Christian Urff, University of Education Weingarten · Concept contribution, as of September 2026

Ob generative KI dem Lernen nützt oder schadet, hängt von der Passung ab: Wie viel Lenkung braucht diese Person bei dieser Aufgabe, damit sie mit der KI denkt, statt das Denken abzugeben? Das SKILL-Modell koppelt didaktische Lenkung an Kompetenz. Lenkung wird über drei Hebel beschrieben (Scaffolding, Leitplanken, Kontextualisierung) und kann vom Werkzeug wie von der Lehrkraft ausgehen; drei Stufen (Eingebettet, Begleitet, Offen) markieren Orientierungsmarken auf einem Kontinuum. Lehrkräfte können damit Werkzeuge auswählen und Einsatzformen planen, Entwicklerinnen und Entwickler können Lernanwendungen verorten, und für die Forschung formuliert das Modell eine prüfbare Grundannahme.

Method. The contribution is a theoretical conceptual paper. The model was developed through a narrative, non-systematic synthesis and validated against experiences from the development of mathematics education learning applications. The literature was compiled up to September 2026 using academic search engines and backward searching in the reference lists of key papers. Included were meta-analyses and experimental studies on instructional guidance and scaffolding, experimental and quasi-experimental studies on generative AI with a learning measure without available AI, developmental psychology studies on monitoring and source evaluation, and relevant framework papers. Preprints are identified as such and weighted accordingly. This is a targeted rather than exhaustive selection; the model has not been empirically tested.

Conflict of interest. The author is a scientist and develops mathematics education learning apps as a sideline; within this framework, he is testing in the PRIMA-AI project whether and how AI can be meaningfully integrated into elementary school apps. The model evaluates embedded tools more favorably in part than open chatbots; this close connection between argumentation and his own development work is disclosed here. There are no financial relationships with providers of AI systems, and the author does not generate any income from the use of AI.

AI use. AI tools were used in research and editing; the selection and verification of sources, as well as responsibility for the content, lie with the author.

Empirical baseline

Ein Feldexperiment an einer großen Schule in der Türkei mit knapp tausend Schülerinnen und Schülern der Klassen 9 bis 11 macht das Problem deutlich (Bastani et al., 2025). Klassen wurden per Zufall einer von drei Bedingungen zugeteilt und übten in vier 90-minütigen Sitzungen, die etwa 15 Prozent des im Halbjahr behandelten Mathematikstoffs abdeckten. Wer dabei eine Chatbot-Oberfläche ohne didaktische Einschränkungen nutzen durfte (Bedingung „GPT Base“), schnitt in der Übungsphase um 48 Prozent besser ab als die Kontrollgruppe (bezogen auf deren Leistungsniveau, nicht in Prozentpunkten). In der anschließenden Prüfung ohne KI schnitt dieselbe Gruppe um 17 Prozent schlechter ab als die Kontrollgruppe. Eine zweite Variante desselben Sprachmodells, die mit von Lehrkräften gestalteten gestuften Hinweisen und einer Sperre für Endergebnisse arbeitete, lag in der Übungsphase noch deutlicher über der Kontrollgruppe (etwa 127 Prozent), erreichte in der Prüfung ohne KI aber nur deren Niveau. Beide KI-Gruppen arbeiteten mit demselben Sprachmodell; unterschiedlich war das Antwortverhalten. Das Bündel aus gestuften Hinweisen und gesperrtem Endergebnis verhinderte den Einbruch; welcher Bestandteil dafür ausschlaggebend war, trennt das Design nicht, und die Autorinnen und Autoren verweisen zusätzlich auf unterschiedliche Gelegenheiten zur Ergebniskontrolle. Einen Lernvorteil gegenüber dem Üben ohne KI belegt die Studie nicht.

The finding does not stand alone. In two pre-registered laboratory experiments, Lehmann et al. (2025) find no overall effect of language models on learning outcomes. In exploratory analyses and an accompanying field survey, the effect depends on how they are used: those who have the AI take over learning activities cover more topics and understand each individual topic less well; those who use it additionally as a tutor understand better. How strong the effect is depends on prior knowledge; in the language of research, prior knowledge moderates the relationship. The paper is a preprint, and the findings regarding moderation are exploratory.

Similarly in writing. Fan et al. (2025) compared writing with ChatGPT, with a human expert, with a checklist derived from writing analytics, and without support among 117 students. The ChatGPT group improved their texts the most, but did not differ from the other groups in terms of knowledge gain and transfer; the frequency and sequence of their self-regulatory processes shifted significantly. The authors speak of metacognitive inertia.

Metaanalytisch fällt die Bilanz zunächst positiv aus. Deng et al. (2025) berichten auf Basis von 69 identifizierten und 62 metaanalytisch ausgewerteten Artikeln mit experimentellem oder quasi-experimentellem Design positive Effekte von ChatGPT auf die Lernleistung, auf affektiv-motivationale Zustände und auf Denkfähigkeiten höherer Ordnung, einen verringerten mentalen Aufwand und keinen Effekt auf die Selbstwirksamkeit; zugleich weisen sie auf kurze Interventionsdauern, seltene verzögerte Nachtests und methodische Schwächen der Primärstudien hin. Der verringerte Aufwand ist zweideutig: Er kann Entlastung bedeuten oder das Ausbleiben der Anstrengung, die dauerhaftes Behalten erst ermöglicht. Weidlich et al. (2025) zeigen darüber hinaus, dass in dieser Literatur der Beitrag der Technologie regelmäßig mit dem Beitrag der zusätzlich eingeführten Instruktionsmethode vermischt ist, sodass Sammeleffekte nur begrenzt interpretierbar sind. Die nach Zahl der Effektstärken derzeit umfangreichste Metaanalyse findet auf Basis von 68 Studien und 337 Effektstärken einen mittleren Gesamteffekt (SMD = 0,45) bei sehr hoher Heterogenität; stärkere Effekte zeigen sich in kurzen Interventionen mit kleineren Stichproben (Han et al., 2025), das übliche Muster einer Verzerrung durch kleine Studien.

Where measurements are delayed, the picture flips. Barcaui (2025) had 120 students work on a topic with free ChatGPT access or conventionally, and tested them unannounced 45 days later; 85 individuals were included in the evaluation. The ChatGPT group achieved 57.5 percent correct answers compared to 68.5 percent in the control group (d = 0.68). According to common convention, effect sizes are considered small from about 0.2, medium from 0.5, and large from 0.8 (Cohen, 1988); these thresholds are too strict for randomized field studies in education (Kraft, 2020).

Conversely, Kestin et al. (2025) report from a randomized crossover experiment involving 194 physics students out of 233 course participants from a selective university, greater learning gains in a shorter amount of time for an AI tutor specifically designed according to teaching and learning principles compared to activating classroom instruction. The tutor provided scaffolded hints rather than ready-made solutions; testing took place immediately after each session, and a delayed retention test is lacking. The AI condition took place at home and at a self-selected pace, while the comparison condition took place in the classroom; the learning environment, pace control, and medium also vary, meaning the effect cannot be attributed solely to the tutor design.

The study by Kestin et al. provides little information for assignment to a level. A topic-related pre-test was administered, but it is only included in the calculation of learning gains and is not reported as a moderator; since the topic was new to all participants, the scores are near the floor. Measures that could be used as a level indicator in the sense of this model are not reported, neither a meaningful prior knowledge measure nor self-regulation or critical AI literacy. Institution and field of study are not suitable for this: they are cross-domain proxies, whereas the model determines competence in a subject-specific manner, and in the newly developed physics topic, the participants' prior knowledge was low. The finding is compatible with the model, but does not test it; whether guidance is actually detrimental to advanced learners remains an open question here. According to instructional research, guidance hinders learning when it is triggered regardless of the current performance level, redundantly repeats existing knowledge, or overrides the learners' own strategies; tiered assistance upon request does not fall into this category.

Zu unterscheiden ist die Menge der Lenkung von ihrer Kontingenz, also davon, ob sie auf den aktuellen Stand der Person reagiert. Damit diese Unterscheidung die Grundannahme nicht gegen Widerlegung abschirmt, wird sie im Abschnitt „Grenzen und offene Fragen“ vorab operationalisiert. Ob ein KI-Einsatz nützt, entscheidet sich an der Gestaltung des Werkzeugs, an der Person, die es nutzt, und daran, was gemessen wird.

Educational policy discussions have taken up this point. The Standing Scientific Commission of the Standing Conference of the Ministers of Education and Cultural Affairs (SWK, 2024) recommends widespread restraint regarding open language models for elementary school and the beginning of lower secondary education, focusing instead on foundational competencies; the Standing Conference of Ministers of Education and Cultural Affairs (2024) emphasizes the pedagogical framing of any AI use. The SKILL model incorporates these recommendations and justifies them based on competency rather than age. The recommendations themselves remain age-related; the underlying logic does not. It applies wherever the prerequisites for effective AI use in learning are first developing, including for adults in a subject area that is new to them. Age nonetheless retains its own weight, as the section on theoretical foundations shows.

Distinction between performance and learning

Learners can perform better with AI and still learn less. Yan et al. (2025) separate two variables for this that easily merge in everyday life: performance during use and what remains without the tool. Learning only becomes apparent in the second case. Salomon et al. (1991) made an early distinction for this between effects with a technology and effects the Technology proposed: What boosts performance in interaction does not have to lag behind as a capability. The distinction is old in educational psychology. Bjork and Bjork (2011) speak of desirable difficulties: conditions that lower current performance but increase long-term retention and transfer to new tasks because they force independent retrieval attempts, errors, and detours. Kapur (2016) systematizes the research on productive failure and argues that an initially unsuccessful personal struggle with a task promotes later understanding, provided it is subsequently addressed in class. An AI that provides the solution upon request skips this phase.

Das Auslagern kognitiver Arbeit ist dabei an sich nichts Neues; Menschen nutzen Notizen, Taschenrechner und Suchmaschinen, um ihr Arbeitsgedächtnis zu entlasten (Risko & Gilbert, 2016). Auch Kinder verfügen ab etwa vier Jahren über solche Strategien und setzen sie bei steigender Aufgabenschwierigkeit vermehrt ein; sie tun dies jedoch weniger selektiv und weniger selbstinitiiert als Erwachsene und lagern teils zu viel, teils zu wenig aus (Armitage & Gilbert, 2025). Problematisch wird es, wenn das Ausgelagerte selbst das Lernziel ist. Eine KI, die den Lösungsweg schreibt, entlastet vom Lernen selbst.

Hinzu kommt ein zweiter Mechanismus: Flüssig formulierte Erklärungen erzeugen ein Gefühl von Verstehen, das mit dem tatsächlichen Können wenig zu tun haben muss. Rozenblit und Keil (2002) zeigen an erwachsenen Stichproben eine Illusion der Erklärungstiefe: Menschen halten ihr Verständnis für vollständiger, als es der Versuch offenlegt, den Zusammenhang selbst auszuformulieren. Die Illusion ist spezifisch für Erklärungswissen und fällt für Fakten, Prozeduren und Erzählungen schwächer aus. Beide Mechanismen bilden eine Kette: flüssige Erklärung, Gefühl des Verstehens, ausbleibende eigene Anstrengung, schwächere Leistung ohne KI.

