Wirtschaftspädagogik in Österreich 2025

1 Einleitung

Aufgrund der großen Dynamik und Komplexität der Entwicklungen rund um Künstliche Intelligenz (KI) sind auch Universitäten gefordert, sich in Forschung und Lehre mit KI zu beschäftigen. Dabei gilt es, sich nicht nur mit den Vorteilen und Potenzialen, sondern auch mit den Grenzen und Risiken intensiv auseinanderzusetzen. Bei der Implementation in die Hochschullehre stellt sich sowohl für Lehrende als auch für Lernende die Frage, wie die Arbeit und der kritische Umgang mit KI-Technologien sinnvoll und verantwortungsvoll gestaltet werden können. Mit Blick auf den Bildungsbereich reichen für Gerholz (2024, S. 35) die KI-Entwicklungen vom New Kid on the Block bis zu Täglich grüßt das Murmeltier. Denn obwohl die wissenschaftlichen Anfänge von KI bis in die 1950er Jahre zurückreichen, wurde erst durch die Veröffentlichung von ChatGPT ein New Kid von der breiten Bevölkerung wahrgenommen. In der Bildung ist jedoch jede neue Technologie eine Art Täglich grüßt das Murmeltier-Aufgabe und es ist zu prüfen, welche Potenziale und Herausforderungen sich durch die KI auftun und inwieweit eine Verbesserung bei der Gestaltung von Bildungsprozessen möglich ist. Auch wenn (anfängliche) Vorbehalte gegenüber dem Einsatz von KI bestehen, so gilt KI als eine Technologie, die gekommen ist, um zu bleiben. Wie beispielsweise der Artificial Intelligence Index Report 2025 des Stanford Institute for Human-Centered AI unterstreicht, haben die KI-Investitionen 2024, insbesondere in den USA, ein Rekordhoch erreicht und die Gesamtinvestitionen haben sich im letzten Jahrzehnt mehr als verdreizehnfacht (HAI, 2025, S. 217). Erwartet wird zudem, dass der KI-Bildungsmarkt noch beträchtlich wachsen wird und es daher eine breite Förderung von KI-Kompetenzen, insbesondere eine kritische Auseinandersetzung mit KI-Technologien braucht – sowohl bei den Lehrenden als auch bei den Lernenden (HAI, 2025, S. 217, 366, 378).

Ein Literaturreview über den Forschungsstand zum Einsatz von KI-Tools an deutschen und österreichischen Schulen zeigt, dass KI sowohl als Bereicherung (z. B. für die Unterstützung von Lehr-Lern-Prozessen) als auch als Gefahr (z. B. für die Kreativität der Lernenden, in Bezug auf Datenschutz und ethische Aspekte) wahrgenommen wird (Helm & Große, 2024, S. 373–374). Die Daten einer öbv-Befragung von 334 Lehrkräften aus 2023 belegen, dass die KI-Nutzung an österreichischen Schulen sehr differenziert – nach persönlicher Erfahrung mit KI, nach Schultyp und Fachgebiet – erfolgt. Demnach setzen Lehrkräfte KI-Tools im Unterricht deutlich wahrscheinlicher ein, wenn sie KI auch privat nutzen, wenn sie an berufsbildenden höheren Schulen tätig sind und wenn sie Fremdsprachen und/oder Mathematik unterrichten. Aufgrund der Herausforderungen rund um KI und der bisher sehr facettenreichen und heterogenen Nutzung an den Schulen werden von den Befragten insbesondere zusätzliche Ressourcen, klare Richtlinien, spezifische Fortbildungen für bestehende Lehrkräfte und eine entsprechende Vorbereitung angehender Lehrkräfte gefordert (Helm & Große, 2024, S. 378–380).

Mit Fokus auf die Wirtschaftspädagogik wird diese Forderung der Integration von KI ins Studium im vorliegenden Beitrag aufgegriffen. Ziel des Beitrags ist es, zu zeigen, wie das Lernen mit, über und durch KI anhand der Analyse von Unterrichtsentwürfen gefördert werden kann. In weiterer Folge widmen sich Kapitel 2 und 3 der theoretischen Rahmung und beleuchten den Zusammenhang zwischen Lernen und KI sowie die Potenziale von KI bei der Förderung von Unterrichtsplanungskompetenz. Kapitel 4 ermöglicht einen Einblick in das Forschungsprojekt EDDA und beschreibt, wie die KI-Plattform EDDA und KI-basiertes Feedback für die praktische Umsetzung der Unterrichtsplanung in das Studium der Wirtschaftspädagogik integriert werden können. Dazu werden in Kapitel 5 ausgewählte Forschungsergebnisse aus drei Studien zum Einsatz von EDDA vorgestellt. Abschließend folgen in Kapitel 6 ein Ausblick auf weitere Schritte sowie Schlussfolgerungen für (angehende) Lehrende und den KI-Einsatz in ihrer zukünftigen Unterrichtsgestaltung.

2 Lernen und KI

Im Zuge der Implementierung von KI in die (hochschulische) Lehre kann als allgemeine Zielgröße KI-Kompetenz im Sinne eines souveränen, kritischen und reflektierten Umgangs von Studierenden mit KI angestrebt werden. Im internationalen Raum wird auch von AI-Literacy gesprochen und diese beispielsweise wie folgt definiert: „AI literacy as a set of competencies that enables individuals to critically evaluate AI technologies; communicate and collaborate effectively with AI; and use AI as a tool online, at home, and in the workplace.“ (Long & Magerko, 2020, S. 2) Bei den didaktischen Überlegungen für die Förderung von KI-Literacy bzw. KI-Kompetenz erweist sich ein Rückgriff auf die Medienpädagogik bzw. -didaktik als hilfreich, insbesondere auf Ansätze einer aufgeklärten, handlungsorientierten Medienpädagogik (Kuka et al., 2024, S. 8–9). In diesem Kontext gilt die Konzeption von Medienkompetenz von Baacke (1997) als etabliert, der die vier Dimensionen Medienkritik, Medienkunde, Mediennutzung und Mediengestaltung unterscheidet. Kuka et al. (2024, S. 10–11) stellen als Abwandlung dieses Medienkompetenzmodells von Baacke (1997) folgendes KI-Kompetenzmodell vor:

• KI-Kritik umfasst die Fähigkeit, sich kritisch – auf analytischer, reflexiver und ethischer Ebene – mit KI-Anwendungen und deren Auswirkungen auseinanderzusetzen.
• KI-Kunde erfordert sowohl das Wissen über KI-Systeme, deren Abläufe und Strukturen als auch ein technisches Verständnis für die Handhabung von KI.
• KI-Nutzung meint praktische Fähigkeiten in der Anwendung von KI sowie die interaktive Teilhabe und das Anbieten von KI-Inhalten.
• KI-Gestaltung bezieht sich auf die Fähigkeit, neue Ansätze im Umgang mit KI zu entwickeln sowie KI innovativ und kreativ zu nutzen.

