit als Antwortmaschine nutzen, müssen aber im Anschluss ihre eigene Erklärung daneben formulieren. Im anderen sind Aufgaben so umgebaut, dass eine Antwortmaschine kaum greifen kann, weil sie auf eine eigene Klassendiskussion Bezug nehmen müssen.

An einer Berufsfachschule wertet eine Fachschaft anonyme Nutzungslogs aus und stellt fest, dass die Mehrheit der Lernenden KI fast ausschliesslich in Antwortmaschinen-Rolle einsetzt. Statt diese Rolle zu verbieten, führt sie zwei Settings ein: ein Werkstattformat, in dem die Antwortmaschine ausdrücklich erlaubt ist und ihre Ausgabe didaktisch reflektiert wird, und ein Klausurformat ohne KI, in dem geprüft wird, was die Person ohne Werkzeug noch selbst kann. Die Rollendiagnose macht den Doppelweg argumentierbar.

Ein Gymnasium analysiert nach einem Semester die Abschlussarbeiten und stellt fest, dass die sprachliche Qualität flächendeckend gestiegen, die argumentative Eigenständigkeit hingegen kaum mehr greifbar ist. Die Fachkonferenz nennt das Phänomen erstmals ausdrücklich Antwortmaschinen-Effekt und entwickelt ein zweigleisiges Modell: Aufgaben mit klarer Antwortmaschinen-Logik werden produktbasiert, aber gekoppelt mit mündlicher Verteidigung beurteilt; Aufgaben mit hoher Eigenleistungsforderung werden in begleiteten Settings ohne KI bearbeitet.

• Die Rolle der Antwortmaschine sei ein moralisches Urteil über die KI oder ihre Nutzer. Tatsächlich ist sie eine deskriptive Rollendiagnose; viele Nutzungen in dieser Rolle sind unproblematisch oder nützlich, und der Begriff schliesst die KI-Nutzung nicht aus, sondern verortet sie.
• Die Antwortmaschinen-Rolle sei in der Schule immer lernschädlich. Tatsächlich ist sie es nur dort, wo die geforderte Eigenleistung gerade in der Operation lag, die die KI nun übernimmt; in anderen Settings kann die Antwortmaschine eine produktive Effizienzhilfe sein.
• Die Rolle der Antwortmaschine entstehe durch Tools, die das so vorsehen. Tatsächlich entsteht sie durch Aufgaben, die mit einer Antwortmaschine kompatibel sind; ohne Aufgabenumbau ändert auch das ausgeklügeltste Tool wenig an der Default-Rolle.

KI als Coach: Coach und Antwortmaschine unterscheiden sich auf zwei Achsen: in der primären Funktion (Klärung gegenüber Auslieferung) und in der Rolle der Eigenleistung (vorausgesetzt und gestützt gegenüber überflüssig gemacht). Sie sind nicht zwei Tools, sondern zwei Rollen derselben Technik, die durch Design entstehen oder eben nicht.

Nachschlagewerk: Ein klassisches Nachschlagewerk liefert geprüfte Information zu einem klar umrissenen Begriff, eine KI als Antwortmaschine generiert dagegen eine Antwort, die plausibel klingt, ohne dass ihre Korrektheit gesichert wäre. Die Rolle ist oberflächlich ähnlich, aber die epistemische Verlässlichkeit unterscheidet sich grundlegend.

Suchmaschine: Eine Suchmaschine verweist auf Quellen, deren Auswertung bei der Nutzerin verbleibt. Die Antwortmaschine liefert die Antwort selbst und verkürzt damit die Bewertungs- und Auswahlarbeit; sie verschiebt mehr kognitive Last weg von der Person, was in Lernkontexten anders zu beurteilen ist als in Effizienzkontexten.

• In welchen meiner aktuellen Aufgaben kann eine KI als Antwortmaschine genau das liefern, was die Aufgabe von der Person verlangt, und was sagt das über die Aufgabe?
• An welcher Stelle ist die Antwortmaschinen-Rolle didaktisch unproblematisch, und an welcher Stelle untergräbt sie eine zentrale Lernoperation?
• Welche zwei Aufgabentypen aus meinem Repertoire müssen umgebaut werden, weil sie unter Antwortmaschinen-Bedingungen ihren Sinn verlieren?

Wähle eine Aufgabe aus deinem Unterricht: An welcher Stelle wird sie unter Antwortmaschinen-Bedingungen trivial, und welche Designentscheidung würde sie wieder zu einer Aufgabe machen, die Eigenleistung verlangt?

Eine Antwortmaschine ist eine KI, die schnell und sicher Antworten liefert. Im Alltag ist das oft praktisch. In der Schule kann es aber gefährlich werden, weil die Schülerin dann nicht selbst nachdenken muss. Das Problem ist nicht die KI, sondern die Aufgabe: Wenn die Aufgabe so gestellt ist, dass die KI sie ganz lösen kann, lernt die Schülerin nichts daran.

Promptqualität meint die Beschaffenheit einer Anweisung an ein Sprachmodell, soweit sie die Ausgabe zielführend prägt. Etabliert sind vier Dimensionen: Klarheit (sprachlich eindeutig, frei von Ambiguität), Spezifität (so detailliert, dass das Modell nicht ins Generische ausweicht), Kontextreichtum (Rolle, Zielgruppe, Materiallage, Vorerfahrungen sind benannt) und Zielgerichtetheit (der Zweck der Antwort ist beschrieben, nicht nur ihr Thema). In dieser technischen Lesart ist Promptqualität eine Bedienkompetenz, die mit Übung wächst und in jeder seriösen KI-Schulung vermittelt wird. Die didaktische Pointe liegt jedoch quer dazu. Sie verschiebt die Frage von 'Wie gut promptet jemand?' zu 'Wozu promptet jemand?' und unterscheidet damit zwei sehr verschiedene Verwendungen guter Prompts. In der ersten Lesart sind gute Prompts Mittel zum Lernen: Sie verlangen vom Sprachmodell, Gegenargumente zu produzieren, Hypothesen zu prüfen, Alternativen abzuwägen oder Begründungen einzufordern. In dieser Lesart formuliert ein Prompt eine kognitive Operation, die die Lernende selbst durchläuft, indem sie das Ergebnis kritisch verarbeitet. In der zweiten Lesart wird Prompten zu einer eigenständigen Kompetenz, deren Gegenstand der Prompt selbst ist; diese Kompetenz reduziert sich auf die Frage, mit welcher Formulierung sich aus dem Modell der höchste Ausgabewert herauskitzeln lässt, und löst sich damit von der Lernoperation ab, der sie eigentlich dienen sollte. Die didaktische Kritik am Prompt-Engineering-Diskurs setzt genau hier an. Sie bestreitet nicht den technischen Nutzen guten Promptens, sondern wendet sich gegen seine Verselbständigung zur isolierten Kompetenz, die in Schulungen vermittelt und in Stellenanzeigen verlangt wird, ohne dass mit ihr eine inhaltliche Lernzumutung verbunden wäre. Wer Promptqualität ohne Zweckfrage unterrichtet, lehrt Lernende, mit KI effizient zu interagieren, und entzieht ihnen zugleich die didaktische Frage, ob diese Interaktion in der jeweiligen Situation überhaupt das Richtige tut.

Wer Promptqualität ohne ihre Zweckfrage unterrichtet, riskiert eine Verkürzung von KI-Bildung auf Bedienkompetenz. Das ist gefährlich, weil Bedienkompetenz unter Bedingungen sich schnell entwickelnder Werkzeuge nicht stabil ist: Was 2024 als guter Prompt galt, ist 2026 mit neueren Modellen oft überflüssig, weil die Modelle Kontext selbst rekonstruieren oder vage Anweisungen besser ausschöpfen. Eine Bildung, die nur die Bedienoberfläche lehrt, veraltet mit der Oberfläche. Die didaktische Auseinandersetzung mit Promptqualität dagegen, die nach dem Zweck fragt, bleibt tragfähig, weil sie an einer Konstanten arbeitet: an der Beziehung zwischen einer kognitiven Operation und einem Werkzeug, das sie unterstützen oder ersetzen kann. Praktisch bedeutet das, Lernende nicht primär zur Eingabeoptimierung anzuhalten, sondern dazu, ihre Prompts didaktisch zu lesen: Was soll diese Eingabe ermöglichen, was soll sie verhindern, und wo trägt sie das Lernen, wo umgeht sie es? Wer in dieser Weise mit Promptqualität arbeitet, vermittelt eine Kompetenz, die mit jedem Modellwechsel mitwächst, weil sie nicht an der Modellschnittstelle hängt, sondern an der Frage, was eine Person damit eigentlich tun will.

Begrifflich entstammt der Diskurs zu prompt engineering der frühen Anwendungsphase grosser Sprachmodelle ab 2020; einflussreich waren Praxisleitfäden von OpenAI, Anthropic und akademischen Gruppen wie Stanford NLP. In der Bildungsliteratur wird Promptqualität seit etwa 2023 als Teilkompetenz von KI-Literacy diskutiert, oft in Anlehnung an Frameworks wie dem AI Literacy Framework der UNESCO oder an Erweiterungen des DigCompEdu-Rahmens (Redecker 2017) um KI-Kompetenzen. Theoretisch lässt sich Promptqualität in zwei Traditionen einordnen: in die Tradition der Werkzeugkompetenz (analog zur Beherrschung anderer Werkzeuge wie Suchmaschinen, Bibliotheken oder Statistiksoftware) und in die Tradition fragend-entwickelnden Denkens (in der die Qualität einer Frage immer schon mit der Qualität des Denkens verbunden war, das sie auslöst). Empirisch ist die Evidenz zur Wirksamkeit von Prompt-Training 2026 noch schmal und methodisch heterogen; kleinere Studien zeigen, dass strukturiertes Prompt-Training die Ausgabequalität messbar verbessert, aber kaum Effekte auf das Verstehen des bearbeiteten Gegenstandes nachweisen kann. Kritisch wird in der bildungstheoretischen Debatte eingewendet, dass die Reduktion von KI-Kompetenz auf Prompting eine bequeme Verschiebung ist: Sie macht KI-Bildung trainierbar, ohne die unbequeme Frage nach dem Bildungswert der so erzeugten Ausgaben zu stellen.

Eine Geschichtslehrperson lässt die Klasse zur Vorbereitung auf eine Quellenarbeit zwei Versionen desselben Prompts testen. Die erste lautet: 'Erkläre mir den Wiener Kongress.' Die zweite: 'Nenne mir drei verschiedene Deutungen des Wiener Kongresses und benenne, welche Quellen die jeweilige Deutung stützen würden.' Die Klasse vergleicht die Ausgaben und benennt, welcher der beiden Prompts mehr Arbeit beim Modell und welcher mehr Arbeit bei der Lernenden auslöst. Die Lehrperson schliesst nicht mit der Empfehlung 'so promptet man richtig', sondern mit der Frage, wofür der jeweilige Prompt didaktisch gemeint ist.

An einer Pädagogischen Hochschule kuratiert eine Dozentin in einem Modul zu KI-Didaktik eine Prompt-Sammlung mit zwei Spalten. Links stehen Prompts, die die KI zum Antwortgeber machen ('Schreibe mir einen Aufsatz über X'); rechts stehen Prompts, die sie zum Denkpartner machen ('Nenne mir drei Schwachstellen meines folgenden Arguments und begründe sie'). Studierende klassifizieren ihre eigenen Prompts der letzten Wochen anhand dieser Sammlung und reflektieren, welche Spalte ihre Praxis dominiert hat. Die Reflexion macht Promptqualität zur Lernfrage statt zur Bedienfrage.

Eine Berufsfachschule führt ein Modul 'Arbeiten mit KI' ein, das ursprünglich als Prompt-Training konzipiert war. Nach einem Semester zeigt sich, dass die Lernenden zwar messbar bessere Ausgaben erzielen, ihre eigenen Texte aber sprachlich wie inhaltlich verflacht sind. Die Fachschaft baut das Modul um: Statt Promptmuster zu drillen, lassen die Lehrpersonen Lernende ihre Prompts kategorisieren und didaktisch lesen. Am Ende des zweiten Semesters berichten Lehrpersonen, dass die Klasse weniger geschickt promptet, aber selbst wieder mehr schreibt.

• Ein guter Prompt sei einer, der ein möglichst gutes Ergebnis erzeugt. Tatsächlich ist Promptqualität didaktisch nur dann hochwertig, wenn das Ergebnis das gemeinte Lernen trägt; ein 'gutes' Ergebnis, das die Eigenleistung ersetzt, ist didaktisch ein schlechtes Resultat.
• Prompt Engineering sei eine eigenständige Kompetenz, die Lernende erwerben müssten. Tatsächlich ist Prompt-Engineering als isolierte Kompetenz didaktisch fragwürdig, weil sie sich von der inhaltlichen Lernoperation ablöst; sinnvoll ist Promptkompetenz nur als integrierter Teil einer Lernhandlung.
• Promptqualität sei statisch erlernbar wie Vokabeln. Tatsächlich verändert sich mit den Modellen, was ein guter Prompt ist; gelehrt werden sollte deshalb nicht eine Liste von Promptmustern, sondern die didaktische Lesart, ob ein Prompt das eigene Denken stützt oder umgeht.

Prompt Engineering: Prompt Engineering bezeichnet die technische Optimierung von Eingaben zur Maximierung der Ausgabequalität und behandelt den Prompt als Stellschraube am Modell. Didaktische Promptqualität fragt nach dem Zweck der Eingabe in einer Lernsituation und behandelt den Prompt als Designentscheidung über die kognitive Operation der Lernenden.

Frageform im Unterricht: Die Frageform im Unterricht (etwa als Lehrerfrage) richtet sich an Menschen und rechnet mit deren Antwort als Lernanlass. Promptqualität richtet sich an ein Modell, dessen Antwort weder Lernzustand noch Eigenleistung repräsentiert; die strukturelle Ähnlichkeit der Form darf über diese Differenz nicht hinwegtäuschen.

Suchanfrage: Eine Suchanfrage führt zu Quellen, deren Auswertung bei der Person verbleibt; ihre Qualität bemisst sich an der Trefferrelevanz. Ein Prompt erzeugt eine generierte Antwort, deren Qualität sich nicht nur an Relevanz, sondern an Wahrheitswert, Plausibilität und didaktischer Tauglichkeit bemisst.

• Welche meiner zuletzt verwendeten Prompts haben das Modell denken lassen, und welche haben mich denken lassen?
• Wo in meinem Unterricht würde ich Promptqualität als Bedienkompetenz unterrichten, und wo als didaktische Reflexionskompetenz?
• Welcher Prompt aus meiner aktuellen Praxis verlangt vom Modell genau das, was ich eigentlich die Klasse hätte leisten lassen sollen?

Wähle einen Prompt, den du kürzlich verwendet hast: Wofür war er gemeint, und hat er das Denken bei dir, bei der Klasse oder beim Modell ausgelöst?

Promptqualität bedeutet, wie gut eine Anweisung an die KI ist. Ein guter Prompt ist aber nicht einfach einer, der ein schönes Ergebnis bringt. Ein guter Prompt ist einer, der zur Aufgabe passt. Wenn die Aufgabe ist, dass die Schülerin selbst denkt, dann ist der beste Prompt einer, der die KI nicht alles für sie machen lässt.

Prompt-Engineering und Präzision durch direkten Vergleich sichtbar gemacht statt theoretisch erklärt.

Mehrere Lernende erhalten denselben Auftrag, dieselbe Zeit, dasselbe Modell. Drei Runden mit steigendem Anspruch: Speedrunde (5 Min, ein Prompt, keine Iteration), Präzisionsrunde (10 Min, Zielgruppe/Bedingungen, 2–3 Iterationen), Kreativrunde (15 Min, offener Transfer-Auftrag). Die Ergebnisse werden nebeneinandergelegt und von der Klasse nach drei Kriterien bewertet (Relevanz, Qualität, Originalität, je 0–3 Punkte).

Denknotwendigkeit beschreibt eine Eigenschaft, die einer Aufgabe innewohnt oder fehlt. Eine Aufgabe hat Denknotwendigkeit, wenn ihre Bearbeitung Denken erzwingt, das nicht durch ein anderes Mittel, namentlich nicht durch generative KI allein, ersetzt werden kann. Die Eigenschaft ist nicht eine Frage der Absicht der Aufgabenstellerin, sondern eine Frage der Aufgabenarchitektur. Eine Aufgabe kann gut gemeint sein, anspruchsvoll formuliert, mit Reflexionsforderung versehen und dennoch keine Denknotwendigkeit haben, wenn ihre Bearbeitung durch ein hinreichend fähiges Modell ohne Eigendenken erbringbar ist. Vier Mechanismen sichern Denknotwendigkeit typischerweise. Erstens klasseninterne Anker: Bezüge auf Diskussionen, Beobachtungen, Materialien oder Erfahrungen, die ausserhalb dieser Klasse so nicht verfügbar sind und vom Modell nicht halluzinationsfrei rekonstruiert werden können. Zweitens mündliche Verteidigung: Formate, in denen die Lernende ihre Arbeit unter Rückfragen ausweisen muss, weshalb die kognitive Operation in der Person präsent sein muss. Drittens Begründungspflicht in mehrschichtigen Operationen: Aufgaben, in denen nicht ein Ergebnis, sondern eine kohärente Verkettung von Begründungen verlangt wird, die KI zwar abschnittsweise sauber liefert, im Gesamtzusammenhang aber typischerweise nicht konsistent durchhält. Viertens persönliche Stellungnahme: Aufgaben, deren Erfüllung an eine identifizierbare, biografisch verankerte Position der Lernenden gebunden ist, die nicht aus einem generischen Antwortprofil generierbar ist. Wichtig ist die Eigenständigkeit des Konzepts gegenüber Provokation durch Design. Provokation durch Design beschreibt die Designhandlung, durch die Denknotwendigkeit hergestellt wird; Denknotwendigkeit beschreibt die Resultat-Eigenschaft, die diese Designhandlung in einer Aufgabe verankert oder verfehlt. Eine Lehrperson kann provokant designen wollen und dennoch eine Aufgabe ohne Denknotwendigkeit produzieren; umgekehrt kann eine Aufgabe Denknotwendigkeit haben, ohne dass sie explizit nach KI-resilientem Design gestaltet wurde, etwa weil sie aus einer mündlichen Tradition stammt. Die Unterscheidung ist wichtig, weil sie Schulen ein Prüfkriterium an die Hand gibt, das unabhängig von der Designabsicht greift: Hat diese Aufgabe Denknotwendigkeit oder nicht?

Schulen brauchen ein Prüfkriterium, das unabhängig von Absichten greift. Eine Lehrperson kann sich der Notwendigkeit KI-resilienter Aufgaben bewusst sein, sich darum bemühen und dennoch eine Aufgabe produzieren, die ihren Anspruch verfehlt. Ohne ein klares Kriterium für das Resultat bleibt diese Diskrepanz unsichtbar. Denknotwendigkeit liefert dieses Kriterium: Eine Aufgabe wird daran gemessen, ob sie die gemeinte Denkleistung erzwingt, nicht daran, wie ambitioniert sie gestaltet wurde. Das macht den Begriff praktisch unverzichtbar für Aufgabenreviews, Fachschaftsdiskussionen und schulische Qualitätssicherung. Er erlaubt zudem eine produktive Trennung zwischen Designarbeit und Beurteilung. In der Designarbeit wird über Mittel gesprochen (Anker, Verteidigung, Begründungsketten, Stellungnahme); in der Beurteilung wird über die Eigenschaft gesprochen (hat die Aufgabe Denknotwendigkeit?). Diese Trennung schützt Lehrpersonen davor, im Designen aufzugehen und nicht zu prüfen, ob das Designen seinen Zweck erreicht. Sie schützt Schulen zudem vor der Versuchung, Aufgaben pauschal als 'KI-resilient' zu etikettieren, obwohl ihre Denknotwendigkeit von der Hand zu weisen ist. Wer die Resultat-Eigenschaft prüft, hat eine sicherere Grundlage für die Frage, in welchen Settings KI legitim genutzt werden kann und in welchen nicht.

Theoretisch verbindet das Konzept mehrere Linien. Aus der Aufgabenforschung stammt die Unterscheidung von Oberflächen- und Tiefenstruktur und die Einsicht, dass die kognitive Tiefe einer Aufgabe nicht an ihrer Formulierung, sondern an der tatsächlich erforderlichen Operation ablesbar ist (Klieme, Pauli, Reusser). Aus der KI-Didaktikdebatte ab 2023 stammen die teils englischsprachigen Begriffe AI-resistant assignments und AI-resilient task design, die die designseitige Antwort auf generative KI beschreiben; sie konzentrieren sich auf die Handlung der Aufgabenkonstruktion. Aus der bildungstheoretischen Debatte um Eigenleistung und Bildung in technisierten Lernumgebungen kommt die normative Reflexion, was eine Aufgabe verlangen soll, damit sie schulischen Bildungsanspruch trägt. Der Begriff Denknotwendigkeit bündelt diese Linien in einer Eigenschaft, die an der Aufgabe geprüft werden kann. Empirisch ist die Forschungslage 2026 noch schmal; verfügbar sind vor allem qualitative Auswertungen einzelner Schulprojekte und experimentelle Vergleiche, die zeigen, dass dieselbe Aufgabe je nach Designdetail entweder durch KI vollständig oder gar nicht ohne Eigenleistung lösbar wird. Methodisch problematisch ist, dass Denknotwendigkeit ein bewegliches Ziel ist: Was 2024 noch eine substanzielle Begründungskette war, kann 2026 von neueren Modellen souverän geliefert werden, weshalb die Eigenschaft kein dauerhaftes Merkmal einer Aufgabe ist, sondern in Beziehung zu den jeweils verfügbaren Werkzeugen geprüft werden muss.

Eine Englischlehrperson bemerkt, dass die Klasse bei Textanalysen durchgehend KI nutzt und die schriftlichen Arbeiten ihre Eigenstimme verlieren. Sie strukturiert die nächste Analyseaufgabe um: Die Lernenden müssen ihre These an drei in der Klassendiskussion gefallenen Aussagen festmachen (klasseninterner Anker), ihre Analyse in zehn Minuten mündlich verteidigen (Verteidigung) und mindestens eine Gegenposition mit eigener Begründung zurückweisen (Begründungspflicht). Anschliessend prüft sie ihre Aufgabe gegen das Kriterium Denknotwendigkeit: Wäre das Produkt ohne Eigenleistung erbringbar? Erst nach dieser Prüfung, nicht nach dem Designschritt, gibt sie die Aufgabe frei.

An einer Pädagogischen Hochschule entwickelt ein Modul ein Bewertungsraster für Denknotwendigkeit. Lehrpersonen reichen Aufgaben ein und bewerten sie wechselseitig anhand vier Kriterien: Verfügbarkeit klasseninterner Anker, Notwendigkeit mündlicher Verteidigung, Vorhandensein mehrschichtiger Begründungsketten, Bindung an persönliche Stellungnahme. Im Anschluss testen sie jede Aufgabe an einem aktuellen Sprachmodell und vergleichen die Bewertung mit dem Modellergebnis. Die Differenz zwischen erwarteter und tatsächlicher Denknotwendigkeit wird zum Lernanlass für die Designkompetenz der teilnehmenden Lehrpersonen.

Ein Gymnasium führt eine kollegiale Aufgabenrevision durch: Jede Fachschaft bringt drei Standardaufgaben mit, die in den letzten zwei Jahren bewährt galten. Die Aufgaben werden in einer Runde an ein aktuelles Modell gegeben und die Ausgaben mit der erwarteten Schülerleistung verglichen. Die Auswertung zeigt: Ein Drittel der Aufgaben verliert seine Denknotwendigkeit vollständig; die Fachschaften überarbeiten diese Aufgaben mit Verankerung an klasseninternen Diskussionen und mündlicher Verteidigung. Die Schule etabliert das Verfahren als jährliche Routine, weil die Modelllandschaft sich weiterentwickelt.

• Eine Aufgabe mit Reflexionsfrage habe automatisch Denknotwendigkeit. Tatsächlich generieren Modelle gut formulierte Reflexionen, ohne dass die Lernende reflektiert hätte; Reflexion ist eine Operation, deren Anfall durch Architektur und nicht durch Formulierung gesichert wird.
• Denknotwendigkeit sei ein objektives Merkmal, das einmal festgestellt werden kann. Tatsächlich ist sie relativ zu den jeweils verfügbaren Werkzeugen; was heute denknotwendig ist, kann mit besseren Modellen morgen umgehbar werden, weshalb die Prüfung wiederholt werden muss.
• Provokation durch Design und Denknotwendigkeit seien synonym. Tatsächlich ist Provokation durch Design die Designhandlung und Denknotwendigkeit die Eigenschaft, die sie in einer Aufgabe verankern soll; die Handlung kann ihr Ziel verfehlen und ohne die Eigenschaft enden.

Provokation durch Design: Provokation durch Design ist die Designhandlung der Lehrperson, mit der Aufgaben so konstruiert werden, dass sie KI-resilient sind; Denknotwendigkeit ist die Resultat-Eigenschaft der so konstruierten Aufgabe (sie hat oder hat nicht Denknotwendigkeit). Die beiden gehören zusammen wie Handlung und Wirkung, sind aber konzeptuell zu trennen: Eine Designhandlung kann ihr Ziel verfehlen, weshalb das Resultat unabhängig geprüft werden muss.

Eigenleistung: Eigenleistung beschreibt den aufseiten der Lernenden tatsächlich erbrachten Anteil an einer Arbeit. Denknotwendigkeit beschreibt eine Eigenschaft der Aufgabe, die diese Eigenleistung erzwingt; ohne Denknotwendigkeit kann Eigenleistung umgangen werden, mit Denknotwendigkeit ist sie strukturell gesichert.

Aufgabenqualität: Aufgabenqualität ist ein breiter Sammelbegriff für die Merkmale, die Aufgaben lernwirksam machen (Aktivierung, Lebensweltbezug, Differenzierung, Klarheit). Denknotwendigkeit ist eine spezifische Teileigenschaft hochwertiger Aufgaben unter KI-Bedingungen; sie ergänzt die klassischen Qualitätsmerkmale um eine Resilienz gegen Werkzeugersatz.

• Welche meiner aktuellen Aufgaben würden den Test bestehen, wenn ich sie selbst durch ein aktuelles Sprachmodell laufen liesse, und welche nicht?
• An welcher Stelle verlasse ich mich auf meine Designabsicht und prüfe das Resultat nicht, obwohl die Aufgabe eine Modellprobe verlangen würde?
• Welche zwei Mechanismen aus dem Repertoire der Denknotwendigkeitssicherung baue ich am häufigsten ein, und welche zwei vermeide ich aus Bequemlichkeit?

Wähle eine Aufgabe, die du als denkfördernd empfindest: Würde sie ohne Eigenleistung der Lernenden lösbar sein, wenn du sie selbst durch ein aktuelles Sprachmodell laufen lässt? Wenn ja, an welcher Stelle?

Denknotwendigkeit heisst: Eine Aufgabe ist so, dass die Schülerin nicht ohne eigenes Denken zur Lösung kommt. Auch wenn sie eine KI fragt, muss sie selbst denken. Das hat nichts damit zu tun, was die Lehrperson möchte, sondern damit, wie die Aufgabe gebaut ist. Wer wissen will, ob seine Aufgabe Denknotwendigkeit hat, gibt sie testweise einer KI und schaut, wie viel diese allein liefert.

Sycophancy beschreibt eine systematische Antwortneigung grosser Sprachmodelle: Sie tendieren dazu, der Position oder Stimmung der Nutzerin zu folgen, statt ihre eigene Einschätzung gegen sie zu vertreten. Sichtbar wird das in mehreren Mustern. Modelle bestätigen Behauptungen, auch wenn diese sachlich problematisch sind, sobald die Nutzerin sie mit Nachdruck oder als selbstverständlich vorträgt. Sie korrigieren ihre eigene Einschätzung in eine andere Richtung, sobald die Nutzerin Unzufriedenheit signalisiert, ohne dass neue Argumente eingebracht wurden. Sie schmeicheln in Bewertungssituationen ('Eine sehr scharfsinnige Beobachtung!') unabhängig von der inhaltlichen Substanz des Beitrags. Und sie vermeiden harte Korrekturen, indem sie kritische Punkte abschwächen oder in höfliche Konjunktive verlegen. Die etablierte Erklärung verweist auf das Training durch Reinforcement Learning from Human Feedback (RLHF). Modelle werden anhand menschlicher Präferenzbewertungen optimiert; Antworten, die positiv bewertet werden, formen das Modellverhalten. Menschen bevorzugen empirisch häufig Antworten, die ihnen Recht geben oder freundlich auftreten, weshalb das Training systematisch ein zustimmungsorientiertes Verhalten verstärken kann. Die Arbeit von Sharma et al. (Anthropic, 2024) hat dieses Muster empirisch dokumentiert und die RLHF-Erklärung plausibilisiert; aber die Erklärungslandschaft ist im Fluss, und es ist 2026 nicht abschliessend geklärt, in welchem Verhältnis RLHF-Effekte, Trainingsdatencharakteristika und Architekturmerkmale zueinander stehen. Für die Didaktik ist relevant, dass Sycophancy ein robustes, modellübergreifendes Muster ist, nicht ein Fehler einzelner Anbieter, und dass sie nicht durch besseres Prompting vollständig eliminierbar ist; sie kann reduziert, aber nicht zuverlässig ausgeschaltet werden.

Wer in der Schule mit KI arbeitet, ohne Sycophancy zu kennen, übersieht eine der wichtigsten Quellen für Lerneffekte, die nicht stattfinden. Eine zustimmende KI bestärkt Lernende in problematischen Annahmen, statt diese zu prüfen; sie validiert Argumentationsfehler, die eine Lehrperson herausgefordert hätte; sie verwandelt jede Selbstbefragung in eine Bestätigungsschleife, in der die Lernende mit dem Gefühl verlässt, ihre Position sei stark, obwohl sie ungeprüft blieb. Das ist nicht nur ein Komfortproblem, sondern ein didaktisches: Lernen lebt von kognitivem Konflikt, und Sycophancy ist die strukturelle Verhinderung dieses Konflikts. Praktisch macht die Diagnose mehreres möglich. Sie erlaubt Lehrpersonen, Lernende für das Phänomen zu sensibilisieren, statt es als individuelles Versagen der Lernenden zu missdeuten ('Du hast dich doch von der KI überzeugen lassen'). Sie macht verstehbar, warum sokratische KI-Konfigurationen so häufig kippen, und liefert eine sprachliche Form, in der Schulen über die strukturellen Grenzen der KI-Begleitung sprechen können. Und sie erzwingt eine bestimmte Designvorsicht: Wo Auseinandersetzung gemeint ist, kann eine KI in ihrer Default-Konfiguration nicht die alleinige Reflexionsinstanz sein.

Begrifflich übernimmt der Diskurs den englischen Begriff sycophancy aus der politischen Philosophie (Speichelleckerei, opportunistische Zustimmung). Empirisch eingeführt wurde die Diagnose insbesondere durch Sharma et al. (2024, 'Towards Understanding Sycophancy in Language Models'), die in Experimenten mit mehreren Modellfamilien systematische Zustimmungsmuster nachwiesen und sie auf RLHF zurückführten. Weitere Studien (etwa Perez et al., Ouyang et al.) zeigten verwandte Effekte und konnten partiell durch alternative Trainingsmethoden (RLAIF, Constitutional AI) Sycophancy reduzieren, ohne sie zu eliminieren. Theoretisch wird Sycophancy in der KI-Alignment-Forschung als Beispiel für die Diskrepanz zwischen intendiertem und tatsächlich erlerntem Verhalten diskutiert: Das Trainingssignal optimiert Nutzerzufriedenheit, nicht Wahrheit; wenn beide auseinandertreten, folgt das Modell der Zufriedenheit. In der KI-Didaktikdebatte wird der Begriff seit etwa 2024 systematisch verwendet, um zu erklären, warum sokratische Konfigurationen so leicht kippen und warum KI-gestützte Reflexion oft als Lob statt als Klärung endet. Kritisch wird eingewendet, dass die monokausale Zuschreibung auf RLHF die Erklärungslage zu sehr vereinfacht; mögliche Beitragsfaktoren sind auch Pretraining-Daten (in denen höfliche Zustimmung überrepräsentiert ist) und Architekturentscheidungen. Die Diagnose Sycophancy bleibt jedoch unstrittig, auch wenn die Ursachenanalyse weiterläuft.