Für einen Zwischenschritt dieser Kette liegt Evidenz vor: Fisher et al. (2015) zeigen in neun Experimenten, dass bereits das Nachschlagen einer Erklärung im Internet die Einschätzung des eigenen Wissens erhöht; Zugang zu Information wird mit eigenem Verstehen verwechselt, auch dann noch, wenn die Quelle nicht mehr verfügbar ist. Offen ist weniger der Mechanismus als seine Reichweite: ob eine dialogisch erzeugte, auf die eigene Frage zugeschnittene KI-Erklärung stärker wirkt als ein Suchergebnis und ob sich der Effekt bei Kindern zeigt, deren Selbsteinschätzung ohnehin überoptimistisch ist. Belegt ist der Endpunkt der Kette, schwächere Leistung ohne KI (Bastani et al., 2025) und verschobene Selbstregulation ohne Wissenszuwachs (Fan et al., 2025).

Erste neurophysiologische Befunde deuten in dieselbe Richtung: Beim Schreiben mit einem Sprachmodell war die Gehirnaktivität schwächer vernetzt, und die Teilnehmenden konnten kurz danach eigene Sätze nicht korrekt wiedergeben und berichteten die geringste Autorschaft an ihrem Text (Kosmyna et al., 2025). Die Arbeit ist ein nicht begutachteter Preprint mit 54 erwachsenen Teilnehmenden; eine methodische Erwiderung kritisiert Stichprobengröße, EEG-Auswertung und Reproduzierbarkeit (Stanković et al., 2026). Die EEG-Maße erlauben keine Aussage über Lernergebnisse; der Befund ist als Hinweis zu lesen, nicht als Beleg.

Competence as a reference point: theoretical foundations

The SKILL model aligns the degree of guidance with the competency to use AI effectively for learning in a specific context, rather than with age or grade level.

The first root of this decision is scaffolding. Vygotsky (1978) beschreibt Lernen als Bewegung durch die Zone der nächsten Entwicklung: Was ein Kind heute mit Unterstützung kann, kann es morgen allein. Wood et al. (1976) haben daraus das Bild des Gerüsts entwickelt, das nur so lange steht, wie es gebraucht wird. Van de Pol et al. (2010) nennen drei Merkmale, die ein Gerüst von bloßer Hilfe unterscheiden: Es ist kontingent, reagiert also auf den aktuellen Stand; es wird zurückgenommen (Fading); und es überträgt Verantwortung an die Lernenden.

In der Unterrichtsforschung ist dies als „gradual release of responsibility“ bekannt (Pearson & Gallagher, 1983): Verantwortung wandert schrittweise von der Lehrkraft zu den Lernenden. Rowe (2026) hat dieses Prinzip mit dem GRAIT-Modell auf KI übertragen und unterscheidet die schrittweise Freigabe kognitiver Verantwortung von der schrittweisen Freigabe der Technik, gestaffelt nach erreichten Lernmeilensteinen.

Für das schrittweise Zurücknehmen von Hilfe liefern Renkl und Atkinson (2003) die klassische empirische Grundlage: Der Übergang vom ausgearbeiteten Beispiel zum eigenen Lösen gelingt am besten, wenn Lösungsschritte nach und nach ausgeblendet werden. Für computergestütztes Scaffolding in den MINT-Fächern belegt die Metaanalyse von Belland et al. (2017) auf Basis von 144 Studien einen mittleren Effekt (g = 0,46). Eine Größenordnung für gestufte Hilfe insgesamt liefert VanLehn (2011): Tutorsysteme mit schrittweiser Hilfe erreichen gegenüber keiner Tutorierung etwa d = 0,76, menschliche Tutorierung etwa d = 0,79; die lange kolportierte Überlegenheit menschlicher Tutorierung um zwei Standardabweichungen bestätigt sich nicht.

Secondly, the interplay between prior knowledge and guidance. Kirschner et al. (2006) fassen in einer viel diskutierten Bestandsaufnahme die Befunde zusammen, nach denen Anfängerinnen und Anfänger von minimal gelenktem Lernen selten profitieren; die Erwiderung von Hmelo-Silver et al. (2007) hält dem entgegen, dass problem- und forschungsbasierte Ansätze in der Regel selbst stark gerüstet sind und die Gleichsetzung mit unangeleitetem Entdecken deshalb nicht haltbar ist. Die Metaanalyse von Lazonder und Harmsen (2016) stützt diese Einschätzung: Über 72 Studien zum forschenden Lernen hinweg wirkt Lenkung mittel auf die Lernergebnisse (d = 0,50) und mittel bis stark auf Lernaktivitäten (d = 0,66) und Aufgabenerfolg (d = 0,71). Zu Altersunterschieden kommen Lazonder und Harmsen zu keinem konsistenten Befund und halten die Zahl der Studien ausdrücklich für zu gering, um sie abschließend zu beurteilen. Für das SKILL-Modell folgt daraus nicht, dass Alter irrelevant wäre, sondern dass es ein grober Stellvertreter für den Stand der Kompetenzen ist.

Zugleich gilt die Umkehrung, in der Lehr-Lern-Forschung als Expertise-Umkehr-Effekt bekannt: Eine enge Lenkung, die Anfängerinnen und Anfängern hilft, behindert Fortgeschrittene, weil die dargebotene Struktur mit dem Wissen konkurriert, das die Lernenden bereits geordnet abgespeichert haben, und Arbeitsgedächtnis bindet (Kalyuga et al., 2003; Kalyuga, 2007; Sweller et al., 2019). Für Tutorsysteme haben Koedinger und Aleven (2007) dieses Spannungsfeld als „assistance dilemma“ beschrieben: Wann ist es lernförderlicher, Informationen zu geben, und wann, sie zurückzuhalten, damit die Lernenden sie selbst hervorbringen? Beides kann schaden. Zu frühe Hilfe verhindert die Eigenkonstruktion, ausbleibende Hilfe lässt Lernende in unproduktiven Sackgassen stecken. Der Ort des Optimums verschiebt sich mit der Kompetenz. Diese Verschiebung ist die Grundbewegung des SKILL-Spektrums: Mit wachsender Kompetenz sinkt die nötige Lenkung.

Thirdly, the development of metacognition and epistemic vigilance. Ob jemand eine KI als Denkpartner nutzen kann, setzt voraus, das eigene Verstehen einschätzen und fremde Aussagen prüfen zu können. Beides entwickelt sich über Jahre. Zu unterscheiden sind das Einschätzen des eigenen Verstehens (Monitoring) und die daran anschließende Steuerung des eigenen Vorgehens (Kontrolle). Das Monitoring kann vorausschauend erfolgen, vor der Bearbeitung, oder rückblickend, nach ihr (Nelson & Narens, 1990); beide entwickeln sich unterschiedlich schnell. Innerhalb des Monitorings unterscheidet Schraw (2009) fünf Gütemaße; zwei davon sind hier zentral. Die absolute Genauigkeit samt ihrer Verzerrung, im Folgenden kurz Kalibrierung, beschreibt, ob die Einschätzung im Mittel zutrifft; die Diskrimination beschreibt, ob eine Person zwischen eigenen richtigen und falschen Antworten unterscheidet. Kinder im frühen Grundschulalter überschätzen sich deutlich und unterscheiden gleichwohl über dem Zufall zwischen richtigen und falschen Antworten (Kolloff et al., 2023). Für das Modell folgt daraus, dass die Lenkung auf Stufe 1 weniger die Urteilsfähigkeit im Einzelfall ersetzen muss als die globale Entscheidung, wie viel Aufwand eine Aufgabe noch verlangt.

Destan und Roebers (2015) teilten 93 Sechsjährige nach der Genauigkeit ihrer Gesamteinschätzung in Kinder, die sich unterschätzten, realistisch einschätzten oder überschätzten: Wer sich unterschätzte, unterschied in den Konfidenzurteilen deutlich besser zwischen richtigen und falschen Antworten als Kinder, die sich überschätzten; die Gruppen unterschieden sich auch in nachgelagerten Kontrollprozessen; ein Zusammenhang der globalen Einschätzungsgenauigkeit mit den erhobenen exekutiven Funktionen (kognitive Flexibilität, Inhibition, Arbeitsgedächtnis) zeigte sich dagegen nicht. Die Studie ist querschnittlich angelegt und zeigt Zusammenhänge, keine Wirkrichtung; die Annahme des Modells, dass Selbsteinschätzung und Impulskontrolle gemeinsam die Stufe bestimmen, findet in ihr auf der Ebene individueller Unterschiede keine Stütze.

Eine quer- und längsschnittliche Studie mit 305 Kindern, die als 7/8- und 9/10-Jährige und ein Jahr später erneut untersucht wurden, zeigt, dass sich sowohl die rückblickende Einschätzung der eigenen Arbeit als auch die daran anschließende Kontrolle über dieses Jahr verbessern, die vorausschauenden Pendants dagegen nicht; die Kontrolle blieb auch dort suboptimal, wo sie sich verbesserte, nach Deutung der Autorinnen und Autoren als Folge eines weiterhin überoptimistischen Monitorings. Den Zugewinn der rückblickenden Kontrolle führen sie auf Aufgabenvertrautheit zurück, die Verbesserung des rückblickenden Monitorings auf Entwicklung, gestützt auf den Vergleich mit einer eigenen Querschnittsstichprobe von 144 Kindern und entsprechend vorläufig (Bayard et al., 2021). Kinder erkennen also eher, wie gut sie eine Aufgabe gelöst haben, als sie vorher einschätzen können, wie schwer sie wird; über das Grundschulalter hinaus lässt sich aus dieser Studie nichts ableiten.

Für die anschließende Entwicklung liegt Evidenz aus dem Jugendalter vor: Weil et al. (2013) trennten bei 56 Personen zwischen 11 und 41 Jahren die Aufgabenleistung von der metakognitiven Genauigkeit und fanden bei konstant gehaltener Leistung einen Anstieg der Genauigkeit innerhalb der Adoleszenz; sie beschreiben den Verlauf als höchsten Stand im späten Jugendalter mit anschließendem Plateau. Der Alterseffekt beruht auf einer einzigen Korrelation in der Jugendgruppe (r = .38, n = 28), die Stichprobe ist klein und querschnittlich, enthält zwischen 17 und 19 Jahren niemanden, die Erwachsenen erreichten im Mittel sogar niedrigere Werte als die Jugendlichen, und die Aufgabe ist eine Wahrnehmungsaufgabe ohne Fachbezug. Der Befund ist deshalb ein Hinweis auf eine über das Grundschulalter hinausreichende Entwicklung, keine belastbare Verlaufskurve.

Roebers (2017) ordnet Monitoring und exekutive Funktionen, also Planen, Aufmerksamkeitskontrolle und Impulshemmung, einem gemeinsamen Rahmen kognitiver Selbstregulation zu; sie arbeitet Gemeinsamkeiten wie verbleibende Unterschiede beider Forschungstraditionen heraus und schlägt die Integration als Rahmen vor, nicht als belegte Identität. Roebers selbst nimmt an, dass exekutive Funktionen der metakognitiven Kontrolle früh vorausgehen und für sie notwendig, aber nicht hinreichend sind; sie hält die empirische Grundlage jedoch für dünn: Nur wenige Arbeiten prüfen die Verbindung auf latenter Ebene, es liegen Nullbefunde vor, und Intelligenz wurde bislang nicht kontrolliert. Die Wirkrichtung ist damit nicht entschieden.

Wer das eigene Verstehen ungenau einschätzt, kann kaum entscheiden, wann eine KI-Hilfe angemessen ist und wann sie das Lernen ersetzt. Für Tutorsysteme ist die entsprechende Fehlregulation dokumentiert: Lernende holen Hilfe zu früh, zu spät oder zu ausgiebig (Aleven et al., 2016).