KI-kompetent zu werden, geht folglich über die reine Bedienung von KI hinaus, denn bei den ersten zwei Dimensionen liegt der Fokus auf dem Wissensbereich, d. h. es gilt, KI-Kritik und KI-Kunde in der Lehre zu vermitteln. Hingegen zielen KI-Nutzung und KI-Gestaltung auf die anwendungsorientierte Auseinandersetzung und aktive Erprobung von KI-Technologien ab, um KI selbstbestimmt nutzen und kreativ gestalten zu können (Kuka et al., 2024, S. 10–11). Gefordert wird ein kritisch-partizipativer Ansatz, der die kritische Auseinandersetzung mit algorithmischen Entscheidungsprozessen, die Stärkung sowohl technischer als auch ethischer Kompetenzen sowie die aktive Mitgestaltung der Lernenden bei der Entwicklung von KI-Anwendungen umfasst (Filk & Tramp, 2025, S. 10). Im Zuge der Implementierung von KI in die Lehre bzw. den Unterricht ist folglich zu klären, in welchen Bereichen neue Technologien einerseits als Lerngegenstand bzw. Inhalt im Sinne eines Lernens über digitale Medien und andererseits als Methode im Sinne eines Lernens mit digitalen Medien behandelt werden sollen (Bastian, 2017, S. 152). Dazu spezifiziert Falck (2024a) folgende fünf Dimensionen rund um Lernen und KI:

• Lernen mit KI: interaktives Ausprobieren, wie KI als Werkzeug für das eigene Lernen eingesetzt werden kann, z. B. mit verschiedenen KI Tools, Prompting als Technik
• Lernen über KI: wissen, wie KI funktioniert, um die Ergebnisse einordnen und bewerten zu können, z. B. über Algorithmen, Grenzen (Bias, Halluzinationen) und Konsequenzen
• Lernen durch KI: erfahren, wie KI Lernprozesse unterstützen und individualisieren kann, z. B. durch adaptive Lern-/Assistenzsysteme, KI-basiertes Feedback
• Lernen ohne KI: verstehen, dass bzw. in welchen Bereichen es auf das eigene Handeln ohne digitale Hilfsmittel ankommt, z. B. Persönlichkeitsentwicklung, soziale Prozesse
• Lernen trotz KI: analysieren und diskutieren, wo und warum der Mensch der KI überlegen ist, z. B. kritisches Denken, Empathie, Kollaboration, Kommunikation

Diese fünf Dimensionen bieten nicht nur eine erste Orientierung für den pädagogischen Auftrag von Lehrenden rund um KI, sondern sie können auch als Reflexionsgrundlage bei der Planung von universitären bzw. schulischen Lehr-Lern-Prozessen dienen (Falck, 2024a). Da bei allen Dimensionen des Lernens mit, über, durch, ohne und trotz KI verschiedene Herausforderungen zu bewältigen sind, ist ein differenzierter, verantwortungsvoller und kritischer Umgang mit KI-Technologien nötig. Bei der Unterrichtsplanung sind diesbezüglich die Funktionsweisen, Limitationen und Risken genauso zu diskutieren wie die Vorzüge, Potenziale und der Stellenwert in der Lern- und Arbeitswelt.

3 Förderung von Unterrichtsplanungskompetenz durch KI-basiertes Feedback

Von angehenden Lehrenden wird erwartet, dass sie relevante Kompetenzen schon während des Studiums auf- bzw. ausbauen, um die Kernaufgabe des Gestaltens von Unterricht zu erfüllen. Unterrichtsentwürfe sind dabei ein zentrales Mittel zur Förderung der Fähigkeit der Unterrichtsplanung und sie werden in allen Phasen der Lehrkräftebildung eingesetzt (Aprea et al., 2021, S. 177–180; Söll & Klusmeyer, 2018, S. 79–80). Beim Erstellen der schriftlichen Unterrichtskonzepte bzw. -entwürfe geht es für Studierende vor allem um eine theoretische und praktische Auseinandersetzung mit Planungsprinzipien, didaktischen Grundsätzen und unterrichtlichen Anforderungen, um „eine handlungsvorbereitende und reflektierende Wissensbasis zu schaffen“ (Söll & Klusmeyer, 2018, S. 75). Dabei steht der Wunsch der Studierenden nach elaboriertem Feedback auf ihre didaktisch-methodischen Planungsideen einem großen Betreuungsaufwand bei den Lehrenden gegenüber, insbesondere in der Begleitung von großen Studierendengruppen. Damit sich The Power of Feedback entfalten kann, sollte es sowohl Informationen über die zu erreichenden Ziele und Kriterien (Feed-up), über den aktuellen Stand der Zielerreichung (Feed-back) und über die nächsten Schritte (Feed-forward) enthalten (Hattie & Timperley, 2007, S. 87). Besonders lernförderlich ist Feedback, wenn es eine individuell unterschiedliche Feedbackverarbeitung berücksichtigt und als formative Rückmeldung verstärkt prozessbegleitend eingesetzt wird, sodass die Lernenden das Feedback laufend verarbeiten können (Narciss et al., 2021, 273–274).

Neben dem Feedback von Lehrenden und Peers bieten digitale Technologien bzw. KI neue Spielräume für die Gestaltung und Individualisierung von Feedback-Prozessen. Erste empirische Studien zur Feedback-Qualität von textgenerierenden KI-Systemen zeigen, dass KI-Technologien großes Potenzial bei der Bereitstellung von lernförderlichem Feedback zugeschrieben wird und sie alternativ bzw. ergänzend zu Feedback von Lehrenden eingesetzt werden können (z. B. Zawacki-Richter et al., 2019, S. 17–18; Dai et al., 2024, S. 8–9). Natürlich sind dabei die Stärken und Schwächen dieser Technologien zu beachten. Einerseits sind z. B. die Analyseergebnisse binnen Sekunden verfügbar und diese erzielen beim Einsatz von hochwertigen Prompts gute Ergebnisse, vor allem bei inhalts- bzw. aufgabenbezogenen Kriterien. Andererseits mangelt es noch an einem differenzierten Verständnis für die Bedürfnisse einzelner Lernender, an der Berücksichtigung des soziokulturellen Kontexts sowie an der persönlichen Note in der Interaktion mit den Studierenden. Zudem ist eine hohe Qualität bei den Eingabeaufforderungen bzw. dem Prompting eine notwendige Voraussetzung für zufriedenstellende Ergebnisse, d. h. dass (zukünftige) Lehrende im Einsatz von KI-Technologien versiert sein müssen (Dai et al., 2024, S. 5–9; Jacobsen & Weber, 2025, S. 12–14). Betont wird zudem, dass sich die Rolle der Lehrenden im Kontext der Integration von KI-gestütztem Feedback wandelt. Lehrende sind demnach gefordert, die Studierenden bei der Anwendung des Tools zu unterstützen, vertiefende Informationen bereitzustellen und Fragen zum Feedback zu klären. Zudem obliegt es ihnen, abschließende Bewertungsentscheidungen zu treffen und das Lernen durch das bereitgestellte Feedback zu fördern (Lee & Moore, 2024, S. 98).