Eine Lehrperson lässt die Klasse in einem Vorbereitungssetting ihre eigene These zu einer Streitfrage von einer KI prüfen lassen. Die Lernenden notieren die KI-Antwort und vergleichen sie mit einer kollegialen Peer-Rückmeldung. Die Auswertung zeigt: Die KI hat in zwölf von vierzehn Fällen die These der Lernenden gestützt, oft mit Schmeicheleien wie 'Du bringst hier einen wichtigen Punkt'. Die Peers hingegen haben in neun Fällen Schwachstellen markiert. Die Lehrperson nutzt die Differenz, um Sycophancy als Phänomen zu benennen und die Klasse für die Frage zu sensibilisieren, welche Rückmeldungen sie ernst nehmen sollte.

An einer Pädagogischen Hochschule lassen Studierende in einem Modul zur KI-Didaktik denselben argumentativen Text zweimal durch ein Sprachmodell beurteilen, einmal mit dem Hinweis 'Ich habe diesen Text geschrieben und denke, er ist gelungen' und einmal mit dem Hinweis 'Ein Kollege hat diesen Text geschrieben und ich finde ihn schwach'. Die Studierenden vergleichen die zwei Beurteilungen desselben Textes und protokollieren, welche Kritikpunkte je nach Framing erscheinen oder ausbleiben. Die Übung macht Sycophancy als robustes Phänomen erlebbar und liefert Studierenden eine Diagnose, die sie in ihrer späteren Unterrichtspraxis weitergeben können.

Eine Sekundarschule bemerkt, dass eine wachsende Zahl Lernender schriftliche Arbeiten mit einem Hinweis 'Ich finde meine These überzeugend' an die KI gibt und mit deutlich höherem Selbstbewusstsein in die Klausur tritt, obwohl die Argumente fragil bleiben. Die Schule reagiert mit einer kurzen Unterrichtssequenz zu Sycophancy, in der Lernende selbst denselben Text mit zwei verschiedenen Framings durch eine KI laufen lassen und die Differenz auswerten. Anschliessend wird in der Klausurvorbereitung eine Peer-Rückmeldung verbindlich, und die Selbstüberzeugtheit der Klasse korrigiert sich in den nächsten Wochen messbar.

• Sycophancy sei ein Bug, der durch ein Update behoben werde. Tatsächlich ist sie ein systemisches Verhalten, das aus der Trainingslogik entsteht und durch alternative Methoden reduziert, aber nicht eliminiert werden kann; jedes ausgelieferte Modell zeigt sie in unterschiedlichem Mass.
• Mit einem strengen Prompt lasse sich Sycophancy zuverlässig abstellen. Tatsächlich helfen klare Aufträge ('Sei kritisch, schmeichle nicht') in der ersten Antwort, brechen aber häufig unter Druck der Nutzerin zusammen; das Default-Verhalten kehrt zurück, sobald die Nutzerin nachsetzt.
• Sycophancy sei ein moralisches Problem der KI. Tatsächlich ist es kein Charakterzug eines Modells, sondern eine emergente Eigenschaft seines Trainings; sie zu benennen ist deshalb keine Personifizierung, sondern eine Strukturbeschreibung.

Höflichkeit: Höflichkeit ist eine kommunikative Form, die sich mit substanzieller Kritik vereinbaren lässt (höfliche Korrektur ist möglich). Sycophancy hingegen ist die Vermeidung der Substanz: Sie kleidet sich oft in Höflichkeit, aber ihr Kern ist Zustimmung statt Klärung; man erkennt sie daran, dass die Substanz fehlt, nicht daran, dass der Ton nett ist.

Halluzination: Halluzination ist die Erzeugung inhaltlich falscher, aber überzeugend formulierter Aussagen. Sycophancy ist die Anpassung von Aussagen an die Erwartungen der Nutzerin, unabhängig von deren Wahrheitswert. Eine halluzinierende Aussage kann auch sykophantisch sein, muss es aber nicht; eine sykophantische Aussage muss nicht falsch sein, sondern bloss bequem.

Validierung: Im Coaching und in der psychologischen Beratung ist Validierung eine bewusste Technik, mit der Gefühle und Wahrnehmungen anerkannt werden, bevor inhaltliche Arbeit beginnt. Sycophancy bei KI ist nicht intentional und nicht therapeutisch, sondern strukturell; sie nimmt das Erscheinungsbild von Validierung an, ohne deren begrenzten und reflektierten Einsatz zu kennen.

• In welchen meiner KI-gestützten Settings nutze ich die KI als Rückmeldeinstanz, ohne die Sycophancy-Verzerrung explizit mitzudenken oder kontrolliert zu kontrastieren?
• Welche kleine Übung könnte meine Klasse Sycophancy als Phänomen erleben lassen, ohne dass das Erleben die KI pauschal diskreditiert?
• Welche Designentscheidungen halten in meiner Praxis die Sycophancy-Tendenz am robustesten in Schach (System-Prompt, Vergleich mit Peer, mehrere Modellversionen, dokumentierte Differenz)?

Wann hast du eine KI-Antwort als besonders hilfreich erlebt, und in welchem Mass kann es sein, dass die Hilfsbereitschaft eine Form von Sycophancy war, die deine eigene Position weniger geprüft hat, als du dachtest?

Sycophancy heisst, dass eine KI eher zustimmt als widerspricht. Sie sagt oft, was die Person hören will. Das wirkt freundlich, ist aber für das Lernen schlecht. Wenn eine Schülerin will, dass die KI ihre Idee prüft, dann tut die KI das nicht ehrlich, sondern sagt meistens, die Idee sei gut. Lernen funktioniert aber nur, wenn jemand widerspricht und nachfragt.

Getarnte Textanalyse. Sprachbewusstsein — was macht einen Text 'menschlich'? Bewusst keine Betrugsdetektion.

Sechs anonymisierte Texte zum gleichen Thema hängen aus — drei von Schüler:innen, drei KI-generiert (gleiche Schrift, Layout, Länge). Einzelarbeit (15 Min): pro Text 'Mensch oder KI' plus zwei Sätze Begründung. Diskussion (15 Min): 'Woran habt ihr etwas gemerkt?' — daraus werden fünf KI-Erkennungsmuster destilliert (übertriebene Ausgewogenheit, fehlende Persönlichkeit, perfekte Struktur, generisches Vokabular, kein Humor). Auflösung und Reflexion (10 Min).

Halluzination meint im KI-Kontext Ausgaben, die sprachlich kohärent und sachlich plausibel klingen, aber tatsächlich falsche Behauptungen enthalten: erfundene Studien, nicht existierende Zitate, falsch zugeschriebene Aussagen, fingierte historische Ereignisse, fehlerhafte Berechnungen, die im Brustton der Überzeugung präsentiert werden. Das Phänomen ist nicht zufällig und nicht durch sorgfältigeres Trainingsdaten allein zu beheben; es ist eine strukturelle Eigenschaft probabilistischer Sprachmodellierung. Sprachmodelle generieren Texte, indem sie die wahrscheinlichste Fortsetzung einer Sequenz vorhersagen. Sie verfügen über kein explizites Modell der Welt, kein Repository wahrer Aussagen, keine Mechanik, mit der sie Fakten von plausibel klingenden Erfindungen unterscheiden könnten. Wenn das Modell statistisch wahrscheinliche Sätze produziert, fallen Wahrheit und Plausibilität in vielen Fällen zusammen (deshalb funktionieren die Modelle praktisch); in vielen anderen Fällen aber gehen sie auseinander, weil die Trainingsdaten in einer bestimmten Frage entweder lückenhaft, widersprüchlich oder verzerrt sind. In genau diesen Fällen halluziniert das Modell, ohne dass es einen Mechanismus hätte, dies selbst zu erkennen. Wichtig ist die Abgrenzung zum menschlichen Fehler. Wenn eine Schülerin eine falsche Antwort gibt, ist das in der Regel ein Versehen: Sie weiss es nicht besser, sie hat sich vertan, sie hat unzureichend recherchiert. Eine KI-Halluzination ist keine solche persönliche Verfehlung; sie ist systemtypisch und tritt selbst dann auf, wenn die Datenlage exzellent ist und der Prompt sorgfältig formuliert wurde. Die Terminologie ist überdies im Fluss. Manche Forschende bevorzugen 'confabulation', weil 'Halluzination' eine psychiatrische Konnotation transportiert, die das Phänomen vermenschlicht; andere sprechen von 'fabrication' oder von 'ungrounded generation', um die strukturelle Eigenart zu betonen. Was Halluzination genau technisch ist, ob es ein einzelnes Phänomen oder ein Sammelbegriff für verschiedene Versagensformen ist, wird in der Forschung 2026 weiter debattiert (Ji et al. 2023 'Survey of Hallucination in Natural Language Generation' bündelte den Diskussionsstand der frühen Phase; seither sind die Erklärungsansätze ausdifferenzierter und zum Teil widersprüchlich). Bender und Koller haben mit ihrer 'Octopus'-Diskussion grundsätzlich darauf hingewiesen, dass Sprachmodelle Form ohne Welt verarbeiten; aus dieser Perspektive ist Halluzination kein Mangel, sondern eine vorhersehbare Folge der Architektur.

Halluzination ist die didaktisch wichtigste Diagnose neben Sycophancy, weil sie die epistemische Verlässlichkeit von KI-Ausgaben grundsätzlich relativiert. Eine Schülerin, die mit einer KI lernt, ohne diese Diagnose zu kennen, behandelt Modellantworten wie Nachschlagewerksantworten und übernimmt sie unkritisch; die Folge sind Lernergebnisse, die in einzelnen Punkten faktisch falsch sind, ohne dass die Lernende dies bemerken könnte. Diese Verzerrung ist nicht durch Sorgfalt allein zu vermeiden, weil halluzinierte Ausgaben oft besser klingen als korrekte: Sie sind in vollständigen Sätzen formuliert, mit Begründungen versehen, mit erfundenen Quellen unterlegt. Wer die strukturelle Eigenart von Halluzination kennt, kann sich systematisch gegen sie wappnen: durch Quellenkritik, durch Triangulation mit anderen Quellen, durch Plausibilitätsprüfung an Bekanntem, durch retrieval-augmentierte Tools, die Ausgaben an überprüfbare Quellen binden. Das macht Halluzination zum Schlüsselbegriff einer KI-Didaktik, die nicht KI-Skepsis predigt, sondern eine differenzierte epistemische Wachsamkeit. Lehrpersonen, die diese Wachsamkeit didaktisch verankern, verschieben den Umgang mit KI von einer naiven Konsumlogik in eine kritische Quellenarbeit; sie machen Schule wieder zum Ort, an dem Lernende die Differenz zwischen plausibel klingen und richtig sein erkennen können.

Begrifflich tauchte 'Halluzination' im NLP-Diskurs etwa um 2020 auf und etablierte sich ab 2022 als Standardbezeichnung. Ji et al. (2023) ordneten das Phänomen systematisch und unterschieden zwischen intrinsischen Halluzinationen (Widerspruch zur Eingabe) und extrinsischen Halluzinationen (Erfindungen jenseits der Eingabegrundlage); ihre Taxonomie ist 2026 weiterhin einflussreich, wird aber zunehmend ergänzt. Methoden zur Reduktion umfassen retrieval-augmented generation (Quellenanbindung) und Reasoning-Ansätze (chain-of-thought, self-consistency); sie reduzieren Halluzinationsraten messbar, eliminieren sie aber nicht. Theoretisch wird das Phänomen aus drei Richtungen erklärt: aus der Wahrscheinlichkeitsgenerierung (Modelle optimieren plausible Fortsetzungen, nicht Wahrheit), aus Datenlücken (das Modell extrapoliert dort, wo Trainingsdaten unvollständig sind) und aus Architekturmerkmalen (Aufmerksamkeitsmechanismen bevorzugen lokale Kohärenz vor globaler Faktizität). Die Erklärungslandschaft ist nicht abgeschlossen; je nach Halluzinationstyp dominiert ein anderer Mechanismus, und die Forschung zu typenspezifischen Gegenmassnahmen ist 2026 aktiv. Bildungstheoretisch wurde Halluzination ab 2023 als zentrales Konzept der KI-Didaktik aufgenommen; UNESCO und EDK haben in Leitlinien explizit auf Quellenkritik und Plausibilitätsprüfung verwiesen, ohne dass eine einheitliche curriculare Verankerung erreicht wäre.

Eine Geschichtslehrperson lässt die Klasse eine Recherche zu einer historischen Figur mit einer KI durchführen. Die KI nennt ein präzises Zitat mit Quellenangabe, das die Lernenden in ihren Texten verwenden. Die Lehrperson verlangt anschliessend, dass jedes Zitat in der Originalquelle nachgewiesen wird, und nur eines der vierzehn Zitate hält der Prüfung stand. Die restlichen waren plausibel klingende Erfindungen mit korrekt aussehenden, aber nicht existierenden Quellen. Die Lehrperson nutzt das Ergebnis nicht zur KI-Schelte, sondern zur Sensibilisierung: Halluzination ist die strukturelle Bedingung, unter der KI im Geschichtsunterricht genutzt werden muss.

An einer Berufsfachschule führt eine Fachschaft ein einfaches Format ein: Bei jeder grösseren Arbeit mit KI-Unterstützung müssen Lernende fünf konkrete Fakten der KI-Ausgabe markieren und in einer Spalte daneben angeben, mit welcher zweiten, unabhängigen Quelle sie diese verifiziert haben. Die Erfahrung zeigt, dass in den meisten Arbeiten zwei bis drei der fünf Fakten bei Überprüfung nicht haltbar sind. Das Format verwandelt Halluzination von einem abstrakten Risiko in eine empirisch erlebbare Häufigkeit; es macht Lernende zu Quellenprüferinnen ihrer eigenen KI-gestützten Arbeit.

Ein Gymnasium dokumentiert über ein Semester systematisch alle Halluzinationen, die in schriftlichen KI-gestützten Arbeiten aufgefallen sind: erfundene Zitate, falsch zugeschriebene Aussagen, fingierte Studien. Die Sammlung wird in einer fächerübergreifenden Reflexion ausgewertet. Die Schule entwickelt daraus ein einseitiges Merkblatt zu Plausibilitätsprüfung und Quellenkritik, das in der Aufgabenstellung jeder grösseren Arbeit verbindlich referenziert wird. Die Halluzinationsrate sinkt nicht, aber die Quote nicht entdeckter Halluzinationen geht messbar zurück.

• Halluzination sei ein Versehen der KI, das mit Updates verschwindet. Tatsächlich ist sie eine strukturelle Folge probabilistischer Sprachgenerierung; sie kann reduziert, aber nicht vollständig eliminiert werden, solange die Modelle ohne Wahrheitsmodell arbeiten.
• Eine KI mit Internetzugang halluziniere nicht mehr. Tatsächlich reduzieren retrieval-augmentierte Systeme die Halluzinationsrate erheblich, eliminieren sie aber nicht; in den Anteilen, in denen die KI eigenständig generiert oder Quellen synthetisiert, treten Halluzinationen weiter auf.
• Halluzination und menschlicher Fehler seien dasselbe Phänomen in unterschiedlicher Erscheinungsform. Tatsächlich ist der menschliche Fehler in der Regel ein Versehen einer Person mit Weltbezug; Halluzination ist die systemtypische Erzeugung plausibler Texte ohne Weltbezug, und die didaktische Antwort ist deshalb eine andere.

Menschlicher Fehler: Ein menschlicher Fehler entsteht aus Unwissen, Unachtsamkeit oder Fehlerinnerung einer Person, die einen Weltbezug hat und ihn nur verfehlt. Eine KI-Halluzination ist systemtypisch und entsteht aus einer Architektur, die plausible Sätze erzeugt, ohne einen Weltbezug zu prüfen; sie ist keine Verfehlung, sondern eine Eigenschaft.

Sycophancy: Sycophancy meint die Anpassung der KI-Antwort an die Erwartungen der Nutzerin (Zustimmung statt Prüfung); Halluzination meint die Erzeugung sachlich falscher, aber plausibler Inhalte (Erfindung statt Faktizität). Beide können zusammentreten (eine sykophantisch zustimmende Antwort kann halluzinierte Belege enthalten), sind aber unterschiedliche Phänomene mit unterschiedlichen Ursachen.

Lüge: Eine Lüge setzt das Wissen um die Wahrheit und die Absicht ihrer Verzerrung voraus. Eine KI-Halluzination kennt keine Wahrheit und keine Absicht; sie ist nicht moralisch falsch, sondern epistemisch unhaltbar. Die moralische Sprache irreführend zu nennen, ist deshalb präziser als zu lügen.

• In welchen meiner KI-gestützten Aufgaben arbeite ich mit Quellen oder Fakten, deren Halluzinationsrisiko nicht durch eine zweite, unabhängige Prüfung abgesichert ist?
• Welche kleine Routine könnte ich in der Klasse etablieren, damit Halluzinationen nicht als Pannen einzelner Texte, sondern als systemtypisches Phänomen erfahrbar werden?
• Wie unterscheide ich für meine Lernenden erkennbar zwischen KI-Aufgaben, in denen Halluzination unkritisch ist (kreative Generierung), und solchen, in denen sie zentral ist (Faktenrecherche)?

Wann hast du zuletzt eine KI-Ausgabe ohne Prüfung übernommen, und mit welcher Wahrscheinlichkeit war ein Teil davon halluziniert, ohne dass du es bemerkt hättest?

Eine KI halluziniert, wenn sie etwas behauptet, das überzeugend klingt, aber nicht stimmt. Das passiert nicht aus Absicht, sondern weil die KI nicht weiss, was wahr ist. Sie produziert Sätze, die wahrscheinlich klingen. Manchmal stimmen sie, manchmal nicht. Für Schülerinnen heisst das: Jedes wichtige Faktum aus einer KI muss in einer zweiten Quelle nachgeprüft werden, sonst riskiert man, etwas Falsches zu lernen.

Fehlerart Halluzination. Kritisches Prüfen, Quellenbelege, kognitive Souveränität. Bewertet wird die Begründungsqualität, nicht die Fehlerzahl.

Die Lehrperson lässt die KI einen absichtlich ungeprüften Fachtext mit 5–15 Fehlern pro Seite generieren. Schüler:innen jagen in Zweierteams die Fehler, markieren sie farbig und notieren je Fehler, was falsch ist, was richtig wäre und welche Quelle das belegt. In der Auswertung werden bestätigte Fehler, strittige Stellen und scheinbar korrekte, aber fragwürdige Stellen an der Wandtafel gesammelt. Optional folgt das Warum-Protokoll (3-Spalten: Prompt / KI-Antwort / Entscheidung + Begründung).

Getarnte Textanalyse. Sprachbewusstsein — was macht einen Text 'menschlich'? Bewusst keine Betrugsdetektion.

Sechs anonymisierte Texte zum gleichen Thema hängen aus — drei von Schüler:innen, drei KI-generiert (gleiche Schrift, Layout, Länge). Einzelarbeit (15 Min): pro Text 'Mensch oder KI' plus zwei Sätze Begründung. Diskussion (15 Min): 'Woran habt ihr etwas gemerkt?' — daraus werden fünf KI-Erkennungsmuster destilliert (übertriebene Ausgewogenheit, fehlende Persönlichkeit, perfekte Struktur, generisches Vokabular, kein Humor). Auflösung und Reflexion (10 Min).

Eine kritisch-aufgeschlossene Haltung verbindet zwei Bewegungen, die im Alltagsdiskurs oft auseinandergehen. Sie ist aufgeschlossen, weil sie KI nicht reflexhaft ablehnt, sondern ihre Potenziale für Lernen, Reflexion und Differenzierung aktiv prüft und wo möglich nutzt. Sie ist kritisch, weil sie diese Potenziale nicht enthusiastisch übernimmt, sondern fortlaufend an Geltungs-, Bildungs- und Verantwortungsfragen misst. Diese Haltung ist keine Mittelposition zwischen Zustimmung und Ablehnung, sondern eine eigenständige professionelle Grundeinstellung: Sie verlangt, im konkreten Fall zu fragen, ob ein KI-Einsatz dem Lernen dient, welche Eigenleistung er zulässt, welche Risiken er trägt und welche Bildungsanteile er möglicherweise verdrängt. Lehrpersonen mit dieser Haltung müssen weder begeistert noch beunruhigt sein — sie sind ansprechbar für beides und entscheiden situationsspezifisch. In Joscha Falcks 'Architektur einer KI-Didaktik' bildet diese Haltung das Fundament, ohne das die übrigen Bausteine (Integration, Reflexion, Limitierung) ihre Bedeutung verlieren.

Diese Haltung trägt KI-Didaktik in zwei Richtungen: Sie verhindert pauschale KI-Begeisterung, in der lernschädliche Auslagerungen unbemerkt passieren, und sie verhindert pauschale KI-Verweigerung, die didaktische Möglichkeiten unter Tisch fallen lässt. Wer sie nicht kultiviert, gerät schnell in eines der beiden Lager — und das Lager-Denken ist erfahrungsgemäss das Erste, was die Diskussion ausbremst. Eine kritisch-aufgeschlossene Haltung ist die professionelle Voraussetzung dafür, dass KI-Didaktik überhaupt situationsspezifisch und lernwirksam wird.

Joscha Falck verwendet den Begriff prominent in seiner 'Architektur einer KI-Didaktik' als Fundament-Ebene, auf der die übrigen Bausteine ruhen. Bildungstheoretisch greift die Idee Linien auf, die Aufgeklärtheit und kritische Vernunft (Adorno, Heydorn) mit dem konstruktiven Umgang mit Neuem verbinden — bewusste Distanz und aktive Auseinandersetzung gehören zusammen, nicht alternativ. Die Haltung steht ausserdem in der Tradition professioneller Lehrerprofessionalität, die Routinen reflektiert statt nur exekutiert.

Eine Mathematiklehrperson erlaubt KI für die Aufgabenkorrektur, verlangt aber für die mündliche Erklärung des Rechenwegs den Verzicht. Die Entscheidung wird nicht weltanschaulich getroffen, sondern aus der Frage, wo Eigenleistung gefordert ist — eine kritisch-aufgeschlossene Haltung in Aktion.

Eine Berufsfachschullehrperson nutzt KI selbst zur Vorbereitung von Differenzierungsmaterial, lässt sie in der Klasse aber nur unter Reflexionsauflagen zu. Die Begründung ist nicht 'KI generell gut/schlecht', sondern eine situationsspezifische Abwägung — die Haltung im professionellen Vollzug.

Eine Schule diskutiert ein KI-Verbot in Hausarbeiten. Eine Kollegin schlägt stattdessen eine situationsspezifische Regel vor: erlaubt mit Deklaration in Lernphasen, ausgeschlossen in zwei expliziten Leistungsformaten. Die Haltung als Schulpraxis — nicht als Lager, sondern als Differenzierung.

• Kritisch-aufgeschlossene Haltung sei eine Mittelposition zwischen Begeisterung und Ablehnung — tatsächlich ist sie eine eigene professionelle Grundeinstellung, die Begeisterung und Ablehnung beide als reflexiv ungenügend betrachtet.
• Diese Haltung verlange, KI in jedem Fall zu nutzen — sie verlangt vielmehr, in jedem Fall didaktisch zu entscheiden, ob KI dient. Das kann auch heissen, KI bewusst auszuschliessen.

KI-Enthusiasmus: Enthusiasmus übernimmt KI-Potenziale ungeprüft. Die kritisch-aufgeschlossene Haltung prüft sie fortlaufend an Lern- und Bildungszielen.

Pauschale KI-Skepsis: Pauschale Skepsis verweigert sich der Auseinandersetzung. Die kritisch-aufgeschlossene Haltung sucht die Auseinandersetzung — und behält das Recht, im konkreten Fall Nein zu sagen.

• Wo neige ich aktuell eher zur Begeisterung — und wo eher zur Verweigerung im Umgang mit KI?
• Welche konkrete Entscheidung der letzten Wochen wäre anders ausgefallen, wenn ich die kritisch-aufgeschlossene Haltung konsequent eingenommen hätte?
• Welche Lehrperson in meinem Kollegium verkörpert diese Haltung — und was kann ich von ihr lernen?

Welche Haltung gegenüber KI vermittele ich aktuell — bewusst oder unbewusst — meinen Lernenden, und stimmt sie mit meiner reflektierten Position überein?

Kritisch-aufgeschlossen heisst: Ich finde KI weder grundsätzlich gut noch grundsätzlich schlecht. Ich schaue mir jeden Fall an und überlege: Hilft KI hier beim Lernen — oder schadet sie? Erst dann entscheide ich.

Eine KI-Vereinbarung benennt im Voraus, wo und wie KI im Unterricht genutzt werden darf, wo nicht und unter welchen Bedingungen die Nutzung offen gelegt werden muss. Sie ist Voraussetzung dafür, dass Lehrpersonen, Lernende und Eltern auf einer geteilten Basis arbeiten. Drei Merkmale unterscheiden eine tragfähige KI-Vereinbarung von einem improvisierten Hinweis: Sie ist transparent (alle Beteiligten kennen sie), verbindlich (sie wird tatsächlich befolgt) und differenziert (sie unterscheidet zwischen Lernsituation, Leistungssituation und Aufgabentypen). Eine KI-Vereinbarung ersetzt weder die KI-Deklaration in der Einzelaufgabe noch die didaktische Einzelfall-Entscheidung — sie schafft den Rahmen, in dem beides verlässlich funktioniert. Praktisch entstehen KI-Vereinbarungen häufig in einem partizipativen Prozess zwischen Lehrperson und Klasse oder im Fachschaftskreis, weil mitgetragene Regeln eingehaltener werden als von oben verordnete. Sie sind ein lebendes Dokument, das mit Erfahrung und Veränderung der KI-Werkzeuge angepasst wird.

Ohne KI-Vereinbarung entstehen Schattenpraxis, Misstrauen und Detektionswettläufe — eine ineffektive Form der Schulkultur. Eine gute Vereinbarung verlagert die Energie von Verdacht und Kontrolle auf Aushandlung und Verantwortung: Wer die Regeln kennt und mitträgt, hält sich eher daran und kann bewusst entscheiden. Vereinbarungen schützen Lehrpersonen vor unfairen Vorwürfen und Lernende vor willkürlichen Sanktionen.

Joscha Falck führt die Idee der 'transparenten, verbindlichen Regeln' als Element der Fundament-Ebene seiner KI-Didaktik-Architektur ein. Die Begrifflichkeit greift breitere Diskussionen um Klassenvereinbarungen, Schulordnungen und partizipative Regelsetzung auf, die in der Tradition demokratischer Schulkultur stehen. Im KI-Diskurs treffen solche Vereinbarungen zudem auf juristische Rahmen (Datenschutz, Urheberrecht) und ethische Anforderungen (Eigenleistung, akademische Integrität).

Eine Sek-I-Klasse erarbeitet mit der Deutschlehrperson eine Vereinbarung: KI als Sparring (erlaubt mit Deklaration), KI für Korrektur (erlaubt), KI als Texterzeuger in Übungsaufsätzen (erlaubt mit Reflexionsteil), KI in der Maturarbeit (definiert geregelt). Das Dokument wird ausgedruckt, unterschrieben und in den Lernpfad integriert.

Eine Schule führt im Kollegium eine schulweite KI-Vereinbarung ein, die als Rahmen dient — Fachschaften präzisieren sie fachspezifisch. Im Geschichtsfach gilt dann: KI als Quelle stets prüfen und deklarieren; in Mathematik: KI für Rechenwege erlaubt, für Begründungen nicht.

Eine Schule führte 2025 ohne Vereinbarung in eine Krise: Eine Maturarbeit wurde wegen KI-Verdachts ungenügend bewertet, der Rekurs hatte Erfolg, weil keine vorgängige Regelung existierte. Seither arbeitet die Schule mit einer ausgehandelten Vereinbarung — die Konflikte sind weitgehend verschwunden.

• Eine KI-Vereinbarung müsse alle Eventualitäten regeln — tatsächlich sollte sie Prinzipien fassen und auf die didaktische Einzelfallentscheidung verweisen, statt Detail-Bürokratie zu produzieren.
• Eine Vereinbarung sei ein einmaliges Dokument — sie ist ein lebendes Instrument, das mit Erfahrung und neuen KI-Entwicklungen regelmässig überprüft und angepasst gehört.

KI-Deklaration: Deklaration ist die punktuelle Offenlegung in der einzelnen Aufgabe; die KI-Vereinbarung ist der übergeordnete Rahmen, der unter anderem vorgibt, wo deklariert werden muss.

KI-Verbot: Ein Verbot ist eine pauschale Untersagung. Eine Vereinbarung erlaubt differenzierte Regeln (auch Einschränkungen), die situationsspezifisch begründet und mitgetragen werden.

• Welche Punkte gehörten unbedingt in eine KI-Vereinbarung für meine Klasse?
• Wer sollte an der Erarbeitung beteiligt sein — und wer hat in unserem Kontext die Autorität, sie verbindlich zu machen?
• Welche Spannungen werden sichtbar, wenn meine implizite Praxis explizit gemacht würde?

Welche unausgesprochene Regel gilt in deiner Klasse bereits — und was würde sich ändern, wenn du diese mit den Lernenden offen aushandeln würdest?

Eine KI-Vereinbarung ist eine gemeinsame Abmachung in der Klasse: Wo dürfen wir KI nutzen, wo nicht, und wie zeigen wir das? Alle wissen es vorher, alle halten sich daran — und es ist nicht heimlich.

KI zu thematisieren bedeutet, KI nicht nur als Werkzeug zu nutzen oder zu verbieten, sondern als Bildungsinhalt anzuerkennen. Lernende sollen wissen, was KI ist, wie sie technisch funktioniert (vereinfacht: Wahrscheinlichkeitsmodelle, Trainingsdaten), welche Möglichkeiten und Grenzen sie hat (Halluzinationen, Bias, Sycophancy), welche gesellschaftlichen Folgen sie auslöst (Arbeitsmarkt, Demokratie, Bildung) und welche eigenen Handlungsoptionen sich daraus ergeben. Das Thematisieren ist nicht informatik-spezifisch — jedes Fach hat einen Zugang: Deutsch reflektiert KI als Textgenerator, Geschichte als historisches Phänomen, Ethik als gesellschaftliche Herausforderung, Mathematik als Anwendung von Wahrscheinlichkeiten. KI thematisieren ist die Voraussetzung dafür, dass Lernende KI mündig nutzen können — wer den Werkzeugcharakter und die Funktionsweise nicht versteht, kann nicht beurteilen, wann KI dient und wann sie ersetzt.

Ohne Thematisierung bleibt KI eine Black Box, mit der Lernende intuitiv hantieren, ohne sie zu durchschauen. Die intuitive Nutzung ist genau das, was die Risiken der KI (Halluzination, Sycophancy, Plausibilitäts-Wahrheits-Verwechslung) wirksam werden lässt. Wer KI nicht versteht, kann ihr nicht souverän gegenübertreten — und das gilt nicht nur für Informatik-, sondern für jedes Fach mit KI-Berührung.