Für KI-gestützte Systeme zeigen Darvishi et al. (2024) in einer achtwöchigen Untersuchung mit 1625 Studierenden zur Qualität von Peer-Rückmeldungen in der Hochschullehre, dass verfügbare KI-Hilfe die Selbstregulation untergräbt und die Leistung einbricht, sobald die Hilfe zurückgenommen wird; eine Checkliste zur Selbstbeobachtung, die anstelle der KI-Hinweise eingesetzt wurde, fing den Einbruch nur teilweise auf und blieb hinter der KI-Unterstützung zurück; die Kombination aus beidem war der KI allein nicht überlegen. Die Autorinnen und Autoren folgern, dass die Studierenden sich auf die KI verließen, statt von ihr zu lernen. Das macht die Forderung dringlicher, das vom Werkzeug übernommene Monitoring auf Stufe 1 im Unterricht zum Thema zu machen, zeigt aber auch, dass eine begleitende Checkliste dafür nicht genügt. Zielgröße war dort die Qualität von Rückmeldungen, nicht fachliches Lernen; für generative Tutoren im Unterricht steht die Prüfung aus.

The same applies to the checking of information. Sperber et al. (2010) use the term "epistemic vigilance" to encompass mechanisms that check two things: the trustworthiness of the source, meaning its competence and benevolence, and the plausibility and coherence of the content. Children possess the first of these two mechanisms early on: they weigh past reliability, expertise, and the agreement of multiple informants; at the same time, when receiving unexpected information, children set aside their own beliefs and sometimes follow informants for social rather than epistemic reasons (Harris et al., 2018). At the same time, a critical scrutinizing attitude is not the norm: children apply their testing abilities inconsistently and situation-dependently, and when in doubt, they adopt information from cooperative adults (Mills, 2013). An influential theory developed from findings in infants interprets this readiness as an adaptation for the transmission of generalizable knowledge (Csibra & Gergely, 2009); their assumption that ostensive cues act specifically did not withstand testing—at least regarding the gaze-following of six-month-old infants when subjected to additional, non-ostensive attentional conditions (Szufnarowska et al., 2014), and the theory is also conceptually disputed (Heyes, 2016). Checking content is also not foreign to children: they recognize ignorance, incompetence, and deception, and they contradict conspicuously implausible statements, but this critical stance develops slowly and remains heavily dependent on how clearly an inconsistency stands out (Mills, 2013).

Diese Prüfmechanismen sind an menschlichen Quellen entstanden, und die Merkmale, an denen sie ansetzen, sind bei einem Sprachmodell nicht informativ; seine Fehler treten gerade nicht auffällig hervor, sondern sind in flüssige, gut geformte Sprache eingebettet. Ein Sprachmodell täuscht nicht absichtlich; seine Fehler entstehen ohne Motiv. Trainings- und Produktentscheidungen bringen aber systematische Neigungen in die Ausgabe. Die bekannteste ist die Tendenz, der fragenden Person zuzustimmen, über mehrere Systeme hinweg nachgewiesen und auf das Training an menschlichen Präferenzurteilen zurückzuführen (Sharma et al., 2024). Flüssigkeit, Freundlichkeit und Selbstsicherheit sind daher von der Richtigkeit des Inhalts entkoppelt, und die Ausgabe hat keine erkennbare Herkunft, an der sich Zuverlässigkeit ablesen ließe.

Children also apply domain-dependent selectivity to technical sources: in two studies with 4- to 5-year-olds and 7- to 8-year-olds, the children increasingly trusted a voice assistant for factual questions as they grew older, while continuing to prefer humans for personal information about a person present (Girouard-Hallam & Danovitch, 2022); the sample was drawn from predominantly white, upper-middle-class US families, and a rule-based voice assistant was tested, not a generative model. The direction of this finding is crucial for the model: precisely in the domain where a language model produces plausibly sounding errors, trust in the machine source increases with age. The burden thus lies on content verification, which requires expert knowledge. Experience with the tool does not automatically bring about this verification competence: usage routine and understanding of how the tool works diverge in children (Danovitch, 2019).

Diese Entwicklungsbefunde machen plausibel, warum jüngere Lernende in der Regel mehr Lenkung brauchen. Sie belegen es nicht: Anders als beim Vorwissen, für das die Expertise-Umkehr eine geprüfte Wechselwirkung von Personenmerkmal und Instruktionsform liefert, prüfen erst wenige Studien individuelle Unterschiede im Monitoring oder in der Selbstregulation als Moderator des Nutzens von Lenkung, und sie fallen überwiegend negativ aus: Herold und Seufert (2025) fanden bei 102 Studierenden eine Moderation durch das Vorwissen, und diese nur für das Verstehen, nicht für Behalten und Transfer, dagegen keine Moderation durch die metakognitive Kompetenz; Hofer und Reinhold (2025) fanden bei 332 Sechstklässlerinnen und Sechstklässlern Wechselwirkungen von Personenmerkmal und Scaffolding nur in einer der beiden untersuchten Schulformen. Beide Prüfungen stammen nicht aus dem Grundschulalter, für das das Modell die stärkste Lenkung vorsieht.

Näher an der Sache liegen erste Arbeiten zur Metakognition im Umgang mit generativer KI: Stadler et al. (2024) finden bei Studierenden gegenüber der Websuche geringere kognitive Belastung bei zugleich flacherer Argumentation; umgekehrt verbesserte in einem randomisierten Experiment eine KI-gestützte Rückmeldung, die ausdrücklich auf die Selbsteinschätzung zielte, die Kalibrierung gerade der zuvor überkonfidenten Lernenden (Lee et al., 2025). Ein Werkzeug kann Monitoring also auch trainieren statt ersetzen; das ist die prüfbare Alternative zur Annahme, die Übernahme des Monitorings auf Stufe 1 sei nur eine Entlastung auf Zeit. Die Übertragung auf Monitoring und Selbstregulation ist damit nicht nur ungeprüft, sondern von den vorliegenden Prüfungen bislang unbestätigt; sie steht und fällt mit der im Abschnitt zu den Grenzen skizzierten Untersuchung.

Wirksam ist dabei der Stand der Kompetenzen, nicht das Alter. Der Schluss zurück, wer viel weiß, sei auch bereit für eine höhere Stufe, gilt allerdings nur eingeschränkt. Fachwissen ist gegenstandsgebunden und kann in einem Gebiet rasch wachsen; darauf stützt sich ein Teil der inhaltlichen Prüfung unmittelbar.

Die Genauigkeit der Selbsteinschätzung verbessert sich dagegen nach den vorliegenden, noch schmalen Hinweisen über einen langen, bis in die Adoleszenz reichenden Zeitraum (Weil et al., 2013). Bei den exekutiven Funktionen verlaufen die Komponenten unterschiedlich: Die deutlichsten Zuwächse der Inhibition liegen im Vorschulalter, doch verbessern sich auch scheinbar einfache Hemmaufgaben bis in die Adoleszenz weiter, während Arbeitsgedächtnis und kognitive Flexibilität über Kindheit und Jugend eher stetig zunehmen; die Befundlage gilt den Autoren selbst als uneinheitlich (Best & Miller, 2010); die für das Modell einschlägige Variante, eine verfügbare Belohnung zugunsten eines späteren Ziels zurückzustellen, wird von den üblichen neutralen Verfahren nur unvollständig abgebildet; Zelazo und Carlson (2012) ordnen sie den „heißen“ exekutiven Funktionen zu und halten für diese einen eigenen, möglicherweise verzögerten Verlauf für wahrscheinlich, verweisen aber zugleich auf Arbeiten, die keine getrennten Faktoren für heiße und kühle exekutive Funktionen finden. Der eigenständige Verlauf ist damit eine begründete Annahme, kein gesicherter Befund.

Ob diese Verläufe auf Reifung, auf kumulierte Erfahrung oder auf beides zurückgehen, ist mit überwiegend querschnittlichen Daten nicht zu entscheiden (siehe oben zu Bayard et al., 2021). Für das Modell genügt der deskriptive Befund: Durch Fachwissen in einem einzelnen Gebiet lassen sich diese Anteile nicht aufwiegen. Ein Kind, das in einer Sache viel weiß, kann darum plausible Fehler in dieser Sache durchaus finden und dennoch nicht die Selbststeuerung mitbringen, die Stufe 3 verlangt.

Das Alter setzt den Selbstregulationsanteilen deshalb eine Erwartung, keine Grenze: Es macht bestimmte Ausprägungen unwahrscheinlich, sagt über die einzelne Person aber wenig und taugt nicht als Zuordnungsregel. Die genannten Befunde beschreiben Gruppenmittel mit erheblicher Streuung zwischen Personen und Aufgaben; sie begründen die Reihenfolge der Stufen, ersetzen aber keine individuelle Einschätzung.

Distinction from related models

Verwandte Modelle liegen vor. Rowe (2026) staffelt im GRAIT-Modell den KI-Zugang nach Lernmeilensteinen und unterscheidet drei Phasen: unabhängige Kognition ohne KI, geteilte Kognition und schließlich ausgelagerte und umverteilte Kognition. Die Leitfrage ist dieselbe wie hier.

Praktisch am weitesten verbreitet ist die AI Assessment Scale (Perkins et al., 2024), die den zulässigen KI-Einsatz in fünf Stufen von „kein KI-Einsatz“ bis „vollständiger KI-Einsatz“ staffelt und vor allem der Transparenz und Prüfungsintegrität dient; in der überarbeiteten Fassung (Perkins et al., 2025) sind die Stufen neu benannt und ausdrücklich nicht mehr hierarchisch gemeint. Bezugsgröße bleibt in beiden Fassungen die Aufgabe oder das Prüfungsformat, nicht die Person; dieselbe Einstufung gilt für alle Lernenden einer Kohorte.

Molenaar (2022b) beschreibt unter dem Begriff der hybriden Intelligenz, wie sich Erkennen, Diagnostizieren und Handeln zwischen Lehrkraft und Technik verteilen, und staffelt diese Verteilung in sechs Grade der Automatisierung; in einer zweiten Arbeit (Molenaar, 2022a) macht sie daraus eine normative Forderung: Adaptive Lernumgebungen übernehmen die Regulation von 10- bis 14-Jährigen, was die Entwicklung ihrer Selbstregulation gefährdet, weshalb die Kontrolle schrittweise zurückzugeben ist. Diesen Gedanken teilt das SKILL-Modell; es ist das nächstverwandte. Die Verteilung von Unterstützung auf mehrere Instanzen ist zudem als verteiltes Scaffolding beschrieben (Puntambekar & Hübscher, 2005), und Tabak (2004) hat mit dem Begriff der Synergie gefasst, dass Software und Lehrkraft dieselbe Lernbedürftigkeit adressieren und sich wechselseitig verstärken können.

Das ICAP-Modell (Chi & Wylie, 2014) ordnet Lernaktivitäten nach dem Grad der Beteiligung von passiv über aktiv und konstruktiv bis interaktiv und sagt in dieser Reihenfolge steigende Lernergebnisse voraus; eine KI, die fertige Lösungen liefert, verschiebt Lernende nach dieser Ordnung von konstruktiv nach passiv, wobei diese Übertragung auf generative KI eine Ableitung ist und nicht geprüft. TPACK (Mishra & Koehler, 2006) und das SAMR-Modell (in der Beschreibung von Hamilton et al., 2016) beschreiben das Wissen der Lehrkraft beziehungsweise den Grad der technologischen Veränderung einer Aufgabe; beide bestimmen den Lenkungsgrad eines Werkzeugs nicht. SAMR liegt keine begutachtete Primärpublikation zugrunde, und es wird wegen fehlender Kontextsensitivität, seiner Hierarchieannahme und seiner Produktorientierung kritisiert (Hamilton et al., 2016).