Zu berücksichtigen ist dabei, dass Studierende KI-Technologien differenziert bewerten, sie Großteils noch einen geringen Wissensstand über die Funktionsweise von KI-Systemen aufweisen und ihre Nutzungsbereitschaft und Akzeptanz von KI unterschiedlich ausgeprägt ist (Riedel & Kleppsch, 2021, S. 290). Offen ist, inwieweit auch Studierende der Wirtschaftspädagogik das Potential und die Grenzen von KI als Feedback- und Sparingpartner erkennen und wie intensiv sie KI-basiertes Feedback für ihre Kompetenzentwicklung nutzen möchten und können. Dies unterstreicht die Notwendigkeit, KI in die wissenschaftliche Berufsvorbereitung von angehenden Lehrenden zu integrieren, ihnen im Studium eigene Erfahrungen mit verschiedenen Anwendungskontexten zu ermöglichen und eine kritisch-reflexive Auseinandersetzung mit diesen Technologien zu fördern. Gerade Anwendungsszenarien im Bereich der Planung von Unterricht scheinen dafür besonders geeignet, denn die Unterrichtsplanung nimmt eine Schlüsselrolle bei der „Verbreitung von Innovationen ein, […] die sich dann im Unterrichtshandeln von Lehrerinnen und Lehrern und somit im Schulalltag niederschlagen“ (Klusmeyer & Söll, 2021, S. 2).

4 KI-Plattform EDDA

Ausgangspunkt für das gegenständliche Forschungsprojekt war das Interesse zu analysieren, wie eine KI-basierte Lernplattform zur Professionalisierung der Unterrichtsplanungskompetenz von (angehenden) Lehrkräften beitragen kann. Diese Frage wurde an den Wirtschaftspädagogik-Standorten der Universitäten Hamburg, Oldenburg und Graz aufgegriffen und infolgedessen wurde die KI-Plattform EDDA geschaffen. EDDA steht für elektronisch-didaktische Assistenz und ermöglicht es, erstellte Unterrichtsentwürfe und Lehr-Lern-Materialien kriteriengeleitet zu analysieren. Im Folgenden werden Ziele, Analysekriterien und der Aufbau von EDDA erläutert und exemplarisch gezeigt, wie (angehende) Lehrende im Rahmen der Unterrichtsplanung mit EDDA arbeiten können. Für Details zur technischen Konzipierung des KI-Modells und der Funktionsweise von EDDA wird auf Pargmann et al. (2024a; 2024b) verwiesen, weiterführende Informationen zur Herleitung der Analysekriterien finden sich in Riebenbauer et al. (2024).

4.1 Ziele und Analysekriterien

Im Gegensatz zu generativen KI-Technologien (wie z. B. ChatGPT) handelt es sich bei EDDA um eine analytische KI. Auf Basis von Algorithmen des überwachten maschinellen Lernens wurde EDDA anhand von 5.983 Datensätzen (aus 884 codierten Unterrichtsentwürfen, 420 Lehr-Lern-Materialien und 4.679 bewerteten Schulbuchaufgaben) trainiert (Stand: April 2025), um durch die Analyse von Daten bestimmte Muster zu erkennen, zu clustern, Erkenntnisse abzuleiten und in Form von Feedback auszugeben (Pargmann et al., 2024b, S. 133–135). Damit sollen folgende Zielsetzungen erreicht werden: Anhand der Arbeit mit EDDA lernen die Nutzer:innen, wie sie ein KI-Tool zielgerichtet für die Gestaltung von Unterricht einsetzen können. Ein Lernen durch EDDA erfolgt durch das Feedback auf Unterrichtsentwürfe und -materialien, welches bei der Planung und Reflexion von Unterricht unterstützen und so das Planenlernen bzw. die Entwicklung von Unterrichtsplanungskompetenz von angehenden Lehrkräften fördern soll. Durch die individualisierten Rückmeldungen von EDDA sollen auch Lehrende bei der Begleitung der Studierenden unterstützt bzw. entlastet werden. Das Interagieren mit der Technologie ermöglicht zudem ein Lernen über das Funktionieren von KI und soll die KI-Literacy von (angehenden) Lehrkräften erhöhen.

Auf Grundlage theoretischer Überlegungen, bildungspolitischer Ordnungsmittel, didaktischer Modelle und akzeptierter Prinzipien der Wirtschaftsdidaktik und der allgemeinen Didaktik zur Unterrichtsplanung werden zur Analyse der Planungsdokumente von EDDA zehn allgemeindidaktische und fachdidaktische Kriterien herangezogen. Diese richten sich am übergeordneten Ziel der beruflichen Handlungskompetenz aus und können, wie in Abbildung 1 dargestellt, in Kriterien mit Blick auf die Lernergebnisse, die Lehr-Lern-Prozessgestaltung und die Unterrichtsplanung unterteilt werden.

Abbildung 1: Gruppierung der Merkmale anhand der beruflichen Handlungskompetenz (Riebenbauer et al., 2024, S. 557)

Die Kriterien dieser drei Bereiche sind in EDDA in zehn Hauptkategorien strukturiert und unterschiedlich operationalisiert. Teilweise handelt es sich um binäre Merkmale, z. B. ob bzw. welche der 17 Nachhaltigkeitsziele (SDG) adressiert oder nicht adressiert werden; teilweise liegen Merkmale mit mehreren Kodierstufen vor, z. B. wenn bei Problemorientierung drei Entwicklungsstufen analysiert werden (bestehende Schemata anwenden, bestehende Schemata erweitern, neue Schemata konstruieren). Wie in der folgenden Aufzählung skizziert, werden durch EDDA insgesamt 57 didaktische Merkmale geprüft bzw. eingeschätzt (für weitere Ausführungen zur Auswahl der Merkmale mit Begründung und Reliabilitäten siehe Riebenbauer et al., 2024, S. 556–566; Riebenbauer et al., 2025, S. 12–25; Pargmann et al., 2024b, S. 130–135):