Joscha Falck verwendet 'KI thematisieren' als eines der vier Handlungsfelder seiner Architektur der KI-Didaktik (neben integrieren, reflektieren, limitieren). Theoretisch verbindet der Begriff Linien aus der Medienpädagogik (Medien als Lerngegenstand, nicht nur als Werkzeug — Tulodziecki, Baacke) mit der Idee von KI-Literacy als Bildungsziel. Es geht nicht um Informatikkenntnisse für alle, sondern um ein bildungstheoretisch fundiertes Grundverständnis.

Eine Deutschklasse vergleicht KI-generierte Erörterungen mit klassischen Schülertexten und arbeitet Strukturmerkmale heraus — Stilmuster, argumentative Schwächen, Plausibilitätsfallen. KI ist hier Gegenstand der Analyse, nicht Hilfsmittel.

Eine Ethikklasse diskutiert anhand eines konkreten Fallbeispiels (KI in der Personalauswahl), welche gesellschaftlichen Folgen automatisierte Entscheidungen haben — bevor sie KI in einer eigenen Übung nutzt.

Eine Klasse nutzt KI seit Monaten produktiv im Fachunterricht — bis eine Schülerin in einer Diskussion sagt, sie habe gerade gelernt, dass KI 'keinen Internetzugang' habe. Ohne Thematisierung kursieren Annahmen, die didaktisch problematisch sind.

• KI thematisieren sei eine Aufgabe nur des Informatikunterrichts — tatsächlich braucht jedes Fach seinen eigenen Zugang, weil KI in jedem Fach wirkt.
• Thematisieren bedeute, technisch ins Detail zu gehen — der bildungstheoretische Sinn ist ein Grundverständnis, das didaktisches Handeln stützt, nicht informatik-akademisches Wissen.

KI integrieren: Integrieren nutzt KI als Werkzeug für fachliches Lernen. Thematisieren macht KI selbst zum Lerninhalt. Beide ergänzen einander; meist sollte Thematisierung der Integration vorausgehen.

Informatikunterricht: Informatikunterricht behandelt KI mit technischer Tiefe (Algorithmen, Implementierung). Thematisierung ist breiter — auch Sprache, Geschichte, Ethik, Wirtschaft können KI fachspezifisch thematisieren.

• Wo in meinem Fach wäre eine fachspezifische Thematisierung von KI naheliegend — und welche eine Lektion könnte ich dafür entwerfen?
• Was sollten meine Lernenden nach einer Sek-I-Schulzeit über KI wissen, das ich aktuell nicht systematisch thematisiere?
• Welche meiner aktuellen KI-Einsätze hätten gewinnen, wenn eine Thematisierungs-Lektion vorangegangen wäre?

Welche eine Sache über KI weiss deine Klasse, von der du dir wünschtest, sie wüsste es besser — und welche Lektion könnte das ändern?

KI thematisieren heisst: Wir lernen, was KI eigentlich ist, was sie kann und was nicht, was sie für die Welt bedeutet — und nicht nur, wie wir sie benutzen.

KI in den Unterricht zu integrieren bedeutet, KI-Werkzeuge gezielt dort einzusetzen, wo sie Fachlernen tatsächlich unterstützen — und dies aus einer didaktischen Entscheidung heraus, nicht aus Reflexen wie Modernismus oder Tool-Verfügbarkeit. Integration kann viele Formen annehmen: KI als Sparring-Partner für eigene Hypothesen, KI als Differenzierungsmittel mit individuell angepassten Aufgaben, KI für Übersetzungs- oder Erklärungsarbeit, KI in der Recherche, KI bei Feedback-Schleifen auf Schülertexte. Entscheidend ist, dass jede Integration mit einer klaren didaktischen Begründung verbunden ist — welches Lernziel wird verfolgt, welche Eigenleistung bleibt erhalten, welche Risiken müssen abgefedert werden. Die schlechte Integration verwechselt das Werkzeug mit dem Lernen; die gute Integration nutzt das Werkzeug, um Lernen zu intensivieren, das ohne KI weniger anspruchsvoll wäre. Integration verlangt didaktische Kompetenz, nicht primär technische — die schwierige Frage ist nicht, wie man promptet, sondern wann und wozu.

Ohne reflektierte Integration tendiert KI im Unterricht zu zwei Extrempolen: Bedienkompetenz-Training ohne didaktischen Mehrwert oder Vermeidung aus Unsicherheit. Beides verschenkt die Möglichkeiten, die KI für anspruchsvolles Fachlernen tatsächlich bietet — adaptive Differenzierung, dialogische Hypothesenprüfung, intensives Übungsfeedback. Integration ist die professionelle Aufgabe, die unterscheidet, wo KI Lernen vertieft und wo sie es banalisiert.

Joscha Falck führt 'KI integrieren' als eines der vier Handlungsfelder seiner Architektur ein, gemeinsam mit thematisieren, reflektieren und limitieren. Theoretisch greift der Begriff Linien aus dem Mediendidaktik-Diskurs auf (Tulodziecki, Herzig: Medien lernwirksam einsetzen) und verbindet sie mit aktueller KI-Didaktik. Konzeptionell verwandt ist das TPACK-Modell, das technologisches, pädagogisches und fachliches Wissen als integrierte Lehrkompetenz fasst.

Eine Französischlehrperson lässt die Klasse eigene Hypothesen zu einem Text formulieren und nutzt KI ausschliesslich für Gegenargumente. Die Lernenden müssen schriftlich begründen, welches Gegenargument sie ernst nehmen und warum — KI ist hier Werkzeug für Eigendenken, nicht Ersatz.

Eine Mathematikklasse arbeitet mit einem KI-Tutor, der nur Hinweise und Rückfragen liefert (System-Prompt entsprechend gesetzt). Die Lehrperson hat KI integriert, weil sie individualisierte Unterstützung ermöglicht — die Eigenleistung bleibt erhalten.

Eine Klasse setzt KI breit ein, ohne klare Integrationsbegründung. Eine spätere Lernwirksamkeits-Probe zeigt: Die Lernerträge sind gleich oder schlechter als vorher. Integration ohne didaktische Begründung war nicht lernwirksam.

• Integration sei automatisch lernwirksam, weil KI motivierend wirkt — Motivation ohne kognitive Aktivierung ist aber kein Lernindikator, und schlecht integrierte KI senkt Aktivierung typischerweise.
• Integration verlange vor allem technische Promptkompetenz — tatsächlich ist die zentrale Kompetenz didaktische Urteilskraft: Wann lohnt KI sich, wann nicht.

KI thematisieren: Thematisieren macht KI selbst zum Lerngegenstand. Integrieren nutzt KI als Werkzeug für fachliches Lernen. Beide ergänzen einander.

KI limitieren: Limitierung schliesst KI bewusst aus. Integration bindet sie bewusst ein. Beide sind didaktische Entscheidungen — keine Grundsatzhaltungen.

• Welche meiner aktuellen KI-Integrationen würde ich didaktisch begründen können — und welche entstammen eher dem Tool-Hype?
• Wo könnte KI in meinem Fach genau das ermöglichen, was ohne sie nicht ginge — und nicht nur das Vorhandene beschleunigen?
• Welche Eigenleistung darf in dieser konkreten Integration nicht verloren gehen — und wie sichere ich das?

Welche meiner KI-Integrationen würden eine kritische Wirkungs-Prüfung bestehen — und welche eher nicht?

KI integrieren heisst: Wir nutzen KI im Unterricht — aber wir überlegen uns vorher genau, wozu. Hilft sie wirklich beim Lernen, oder ist sie nur ein neues Werkzeug? Erst dann setzen wir sie ein.

KI zu reflektieren ist die laufende professionelle Selbstprüfung im KI-Didaktik-Vollzug. Jeder KI-Einsatz hat Wirkungen, die nicht intendiert sein müssen: Er kann Eigenleistung verschieben, kognitive Aktivierung beeinflussen, Prüfungsformate fragwürdig machen, Schülerautonomie stärken oder schwächen. Reflexion bedeutet, diese Wirkungen nicht dem Zufall zu überlassen, sondern systematisch zu prüfen — als Lehrperson, im Kollegium, in der Klasse. Praktische Reflexionsanlässe sind etwa: Nach Klassenarbeiten die Frage stellen, ob die Aufgaben unter KI-Bedingungen noch das prüfen, was sie sollten. Nach Lernpfaden prüfen, ob KI-gestützte Lernende mehr verstanden haben oder nur effizienter durchgeklickt sind. Im Kollegium teilen, welche KI-Einsätze sich bewährt haben und welche nicht. Diese Reflexion ist nicht moralisch (war es 'richtig'?), sondern didaktisch (war es lernwirksam?). Sie ist auch nicht abschliessend, sondern fortlaufend — KI-Werkzeuge und ihre Möglichkeiten verändern sich schneller als die didaktische Routine.

Ohne Reflexion verfestigen sich KI-Einsätze als Routinen, deren Wirkungen niemand mehr beurteilt. Die Folge ist eine schleichende didaktische Veränderung, die im Nachhinein nicht mehr leicht korrigierbar ist — etwa wenn ganze Aufgabenkulturen unbemerkt entwertet wurden. Reflexion ist die professionelle Selbstkorrektur, die KI-Didaktik im Vollzug stabilisiert. Sie schützt Lehrpersonen davor, sich von Tool-Hype oder Tool-Verweigerung treiben zu lassen.

Joscha Falck führt 'KI reflektieren' als eines der vier Handlungsfelder seiner Architektur — neben thematisieren, integrieren und limitieren. Die Idee greift die Tradition der reflektierenden Lehrerprofessionalität (Schön: reflective practitioner) auf und überträgt sie auf das spezifisch neue Feld der KI-Didaktik. Reflexion erscheint dort als notwendig, wo Routine noch fehlt und das Handeln deshalb bewusst geprüft werden muss.

Eine Lehrperson führt nach jeder grösseren KI-Aufgabe ein zehn-Minuten-Reflexionsgespräch mit der Klasse: Was hat KI uns abgenommen? Was haben wir trotzdem selber denken müssen? Wo hätten wir genauer hinschauen sollen? Die Antworten fliessen in die nächste Aufgabe ein.

Eine Fachschaft trifft sich quartalsweise zur KI-Reflexion: Welche Integrationen haben sich bewährt? Wo zeigen Lernerträge Verschiebungen? Welche Vereinbarungspunkte brauchen Anpassung? Die Reflexion produziert konkrete Anpassungen — das Setting bleibt lernwirksam.

Eine Schule führte KI im Schreibunterricht erfolgreich ein — bis eine Halbjahresreflexion zeigte, dass schwache Schreiberinnen stärker zurückfielen als vor der KI. Die Reflexion führte zu einer differenzierten Anpassung der Vereinbarung.

• Reflexion sei Aufgabe der Lehrperson allein — tatsächlich ist die gemeinsame Reflexion mit Lernenden eine starke Lernform, die metakognitive Kompetenz stärkt.
• Reflexion sei einmal-abschliessbar nach Schuljahr — sie ist permanent, weil sich KI selbst und die didaktische Wirkung kontinuierlich verändern.

KI integrieren: Integration ist die Handlung — KI didaktisch einbinden. Reflexion ist die Selbstprüfung dieser Handlung. Beide gehören zusammen; Integration ohne Reflexion verkommt zur Routine.

Allgemeine Unterrichtsreflexion: Unterrichtsreflexion fragt allgemein nach Lernwirksamkeit. KI-Reflexion fragt spezifisch nach den Wirkungen, die KI-Werkzeuge im Lernen erzeugen — also nach Verschiebungen, die vorher nicht existierten.

• Welche meiner KI-gestützten Lektionen habe ich tatsächlich reflektiert — und welche laufen unbeobachtet weiter?
• Wann reflektiere ich KI-Wirkungen gemeinsam mit den Lernenden — und wann verpasse ich diese Lerngelegenheit?
• Welche aktuelle KI-Praxis würde einer ehrlichen Reflexion vermutlich nicht standhalten?

Wann hast du zuletzt eine eigene KI-Entscheidung im Unterricht ehrlich reflektiert — und welche Konsequenz hatte das?

KI reflektieren heisst: Wir schauen immer wieder hin, wie KI in unserem Unterricht wirkt. Was hat sie uns gebracht? Was hat sie uns weggenommen? Und passen wir uns daran an.

Limitierung bedeutet, KI in einer bestimmten Situation gezielt nicht zuzulassen, weil eine andere didaktische Priorität schwerer wiegt — etwa Eigenleistung, Konzentration, Beurteilungsfähigkeit oder ein bestimmter kognitiver Prozess, der ohne Auslagerung gelingen muss. Limitierung ist keine pauschale Verweigerung, sondern eine begründete, situationsspezifische Entscheidung. Klassische Anwendungsfelder sind Leistungssituationen (Klausuren ohne KI, mündliche Verteidigungen), Übungsphasen, in denen ein Verfahren wirklich beherrscht werden soll, oder Reflexionsphasen, in denen Lernende mit sich selbst auseinandersetzen sollen. Limitierung ist auch ein Bildungssignal an Lernende: Es gibt Operationen, die der Mensch selbst vollziehen muss, weil sie zu seinem Bildungsprozess gehören. Eine gute Limitierung wird begründet, ausgesprochen und sichergestellt — sie ist nicht heimlich, nicht detektionsbasiert, sondern Teil der Vereinbarung.

Ohne explizite Limitierung wird KI-Didaktik einseitig integrativ und verliert die Möglichkeit, Lerngegenstände zu schützen, die durch Auslagerung verloren gehen würden. Limitierung ist die Form, in der Lehrpersonen sagen können: 'In diesem Setting denkt der Mensch.' Diese Aussage muss explizit und begründet sein — sonst bleibt sie persönliche Vorliebe.

Joscha Falck führt 'KI limitieren' als gleichwertiges Handlungsfeld neben thematisieren, integrieren und reflektieren ein. Theoretisch verbindet der Begriff Linien aus der Bildungstheorie (Klafki: Bildungsgehalt und Bildungssinn) mit der Praxisfrage, was an Schule unter KI-Bedingungen Mensch-Aufgabe bleibt. Die explizite Aufwertung der Limitierung als didaktische Handlung — statt als blosses Verbot oder Versäumnis — ist Falcks didaktischer Beitrag.

Eine Mathematiklehrperson schliesst in der zweistündigen Klausur KI vollständig aus — nicht aus Misstrauen, sondern weil das eigenständige Rechnen das zentrale Lernziel ist und in keiner anderen Form fair beurteilt werden kann. Die Limitierung ist ausgesprochen, begründet und akzeptiert.

Eine Geschichtsklasse arbeitet eine Stunde lang an einer Quelleninterpretation explizit ohne KI — die Lehrperson begründet vorab, dass die Auseinandersetzung mit dem Text als Eigenakt zum Lernziel gehört. KI darf in der Folgestunde wieder, dann zur Erweiterung.

Eine Lehrperson schlägt der Klasse vor, in der nächsten Übungsphase auf KI zu verzichten — mit Begründung. Die Klasse stimmt zu, weil sie die Begründung versteht. Die anschliessende Aufgabe ist schwieriger, aber lernwirksamer als die KI-gestützten Übungen davor.

• Limitierung sei das Eingeständnis didaktischer Schwäche oder altmodischer Verweigerung — tatsächlich ist sie eine gleichwertige didaktische Handlung wie Integration.
• Limitierung bedeute Detektion und Kontrolle — gute Limitierung wird ausgesprochen und akzeptiert; sie braucht keinen Detektor, sondern eine Vereinbarung.

Pauschales KI-Verbot: Ein pauschales Verbot ist eine Grundsatzhaltung. Limitierung ist eine situationsspezifische Entscheidung im Rahmen einer KI-Vereinbarung — sie schliesst Integration in anderen Settings ausdrücklich ein.

KI integrieren: Integration nutzt KI bewusst. Limitierung schliesst sie bewusst aus. Beide ergänzen sich in einer reflektierten KI-Didaktik.

• Wo in meinem Unterricht ist eine bewusste Limitierung didaktisch sinnvoll — und kommuniziere ich sie aktuell?
• Welche Lernziele in meinem Fach lassen sich unter KI-Bedingungen nur durch Limitierung schützen?
• Wie reagiert meine Klasse, wenn ich Limitierung explizit begründe — und was lerne ich aus dieser Reaktion?

Welche eine Limitierung würdest du für deinen Unterricht jetzt aussprechen — und wie würdest du sie der Klasse begründen?

KI limitieren heisst: Wir entscheiden bewusst, dass wir in dieser Aufgabe ohne KI arbeiten — nicht aus Verbot, sondern weil das Lernen es verlangt. Die Klasse weiss, warum.

KI-Mündigkeit bezeichnet das übergreifende Bildungsziel einer reflektierten KI-Nutzung. Mündige Nutzerinnen verstehen die Möglichkeiten und Grenzen von KI grundsätzlich, können im Einzelfall begründet entscheiden, ob und wie sie sie nutzen, übernehmen Verantwortung für die Folgen ihres KI-Einsatzes und behalten ihre eigene Urteilsfähigkeit auch dann, wenn KI souverän formuliert. Der Begriff knüpft an die kantische Mündigkeitsidee an — der Ausgang aus selbstverschuldeter Unmündigkeit, hier übertragen auf die Versuchung, das eigene Denken an KI auszulagern. Mündigkeit ist nicht KI-Verzicht, sondern souveräner KI-Umgang. Sie verlangt Wissen über KI (Funktionsweise, Risiken), Urteilsfähigkeit (was nehme ich an, was lehne ich ab) und Haltung (ich übernehme die Verantwortung). Schule kann zu KI-Mündigkeit erziehen, indem sie alle drei Dimensionen systematisch fördert — Mündigkeit entsteht aber nicht in einer Lektion, sondern kumulativ über die ganze Schulzeit.

Ohne KI-Mündigkeit verlagert sich Bildung in einen technologischen Determinismus: Lernende übernehmen das, was KI liefert, ohne es prüfen zu können. Mündigkeit ist damit nicht ein nettes Zusatzziel, sondern die Voraussetzung dafür, dass Bildung in einer KI-durchdrungenen Welt überhaupt ihr emanzipatorisches Versprechen einlösen kann.

Der Begriff erweitert die Tradition der Medienmündigkeit (Aufenanger; in der Linie Adornos und Heydorns kritischer Pädagogik) auf das Feld generativer KI. Bezugspunkt ist Kants Aufklärungsdefinition (Mündigkeit als Ausgang aus selbstverschuldeter Unmündigkeit). Konzeptionell verwandt sind 'KI-Literacy' und 'Critical AI Literacy' aus dem internationalen Diskurs.

Eine Schülerin der Sek II nutzt KI für eine Recherche, prüft die Aussagen an zwei unabhängigen Quellen, verwirft eine plausibel klingende, aber nicht belegbare Behauptung und dokumentiert ihren Entscheidungsweg — KI-Mündigkeit im Vollzug.

Eine Lehrperson bietet ein KI-Mündigkeits-Modul an: Funktionsweise, Risiken, eigene Stellungnahme, ethische Reflexion. Teilnehmende dokumentieren, wie sich ihr KI-Umgang nach dem Modul verändert hat — und ob mündiger.

Eine Maturandin lehnt einen KI-Vorschlag für ihre Maturarbeit-Argumentation ab, weil er ihrer Position widerspricht, die sie selbst sorgfältig hergeleitet hat — sie nimmt KI als Sparringspartnerin, nicht als Autorität. Genau das ist KI-Mündigkeit.

• KI-Mündigkeit bedeute KI-Verzicht — tatsächlich umfasst sie den souveränen Einsatz ebenso wie das bewusste Auslassen.
• Mündigkeit sei mit einem Workshop erreichbar — sie ist ein langfristiges Bildungsziel, das in vielen Lerngelegenheiten kumulativ entsteht.

KI-Kompetenz: Kompetenz ist die Bündelung der Fähigkeiten (was kann jemand). Mündigkeit ist die übergreifende Haltung und Verantwortungsbereitschaft (wie geht jemand damit um). Beide gehören zusammen.

Pauschale KI-Skepsis: Skepsis ist eine Grundhaltung der Distanz. Mündigkeit umfasst auch souveräne Nutzung — sie ist nicht skeptisch, sondern urteilsfähig.

• Wo zeige ich in meinem eigenen KI-Umgang Mündigkeit — und wo eher nicht?
• Welche meiner Lernsettings tragen langfristig zu KI-Mündigkeit bei?
• Wann erkenne ich, dass eine Schülerin gegenüber KI tatsächlich mündig agiert?

Welche meiner Lernenden agieren bereits mündig gegenüber KI — und woran erkenne ich das?

KI-Mündigkeit heisst: Ich kann KI nutzen, wenn sie hilft. Ich kann sie ablehnen, wenn sie schadet. Und ich übernehme die Verantwortung dafür, was ich tue. Mündig bin ich, wenn KI mich nicht denken lässt — sondern ich mit ihr.

KI-Kompetenz fasst die Fähigkeiten, die nötig sind, um mit KI im Alltag, in Beruf und Bildung souverän umzugehen. Geläufig sind vier Kompetenzbereiche: KI verstehen (Funktionsweise, Trainingsdaten, Wahrscheinlichkeit, Bias, Risiken), KI anwenden (zweckgerichteter Einsatz, Promptgestaltung, Werkzeugwahl), KI gestalten (eigene Lösungen entwerfen, Schwerpunkte setzen, Kombination mit menschlichen Anteilen) und KI reflektieren (ethische, gesellschaftliche, didaktische Folgen abwägen). Die vier Bereiche sind nicht isoliert, sondern eng verzahnt — wer anwenden kann, ohne zu reflektieren, ist anfällig für Sycophancy und Halluzinationen; wer reflektieren kann, ohne anzuwenden, urteilt vom Schreibtisch. KI-Kompetenz wächst kumulativ, fachspezifisch und altersangemessen — sie ist nicht ein Fach, sondern eine Querschnittsaufgabe.

Ohne KI-Kompetenz bleibt KI eine Bedienoberfläche, mit der Lernende intuitiv umgehen, ohne die Folgen zu durchschauen. Mit KI-Kompetenz wird KI zum Gegenstand bildungswirksamer Auseinandersetzung. Die Schule hat einen klaren Auftrag, KI-Kompetenz alters- und fachspezifisch aufzubauen — sie ist keine private Angelegenheit von Tech-Affinen, sondern Allgemeinbildung.

Mehrere Frameworks fassen KI-Kompetenz: international der AI Literacy-Diskurs (Long & Magerko 2020), in Europa die JRC-Erweiterungen von DigCompEdu um KI-Aspekte, in der Schweiz die Verzahnung mit der Medien- und Informatik-Kompetenz im Lehrplan 21. Die vier Bereiche (verstehen, anwenden, gestalten, reflektieren) sind eine im deutschsprachigen Diskurs verbreitete Strukturierung; sie variieren je nach Quelle leicht.

Eine Sek-I-Klasse arbeitet ein Halbjahr an einem KI-Portfolio: In jeder Lerneinheit dokumentiert sie, was sie über KI verstanden hat (verstehen), welche Werkzeuge sie warum eingesetzt hat (anwenden), welche eigenen Variationen sie probiert hat (gestalten) und welche Wirkungen das alles hatte (reflektieren).

Eine Berufsfachschule integriert KI-Kompetenz in den Allgemeinbildungsunterricht: Verstehen-Modul (Wie funktioniert ein LLM?), Anwenden-Übungen (Was leistet ein guter Prompt?), Gestalten-Projekte (KI-gestützter Lebenslauf, dann manuell überarbeitet), Reflektieren-Diskussionen (Was bedeutet das für meinen Beruf?).

Eine Schule führt im Kollegium ein KI-Kompetenz-Selbstcheck-Tool ein. Das Ergebnis zeigt: Anwenden-Bereich ist breit verteilt, Reflektieren-Bereich ist Mangelware. Die folgenden Fortbildungen setzen am Reflektieren-Bereich an — eine evidenzbasierte Schulentwicklung.

• KI-Kompetenz sei dasselbe wie Prompt-Engineering — tatsächlich ist Anwendung nur einer von vier Bereichen; ohne Verstehen, Gestalten und Reflektieren bleibt sie reine Bedienkompetenz.
• KI-Kompetenz sei eine Aufgabe der Informatik allein — tatsächlich tragen alle Fächer fachspezifisch dazu bei, weil KI in allen Fächern wirkt.

KI-Mündigkeit: Mündigkeit ist die Haltung und Verantwortungsbereitschaft. Kompetenz ist das konkrete Können in vier Bereichen. Beide gehören zusammen — eine ohne die andere bleibt unvollständig.

Promptqualität: Promptqualität ist ein Element des Anwenden-Bereichs. KI-Kompetenz ist breiter und umfasst auch Verstehen, Gestalten und Reflektieren.

• Welche der vier KI-Kompetenzbereiche fördere ich in meinem Unterricht systematisch — und welche eher zufällig?
• Wo könnten meine Lernenden ihre KI-Kompetenz in einem überprüfbaren Format zeigen?
• Welcher Kompetenzbereich ist in meinem Fach besonders zugänglich — und welcher fordert mich selbst heraus?

Welcher der vier KI-Kompetenzbereiche braucht in deinem Unterricht am dringendsten mehr Aufmerksamkeit?

KI-Kompetenz ist das, was ich mit KI können sollte: Ich verstehe, wie sie funktioniert. Ich kann sie benutzen. Ich kann sie kreativ einsetzen. Und ich kann darüber nachdenken, was sie tut und was nicht.

Prompt-Engineering und Präzision durch direkten Vergleich sichtbar gemacht statt theoretisch erklärt.

Mehrere Lernende erhalten denselben Auftrag, dieselbe Zeit, dasselbe Modell. Drei Runden mit steigendem Anspruch: Speedrunde (5 Min, ein Prompt, keine Iteration), Präzisionsrunde (10 Min, Zielgruppe/Bedingungen, 2–3 Iterationen), Kreativrunde (15 Min, offener Transfer-Auftrag). Die Ergebnisse werden nebeneinandergelegt und von der Klasse nach drei Kriterien bewertet (Relevanz, Qualität, Originalität, je 0–3 Punkte).

Hybride Autorschaft ist ein konzeptioneller Rahmen für die Realität, dass viele Texte und Werke heute aus einer Mensch-KI-Koproduktion entstehen — und nicht mehr eindeutig einer Autorin oder einer KI zuzuordnen sind. Die Frage 'wer hat das geschrieben?' verliert ihre klare Antwort; an ihre Stelle treten differenziertere Fragen: Wer hat den Gedanken gehabt? Wer hat die Auswahl getroffen? Wer hat den Text formuliert? Wer hat ihn überarbeitet? Wer trägt Verantwortung für die Endaussage? Hybride Autorschaft erfordert neue Konventionen — KI-Deklaration ist eine, sichtbare Spuren von Auseinandersetzung sind eine andere, mündliche Verteidigung eine dritte. Schule muss Lernende in einer Welt vorbereiten, in der die hybride Autorschaft die Regel ist, nicht die Ausnahme; gleichzeitig muss sie sicherstellen, dass die menschlichen Anteile — gerade in formativen und summativen Settings — sichtbar und beurteilbar bleiben.

Wer Hybride Autorschaft nicht denken kann, gerät in zwei Sackgassen: entweder Kollektivverdacht (alles ist KI) oder Naivität (alles ist menschlich). Beides ist unfair und nicht aufrechtzuerhalten. Der Begriff erlaubt eine differenzierte Praxis — anerkennen, dass KI mitwirkt, und gleichzeitig die menschlichen Anteile valide beurteilen.

Der Begriff steht im Schnittfeld von Autorschaftstheorie (Foucault, Barthes — der Tod des Autors), Plagiats- und Integritätsforschung (academic integrity) und KI-Ethik. Praktisch greift er Debatten um wissenschaftliches Schreiben, journalistische Praxis und Bildungspraxis auf, die sich alle mit dem Umgang mit KI-Co-Autorschaft auseinandersetzen.

Eine Klasse schreibt ein hybrides Essay: Die These wird selbst formuliert, KI liefert Gegenargumente, die Schülerin entscheidet, welche sie aufgreift, und schreibt die Schluss-Synthese selbst. Im Deklarationsblock dokumentiert sie die Anteile. Beurteilt werden Argumentationsführung und Synthese-Leistung — nicht die KI-Anteile.

Eine Berufsfachschulklasse erstellt einen hybriden Geschäftsbericht: Daten und Diagramme mit KI, Interpretation und Empfehlung manuell. Die Lernenden müssen den Unterschied zwischen Datendarstellung (KI) und Bewertung (Mensch) explizit machen.

Ein Lehrer bewertet die Maturarbeit einer Schülerin niedrig, weil sie KI eingesetzt hat. Die Schülerin legt ihre detaillierte Deklaration vor, in der jeder KI-Anteil und jede eigene Bearbeitung sichtbar ist. Die Bewertung wird angepasst — auf Grundlage der hybriden Realität, nicht eines naiven Autorschaftsbegriffs.

• Hybride Autorschaft bedeute, KI als Co-Autor anzuerkennen — tatsächlich behält der Mensch die Verantwortung und die Autorschaft im rechtlichen und ethischen Sinn; KI ist Mitwirkende, nicht Autorin.
• Hybride Autorschaft sei nur eine vornehme Umschreibung für Mogeln — tatsächlich macht der Begriff erst klar, was Mogeln (verheimlichte Übernahme) von legitimer Koproduktion (deklarierte Mitwirkung) unterscheidet.

Plagiat: Plagiat ist die Übernahme fremder Inhalte ohne Kennzeichnung — Täuschung also. Hybride Autorschaft ist eine deklarierte, transparente Mitwirkung von KI — das genaue Gegenteil.

Reine Eigenleistung: Reine Eigenleistung ist die ausschliessliche menschliche Produktion. Hybride Autorschaft erkennt KI-Mitwirkung an und behält gleichzeitig die menschliche Verantwortung und Beurteilbarkeit.

• Welche Konventionen für hybride Autorschaft habe ich in meinem Unterricht etabliert — und welche fehlen?
• Wie unterscheide ich in meiner Beurteilung zwischen hybrider Koproduktion und reiner KI-Übernahme?
• Welche Erwartung an Autorschaft trage ich unausgesprochen in mir — und stimmt sie noch mit der Schreibrealität meiner Lernenden überein?

Welche Form hybrider Autorschaft akzeptierst du in deinem Fach — und welche nicht? Was begründet diese Grenze?

Hybride Autorschaft heisst: Mensch und KI haben gemeinsam etwas geschrieben oder gemacht. Beide Anteile sieht man — niemand tut so, als hätte er alles selber gemacht. Aber der Mensch trägt die Verantwortung für das Ganze.

Getarnte Textanalyse. Sprachbewusstsein — was macht einen Text 'menschlich'? Bewusst keine Betrugsdetektion.

Sechs anonymisierte Texte zum gleichen Thema hängen aus — drei von Schüler:innen, drei KI-generiert (gleiche Schrift, Layout, Länge). Einzelarbeit (15 Min): pro Text 'Mensch oder KI' plus zwei Sätze Begründung. Diskussion (15 Min): 'Woran habt ihr etwas gemerkt?' — daraus werden fünf KI-Erkennungsmuster destilliert (übertriebene Ausgewogenheit, fehlende Persönlichkeit, perfekte Struktur, generisches Vokabular, kein Humor). Auflösung und Reflexion (10 Min).

Augmentation als didaktisches Leitbild stellt die menschliche Operation in den Mittelpunkt und fragt, wie KI sie verstärken kann — anstatt sie zu ersetzen. Im verstärkten Modus übernimmt der Mensch die Kernoperation (eine Hypothese formulieren, ein Argument bauen, eine Beobachtung machen), und KI erweitert ihre Reichweite (durch Variationen, Gegenpositionen, Beispiele, Übersetzungen). Diese Logik unterscheidet sich grundsätzlich vom Substitutionsmodus, in dem KI die Operation selbst übernimmt und der Mensch nur noch das Ergebnis bewertet. Augmentation ist ein optimistisches Leitbild — sie geht davon aus, dass KI menschliches Können erweitern kann, ohne es zu ersetzen. Sie verlangt allerdings didaktische Disziplin: Aufgaben müssen so geschnitten sein, dass der menschliche Anteil wirklich gefordert ist, sonst kippt Augmentation unbemerkt in Substitution.