Das SKILL-Modell setzt an drei Stellen anders an. Die Bezugsgröße ist die gegenstandsgebundene Kompetenz, KI lernwirksam zu nutzen, aufgeschlüsselt in vier Teilkompetenzen; dieselbe Person kann in einem Fach auf Stufe 3 und in einem anderen auf Stufe 1 stehen. Lenkung wird zudem als Zusammenspiel von Werkzeug und Lehrkraft gefasst und an eine Stufenentscheidung gekoppelt.

Die Unterscheidung der beiden Quellen ist nicht neu: Saye und Brush (2002) trennen fest im Werkzeug verankerte Gerüste (hard scaffolds), die vorab geplant sind und für alle gleich wirken, von situativ erzeugten Gerüsten der Lehrkraft (soft scaffolds), die diagnostisch reicher, aber knapp sind; das verteilte Scaffolding und Tabaks Synergiebegriff beschreiben ihr Zusammenwirken. Neu ist die normative Wendung: Fehlende Lenkung im Werkzeug muss in der Situation von der Lehrkraft hergestellt werden, und weil personelle Lenkung nur punktuell verfügbar ist, begrenzt sie, welche Werkzeuge in welchem Setting vertretbar sind. Aus einer Beschreibung wird eine Auswahlregel. Und Lenkung wird in drei Hebel zerlegt, sodass sich Werkzeuge beschreiben lassen, die etwa vollständige Kontextualisierung mit geringer Hilfedichte verbinden; eine Stufenlogik ohne Hebel kann diese Kombination nicht abbilden.

GRAIT staffelt dagegen entlang erreichter Meilensteine im Curriculum und bezieht ein, ob Lernende die Ausgabe schon bewerten können, reguliert aber den Zugang zur Technik als Ganzes. Molenaars Automatisierungsgrade lassen sich innerhalb der SKILL-Stufen als Beschreibung der Regulationsverteilung nutzen; ICAP begründet die Prüffrage der kognitiven Aktivierung. Was das Modell nicht leistet: Es enthält kein Diagnoseinstrument für die Stufenzuordnung und ist empirisch nicht geprüft.

Subcompetencies

The competence to use AI in a way that effectively promotes learning is situational and subject-bound. It is determined by four sub-competencies, which can be assessed independently of the learning outcome, thereby keeping the model's reference point verifiable:

• Subject matter expertise. Anyone who knows little about the subject cannot judge the technical quality of an answer and overlooks plausible errors (Kalyuga, 2007; Kirschner et al., 2006). Anyone who has not yet mastered long division cannot spot the flaw in a neatly formatted but incorrect calculation. Detectable via pre-tests, regardless of AI use.
• Critical AI literacy. Grenzen des Werkzeugs, erfundene Angaben und gefällige Antworten erkennen und Ausgaben systematisch prüfen. Die Kompetenzrahmen der UNESCO (2024) sowie von OECD und Europäischer Kommission (2026) führen diese Fähigkeit als wesentlichen Bestandteil von KI-Bildung; Ng et al. (2021) unterscheiden Kennen, Anwenden, Bewerten und ethisches Reflektieren. Erfassbar vor dem Einsatz an standardisiertem Material, etwa daran, ob in vorgelegten KI-Antworten eingebaute Fehler gefunden werden.
• Self-regulation. Wer selbstreguliert lernt, bereitet sich vor, beobachtet sich beim Arbeiten und schaut anschließend zurück (Zimmerman, 2002), gestützt auf Zielsetzung und Selbstwirksamkeit. Für den KI-Einsatz heißt das: entscheiden können, wann die KI als Denkpartner sinnvoll ist und wann nicht. Dazu gehört die Impulskontrolle, die Lösung nicht sofort abzurufen. Sie greift auf inhibitorische Kontrolle zurück, die zu den exekutiven Funktionen zählt; exekutive Funktionen sind früh angelegt, verstärken sich aber über Kindheit und Jugend hinweg weiter, wobei ihre Komponenten unterschiedlich verlaufen (Best & Miller, 2010). Anspruchsvoll ist hier weniger das Unterdrücken eines Impulses in einer neutralen Aufgabe, wie es die klassischen Verfahren erfassen, als das Zurückstellen einer verfügbaren und unmittelbar erfolgreichen Handlung zugunsten eines Lernziels, das erst später sichtbar wird; diese Anforderung enthält eine motivationale Komponente, die die üblichen Maße exekutiver Funktionen nicht abbilden. Dazu gehört die adaptive Hilfesuche, von Newman (2002) als Strategie der Selbstregulation gefasst, die auf künftige Selbstständigkeit zielt: einen Hinweis statt der Lösung anfordern, und nur so viel wie nötig; dass Lernende Hilfe erst nach einem eigenen Versuch abrufen sollten und dies regelmäßig verfehlen, ist für Tutorsysteme dokumentiert (Aleven et al., 2016). Fan et al. (2025) zeigen, dass sich gerade diese Prozesse unter freier KI-Nutzung verschieben. Erfassbar über Selbstauskunft und Prozessdaten aus KI-fernen Aufgaben, nicht am Verlauf des laufenden Einsatzes.
• Linguistic and cognitive prerequisites. Eine Frage präzise formulieren, eine längere Antwort lesen und im Arbeitsgedächtnis halten, Kontext bereitstellen. Eine lange KI-Antwort belastet das Arbeitsgedächtnis zusätzlich zur Aufgabe; bei geringem Vorwissen fehlen die Schemata, die diese Last auffangen (Sweller et al., 2019). Ein Kind der dritten Klasse tippt „warum ist das falsch“, bekommt acht Sätze zurück und liest ab dem dritten nicht mehr mit. Die Antwort war fachlich richtig, hat dem Kind aber nicht geholfen. Erfassbar über Lese- und Formulierungsproben.

Anyone at the beginning in one or more of these areas needs more guidance. These learners do not create the necessary structure themselves: they do not assign a role to the AI and do not provide it with subject-matter context because they do not yet know that both make a difference. As competence grows, this requirement reverses. Then, redundant structure becomes a hindrance, and the tool must be open-ended. For practical level assignment, the lowest sub-competence is decisive (minimum rule): a single missing prerequisite, such as low impulse control combined with high expert knowledge, is not offset by the remaining ones. Within the level, the levers can then be adjusted differently. How the four sub-competencies can be assessed economically remains an open question (section „Limitations and Open Questions“).

Preliminary question: whether AI is needed in this learning situation

Ob KI in dieser Lernsituation überhaupt einen Beitrag leistet, entscheidet das Modell nicht. Das Spektrum beginnt erst danach. Ein Modell, das den KI-Einsatz ordnet, kann so gelesen werden, als sei der Einsatz gesetzt und nur noch die Dosierung offen. Viele Lernziele werden aber ohne KI besser erreicht: weil die Tätigkeit, die die KI übernehmen würde, das ist, was geübt werden soll, oder weil Material, Gespräch und eigenes Probieren ausreichen. Ein Kind, das Zahlen zerlegt, braucht Plättchen und eine Frage, keinen Chatbot. Die Vorfrage ist der Stufenlogik deshalb vorgelagert: Nur wenn sie bejaht wird, stellt sich die Frage nach der passenden Stufe. Wird sie bejaht und sind die Voraussetzungen gering, führt das zu Stufe 1; häufig fällt die Vorfrage aber schon negativ aus. International kommt die OECD (2026) in ihrer Synthese der vorliegenden Evidenz zu demselben Schluss: Generative KI unterstützt Lernen, wenn klare didaktische Prinzipien sie führen; wird die Aufgabe ohne pädagogische Rahmung an sie ausgelagert, steigt die Leistung, ohne dass Lernen entsteht.

This applies regardless of age, but holds special weight in primary school. That is where the foundations are laid against which every future AI response must be measured: reading, writing, number concepts, initial experiences with one's own thinking and its errors. Research findings on monitoring and epistemic vigilance support the restraint recommended by the SWK (2024) for this phase. At Level 1, use remains limited to a few clearly defined situations: those in which an embedded tool achieves something otherwise unavailable, such as patient feedback on one's own problem-solving process, linguistic support, or access for children with disabilities. For all other learning situations, counters, a good question, and time to experiment are sufficient.

Vor der didaktischen Entscheidung steht zudem eine rechtliche. Frei zugängliche Chatbots setzen in ihren Nutzungsbedingungen ein Mindestalter voraus, in der Regel 13 Jahre oder das im Land geltende Mindestalter, für Minderjährige teils nur mit Erlaubnis der Sorgeberechtigten oder über elterlich verwaltete Konten; für einwilligungsbasierte Dienste gilt daneben Art. 8 DSGVO, in Deutschland mit einer Altersgrenze von 16 Jahren. In der Grundschule scheidet die Nutzung mit eigenem Konto damit aus. Für den Einsatz in der Schule gelten die Vorgaben der DSGVO und der Länder zur Auftragsverarbeitung.

Die KI-Verordnung der EU (Europäische Union, 2024) betrifft Schulen in vier Punkten. Erstens ist der Einsatz von KI-Systemen zur Ableitung von Emotionen in Bildungseinrichtungen seit dem 2. Februar 2025 verboten (Art. 5 Abs. 1 Buchst. f); erfasst sind Systeme, die Emotionen oder Absichten aus biometrischen Daten ableiten (Art. 3 Nr. 39), ausgenommen solche aus medizinischen Gründen oder Sicherheitsgründen. Zweitens müssen Anbieter und Betreiber Maßnahmen ergreifen, um die KI-Kompetenz ihres Personals und der in ihrem Auftrag mit Betrieb und Nutzung befassten Personen zu fördern (Art. 4); die Pflicht adressiert die Schule als Betreiberin, nicht die Lernenden.

Drittens gelten Systeme, die über Zugang, Zulassung oder Zuweisung entscheiden, Lernergebnisse bewerten, das angemessene Bildungsniveau einer Person beurteilen oder Prüfungen überwachen, als Hochrisikosysteme (Anhang III Nr. 3 Buchst. a bis d; Art. 6 Abs. 3 nimmt Systeme ohne erhebliches Risiko aus, Systeme mit Profiling natürlicher Personen gelten aber stets als hochriskant). Die Pflichten für diese Hochrisikosysteme greifen nach der Änderungsverordnung (EU) 2026/1744 vom 8. Juli 2026 erst ab dem 2. Dezember 2027, für Anhang-I-Systeme ab dem 2. August 2028; dieselbe Verordnung hat die Pflicht aus Art. 4 von einem sicherzustellenden Kenntnisstand auf eine Maßnahmenpflicht zurückgenommen (Europäische Union, 2026). Viertens gelten seit dem 2. August 2026 die Transparenzpflichten des Art. 50: Anbieter müssen KI-Systeme, die unmittelbar mit Personen interagieren, so gestalten, dass diese über die Interaktion informiert werden; Betreiber müssen veröffentlichte KI-erzeugte oder KI-bearbeitete Inhalte kennzeichnen. Für den Unterricht heißt das vor allem, gegenüber den Lernenden offenzulegen, wenn sie mit einem KI-System arbeiten.