• Basisdimension bzw. Anforderungen an die Unterrichtsplanung mit Strukturierung, Aktivierung und Vernetzung (3 Merkmale)
• Motivationsförderung mit Kompetenzerleben, sozialer Eingebundenheit und Autonomieerleben anhand von Problem-, Lösungsweg- und Ergebnisoffenheit (5 Merkmale)
• Authentizität von Handlungen und Operationen durch Berufsbezug (4 Merkmale)
• Handlungsorientierung bzw. Vollständigkeit der Handlungen (6 Merkmale)
• Prozessorientierung anhand von betrieblichen Wert-, Zahlungs- und Informationsströmen (4 Merkmale)
• Sustainable Development Goals (17 Merkmale)
• Integration von Nachhaltigkeit im Bereich Fach- und Systemwissen, Methoden-, Sozial- und Entscheidungskompetenz (7 Merkmale)
• Digitale Technologien der Berufswelt (6 Merkmale)
• Digitale Lehr-Lern-Technologien (4 Merkmale)
• Problemorientierung durch die Entwicklung und Nutzung von kognitiven Schemata (1 Merkmal)

EDDA analysiert, inwieweit die hier genannten didaktischen Merkmale in den hochgeladenen Unterrichtsplanungen umgesetzt sind. Auf Basis dieser Einschätzung werden dann Empfehlungen für die Überarbeitung der schriftlichen Entwürfe und weiterführende Hinweise ausgegeben.

4.2 Arbeit mit EDDA

EDDA steht in Form einer webbasierten Plattform zur Verfügung (https://wipaed.ew.uni-hamburg.de/edda). Nach einer ersten Erklärung über Ziel und Aufbau auf der Startseite kann die Analyse in vier Schritten gestartet werden. Zuerst erfolgt die Aufklärung über die Datenverarbeitung, die sowohl der Datenschutz-Grundverordnung als auch dem EU AI Act entspricht, indem z. B. die zur Verfügung gestellten Daten nach Schließen der Website wieder gelöscht werden. Im zweiten Schritt kann die eigene Unterrichtsplanung mit dem Verlaufsplan für eine oder mehrere Unterrichtsstunden als PDF-Datei hochgeladen werden. Der dritte Schritt umfasst die Auswahl der Analysekategorien, bei der Nutzer:innen anklicken, ob sie alle zehn Hauptkategorien oder nur einzelne Merkmale (z. B. Motivationsförderung, Problemorientierung und Nachhaltigkeit) analysieren möchten. Im vierten Schritt können optional bis zu vier Dateien mit Lehr-Lern-Materialien zum Unterrichtsentwurf (wie Arbeitsblätter mit Lösung und PowerPoint-Folien) für die Analyse ausgewählt werden. Danach beginnt die Analyse und in kürzester Zeit stehen die Ergebnisse in Form einer ersten Übersicht bereit (siehe Abbildung 2).

Abbildung 2: EDDA – Übersicht Analyseergebnisse

EDDA berichtet zunächst die erreichten Prozentsätze zu den gewählten Hauptkategorien, illustriert in Form eines Ampelfeedbacks (grün für stark ausgeprägt, orange für mittlere und rot für geringere Ausprägungen). Unter Details können weitere Informationen über die Qualität der Erfüllung der didaktischen Merkmale abgerufen werden. Dabei werden zu den Einschätzungen von EDDA passende Empfehlungen aus einer von der Forschungsgruppe entwickelten Datenbank geladen. Dies soll die Anschlussfähigkeit an (für die Berufsbildung) relevante didaktische Modelle und wissenschaftliche Theorien sicherstellen (Pargmann et al., 2024a, S. 24). Wie in Abbildung 3 am Beispiel des Merkmals Motivationsförderung dargestellt, stehen in Form von Grafiken folgende Auswertungen bereit:

• Die Ergebnisse zeigen auf welchem Niveau die jeweiligen Unterkriterien erfüllt sind, z. B. dass im hier analysierten Beispiel das Merkmal Problemoffenheit sehr gut erfüllt wird, während das Kompetenzerleben der Lernenden im Entwurf nicht explizit adressiert wird.
• Die Abweichungsanalyse bildet die Kohärenz zwischen Unterrichtsentwurf und den hochgeladenen Lehr-Lern-Materialien ab und zeigt, inwieweit die jeweiligen Materialien dem Unterrichtsplan entsprechen. Beispielsweise bedeuten negative Werte, dass ein Merkmal im Material weniger gut umgesetzt ist, als in der Planung vorgesehen.
• Die Sicherheitsanalyse berichtet über die Sicherheit der Einschätzungen mit Reliabilitäten, d. h. es wird angegeben, wie sicher sich die KI bei der Einschätzung der Merkmale in den jeweiligen Planungsunterlagen ist.

Durch ein Klicken auf das Fragezeichen-Symbol werden erklärende Texte zu diesen Analysen angezeigt. Weiteres Feedback erhalten die Nutzer:innen in Form der darunter angeführten allgemeinen Beschreibung sowie bei den Feldern Niveaustufen und Reflexionsfragen, die ergänzende Tipps für die Weiterentwicklung und Überarbeitung der Unterrichtsplanung mit weiterführenden Quellen und Hinweisen für den Unterricht bereithalten.

Abbildung 3: EDDA – Detailergebnisse Motivationsförderung

Beispielsweise zeigen die Ergebnisse zur Motivationsförderung in Abbildung 3 hohe Werte bei Problemoffenheit, jedoch keine Ausprägung bei Kompetenzerleben. Jetzt könnten sich Nutzer:innen hier Ideen zur (stärkeren) Berücksichtigung dieses Aspekts holen, z. B. anhand der angebotenen Reflexionsfragen: Woran können die Lernenden ihren Lernfortschritt nachvollziehen? Wie kann ich eine lernförderliche Fehlerkultur entwickeln? Wie gebe ich Feedback oder welche Formen des expliziten und impliziten Kompetenzerlebens fördere ich mit meinem Unterrichtskonzept? Um diese vielfältigen Analysen und Hinweise auch für die Weiterarbeit am Unterrichtskonzept nutzen zu können, ist es möglich, die Ergebnisse als Bericht im PDF-Format auszugeben.