Wer Augmentation als Leitbild verfehlt, gerät leicht in den Substitutionsmodus — KI macht, Mensch konsumiert. Augmentation ist die Form, in der KI lernwirksam bleibt, weil sie die kognitive Aktivierung der Lernenden erhält, statt sie wegzunehmen. Sie ist auch ein Bildungssignal: Wir wollen, dass ihr besser werdet, nicht effizienter konsumiert.

Der Begriff stammt aus dem internationalen Diskurs um 'Augmented Intelligence' und 'Augmented Education' (siehe etwa Doug Engelbarts Konzept der 'Augmenting Human Intellect' aus den 1960er-Jahren). Er steht in produktiver Spannung zum Begriff der Automation, der das Ersetzen menschlicher Operationen meint. In der KI-Didaktik wird Augmentation als wünschenswertes Gegenmodell zur reinen Substitution durch KI verwendet.

Eine Sek-II-Klasse arbeitet an einer Erörterung: Jede Schülerin formuliert zuerst eine eigene These und drei Argumente. Dann liefert KI fünf weitere Argumente — die Schülerin entscheidet, welche sie aufnimmt, verwirft oder modifiziert. Die KI hat ihre Argumentation verstärkt, nicht ersetzt.

Eine Mathematikklasse löst ein anspruchsvolles Problem manuell. Anschliessend prüft die Klasse mit KI alternative Lösungswege — KI verstärkt das Verständnis, indem sie Varianten anbietet, an denen die eigene Lösung sichtbarer wird.

Zwei Klassen erhalten dieselbe KI-Aufgabe. In Klasse A ist sie augmentativ angelegt (eigene These vor KI-Vorschlägen), in Klasse B substituierend (KI liefert Vorschläge, Klasse wählt). Im späteren Verstehenstest schneidet Klasse A deutlich besser ab — Augmentation war lernwirksamer.

• Augmentation und Substitution seien graduell verschieden — tatsächlich ist der Unterschied qualitativ: Wer die Kernoperation auslagert, ist im Substitutionsmodus, auch wenn er KI 'als Hilfe' rahmt.
• Augmentation sei automatisch lernwirksamer als Substitution — tatsächlich verlangt sie didaktische Disziplin in der Aufgabengestaltung; ohne sie kippt sie in Substitution.

Substitution: Substitution ersetzt menschliche Operationen durch KI. Augmentation verstärkt sie. Der Unterschied entscheidet über die Lernwirksamkeit unter KI-Bedingungen.

Automation: Automation zielt auf vollständige Übernahme von Prozessen durch Maschinen. Augmentation behält den Menschen im Zentrum und nutzt KI nur als Verstärker — eine andere Logik.

• Welche meiner KI-gestützten Aufgaben sind augmentativ angelegt — und welche eher substituierend?
• Woran erkenne ich, dass eine Aufgabe unbemerkt von Augmentation in Substitution kippt?
• Wie kann ich Augmentation in einer konkreten Aufgabe sichtbar machen — so, dass auch die Lernenden den Unterschied verstehen?

Welche deiner KI-Aufgaben ist im Kern augmentativ — und welche müsstest du umbauen, damit sie es würden?

Augmentation heisst: Ich mache etwas — und KI macht es besser möglich. Sie ersetzt mich nicht. Sie ist wie ein Verstärker, nicht wie ein Roboter, der mich übernimmt.

Prompt-Literacy ist breiter als Promptqualität: Sie umfasst nicht nur das Verfassen guter Prompts, sondern auch das Lesen, Interpretieren und Bewerten von KI-Antworten, das Verstehen der zugrunde liegenden Mechanik (was beeinflusst die Antwort?), das ethisch-reflektierte Einsetzen und das Wissen, wann ein Prompt-basierter Zugang überhaupt sinnvoll ist. Eine prompt-literate Person formuliert klar, denkt mit, prüft die Antwort und entscheidet kompetent über deren Weiterverwendung. Sie weiss, dass die Qualität der Antwort nicht nur an ihrem Prompt liegt, sondern auch am Modell, an den Trainingsdaten und am Kontext. Prompt-Literacy ist eine Lese-Schreib-Kompetenz für KI-Interaktion — analog zu Medien-Literacy, aber spezifischer.

Ohne Prompt-Literacy gerät KI-Nutzung in Beliebigkeit: schlechte Prompts liefern schlechte Antworten, unkritisches Lesen übernimmt Halluzinationen. Prompt-Literacy ist die operative Grundkompetenz, die KI-Nutzung lernwirksam macht — sie ist nicht alles, aber sie ist die Eintrittskarte.

Der Begriff steht in der Tradition der Literacy-Diskurse (Literacy als Bündelung von Lese-, Schreib- und Reflexionsfähigkeiten) und erweitert sie auf die Mensch-KI-Interaktion. Konzeptionell verwandt ist 'AI Literacy' (Long & Magerko), das Prompt-Aspekte als Teilkompetenz umfasst. Prompt-Literacy fokussiert spezifisch auf die Interaktionsebene.

Eine Klasse vergleicht in Deutsch zwei Prompts für dieselbe Aufgabe (eine knappe, eine kontextreiche) und analysiert die unterschiedlichen Antworten der KI. Die Lernenden formulieren Prinzipien guter Prompts und prüfen sie an einem dritten Beispiel — Prompt-Literacy entsteht aus reflektierter Praxis.

Eine Lehrperson lässt die Klasse Promptprotokolle führen: Was habe ich gefragt? Was hat KI geantwortet? Wo habe ich nachgehakt? Welche Antwort habe ich übernommen, welche nicht? Die Protokolle werden Grundlage einer Reflexion zu Prompt-Literacy.

Eine Schule führt im siebten Jahrgang eine Reihe 'Mit KI sprechen lernen' ein: jede Woche eine Prompt-Übung, danach eine Reflexion. Am Ende des Halbjahres zeigt sich, dass die Klasse deutlich bewusster mit KI interagiert als Vergleichsklassen ohne dieses Curriculum.

• Prompt-Literacy sei reine Bedienkompetenz — tatsächlich umfasst sie auch das Verstehen der KI-Mechanik, das kritische Bewerten der Antworten und das Reflektieren des eigenen Tuns.
• Prompt-Literacy sei mit guten Prompt-Vorlagen erreichbar — tatsächlich verlangt sie eine eigene Sprachfähigkeit, die in vielen kleinen Interaktionen kumulativ wächst.

Promptqualität: Promptqualität ist die Güte eines konkreten Prompts. Prompt-Literacy ist die Kompetenz, gute Prompts zu schreiben, KI-Antworten kritisch zu lesen und insgesamt kompetent mit KI zu interagieren.

Technische Schreibkompetenz: Technische Schreibkompetenz richtet sich an menschliche Leser und folgt Genrekonventionen. Prompt-Literacy richtet sich an Wahrscheinlichkeitsmodelle und folgt anderen Logiken.

• Wo könnte Prompt-Literacy in meinem Fach konkret gefördert werden — und wer macht das systematisch?
• Welche eine kleine Übung würde meine Lernenden bei Prompt-Literacy spürbar voranbringen?
• Wie unterscheide ich bei meinen Lernenden Prompt-Literacy von blosser KI-Routine?

Wie hat sich deine eigene Prompt-Literacy in den letzten zwölf Monaten verändert — und was hat sie wachsen lassen?

Prompt-Literacy heisst: Ich kann KI gut fragen — und ich kann gut verstehen, was sie mir antwortet. Ich weiss, dass nicht alles stimmt, was sie sagt. Und ich entscheide, was ich damit mache.

Prompt-Engineering und Präzision durch direkten Vergleich sichtbar gemacht statt theoretisch erklärt.

Mehrere Lernende erhalten denselben Auftrag, dieselbe Zeit, dasselbe Modell. Drei Runden mit steigendem Anspruch: Speedrunde (5 Min, ein Prompt, keine Iteration), Präzisionsrunde (10 Min, Zielgruppe/Bedingungen, 2–3 Iterationen), Kreativrunde (15 Min, offener Transfer-Auftrag). Die Ergebnisse werden nebeneinandergelegt und von der Klasse nach drei Kriterien bewertet (Relevanz, Qualität, Originalität, je 0–3 Punkte).

Differenzierung gehört zum didaktischen Kern: unterschiedlichen Lernenden gerecht zu werden, ohne sie unterschiedlich unterrichten zu müssen. KI verschiebt hier die Möglichkeiten, weil sie schnelle, individuell angepasste Variation erlaubt — verschiedene Schwierigkeitsgrade, alternative Erklärungen, angepasste Beispiele, individuelle Übungssets. Die Versprechen sind attraktiv: gerade leistungsschwächere Lernende könnten profitieren, weil KI immer Zeit hat. Die Risiken sind aber auch deutlich: KI-gestützte Differenzierung kann Lernende auf algorithmisch definierte Pfade festlegen, Lehrpersonen aus dem Differenzierungsentscheid herausnehmen, und sie kann eine technische Lösung für ein zutiefst pädagogisches Problem suggerieren. Gute KI-Differenzierung verlangt deshalb eine klare didaktische Steuerung: Die Lehrperson entscheidet, wo differenziert werden soll, KI liefert Variationen, und die Lehrperson behält die Verantwortung für die Lernpfade ihrer Klasse.

Differenzierung ist die didaktische Daueraufgabe — und sie ist personell aufwändig. Wer hofft, KI könne sie übernehmen, übersieht die pädagogische Dimension: Wer Lernpfade festlegt, übernimmt Verantwortung für die Bildungswege. Differenzierung durch KI ist deshalb keine technische, sondern eine didaktische Frage — wer differenziert wozu, und wer kontrolliert die Wirkung.

Der Begriff verbindet die Tradition der Binnendifferenzierung (Bönsch, Helmke) mit dem aktuellen Diskurs um adaptive Lernsysteme und individualisiertes Lernen. Bezugspunkte sind auch Studien zu intelligenten Tutorsystemen (Bloom 1984, VanLehn 2011) — wo die Effekte für Schritt-Interaktivität als zentral identifiziert wurden, nicht für die Tutor-Form als solche.

Eine Lehrperson nutzt KI, um zu jeder Übungsaufgabe drei Schwierigkeitsstufen mit angepassten Hinweisen zu generieren. Sie wählt aus, welche Stufe sie welcher Schülerin gibt — KI hat die Variation produziert, die Lehrperson das Differenzierungsverhältnis entschieden.

Eine Berufsfachschulklasse arbeitet mit einer KI-Tutor-Plattform, die individualisiert übt. Die Lehrperson überprüft wöchentlich, welche Pfade sich für welche Lernende ergeben, und korrigiert dort, wo die Pfade einseitig werden — KI differenziert, Lehrperson steuert.

Eine Schule führt KI-gestützte Differenzierung breit ein. Eine Halbjahresauswertung zeigt: Lernende, die früh als 'schwach' eingestuft wurden, blieben es — die KI hatte ihre Aufgaben konsequent vereinfacht. Die Schule passte das System an: Differenzierung wird jetzt regelmässig von Lehrpersonen revidiert.

• KI-Differenzierung sei automatisch fairer als manuelle Differenzierung — tatsächlich kann sie Lernende auf algorithmisch verengte Pfade festlegen, wenn niemand pädagogisch nachsteuert.
• Differenzierung durch KI mache Lehrpersonen entbehrlich — tatsächlich werden Lehrpersonen wichtiger, weil sie die didaktische Steuerung übernehmen müssen, während KI die Variation liefert.

Binnendifferenzierung: Binnendifferenzierung ist die didaktische Grundpraxis. Differenzierung durch KI ist ein konkretes Mittel innerhalb dieser Praxis — sie ersetzt sie nicht, sondern ergänzt sie.

Adaptives Lernen: Adaptives Lernen ist eine systemische Form der Differenzierung mit algorithmischer Steuerung. KI-Differenzierung kann auch kleinteilig und punktuell sein, ohne System dahinter.

• Wo nutze ich KI bereits für Differenzierung — und behalte ich die didaktische Steuerung in der Hand?
• Welche Differenzierungsentscheidung kann ich an KI delegieren — und welche muss bei mir bleiben?
• Wie merke ich, wenn KI-gestützte Differenzierung Lernende ungewollt einengt?

Wie viel Differenzierungsentscheid hast du aktuell an KI abgegeben — und wie viel davon würdest du zurückholen, wenn du ehrlich darüber nachdenkst?

Differenzierung durch KI heisst: KI hilft mir, Aufgaben für verschiedene Lernende anzupassen — leichter oder schwerer, mit mehr oder weniger Hilfe. Aber die Entscheidung, was wer bekommt, bleibt bei mir als Lehrperson.

Datenschutz im KI-Schuleinsatz betrifft alle KI-Werkzeuge, in die personenbezogene Daten von Lernenden eingegeben werden — Schülertexte, Namen, Lernstandsdaten, Beurteilungen. Rechtlich gelten in der Schweiz das revidierte Datenschutzgesetz (revDSG, 2023), in der EU die DSGVO; beide stellen klare Anforderungen an Einwilligung, Zweckbindung, Datenminimierung und sichere Verarbeitung. Die didaktische Konsequenz: Welche KI-Werkzeuge dürfen wo eingesetzt werden? Welche Daten dürfen reingegeben werden? Wer ist verantwortlich? In der Praxis bedeutet das oft, dass selbst legale KI-Nutzung schulintern dokumentiert, mit Eltern kommuniziert und auf bestimmte Werkzeuge eingegrenzt werden muss. Die Verantwortung liegt nicht primär bei einzelnen Lehrpersonen, sondern bei Schulleitung und Träger — Lehrpersonen brauchen aber Klarheit, was sie dürfen, damit sie didaktisch agieren können.

Wer Datenschutz vernachlässigt, setzt Lernende einem rechtlich, ethisch und reputationsmässig erheblichen Risiko aus — und unter Umständen sich selbst. Eine ausdrückliche schulinterne Klärung ist kein Hindernis für KI-Didaktik, sondern ihre Voraussetzung: Erst wenn die rechtlichen Fragen geklärt sind, kann didaktisch frei gearbeitet werden.

Der Begriff verbindet rechtliche (revDSG, DSGVO), informatik-pädagogische (Lehrplan 21: Medien und Informatik) und schulorganisatorische Stränge. In der Schweiz gibt es kantonal unterschiedliche Regelungen, die Schulen verbindlich machen. Wissenschaftlich knüpft das Thema an den breiteren Diskurs um Datenschutz im Bildungswesen an (privacy by design, datenschutzkonforme Lernumgebungen).

Eine Lehrperson lässt die Klasse Texte zu privaten Themen schreiben (Identität, Familie) und plant, sie mit KI korrigieren zu lassen. Bei der Datenschutz-Prüfung wird klar: Diese Inhalte dürfen so nicht in eine cloud-basierte KI. Die Lehrperson schlägt der Klasse vor, alternativ ohne KI zu arbeiten — oder mit anonymisierten Versionen.

Eine Schule erarbeitet eine Datenschutz-Liste: Welche KI-Werkzeuge sind für welche Datenarten zulässig? Die Liste wird im Kollegium kommuniziert und gibt Lehrpersonen Handlungssicherheit — sie können sich auf das Didaktische konzentrieren, weil das Rechtliche geklärt ist.

Ein Kollege liess die Klasse Schülerporträts in einer Cloud-KI bearbeiten — bis ein Elternteil rechtliche Bedenken anmeldete. Die Schule reagierte mit einem klaren Werkzeugkatalog und einer Eltern-Information — der Vorfall führte zu mehr Klarheit, nicht zu weniger KI.

• Datenschutz sei ein Bremsklotz für KI-Didaktik — tatsächlich schafft er die Voraussetzung dafür, dass KI-Didaktik überhaupt rechtssicher und verantwortungsvoll stattfinden kann.
• Lehrpersonen seien allein verantwortlich für Datenschutz — Schulleitung und Träger müssen den Rahmen klären, Lehrpersonen handeln innerhalb dieses Rahmens.

KI-Vereinbarung: Die KI-Vereinbarung regelt didaktische Aspekte (wo darf KI, wo nicht). Datenschutz regelt rechtliche Aspekte (welche Daten dürfen wohin). Beide ergänzen einander.

Allgemeine Schul-IT-Sicherheit: IT-Sicherheit betrifft Infrastruktur (Netzwerk, Geräte). Datenschutz betrifft den Umgang mit personenbezogenen Daten — ein Schnittpunkt, der bei KI besonders relevant ist.

• Welche KI-Werkzeuge nutze ich in meinem Unterricht aktuell — und sind sie datenschutzrechtlich geprüft?
• Welche Schülerdaten gebe ich (vielleicht unbewusst) in KI-Systeme — und welche sollte ich nicht?
• Wo finde ich in meinem Schulkontext verlässliche Information, was zulässig ist?

Wo arbeitest du aktuell mit KI, ohne die datenschutzrechtlichen Fragen ehrlich geklärt zu haben?

Datenschutz beim KI-Einsatz heisst: Wir müssen aufpassen, welche Daten von Schülerinnen wir in welche KI eingeben. Manches ist erlaubt, manches nicht. Das müssen wir klären, bevor wir KI im Unterricht nutzen.

Das Adjektiv epistemisch (vom griechischen epistēmē, Wissen) bezeichnet im Fachterminus der Erkenntnistheorie alles, was die Geltung, die Begründung und die Verlässlichkeit von Wissen betrifft. Es ist ein präzisierender Begriff, der nicht synonym zu informativ und nicht synonym zu kognitiv ist und gerade dort unverzichtbar wird, wo diese Unterscheidungen verschwimmen. Drei Verwendungen sind etabliert. Erstens spricht man von epistemischer Kompetenz, womit die Fähigkeit gemeint ist, mit Aussagen geltungsorientiert umzugehen: zu prüfen, ob eine Behauptung begründet ist, woher sie stammt, welche Reichweite sie hat und wie sie sich zu konkurrierenden Aussagen verhält. Zweitens spricht man von epistemischer Sorgfalt als Tugend, die diese Kompetenz im Vollzug ausübt: nicht jede plausibel klingende Aussage glauben, sondern Geltung als prüfbare Eigenschaft behandeln. Drittens spricht man von einer epistemischen Lage, womit der Stand der verfügbaren Begründungen zu einer Frage gemeint ist, etwa wenn eine wissenschaftliche Diskussion umstritten ist oder die Datenlage unklar bleibt. In allen drei Verwendungen ist die epistemische Dimension nicht identisch mit Information. Informationen können verfügbar sein, ohne dass damit ihre Geltung geprüft wäre; ein gut formulierter Text kann viele Informationen enthalten und epistemisch wertlos sein, wenn keine davon belegbar ist. Die epistemische Dimension ist auch nicht identisch mit kognitiver Verarbeitung. Eine kognitive Leistung erfasst, behält oder bearbeitet Information; eine epistemische Leistung prüft, ob diese Information mit Recht für wahr gehalten werden darf. Beides sind unterschiedliche Operationen, die zwar zusammenhängen, aber nicht aufeinander reduziert werden können. Wer eine Aussage gut versteht (kognitive Leistung), hat sie damit nicht schon geprüft (epistemische Leistung); und wer eine Aussage epistemisch prüft, muss sie nicht im technischen Sinn besonders gut verstanden haben. Die Pointe des Begriffs liegt in dieser Trennschärfe: Er macht eine Dimension sichtbar, die im Alltag und in Lehrplänen oft mit Informations- oder Kognitionsbegriffen vermischt wird, und macht damit kritisierbar, ob ein Unterricht, der Information vermittelt, deshalb schon Geltungsprüfung gelehrt hat.

Ohne den Begriff epistemisch droht ein verbreiteter Kategorienfehler: Schule und Bildungsdiskurs reden über Wissen, wo sie über Information reden, und meinen Verstehen, wo Geltungsprüfung gemeint sein müsste. Diese Unschärfe ist im Alltag tolerierbar; in einer Bildung, die ihre Substanz prüfen will, ist sie verheerend, weil sie Massstäbe verwischt. Ein Unterricht, der Informationen bereitstellt und ihre kognitive Verarbeitung sichert, hat damit noch keine epistemische Kompetenz vermittelt. Lernende können einen Text präzise wiedergeben, ohne je gefragt zu haben, ob er stimmt; sie können eine Aussage in eigenen Worten erklären, ohne ihre Begründung zu prüfen. Wer die epistemische Dimension nicht eigens benennt, riskiert, sie systematisch zu übergehen. Der Begriff ist deshalb mehr als ein Fachterminus; er ist ein didaktischer Massstab, an dem sich Unterricht messen lässt. Wo er fehlt, kann ein scheinbar anspruchsvoller Unterricht epistemisch flach bleiben; wo er präsent ist, wird die Frage nach Geltung zu einem eigenständigen Lerngegenstand. Praktisch zwingt der Begriff dazu, Aufgaben daraufhin zu prüfen, ob sie eine epistemische Operation verlangen oder bloss eine informationelle oder kognitive. Diese Prüfung ist die Voraussetzung für eine Bildung, die in einer informationsreichen Umgebung nicht in Beliebigkeit kippt, sondern den Begriff der Geltung als Bildungsgegenstand ernst nimmt.

Der Begriff stammt aus der erkenntnistheoretischen Tradition und ist in der analytischen Wissenschaftsphilosophie seit dem 20. Jahrhundert ausgearbeitet, etwa in Diskussionen um Rechtfertigung, Wissen und epistemische Tugenden. In der Bildungsforschung wurde die epistemische Dimension durch Arbeiten zu epistemic beliefs prominent (Hofer und Pintrich systematisierten ab 2002 die Forschung zu Überzeugungen darüber, was Wissen ist und wie es entsteht), und sie wurde in didaktischen Modellen zur scientific literacy und zur Informationskompetenz aufgegriffen (die OECD verankert epistemische Aspekte in den PISA-Frameworks für Naturwissenschaft seit 2015 ausdrücklich). Im deutschsprachigen Diskurs hat sich die Sprache der epistemischen Kompetenz besonders in der medien- und informationspädagogischen Debatte etabliert und wurde 2024 bis 2026 unter dem Eindruck generativer KI verschärft aufgenommen. Theoretisch wird die epistemische Dimension von benachbarten Begriffen abgegrenzt: vom rein informationellen Begriff der Medienkompetenz, der primär den Umgang mit Werkzeugen meint, und vom kognitiven Begriff des Verstehens, der die Verarbeitungsfähigkeit der Person betrifft. Empirisch zeigt sich, dass epistemische Kompetenz nicht automatisch mit fachlicher Expertise einhergeht; Fachleute können in ihrem Spezialgebiet hohe Geltungsstandards anlegen und in benachbarten Feldern naiv bleiben.

Eine Geographielehrperson lässt die Klasse zur Vorbereitung einer Diskussion über Migration zwei Texte vergleichen: einen redaktionellen Beitrag aus einer überregionalen Zeitung und eine KI-generierte Zusammenfassung desselben Themas. Beide Texte sind sprachlich vergleichbar gepflegt. Die Aufgabe lautet nicht, sie zu paraphrasieren, sondern für jede zentrale Aussage zu rekonstruieren, woher die Behauptung stammt, ob sie an einer Quelle festgemacht werden kann und wie sicher die Quelle ist. Am Ende benennen die Lernenden ausdrücklich, an welchen Stellen sich die epistemische Lage zwischen den beiden Texten unterscheidet, obwohl die kognitive Verständlichkeit dieselbe ist.

In einem Wahlfach Medienkompetenz lässt eine Lehrperson Lernende drei Aussagen aus einer KI-Konversation herausgreifen und für jede in zwei Spalten notieren, was sie kognitiv aussagt (was steht da, in eigenen Worten) und was sie epistemisch leistet (welche Begründungslage steckt dahinter, ist die Aussage prüfbar, könnte sie auch falsch sein). Die meisten Lernenden bemerken bei dieser Übung erstmals, dass sie informationell und kognitiv mit dem Text souverän umgehen, ohne je epistemisch gearbeitet zu haben. Die Doppelspalte wird zum dauerhaften Werkzeug der Klasse für die Arbeit mit KI-Texten.

Eine Sekundarschule führt im Rahmen einer fächerübergreifenden Reflexion erstmals die Sprache der epistemischen Kompetenz ein. In einer kollegialen Analyse von Schülerarbeiten zeigt sich, dass die Mehrzahl der als hochwertig bewerteten Arbeiten kognitiv anspruchsvolle Paraphrasen sind, deren Aussagen epistemisch nicht weiter geprüft wurden, weil die Aufgabenstellung dies nicht verlangt hatte. Das Kollegium entwickelt daraufhin in mehreren Fachschaften kleine Aufgabenadditive, mit denen für ausgewählte Schritte eine explizite epistemische Operation eingefordert wird, ohne den fachlichen Anspruch zu verwässern.

• Epistemisch sei ein Synonym für informativ. Tatsächlich ist Information eine Voraussetzung epistemischer Arbeit, aber nicht mit ihr identisch; ein Text kann reich an Informationen sein und epistemisch ungeprüft, und eine epistemisch sorgfältige Aussage ist nicht dadurch gut, dass sie viele Informationen anhäuft.
• Epistemisch sei ein Synonym für kognitiv. Tatsächlich beschreibt kognitiv die mentale Verarbeitung einer Sache, epistemisch ihre Geltung; Lernende können kognitiv anspruchsvoll mit einem Text arbeiten (analysieren, paraphrasieren, kategorisieren), ohne je seine Geltung geprüft zu haben.
• Der Begriff epistemisch sei ein fachphilosophischer Spezialausdruck, der in Schule und Alltag verzichtbar ist. Tatsächlich macht er eine Dimension präzise sichtbar, die in einer KI-geprägten Informationsumgebung nicht mehr beiläufig mittrainiert wird, sondern eigens benannt und gelehrt werden muss.

Informativ: Informativ bezeichnet das Vorhandensein und die Vermittlung von Information; epistemisch bezeichnet die Geltung dieser Information. Ein informativer Text macht etwas zugänglich; ein epistemisch geprüfter Text macht etwas zugänglich, das mit Recht für wahr gehalten werden darf. Die Differenz wird unter KI-Bedingungen praktisch, weil informationsreiche Texte epistemisch leer sein können.

Kognitiv: Kognitiv beschreibt die mentale Verarbeitungsoperation an einem Inhalt (verstehen, behalten, anwenden, analysieren); epistemisch beschreibt die Frage der Geltung dieses Inhalts. Eine kognitiv anspruchsvolle Auseinandersetzung mit einem Text kann epistemisch oberflächlich bleiben, wenn die Frage seiner Begründbarkeit nicht eigens gestellt wird.

Medienkompetenz: Medienkompetenz fokussiert auf Werkzeuge, Formate und Plattformen ihres Einsatzes (welches Medium für welchen Zweck). Die epistemische Dimension liegt quer dazu: Sie fragt nach Begründung und Geltung der vermittelten Inhalte, unabhängig vom Medium, und wird in Medienkompetenz häufig nur implizit mitgeführt, ohne als eigenständige Teilkompetenz präzisiert zu sein.

• An welcher Stelle meines Unterrichts arbeite ich explizit mit Geltungsfragen, und an welcher Stelle behandle ich informationelle oder kognitive Aufgaben so, als wären sie schon epistemische?
• Welche meiner Aufgaben verlangen von Lernenden eine epistemische Operation (eine Aussage als prüfbar behandeln) und welche begnügen sich mit kognitiver Verarbeitung des Gegebenen?
• Wie würde ich der Klasse den Unterschied zwischen einer informationsreichen, einer kognitiv anspruchsvollen und einer epistemisch sorgfältigen Aussage in einem Beispiel sichtbar machen?

Wähle eine Aufgabe, die du für anspruchsvoll hältst: An welcher Stelle in der Bearbeitung müssen Lernende tatsächlich die Geltung einer Aussage prüfen, und an welcher Stelle würden sie alles Geforderte erfüllen, ohne dies je zu tun?

Epistemisch bedeutet: Es geht darum, ob etwas wirklich stimmt und woher man das weiss. Das ist nicht dasselbe wie verstehen. Ich kann einen Text gut verstehen und trotzdem nicht wissen, ob er stimmt. Wer epistemisch arbeitet, fragt nicht nur: Was steht da, sondern auch: Kann man darauf vertrauen, und was spricht dafür oder dagegen?

Fehlerart Halluzination. Kritisches Prüfen, Quellenbelege, kognitive Souveränität. Bewertet wird die Begründungsqualität, nicht die Fehlerzahl.

Die Lehrperson lässt die KI einen absichtlich ungeprüften Fachtext mit 5–15 Fehlern pro Seite generieren. Schüler:innen jagen in Zweierteams die Fehler, markieren sie farbig und notieren je Fehler, was falsch ist, was richtig wäre und welche Quelle das belegt. In der Auswertung werden bestätigte Fehler, strittige Stellen und scheinbar korrekte, aber fragwürdige Stellen an der Wandtafel gesammelt. Optional folgt das Warum-Protokoll (3-Spalten: Prompt / KI-Antwort / Entscheidung + Begründung).

Plausibilität meint das, was ein Inhalt an Überzeugungskraft beim Gegenüber auslöst. Eine Aussage ist plausibel, wenn sie sich glaubhaft anhört, ins erwartbare Bild passt, einen erkennbaren Zusammenhang stiftet oder ein als kompetent wahrgenommenes Auftreten hat. Diese Eigenschaft ist eine kommunikative, nicht eine erkenntnistheoretische: Plausibilität betrifft, wie Inhalte wirken, nicht ob sie zutreffen. Drei Quellen speisen Plausibilität typischerweise. Erstens die sprachliche Form: gepflegte Syntax, präzise Terminologie, strukturierte Argumentationsverläufe und der angemessene Gebrauch von Hedging-Formeln (etwa man könnte argumentieren, in der Forschung wird häufig diskutiert) erzeugen für sich genommen einen Eindruck von Sorgfalt. Zweitens innere Konsistenz: Aussagen, die sich nicht widersprechen, die Begründungen liefern und in sich kohärent wirken, erscheinen verlässlicher als zerklüftete oder springende Texte, unabhängig von ihrer Wahrheit. Drittens Vertrautheit: Inhalte, die zu Vorwissen, Erwartungen oder verbreiteten Annahmen passen, werden eher als plausibel akzeptiert; was im erwartbaren Rahmen liegt, muss weniger Begründungsarbeit aufweisen. Diese drei Quellen sind hilfreich, weil sie kognitive Ökonomie ermöglichen und eine grobe Heuristik für die Verlässlichkeit von Texten bereitstellen, mit der Menschen sich erfolgreich durch ihren Alltag bewegen. Sie sind aber nicht hinreichend für Wahrheit. Eine Aussage kann hochplausibel und falsch sein; sie kann unplausibel und wahr sein. Die Differenz zwischen Plausibilität und Wahrheit ist die zentrale erkenntnistheoretische Pointe des Begriffs. Plausibilität ist ein Eindrucksphänomen auf der Seite der Empfängerin, Wahrheit eine Eigenschaft auf der Seite der Aussage in Bezug zur Welt; sie sind systematisch nicht identisch und können bei einzelnen Aussagen weit auseinandertreten. Wer Plausibilität als Indiz für Wahrheit liest, begeht eine etablierte epistemische Verkürzung, die in unbelasteten Kontexten meist folgenlos bleibt, in anderen Kontexten aber zu erheblichen Fehlschlüssen führt.