Für das Modell heißt das: Diese Schranken knüpfen am Alter an, nicht an der Kompetenz, und sind der Stufenlogik äußerlich. Wo sie greifen, in der Grundschule und weitgehend in der Sekundarstufe I, ist die eingebettete Lösung häufig die einzige zulässige, weil die Lehrkraft rechtliche Anforderungen nicht durch Begleitung ersetzen kann. Für Erwachsene, die in einem neuen Fachgebiet auf Stufe 1 stehen, ist die Werkzeugwahl allein eine didaktische.

Clarification of terms: didactic guidance

Didactic guidance in this article refers to everything that shapes the learners' scope of action in the sense of the learning objective. The term is broader than the term guidance der Instruktionsforschung (Kirschner et al., 2006; Lazonder & Harmsen, 2016), der gegebene Unterstützung meint; er schließt hier zusätzlich das gezielte Zurückhalten von Information ein. Neu ist dieser zweite Anteil nicht: Reiser (2004) unterscheidet innerhalb des Scaffolding das Strukturieren, das Komplexität senkt, vom Problematisieren, das Lernende gezielt auf Schwierigkeiten stößt, statt sie zu umgehen, und Kapur (2016) begründet denselben Mechanismus vom Lernergebnis her. Die Leitplanken des Modells sind die werkzeugseitige Umsetzung dieses zweiten Mechanismus; neu ist, dass er als eigener, unabhängig einstellbarer Hebel geführt wird. Die Effektstärken der genannten Metaanalysen beziehen sich gleichwohl auf gegebene Unterstützung und lassen sich auf das Zurückhalten nicht übertragen. Daraus folgt eine Asymmetrie in der Belegbasis: Für Scaffolding liegen metaanalytische Effektschätzungen vor (Belland et al., 2017; Lazonder & Harmsen, 2016). Für Kontextualisierung als eigenständigen Hebel fehlt eine solche Schätzung; sie wird aus der Literatur zu Vorwissen und Lenkung abgeleitet. Für Leitplanken als gezieltes Zurückhalten stützt sich das Modell auf zwei Einzelstudien in je eigenen Kontexten (Bastani et al., 2025; Buçinca et al., 2021). Zwei der drei Hebel sind damit nur schwach belegt, und der Hebel, auf dem Stufe 1 beruht, am schwächsten.

Eine dritte Studie prüft den Kontrast unmittelbar: Bassner et al. (2026) verglichen in einem randomisierten Experiment mit 275 Studierenden eines Programmier-Grundkurses einen Tutor mit gestuften Hinweisen und zurückgehaltener Lösung, unbeschränktes ChatGPT und eine Bedingung ohne KI. Beide KI-Bedingungen führten zu besseren Übungsergebnissen und weniger Frustration, während sich der KI-freie Wissenstest zwischen allen drei Bedingungen nicht unterschied. Der Befund wiederholt die Trennung von Leistung und Lernen, stützt aber nicht die Erwartung, dass Leitplanken im KI-freien Maß einen Vorteil erzeugen. Er wurde unmittelbar nach einer 90-minütigen Sitzung an einer hochschulischen Stichprobe erhoben, also nicht in dem Kompetenzbereich, für den das Modell den Vorteil vorhersagt; die Beweislast verschiebt er dennoch zulasten der Grundannahme.

In dieselbe Richtung weist ein randomisiertes Experiment mit 334 Studierenden, die einen Lehrbuchtext 25 Minuten lang bearbeiteten und anschließend ohne KI und ohne Text geprüft wurden: Gegenüber der Gruppe ohne Zugang schnitt die Gruppe mit unbeschränktem Zugang zu einem KI-Tutor um 0,34 Standardabweichungen besser ab, während sich der beschränkte Zugang, KI erst nach eigenständigem Lesen, nicht signifikant von der Gruppe ohne Zugang unterschied; der direkte Vergleich beider KI-Bedingungen fiel mit 0,21 Standardabweichungen zugunsten des unbeschränkten Zugangs aus und verfehlte die Signifikanz knapp (Fischer et al., 2025; Preprint). Der Befund spricht nicht gegen Leitplanken, lässt den erwarteten Vorteil aber offen; auch hier fehlt ein verzögerter Nachtest, und die Stichprobe ist hochschulisch. Der Begriff der didaktischen Lenkung ist dem Sammelwort „Vorstrukturierung“ vorzuziehen, weil er drei Dinge unterscheidbar macht, die bei KI-Werkzeugen analytisch getrennt sind:

Lever	What he does	Example
Scaffolding adaptive help	Graduated prompts, follow-up questions, and feedback based on the current level of progress, which are withdrawn as soon as they are no longer needed (fading).	The tutor first asks „What is being sought?“, then „What information do you need?“, before suggesting a method of calculation.
Guardrails Guardrails	Strict boundaries of what the AI does or does not do. They protect the solution process when it is itself a learning objective.	The AI does not output final results before an independent attempt is made; it stays on topic.
Contextualization Embedding of task and role	Learning objective, task, professional background, and the role of the AI are stored in the tool and do not need to be provided by the user.	A word problem tutor knows the task, the grade level, and typical misconceptions.

Leitplanken sind unterschiedlich belastbar. Eine im Systemprompt hinterlegte Rolle lässt sich im Gespräch aushebeln: Sprachmodelle sind auf Hilfsbereitschaft trainiert und geben Lösungen preis, wenn Lernende drängen, Autorität behaupten oder das Thema wechseln. Zhao et al. (2026) zeigen das systematisch: Ein eigens auf das Umgehen pädagogischer Vorgaben feinabgestimmter simulierter Lernender entlockt gängigen KI-Tutoren in mehrschrittigen Dialogen die Lösung, mit erheblichen Unterschieden zwischen den Modellen; rein kontextbasierte Versuche ohne solche Feinabstimmung scheitern häufiger, und einfache Schutzmaßnahmen senken die Quote, beseitigen sie aber nicht. Die Studie beziffert die obere Grenze der Angreifbarkeit; wie leicht Lernende im Unterricht diese Grenzen verschieben, ist nicht untersucht.

Verlässlich wirken Grenzen, die außerhalb des Dialogs liegen, etwa eine Freigabe des Endergebnisses erst nach einem eigenen Versuch, ein begrenzter Antwortraum oder eine Prüfung der Ausgabe vor der Anzeige. Buçinca et al. (2021) zeigen in einem Entscheidungsexperiment mit 199 Erwachsenen, dass ein erzwungenes eigenes Urteil vor der KI-Ausgabe die Übernahme falscher Vorschläge deutlicher verringert als bloße Erklärungen. Für die Übertragung ist der Befund dreifach eingeschränkt. Erstens beruht er auf einer einzelnen Online-Stichprobe an einer Alltagsaufgabe ohne Lernziel. Zweitens bewerteten die Teilnehmenden gerade die Gestaltungen am schlechtesten, die die Übernahme falscher Vorschläge am stärksten senkten. Drittens nützten diese Gestaltungen vor allem Personen mit hoher Bereitschaft zur kognitiven Anstrengung. Ausgerechnet die Gruppe, der Stufe 1 solche Zwänge zumutet, könnte also am wenigsten davon profitieren; ob sich der Befund auf Lernaufgaben und Kinder überträgt, ist ungeprüft.

Provider-side learning modes such as Study Mode in ChatGPT or Guided Learning in Gemini are intended to steer behavior in the didactically desired direction, but they do not guarantee the boundaries; for the Gemini variant, a description by the provider is available (LearnLM Team, 2024). Regarding Guided Learning, Google DeepMind (2026) reports a pre-registered randomized field study over eight weeks with 1,763 lower secondary learners at twelve schools in Sierra Leone and an effect of 0.26 standard deviations on mathematics performance, calculated across all assignees regardless of actual usage; the study comes from the provider, is not peer-reviewed, and the comparison group had no additional learning opportunity, so it does not test the contrast of interest here between guided and open usage. An independent evaluation of the learning impact of these modes is pending. Maurya et al. (2025), in the MRBench benchmark, compared the responses of current language models with those of experienced and inexperienced human tutors and evaluated 1,596 individual responses from 192 dialogues along eight pedagogical dimensions: the systems recognize errors, locate them, and provide hints without revealing the solution, but with very varying reliability, and none reaches the level of experienced tutors across all eight dimensions, while the work also identifies gaps in the human comparison groups. Furthermore, a learning mode can be turned off or bypassed by a second access point.

Für die Stufenzuordnung ist das erheblich. Auf Stufe 1 müssen die Leitplanken belastbar sein, also außerhalb des Dialogs verankert: entweder auf Anwendungsebene oder dadurch, dass die Lehrkraft den Dialog selbst führt und die Ausgabe prüft, bevor sie die Lernenden erreicht. Eine per Prompt oder Modus gesetzte Rolle, die die Lernenden selbst bedienen, bleibt im Dialog aushebelbar und reicht nur für Stufe 2. Belastbare Leitplanken setzen damit eine Einbettung auf Anwendungsebene oder eine durchgängige personelle Vermittlung voraus; die drei Hebel sind analytisch getrennt, in der Praxis aber nur teilweise unabhängig.

The degree of guidance of a tool results from the interplay of the three levers. The levers scale the density and reach of the assistance; their contingency is not a step size, but rather a quality feature at all levels. This results in a restriction of the axis: Because scaffolding is defined here as contingent assistance, its increase cannot, by definition, produce the disadvantage expected for advanced learners; this disadvantage stems from guardrails and contextualization, as well as from assistance that misses the sense of a model, such as a fixed sequence of hints. For tools, descriptive designations are clearer than pre-structured: embedded or app-integrated for AI that works within a learning application with a stored task and a fixed role; partially open for an open tool in which role and assignment are prepared, but can be modified in dialogue; open for a tool without predefined guidelines. These designations apply only to the tool; the level of deployment determines how much personal support is added. The axis is deliberately named „steering“ rather than „support“: Even outputting a ready-made solution is support, although it is detrimental to learning.

Three variables must be distinguished and are kept linguistically separate in the following. The competence level (low, medium, high) describes the person. The degree of control of a tool (high, medium, low) describes how far the three levers in the tool are set: embedded, partially open, or open. The third lever is called contextualization so that „embedded“ remains reserved for the tool type and „Embedded“ for the level. The level of deployment (1 Embedded, 2 Accompanied, 3 Open) denotes the fit range: the competence level of the person together with the arrangement of tool control and personal accompaniment that matches it. The level is determined via the person; which arrangement they redeem is shown in the tables. The same level can therefore be achieved with different tools, as long as the accompaniment compensates for the difference; wherever „Level 1“ appears below, the level of deployment is meant, not the tool type.

The term „AI literacy“ also requires clarification. What is meant is the learning-related AI literacy in terms of subject matter, meaning the ability to use AI in a given subject in a way that generates one's own skills. It is partly subject-dependent: expertise and, to a lesser extent, the critical evaluation of AI outputs vary from subject to subject for the same person, whereas self-regulation and linguistic-cognitive prerequisites hardly do so. Under the minimum rule introduced below, the cross-domain components therefore set an upper limit that can only fall below, but not raise, the subject expertise in a specific area. In the following, it is referred to briefly as learning-related AI literacy. To avoid circularity in the definition, the model does not determine literacy via the learning outcome, but via the four sub-competencies. Of these, subject expertise as well as linguistic and cognitive prerequisites can be assessed completely independently of use; critical AI literacy and self-regulation are inferred from behavior in AI-related situations and must therefore be assessed using standardized material prior to use, rather than during the ongoing application process. The term AI literacy is used in the article in three different meanings that must be distinguished: learning-related AI literacy as the reference point of the model, critical AI literacy as one of its sub-competencies, and AI literacy in the sense of Article 4 of the AI Act as an obligation of operators to foster it.