EDDA zielt darauf ab, durch das KI-basierten Feedback die tiefe Auseinandersetzung mit der Unterrichtsplanung zu fördern und so eine nachhaltige Unterstützung beim Planenlernen bzw. bei der Weiterentwicklung der eigenen Planungsfähigkeit zu bieten. Zu betonen ist, dass EDDA als elektronisch-didaktische Assistenz fungiert, d. h. es geht nicht um das Ersetzen von Feedback-Gesprächen mit der/dem Lehrenden, sondern um die Möglichkeit, solche Gespräche besser vorbereiten zu können, damit dann mehr Zeit für individuelle Schwerpunkte und offene Fragen bleibt. Im Zuge dessen soll auch das Lernen mit, über und durch KI kritisch reflektiert und der KI-Einsatz begründet und bewertet werden. Dabei gilt es beispielsweise kritisch zu hinterfragen, welche Aspekte über KI gelernt wurden, wie der Prozess mit der KI bei der EDDA-Nutzung verlief, ob bzw. welcher KI-Output hilfreich, unbrauchbar oder gar falsch war, wie Fehlinterpretationen (möglicherweise) zu erklären sind sowie ob bzw. wofür dieses KI-Tool weiterempfohlen werden kann (Falck, 2024b).

5 Studien zum Einsatz von EDDA

Auch für die Forschungsgruppe war es von Beginn an ein Ziel, die Entwicklung und den Einsatz von EDDA zu reflektieren und zu evaluieren, um die Technologie weiterzuentwickeln und für die Nutzer:innen laufend zu verbessern. An den drei Standorten wurden dazu unterschiedlich breit angelegte Studien initiiert, auf die nun ein kurzer Blick geworfen wird.

5.1 Think Aloud-Studie zur Verbesserung der Usability von EDDA

Eine hohe Benutzerfreundlichkeit ist für ein Lernen mit, über und durch KI notwendig und so fanden im Studienjahr 2022/23 an den Universitäten Graz und Hamburg verschiedene Testläufe zum Einsatz von EDDA statt. Dabei wurden erste Eindrücke der 35 involvierten Studierenden in Form von Online-Feedbackbögen und mit Fokusgruppen gesammelt, inhaltsanalytisch ausgewertet und für die Entwicklung der Plattform genutzt. Eine tiefergehende Untersuchung folgte im Wintersemester 2023/24, um genauer zu klären, wie sich angehende Lehrende bei der Nutzung der KI-Plattform EDDA verhalten und welche Empfehlungen sie für sich und zur Weiterentwicklung der Plattform ableiten. Zum Einsatz kam die Forschungsmethode des Lauten Denkens, die es ermöglicht, Zugang zu den kognitiven Prozessen der Proband:innen während dem Ausführen einer Handlung zu erhalten. Dabei sollen alle Gedanken, die im Zuge der Handlung entstehen, verbalisiert werden (Sandmann, 2014, S. 179). Neben der Lehr-Lern-Forschung wird diese Think Aloud-Methode unter anderem in der Marketingforschung eingesetzt, beispielsweise wenn im Rahmen von Usability-Tests die Teilnehmenden (TN) aufgefordert werden, Aufgaben auf einer Webseite oder in einem Webshop zu bearbeiten und dabei ihre Gedankengänge, Absichten und Empfindungen zu kommentieren (Klaus, 2020, S. 383–384; Sandmann, 2014, S. 182).

Um herauszufinden, wie Nutzer:innen mit der KI lernen und sich auf der Plattform EDDA zurechtfinden, konnten acht Wirtschaftspädagogik-Studierende einer fachdidaktischen Lehrveranstaltung zur Unterrichtsplanung mit digitalen Medien in Graz gewonnen werden. Der Zeitpunkt war so gewählt, dass sie ihre selbst erstellten Unterrichtsplanungen inkl. Materialien etwa eine Woche vor dem Lehrauftritt durch die KI analysieren konnten. Nach einer Einführung mit Erläuterung der Zielsetzung und Aufgabenstellung begann das Think Aloud-Gespräch mit einer Instruktion zum lauten Denken inklusive einer Vorübung. Danach starteten der Erstkontakt mit EDDA und die Aufzeichnung mit dem Programm Open Broadcaster Software (OBS), welches über das Mikrofon verbale Daten, über die Webcam Gesichtsbewegungen und über die Bildschirmaufzeichnungen die Bewegungen der Maus erfasst. Im Anschluss an die Datensicherung kamen für die Transkripte und die Auswertung die Softwarepakete aTrain und MAXQDA zum Einsatz (Leitgeb, 2024, S. 36–42).

Die Gespräche dauerten zwischen 40 und 75 Minuten und lieferten wertvolle Ergebnisse zum Verhalten der Studierenden und zur Bedienungsfreundlichkeit, indem analysiert wurde, in welchen Bereichen die Benutzung der Oberfläche und die Formulierungen leicht bzw. schwer verständlich waren. Verbesserungsvorschläge betrafen insbesondere eine Änderung bei der Platzierung der Navigationsleiste und der Hochlade-Elemente, um die Handhabung zu vereinfachen. Auch zu den Ergebnissen von EDDA und der Nutzung dieses KI-Feedbacks kamen neue Hinweise, beispielsweise dass sich die Studierenden – neben den Übersichtsgrafiken – ergänzende Erläuterungen bzw. Interpretationen zum grafischen Feedback wünschen und eine klare Trennung zwischen allgemeinen und individuellen Feedbackteilen bevorzugen. Zudem geht die Möglichkeit des PDF-Berichts auf Anregungen der Studierenden zurück (Leitgeb, 2024, S. 79–83). Die Weiterarbeit an den Unterrichtsplanungen auf Basis des KI-Feedbacks schätzen die Studierenden positiv ein, weil die Rückmeldungen hilfreich sind, „zum Nachdenken anregen und Bereiche aufzeigen, die man vielleicht nicht so am Schirm gehabt hat bei der Planung“ (TN1, Pos. 61; Leitgeb, 2024, S. 63). Obwohl einige Personen die Fülle an Rückmeldungen als sehr viel und sehr ausführlich einschätzen, wurde deren Umsetzung geprüft und differenziert, welche Vorschläge sofort in die geplante Unterrichtsstunde integriert und welche erst in weiterführenden Einheiten einbezogen werden sollen. Konkrete Lösungsvorschläge der KI werden besonders geschätzt: „Ich finde es tatsächlich cool, dass nachher immer so Übersichten gegeben werden bzw. so Denkanstöße wie man es machen könnte.“ (TN7, Pos. 119; Leitgeb, 2024, S. 64) Die Empfehlungen aus der Think Aloud-Studie wurden in der Folge in der Forschungsgruppe analysiert und konnten zur Erhöhung der Usability und des möglichen Lernertrags bereits in der aktuellen EDDA-Version umgesetzt werden.