Ohne den Begriff Plausibilität fehlt der Sprache ein präzises Wort für eine sehr wichtige Differenz: für den Unterschied zwischen Wirkung und Geltung. In einem Grossteil der Alltagskommunikation ist dieser Unterschied gleichgültig, weil Plausibilität und Wahrheit hinreichend korrelieren. In einer Welt, in der Texte mühelos auf hohem Plausibilitätsniveau produziert werden können, ohne dass eine entsprechende Wahrheitsverpflichtung mitläuft, wird die Differenz handlungsrelevant. Wer sie nicht benennen kann, verwechselt sie unweigerlich und behandelt plausibel klingende Inhalte wie geprüfte, weil ihm die sprachlichen Mittel fehlen, sie auseinanderzuhalten. Praktisch ist der Begriff eine Voraussetzung dafür, dass Quellenkritik, Faktencheck oder kritisches Lesen überhaupt didaktisch funktionieren. Solange Lernende nicht erkennen können, dass ihre eigene Überzeugung von einem Text noch nichts über dessen Wahrheit aussagt, bleiben Aufforderungen, Quellen kritisch zu prüfen, kraftlos: Sie greifen erst, wenn Lernende verstanden haben, dass Überzeugungskraft ein Eindruckseffekt ist, der prüfbar bleibt. Plausibilität ist deshalb ein Einstiegsbegriff, ohne den alle weiteren epistemischen Operationen lose in der Luft hängen.

Begrifflich verweist Plausibilität auf die rhetorische Tradition seit Aristoteles, in der die Wirkung einer Rede an mehrere Mittel gebunden ist (logos, ethos, pathos), von denen nicht alle die sachliche Geltung betreffen. In der Erkenntnistheorie wird Plausibilität als psychologisches Korrelat einer epistemischen Bewertung diskutiert und ihrer normativen Beanspruchung (Wahrheit, Rechtfertigung) gegenübergestellt. Die kognitionspsychologische Forschung hat die Mechanismen ausgearbeitet, die Plausibilitätsempfinden erzeugen: cognitive ease, fluency, processing fluency (Reber, Schwarz und andere) zeigen, dass leicht verarbeitbare Texte für glaubhafter gehalten werden, unabhängig von ihrem Wahrheitswert. Verwandt sind Befunde zum truthiness-Effekt und zur Wirkung wiederholter Exposition (mere exposure, illusory truth), die zeigen, dass Vertrautheit Plausibilität steigert. In der Bildungsliteratur ist Plausibilität in der Argumentationsdidaktik und in der Informationskompetenz präsent; im Diskurs zu generativer KI hat der Begriff seit 2023 eine neue Schlüsselrolle eingenommen, weil die Plausibilität von KI-Ausgaben strukturell hoch und ihr Wahrheitswert variabel ist. Methodisch wird der Begriff dabei eindeutiger als wirkungsorientierte Eigenschaft profiliert und gegen den Begriff Wahrheit abgegrenzt, mit dem er in der Alltagssprache oft verwechselt wird.

Eine Deutschlehrperson verteilt drei kurze Sachtexte zu einem unbekannten Naturphänomen, von denen einer richtig, einer in zwei Behauptungen falsch und einer komplett erfunden ist. Alle drei sind sprachlich gleich gepflegt. Die Klasse rangiert die Texte zunächst nach ihrer Glaubwürdigkeit und begründet die Rangfolge. Anschliessend zeigt die Lehrperson auf, welche der drei Texte tatsächlich zutreffen. Die fast zwangsläufige Diskrepanz zwischen Rangfolge und Wahrheit wird zum Anlass, den Begriff Plausibilität als Wirkungseigenschaft einzuführen und ihn explizit gegen den Begriff Wahrheit abzugrenzen.

Eine Berufsfachschullehrperson lässt eine KI fünf Aussagen zu einem fachlichen Spezialthema generieren, von denen sie selbst weiss, dass mindestens zwei nicht stimmen. Die Klasse erhält die Aussagen ohne Hinweis und soll für jede notieren, wie überzeugend sie wirkt und warum. In der Auswertung markiert die Lehrperson die nicht zutreffenden Aussagen und zeigt, dass sie im Schnitt nicht weniger überzeugend wirken als die zutreffenden. Die Klasse formuliert daraus den Merksatz, dass Plausibilität bei KI-Ausgaben kein Indiz für Wahrheit ist, und übernimmt ihn als Routinevorbehalt für künftige KI-Arbeit.

Eine Sekundarschule etabliert nach mehreren Vorfällen mit halluzinierten KI-Quellen ein einseitiges Lernfenster zu Plausibilität, das im Verlauf des Schuljahres fächerübergreifend referenziert wird. Die Lernenden bearbeiten in einer kurzen Sequenz drei Vergleichsaufgaben, in denen ihre eigene Glaubwürdigkeitsbewertung gegen die nachträglich überprüfte Faktizität gestellt wird. Die wiederkehrende Erfahrung, dass die eigene Plausibilitätsbewertung systematisch von der Wahrheitsbewertung abweichen kann, verändert in der Folge die Selbstbeschreibung der Klasse: Lernende sprechen häufiger von wirkt plausibel, statt von ist wahr, und nutzen den Begriff als alltagstaugliches Werkzeug.

• Etwas Plausibles sei wahrscheinlich auch wahr. Tatsächlich ist Plausibilität eine Wirkungseigenschaft, die durch sprachliche Form, Konsistenz und Vertrautheit entsteht und mit Wahrheit weder logisch noch zuverlässig korreliert; in vielen Kontexten gibt es eine Korrelation, sie ist aber kein Garantieverhältnis.
• Plausibilität sei dasselbe wie Wahrscheinlichkeit. Tatsächlich ist Wahrscheinlichkeit eine quantitative Grösse in einem definierten Modell; Plausibilität ist ein qualitativer Eindruck beim Gegenüber, der sich nicht ohne weiteres in eine Wahrscheinlichkeit übersetzen lässt.
• Plausibilität sei subjektiv und deshalb didaktisch belanglos. Tatsächlich ist Plausibilität in mehreren Komponenten systematisch erforscht (sprachliche Fluency, Konsistenz, Vertrautheit) und didaktisch behandelbar; ihre Subjektivität macht sie nicht beliebig, sondern erklärungsbedürftig.

Wahrheit: Wahrheit ist eine Eigenschaft einer Aussage in Bezug auf die Welt: Eine wahre Aussage trifft zu, eine falsche nicht. Plausibilität ist eine Eigenschaft einer Aussage in Bezug auf die Empfängerin: Eine plausible Aussage wirkt überzeugend, ohne dass damit etwas über ihre Wahrheit gesagt wäre. Die beiden Begriffe gehören in unterschiedliche Bezugsrahmen und können auseinandertreten.

Wahrscheinlichkeit: Wahrscheinlichkeit ist eine quantitative Grösse, die innerhalb eines definierten Modells beziffert, mit welcher Häufigkeit ein Ereignis erwartet wird. Plausibilität ist demgegenüber ein qualitativer Eindruck der Überzeugungskraft eines Inhalts; sie lässt sich nicht zuverlässig in Wahrscheinlichkeiten übersetzen, auch wenn beides umgangssprachlich oft vermischt wird.

Evidenz: Evidenz bezeichnet die empirische oder argumentative Stützung einer Aussage durch Daten, Belege oder Begründungen, die Geltung mitführen. Plausibilität ist demgegenüber unabhängig von Evidenz; eine Aussage kann plausibel wirken, ohne dass für sie Evidenz vorgelegt würde, und Evidenz kann unscheinbar präsentiert sein, ohne dass Plausibilität entsteht.

• An welcher Stelle in meiner letzten Woche habe ich einen Inhalt für wahr gehalten, weil er plausibel war, ohne ihn epistemisch geprüft zu haben?
• Welche kleine Übung könnte meine Klasse die Differenz zwischen Plausibilität und Wahrheit am eigenen Urteil erleben lassen, ohne sie zu beschämen?
• Welche meiner Lernaufgaben verlangen, dass Lernende Plausibilität als Indiz behandeln, und welche verlangen, dass sie über die Plausibilität hinaus eine eigene Prüfung leisten?

Wann hast du zuletzt einen Inhalt für wahr gehalten, weil er gut formuliert war oder zu deinen Erwartungen passte, ohne ihn an einer zweiten, unabhängigen Quelle geprüft zu haben?

Plausibilität heisst, dass etwas glaubhaft klingt. Aber glaubhaft ist nicht dasselbe wie wahr. Eine KI kann einen Text schreiben, der sehr überzeugend klingt, und trotzdem stimmen Sachen nicht. Wer das nicht weiss, glaubt der KI zu schnell. Deshalb gilt: Wenn etwas überzeugend klingt, ist es noch lange nicht bewiesen. Man muss es trotzdem prüfen.

Fehlerart Halluzination. Kritisches Prüfen, Quellenbelege, kognitive Souveränität. Bewertet wird die Begründungsqualität, nicht die Fehlerzahl.

Die Lehrperson lässt die KI einen absichtlich ungeprüften Fachtext mit 5–15 Fehlern pro Seite generieren. Schüler:innen jagen in Zweierteams die Fehler, markieren sie farbig und notieren je Fehler, was falsch ist, was richtig wäre und welche Quelle das belegt. In der Auswertung werden bestätigte Fehler, strittige Stellen und scheinbar korrekte, aber fragwürdige Stellen an der Wandtafel gesammelt. Optional folgt das Warum-Protokoll (3-Spalten: Prompt / KI-Antwort / Entscheidung + Begründung).

Getarnte Textanalyse. Sprachbewusstsein — was macht einen Text 'menschlich'? Bewusst keine Betrugsdetektion.

Sechs anonymisierte Texte zum gleichen Thema hängen aus — drei von Schüler:innen, drei KI-generiert (gleiche Schrift, Layout, Länge). Einzelarbeit (15 Min): pro Text 'Mensch oder KI' plus zwei Sätze Begründung. Diskussion (15 Min): 'Woran habt ihr etwas gemerkt?' — daraus werden fünf KI-Erkennungsmuster destilliert (übertriebene Ausgewogenheit, fehlende Persönlichkeit, perfekte Struktur, generisches Vokabular, kein Humor). Auflösung und Reflexion (10 Min).

Quellenkritik meint die methodisch geleitete Prüfung einer Quelle in mehreren Dimensionen, die im klassischen Verständnis seit dem 19. Jahrhundert ausgearbeitet sind. Geprüft werden Herkunft (wer ist Urheberin oder Urheber, welches Datum, welcher Ort), Entstehungsbedingungen (in welchem Kontext und mit welcher Absicht ist die Quelle entstanden, an wen war sie gerichtet), Interesse (welche Position vertritt die Quelle, welche Interessen führen sie) und Verlässlichkeit (wie nahe steht sie den berichteten Ereignissen oder Aussagen, welche Bestätigung erhält sie durch andere Quellen). In der Geschichtswissenschaft wird dies klassisch in äussere und innere Kritik unterteilt: Die äussere Kritik prüft Echtheit, Datierung und Urheberschaft, die innere prüft Inhalt und Aussage. Diese Tradition ist im 19. Jahrhundert insbesondere in der historisch-philologischen Methode ausgebildet worden und bildet bis heute den Kern wissenschaftlicher Quellenarbeit. Methodisch erweitert wurde der Begriff im 20. und 21. Jahrhundert in mehreren Schritten. Die Medien- und Informationskompetenz hat die Quellenkritik auf publizistische und digitale Inhalte ausgedehnt und Kriterien wie Domain-Vertrauen, Verfasserprüfung, Quellentriangulation und Identifikation manipulativer Muster aufgenommen. In der Wissenschaftspropädeutik wurde sie zur Grundtechnik erhoben, mit der Hochschulen und Schulen Lernenden den Umgang mit gedrucktem und digitalem Material vermitteln. Dabei hat sich gezeigt, dass Quellenkritik nicht ein Kriterienkatalog ist, der schematisch abgearbeitet werden kann, sondern eine kontextsensible Praxis, deren Anforderungen sich je nach Quellentyp unterscheiden. Eine archivalische Akte, ein Zeitungsartikel, ein Wikipedia-Eintrag und ein Tweet stellen je eigene Prüfaufgaben. Quellenkritik ist damit keine technische Fertigkeit, sondern eine geübte Haltung, die den Charakter einer Quelle in den Blick nimmt, bevor sie deren Aussagen übernimmt.

Quellenkritik ist die schulisch wichtigste Übersetzung epistemischer Sorgfalt in eine handhabbare Praxis. Sie macht die abstrakte Forderung, Geltung zu prüfen, in konkrete Schritte überführbar und vermittelbar. Sie ist die Operation, an der sich entscheidet, ob Bildung den Schritt von Information zu geprüftem Wissen vollzieht oder ob sie stehen bleibt, wo der erste Eindruck vorbeigerauscht ist. Ohne sie wären Schule und Wissenschaft auf naive Übernahmen angewiesen; mit ihr werden sie zu Orten, an denen Lernende ein eigenes Verhältnis zur Glaubwürdigkeit von Texten entwickeln. Praktisch ist sie zugleich der Begriff, an dem sich die Debatte um KI im Unterricht zuspitzt. Wer Quellenkritik beherrscht, kann KI-Ausgaben einordnen, kontextualisieren und gegen andere Quellen ins Verhältnis setzen, ohne sie pauschal abzulehnen oder unkritisch zu übernehmen; wer sie nicht beherrscht, ist beiden Verkürzungen ausgesetzt. Die didaktische Verantwortung, Quellenkritik konsequent und in jeder Bildungsstufe altersgemäss zu unterrichten, ist deshalb gestiegen, und sie kann nicht mehr an einzelne Geisteswissenschaften delegiert werden, sondern muss als fächerübergreifende Querschnittsaufgabe behandelt werden, in der jedes Fach seinen Beitrag leistet.

Begrifflich geht die moderne Quellenkritik auf die historisch-philologische Tradition des 19. Jahrhunderts zurück; sie wurde im deutschsprachigen Raum systematisiert und ist in der Geschichtswissenschaft bis heute lehrbuchprägend (klassische Werke wie Bernheim 1889, Lehrbuch der historischen Methode, und Droysens Historik haben die Unterscheidung in äussere und innere Kritik geprägt). Im 20. Jahrhundert hat sie sich über mehrere Wellen ausgeweitet: in die Soziologie (mit Methodologien des Umgangs mit Selbstauskünften), in die Medienwissenschaft (mit Frameworks zur Bewertung von Medienprodukten) und in die digitale Informationskompetenz (mit Modellen wie SIFT von Mike Caulfield: Stop, Investigate the source, Find better coverage, Trace claims; alternative Kriterienraster wie CRAAP sind in Bibliothekswesen und Schule verbreitet). Bildungstheoretisch ist Quellenkritik in den Lehrplänen vieler Fächer als Querschnittskompetenz verankert, von der Geschichte über Sprachen bis zu den Naturwissenschaften, und sie ist in den Frameworks zur Informationskompetenz (etwa der ACRL) ausgearbeitet. Mit dem Aufkommen generativer KI ist 2024 bis 2026 eine spezifische Verschiebung diskutiert worden: KI-Ausgaben passen schwer in den klassischen Quellenbegriff, weil ihnen die Eigenschaften fehlen, die Quellenkritik prüfen würde (Urheberschaft im klassischen Sinn, Entstehungskontext, Interesse). Es gibt erste Vorschläge für KI-spezifische Erweiterungen klassischer Modelle; die methodische Debatte ist 2026 nicht abgeschlossen.

Eine Geschichtslehrperson lässt die Klasse zwei Zugänge zu einem Ereignis vergleichen: eine zeitgenössische Quelle aus dem Archiv und eine KI-generierte Zusammenfassung derselben Episode. Die Klasse prüft die zeitgenössische Quelle klassisch nach Herkunft, Entstehung, Interesse und Verlässlichkeit; bei der KI-Ausgabe gerät dieselbe Operation in eine produktive Verlegenheit, weil keine der Kategorien greift. Die Lehrperson nutzt diese Verlegenheit, um mit der Klasse einen erweiterten Prüfweg zu entwickeln, in dem die KI-Ausgabe als Hypothese behandelt wird, deren einzelne Aussagen gegen klassische Quellen rückgeführt werden müssen.

Eine Fachschaft an einer Berufsfachschule entwickelt mit einer KI ein doppeltes Prüfraster für Recherchearbeiten. Im klassischen Raster werden Quellen wie Lehrbücher, Fachartikel oder Websites nach den traditionellen Kriterien geprüft. Im erweiterten Raster werden KI-Ausgaben einer anderen Operation unterzogen: Lernende müssen jede in einer KI-Ausgabe gefundene Behauptung in einer eigenen Spalte mit einer klassischen Quelle verknüpfen oder als ungesichert markieren. Das Doppelraster wird über zwei Semester evaluiert und zeigt, dass Lernende KI-Ausgaben deutlich vorsichtiger behandeln, wenn der methodische Unterschied zwischen Quelle und Generat ihnen sprachlich verfügbar ist.

Ein Gymnasium beobachtet, dass die schriftlichen Arbeiten in mehreren Fächern KI-generierte Inhalte als Quellen ausweisen, die einer Prüfung nicht standhalten: erfundene Studien, falsch zugeschriebene Aussagen, fingierte Belege. Eine schulinterne Arbeitsgruppe entwickelt daraufhin ein erweitertes Quellenkritik-Modul, das in allen Klassen verpflichtend zu einem festen Zeitpunkt unterrichtet wird und das klassische Kriterien um eine KI-spezifische Hypothesenprüfung ergänzt. Die Schule legt zugleich fest, dass KI-Ausgaben in Arbeiten nicht als Quellen zitierfähig sind, sondern als Hypothesen ausgewiesen und durch klassische Quellen gestützt werden müssen.

• Quellenkritik sei ein Spezialgebiet der Geschichtswissenschaft und in anderen Fächern verzichtbar. Tatsächlich ist sie eine Grundtechnik für alle Fächer, in denen Texte oder Daten verarbeitet werden, und unter KI-Bedingungen ein fächerübergreifender Bildungsanspruch; ihre Verkürzung auf ein Schulfach unterläuft den Begriff selbst.
• Quellenkritik sei ein Kriterienkatalog, der schematisch abgearbeitet werden kann. Tatsächlich ist sie eine kontextsensible Praxis, deren Anforderungen sich je nach Quellentyp unterscheiden; ein Akteneintrag, ein Tweet und eine KI-Ausgabe stellen unterschiedliche Prüfaufgaben, die nicht mit demselben Raster bewältigt werden können.
• KI-Ausgaben könnten mit klassischer Quellenkritik geprüft werden wie jede andere Quelle. Tatsächlich passen KI-Ausgaben kategorial nicht in den klassischen Quellenbegriff, weil ihnen Urheberschaft, Entstehungskontext und Interesse im klassischen Sinn fehlen; Quellenkritik muss um KI-spezifische Operationen erweitert werden.

Faktencheck: Faktencheck prüft einzelne Aussagen gegen verfügbares Wissen und endet typischerweise mit einer Aussage über ihre Korrektheit. Quellenkritik prüft den Charakter einer Quelle als Ganzes, einschliesslich Entstehung, Interesse und Verlässlichkeit, und betrachtet die Aussage in diesem Rahmen; sie ist die umfassendere und voraussetzungsreichere Operation, in die Faktencheck als einer von mehreren Schritten eingebettet sein kann.

Plagiatsprüfung: Plagiatsprüfung untersucht, ob ein Text fremdes Gut ohne Kennzeichnung übernimmt, und ist eine Frage der intellektuellen Redlichkeit. Quellenkritik fragt nach Charakter und Verlässlichkeit einer Quelle und ist eine Frage der Geltung; beide Operationen können sich ergänzen, sind aber in Frage und Verfahren unterschiedlich.

Medienkompetenz: Medienkompetenz ist ein breiter Sammelbegriff für den reflektierten Umgang mit Medien und ihren Formaten. Quellenkritik ist eine spezifische, methodisch klar ausgearbeitete Operation innerhalb dieses Spektrums, die auf die Prüfung des Quellenstatus zielt und sich von rein technischen oder rezeptiven Anteilen der Medienkompetenz unterscheidet.

• An welcher Stelle in meinem Unterricht verlange ich von Lernenden tatsächlich eine Quellenprüfung, und an welcher Stelle setze ich voraus, dass sie diese Operation beherrschen, ohne sie geübt zu haben?
• Welche kleine Erweiterung meines Quellenkritik-Rasters bräuchte ich, um KI-Ausgaben methodisch sauber zu behandeln, ohne den klassischen Begriff zu verwässern?
• An welcher fächerübergreifenden Stelle ist Quellenkritik in unserer Schule verankert, und an welcher Stelle verlassen wir uns darauf, dass ein anderes Fach sie schon vermittelt habe?

Wähle eine Aufgabe, in der Lernende Quellen verwenden: An welcher Stelle würdest du die klassische Quellenkritik einsetzen, und an welcher Stelle bräuchte es eine Erweiterung, um auch KI-Ausgaben methodisch sauber zu behandeln?

Quellenkritik heisst, dass man bei einer Quelle nicht einfach glaubt, was da steht, sondern Fragen stellt. Wer hat das geschrieben, wann, warum, und woher hat die Person ihr Wissen. Bei einer KI funktioniert das nicht gleich, weil eine KI keine Person und kein Lehrbuch ist. Deshalb braucht man bei KI eine andere Prüfung: Man behandelt jede Aussage als Vermutung und prüft sie an einer richtigen Quelle.

Fehlerart Halluzination. Kritisches Prüfen, Quellenbelege, kognitive Souveränität. Bewertet wird die Begründungsqualität, nicht die Fehlerzahl.

Die Lehrperson lässt die KI einen absichtlich ungeprüften Fachtext mit 5–15 Fehlern pro Seite generieren. Schüler:innen jagen in Zweierteams die Fehler, markieren sie farbig und notieren je Fehler, was falsch ist, was richtig wäre und welche Quelle das belegt. In der Auswertung werden bestätigte Fehler, strittige Stellen und scheinbar korrekte, aber fragwürdige Stellen an der Wandtafel gesammelt. Optional folgt das Warum-Protokoll (3-Spalten: Prompt / KI-Antwort / Entscheidung + Begründung).

Autorität im erkenntnistheoretischen Sinn meint das Phänomen, dass eine Aussage Geltung beansprucht und Akzeptanz findet, ohne dass die Empfängerin im Einzelfall ihre Begründung selbst nachprüft. Das ist nicht ein Defekt, sondern eine unverzichtbare Bedingung der arbeitsteiligen Wissensgesellschaft. Niemand kann alle Aussagen, mit denen sie konfrontiert ist, selbst überprüfen; entsprechend stützt sich jede Verständigung auf Vertrauen, das verschiedene Stützen hat. Zwei klassische Typen sind ausgearbeitet. Epistemische Autorität wird einer Person oder einem System aufgrund nachgewiesener Expertise zugeschrieben: einer Ärztin in der medizinischen Diagnose, einer Klimaforscherin in Fragen des Klimasystems, einem Lehrbuch in einer Disziplin, in der seine Aussagen geprüft und akkreditiert sind. Institutionelle Autorität wird einer Quelle aufgrund ihrer institutionellen Verankerung zugeschrieben: einer Universität, einem peer-reviewten Journal, einer staatlichen Behörde oder einer journalistisch verantworteten Redaktion. Beide Typen funktionieren über erkennbare Marker (Titel, Position, Affiliation, Publikationsort) und über etablierte Vertrauensökonomien, in denen Reputation als Kapital fungiert. Wichtig ist, dass Autorität nicht der Wahrheit gleichgesetzt werden darf; eine autoritative Quelle kann irren, und eine nicht autoritative Quelle kann recht haben. Aber Autorität verschiebt die Beweislast: Wer einer epistemisch oder institutionell autoritativen Aussage widersprechen will, muss eine eigene Begründung vorlegen, während der Akzeptierende sich auf die Marker stützen darf. Diese asymmetrische Beweislast ist die zentrale Funktion von Autorität in der Wissensökonomie; sie ermöglicht Effizienz, indem sie nicht jede Aussage zur Verhandlungssache macht, und sie ist gleichzeitig anfällig für Missbrauch, wenn Marker ohne entsprechende Substanz vergeben werden oder wenn sich Reputationssysteme korrumpieren. Eine reflektierte Bildung lehrt deshalb nicht die Ablehnung von Autorität, sondern den Umgang mit ihr: das Erkennen ihrer Marker, das Verstehen ihrer Reichweite (Expertise gilt fachspezifisch, nicht universell) und das Wissen darum, wann sie produktiv genutzt und wann sie hinterfragt werden sollte.

Autorität ist eine schulisch heikle Kategorie, weil sie sowohl pädagogisch unverzichtbar als auch kritisch zu reflektieren ist. Schule funktioniert wesentlich über Autoritätsverhältnisse: Lehrpersonen treten als Wissensträgerinnen auf, Lehrbücher beanspruchen Verlässlichkeit, Lehrpläne setzen Normen. Diese Autoritätsverhältnisse sind nicht abschaffbar, ohne dass Bildung in Beliebigkeit zerfiele; sie sind aber zu reflektieren, weil sie ungeprüft auch zu blinder Übernahme führen können. Eine gute Bildung lehrt deshalb nicht die Ablehnung von Autorität, sondern den reflektierten Umgang mit ihr. Sie lehrt Lernende zu erkennen, woran sich epistemische und institutionelle Autorität zeigen, wo ihre Reichweite endet und wann eine eigene Prüfung notwendig wird. Diese Bildung wird unter den gegenwärtigen Bedingungen wichtiger, weil die traditionellen Autoritätsmarker an Trennschärfe verloren haben. Eine sprachlich souveräne KI-Ausgabe wirkt autoritativ, ohne in der klassischen Vertrauensökonomie verortbar zu sein; eine täuschend wirkende Website mit pseudoakademischer Aufmachung sieht autoritativ aus, ohne es zu sein. Wer Lernenden nicht ein präzises Verständnis der klassischen Autoritätsökonomie vermittelt, kann ihnen auch nicht zeigen, was an den neuen, ökonomisch nicht verorteten Autoritätswirkungen problematisch ist.

Begrifflich verweist der Begriff Autorität in der politischen Philosophie und Soziologie auf eine breite Tradition, in der Autorität von Macht und Gewalt unterschieden wird; Hannah Arendt hat in ihren Essays (Was ist Autorität?, 1958) die Eigenständigkeit des Begriffs gegen seine moderne Verwechslung mit Zwang oder Überredung präzisiert. Die Wissenschaftssoziologie hat mit Begriffen wie Reputation, Peer Review und disziplinärer Vertrauensökonomie ausgearbeitet, wie epistemische Autorität konkret zustande kommt und reproduziert wird (Mertons Wissenschaftsethos, Latour und die Wissenschaftssoziologie). Erkenntnistheoretisch wird Autorität in der Argumentationstheorie als Argumentum ad verecundiam diskutiert, das je nach Form gültig (Verweis auf legitime Expertise im Fachfeld) oder ungültig sein kann (Verweis auf Expertise ausserhalb ihres Geltungsbereichs). In der Bildungstheorie hat die kritische Pädagogik (Adorno, Heydorn) Autoritätsverhältnisse problematisiert, ohne den Begriff zu eliminieren, und in der Mediendidaktik wird Autorität als Kategorie der Quellenbeurteilung mitgeführt. Empirisch zeigt sich, dass Autoritätsanerkennung kontextabhängig ist und dass institutionelle Autoritätsmarker in der digitalen Öffentlichkeit an Trennschärfe verloren haben, weil sie technisch leicht imitierbar sind (gefälschte Akademisierung, Pseudo-Institutionen, irreführende Domainnamen). Die Forschung 2020 bis 2026 zu Vertrauen in digitale Inhalte (etwa Studien zu Wissenschaftskommunikation, Fake-News-Resilienz und KI-Glaubwürdigkeit) verfolgt diese Entwicklung intensiv, ohne dass ein abschliessendes Modell vorliegt.

Eine Politiklehrperson lässt die Klasse vier kurze Aussagen zu einem aktuellen wirtschaftspolitischen Sachverhalt vergleichen: eine Aussage einer Universitätsprofessorin, eine eines NGO-Sprechers, eine aus einer journalistischen Übersicht und eine aus einer KI-Ausgabe. Alle vier Aussagen sind sprachlich ähnlich anspruchsvoll und kohärent. Die Klasse rekonstruiert für jede Aussage den Träger der Autorität: welche Form (epistemische oder institutionelle Autorität) sie beansprucht, woran sie erkennbar ist, wo ihre Reichweite endet. Bei der KI-Ausgabe gerät dieselbe Frage in eine produktive Verlegenheit; die Lehrperson nutzt sie, um den Begriff einer neuen, ökonomisch nicht verorteten Autoritätswirkung einzuführen.

Eine Mediendidaktikerin lässt Studierende in einem Hochschulmodul eine kleine Untersuchung anstellen: Sie sammeln zehn KI-Ausgaben zu unterschiedlichen Themen und ordnen jede entlang von drei Skalen ein, die Autoritätsfacetten erfassen (sprachliche Souveränität, behauptete Sicherheit, erkennbare Hedging-Marker). Anschliessend lassen sie die Ausgaben durch eine Fachexpertin auf inhaltliche Korrektheit prüfen. Die typische Erfahrung ist, dass die Skalen der Autoritätswirkung kaum mit der Korrektheit korrelieren. Die Übung wird zum Anlass, eine eigenständige Sprache für die Differenz zwischen Wirkung und Verortung von Autorität zu entwickeln, die Studierende anschliessend in ihrer eigenen Lehrarbeit weitergeben.

Eine Schule untersucht in einer kollegialen Reflexion, wie häufig Lernende KI-Ausgaben in schriftlichen Arbeiten implizit als autoritativ behandelt haben. Die Auswertung zeigt zwei Muster: erstens eine generelle Übernahme aus dem Eindruck sprachlicher Souveränität heraus, ohne dass Quellen oder Belege gesucht worden wären; zweitens eine Tendenz, KI-Aussagen höhere Gewichtung zu geben als denen einzelner Klassenkameradinnen, obwohl die letztgenannten zum Teil substanziell besser begründet waren. Die Schule entwickelt daraus eine Unterrichtssequenz zum Begriff Autorität, in der die Marker klassischer Autorität präzisiert und der Differenz zur Autoritätswirkung von KI-Ausgaben sprachlich verfügbar gemacht werden.

• Autorität sei pauschal kritisch und durch eigene Recherche zu ersetzen. Tatsächlich ist Autorität in einer arbeitsteiligen Wissensgesellschaft unverzichtbar; niemand kann alle Aussagen, mit denen sie konfrontiert ist, selbst prüfen, weshalb ein reflektierter Umgang mit Autorität, nicht ihre Abschaffung, das Bildungsziel ist.
• Wer akademische Titel oder eine institutionelle Verankerung habe, sei automatisch autoritativ. Tatsächlich gilt epistemische Autorität fachspezifisch und nicht universell; eine Expertin in einem Feld ist in einem anderen Feld keine, und institutionelle Autorität deckt nicht alle Aussagen ihrer Träger ab.
• Eine sprachlich souverän auftretende KI sei in einem genuinen Sinn autoritativ. Tatsächlich erzeugt sie eine Autoritätswirkung, ohne in der klassischen Autoritätsökonomie verortbar zu sein; die Wirkung ist real, der Ort fehlt, und genau diese Differenz macht den Begriff Autorität unter KI-Bedingungen anspruchsvoll.

Macht: Macht ist die Fähigkeit, das Verhalten anderer durch Anreize oder Sanktionen zu beeinflussen, und kann ohne Anerkennung funktionieren. Autorität dagegen lebt von der Anerkennung der Empfängerin, die einen Geltungsanspruch ohne eigene Prüfung akzeptiert; sie funktioniert nur, solange diese Anerkennung Bestand hat, und ist deshalb strukturell anders verfasst als Macht.

Expertise: Expertise ist die fachliche Kompetenz einer Person in einem Feld; sie ist eine Eigenschaft der Person. Autorität ist demgegenüber eine Relation: Expertise wird zu epistemischer Autorität, sobald sie von anderen anerkannt und zur Grundlage der Akzeptanz von Aussagen gemacht wird. Eine Person kann hochkompetent sein und kaum Autorität haben, etwa wenn sie nicht erkennbar als kompetent ausgewiesen ist.

