Vom Datenberg zur adaptiven Lehre – Mit KI Lernszenarien entwerfen, ohne die Verantwortung abzugeben

Warum wir nicht mehr über „KI in der Lehre“ reden sollten – sondern über „Lehre mit KI“

Die Diskussion um KI in der Bildung wird oft von zwei Extremen dominiert: Einerseits wird sie als Allheilmittel dargestellt, das die Lehre revolutionieren soll, andererseits als Bedrohung wahrgenommen, die menschliche Expertise überflüssig macht. Doch die eigentliche Frage lautet: Wie können wir KI so einsetzen, dass sie uns hilft, bessere pädagogische Entscheidungen zu treffen – ohne dabei die Verantwortung aus der Hand zu geben?

Genau hier setzt unser neuer Use Case „KI-gestützte Entwicklung von Lernszenarien“ an. Er zeigt, wie Lehrende die Technologie als „Didactic Design Assistant“ nutzen können, um datenbasierte und prinzipiengeleitete Lernszenarien zu entwerfen. Die KI greift dabei auf die bereits ausgewerteten Lernbedarfe aus dem vorherigen Use Case zurück und übersetzt diese in konkrete, umsetzbare Entwürfe – immer unter der Prämisse, dass die pädagogische Verantwortung beim Menschen bleibt.

„If content is ubiquitous, the value of face-to-face teaching shifts from information transmission to context creation – spaces where knowledge transforms into competence through interaction, reflection, and application“

(aus: Eynon, B. (2023). „Redefining the Classroom: AI as a Catalyst for Pedagogical Innovation.“ Journal of Digital Learning, 12(3), 45–61).

2. Wie die KI zum „Didactic Design Assistant“ wird

Die KI übernimmt in diesem Prozess eine zentrale Rolle als Vermittlerin zwischen Daten und Didaktik. Während sie im ersten Use Case vor allem dazu diente, Lernbedarfe sichtbar zu machen, geht es nun darum, diese Erkenntnisse in praktische Lehrszenarien zu übersetzen. Die KI agiert dabei nicht als Entscheiderin, sondern als Werkzeug, das Optionen aufzeigt – immer basierend auf den vorhandenen Daten der Lernbedarfsanalyse und dem Teaching Statement der Lehrkraft. Sie bildet in diesem Fall also ein weiteres Mitglied unsers KI-Teams.

Ein zentraler Aspekt ist, dass die KI keine generischen Lösungen liefert, sondern kontextspezifische Vorschläge, die sowohl die pädagogischen Prinzipien der Lehrkraft als auch die Bedarfe der Lerngruppe berücksichtigen. Wenn eine Lehrkraft beispielsweise in ihrem Teaching Statement den Fokus auf „strukturierte Interaktion“ legt, schlägt die KI Methoden vor, die diese Prinzipien mit den ermittelten Lernbedarfen verbinden. Das kann etwa bedeuten, dass sie kreative Lösungen für statische Klassenzimmer entwickelt – etwa durch die Umgestaltung fester Tischanordnungen in dynamische Lernzonen mithilfe von Bodenmarkierungen oder einfachen Hilfsmitteln, ohne dass teure Umbauten nötig sind.

Für Lehrkräfte, die in ihrem Teaching Statement „adaptive Lernpfade“ betonen, entwirft die KI Szenarien, die individuelle Vertiefungsmöglichkeiten mit gruppenbasierten Lernphasen verbinden. So entsteht ein ausgewogenes Lernerlebnis, das sowohl den Bedürfnissen der Einzelnen als auch den Zielen der Gruppe gerecht wird. Die KI zeigt dabei nicht nur eine einzige Lösung auf, sondern bietet mehrere Varianten, die die Lehrkraft kritisch prüfen und anpassen kann.

3. Warum dieser Ansatz die Lehre stärkt – ohne sie zu ersetzen

Der größte Vorteil dieses Ansatzes liegt darin, dass die KI keine fertigen Lösungen vorgibt, sondern Entwürfe zum Abwägen und Weiterentwickeln. Dadurch entsteht eine Kohärenz zwischen pädagogischen Prinzipien und Lernbedarfen, die ohne Kompromisse auskommt. Statt sich zwischen eigenen Überzeugungen und den Bedürfnissen der Lerngruppe entscheiden zu müssen, erhält die Lehrkraft datenbasierte Synergien, die beides verbinden.

Ein weiterer Vorteil ist die Praktikabilität: Selbst in statischen Räumen, die eigentlich für Frontalunterricht ausgelegt sind, schlägt die KI umsetzbare Lösungen vor. Durch einfache Anpassungen – wie das Umstellen von Tischen oder das Nutzen von Bodenmarkierungen – lassen sich auch klassische Klassenzimmer in dynamische Lernumgebungen verwandeln. Die KI berücksichtigt dabei stets die räumlichen und materiellen Gegebenheiten und zeigt auf, wie Methoden wie „World Café“ oder „Gruppenpuzzle“ auch unter begrenzten Bedingungen funktionieren können.

Die Zeiteffizienz dieses Ansatzes liegt darin, dass die KI die „Übersetzungsarbeit“ zwischen abstrakten Daten und konkreter Didaktik übernimmt. Lehrende sparen Zeit, die sie sonst in das manuelle Abwägen von Optionen investieren müssten, und können sich stattdessen auf die qualitative Bewertung der Entwürfe konzentrieren. Die KI liefert dabei nicht nur eine Variante, sondern mehrere Optionen, die die Lehrkraft vergleichen, kombinieren oder weiterentwickeln kann.

Doch dieser Ansatz hat auch Grenzen, die bewusste Reflexion erfordern. Die Qualität der Vorschläge hängt maßgeblich von der Präzision der Grundlagendokumente ab: Ein unklar formuliertes Teaching Statement oder eine lückenhafte Lernbedarfsanalyse führen zu weniger präzisen Entwürfen. Zudem kann die KI keine physischen Räume verändern – hier liegt die Kreativität in der Anpassung der Methoden an die gegebenen Bedingungen. Da sich Lernbedarfe im Laufe eines Semesters weiterentwickeln, wäre ein laufendes Feedback ideal, um die Planung agil anzupassen und auf Veränderungen zu reagieren.

4. Die zentrale Botschaft: KI als Werkzeug, nicht als Entscheider

Unser Use Case macht deutlich: KI kann Lernszenarien entwerfen – doch die pädagogische Verantwortung bleibt beim Menschen. Die Technologie zeigt Möglichkeiten auf, doch die Entscheidung trifft die Lehrkraft – basierend auf Erfahrung, Prinzipien und dem Bewusstsein für den konkreten Kontext.