Glossar KI-Didaktik

Direkt zu einem Begriff:

Didaktik & Lernen

Kernbegriffe aus Lernpsychologie, Unterrichtsforschung und evidenzbasierter Didaktik, die den Einsatz von KI im Lernprozess strukturieren.

Assessment for Learning

Formatives Prüfen, das Lernen sichtbar macht und Rückmeldungen zur Steuerung des weiteren Lernprozesses nutzt, statt nur Ergebnisse zu messen. Gegenpol: Assessment of Learning (summativ). → Modul Assessment

Aufgabenformat

Strukturelle Anlage einer Lernaufgabe (offen, geschlossen, produktiv, reproduktiv). Das Format entscheidet, ob KI-Einsatz Eigenleistung ersetzt oder ergänzt. → Interventionen

Differenzierung

Anpassung von Inhalten, Methoden und Anforderungen an unterschiedliche Lernvoraussetzungen innerhalb einer Lerngruppe. KI kann Differenzierung operativ erleichtern, ersetzt aber nicht die pädagogische Entscheidung, was differenziert werden soll. → Kurs Differenzierung

Eigenleistung

Der Anteil eines Lernergebnisses, der auf die denkende, verarbeitende und konstruierende Tätigkeit der Lernenden selbst zurückgeht – im Gegensatz zu KI-generierten oder kopierten Anteilen. Prüfungsrechtlich und didaktisch der entscheidende Bezugsgröße.

Faded Scaffolding

Schrittweises Zurücknehmen der KI-Unterstützung, damit Lernende zunehmend eigenständig arbeiten und Kompetenz aufbauen. Umsetzung von Scaffolding mit explizitem Abbau-Plan.

Generativitätsgrad

Ausmaß, in dem eine Lernaufgabe eigenständige kognitive Konstruktion erfordert versus reproduktive Wiedergabe erlaubt. Hoher Generativitätsgrad schützt Lernprozesse vor trivialem KI-Outsourcing.

Kognitive Last

Beanspruchung des Arbeitsgedächtnisses beim Lernen. Zu hohe Last blockiert Lernen; zu niedrige (durch Offloading an KI) verhindert Aufbau von Langzeitgedächtnis. Quelle: Sweller, Cognitive Load Theory.

Kognitive Souveränität

Die Fähigkeit von Lernenden, KI als Werkzeug zu nutzen und dabei für Verstehen, Bewertung und Verantwortung selbst handlungsfähig zu bleiben. Leitbegriff der KI-Didaktik. → Modell A

Kognitives Offloading

Auslagerung kognitiver Tätigkeit auf externe Werkzeuge oder KI. Produktiv, wenn das Arbeitsgedächtnis gezielt entlastet wird; unproduktiv, wenn der Aufbau eigener Konzepte unterbleibt. → Blog-Artikel

Kompetenz

Im Lehrplan 21 die Verbindung von Wissen, Können und Bereitschaft, mit der Lernende in konkreten Situationen handeln. Kompetenzen werden in Kompetenzstufen beschrieben und über die Zyklen 1–3 aufgebaut. → Modul Kompetenzen

Lehrplan 21

Gemeinsamer Lehrplan der 21 deutsch- und mehrsprachigen Kantone der Schweiz. Strukturiert Bildungsziele in drei Zyklen, Fachbereiche und Module – darunter das Modul „Medien und Informatik".

Lernwirksamkeit

Empirisch feststellbarer Einfluss einer didaktischen Maßnahme auf den Lernzuwachs. In der Hattie-Metaanalytik ab Effektstärke d ≥ 0.40 als bedeutsam gewertet.

Metakognition

Denken über das eigene Denken: Planen, Überwachen und Bewerten des eigenen Lernprozesses. Zentrale Voraussetzung, um KI-Einsatz reflektiert zu steuern und Halluzinationen zu erkennen.

Scaffolding

Temporäres Lerngerüst, das Lernenden hilft, Anforderungen knapp über ihrem aktuellen Stand zu bewältigen. Wird mit wachsender Kompetenz gezielt abgebaut (siehe Faded Scaffolding).