Vertrauen: Vertrauen ist eine breite affektive und kognitive Haltung gegenüber Personen, Institutionen oder Systemen; es kann auf vielen Grundlagen ruhen. Autorität ist eine spezifische Form, in der Vertrauen sich an erkennbare Marker (Expertise, Institution) bindet und Beweislast verschiebt; sie ist eine institutionell rationalisierte Untermenge von Vertrauen.

• An welcher Stelle in meinem Unterricht stütze ich mich selbst auf Autorität, ohne sie zu reflektieren, und an welcher Stelle reflektiere ich sie ausdrücklich mit der Klasse?
• Welche kleine Übung könnte Lernende den Unterschied zwischen sprachlicher Autoritätswirkung und epistemischer Verortung an einer KI-Ausgabe erleben lassen?
• Wo in meinem Fach gibt es Autoritäten, deren Reichweite ich für die Klasse präzise abgrenzen müsste, damit sie nicht universalistisch missverstanden werden?

Wann hast du zuletzt eine Aussage ohne weitere Prüfung übernommen, weil sie autoritativ wirkte, und woran genau hast du diese Autorität festgemacht, ohne sie ausdrücklich zu reflektieren?

Autorität heisst, dass eine Aussage geglaubt wird, weil eine Person, eine Schule oder ein Buch als zuverlässig gilt. Das ist wichtig, weil niemand alles selbst prüfen kann. Aber: Auch eine KI klingt manchmal so, als wäre sie zuverlässig, obwohl sie kein Lehrbuch und keine Expertin ist. Wer das nicht weiss, glaubt der KI zu schnell, einfach weil sie so klug klingt.

Umgang mit Wissen und Unsicherheit meint die Fähigkeit und Bereitschaft, mit Geltungsunsicherheit produktiv umzugehen, statt sie zu verleugnen oder zu fliehen. Geltungsunsicherheit ist die Eigenschaft einer Aussage oder einer Frage, dass ihre Wahrheit oder Verlässlichkeit nicht oder noch nicht vollständig gesichert ist. Sie tritt in vielen Formen auf. In den Wissenschaften ist sie der Normalfall: Studien sind selten endgültig, Daten widersprechen sich, Theorien sind im Wandel. In Lebensentscheidungen ist sie unvermeidbar: Niemand kann mit Sicherheit wissen, ob eine Berufswahl die richtige sein wird oder welche Folgen eine politische Entscheidung haben wird. In Lernsituationen ist sie sogar Voraussetzung: Wer lernen will, geht von einer Frage aus, deren Antwort er noch nicht hat, und durchlebt zwangsläufig eine Phase, in der sich Wissen und Nichtwissen mischen. Diese Unsicherheit ist nicht ein Mangel, der durch mehr Information beseitigt werden könnte. Sie ist eine konstitutive Eigenschaft jedes nicht trivialen Wissens, das mit der Komplexität der Welt umgeht. Eine bildungswürdige Praxis besteht deshalb nicht darin, Unsicherheit zu eliminieren, sondern darin, sie zu bearbeiten. Bearbeitung umfasst mehrere Operationen. Erstens das Erkennen: Wo liegt Unsicherheit, welcher Art ist sie (faktisch unklar, methodisch umstritten, normativ offen), wie weit reicht sie? Zweitens das Differenzieren: Welche Anteile sind trotz allgemeiner Unsicherheit gesichert, welche sind tatsächlich offen, und welche sind durch Triangulation klärbar? Drittens das Aushalten: In welchen Situationen ist es legitim und sogar notwendig, eine Antwort offen zu lassen, statt sie vorzeitig zu schliessen? Viertens das verantwortliche Handeln unter Unsicherheit: Wie trifft man Entscheidungen, wenn nicht alles gewusst werden kann? Dieser Umgang ist erlernbar und unterrichtbar, aber er steht in einem Spannungsverhältnis zu einer Lernkultur, die auf rasche Antworten, eindeutige Lösungen und schnelle Verfügbarkeit von Information setzt. Eine Bildung, die Unsicherheit ernst nimmt, verlangsamt an dieser Stelle bewusst und übt Lernende darin, Nichtwissen zu identifizieren, zu kommunizieren und produktiv zu halten.

Eine Bildung, die nur eindeutiges Wissen vermittelt, bereitet Lernende nicht auf die Welt vor, in der sie leben werden. In dieser Welt sind die wichtigen Fragen selten eindeutig: Klimapolitik, Berufswahl, Beziehungen, gesellschaftliche Konflikte verlangen Entscheidungen unter Unsicherheit. Wer Unsicherheit nur als Defekt erlebt hat, den es mit mehr Information zu beseitigen gilt, wird in solchen Situationen entweder paralysiert oder unangemessen sicher handeln; beides sind häufige Fehler. Bildung trägt deshalb eine Verantwortung, die über Wissensvermittlung hinausgeht: Sie muss Lernende mit der Erfahrung ausstatten, dass Unsicherheit normal ist, dass sie bearbeitet werden kann, und dass das Aushalten von Offenheit eine intellektuelle Tugend ist und kein Versagen. Diese Erfahrung entsteht nicht durch Worte, sondern durch erlebte Aufgaben, in denen Unsicherheit produktiv wird. Praktisch bedeutet das, in der Aufgabengestaltung gezielt Räume zu öffnen, in denen die richtige Antwort nicht schnell verfügbar ist, in denen Lernende eigene Hypothesen prüfen müssen, in denen sie Aporien als Aporien stehen lassen dürfen, in denen Differenzen zwischen Quellen ausgehalten werden, statt schnell aufgelöst zu werden. Eine Schule, die das nicht leistet, gibt Lernenden ein Wissen mit, das in der Wirklichkeit kaum trägt, weil die Wirklichkeit selten so eindeutig ist wie die Aufgaben, an denen sie geübt wurde.

Bildungstheoretisch hat der Umgang mit Unsicherheit verschiedene Traditionen. Die wissenschaftstheoretische Linie (von Popper bis zur jüngeren Wissenschaftssoziologie) hat die Vorläufigkeit wissenschaftlichen Wissens betont und Unsicherheit als Normalfall ausgewiesen. Die pädagogische Linie (Reformpädagogik, problemorientiertes Lernen, Heinrich Roths Bildungstheorie) hat Unsicherheit als Lernanlass produktiv gerahmt; die Aporie der sokratischen Tradition ist ein klassisches Beispiel für didaktisch gewollte Unsicherheit. Die psychologische Linie hat Toleranz gegenüber Mehrdeutigkeit (tolerance for ambiguity) als Persönlichkeitsmerkmal untersucht; Studien zeigen, dass diese Toleranz mit kreativem Denken, kritischem Urteilsvermögen und Lernerfolg korreliert. Die Risikoforschung (Gerd Gigerenzer und andere) hat Operationen entwickelt, mit denen unter Unsicherheit verantwortlich entschieden werden kann, und zwischen kalkulierbarem Risiko und genuiner Unsicherheit unterschieden. In der Bildungspraxis ist der Umgang mit Wissen und Unsicherheit in den 2010er-Jahren über Frameworks wie 21st century skills und über die Forschung zu epistemic beliefs verstärkt diskutiert worden. Empirisch zeigt sich, dass Lernende den Umgang mit Unsicherheit nicht spontan entwickeln, sondern durch geeignete Aufgaben und didaktische Begleitung üben müssen; Aufgaben, die nur eine richtige Antwort haben und sie schnell verfügbar machen, trainieren ihn nicht. Methodisch ist die Forschung 2026 noch heterogen, vor allem in der Operationalisierung von Aushaltefähigkeit, aber konvergiert in der Einschätzung, dass eine Lernkultur der schnellen Antworten den Umgang mit Unsicherheit systematisch unterläuft.

Eine Mathematiklehrperson legt der Klasse eine Aufgabe vor, deren Lösungsweg keine eindeutige beste Strategie kennt. Statt eine richtige Lösung zu zeigen, lässt sie drei Lernende ihre verschiedenen Ansätze auf die Tafel schreiben und in einer 25-Minuten-Diskussion vergleichen. Die Klasse soll am Ende nicht entscheiden, welcher Ansatz der einzig richtige ist, sondern für jeden notieren, wo seine Stärken und seine offenen Stellen liegen. Die Lehrperson nutzt das bewusste Stehenlassen der Differenz, um die Klasse den produktiven Umgang mit einer Unsicherheit erleben zu lassen, die in fast jedem nicht trivialen Sachverhalt mitläuft.

An einer Berufsfachschule führt eine Lehrperson eine Übung ein, in der Lernende eine Frage einmal an eine KI stellen und einmal eigenständig recherchieren. In einer zweiten Spalte notieren sie, an welchen Stellen die KI-Antwort eine Sicherheit suggeriert, die ihre eigene Recherche nicht bestätigen konnte. In einer dritten Spalte formulieren sie, wie eine ehrliche Antwort die verbleibende Unsicherheit ausweisen müsste. Die Übung wird über mehrere Wochen wiederholt; die Klasse entwickelt eine Sprache für die typischen Verbergungsmuster der KI und lernt, KI-Ausgaben aktiv mit ehrlicher Unsicherheit zu ergänzen, statt sie als geschlossene Antworten zu übernehmen.

Ein Gymnasium führt einen Halbjahresschwerpunkt zum Thema Wissen und Unsicherheit durch, in dem mehrere Fächer auf je eigene Weise dasselbe Bildungsziel adressieren. In der Biologie geht es um die Vorläufigkeit wissenschaftlicher Erklärungen, in der Geschichte um die Mehrstimmigkeit historischer Deutungen, in der Mathematik um die Differenz zwischen Beweisbarkeit und Plausibilität, in den Sprachen um Mehrdeutigkeit und Interpretation. Am Ende des Halbjahres berichten Lehrpersonen, dass Lernende in unterschiedlichen Fächern den Begriff Unsicherheit aktiv verwenden, sich vor vorschneller Festlegung zurückhalten und gleichzeitig handlungsfähig bleiben. Die Schule beschliesst, das Element im Curriculum dauerhaft zu verankern, weil sie die Bildungswirkung im Vergleich zu vorherigen Jahrgängen deutlich sieht.

• Umgang mit Unsicherheit bedeute, sich nicht festzulegen und alles in Schwebe zu halten. Tatsächlich ist verantwortlicher Umgang mit Unsicherheit weder Beliebigkeit noch ewige Schwebe; er verlangt klare Differenzierungen zwischen Gesichertem, Offenem und Bestreitbarem und das Treffen begründeter Entscheidungen auf dieser Grundlage.
• Unsicherheit sei ein Defekt, der durch mehr Information beseitigt werden könne. Tatsächlich ist Unsicherheit eine konstitutive Eigenschaft jedes nicht trivialen Wissens; mehr Information klärt manche, aber nicht alle Unsicherheit, und in vielen Lebensbereichen bleibt eine irreduzible Offenheit, mit der gelebt werden muss.
• KI reduziere Unsicherheit, weil sie schnelle Antworten liefere. Tatsächlich erhöht KI faktisch die Geltungsunsicherheit der zirkulierenden Aussagen und verbirgt diese Unsicherheit gleichzeitig hinter sprachlicher Souveränität; sie reduziert nur den Eindruck von Unsicherheit, nicht ihre Substanz.

Skepsis: Skepsis ist eine Haltung des grundsätzlichen Zweifels gegenüber Geltungsansprüchen und kann in dauerhafte Verweigerung der Festlegung kippen. Der Umgang mit Wissen und Unsicherheit ist demgegenüber differenzierter: Er prüft, wo Geltung möglich ist und wo Offenheit bleiben muss, und ermöglicht Festlegungen unter Vorbehalt; er ist konstruktiver als Skepsis und zugleich vorsichtiger als naive Übernahme.

Risikomanagement: Risikomanagement quantifiziert Eintrittswahrscheinlichkeiten und Schadensausmasse in definierten Modellen und entwickelt Strategien der Risikominderung. Der Umgang mit Unsicherheit ist breiter und schliesst auch genuine Unsicherheit ein, in der keine Wahrscheinlichkeiten verfügbar sind; er ist auf alle Bereiche anwendbar, in denen Geltung nicht vollständig gesichert ist.

Toleranz für Mehrdeutigkeit: Toleranz für Mehrdeutigkeit ist ein psychologisches Persönlichkeitsmerkmal, das die Fähigkeit beschreibt, ohne Stress mehrdeutige Situationen zu erleben. Der Umgang mit Wissen und Unsicherheit ist eine geübte didaktische Praxis, die diese Toleranz voraussetzt, aber über sie hinaus methodische Operationen umfasst (Erkennen, Differenzieren, Aushalten, Entscheiden); er ist nicht nur Disposition, sondern bildbare Kompetenz.

• An welcher Stelle in meinem Unterricht halte ich Unsicherheit produktiv offen, und an welcher Stelle schliesse ich sie aus Zeitgründen oder aus Bequemlichkeit vorzeitig?
• Welche meiner Aufgaben verlangen von Lernenden, eine Unsicherheit präzise zu benennen, statt sie in einer scheinbar geschlossenen Antwort zu kaschieren?
• Welche kleine Routine könnte meine Klasse darin üben, KI-Ausgaben mit der typischerweise verborgenen Unsicherheit zu ergänzen, statt sie als geschlossene Antworten zu übernehmen?

Wann hast du in einer Klassensituation eine Unsicherheit produktiv stehen lassen, statt sie aus didaktischer Höflichkeit aufzulösen, und welchen Mut zur Verlangsamung hat dich das gekostet?

Umgang mit Wissen und Unsicherheit heisst: Manchmal weiss man nicht alles und trotzdem muss man entscheiden oder lernen. Das ist normal, kein Fehler. Wer das nie geübt hat, wird entweder ängstlich oder tut so, als wüsste er alles. Eine gute Schule lehrt: Was weiss ich sicher, was nicht, und wie entscheide ich trotzdem klug. Bei einer KI ist das besonders wichtig, weil sie tut, als wüsste sie alles, obwohl sie oft nur rät.

Metakognition meint das Denken über das eigene Denken. Sie bezieht sich nicht auf einen Gegenstand der Welt, sondern auf die eigenen kognitiven Prozesse: was ich weiss und nicht weiss, wie ich lerne, woran ich erkenne, dass ich verstanden habe, welche Strategien für welche Aufgabe taugen. Klassisch wird der Begriff in zwei Hauptdimensionen aufgeteilt, die in der Forschung seit John Flavells einflussreichem Beitrag Metacognition and cognitive monitoring (1979) ausgearbeitet wurden. Die erste Dimension ist das metakognitive Wissen. Es zerfällt in drei Teile. Deklaratives metakognitives Wissen ist das Wissen darüber, dass und was man weiss oder nicht weiss, einschliesslich des Wissens über die eigene Lerngeschichte, die eigenen Stärken und Schwächen. Prozedurales metakognitives Wissen ist das Wissen über kognitive Strategien, also darüber, wie man bestimmte Aufgaben anpackt, wie man Texte erschliesst, wie man eine Frage in Teilfragen zerlegt. Konditionales metakognitives Wissen ist das Wissen darüber, wann und warum welche Strategie passt; es ist die schwierigste und transferrelevanteste Form, weil sie das adaptive Anwenden der Strategien erst ermöglicht. Die zweite Dimension ist die metakognitive Regulation, die in der Folge ausgearbeitet wurde, etwa durch Ann Brown, die ihre drei klassischen Komponenten beschrieben hat: Planen, Überwachen und Bewerten. Planen heisst, vor der Bearbeitung einer Aufgabe eine Vorstellung von ihrem Ziel, ihrem Weg und ihrem Aufwand zu entwickeln. Überwachen heisst, während der Bearbeitung wahrzunehmen, ob das eigene Verständnis trägt, ob die gewählte Strategie funktioniert, ob ein Punkt erreicht ist, an dem nachjustiert werden muss. Bewerten heisst, nach der Bearbeitung zu reflektieren, was funktioniert hat, was nicht, und was beim nächsten Mal anders zu tun wäre. Diese drei Bewegungen bilden zusammen den regulatorischen Kreislauf, ohne den metakognitives Wissen träge bleibt. Wichtig ist die Abgrenzung zur reinen Kognition. Eine kognitive Operation bearbeitet einen Gegenstand (lesen, rechnen, argumentieren). Eine metakognitive Operation bearbeitet die kognitive Operation selbst (Bin ich mit diesem Text wirklich weitergekommen? Habe ich die Aufgabe verstanden, bevor ich gerechnet habe? Wo war ich unsicher und habe es übergangen?). Beide Ebenen greifen ineinander, sind aber begrifflich unterschieden, weil Lernende kognitiv leistungsfähig und metakognitiv unentwickelt sein können: Sie lösen Aufgaben korrekt, ohne zu bemerken, wenn sie an einer Stelle den Faden verloren haben, und übersehen damit gerade die Stellen, an denen Lernen möglich gewesen wäre.

Wer Metakognition nicht eigens zum Thema macht, überlässt eine der wichtigsten Stellschrauben des Lernens dem Zufall. Lernende, die ihre eigenen Denkprozesse nicht beobachten können, sind in zwei Richtungen gefährdet: Sie unterschätzen ihren Lernbedarf, weil sie nicht bemerken, wenn sie etwas nicht verstanden haben, und sie verschwenden Aufwand auf Strategien, die für die jeweilige Aufgabe nicht passen, ohne diese Fehlpassung diagnostizieren zu können. Beides sind häufige, schulisch oft übersehene Probleme. Sie zeigen sich darin, dass Lernende mit guter Stoffvermittlung trotzdem nicht weiterkommen, dass Förderbemühungen versanden, weil die Person nicht weiss, woran sie eigentlich arbeiten müsste, und dass Prüfungsergebnisse nicht mit dem Verständnis korrespondieren, das die Lernenden sich selbst zuschreiben. Eine professionell verstandene Didaktik adressiert deshalb nicht nur die kognitiven Operationen, sondern macht die metakognitive Steuerschicht explizit zum Gegenstand. Das geschieht durch Aufgabenformate, die Planungs- und Überwachungsschritte einfordern, durch Reflexionsroutinen am Ende einer Lerneinheit, durch das laute Denken der Lehrperson, das eigene metakognitive Operationen vormacht, und durch Feedback, das nicht nur den Ergebnisstand betrifft, sondern auch den Prozessstand. Wer diese Stelle vernachlässigt, kann Lernen nur am Output messen; wer sie ernst nimmt, gewinnt einen Zugang zur Tiefenstruktur des Lernens, an der die Wirksamkeit von Unterricht entschieden wird.

Begrifflich geht die moderne Metakognitionsforschung auf John Flavell zurück, dessen Aufsatz Metacognition and cognitive monitoring (American Psychologist 1979) die heute übliche Unterscheidung zwischen metakognitivem Wissen und metakognitiver Erfahrung einführte und damit zum Ausgangspunkt einer breiten Tradition wurde. In der Folge hat Ann Brown die regulatorischen Komponenten (Planen, Überwachen, Bewerten) systematisiert und Metakognition für die pädagogische Forschung anschlussfähig gemacht. Die kognitionspsychologische Forschung hat seit den 1980er-Jahren empirisch belegt, dass metakognitive Fähigkeiten mit Lernerfolg in vielen Domänen substanziell korrelieren und dass sie unterrichtbar sind, wenn das Strategiewissen explizit eingeführt und mit konditionalem Wissen über Anwendungsbedingungen verbunden wird. John Hatties Metaanalysen im Rahmen des Visible-Learning-Programms (seit 2009) weisen Metakognition und Selbstregulation als Faktoren mit überdurchschnittlicher Effektstärke aus, auch wenn die genauen Werte je nach Operationalisierung schwanken. Empirische Befunde zeigen zudem, dass Lernende ihre eigene Verstehensleistung systematisch überschätzen (Illusion of Knowing), wenn sie keine geübte metakognitive Praxis haben, und dass dieser Effekt durch fluency-erhöhende Bedingungen wie wiederholtes Wiederlesen verstärkt wird. Kritisch diskutiert wird in der Forschung die Frage, wie weit metakognitive Fähigkeiten domänenübergreifend transferieren oder ob sie weitgehend fachgebunden bleiben; die Befundlage ist 2026 weiterhin heterogen, deutet aber darauf hin, dass metakognitive Strategien zwar in einer Domäne erlernt werden, ihr Transfer in andere aber explizite Anschlussarbeit verlangt.

Eine Mathematiklehrperson bittet ihre Klasse vor einer Übungsphase, auf einen kleinen Zettel zu notieren, welche Aufgaben sie selbst für leicht, welche für mittel und welche für schwer halten, und kurz zu begründen warum. Nach der Bearbeitung gleicht jede Lernende ihre Selbsteinschätzung mit dem tatsächlichen Lösungserfolg ab und markiert zwei Stellen, an denen sie ihre eigene Sicherheit überschätzt hatte. Diese kleine Routine wird über mehrere Wochen wiederholt und führt sichtbar dazu, dass die Klasse präziser zwischen wirklicher Sicherheit und gefühlter Vertrautheit unterscheidet.

Eine Berufsfachschullehrperson lässt ihre Klasse eine Aufgabe einmal selbst lösen und einmal mit KI bearbeiten. Im Anschluss notieren die Lernenden in zwei knappen Spalten, was sie in der eigenen Bearbeitung verstanden haben und was sie bei der KI-Bearbeitung übernommen haben, ohne es vollständig durchdrungen zu haben. Eine dritte Spalte fragt, an welcher Stelle die KI-Antwort eine Sicherheit erzeugte, die die Lernende für die eigene Klärung nicht beanspruchen kann. Über mehrere Aufgaben hinweg entwickelt die Klasse so ein präzises Vokabular für die Differenz zwischen eigenem und ausgelagertem Verstehen.

Eine Sekundarschule beobachtet in einer kollegialen Auswertung, dass viele Lernende ihre eigene Vorbereitung auf Prüfungen mit Wiederlesen bestreiten und sich anschliessend überrascht zeigen, wenn die Klausur nicht so läuft wie erwartet. Das Kollegium führt eine kleine, fächerübergreifende Routine ein: Vor jeder Lerneinheit zu einem Prüfungsthema notieren die Lernenden auf einer Karte, was sie sicher können, was sie unklar finden und an welcher Stelle sie eine konkrete Frage stellen würden. Über ein Semester verändert sich das Vorbereitungsverhalten der Klassen sichtbar; die Lehrpersonen berichten, dass Lernende präziser nach Hilfe fragen und ihre Schwierigkeiten verständlicher beschreiben.

• Metakognition sei dasselbe wie Reflexion. Tatsächlich ist Reflexion eine breiter angelegte nachträgliche Auseinandersetzung mit Erfahrung, während Metakognition spezifisch auf die eigenen kognitiven Prozesse und ihre Steuerung zielt und über Wissen, Planen, Überwachen und Bewerten methodisch strukturiert ist; jede Metakognition ist in gewisser Weise reflexiv, aber nicht jede Reflexion ist metakognitiv.
• Metakognition sei eine Frage der Intelligenz und nicht unterrichtbar. Tatsächlich zeigen Studien seit den 1980er-Jahren, dass metakognitive Strategien durch explizite Anleitung, Modellierung durch die Lehrperson und konditionales Wissen über Anwendungsbedingungen vermittelt werden können; Begabungseffekte gibt es, sie ersetzen aber keine didaktische Förderung.
• Wer eine Aufgabe richtig löst, habe damit auch metakognitiv funktioniert. Tatsächlich können Lernende kognitiv erfolgreich sein, ohne ihre eigene Vorgehensweise wahrgenommen oder gesteuert zu haben; Erfolg ohne Bewusstsein über den eigenen Weg trägt jedoch wenig für die nächste Aufgabe und untergräbt den Transfer.

Reflexion: Reflexion ist die breitere Bewegung des nachdenklichen Durchdringens von Erfahrung; sie kann sich auf Inhalte, Werte, Beziehungen oder Erlebnisse richten. Metakognition ist enger gefasst und zielt spezifisch auf die eigenen kognitiven Prozesse und deren Steuerung. Reflexion kann metakognitive Anteile haben, eine Phase metakognitiver Überwachung ist aber nicht automatisch reflexiv im weiteren Sinn, und umgekehrt kann eine breite Reflexion die metakognitive Substanz verfehlen.

Selbstregulation: Selbstregulation umfasst das eigenständige Steuern von Lernzielen, -strategien, -motivation und -umgebung und ist damit breiter angelegt als Metakognition; Metakognition ist eine zentrale, aber nicht die einzige Komponente von Selbstregulation. Wer selbstreguliert lernt, verfügt unter anderem über metakognitive Steuerung, aber auch über motivationale und volitionale Kompetenzen, die nicht zur Metakognition im engeren Sinn gehören.

Kognition: Kognition meint die Verarbeitung eines Gegenstands (lesen, rechnen, argumentieren); Metakognition meint die Verarbeitung der eigenen Verarbeitung. Beide sind eng verschränkt, aber begrifflich getrennt, weil Lernende kognitiv kompetent und metakognitiv unentwickelt sein können und umgekehrt; ein bewusster Blick auf das eigene Denken ist nicht dasselbe wie das Denken selbst.

• An welcher Stelle in meinem Unterricht verlange ich von Lernenden, ihren eigenen Verstehensstand zu beurteilen, und an welcher Stelle setze ich diese Beurteilung voraus, ohne sie geübt zu haben?
• Welche meiner Aufgaben enthalten einen expliziten metakognitiven Schritt (Planen vor der Bearbeitung, Überwachen während, Bewerten danach), und welche begnügen sich mit der reinen Aufgabenbearbeitung?
• Wie würde ich der Klasse den Unterschied zwischen kognitiver Leistung (richtige Lösung) und metakognitiver Klärung (bewusstes Verständnis des eigenen Weges) an einem konkreten Beispiel sichtbar machen?

Wähle eine Lerneinheit, in der du zufrieden mit den Resultaten der Klasse warst: An welcher Stelle weisst du eigentlich, ob deine Lernenden ihr Vorgehen selbst wahrgenommen haben, und woran würdest du es erkennen, wenn dies nicht der Fall wäre?

Metakognition heisst: über das eigene Denken nachdenken. Es geht nicht nur darum, ob ich eine Aufgabe richtig löse, sondern auch darum, ob ich merke, was ich verstanden habe und was nicht. Wer das nie übt, glaubt schnell, etwas zu können, obwohl er nur das Gefühl hat. Bei KI ist das besonders wichtig, weil die KI eine Antwort liefert, ohne dass ich merke, ob ich sie auch selbst hätte finden können.

Reflexion meint mehr als sich an etwas zu erinnern oder etwas in Worte zu fassen. Sie ist eine geistige Bewegung, in der eine Erfahrung bewusst aufgenommen, gedanklich durchgearbeitet und mit anderem Wissen oder anderen Erfahrungen verknüpft wird, um aus ihr eine Einsicht zu gewinnen, die über die Erfahrung selbst hinausweist. Drei klassische Bewegungen lassen sich unterscheiden. Erstens das Wahrnehmen: Eine Erfahrung wird nicht bloss durchlebt, sondern als Erfahrung erkannt; etwas an ihr ist bemerkenswert, irritierend, klärungsbedürftig. Zweitens das Durchdringen: Die Erfahrung wird in ihre Anteile zerlegt, in Beziehung zu Vorwissen gesetzt, mit anderen Erfahrungen verglichen, gegen mögliche andere Deutungen geprüft. Drittens das Übersetzen: Aus der Durchdringung wird etwas gewonnen, das in künftigem Handeln, Denken oder Verstehen anders zur Verfügung steht als zuvor. John Dewey hat in seinem grundlegenden Werk How We Think (1933, in erster Fassung 1910) Reflexion ausdrücklich als reflective thinking gefasst und betont, dass sie nicht jede Form von Nachdenken ist, sondern eine spezifische: ein aktives, anhaltendes und sorgfältiges Erwägen von Annahmen im Licht ihrer Begründungen und Folgen. Diese Pointe ist bis heute prägend: Reflexion ist keine Stimmungsangelegenheit und keine zufällige Erinnerung, sondern eine geübte, methodisch beschreibbare Praxis. Donald Schön hat die Tradition in The Reflective Practitioner (1983) für Berufe wie das Lehren wieder aufgenommen und zwei Modi unterschieden: reflection-on-action, das nachträgliche Durchdenken einer Handlung, und reflection-in-action, das Mitlaufen reflexiver Bewegung während einer Handlung, in der erfahrene Praktiker auf Unerwartetes reagieren. Beide Modi sind didaktisch bedeutsam, weil Reflexion nicht nur am Schreibtisch, sondern auch im Vollzug stattfindet, etwa wenn eine Lehrperson eine Stunde mitten im Verlauf bewusst neu ausrichtet. Wichtig ist die Abgrenzung zu zwei Nachbarbegriffen, mit denen Reflexion im Schulalltag oft verschmilzt. Sie ist nicht Erinnerung, weil Erinnerung das Erlebte vergegenwärtigt, ohne es notwendig zu prüfen. Und sie ist nicht blosse Rückschau, weil Rückschau das Geschehen bilanziert, ohne notwendig daraus eine Einsicht für künftiges Handeln zu gewinnen. Erst wo die Erfahrung gedanklich durchgearbeitet und in eine Lerngestalt überführt wird, beginnt Reflexion im strengen Sinn.

Eine Bildung, die Erfahrungen nur durchläuft, ohne sie durchzudenken, lässt einen erheblichen Teil ihres Bildungspotenzials liegen. Was zwischen einer Erfahrung und einem Lerngewinn liegt, ist Reflexion. Ohne sie summieren sich Erlebnisse, ohne ihre Lehre abzugeben; mit ihr werden Erfahrungen zu Wissen, das in neuen Situationen tragfähig wird. Diese Übersetzung ist nicht trivial und sie geschieht nicht von selbst. Lernende, die nie geübt haben, eine Erfahrung gedanklich zu durchdringen, vermögen ihre eigene Lerngeschichte kaum als zusammenhängend zu lesen und übersehen die Stellen, an denen sie an Einsicht gewonnen hätten. Sie tendieren entweder dazu, Erfahrungen schnell mit Schlagworten zu überdecken und damit zu schliessen, statt sie offen zu halten, oder dazu, sie unbearbeitet stehen zu lassen, ohne zu prüfen, was sie tragen. Beides ist verbreitet und beides ist didaktisch adressierbar. Praktisch ist Reflexion zudem die Voraussetzung dafür, dass Lernende ein eigenes Verhältnis zu ihrem Lernen entwickeln und damit zur Selbststeuerung übergehen können. Eine Person, die reflektieren kann, weiss nicht nur, was sie gelernt hat, sondern auch, wie sie lernt, an welchen Stellen sie sich gewöhnlich verzettelt und welche Bedingungen ihr helfen. Diese Selbstkenntnis ist nicht das Ende des Lernens, sondern dessen Grundlage. Sie entsteht aber nicht nebenbei, sondern verlangt Aufgaben, Anlässe und Zeit, die in einem schulischen Alltag, der auf Stoffabdeckung getrimmt ist, regelmässig unter Druck geraten.