5.2 Interventionsstudie zur Wirksamkeit von EDDA bei der Unterrichtsplanung

Zwar liegen bereits empirische Hinweise vor, dass die Nutzung von KI-Plattformen als digitales Feedbackmedium lernförderlich sein kann, allerdings mangelt es an Ergebnissen zu analytischen KI-Systemen. Speziell für den Bereich der Unterrichtsplanung in der beruflichen Bildung liegen in diesem Kontext noch keine Erkenntnisse vor, obwohl die Planungen besonderen Herausforderungen unterliegen (Riebenbauer et al., 2024, S. 553–554). Die Ergebnisse einer querschnittlichen Analyse von über 700 Unterrichtsplanungen von Riebenbauer et al. (2025) legen darüber hinaus in einigen Analysebereichen deutliche Defizite offen. Daher stellt sich die Frage, inwiefern das Feedback von EDDA zu einer besseren Umsetzung von Unterrichtsplanungen angehender Lehrkräfte beitragen kann und ob hier Unterschiede zwischen KI-basiertem und rein menschlichem Feedback bestehen.

Hierfür wurde eine semesterbegleitende Interventionsstudie im Vergleichsgruppendesign konzipiert, die an den Universitäten Hamburg und Oldenburg durchgeführt wurde. Insgesamt nahmen N=103 Masterstudierende der Wirtschaftspädagogik teil, davon n=55 in der Interventionsgruppe und n=48 in der Kontrollgruppe. Das Studiendesign ist in Abbildung 4 zu sehen.

Abbildung 4: Design der Intervention

Über 14 Wochen entwickelten Studierende beider Gruppen in Kleingruppen Unterrichtsentwürfe im Rechnungswesen und Controlling. Dieser Bereich dient als Beispiel, da er in Schulen noch überwiegend klassisch unterrichtet wird und es Studierenden erfahrungsgemäß schwerfällt, innovative Unterrichtsansätze für die dazugehörigen Inhalte zu erarbeiten. Die Planung berücksichtigte Dimensionen wie Handlungs-, Prozess-, und Problemorientierung sowie Motivation, Digitalisierung und Nachhaltigkeit (dunkelblaue Kästen in Abbildung 4). Speziell Digitalisierung und Nachhaltigkeit bewirken drastische Veränderungen für die Berufs- und Lebenswelt der Lernenden, sind curricular (sowohl in der schulischen Ausbildung als auch im Studium) aber meist unterrepräsentiert. Aus diesem Grund soll den Studierenden das Denken in digitalisierten und nachhaltigkeitsorientierten Alternativen nahegebracht werden. Selbstverständlich können in der Praxis nicht alle Planungsdimensionen vollständig berücksichtigt werden, für den Übungskontext sollten Planungsentscheidungen aber immer wieder im Lichte der neuen Dimensionen reflektiert und überarbeitet werden, um Interdependenzen und Konflikte herauszuarbeiten. Beide Gruppen erhielten wöchentliches Feedback; die Interventionsgruppe durch die KI-Plattform EDDA, die Kontrollgruppe durch die Seminarleitung. Primäres Feedbackkriterium ist jeweils der didaktische Schwerpunkt der jeweiligen Woche (siehe dunkelblaue Kästen in Abbildung 4). Die Studierenden konnten auch Fragen zu vorherigen Schwerpunkten stellen und diese wurden dann im menschlichen Feedback berücksichtigt. Die Unterrichtsentwürfe wurden mittels skalierender Inhaltsanalyse ausgewertet. Hierfür wurde der Kodierleitfaden verwendet, der auch beim Training von EDDA sowie bei Riebenbauer et al. (2025) zum Einsatz kam. Die Kodierung erfolgte nach Semesterende. Zur Auswertung der Entwicklung wurde eine zweistufige Probit-Regression durchgeführt, unter Verwendung des BAYES-Schätzers in Mplus (Version 8.11).

Ferner wurden in einer Begleiterhebung Metadimensionen der KI-Nutzung erhoben (hellblaue Kästen in Sitzung 1, 8 und 14 in Abbildung 4), da aufgrund bisheriger Forschungen zu KI-Einstellungen und KI-Fähigkeiten durch die Interaktion mit EDDA Veränderungen zu erwarten sind (Hangen & Wuttke, 2024, S. 37–42; Jia & Tu, 2024, S. 15–17; Riski & Nuryanto, 2024, S. 6874; Schmidt, 2024, S. 143–144). Auch gibt es Hinweise darauf, dass sich die Nutzung von KI auf die Motivation auswirkt (Hangen & Wuttke, 2024, S. 37–42; Lim et al., 2020, S. 21). Die Metadimensionen wurden zu drei Zeitpunkten im Semester in beiden Gruppen erhoben. Für die Erhebung wurden etablierte Skalen genutzt. Die KI-Literacy wurde mit der MAILS-Skala (Carolus et al., 2023) gemessen, die Einstellungen gegenüber digitalen Technologien mit den Skalen aus Venkatesh et al. (2003) und Venkatesh und Davis (2000), die digitalen Kompetenzen (DigComp) mit DigKomp2.2.de (Krempkow, 2022), die Selbstwirksamkeit mit digitalen Technologien mittels SWIT (Doll & Meyer, 2021) und die Motivation (SDT) über die Selbstbestimmungstheorie der Motivation bei der Arbeit (Deci & Ryan, 2000; Gagné, 2003). Die Metadimensionen wurden mittels eines latenten Wachstumsmodells mit dem Maximum Likelihood-Schätzer modelliert. Näheres zum Modellfit ist Pargmann et al. (im Review a) zu entnehmen. Hervorzuheben ist, dass nicht alle Items der ausgewählten Erhebungsinstrumente für das längsschnittliche Design geeignet waren, sodass nur jene Items in die Ergebnisdarstellung einbezogen wurden, die zufriedenstellende Fit-Indizes erreichten.

Die Ergebnisse zeigen, dass KI-Feedback bei den Planungen in 14 von 57 der analysierten Kategorien signifikant besser wirkt als menschliches Feedback. Insbesondere bei der nachhaltigkeitsorientierten Sozialkompetenz (einer Subskala zu nachhaltigkeitsorientierte Handlungskompetenz) und einigen Digitalisierungsaspekten sind signifikante Unterschiede auszumachen. Außerdem integrierten die Studierenden der Experimentalgruppe die Phasen der vollständigen Handlung konsequenter. In fast allen anderen Kategorien sind das menschliche und das KI-Feedback gleich effektiv. Lediglich in der Kategorie Einsatzbedingungen der Technologie (einer Subskala zu Technologie als Lerngegenstand) wirkt das menschliche Feedback besser. Studierende, die bereits zu Beginn des Semesters hohe Anfangswerte bei den Entwürfen hatten, zeigten nur noch geringes Wachstum. Hier gilt es, die KI-Plattform didaktisch so zu integrieren, dass leistungsstarke Lernende weiterführendes Feedback durch Lehrende und/oder Peers erhalten.