Guidance by tool and teacher

How much guidance a tool provides initially describes only the tool itself. However, guidance can also come from people, especially the teacher who prepares its use, accompanies it in the room, and follows up on it. Only both sources together determine the level of implementation: The level answers the question of how much guidance this child needs, while the tool type answers the question of how much guidance this program provides. They are not arbitrarily interchangeable: Guidance from the tool acts continuously, in every interaction, and even when no one is sitting next to the learner; guidance by the teacher is diagnostically richer and more flexible, but is only available selectively and not for all learners simultaneously. If guidance is missing in the tool, the teacher must provide it at the moment it is needed, and only for as long as they are able to do so.

Erste Hinweise stützen diese Annahme. Die laufend fortgeschriebene, nicht begutachtete Metaanalyse von Strohmaier et al. (2026) zu generativer KI im Mathematiklernen findet in ihrer vierten Fassung auf Basis von 27 Studien einen positiven Gesamteffekt (g = 0,49; Kredibilitätsintervall 0,24 bis 0,75, das bayesianische Gegenstück zum Konfidenzintervall) und keinen Hinweis auf Publikationsverzerrung. Am deutlichsten unterscheiden sich die Studien darin, ob die KI den regulären Unterricht ergänzt oder die Lehrkraft ersetzt; als Ergänzung wirkt sie stärker. Spätere Fassungen können abweichen.

In dieselbe Richtung weist ein randomisierter Feldversuch, in dem nicht die Lernenden, sondern rund 900 Tutorinnen und Tutoren KI-Unterstützung erhielten: Ihre 1800 Lernenden beherrschten Themen um vier Prozentpunkte häufiger, bei den zuvor am schlechtesten bewerteten Tutorinnen und Tutoren um neun (Wang et al., 2025; Preprint).

Einen ersten Hinweis darauf, dass Stufe 2 in der Praxis funktioniert, liefert ein randomisierter Feldversuch in Nigeria: Ein generisches, nicht eingebettetes Sprachmodell wurde sechs Wochen lang in einem lehrkraftbegleiteten Nachmittagsprogramm eingesetzt und erbrachte einen Gesamteffekt von 0,31 Standardabweichungen, im Zielfach Englisch 0,23 und in der von der Schule durchgeführten Jahresabschlussprüfung in Englisch 0,21 (De Simone et al., 2025); verglichen wurde mit einer Gruppe ohne zusätzliche Lerngelegenheit, sodass der Effekt die KI-Nutzung mit zusätzlicher Unterrichtszeit vermengt, worauf die Autorinnen und Autoren selbst hinweisen. Der Befund zeigt, dass ein offenes Werkzeug mit dichter Begleitung wirken kann, nicht, dass es dem gelenkten überlegen wäre. Alle drei Befunde betreffen die Verteilung der Lenkung; ob sich Werkzeuglenkung und Begleitung in den hier angenommenen Kombinationen gegeneinander aufrechnen lassen, bleibt offen (Abschnitt „Grenzen und offene Fragen“).

In a class, the ability levels are usually close to one another. It is then practical to align the tool with the lowest occurring level and to reduce scaffolding where the learners are further along, rather than the other way around, because a tool that is too open cannot be compensated for by supervision in the case of the least secure learners.

Auch auf Stufe 1 kann deshalb ein offener Chatbot eingesetzt werden, soweit die rechtlichen Voraussetzungen vorliegen; in der Grundschule regelmäßig nur ohne eigenes Konto der Kinder, also über einen Zugang der Lehrkraft im Plenum. Dann liegt fast die gesamte Lenkung bei der Lehrkraft. Sie wählt Aufgabe und Ausschnitt, stellt die Anweisung an die KI selbst bereit, arbeitet im Plenum oder in kleinen Gruppen, unterbricht, wenn die KI eine Lösung vorwegnimmt, und lässt die Kinder anschließend ohne KI erklären, was sie herausgefunden haben. Das ist möglich, aber aufwendig, und es funktioniert nur so lange, wie die Lehrkraft tatsächlich präsent ist. Ein eingebettetes Werkzeug leistet dieselbe Lenkung dauerhaft, auch in der Freiarbeit oder zu Hause. Umgekehrt lässt sich ein eingebettetes Werkzeug auf Stufe 3 fast ohne Begleitung nutzen; dort kann seine Struktur allerdings stören. Die Stufe des Einsatzes ergibt sich also aus zwei Fragen: Wie viel Lenkung bringt das Werkzeug mit, und wie viel personelle Begleitung kommt hinzu? Auch hier gibt es keine scharfen Grenzen. Die Begleitung wird Schritt für Schritt zurückgenommen, so wie ein Gerüst nicht auf einmal abgebaut wird.

Personal guidance requires insight. Teacher views that show who is stuck, who skips hints, and where the same misconception occurs can shift attention to where it is needed. Holstein et al. (2018) demonstrated this for mixed-reality smart glasses coupled with a tutoring system in lower secondary mathematics: In an experiment with three conditions, 286 students across 18 classes and 8 teachers learned more when the teacher received real-time analytics on learning progress, metacognition, and behavior. A comparable evaluation for feedback views in generative AI applications is still pending. At levels 1 and 2, a teacher view is therefore conceptually part of guidance; without it, supervision must rely on random sampling. From a legal perspective, a distinction must be made: A view that makes working processes visible and leaves interpretation to the teacher is uncritical; a system that assesses learning progress itself and derives assignments or performance judgments from it falls under Annex III No. 3 of the AI Act and is subject to the obligations for high-risk systems. Feedback views must therefore be designed to support observation rather than automate assessment.

Stufe des Einsatzes	Eingebettetes Werkzeug (Lenkung hoch)	Teiloffenes Werkzeug (Lenkung mittel)	Offenes Werkzeug (Lenkung niedrig)
1 · Embedded geringe Kompetenz	Begleitung normal: Einführung, Beobachtung, Aufgreifen im Unterricht. Nutzung auch in Freiarbeit oder zu Hause möglich.	Nicht ausreichend, wenn die Lernenden den Dialog selbst führen: Die per Prompt oder Lernmodus gesetzte Rolle ist aushebelbar und erzeugt eine Sicherheit, die sie nicht einlöst. Führt die Lehrkraft den Dialog, gilt dieselbe Regelung wie für das offene Werkzeug.	Begleitung intensiv: Die Lehrkraft führt den Dialog selbst, im Plenum oder in Kleingruppen; gemeinsame Vorbereitung, feste Regeln, Nachbereitung ohne KI. Nicht für die unbeaufsichtigte Nutzung.
2 · Accompanied mittlere Kompetenz	Begleitung gering: Werkzeug wird geöffnet, Ergebnisse werden besprochen.	Begleitung mittel: klarer Auftrag, vorbereitete Rolle, Stichproben, Reflexion der Nutzung. Der Regelfall dieser Stufe.	Begleitung mittel bis gering: Auftrag und Transparenzregeln, Stichproben, Nutzung reflektieren.
3 · Open hohe Kompetenz	Kaum Begleitung nötig; eingebaute Struktur kann bremsen.	Kaum Begleitung nötig; vorbereitete Rolle ist entbehrlich.	Kaum Begleitung nötig: Transparenzregeln vereinbaren, gelegentlich reflektieren, Lernen weiterhin ohne KI prüfen.

The SKILL spectrum

Das Spektrum ordnet Werkzeuge und Einsatzformen entlang der Kompetenz. Drei Stufen strukturieren es: Embedded, Accompanied and Open. Sie sind Orientierungsmarken auf einem Kontinuum mit fließenden Übergängen. Eine Person kann in der Sache schon weit sein, im Prüfen von KI-Antworten aber noch am Anfang stehen. Nach der Minimum-Regel wird sie dann Stufe 1 zugeordnet; die Hebel lassen sich innerhalb dieser Stufe aber unterschiedlich einstellen, sodass die Lenkung dort zurückgenommen wird, wo die Person weiter ist, ohne dass sich die Stufe ändert.

Die Stufen lassen sich an zwei Entwicklungsgrößen ablesen. Stufe 1 gilt, solange Kinder ihre eigene Lösungsgüte deutlich überschätzen und diese Überschätzung auch nach Rückmeldung bestehen bleibt, und solange sie fremde Aussagen nur dann zurückweisen, wenn deren Unstimmigkeit deutlich hervortritt oder ein Quellenhinweis vorliegt; Monitoring und Leitplanken übernimmt dann überwiegend das Werkzeug.

Dass sich die Selbsteinschätzung im frühen Grundschulalter durch Rückmeldung nicht ohne Weiteres verbessern lässt, ist dokumentiert: Kolloff et al. (2023) gaben 112 Kindern im ersten Schuljahr (7 bis 8 Jahre) über sechs Sitzungen entweder reines Leistungsfeedback oder zusätzlich Feedback über die Übereinstimmung von Leistung und eigenem Urteil; die Kinder unterschieden in allen Sitzungen über dem Zufall zwischen richtigen und falschen Antworten und überschätzten sich zugleich durchgehend, doch verbesserte keine der beiden Varianten diese Unterscheidung. Die Studie führte keine Kontrollgruppe ohne Feedback mit; beide Bedingungen erhielten Rückmeldung. Der Indikator für Stufe 1 bezieht sich auf die Kalibrierung, der Nullbefund auf die Diskrimination; für die Kalibrierung selbst liegt kein entsprechender Trainingsbefund vor.

Buehler et al. (2025) fanden in einem verwandten Paradigma derselben Arbeitsgruppe, ergänzt um eine aktive Kontrollgruppe und ein Prä-Post-Design, dagegen einen kleinen Zuwachs im Unsicherheitsmonitoring, allerdings nur für das metakognitive und nicht für das leistungsbezogene Feedback und nur in gemischten Modellen, nicht in den ergänzend berichteten Varianzanalysen; die Autorinnen und Autoren mahnen selbst zur Vorsicht. Rückmeldung wirkt demnach, wenn sie sich ausdrücklich auf die Einschätzung selbst bezieht; wie viele Gelegenheiten dafür nötig sind, ist offen. Der Indikator ist deshalb als Muster über mehrere Gelegenheiten hinweg zu lesen, nicht als Ergebnis eines einzelnen Rückmeldeversuchs. Gemeint ist ein Ausmaß, kein Alles-oder-nichts: Eine gewisse Überschätzung des eigenen Verstehens bleibt bis ins Erwachsenenalter bestehen (Rozenblit & Keil, 2002) und schließt die höheren Stufen nicht aus.

Stufe 2 beginnt, wo Fehler in fremden Antworten selbst gefunden werden und Hilfe erst nach einem eigenen Versuch geholt wird; das Monitoring des eigenen Stands wandert zur Person, die Leitplanken hält weiterhin das Werkzeug. Zwei Voraussetzungen kommen hier zusammen: die inhaltliche Prüfung fremder Aussagen (Sperber et al., 2010; Mills, 2013) und die rückblickende Einschätzung des eigenen Ergebnisses, die sich im Grundschulalter als einzige der geprüften metakognitiven Fertigkeiten über ein Jahr hinweg verbesserte (Bayard et al., 2021). Die Reihenfolge lässt sich damit entwicklungspsychologisch plausibilisieren, ohne als Stufenfolge belegt zu sein. Nicht haltbar wäre dagegen die Annahme, die Prüfung der Quelle gehe der Prüfung des Inhalts entwicklungslogisch voraus: Beide Mechanismen sind bereits im Vorschulalter nachweisbar; was sich entwickelt, ist die Empfindlichkeit für weniger auffällige Unstimmigkeiten und die Regelmäßigkeit, mit der die Prüfung überhaupt einsetzt (Mills, 2013).