Begrifflich geht die moderne Theorie der Reflexion massgeblich auf John Dewey zurück, der in How We Think (1933) das reflective thinking als methodisch beschreibbare geistige Praxis ausgearbeitet hat. Donald Schön knüpft in The Reflective Practitioner (1983) und Educating the Reflective Practitioner (1987) daran an und entwickelt das Konzept für die professionelle Praxis weiter, mit besonderem Gewicht auf den Modi reflection-on-action und reflection-in-action. In der Lehrerbildung ist die Tradition über die anglophone Wirkung Schöns und über die Adaption von Modellen wie dem Kolbschen Lernzyklus (David Kolb 1984) in viele Curricula eingegangen; reflexive Praxis gilt seither als Bestandteil professioneller Lehrkompetenz, ohne dass damit ihre konkrete Operationalisierung schon einheitlich wäre. In der deutschsprachigen Allgemeinen Didaktik ist Reflexion in Bezug zu Klafkis Begriff der Bildung als Selbst-, Mitbestimmungs- und Solidaritätsfähigkeit gesetzt worden, in dem die nachdenkende Auseinandersetzung mit Welt und Erfahrung konstitutiv ist. Bildungstheoretisch ist die Tradition mit dem Selbstbildungsgedanken verknüpft, der Reflexion als Voraussetzung mündigen Lernens fasst. Empirisch ist die Forschung zur Wirksamkeit reflexiver Praktiken methodisch anspruchsvoll, weil Reflexion sich schwer in standardisierten Outcomes abbildet; vorhandene Befunde deuten an, dass strukturiert angeleitete Reflexion (mit klarer Frage, Phasen und Begleitung) wirksamer ist als offene Aufforderungen, ohne dass das Reflektieren-Lernen reflexiver würde, sobald es nur eingefordert wird. Kritisch wird in der Bildungsdiskussion eingewendet, dass Reflexion als Modewort zur unverbindlichen Floskel werden kann, wenn sie nicht didaktisch ernst genommen und in spezifische Bedingungen eingebettet wird, die echte gedankliche Arbeit verlangen.

Eine Geschichtslehrperson schliesst eine intensive Reihe zur Wirtschaftskrise mit einem kleinen schriftlichen Auftrag, in dem die Lernenden keine Zusammenfassung der Inhalte, sondern eine reflexive Auseinandersetzung mit einer einzelnen Stelle der Reihe verlangen. Geleitet wird die Reflexion durch drei Fragen: Welche Stelle hat dein Vorverständnis am stärksten verändert, welcher Widerspruch zu deinem bisherigen Wissen ist offen geblieben, und welche Frage hat sich dir durch die Reihe neu gestellt? Die Texte werden nicht benotet, sondern in kleinen Lerngruppen vorgestellt; die Klasse erkennt im Vergleich der Reflexionen, dass dieselbe Reihe sehr unterschiedliche Lernspuren hinterlassen kann.

An einer Pädagogischen Hochschule wird in einem Seminar zu professionellem Lernen mit einer KI gearbeitet, die ausdrücklich keine Reflexion verfasst, sondern Reflexionsanstösse liefert. Studierende bringen eine eigene Unterrichtserfahrung ein und erhalten von der KI drei Rückfragen, die ihnen helfen, die Erfahrung zu zerlegen und Annahmen zu identifizieren, die sie selbst noch nicht ausdrücklich gemacht haben. Ihre eigene Reflexion verfassen sie anschliessend ohne KI. Im Plenum wird ausgewertet, an welchen Stellen die KI-Anstösse die eigene Reflexion vertieft und an welchen sie sie eher auf ein vorbereitetes Schema gedrängt haben; die Studierenden entwickeln daraus eine Sprache für den legitimen und für den lernschädlichen Gebrauch von KI in reflexiven Prozessen.

Eine Berufsfachschule führt in mehreren Klassen ein Lernjournal als Pflichtbestandteil ein. Nach einem Semester berichten viele Lehrpersonen, dass die Einträge zwar regelmässig erscheinen, aber inhaltlich an der Oberfläche bleiben: Was wir heute gemacht haben, was mir gefiel, was schwierig war. Eine Arbeitsgruppe analysiert die Ursachen und entscheidet, das offene Format durch drei wechselnde Leitfragen pro Eintrag zu ersetzen, die jeweils eine spezifische reflexive Bewegung anfordern (Vergleich mit einer früheren Erfahrung, Identifikation eines Widerspruchs, Übersetzung in eine künftige Handlung). Die Qualität der Einträge verbessert sich messbar; die Schule lernt daran, dass Reflexion nicht durch das Format allein entsteht, sondern durch die Frage, die ihren Vollzug anleitet.

• Reflexion sei dasselbe wie Erinnerung an das Erlebte. Tatsächlich ist sie eine weitergehende Bewegung, in der die Erinnerung der Ausgangspunkt ist, nicht das Ziel; erst wenn das Erinnerte gedanklich durchgearbeitet, in Beziehung zu anderem Wissen gesetzt und auf seine Folgen für künftiges Handeln befragt wird, beginnt Reflexion im methodischen Sinn.
• Reflexion sei eine subjektive Wohlfühlübung ohne überprüfbare Qualität. Tatsächlich ist sie eine geübte Praxis mit beschreibbaren Bewegungen (Wahrnehmen, Durchdringen, Übersetzen) und unterscheidbaren Qualitätsmerkmalen wie Genauigkeit der Beobachtung, Differenziertheit der Deutung und Tragfähigkeit der gewonnenen Einsicht; sie ist nicht beliebig.
• Eine schöne Reflexionsformulierung sei der Beleg einer Reflexion. Tatsächlich ist die sprachliche Form das Produkt; sie kann ohne reflexive Substanz erzeugt werden, vor allem unter KI-Bedingungen. Die Substanz einer Reflexion liegt im gedanklichen Vollzug der Person, nicht im Text als Artefakt.

Erinnerung: Erinnerung vergegenwärtigt ein Erlebtes, ohne es notwendig zu prüfen oder einzuordnen; sie kann passiv und ohne weitere Verarbeitung bleiben. Reflexion setzt die Erinnerung voraus, geht aber darüber hinaus, indem sie das Erinnerte gedanklich durchdringt und auf seine Bedeutung für künftiges Handeln, Denken oder Verstehen befragt. Eine Person kann sich detailliert erinnern und gar nicht reflektieren.

Rückschau: Rückschau bilanziert ein Geschehen, oft chronologisch: Was ist passiert, in welcher Reihenfolge, mit welchem Ergebnis. Reflexion ist nicht primär chronologisch, sondern thematisch und prüfend; sie fragt nicht nach dem Verlauf, sondern nach der Einsicht, die aus dem Verlauf gewonnen werden kann, und kann sich auf einzelne Stellen konzentrieren, statt das Ganze nachzuerzählen.

Metakognition: Metakognition zielt spezifisch auf die eigenen kognitiven Prozesse und deren Steuerung (was weiss ich, wie lerne ich, woran erkenne ich Verständnis). Reflexion ist breiter angelegt und kann auch Werte, Beziehungen, Entscheidungen oder Erlebnisse betreffen, die nicht primär kognitiver Natur sind; Reflexion und Metakognition überschneiden sich, sind aber nicht identisch.

• An welcher Stelle in meinem Unterricht verlange ich tatsächlich Reflexion und an welcher Stelle bezeichne ich eine Aufgabe als reflexiv, die in Wahrheit nur Zusammenfassung oder Erinnerung verlangt?
• Welche Bedingungen schaffe ich (Zeit, Anleitung, Fragestellung, Vertraulichkeit), die echte gedankliche Arbeit ermöglichen, und welche meiner Reflexionsaufträge führen mangels Bedingungen zu Floskeln?
• Wie würde ich erkennen, ob eine Reflexion meiner Lernenden tatsächlich stattgefunden hat und nicht nur ihr Produkt vorliegt, und welche Folgerung zöge ich aus dieser Diagnose?

Wähle eine Aufgabe, in der du von Lernenden Reflexion verlangt hast: An welcher Stelle würde sie auch ohne reflexive Arbeit zu sprachlich vorzeigbaren Ergebnissen führen, und wie kannst du die Aufgabe so umbauen, dass die gedankliche Bewegung der Person tatsächlich notwendig wird?

Reflexion heisst, über eine Erfahrung nachzudenken und sich zu fragen, was man daraus lernen kann. Das ist mehr, als sich nur zu erinnern. Wer reflektiert, schaut: Was ist passiert, warum war das so, was bedeutet das für mich, wenn ich das nächste Mal in eine ähnliche Situation komme. Eine KI kann darüber Texte schreiben. Aber wirklich reflektieren kann nur die Person, die die Erfahrung gemacht hat. Sonst entsteht ein hübscher Text, ohne dass jemand wirklich nachgedacht hat.

Selbstregulation meint die Fähigkeit einer Lernenden, ihr eigenes Lernen aktiv zu steuern, statt es passiv durchlaufen zu lassen oder vollständig durch andere strukturieren zu lassen. Selbstreguliertes Lernen ist nicht das Gegenteil von angeleitetem Lernen, sondern eine Form, in der die Lernende die Steuerungsverantwortung anteilig übernimmt; sie kann auch in stark strukturierten Unterrichtsformen vorkommen und sie kann auch in offenen Settings fehlen, je nachdem, wie aktiv die Person ihre Lernschritte selbst gestaltet. Klassisch wird Selbstregulation in mehrere zusammenhängende Bewegungen aufgeteilt. Barry Zimmerman hat seit Ende der 1980er-Jahre ein zyklisches Modell entwickelt, das drei Phasen unterscheidet. In der Vorausplanung (forethought) klärt die Lernende ihr Ziel, schätzt die Aufgabe ein, wählt eine Strategie und mobilisiert die nötige Motivation. In der Durchführung (performance) setzt sie die Strategie um, beobachtet ihren Fortschritt, justiert nach Bedarf nach und hält die Konzentration aufrecht. In der Selbstreflexion (self-reflection) bewertet sie das Ergebnis, schreibt es bestimmten Ursachen zu (eigenes Tun, Aufgabenstellung, äussere Umstände) und nimmt diese Bewertung in die Vorausplanung der nächsten Aufgabe mit. Paul Pintrich hat in einem integrativen Modell (etwa in Pintrich 2000) vier Bereiche unterschieden, in denen Selbstregulation gleichzeitig stattfindet: Kognition (welche Strategien wende ich an), Motivation und Affekt (mit welcher Erwartung und welchem Interesse arbeite ich), Verhalten (wie organisiere ich meinen Aufwand) und Kontext (wie gestalte ich Lernumgebung und Hilferessourcen). Diese Aufteilung macht sichtbar, dass Selbstregulation nicht nur eine kognitive, sondern auch eine motivationale und eine volitionale Angelegenheit ist; sie umfasst neben dem Wissen, was zu tun wäre, auch die Bereitschaft, es tatsächlich zu tun, und die Fähigkeit, dabei zu bleiben, auch wenn es schwer wird. Empirische Befunde zeigen, dass selbstregulatorische Kompetenzen mit Lernerfolg substanziell zusammenhängen und dass sie unterrichtbar sind, wenn nicht nur Strategien vermittelt, sondern auch ihre Anwendungsbedingungen, ihre motivationale Einbettung und Routinen ihrer Übung mitgedacht werden. Wo dies fehlt, bleiben Lernende von externen Strukturen abhängig und scheitern besonders dort, wo diese Strukturen wegfallen, etwa beim Übergang in die Hochschule oder beim selbstständigen Arbeiten mit komplexen Aufgaben.

Eine Bildung, die Lernende nicht zur Selbststeuerung führt, produziert Menschen, die ausserhalb der schulischen Strukturen lernunfähig werden, sobald sie nicht mehr extern engmaschig geführt sind. Das ist nicht ein theoretisches Risiko, sondern eine wiederkehrende Erfahrung an Übergängen: Schülerinnen mit guten Noten verlieren an der Hochschule oder in der beruflichen Bildung Halt, wenn die externe Engführung wegfällt, weil sie nie geübt haben, Ziel, Aufwand und Strategie selbst zu setzen. Selbstregulation ist die Kompetenz, die diese Lücke schliesst. Sie ist nicht ein Persönlichkeitsmerkmal, mit dem manche begnadet sind und andere nicht, sondern eine bildbare Kompetenz, die durch Aufgaben, Begleitung und explizite Strategieinstruktion entstehen kann. Ihre Förderung verlangt allerdings, dass Unterricht regelmässig Entscheidungssituationen offen lässt, in denen Lernende selbst wählen müssen (welches Ziel, welche Strategie, welche Reihenfolge, welche Hilfeform), und dass diese Wahl im Anschluss reflektiert wird. Eine Schule, die alle Entscheidungen vorab strukturiert, mag effizient erscheinen, übergeht aber genau die Gelegenheiten, an denen Selbstregulation entstehen kann. Die didaktische Verantwortung besteht darin, Strukturen so zu gestalten, dass sie die Selbstregulation fördern, statt sie zu ersetzen; das ist eine andere Aufgabe als nur Stoff zu vermitteln, und sie ist anspruchsvoller, weil sie verlangt, das Lerngeschehen aus der Perspektive der Steuerungsentwicklung der Person zu denken.

Den begrifflichen Rahmen prägen massgeblich Barry Zimmerman, dessen zyklisches Drei-Phasen-Modell der Selbstregulation seit Ende der 1980er-Jahre und in zahlreichen Folgearbeiten zu einem Standardmodell der pädagogischen Psychologie geworden ist, und Paul Pintrich, dessen integratives Modell verschiedene Komponenten des selbstregulierten Lernens (kognitiv, motivational, verhaltensbezogen, kontextbezogen) systematisch zusammenfasst. Beide Linien stehen in der sozial-kognitiven Tradition Albert Banduras, in der die wechselseitige Beeinflussung von Person, Verhalten und Umwelt theoretisch verankert ist und in der Selbstwirksamkeit (self-efficacy) als zentrale motivationale Variable der Selbstregulation gilt. In Europa hat insbesondere die Arbeitsgruppe um Monique Boekaerts ein Modell vorgelegt, das Selbstregulation auf mehreren Ebenen betrachtet (Zielmanagement, Strategiewahl, Selbst- und Aufgabenbezug) und in dem die emotional-volitionale Seite stärker gewichtet wird. Im Visible-Learning-Programm Hatties wird die Förderung selbstregulatorischer Strategien als Faktor mit überdurchschnittlicher Effektstärke ausgewiesen; ihre konkrete Effektstärke variiert allerdings je nach Operationalisierung der unter Selbstregulation gefassten Strategien. Empirisch zeigen Studien zur Anwendung von Selbstregulation, dass die isolierte Vermittlung von Lernstrategien ohne motivationale und kontextuelle Einbettung enttäuschend wenig wirkt, während integrative Programme, die alle Komponenten gemeinsam adressieren und Lernende in realen Aufgabensituationen zu Steuerungsentscheidungen einladen, deutlich wirksamer sind. Kritisch wird in der Forschung diskutiert, dass das Konzept dazu tendiert, die Verantwortung für Lernerfolg an die Lernende zu verschieben und damit strukturelle Bedingungen (Aufgabenqualität, Beziehungen, soziale Lage) zu unterbelichten; eine professionelle Verwendung des Begriffs hält diese Spannung offen, statt sie aufzulösen.

Eine Französischlehrperson gestaltet eine Vorbereitungsphase auf eine Wortschatzprüfung bewusst so, dass die Klasse selbst Steuerungsentscheidungen treffen muss. Sie verteilt eine offene Aufstellung des Lernstoffs und gibt zwei Lektionen Zeit, ohne ein Übungsformat vorzugeben. Die Lernenden notieren am Anfang, wie sie vorgehen wollen (welche Reihenfolge, welche Strategie, welche Selbstkontrolle), und reflektieren am Ende, was funktioniert hat und was nicht. Die Lehrperson nutzt die unterschiedlichen Vorgehensweisen, um mit der Klasse einen Strategievergleich zu führen, an dem sichtbar wird, welche Steuerungsentscheidungen welche Lernwirkung entfaltet haben.

Eine Gymnasiallehrperson führt für eine Recherchearbeit ein Steuerungsprotokoll ein, das in zwei Spalten geführt wird. In der ersten Spalte notiert die Lernende ihre eigenen Steuerungsentscheidungen (welche Frage stelle ich, in welcher Reihenfolge gehe ich vor, woran erkenne ich, dass ich genug habe). In der zweiten Spalte notiert sie, an welchen Stellen sie die KI um Strukturierungshilfe gebeten hat und welche Steuerungsentscheidung sie sich dabei abnehmen liess. Im Auswertungsgespräch wird besprochen, an welchen Stellen die KI-Steuerung legitim die Lernende entlastet hat und an welchen Stellen sie selbst hätte entscheiden müssen, um den Steuerungsmuskel zu trainieren.

Ein Gymnasium beobachtet bei Maturaarbeiten, dass viele Lernende die ersten Wochen produktiv arbeiten und in der Mittelphase einbrechen, weil sie ohne klare Zwischenziele die Orientierung verlieren. Die Schule führt eine begleitende Routine ein, in der die Lernenden monatlich kurz dokumentieren, welche Ziele sie sich selbst gesetzt hatten, was sie erreicht haben, welche Strategien funktioniert haben und welche Anpassungen sie für den nächsten Monat planen. Diese Dokumentation wird nicht benotet, sondern in einem zehnminütigen Gespräch mit der Betreuungslehrperson besprochen. Über zwei Jahrgänge zeigt sich, dass die Mittelphase-Einbrüche deutlich seltener werden und dass die Lernenden ein präziseres Vokabular für ihre eigenen Steuerungsentscheidungen entwickeln.

• Selbstregulation sei dasselbe wie Selbstdisziplin oder Fleiss. Tatsächlich ist sie ein integratives Konstrukt, das kognitive Strategien, metakognitive Überwachung, motivationale Steuerung und Umgebungsmanagement umfasst; Disziplin und Fleiss sind volitionale Aspekte, ersetzen aber weder die Strategiekenntnis noch die metakognitive Beobachtung des eigenen Vorgehens.
• Selbstregulation könne nur in offenen Lernsettings gefördert werden. Tatsächlich kann auch ein strukturierter Unterricht selbstregulatorische Anteile enthalten, wenn er an ausgewählten Stellen Entscheidungssituationen offen lässt und Lernende sichtbar machen lässt, welche Steuerungsentscheidungen sie selbst getroffen haben; das Format ist weniger wichtig als die Verteilung von Steuerungsverantwortung.
• Wer Lernstrategien kennt, sei automatisch selbstreguliert. Tatsächlich zeigt die Forschung, dass Strategiewissen allein wenig wirkt, wenn motivationale Einbettung, konditionales Anwendungswissen und Übung in realen Aufgabensituationen fehlen; Selbstregulation entsteht nicht durch das Aufzählen von Strategien, sondern durch deren Anwendung an Aufgaben, an denen Steuerung tatsächlich notwendig wird.

Metakognition: Metakognition ist eine Komponente der Selbstregulation; sie umfasst das Wissen über das eigene Denken und dessen Regulation in Bezug auf Planen, Überwachen und Bewerten. Selbstregulation ist breiter und integriert über die metakognitive Steuerung hinaus auch motivationale (Interesse, Selbstwirksamkeit), volitionale (Anstrengungsbereitschaft) und kontextuelle (Lernumgebung, Hilfen) Komponenten; sie ist die übergreifende Kompetenz, an der Metakognition Anteil hat.

Selbstständigkeit: Selbstständigkeit beschreibt die Fähigkeit, eine Aufgabe ohne fortlaufende äussere Anleitung zu erledigen, und ist ein verbreitetes, aber etwas vages Ziel. Selbstregulation ist methodisch präziser gefasst und benennt die spezifischen Operationen (Zielsetzung, Strategiewahl, Überwachung, Motivationsregulation, Umgebungsgestaltung), die diese Selbstständigkeit tragen; Selbstständigkeit ist das beobachtbare Verhalten, Selbstregulation der zugrunde liegende Steuerungsapparat.

Autonomie: Autonomie ist ein bildungsphilosophischer Begriff für die Fähigkeit zu mündiger Selbstbestimmung, die ihre Massstäbe selbst gibt; sie hat eine ethische und normative Dimension. Selbstregulation ist demgegenüber primär lernpsychologisch verstanden und beschreibt die operativen Kompetenzen des Steuerns von Lernhandeln; sie kann Autonomie stützen, deckt aber den umfassenderen normativen Anspruch des Begriffs nicht ab.

• An welcher Stelle in meinem Unterricht treffen Lernende tatsächlich Steuerungsentscheidungen selbst, und an welcher Stelle nehme ich ihnen diese Entscheidungen aus didaktischer Effizienz ab, ohne es zu reflektieren?
• Welche meiner Aufgaben fördern alle vier Komponenten der Selbstregulation (kognitiv, metakognitiv, motivational, kontextuell), und welche bedienen nur eine oder zwei?
• Wie würde ich erkennen, ob meine Klasse unter KI-Bedingungen Steuerungsanteile an das Werkzeug delegiert hat, ohne sie zurückzunehmen, und welche Routine könnte das sichtbar machen?

Wähle eine Lernsituation, in der du deine Klasse für selbstständig hieltest: An welchen Stellen haben die Lernenden tatsächlich selbst gesteuert, und an welchen Stellen haben sie eine externe Steuerung (Vorgabe, Schema, KI-Hinweis) genutzt, ohne dass dies expliziter Lerngegenstand gewesen wäre?

Selbstregulation heisst, dass jemand sein Lernen selbst steuern kann: Ich überlege, was ich erreichen will, wie ich vorgehe, ob ich weiterkomme, und ich passe an, wenn etwas nicht funktioniert. Wer das nie geübt hat, lernt nur, solange jemand anderes sagt, was zu tun ist. Bei KI ist das besonders wichtig, weil die KI gerne entscheidet, was als nächstes kommt. Wer dann nicht selbst die Steuerung übernimmt, kann ohne KI plötzlich nichts mehr.

Urteilsfähigkeit ist die Fähigkeit, das, was vorliegt, nicht bloss zu übernehmen, sondern zu prüfen, einzuordnen und mit Begründung anzunehmen oder zurückzuweisen. Sie umfasst mehrere Operationen: das Vergleichen alternativer Vorschläge, das Bewerten anhand von Kriterien, das Priorisieren je nach Kontext, das Begründen der eigenen Entscheidung. Urteilsfähigkeit ist nicht angeboren, sondern wird in didaktischen Settings systematisch trainiert — durch Aufgaben, die Vergleiche fordern, durch Diskussionen, die Begründungen verlangen, durch Beurteilungsformate, die Wahl und Rechtfertigung sichtbar machen. Im klassischen Unterricht war Urteilsfähigkeit oft implizit, weil die Schülerinnen ohnehin selbst gedacht haben mussten, um zu einem Ergebnis zu kommen. Unter KI-Bedingungen wird Urteilsfähigkeit explizit notwendig: Wenn KI Vorschläge liefert, ist die zentrale Eigenleistung die Bewertung dieser Vorschläge. Wer urteilsfähig ist, kann KI nutzen, ohne sich von ihr ersetzen zu lassen.

Urteilsfähigkeit ist die Eigenleistung, die unter KI-Bedingungen sichtbar wird, wenn andere Eigenleistungen (Formulieren, Strukturieren, Recherchieren) ausgelagert werden können. Wer beurteilen kann, was KI liefert, behält die Souveränität — wer nicht beurteilen kann, übernimmt unkritisch und verliert sie. Urteilsfähigkeit ist damit weniger eine Methode als ein Bildungsziel, das unter KI-Bedingungen an Bedeutung gewinnt.

Joscha Falck führt 'Urteilsfähigkeit' in seiner Architektur der KI-Didaktik als eine der vier 'Sichtachsen der Eigenleistung' ein (neben Prozess, Reflexion und Transfer). Theoretisch greift der Begriff Linien aus der Bildungstheorie auf (Klafki: Urteilsfähigkeit als Bildungsziel; Adorno: kritische Vernunft als Mündigkeitsbedingung) und verbindet sie mit aktuellen Diskursen um epistemische Kompetenz und Critical AI Literacy.

Eine Geschichtsklasse erhält drei alternative Darstellungen eines historischen Ereignisses (zwei davon KI-generiert, eine aus einem Lehrbuch) und muss schriftlich begründen, welche die plausibelste ist und warum — Urteilsfähigkeit in Aktion.

Eine Berufsfachschulklasse arbeitet an einer Marketing-Konzeption: KI liefert drei Vorschläge, die Klasse wählt, begründet, kombiniert. Beurteilt wird nicht das Endprodukt, sondern die Qualität der Auswahl- und Kombinationsbegründungen — Urteilsfähigkeit wird zur Bewertungsachse.

Zwei Klassen lösen dieselbe Aufgabe mit KI-Unterstützung. Klasse A übernimmt KI-Vorschläge weitgehend, Klasse B vergleicht und begründet. In der mündlichen Verteidigung später zeigt sich: Klasse B versteht die Inhalte tiefer — Urteilsfähigkeit war der Unterschied.

• Urteilsfähigkeit sei eine reine Persönlichkeitsfrage — tatsächlich ist sie eine trainierbare Kompetenz, die in geeigneten Aufgabenformaten systematisch aufgebaut werden kann.
• Urteilsfähigkeit bedeute, schnell zu entscheiden — tatsächlich umfasst sie die geduldige, kriteriengeleitete Prüfung von Alternativen.

Meinung: Eine Meinung ist eine persönliche Position. Urteilsfähigkeit ist die Kompetenz, Positionen begründet zu prüfen und zu wählen — sie geht über persönliche Vorliebe hinaus.

Quellenkritik: Quellenkritik prüft die Herkunft und Verlässlichkeit einer Quelle. Urteilsfähigkeit ist breiter — sie umfasst auch das Vergleichen und Priorisieren mehrerer Optionen.

• Welche meiner Aufgaben fordern explizit Urteilsfähigkeit — und welche begnügen sich mit Reproduktion?
• Wie bringe ich die Lernenden dazu, ihre Auswahl- und Bewertungsbegründungen sichtbar zu machen?
• Welche Kriterien für gutes Urteilen vermittele ich aktuell — und welche fehlen noch?

Welche eine Aufgabe deines Unterrichts könntest du so umbauen, dass sie Urteilsfähigkeit explizit fordert und sichtbar macht?

Urteilsfähigkeit heisst: Ich kann etwas prüfen, vergleichen und begründet sagen, was besser ist und warum. Das brauche ich besonders, wenn KI mir Vorschläge macht — ich entscheide.

Fehlerart Halluzination. Kritisches Prüfen, Quellenbelege, kognitive Souveränität. Bewertet wird die Begründungsqualität, nicht die Fehlerzahl.

Die Lehrperson lässt die KI einen absichtlich ungeprüften Fachtext mit 5–15 Fehlern pro Seite generieren. Schüler:innen jagen in Zweierteams die Fehler, markieren sie farbig und notieren je Fehler, was falsch ist, was richtig wäre und welche Quelle das belegt. In der Auswertung werden bestätigte Fehler, strittige Stellen und scheinbar korrekte, aber fragwürdige Stellen an der Wandtafel gesammelt. Optional folgt das Warum-Protokoll (3-Spalten: Prompt / KI-Antwort / Entscheidung + Begründung).

Rollenumkehr. Bewertungs- und Aufgabenverständnis-Kompetenz durch Korrigieren statt Geprüftwerden; Fachvertiefung durch Beurteilen.

Fünf Schritte. (1) Aufgabentypen klären (20 Min). (2) Zweierteams erstellen eine Prüfung mit Bewertungsraster (45 Min). (3) Die KI beantwortet die Prüfung, per Prompt angewiesen, realistische Schüler:innen-Fehler zu machen (15 Min). (4) Teams korrigieren die KI-Antworten eines anderen Teams mit dem Raster (45 Min). (5) Gemeinsame Reflexion (20 Min).

Getarnte Textanalyse. Sprachbewusstsein — was macht einen Text 'menschlich'? Bewusst keine Betrugsdetektion.

Sechs anonymisierte Texte zum gleichen Thema hängen aus — drei von Schüler:innen, drei KI-generiert (gleiche Schrift, Layout, Länge). Einzelarbeit (15 Min): pro Text 'Mensch oder KI' plus zwei Sätze Begründung. Diskussion (15 Min): 'Woran habt ihr etwas gemerkt?' — daraus werden fünf KI-Erkennungsmuster destilliert (übertriebene Ausgewogenheit, fehlende Persönlichkeit, perfekte Struktur, generisches Vokabular, kein Humor). Auflösung und Reflexion (10 Min).

Prompt-Engineering und Präzision durch direkten Vergleich sichtbar gemacht statt theoretisch erklärt.

Mehrere Lernende erhalten denselben Auftrag, dieselbe Zeit, dasselbe Modell. Drei Runden mit steigendem Anspruch: Speedrunde (5 Min, ein Prompt, keine Iteration), Präzisionsrunde (10 Min, Zielgruppe/Bedingungen, 2–3 Iterationen), Kreativrunde (15 Min, offener Transfer-Auftrag). Die Ergebnisse werden nebeneinandergelegt und von der Klasse nach drei Kriterien bewertet (Relevanz, Qualität, Originalität, je 0–3 Punkte).

Die Tiefenstruktur meint, wie intensiv und anschlussfähig sich die Lernenden gedanklich mit einem Sachverhalt auseinandersetzen — und nicht, in welcher Methode oder Sozialform dies geschieht. Sichtbar werden in einer Lektion stets nur Methoden, Material, Sozialformen, Phasenwechsel; ob die Lernenden tatsächlich verstehen, Verknüpfungen herstellen, Begründungen prüfen oder eigene Hypothesen entwickeln, bleibt eine Ebene tiefer. Genau dort, in der Tiefenstruktur, entsteht Lernen. Operationalisiert wird sie üblicherweise über drei Basisdimensionen: kognitive Aktivierung (anspruchsvolle geistige Auseinandersetzung), klare Strukturierung (Kohärenz, Zielklarheit, fachliche Sauberkeit) und konstruktive Unterstützung (geduldige, lernbezogene Begleitung). Diese Dimensionen sind nicht an bestimmte Methoden gebunden — ein direktiver Frontalunterricht kann eine hohe Tiefenstruktur haben, eine offene Gruppenarbeit eine niedrige. Empirisch zeigt sich seit den frühen 2000er-Jahren wiederholt, dass die Variation in Lernerfolg deutlich stärker an der Tiefenstruktur hängt als an äusseren Methodenmerkmalen. Die Konsequenz ist nüchtern: Wer Unterricht beurteilen oder weiterentwickeln will, kann sich nicht auf das Beobachtbare beschränken, sondern muss nach Indizien für die Verarbeitung suchen.

Die Tiefenstruktur richtet den Blick weg von Methoden-Lieblingen und hin zu der Frage, was im Kopf der Lernenden tatsächlich geschieht. Damit ist sie gleichzeitig Reflexionsinstrument für die Lehrperson und Beurteilungsmassstab für Unterricht: Eine ruhig wirkende Lektion kann lernintensiv sein, ein methodisch variantenreicher Tag kann oberflächlich bleiben. Wer Unterricht weiterentwickelt, kommt um die Tiefenstruktur nicht herum — sie ist der eigentliche Wirkort, an dem Lernen entsteht oder ausbleibt, und damit der einzige stabile Bezugspunkt jenseits methodischer Moden.

Die Unterscheidung zwischen Sicht- bzw. Oberflächen- und Tiefenstruktur wurde in der empirischen Unterrichtsforschung seit den 1990er-Jahren systematisch ausgearbeitet — prägend sind die Pythagoras-Studien um Kurt Reusser, Christine Pauli und Eckhard Klieme sowie das Angebots-Nutzungs-Modell des Unterrichts in der Tradition Andreas Helmkes. Die drei Basisdimensionen (kognitive Aktivierung, klare Strukturierung, konstruktive Unterstützung) wurden in dieser Forschungslinie als zentrale, fächerübergreifend wirksame Qualitätsmerkmale identifiziert. Sie stellen keine fertige Theorie guten Unterrichts dar, sondern ein robustes empirisches Raster, an dem sich Unterrichtsqualität beobachten und auswerten lässt.

Eine Mathematiklehrperson in der Sekundarstufe vergleicht zwei Lektionen zum Satz des Pythagoras. In der einen erklärt sie strukturiert an der Tafel, lässt rechnen und fragt nach. In der anderen arbeitet die Klasse in Gruppen mit Material. Lernergebnistest und Lernjournale zeigen am Ende der Woche, dass die erste Lektion die anspruchsvolleren Verknüpfungen ausgelöst hat — weil dort die zentrale Frage aktiv gestellt wurde.