Auch auf die Metadimensionen wirkt die Intervention. Die Nutzung der KI wirkt sich positiv aus auf die Fähigkeit, KI zu erkennen (KI-Literacy). Ein negativer Einfluss existiert bei der Fähigkeit, die Emotionen bei der KI-Nutzung zu regulieren (KI-Literacy). Bei der Motivation haben sowohl die Kontrollgruppe als auch die Experimentalgruppe einen positiven Zuwachs beim Autonomieerleben. Das Studiendesign an sich trägt somit zu mehr Autonomieerleben bei, die Feedbackart aber nicht.

Da die bloße Nutzung von KI weder zu einer gesteigerten KI-Literacy, noch zu durchgängig besseren Ergebnissen in der Unterrichtsplanung führt, kann abgeleitet werden, dass bei der Nutzung von KI zu Feedbackzwecken Erfahrungsräume zu öffnen sind, die den Dialog zwischen Lernenden und Lehrenden über das KI-Feedback ermöglichen. Darüber hinaus bedarf es weiterhin eines durchdachten didaktischen Konzepts, um KI-Fähigkeiten zu verbessern. Mit einem solchen Konzept könnte auch das Lernen mit und durch KI gefördert werden. Zuletzt sollten menschliches und KI-Feedback produktiv kombiniert werden, um auch leistungsstarken Lernenden Entwicklungsmöglichkeiten zu bieten. Hierfür bieten sich Reflexionsanlässe an, indem die KI z. B. Reflexionsfragen beinhaltet. Insgesamt unterstützen die Ergebnisse die Verwendung von EDDA als Feedback-Tool in der Professionalisierung von Lehrkräften. Das KI-basierte Feedback ist in fast allen Kategorien mindestens genauso gut wie menschliches Feedback, überzeugt aber durch die ständige Verfügbarkeit und die strukturierte Aufbereitung mit Beispielen.

5.3 Eye Tracking-Studie zur Analyse der Interaktionen mit EDDA

Trotz des zunehmenden Einsatzes von KI-Plattformen im Bildungsbereich ist das Verständnis der Interaktionen der Nutzer:innen und der Auswirkungen auf ihre Lernprozesse sowie die Entwicklung von Expertise noch unzureichend erforscht, insbesondere im Bereich der Lehrkräftebildung und der beruflichen Bildung (Mayer et al., 2023, S. 2). Um Aufschluss über verschiedene Interaktionsmuster mit KI-Plattformen und ihre Auswirkungen auf den Lernerfolg zu erhalten, kann Eye Tracking-Technologie genutzt werden. Eye Tracking misst Fixationen (bei denen das Auge stillhält) und Sakkaden (schnelle Augenbewegungen zwischen Fixationen), um den Punkt des Blicks zu bestimmen (Holmqvist et al., 2011, S. 21–23). Diese Bewegungen werden durch die Reflexion der Hornhaut erfasst, wobei die Augenbewegungen aggregiert werden, um Blickmuster zu analysieren. Studien zeigen, dass die Blickrichtung mit dem Leistungsniveau verknüpft ist: Expert:innen fixieren länger relevante Bereiche und zeigen längere Fixationszeiten, während unerfahrene Lernende kürzere Fixationen haben (Li et al., 2023, S. 12; Mayer et al., 2023, S. 13–14; Winter et al., 2021, S. 13–15). Eye Tracking ist daher nützlich, um Lernverhalten, Entscheidungsprozesse und Expertise zu untersuchen. Es ermöglicht die adaptive Gestaltung von Instruktionen und das Verständnis mentaler Aktivitäten, z. B. beim Erfassen mathematischer Denkprozesse. So liefert Eye Tracking wertvolle Einblicke, um Lernprozesse gezielt zu verbessern.

Diese Studie untersucht die Interaktionen mit EDDA von N=32 Masterstudierenden der Wirtschaftspädagogik zu Beginn und am Ende des Semesters. Mithilfe von Eye Tracking wurde in Hamburg analysiert, wie sich die Interaktionen mit EDDA im Verlauf des Semesters verändern und welchen Einfluss sie auf die Qualität der erstellten Unterrichtsentwürfe haben. Hierfür wurden mobile Eye Tracker des Modells AI X von Smart Eye (60Hz Sampling-Rate) an Laptops benutzt. Die Interaktion wurde aufgezeichnet und mit der Software iMotions (Version 9.3.30921.6) ausgewertet. Hierfür wurden sogenannte Areas of Interest (AOI) kodiert, in denen das Blickverhalten der Studierenden auf bestimmte Areale der Software aggregiert wird, z. B. die Ergebnisanalyse oder die einzelnen Empfehlungen. Das Blickverhalten aller Proband:innen wurde für jede einzelne AOI analysiert und in Länge und Ablauf berechnet. Um Interaktionstypen zu bilden, wurden sequenzielle Abläufe modelliert, die dann mithilfe einer Sequenzanalyse auf Basis einer Clusteranalyse ausgewertet wurden (Abbott, 1995). Hierfür wurde das R Package TraMineR (Gabadinho et al., 2011) mit R (Version 4.4.3) in RStudio (Version 2024.12.1+563) genutzt. Die Cluster wurden mit der Ward Methode gebildet (Ward, 1963). In der eigentlichen Studie von Pargmann et al. (im Review b) wurden die Interaktionstypen für jeden Erhebungszeitpunkt getrennt und dann insgesamt aggregiert analysiert. Die Aggregierung erlaubt es, übergeordnete Muster zu identifizieren, indem die kleinschrittigen AOI zu größeren Zusammenhängen geordnet wurden. So wurden in den Einzelanalysen alle Empfehlungskästen einzeln kodiert (bis zu neun), in der aggregierten Version gibt es allein die AOI Empfehlungen. Für diesen Beitrag werden nur die aggregierten Typen dargestellt, die auch für die Berechnung der Wirkung der Interaktionstypen auf die Unterrichtsplanungen herangezogen wurden. Statistisch wurde dies mit einer einstufigen Probit-Regression mit dem BAYES-Schätzer in Mplus (Version 8.11) gelöst. Die Interaktionstypen wurden mittels einer k-1 Dummy-Variable in die Regression integriert (Canela et al., 2019; Suits, 1957). Dementsprechend kann für jedes Merkmal identifiziert werden, ob der Typ signifikant von der Dummy-Variable abweicht.