Transfer

Übertragung gelernten Wissens auf neue, strukturell ähnliche Kontexte. Nachhaltiges Lernen zeigt sich erst im Transfer – nicht in der reinen Reproduktion im Original-Kontext.

KI-Technik

Fachbegriffe aus dem Entwicklungs- und Betriebskontext generativer KI – verständlich formuliert, damit Lehrpersonen, Schulleitungen und IT ohne Übersetzung miteinander reden können.

Agent

KI-System, das eigenständig Ziele verfolgt, Werkzeuge nutzt und mehrschrittige Aufgaben ausführt – mit oder ohne Human-in-the-Loop. Beispiele: Claude Computer Use, OpenAI Operator, Gemini Agents. → Modul KI-Agenten

Embedding

Numerische Vektorrepräsentation von Text, Bild oder Audio, in der semantisch ähnliche Inhalte räumlich nah beieinander liegen. Grundlage für Suche und Retrieval Augmented Generation.

Fine-Tuning

Nachtraining eines vortrainierten Modells auf domänenspezifische Daten zur Anpassung an Ton, Fachsprache oder Aufgabentyp. Für Schulen selten nötig – System-Prompts und RAG reichen meist aus.

Halluzination

Plausibel klingende, aber faktisch falsche oder erfundene Ausgabe eines Sprachmodells. Entsteht, weil LLMs statistische Sprachmuster fortschreiben, nicht Wahrheit prüfen. → Blog-Artikel

Human-in-the-Loop

Prinzip, dass bei KI-Agenten oder automatisierten Entscheidungen immer ein Mensch Aufsicht, Kontrolle und finale Entscheidungsverantwortung behält.

Kontextfenster

Maximale Menge an Tokens (Text, Bild, Code), die ein Modell gleichzeitig verarbeitet. Aktuelle Frontier-Modelle reichen bis etwa eine Million Token.

LLM

Large Language Model – großes Sprachmodell, das durch Training auf enormen Textmengen Wahrscheinlichkeiten für Wortfolgen lernt und daraus Sprache generiert. Kern aller heute verbreiteten KI-Assistenten.

MCP (Model Context Protocol)

Offener Standard von Anthropic (November 2024) zur Anbindung von Daten und Werkzeugen an KI-Anwendungen. Vereinheitlicht, wie Modelle auf Ressourcen, Werkzeuge und Prompts zugreifen – vergleichbar mit USB-C für KI-Integrationen.

Multimodalität

Fähigkeit eines KI-Modells, mehrere Eingabe- und Ausgabekanäle gleichzeitig zu verarbeiten: Text, Bild, Audio, Video. Eröffnet im Unterricht Szenarien wie Präsentations-Feedback oder Skizzen-Kommentierung.

Prompt

Natürlichsprachliche Anweisung an ein KI-Modell. Qualität und Präzision des Prompts bestimmen wesentlich die Qualität der Antwort. → Prompt-Baukasten

RAG (Retrieval Augmented Generation)

Verfahren, bei dem ein LLM vor der Antwortgenerierung relevante Dokumente abruft und als Kontext einbezieht. Reduziert Halluzinationen und erlaubt aktuelle, überprüfbare Quellen.

Reasoning-Modell

LLM-Klasse, die vor der Antwort einen expliziten Denkschritt durchläuft (Chain-of-Thought, Test-Time-Compute). Beispiele: OpenAI o-Serie, Claude mit Extended Thinking, Gemini Thinking. Höhere Genauigkeit bei komplexen Aufgaben, dafür langsamer und teurer.

System-Prompt

Persistente, dem Nutzer meist unsichtbare Anweisung, die Rolle, Grenzen und Verhalten eines KI-Assistenten festlegt. Zentrales Steuerungsinstrument beim Bau eigener schulischer Assistenten.

Temperatur

Sampling-Parameter, der die Zufälligkeit der Ausgabe steuert. Niedrig (z. B. 0.2) = deterministisch und wiederholbar; hoch (z. B. 1.0) = kreativ und variabel.

