Abstract
ZusammenfassungEine zentrale Herausforderung der Unterrichtswissenschaft bzw. der unterrichtsbezogenen Lehr-Lern-Forschung stellt ohne Frage die gewinnbringende Nutzung Künstlicher Intelligenz dar. Obwohl Künstliche Intelligenz (KI) in den letzten Jahren und Jahrzehnten zunehmend Einzug in unseren Alltag gehalten hat (z. B. im Rahmen der Sprachsteuerung von Geräten), markierte die Veröffentlichung von chatGPT einen Meilenstein. ChatGPT unterstützt den Menschen nicht nur in einem eng begrenzten Anwendungsbereich, sondern eröffnet in vielen Bereichen völlig neue Möglichkeiten, die aktuell allenfalls oberflächlich erforscht sind. So kann chatGPT Aufgaben zur Leistungsbewertung generieren (und lösen), Schülervorstellungen erkennen und Strategien zum Umgang damit vorschlagen oder etwa Lehrkräfte bei der Erstellung von Unterrichtsmaterialien und der Planung von Unterrichtsreihen unterstützen. Bisher ist jedoch noch überwiegend unklar, wie dieses Potenzial entsprechender KI gewinnbringend für den Unterricht bzw. das unterrichtliche Lehren und Lernen genutzt werden kann und wo mögliche Herausforderungen liegen. Insbesondere ist bisher auch offen, welches Potenzial der Einsatz von KI für die Unterrichtsforschung hat und wo hier im Sinne wissenschaftlicher Lauterkeit (ethische) Grenzen zu setzen sind. Dieser Beitrag beleuchtet Potenzial und Herausforderungen, die der Einsatz von KI in Unterricht und Unterrichtsforschung mit sich bringt und leitet Fragen ab, denen sich die Unterrichtsforschung widmen sollte, um eine wissenschaftliche Basis für den Einsatz von KI zu schaffen.
Funder
IPN – Leibniz-Institut für die Pädagogik der Naturwissenschaften und Mathematik an der Universität Kiel
Publisher
Springer Science and Business Media LLC
Reference34 articles.
1. Aleven, V., Xhakaj, F., Holstein, K., & McLaren, B. M. (2010). Developing a teacher dashboard for use with intelligent tutoring systems. technology, 34, 44.
2. Baker, R., & Siemens, G. (2014). Educational data mining and learning analytics. In R. K. Sawyer (Hrsg.), The cambridge handbook of the learning sciences (2. Aufl. S. 253–272). Cambridge University Press. https://doi.org/10.1017/CBO9781139519526.016.
3. Bannert, M., Reimann, P., & Sonnenberg, C. (2014). Process mining techniques for analysing patterns and strategies in students’ self-regulated learning. Metacognition and Learning, 9(2), 161–185. https://doi.org/10.1007/s11409-013-9107-6.
4. Becker, S., Küchemann, S., Klein, P., Lichtenberger, A., & Kuhn, J. (2022). Gaze patterns enhance response prediction: more than correct or incorrect. Physical Review Physics Education Research, 18(2), 20107. https://doi.org/10.1103/PhysRevPhysEducRes.18.020107.
5. EdArXiv;W Dai,2023