Im Ergebnis der Sequenzanalyse fiel die Entscheidung auf eine Drei-Cluster-Lösung, da diese die beste Balance aus Größe und ähnlichen Interaktionsmerkmalen bietet. Die drei Cluster bilden verschiedene Interaktionstypen ab, die sich durch die Zeit unterscheiden, die sie in verschiedenen AOI verbringen. Charakteristisch für die drei Cluster ist der Fokus auf verschiedene Features von EDDA: ein Typ fokussiert überwiegend die schriftlichen Rückmeldungen, einer die grafischen Ergebnisdarstellungen und der dritte interagiert mit beidem eher ausgewogen. Im Detail wurden drei allgemeine Interaktionstypen identifiziert: feedbackorientiert, gemischt und ergebnisorientiert. Der feedbackorientierte Typ präferiert das schriftliche Feedback von EDDA und berücksichtigt das visuelle Feedback nur wenig. Der ergebnisorientierte Typ fokussiert vor allem die visuellen Bereiche und hält sich nur wenig in den Texten von EDDA auf. Der gemischte Typ berücksichtigt beide Bereiche ausgewogen, wählt schriftliches Feedback aber häufig anhand der visuellen Ergebnisse aus. Die Regressionsanalyse der Interaktionstypen auf die Unterrichtsentwürfe zeigte, dass Studierende mit feedbackorientierten oder gemischten Ansätzen die analysierten Kategorien in den Unterrichtsentwürfen überwiegend signifikant besser umsetzen als der ergebnisorientierte Typ. Für das Design von KI-Systemen bedeutet dies zweierlei: Einerseits sollte die Benutzeroberfläche so gestaltet sein, dass lernförderliche Interaktionen begünstigt werden und gezielt mit dem Feedback statt nur mit den Ergebnissen interagiert wird. Andererseits sollten Lernende mit einem weniger lernförderlichen Interaktionstyp dazu gebracht werden, sich intensiver mit dem Feedback auseinanderzusetzen, indem z. B. gezielte Hinweise auf der Plattform eingearbeitet werden. Insbesondere sollten Studierende des ergebnisorientierten Typs eng betreut werden, um sicherzustellen, dass sie Überarbeitungshinweise auch tatsächlich umsetzen, um Defizite bei der Nutzung der KI-Feedbacks zu vermeiden. Die Ergebnisse der Eye Tracking-Studie zeigen, dass Lernen durch KI nicht automatisch geschieht. So liefert das Wie der KI-Interaktion wichtige Hinweise für die Gestaltung von Lehr-Lern-Prozessen. Konkret wird deutlich, dass lernförderliches Verhalten vor allem dann entsteht, wenn Lernende sich aktiv mit dem Feedback der KI auseinandersetzen – eine rein ergebnisorientierte Nutzung wirkt sich dagegen nachteilig auf den Lernerfolg aus. Daraus folgt, dass KI-Systeme in der Bildung adaptiv gestaltet werden sollten, um nicht nur den Umgang mit KI, sondern auch ein reflektiertes Lernen über und durch KI gezielt zu fördern.

6 Ausblick und Schlussfolgerungen

Die KI-Plattform EDDA stellt ein Beispiel dar, wie Lernen rund um KI gefördert und das Potenzial von technologiebasiertem Feedback für mehr Individualisierung bei der Analyse und Reflexion von Unterrichtsplanungen eingesetzt werden kann. EDDA sollte zukünftig auch flexible Gestaltungsmöglichkeiten bieten, etwa durch ein anpassbares Dashboard, bei dem Nutzende Präferenzen für grafische Darstellungen, Textlänge oder Punktzahlen festlegen können. Wichtig ist jedoch auch, die Studierenden zur aktiven Auseinandersetzung mit dem Feedback zu motivieren, etwa durch die Diagnose des eigenen Feedback-Typs. Besonders der ergebnisorientierte Interaktionstyp, der nicht so gute Planungsergebnisse zeigt, sollte durch eine gezielte Plattformgestaltung dazu angeregt werden, sich intensiver mit dem Feedback zu beschäftigen. Außerdem sollten gezielte Gelegenheiten zum Austausch mit Lehrenden und Peers ins didaktische Konzept integriert werden, um ausreichend Vertiefungs- und Reflexionsanlässe zu bieten. Technische und didaktische Anpassungen sollten daher kombiniert werden, um eine effektivere Nutzung von EDDA für alle Lernenden zu ermöglichen.

Die im Rahmen dieses Beitrags vorgestellten Forschungsergebnisse werden laufend zur gezielten Weiterentwicklung von EDDA genutzt. Gerade wird das Sprachmodell verbessert, welches zur Verarbeitung der hochgeladenen Unterrichtsentwürfe genutzt wird, um domänenspezifische Sprache noch besser zu erkennen. Außerdem werden die Trainingsdaten der KI auf ca. 11.900 Dokumente erweitert (vorher 5.983 Dokumente), sodass die Datenbasis ausgewogener wird und EDDA noch zuverlässigere Empfehlungen ausspricht. Auch inhaltlich werden die Forschungsergebnisse genutzt, um das Lernen mit EDDA zu verbessern. So werden Reflexionsfragen hinzugefügt. Außerdem wird aktuell das PlugIn EDDAplus entwickelt, welches es ermöglicht, Rückmeldungen zu den Lernzielen, zur curricularen und zur Sachanalyse zu erhalten.

Das Bestreben, KI in die Lehrkräftebildung zu integrieren scheint keine Frage des Ersatzes, sondern der Ergänzung zu sein und es zeigt sich, dass gerade ein hybrider Ansatz aus KI-Feedback in Kombination mit Feedback von Lehrenden das Potenzial hat, die Stärken von Technologien mit menschlichem Fachwissen in der Begleitung von Lehr-Lern-Prozessen zu verknüpfen. Weitere Forschungen sind jedoch notwendig, insbesondere um die Wirksamkeit dieser Vorgangsweise weiter zu analysieren und zu prüfen, wie auch den Schwächen und Herausforderungen adäquat begegnet werden kann (Jacobsen & Weber, 2025, S. 12–14). Um einen kritischen und partizipativen KI-Umgang in der eigenen Lehre zu fördern, braucht es gerade die menschliche Expertise von Lehrenden – an Schulen wie an Hochschulen. Im Austausch mit der KI sollten Lehrende als Experts-in-the-Loop agieren, indem sie KI als Werkzeug zur Förderung von kritischem Denken und zur kreativen und gesellschaftlichen Mitgestaltung begreifen und laufend Expertise aufbauen. Dies kann gelingen, indem sie beispielsweise viel zu KI lesen, lernen und lehren, dabei kritisch denken und ethisch handeln, den Paradigmenwechsel akzeptieren und erneut beim Experimentieren und Kommunizieren dazulernen. In diesem Sinne viel Erfolg beim Lernen mit, über und durch KI.