Stufe 3 setzt voraus, dass auch subtile, sprachlich gut eingebettete Unstimmigkeiten erkannt werden, für die weder ein Quellenhinweis noch eine auffällige Abweichung vom Erwartbaren einen Anhaltspunkt gibt, und dass der eigene Lernstand ohne Rückmeldung eingeschätzt wird; dass dieser anspruchsvollste Indikator erst hier steht, passt zu dem Befund, dass sich das vorausschauende Monitoring im Grundschulalter über ein Jahr hinweg nicht verbesserte (Bayard et al., 2021).

Die Übernahme des Monitorings durch das Werkzeug auf Stufe 1 ist eine Entlastung auf Zeit, kein Dauerzustand. Selbstreguliertes Lernen ist bereits im Grundschulalter durch Unterricht förderbar: Dignath und Büttner (2008) berichten in getrennten Metaanalysen für Grundschule (49 Studien) und Sekundarstufe (35 Studien) über 357 Effektstärken einen mittleren Gesamteffekt von d = 0,69 auf Schulleistung, Strategienutzung und Motivation, und die Effekte fallen höher aus, wenn die Trainings metakognitive Reflexion einschließen, also vermitteln, wann, warum und wie eine Strategie einzusetzen ist. Die Effekte stammen überwiegend aus kurzen, von Forschenden durchgeführten Trainings; sie halten jedoch über die Zeit: In einer Metaanalyse von 48 Interventionen fiel der Effekt im Follow-up höher aus als unmittelbar danach (g = 0,63 gegenüber 0,50), und Lernende aus sozial benachteiligten Verhältnissen profitierten langfristig am stärksten (de Boer et al., 2018). Ob sich dadurch auch die Genauigkeit der Selbsteinschätzung verbessert, führt keine der beiden Metaanalysen als Ergebnisvariable. Zur Lenkung auf Stufe 1 gehört deshalb, dass das vom Werkzeug übernommene Monitoring im Unterricht zum Thema wird: einschätzen vor der Rückmeldung, Einschätzung und Ergebnis vergleichen, den eigenen Weg ohne KI erklären. Ohne diesen Anteil stabilisiert Stufe 1 die Voraussetzung, die sie überwinden soll.

In der interaktiven Darstellung lässt sich der Punkt frei verschieben; alternativ ist eine der drei Stufen wählbar. Die Darstellung zeigt zu jeder Stufe die passende Ausprägung der vier Teilkompetenzen, die Einstellung der drei Lenkungshebel, den nötigen Umfang der Begleitung, die Aufgabe der Lehrkraft und die Anzeichen dafür, dass die nächste Stufe erreicht ist.

Folgerungen für KI im Unterricht

Bei jedem neuen Gegenstand beginnt auch eine erfahrene Person mit wenig Vorwissen. Die offene Nutzung frei zugänglicher Chatbots kann deshalb nicht der Normalfall des Lernens sein; sie ist die dritte Stufe. Für die meisten Lernsituationen in der Schule ist Stufe 1 oder 2 angemessen: KI, die in eine Lernanwendung eingebettet ist und im Hintergrund einer didaktisch gestalteten Umgebung arbeitet, oder ein offenes Werkzeug mit klarem Auftrag, vorbereiteter Rolle und Begleitung durch die Lehrkraft. In beiden Fällen bleibt die Lehrkraft Teil des Arrangements. Die Frage lautet, welche Anteile der Lenkung sie übernimmt und welche das Werkzeug.

Das Modell hat eine Gerechtigkeitsdimension. Wenn lernwirksame KI-Nutzung Vorwissen, sprachliche Sicherheit, Selbstregulation und technisches Verständnis voraussetzt, profitieren zuerst diejenigen, die all das schon mitbringen. Lehmann et al. (2025) berichten eine solche Schere entlang des Vorwissens bei Studierenden; der Befund ist explorativ. Ob sich die Schere auch entlang sozialer Herkunft öffnet, ist damit nicht gezeigt, liegt aber nahe, weil die genannten Voraussetzungen selbst herkunftsabhängig verteilt sind. Eingebettete Werkzeuge senken die Einstiegshürde und lassen sich mit wachsender Kompetenz öffnen. Das Modell erwartet deshalb, dass sie die Ergebnisse gleichmäßiger verteilen als der offene Chatbot, der zwar allen offensteht, den aber vor allem diejenigen produktiv nutzen, die die genannten Voraussetzungen schon mitbringen. Diese Erwartung ist nicht geprüft: Kein vorliegender bildungsbezogener Vergleich berichtet neben dem Mittelwert die Streuung der Lernergebnisse. Außerhalb des Bildungsbereichs weist ein randomisierter Feldversuch in die erwartete Richtung: Bei Kleinunternehmerinnen und Kleinunternehmern in Kenia verschlechterte der Zugang zu einem KI-Assistenten die Ergebnisse der zuvor schwächeren Hälfte, während die stärkere profitierte (Otis et al., 2026). Auf Lernergebnisse übertragbar ist das nicht. Solange die Streuung niemand berichtet, bleibt der Satz eine Hypothese.

Für Lehrkräfte gilt die Logik ebenfalls. Wer fachlich sicher ist und Erfahrung mit Sprachmodellen hat, kann offene Werkzeuge für Planung, Materialerstellung und Organisation produktiv einsetzen. Andere brauchen Werkzeuge, die ohne ausgeprägte Prompting-Kompetenz funktionieren: mit hinterlegten Rollen, fachlich geprüften Wissensbeständen, vorbereiteten Bausteinen und gezielten Rückfragen. Auch hier sollte sich das Werkzeug öffnen lassen, sobald die Souveränität wächst. Der europäische Referenzrahmen für die Digitalkompetenz Lehrender (Redecker, 2017) beschreibt dieselbe Bewegung von der Anwendung vorbereiteter Ressourcen zu deren eigenständiger Gestaltung.

SKILL-Check: fünf Prüffragen

Die fünf Buchstaben stehen für fünf Fragen, mit denen sich ein KI-gestütztes Lernwerkzeug oder eine Einsatzform in wenigen Minuten prüfen lässt. Der Check bewertet die didaktische Qualität eines Werkzeugs; nur die Belastbarkeit der Leitplanken prüft er mit, weil sie entscheidet, ob ein Werkzeug für Stufe 1 geeignet ist. Wie hoch der Lenkungsgrad insgesamt ist, ergibt sich aus den drei Hebeln (Abschnitt „Begriffsklärung“). Die Buchstaben des Checks und die Namen der Hebel sind nicht deckungsgleich: S greift auf das Scaffolding zurück, I auf die Kontextualisierung, L auf die Leitplanken; K (Kognitive Aktivierung) hat bei den Hebeln keine Entsprechung und stammt aus dem ICAP-Modell.

• S – Scaffolding: Sind die Hilfen gestuft und kontingent, greifen sie also erst nach einem eigenen Versuch und nur in dem Umfang, den der aktuelle Stand erfordert? Ist vorgesehen, wie und woran erkennbar sie zurückgenommen werden?
• K – Cognitive Activation: Müssen die Lernenden selbst denken, entscheiden und handeln, bevor die KI etwas beiträgt? Oder reicht es, zu lesen und zu übernehmen? Nach dem ICAP-Modell (Chi & Wylie, 2014) ist zu prüfen, ob die Tätigkeit der Lernenden nach dem KI-Einsatz noch konstruktiv oder interaktiv ist oder auf passives Aufnehmen zurückfällt.
• I – Integration: Ist der Einsatz an ein Lernziel und eine gehaltvolle Aufgabe gebunden, und behält die Lehrkraft Einblick in den Bearbeitungsprozess?
• L – Leitplanken und Lernprozess: Wo sind die Grenzen verankert: außerhalb des Dialogs, etwa als Freigabe des Endergebnisses erst nach einem eigenen Versuch, oder allein in einer Rolle im Systemprompt oder einem Lernmodus? Nur im ersten Fall reichen sie für Stufe 1. Bleiben Fehler als Lerngelegenheit erhalten, und werden Planen, Überwachen und Bewerten angeregt statt übersprungen?
• L – Long-term development: Wächst mit dem Werkzeug die Selbststeuerung der Lernenden, oder wächst die Abhängigkeit vom Werkzeug?

Ein Werkzeug, das auf mehrere dieser Fragen keine gute Antwort hat, kann in Stufe 3 für kompetente Nutzerinnen und Nutzer trotzdem sinnvoll sein. Für Anfängerinnen und Anfänger ist es ungeeignet.

Übersicht: Indikatoren und Einsatzszenarien je Stufe

Die folgende Übersicht ist eine Planungshilfe, kein Diagnoseinstrument: Ihre Stufenzuordnung beruht auf theoretischer Ableitung und ist empirisch nicht validiert; sie ersetzt weder die fachliche Einschätzung der Lehrkraft noch eine Prüfung des Lernens ohne KI. Dasselbe gilt für das Handout. Die Übersicht fasst für Lehrkräfte zusammen, woran sich die Stufen bei den Lernenden erkennen lassen, welche Einsatzszenarien passen, wie viel Begleitung nötig ist und woran Fortschritt sichtbar wird. Die Spalte „Woran Fortschritt erkennbar ist“ nennt ausschließlich beobachtbares Verhalten. Ob gelernt wurde, wird getrennt und ohne KI geprüft (vierte Planungsfrage); stützte sich die Stufenzuordnung darauf, setzte sie voraus, was sie erklären soll. Die Übersicht steht auch als Handout (PDF, zwei Seiten A4 quer) zum Ausdrucken bereit.

Stufe des Einsatzes	Indikatoren bei den Schülerinnen und Schülern	Passende Einsatzszenarien	Supervision by the teacher	Woran Fortschritt erkennbar ist
1 · Embedded geringe Kompetenz	Kann fachliche Richtigkeit kaum beurteilen; hält KI-Antworten für zuverlässig; übernimmt Antworten und hält die eigene Lösung meist für besser, als sie ist, auch wenn es im Einzelfall merkt, welche Antworten unsicher sind; längere Antworten überfordern. Typisch bei neuem Thema und geringem Vorwissen.	Nur in wenigen, klar umrissenen Situationen. Wenn KI: Tutor in einer Lernanwendung mit hinterlegter Aufgabe; gestufte Hinweise statt Lösungen; Ergebnis gesperrt bis zum eigenen Versuch. Freiarbeit und Üben zu Hause nur mit eingebettetem Werkzeug. Offener Chatbot nur im Plenum oder in Kleingruppen mit Lehrkraft im Gespräch.	Eingebettetes Werkzeug: einführen, beobachten, aufgreifen; das vom Werkzeug übernommene Monitoring zum Thema machen (vorher einschätzen, mit dem Ergebnis vergleichen, den eigenen Weg ohne KI erklären). Offener Chatbot: intensiv, gemeinsam vorbereiten, Anweisung an die KI selbst stellen, im Raum bleiben, eingreifen, ohne KI nachbereiten.	Löst nach einem Hinweis selbst weiter; fragt nach einem eigenen Versuch statt vor ihm; erklärt den eigenen Weg in eigenen Worten; erkennt unpassende Hinweise.
2 · Accompanied mittlere Kompetenz	Erkennt grobe Fehler und prüft Teilergebnisse; kennt Grenzen der KI; stellt eigene Fragen, gibt Kontext aber noch nicht gezielt vor; schätzt nach der Bearbeitung realistisch ein, was ohne KI wieder gelingen würde.	Offenes Werkzeug mit vorbereiteter Rolle und klarem Auftrag; zwei KI-Lösungswege vergleichen und begründet auswählen; KI-Erklärungen auf Fehler prüfen; KI-Rückmeldung zum eigenen Entwurf einholen und überarbeiten.	Mittel: Auftrag und Rolle bereitstellen, Stichproben, Ergebnisse ohne KI erklären lassen, Nutzung gemeinsam reflektieren.	Findet Fehler in KI-Antworten selbst; gibt Kontext und Ziel vor; begründet, wann KI sinnvoll war und wann nicht.
3 · Open hohe Kompetenz	Durchschaut auch plausible Fehler; prüft systematisch an Quellen; plant, überwacht und bewertet den Einsatz selbst; erkennt die eigene Verstehensgrenze, bevor sie sich in einer Aufgabe zeigt.	Frei genutzter Chatbot als Denkpartner: Gegenargumente einholen, Entwürfe kritisieren lassen, Recherche mit Quellenprüfung, eigene Rollen gestalten. Eingebettete Struktur stört nur, wenn sie Bekanntes redundant wiederholt oder nicht abschaltbar ist.	Gering: Transparenzregeln, gelegentliche Reflexion, Lernen weiterhin ohne KI prüfen.	Nutzt KI gezielt und begründet; wechselt bei einem neuen Fachgebiet von sich aus in eine engere Stufe zurück; erkennt selbst, wenn die KI zur Abkürzung geworden ist.