Tokenisierung

Zerlegung von Text in Token (Wortstämme, Zeichenfolgen). Ein deutsches Wort umfasst im Schnitt 2–3 Token; Kontextfenster und Kosten werden in Token gemessen.

Verifikation

Systematisches Prüfen einer KI-Ausgabe auf Richtigkeit, Quellenlage und Anwendbarkeit im konkreten Kontext. Zentrale Kompetenz im KI-gestützten Lernen und Arbeiten.

Vibe Coding

KI-gestütztes Programmieren, bei dem Lernende natürlichsprachliche Prompts nutzen, um Code generieren zu lassen – mit didaktischer Begleitung von Verstehen, Debugging und fairer Bewertung. → Modul Vibe Coding

Governance & Recht

Die rechtlich und organisatorisch tragenden Begriffe für KI-Einsatz in Schulen – mit Bezug auf EU AI Act, nDSG und schulische Governance.

Auftragsbearbeitung

Bearbeitung von Personendaten durch einen Dienstleister im Auftrag und nach Weisung des Verantwortlichen. Im nDSG geregelt; erfordert vertragliche Absicherung (Auftragsbearbeitungsvertrag) und Nachweis angemessener Datensicherheit.

DSGVO

Datenschutz-Grundverordnung der EU (seit 2018). Setzt Maßstäbe für Personendatenverarbeitung; für Schulen in DE/AT unmittelbar anwendbar, in der Schweiz indirekt über das nDSG referenziert.

EU AI Act

Verordnung (EU) 2024/1689 zur Regulierung künstlicher Intelligenz. Stuft KI-Systeme nach Risiko ein (verboten, hoch, begrenzt, minimal) und verpflichtet Anbieter und Betreiber entlang dieser Klassifikation. Kernbestimmungen zu Hochrisiko-KI treten August 2026 in Kraft.

GPAI (General Purpose AI Model)

KI-Modell mit allgemeinem Einsatzzweck (z. B. GPT, Claude, Gemini), das durch Selbstüberwachung auf großen Datenmengen trainiert wurde und in vielfältige Anwendungen integrierbar ist. Der EU AI Act definiert eigene Transparenz- und Dokumentationspflichten für GPAI.

Hochrisiko-KI-System

Im EU AI Act definierte Kategorie (Art. 6, Anhang III). Umfasst unter anderem KI im Bildungsbereich zur Bewertung von Lernergebnissen oder zur Steuerung des Zugangs zu Bildungseinrichtungen. Unterliegt Konformitäts-, Dokumentations- und Aufsichtspflichten.

nDSG

Revidiertes Schweizer Datenschutzgesetz (in Kraft seit 1.9.2023). Regelt die Datenbearbeitung durch Private und Bundesorgane. Für kantonale Schulen gelten kantonale Datenschutzgesetze, die das nDSG inhaltlich weitgehend spiegeln.

Policy

Schriftlich verbindliche Richtlinie einer Schule oder eines Trägers zum KI-Einsatz. Regelt Zwecke, zulässige Werkzeuge, Rollen, Datenflüsse sowie Prüfungs- und Transparenzpflichten. → Modul Policy

RACI

Verantwortlichkeitsmatrix: Responsible (führt aus), Accountable (entscheidet/verantwortet), Consulted (wird beigezogen), Informed (wird informiert). Klärt in Governance-Prozessen eindeutig, wer welche Rolle trägt.

Red-Team

Strukturierte, adversariale Prüfung eines Systems oder einer Richtlinie. Ein Team simuliert Angreifer oder Fehlnutzung, um Schwachstellen vor dem produktiven Einsatz zu finden. → Blog-Artikel

Risikoklasse

Einordnung eines KI-Systems im EU AI Act in eine von vier Stufen: verboten, Hochrisiko, begrenztes Risiko (mit Transparenzpflicht), minimales Risiko (keine besonderen Pflichten).