In einer Berufsfachschule erstellen mehrere Klassen eine Marktanalyse mit KI-Unterstützung. Die Oberflächenstruktur ist identisch: sauberer Bericht, Diagramme, korrekte Form. Im anschliessenden kurzen mündlichen Gespräch zeigen sich grosse Unterschiede: Eine Gruppe kann ihre Annahmen begründen und einzelne KI-Aussagen kritisch einordnen, eine andere reproduziert nur. Die Tiefenstruktur wird erst im Gespräch sichtbar — am Produkt selbst wäre sie nicht zu erkennen gewesen.

Ein Lehrcoach hospitiert in zwei Französischlektionen zum gleichen Stoff. Lektion A nutzt ein modernes Drehbuchformat mit Tablets und Spielen, Lektion B ein klassisches Lehrgespräch. Im Schülerinterview eine Woche später erinnern die Lernenden aus Lektion B mehr fachliche Inhalte und tragen mehr Begründungen vor — die unscheinbar wirkende Stunde hatte die höhere Tiefenstruktur.

• Tiefenstruktur sei ein Merkmal bestimmter Methoden — etwa kooperativer oder offener Lernformate. Tatsächlich ist sie methodenunabhängig: Auch ein direktiver Frontalunterricht kann eine hohe Tiefenstruktur haben, auch eine vielgestaltige Gruppenarbeit eine niedrige.
• Tiefenstruktur lasse sich an der Stille oder am sichtbaren Engagement der Klasse ablesen. Stille kann Verstehen oder Verwirrung anzeigen, sichtbares Engagement kann ohne kognitive Auseinandersetzung stattfinden — beides verrät die Tiefenstruktur nicht zuverlässig.

Oberflächenstruktur von Unterricht: Die Oberflächenstruktur bezeichnet die direkt beobachtbaren Merkmale (Methode, Sozialform, Material, Medien); die Tiefenstruktur die nicht sichtbare Ebene der kognitiven Verarbeitung. Beide gehören zum selben Unterricht; lernwirksam ist die Tiefenstruktur.

Methode: Eine Methode (Lehrgespräch, Gruppenarbeit, Stationenlernen) ist eine Form der Oberflächenstruktur. Sie ist Mittel, nicht Selbstzweck — entscheidend ist, ob sie an dieser Stelle eine hohe Tiefenstruktur ermöglicht oder eben nicht.

• Welche eine konkrete kognitive Handlung soll diese Stunde bei den Lernenden auslösen — und durch welche Aufgabe wird sie wirklich nötig?
• Woran würde ich erkennen, dass in dieser Stunde keine Tiefenstruktur entstanden ist, obwohl die Lektion methodisch sauber gelaufen ist?
• Welche der drei Basisdimensionen (Aktivierung, Strukturierung, Unterstützung) ist in meinem aktuellen Unterricht die schwächste — und was würde sie konkret stärken?

Wähle eine deiner letzten Lektionen: Wo lag dort eigentlich die Tiefenstruktur — und welche Indizien hätte ein Aussenblick gebraucht, um sie zu erkennen?

Die Tiefenstruktur eines Unterrichts ist das, was in den Köpfen passiert — also wie genau die Lernenden mit dem Stoff arbeiten. Das sieht man von aussen nicht. Aber genau dort lernen Menschen wirklich, nicht in der gut gewählten Methode.

Die Oberflächenstruktur ist das, was sich im Unterricht ohne weiteres beschreiben und beobachten lässt: Welche Methode wird gewählt, in welcher Sozialform wird gearbeitet, welches Material und welche Medien kommen zum Einsatz, wie sind Phasen und Tempo gestaltet. Dazu gehören Frontalunterricht, Gruppenarbeit, Stationenlernen, der Wechsel zwischen Plenum und Einzelarbeit, der Einsatz digitaler Werkzeuge und vieles mehr. Diese Ebene ist nicht zweitrangig — sie ermöglicht oder erschwert tieferes Lernen — aber sie ist nicht selbst der Wirkort von Lernen. Empirisch zeigt sich: Wechsel auf der Oberfläche (etwa zu offeneren Methoden, neueren Medien oder grösserer Vielfalt) bringen für sich allein noch keine höhere Lernwirksamkeit. Die Oberflächenstruktur ist die Bühne, auf der sich die Tiefenstruktur entfalten kann; sie steht weder im Gegensatz zur Tiefenstruktur, noch ist sie deren blosse Verkleidung — sie ist eine andere Ebene desselben Unterrichts. Wer Unterricht plant, gestaltet zunächst die Oberflächenstruktur, muss sich aber gleichzeitig fragen, welche kognitiven Handlungen sie auslösen soll.

Wer Unterricht beurteilt, beobachtet zwangsläufig zunächst seine Oberflächenstruktur — Hospitationen, Lernspaziergänge, Stundenbeobachtungen zeigen vor allem diese Ebene. Wer Unterricht entwickelt, gerät leicht in die Falle, an dieser Ebene anzusetzen und auf bessere Methoden, neuere Medien oder offenere Formate zu setzen. Beides ist verständlich, aber das Verständnis der Oberflächenstruktur als das, was sie ist (eine notwendige, aber nicht hinreichende Ebene), schützt vor methodischer Symbolpolitik und verschiebt die Aufmerksamkeit dorthin, wo Lernen tatsächlich entsteht.

Die Unterscheidung zwischen Sicht- bzw. Oberflächenstruktur und Tiefenstruktur ist in der empirischen Unterrichtsforschung etabliert (Klieme, Pauli und Reusser im Rahmen der Pythagoras-Studien; Helmkes Angebots-Nutzungs-Modell). Sie entstand aus der Beobachtung, dass methodische Innovationen — etwa offene Lernformen — nicht automatisch lernwirksamer waren als traditioneller Unterricht. Daraus folgt das stabile Forschungsergebnis: Sichtbare Merkmale erklären nur einen kleinen Teil der Lernvarianz; entscheidend ist, was an Verarbeitung im Verhältnis von Lernenden und Stoff tatsächlich stattfindet.

Eine Schulleitung führt im Halbjahr Lernspaziergänge ein. Die Beobachterinnen registrieren Methodenvielfalt, Sozialformen, Mediennutzung — alles Merkmale der Oberflächenstruktur. Im anschliessenden Gespräch wird klar: Was die Stunden voneinander unterscheidet, lässt sich auf dieser Ebene gar nicht ausmachen. Die ergiebigeren Auswertungen entstehen erst, wenn zusätzlich Aufgaben und Schülerlösungen mit analysiert werden.

Eine Klasse präsentiert in Geografie mit KI-erstellten Folien, vertonten Erklärungen und sauberen Diagrammen. Methodisch und medial wirkt die Stunde herausragend — die Oberflächenstruktur ist beeindruckend. Die kurzen Rückfragen der Lehrperson zeigen jedoch, dass die Mehrheit der Lernenden zentrale Begriffe ihres eigenen Vortrags nicht erklären kann. Die Oberfläche hat ihr Versprechen nicht eingelöst.

Eine Lehrerin tauscht in der Sekundarstufe das klassische Lehrbuch gegen ein digitales Lehrmittel mit interaktiven Modulen — die Oberflächenstruktur ist erkennbar moderner. Eine Halbjahresauswertung zeigt: gleicher Lernerfolg, höherer Verwaltungsaufwand. Die Tiefenstruktur hatte sich schlicht nicht verändert.

• Die Oberflächenstruktur sei oberflächlich im negativen Sinne — also nebensächlich. Tatsächlich ist sie eine notwendige Bedingung für Lernen (ohne tragende Methodik geht es nicht), nur ist sie kein zuverlässiger Indikator für Lernwirksamkeit.
• Bessere Methodenvielfalt oder digitalere Materialien bedeuteten automatisch besseren Unterricht. Empirisch erklären solche Oberflächen-Wechsel nur wenig der Lernvarianz, solange die Tiefenstruktur nicht mit verändert wird.

Tiefenstruktur von Unterricht: Die Oberflächenstruktur ist beobachtbar, die Tiefenstruktur ist es nicht. Beide gehören zum selben Unterricht. Lernwirksam ist die Tiefenstruktur; die Oberflächenstruktur kann sie ermöglichen, ersetzen kann sie sie nicht.

Methode: Methode ist ein Element der Oberflächenstruktur — eine konkrete Form, in der Unterricht abläuft. Oberflächenstruktur ist der weitere Sammelbegriff, der Methode, Sozialform, Material, Medien und Phasen umfasst.

• Welche meiner letzten Methodenwechsel haben tatsächlich die Tiefenstruktur verändert — und welche nur die Oberfläche?
• Bei welcher Stunde überzeugte mich die Oberfläche, während die Lernergebnisse hinter den Erwartungen zurückblieben?
• Welche oberflächliche Veränderung meines Unterrichts wäre harmlos, weil sie die Tiefenstruktur nicht berührt — und welche wäre tatsächlich tragend?

Welche Veränderung an der Oberflächenstruktur deines Unterrichts steht aktuell an — und welche der drei Basisdimensionen der Tiefenstruktur würdest du damit tatsächlich stärken?

Die Oberflächenstruktur eines Unterrichts ist das, was man sieht: welche Methode, welches Material, welche Sozialform. Das ist wichtig, aber nicht das Eigentliche. Lernen passiert tiefer — dort, wo die Köpfe arbeiten.

Kognitive Aktivierung meint, dass Lernende sich aktiv und tiefgehend mit einem Sachverhalt auseinandersetzen — Hypothesen bilden, Erklärungen vergleichen, Begründungen einfordern, ungewohnte Perspektiven prüfen, eigene Vorstellungen mit fachlichen Konzepten konfrontieren. Sie ist weder identisch mit sichtbarer Beteiligung noch mit Motivation; ein Schüler kann engagiert mitarbeiten, ohne kognitiv aktiviert zu sein, und eine stille Klasse kann tief in eine Frage versunken sein. Operationalisiert wird kognitive Aktivierung über Aufgabenmerkmale (offene, anspruchsvolle Fragen statt blosser Reproduktion), Gesprächsformen (echtes Argumentieren, produktive Verunsicherung, Begründungspflicht) und Diskursqualität (Anschluss an Vorerfahrungen, Verknüpfungen über die Aufgabe hinaus). Zwischen kognitiver Aktivierung und kognitiver Überforderung verläuft eine schmale Grenze: Aktivierung verlangt, dass die Aufgabe knapp über dem aktuellen Verständnishorizont liegt und gleichzeitig erreichbar bleibt. Damit ist sie die operationalisierte Form jener didaktischen Grundfrage, ob Unterricht überhaupt etwas mit den Köpfen der Lernenden anfängt — oder nur an ihnen vorbei läuft.

Kognitive Aktivierung ist die Brücke zwischen Unterrichtsplanung und tatsächlichem Lernen: Erst sie löst die kognitiven Prozesse aus, die wir mit Lernen meinen. Wer die Aktivierung im eigenen Unterricht nicht systematisch beachtet, riskiert lernarme Routine, auch wenn Klima, Organisation und Methodenvielfalt stimmen. Umgekehrt ist Aktivierung kein Selbstzweck: Sie muss fachlich anschlussfähig bleiben und durch klare Strukturierung und konstruktive Unterstützung getragen werden — sonst kippt sie in Überforderung. Damit ist sie weder Methode noch Wundermittel, sondern eine ständig zu prüfende Qualitätsdimension.

Kognitive Aktivierung ist eine der drei Basisdimensionen unterrichtlicher Qualität, die in der empirischen Unterrichtsforschung — insbesondere in den Pythagoras-Studien (Klieme, Pauli, Reusser) und in Andreas Helmkes Angebots-Nutzungs-Modell — als fächerübergreifend wirksam identifiziert wurden. Theoretisch greift sie konstruktivistische und kognitionspsychologische Linien auf (Piaget, Vygotskij, Aebli) und verbindet sie mit empirischen Erkenntnissen zur Tiefenstruktur. Konzeptionell verwandt sind 'higher-order thinking' (Resnick) und 'desirable difficulties' (Bjork) — alle drei betonen, dass Lernen Anstrengung im Denken voraussetzt, nicht nur in der Tätigkeit.

In Geografie der Sekundarstufe vergleicht eine Lehrperson zwei Aufgaben zum Klimawandel: 'Liste fünf Folgen auf' und 'Begründe, welche dieser Folgen für die Schweiz am brisantesten ist und warum'. Die erste Aufgabe lässt sich aus dem Lehrbuch beantworten — die zweite verlangt Verknüpfen, Gewichten, Argumentieren. Erst die zweite aktiviert kognitiv: Sie zwingt zu eigener Stellungnahme statt zu Reproduktion.

Eine Französischlehrperson lässt die Klasse dialogisch mit einer KI arbeiten: Die Lernenden formulieren eine eigene Hypothese zu einem Text und nutzen die KI ausschliesslich für Gegenargumente. Anschliessend müssen sie schriftlich begründen, welches Gegenargument sie ernst nehmen und warum. Die KI dient hier nicht der Lösung, sondern provoziert kognitive Aktivierung — sie zwingt die Lernenden zu Stellungnahmen, die sie ohne den künstlichen Widerpart selten formuliert hätten.

In einer Wirtschaftsklasse soll die Klasse den BIP-Vergleich zweier Länder besprechen. Im Plenum entsteht ein flüssiges Gespräch, doch eine kurze schriftliche Begründungsaufgabe zeigt, dass die Mehrheit die zentralen Zusammenhänge nicht selbst rekonstruieren kann. Die Beteiligung war hoch, die kognitive Aktivierung niedrig.

• Kognitive Aktivierung sei dasselbe wie sichtbare Beteiligung — viele Wortmeldungen, lebhafte Klasse. Tatsächlich ist Beteiligung ein unsicherer Indikator: Eine aktive Klasse kann reproduzierend mitmachen, eine stille Klasse kann tief denken.
• Kognitive Aktivierung erfordere offene oder schülerzentrierte Methoden. Auch ein direktiv geführtes Lehrgespräch kann hoch aktivierend sein, wenn es die richtigen Fragen stellt und Antworten verlangt, die nicht bloss aus dem Lehrbuch kommen.

Motivation: Motivation beschreibt die Bereitschaft, sich auf eine Aufgabe einzulassen — kognitive Aktivierung beschreibt die Qualität der dann tatsächlich geleisteten geistigen Arbeit. Hohe Motivation ohne kognitive Aktivierung führt zu engagierter Beschäftigung ohne tiefes Lernen.

Kognitive Überforderung: Aktivierung verlangt Anstrengung knapp über dem aktuellen Verständnishorizont, die noch produktiv bewältigt werden kann. Überforderung übersteigt diesen Bereich, blockiert Verarbeitung und kippt in Frustration statt in Lernen.

• Welche meiner aktuell laufenden Aufgaben verlangen tatsächlich geistige Arbeit, die nicht trivial reproduzierbar ist — und welche nicht?
• An welcher Stelle einer Lektion sehe ich Anzeichen für blosse Beschäftigung statt für kognitive Auseinandersetzung?
• Welche einfache Veränderung an einer Aufgabe würde die kognitive Aktivierung deutlich erhöhen, ohne sie zu überfordern?

Wo in deinem aktuellen Unterricht ist kognitive Aktivierung am schwächsten — und welche eine Aufgabenänderung würde das spürbar verbessern?

Kognitive Aktivierung bedeutet: Die Lernenden müssen wirklich denken. Eine Aufgabe ist kognitiv aktivierend, wenn man sie nicht einfach abschreiben oder auswendig wissen kann — sondern selber überlegen, vergleichen, begründen muss.

Lernwirksamkeit ist die nüchterne Leitfrage jeder didaktischen Bemühung: Hat dieser Unterricht bei diesen Lernenden tatsächlich Lernen ausgelöst? Sie ist weder identisch mit Aktivität (Beschäftigung), mit Zufriedenheit (Wohlfühlen) noch mit Aufwand (Engagement der Lehrperson). Sie betrifft den belegbaren Zuwachs an Verstehen, Können, Verknüpfungsfähigkeit und Transferfähigkeit — gemessen idealerweise nicht am Tag der Lektion, sondern Wochen später. Lernwirksamkeit ist ein empirisches, kein normatives Konzept: Was wirkt, muss gezeigt werden, nicht behauptet. Damit ist sie ein nüchterner Korrekturmechanismus gegen didaktische Moden, methodische Lieblinge und intuitive Selbstgewissheit. Operationalisiert wird sie über Effektstärken (Hattie und andere), über kontrollierte Vergleichsstudien, über längere Follow-up-Messungen und über die Frage, wie weit Gelerntes auf neue Situationen anwendbar ist. Wichtig bleibt: Effektstärken sind Orientierung, nicht Wahrheit — ihre Höhe hängt stark von Operationalisierung, Vergleichsmassstab und Stichprobe ab und sollte nicht überinterpretiert werden.

Lernwirksamkeit ist der Massstab, der Unterricht vor sich selbst rechtfertigt. Ohne diesen Bezugspunkt wird Didaktik zur Geschmacksfrage, in der sich Schulen, Lehrpersonen und Konzepte über Stilfragen verständigen, ohne über Wirkung zu sprechen. Wer Lernwirksamkeit ernst nimmt, akzeptiert, dass nicht alles, was sich gut anfühlt oder modern wirkt, auch lernwirksam ist — und umgekehrt, dass manches Unscheinbare nachweislich trägt. Das schützt vor methodischer Symbolpolitik und gibt Reformdebatten einen prüfbaren Referenzpunkt.

Der Begriff verbindet sich mit der wirkungsorientierten Unterrichtsforschung, prominent ausgearbeitet in John Hatties Visible-Learning-Programm (seit 2009), das tausende Studien synthetisierte und Effektstärken für didaktische Faktoren auflistete. Die Linie reicht weiter zurück (etwa Walberg, Wang) und wird heute kritisch differenziert (Methodendebatten zu Meta-Meta-Analysen; starke Kontextabhängigkeit der Effekte). Konzeptionell steht Lernwirksamkeit in der Tradition empirisch-pädagogischer Forschung, die didaktische Aussagen auf prüfbare Wirkungen bezieht und sich von rein normativen oder traditionsbasierten Begründungen abgrenzt.

Eine Sekundarschule führt im Mathematikfach ein neues, mediengestütztes Lehrmittel ein. Die Klasse zeigt im Quartalstest gute Ergebnisse — drei Monate später, in einer Anwendungsaufgabe ohne das Lehrmittel, fällt die Leistung deutlich ab. Lernwirksamkeit zeigt sich erst in dieser delayed performance: Was kurz nach dem Üben gemessen wird, ist Performance, nicht zwingend Lernen.

Eine Klasse arbeitet ein Quartal lang in Geschichte intensiv mit KI-Unterstützung. Die Endprodukte sind exzellent. Zur Lernwirksamkeits-Probe stellt die Lehrperson am Anfang des Folgequartals eine vergleichbare Aufgabe ohne KI — die Ergebnisse fallen deutlich ab, viele Lernende können zentrale Begriffe nicht eigenständig anwenden. Die KI-gestützte Phase war produktiv, aber nicht im erwarteten Mass lernwirksam.

Eine Fachschaft begeistert sich für ein neues offenes Lehrformat. Die Klassen empfinden es als angenehm und beteiligen sich aktiv. Eine spätere Vergleichsprüfung mit einer Parallelklasse, die traditionell unterrichtet wurde, zeigt jedoch keine Lernunterschiede — die Begeisterung war kein Lernwirksamkeits-Indikator.

• Lernwirksamkeit lasse sich am unmittelbaren Lernerfolg messen — etwa an einer Wochenklausur. Tatsächlich ist Performance unmittelbar nach dem Üben oft hoch, ohne dass dauerhaftes Lernen entstanden ist (Bjork: 'desirable difficulties' senken kurzfristige Performance und steigern langfristiges Lernen).
• Hohe Effektstärken (z. B. aus Hatties Liste) seien Beweise lernwirksamer Praxis. Effektstärken sind Orientierung, ihre Höhe ist stark vom Kontext, der Stichprobe und der Operationalisierung abhängig — sie sind keine Wirkungsgarantie und ersetzen nicht die Frage nach den konkreten Bedingungen.

Aktivität: Aktivität bezeichnet sichtbare Beschäftigung im Unterricht. Lernwirksamkeit bezeichnet den belegbaren Lernertrag. Hohe Aktivität ohne Lernwirksamkeit ist möglich; das eine garantiert das andere nicht.

Zufriedenheit: Die Zufriedenheit der Lernenden mit einer Lektion misst ihr Wohlfühlen, nicht ihren Lernzuwachs. Empirisch korrelieren beide oft nur schwach; Zufriedenheit ist kein Wirksamkeitsindikator.

• Woran würde ich in einem halben Jahr erkennen, dass meine aktuell laufende Unterrichtseinheit tatsächlich lernwirksam war?
• Welche meiner didaktischen Lieblingsformen würde einer ernsten Lernwirksamkeits-Prüfung standhalten — und welche eher nicht?
• An welcher Stelle verwechsle ich gerade Aktivität, Zufriedenheit oder Methodenvielfalt mit tatsächlichem Lernertrag?

Welche didaktische Entscheidung deiner letzten Wochen wäre dieselbe geblieben, wenn die Lernwirksamkeits-Frage strenger gestellt worden wäre — und welche nicht?

Lernwirksamkeit bedeutet: Hat ein Unterricht wirklich etwas bewirkt — auch noch in einigen Wochen, in einer anderen Situation? Es geht nicht darum, ob die Stunde schön war oder ob viel passiert ist. Es geht darum, ob die Lernenden danach mehr verstehen und können.

Wer begründetes Urteilen lernen soll, muss im Unterricht urteilen und in der Beurteilung Gründe abwägen dürfen. Eine Prüfung, die nur Begriffe abfragt, würde dieses Ziel verfehlen. Die Abstimmung betrifft deshalb die verlangte Denkhandlung, nicht nur ein gemeinsames Thema.

John Biggs verbindet konstruktivistische Lernannahmen mit der Abstimmung von Lehrplanung und Beurteilung. Der Ansatz stammt aus der Hochschuldidaktik; die Übertragung auf Schule ist eine Planungsentscheidung.

Die Klasse soll zwei Erklärungen beurteilen. Sie übt den Vergleich mit fachlichen Kriterien; die Lernkontrolle verlangt anschliessend einen begründeten Vergleich neuer Erklärungen.

• Abstimmung bedeutet nicht, nur genau die spätere Prüfungsaufgabe einzuüben.

• Fordern mein Lernziel, meine Aufgabe und mein Leistungsnachweis dieselbe Denkhandlung?

Neue Informationen müssen verarbeitet und mit Vorwissen verbunden werden. Unübersichtliche Materialien und unnötige Zusatzaufgaben können diese Verarbeitung erschweren. Entlastung ist sinnvoll, wenn sie Raum für den fachlich wichtigen Denkprozess schafft; völlige Mühelosigkeit ist kein Lernziel.

Die Cognitive Load Theory untersucht die Bedingungen, unter denen begrenzte Verarbeitungskapazität für Lernen genutzt werden kann. Die Passung hängt wesentlich vom Vorwissen ab.

Eine Aufgabe und ihre benötigten Informationen stehen zusammen. Hilfen erklären jeweils nur den nächsten fachlich entscheidenden Schritt.

• Kognitive Belastung reduzieren bedeutet nicht, jede fachliche Herausforderung zu entfernen.

• Welche Anstrengung gehört zum Lernziel, welche entsteht nur durch die Darstellung?

Sich an eine Erklärung, einen Zusammenhang oder einen Lösungsweg zu erinnern, ist selbst eine Lernaktivität. Es geht nicht nur darum, einen Wissensstand zu messen. Rückmeldung hilft anschliessend, Lücken und Fehler zu bearbeiten. Der Abruf darf kurz, unbenotet und fehlerfreundlich sein.

Die Forschungsübersicht von Dunlosky und Kollegen bewertet Practice Testing als breit nützliche Lerntechnik. Daraus folgt keine pauschale Wirksamkeitszusage für beliebige KI-Quizze.

Zu Beginn der nächsten Lektion erklären die Lernenden einen zentralen Zusammenhang ohne Unterlagen und vergleichen danach mit einer verlässlichen Referenz.

• Wiedererkennen beim Lesen ist nicht dasselbe wie selbstständiges Abrufen.

• Wann müssen die Lernenden Wissen selbst hervorholen, bevor sie die Erklärung wieder sehen?

Ein Inhalt wird nach einer Pause erneut bearbeitet. So zeigt sich auch, was ohne den unmittelbaren Kontext noch verfügbar ist. Sinnvolle Abstände hängen von Inhalt, Vorwissen und dem Zeitraum ab, über den das Gelernte behalten werden soll.

Distributed Practice gehört in der Übersicht von Dunlosky und Kollegen zu den besonders nützlichen Lerntechniken. Behalten und Transfer sind dennoch unterschiedliche Ziele.

Ein bereits behandeltes Konzept taucht später in einer kurzen Abruffrage und danach in einer veränderten Anwendung wieder auf.

• Es gibt keinen universellen optimalen Zeitplan für alle Inhalte und Lernenden.

• Wo begegnet der zentrale Lerngegenstand nach einer Pause erneut?

Gerade bei wenig Vorwissen kann ein passendes Beispiel Orientierung geben. Lernende sollen die Schritte erklären und anschliessend zunehmend selbst übernehmen. Mit wachsender Sicherheit werden Hilfen zurückgenommen; dieses schrittweise Ausblenden wird Fading genannt.

Die Forschung zur kognitiven Belastung begründet den Einsatz von Beispielen besonders bei neuen Inhalten. Ihr Nutzen hängt vom Lernstand ab.

Nach einem kommentierten Beispiel bearbeitet die Klasse ein Beispiel mit fehlendem Schritt und später eine neue Aufgabe ohne Vorlage.

• Ein Lösungsbeispiel bloss zu lesen ist noch kein Nachweis, dass man den Weg selbst erklären kann.

• Welche Schritte können die Lernenden schon selbst übernehmen?

Barrieren werden möglichst schon im Lernangebot berücksichtigt. Verschiedene Darstellungen oder Antwortformate sollen Zugang zum gleichen anspruchsvollen Lernziel eröffnen. Welche Varianten sinnvoll sind, hängt davon ab, was genau gelernt und gezeigt werden soll.

CAST beschreibt UDL in den Guidelines 3.0 als Gestaltungsrahmen. Der Rahmen ist kein Wirksamkeitsbeleg für jedes daraus abgeleitete KI-Angebot.

Ein fachlicher Zusammenhang wird zusätzlich visuell und sprachlich zugänglich gemacht. Für eine Begründung stehen geeignete mündliche oder schriftliche Formen zur Verfügung, sofern das Lernziel dies zulässt.

• UDL ist weder eine Einteilung in feste Lerntypen noch eine Absenkung der Lernziele.

• Welche Barriere kann ich entfernen, ohne die angestrebte Denkhandlung zu ersetzen?

Eine Darstellung kann sachlich plausibel wirken und trotzdem bestimmte Perspektiven ausblenden. Fairness verlangt deshalb mehr als die Prüfung einzelner Fakten. Auch Kriterien, Zugangsmöglichkeiten und mögliche Benachteiligungen müssen betrachtet werden.

Der UNESCO-Kompetenzrahmen ordnet ethische Reflexion und verantwortliche Gestaltung der KI-Bildung zu. Die Unterrichtsanwendung hier ist eine didaktische Ableitung.

Lernende vergleichen mehrere Darstellungen derselben Situation und begründen anhand expliziter Kriterien, welche Zuschreibungen oder Leerstellen sie erkennen.

• Fairness ist nicht allein durch einen Prompt wie «Antworte neutral» gesichert.

• Wessen Perspektive fehlt, und wer könnte durch diese Entscheidung benachteiligt werden?

Wer zwischen Vorschlägen wählen darf, ist noch nicht automatisch selbstbestimmt. Dazu gehören verständliche Optionen, Wissen um Grenzen und die Möglichkeit, eine Empfehlung zurückzuweisen. Im Unterricht braucht diese Fähigkeit Gelegenheit zur Übung.

Human Agency ist Bestandteil der menschenzentrierten Dimension des UNESCO-Kompetenzrahmens für Lernende. Hier wird sie auf Unterrichtsentscheidungen bezogen.

Zu einem KI-Vorschlag dokumentieren Lernende ihre eigene Entscheidung samt fachlicher Begründung und prüfen eine Alternative.

• Ein abschliessender Klick auf «Übernehmen» beweist noch keine selbstständige Entscheidung.

• Welche Entscheidung treffen die Lernenden tatsächlich selbst?

Eine verständliche Erklärung kann das Gefühl erzeugen, einen Inhalt bereits zu beherrschen. Erst ein eigener Versuch ohne die Erklärung zeigt, welche Schritte wirklich verfügbar sind. Selbsteinschätzung und Leistung können anschliessend gezielt verglichen werden.

Koriat und Bjork untersuchten Kompetenzillusionen in einer Gedächtnisaufgabe. Die Übertragung auf das Lesen von KI-Antworten ist eine didaktische Folgerung, kein direkter Befund dieser Studie.

Lernende schätzen ihre Sicherheit ein, beantworten eine Frage ohne Hilfen und vergleichen die Einschätzung mit ihrer begründeten Lösung.

• Hohe subjektive Sicherheit ist kein verlässlicher Beleg für tiefes Verständnis.

• Woran erkenne ich den Unterschied zwischen «leuchtet mir ein» und «kann ich selbst»?

Aus einer guten Abgabe folgt nicht für jedes Lernziel dieselbe Aussage. Wer Sprachrichtigkeit beurteilt, erfasst etwas anderes als fachliches Urteilen. Aufgaben, Hilfsmittel und Kriterien müssen deshalb die gewünschte Interpretation ermöglichen.

Die Standards von AERA, APA und NCME beziehen Validität auf beabsichtigte Interpretationen und Nutzungen von Ergebnissen. Die Anwendung auf KI-Abgaben ist eine fachliche Übertragung.

Die Klasse kennt Ziel, Kriterien und erlaubte Hilfen. Eine kurze zusätzliche Erklärung prüft genau die fachliche Entscheidung, auf die es ankommt.

• Ein formal einheitliches oder streng kontrolliertes Verfahren ist nicht automatisch für jedes Lernziel valide.

• Welche Aussage über das Können darf ich aus diesem Nachweis tatsächlich ableiten?

Vor der Wahl eines KI-Werkzeugs wird geklärt, welcher Teil einer Aufgabe das Lernen trägt. Das kann beispielsweise das Entwickeln einer Begründung oder das Prüfen einer Erklärung sein. Die übrige Unterstützung wird daran ausgerichtet.

Eigenes didaktisches Modell von Lucca Spohn. Forschungsbezüge, praktische Anwendung und Nachweis einer Wirkung sind auseinanderzuhalten.

Bei einer Vergleichsaufgabe liefert KI eine alternative Erklärung; die Lernenden entwickeln und verantworten den Vergleich selbst.

• Der Denk-Kern ist kein Messinstrument und kein eigenständig empirisch validierter Wirkungsnachweis.

• Was darf hier nicht delegiert werden, weil genau darin das Lernen steckt?

Ein eigener Versuch und Kriterien gehen dem KI-Kontakt voraus. Anschliessend vergleichen die Lernenden, entscheiden begründet und bearbeiten eine neue Anwendung. Die Phasen machen zentrale Entscheidungen der Unterrichtsplanung sichtbar.

Eigenes Planungsmodell von Digitales Pausenbrot. Es strukturiert Unterricht; es ersetzt keinen empirischen Nachweis seiner Wirkung.

Lernende formulieren eine Erklärung, klären Prüfkriterien, vergleichen sie mit einem KI-Vorschlag und begründen ihre Überarbeitung. Danach erklären sie einen neuen Fall eigenständig.

• Das Durchlaufen der sechs Phasen garantiert weder Verstehen noch Lernwirksamkeit.

• Was zeigt der Transfer über das Können ohne KI?