Tool-Registry

Schulinternes Verzeichnis zugelassener, geprüfter und gegebenenfalls abgelehnter KI-Werkzeuge. Enthält je Werkzeug Datenschutzstatus, Zweck, Geltungsbereich der Freigabe und eine Ansprechperson.

Transparenzpflicht

Pflicht, Nutzerinnen und Nutzer klar darüber zu informieren, dass sie mit einem KI-System interagieren oder dass Inhalte KI-generiert sind (EU AI Act Art. 50; für GPAI zusätzliche Dokumentationspflichten).

Verbotene KI-Praktiken

Vom EU AI Act in Art. 5 untersagte Anwendungen: u. a. Social Scoring, manipulative Verhaltensbeeinflussung vulnerabler Gruppen, Emotionserkennung am Arbeitsplatz und in Bildungseinrichtungen (mit engen Ausnahmen). Für Schulen unmittelbar relevant.

Unterricht & Schule

Begriffe, die im schulischen Alltag trennscharf verwendet werden müssen – von Nachweispflicht bis Bring-Your-Own-AI.

3-Schichten-Modell

Architekturrahmen für schulische KI-Infrastruktur: Basisinfrastruktur (Identität, Netz, Speicher), Plattformsteuerung (Zugriff, Datenfluss, Monitoring) und pädagogische KI-Anwendung. → Modell C

Anwendungskompetenzen

Querschnittskompetenzen im Lehrplan 21 für den alltagstauglichen Umgang mit digitalen Werkzeugen: Handhabung, Recherche und Lernunterstützung, Produktion und Präsentation. Keine eigenen Lektionen, sondern integriert in alle Fächer.

Bring-Your-Own-AI

Szenario, in dem Lernende eigene KI-Zugänge (privates ChatGPT, Gemini etc.) mitbringen. Erhöht Zugangsgerechtigkeit, stellt die Schule aber vor Regelungs-, Prüfungs- und Datenschutzfragen.

Medien und Informatik

Modul des Lehrplans 21 mit drei Kompetenzbereichen: Medien (kritisch-kreativer Umgang), Informatik (Daten, Algorithmen, Informatiksysteme) und Anwendungskompetenzen. Verbindlich ab Zyklus 2.

Nachweispflicht

Pflicht der Lernenden, Eigenleistung und KI-Nutzung so zu dokumentieren, dass eine Lehrperson Urheberschaft und Lernprozess rekonstruieren kann. Grundlage für faire Bewertung.

Nutzungsvereinbarung

Schriftliches Regelwerk zwischen Schule, Lernenden und gegebenenfalls Erziehungsberechtigten, das Zwecke, Grenzen und Verantwortlichkeiten des KI-Einsatzes festlegt. Ergänzt, ersetzt aber nicht die übergeordnete Policy. → Muster-Nutzungsvereinbarung

Prüfungsrecht

Rechtsgebiet, das Form, Fairness, Chancengleichheit und Rechtsmittel bei schulischen Leistungserhebungen regelt. KI-Einsatz berührt insbesondere Eigenleistungs- und Täuschungsnormen.

Quadranten-Canvas

Strategisches Werkzeug zur Einordnung von KI-Tools entlang zweier Achsen: pädagogische Handlungsfähigkeit und institutionelle Souveränität. Bestandteil von Modell C.

Transparenz-Protokoll

Dokumentationsformat, in dem Lernende ihre KI-Nutzung, Eigenleistung und Reflexion systematisch offenlegen – als Grundlage für Bewertung und metakognitives Lernen.

Zitieren von KI

Kennzeichnung KI-generierter oder KI-unterstützter Inhalte in schulischen Arbeiten. Empfohlen: Werkzeug, Version, Datum, Prompt und Art der Verwendung nennen – vergleichbar mit anderen Quellenangaben. → Zitierleitfaden

Primärquellen

Die Definitionen oben stützen sich auf folgende amtliche und fachlich etablierte Quellen. Einzelne Einträge verweisen zusätzlich direkt auf Artikel oder Abschnitte.

Weiterführend