Die Indikatoren beschreiben beobachtbares Verhalten, keine Altersgruppen. Die Entwicklungsbefunde setzen ihnen aber einen Erwartungskorridor: Das vorausschauende Einschätzen des eigenen Lernstands, das Stufe 3 verlangt, verbesserte sich im Grundschulalter über ein Jahr hinweg nicht (Bayard et al., 2021); für die anschließende Entwicklung liegt nur indirekte Evidenz vor, denn die Passung von rückblickender Sicherheit und Leistung nimmt in einer Wahrnehmungsaufgabe bis ins späte Jugendalter zu (Weil et al., 2013), und metakognitive Genauigkeit ist zwischen Domänen nur teilweise gekoppelt: In einer Übersichtsarbeit mit eingebetteter Metaanalyse über 19 Experimente fanden Rouault et al. (2018) einen mittleren domänenübergreifenden Zusammenhang, deutlich über Sinnesmodalitäten hinweg, zwischen Wahrnehmung und Gedächtnis dagegen nicht signifikant, was sie selbst auf begrenzte Teststärke zurückführen; mit einem hierarchisch-bayesianischen Verfahren zeigen Mazancieux et al. (2020) inzwischen auch dort Zusammenhänge. Die Übertragung des an einer Wahrnehmungsaufgabe gewonnenen Verlaufs auf fachliches Monitoring ist damit plausibler, als der ältere Nullbefund nahelegte, bleibt aber ungeprüft. Stufe 3 ist im Grundschulalter deshalb praktisch nicht zu erwarten, auch bei hohem Fachwissen; umgekehrt sagt ein höheres Alter für sich genommen nichts über die Stufe.

Folgerungen für die Entwicklung von Lernanwendungen

Für die Konzeption von Lernanwendungen dient der Ordnungsrahmen dazu, eine Anwendung zu verorten. Sie wird zwischen eingebetteter KI und offenem Chatbot positioniert, ausgehend von der Zielgruppe und ihrer erwartbaren Kompetenz. Daraus folgen konkrete Entscheidungen: Wie viel Fachkontext ist hinterlegt, welche Ausgaben sind gesperrt, wann und wie wird Hilfe gestuft, wie wird Fading umgesetzt, welche Daten sieht die Lehrkraft. Vier Gestaltungsprinzipien, die sich aus den hier referierten Befunden ableiten lassen (fachdidaktische Fundierung der Rückmeldungen, Dosierung nach dem Prinzip „erst du, dann ich“, eigene Tätigkeit vor der KI-Ausgabe und Verzahnung mit dem umgebenden Lernarrangement), führt ein eigener Beitrag aus. Geprüft sind sie nicht.

Grenzen und offene Fragen

Das SKILL-Modell ist ein Ordnungsrahmen, kein empirisch geprüftes Wirkmodell. Seine drei Stufen vereinfachen bewusst: Kompetenz und Lenkung sind stetige Größen, die Übergänge fließend, und die Teilkompetenzen entwickeln sich nicht im Gleichschritt. Fünf Fragen bleiben offen. Die Diagnose: Wie lässt sich die lernbezogene KI-Kompetenz einer Person ökonomisch erfassen, sodass die Stufenzuordnung nicht auf Vermutungen beruht? Das Fading: Wann und in welchen Schritten sollte Lenkung zurückgenommen werden, und woran erkennt ein Werkzeug diesen Zeitpunkt? Die genannte Fehlregulation der Hilfesuche (Aleven et al., 2016; Darvishi et al., 2024) zeigt, dass adaptive Regeln dafür erst in Ansätzen erprobt sind.

Die Verrechnung: Dass generative KI stärker wirkt, wenn sie den Unterricht ergänzt, statt die Lehrkraft zu ersetzen, ist als Moderator zwischen Studien metaanalytisch dokumentiert (Strohmaier et al., 2026, vierte Fassung); ein randomisierter Vergleich innerhalb einer Studie liegt nicht vor, und der Kontrast vermengt die Begleitung mit dem Umfang des Unterrichts insgesamt. Ob sich Werkzeuglenkung und Begleitung in den vom Modell angenommenen Kombinationen gegeneinander aufrechnen lassen, also viel Werkzeuglenkung mit wenig Begleitung gegenüber wenig Werkzeuglenkung mit viel Begleitung, ist nicht untersucht.

Die Übertragbarkeit: Die meisten belastbaren Studien stammen aus der Sekundarstufe und der Hochschule. Für die Grundschule liegen erste kontrollierte Untersuchungen vor, etwa zu einer KI-gestützten Sachrechenumgebung (Liu et al., 2025) und zum Vergleich von Chatbot- und lehrkraftgeleitetem Lesen (Zhou et al., 2026), doch messen sie die Leistung bei verfügbarer Unterstützung und unmittelbar nach der Intervention. Studien, die im Grundschulalter verzögert und ohne KI prüfen oder Lenkungsgrade gegeneinanderstellen, fehlen.

Die Richtung: Das Modell nimmt an, dass mit wachsender lernbezogener KI-Kompetenz weniger Lenkung nötig wird. Fernandes et al. (2026) berichten dagegen für Erwachsene, dass die Leistung unter KI-Nutzung steigt, während sich die metakognitive Genauigkeit von ihr entkoppelt, und dass höhere selbstberichtete KI-Kompetenz mit geringerer, nicht höherer metakognitiver Genauigkeit einhergeht. Trifft das zu, ist der Zusammenhang zwischen Werkzeugroutine und Urteilsfähigkeit nicht monoton, und die kritische KI-Kompetenz muss am Prüfverhalten gemessen werden, nicht an Erfahrung oder Selbsteinschätzung. Der Befund ist korrelativ und an Erwachsenen erhoben; er gehört gleichwohl in das Prüfprogramm der Grundannahme.

Ob sich Lenkungsgrade in Lernergebnisse übersetzen, ist zudem offen. Fütterer et al. (2026) verglichen in einem randomisierten Feldversuch mit 371 Lernenden der Klassen 7 bis 9 zwei KI-gestützte Interventionen zur Selbstregulation, eine motivationale und eine strategiebezogene, mit Standard-ChatGPT über sechs Unterrichtsstunden. Für Wissenszuwachs, Anstrengung und Strategienutzung fand sich kein Vorteil gegenüber der Kontrollbedingung; die motivationale Variante entwickelte den wahrgenommenen Nutzen lediglich günstiger als die strategiebezogene, nicht günstiger als Standard-ChatGPT. Geprüft wurden dort vorgeschaltete Lernstrategie-Prompts, nach der hier vorgeschlagenen Ordnung durchweg Varianten der Stufe 2, und nicht der Kontrast zwischen anwendungsseitigen Leitplanken und offener Nutzung. Ein direkter Test der Modellannahme steht damit aus; das Ergebnis mahnt aber, dass didaktische Zusätze nicht von sich aus wirken. Dieselbe Mahnung enthält der Nullbefund von Bassner et al. (2026) im KI-freien Wissenstest (Abschnitt „Begriffsklärung“). Auch die Gerechtigkeitserwartung aus dem Abschnitt „Folgerungen für KI im Unterricht“ bleibt aus diesem Grund ungeprüft.

Für die Forschung: die Grundannahme als prüfbare Hypothese

Der folgende Abschnitt richtet sich an Forschende; für die Unterrichtsplanung ist er entbehrlich. Vorab ist festzulegen, was als nicht-kontingente Lenkung gilt: Lenkung, die unabhängig vom Bearbeitungsstand ausgelöst wird, etwa eine feste Hinweisreihenfolge, nicht abschaltbare Zwischenschritte oder eine vorgegebene Aufgabengliederung.

Die Grundannahme lautet: Je geringer die lernbezogene KI-Kompetenz, desto größer der Vorteil eines stark gelenkten gegenüber einem offenen Werkzeug in einem verzögerten Test ohne KI; erwartet wird ein Vorteil von mindestens d = 0,30 für Personen, die eine Standardabweichung unterhalb des Kompetenzmittels liegen. Die Schwelle lässt sich nicht aus den vorliegenden Metaanalysen ableiten, deren Schätzungen (Belland et al., 2017: g = 0,46; Lazonder & Harmsen, 2016: d = 0,50) gegebene Unterstützung betreffen, während der vorhergesagte Kontrast wesentlich auf Leitplanken und Kontextualisierung beruht. Sie ist als Relevanzschwelle zu verstehen: d = 0,30 markiert die Größe, ab der ein bedingter Vorteil eine Werkzeugentscheidung im Unterricht rechtfertigen würde.

Gegen die vorliegende Evidenz ist sie ambitioniert. Von den beiden Studien, die den Kontrast im KI-freien Maß bislang prüfen, findet nur Bastani et al. (2025) einen Vorteil der gelenkten gegenüber der offenen Variante, dort hielt die gelenkte Bedingung das Kontrollniveau, während die offene 17 Prozent darunter lag; Bassner et al. (2026) finden keinen. Gegenüber dem Üben ohne KI zeigt in beiden Studien auch die gelenkte Variante keinen Vorteil, und beide messen unmittelbar, nicht verzögert. Die Schwelle ist vor der Erhebung zu fixieren. Bei hoher Kompetenz soll nicht-kontingente Lenkung keinen Vorteil oder einen Nachteil zeigen. Für kontingente Lenkung macht das Modell keine gesonderte Vorhersage: Weil Kontingenz hier bedeutet, dass Hilfe nur nach Bedarf und nur im nötigen Umfang greift, wäre ein ausbleibender Nachteil eine Folge der Begriffsbestimmung, kein Befund. Prüfbar ist allein, ob die als kontingent implementierte Bedingung im Manipulationscheck tatsächlich bedarfsabhängig auslöste; misslingt das, gilt sie als nicht-kontingent.

Formal ist dies eine Wechselwirkung von Personenmerkmal und Instruktionsform, in der Tradition der Forschung zu Aptitude-Treatment-Interaktionen (Cronbach & Snow, 1977); der Expertise-Umkehr-Effekt ist ihr am besten belegter Vertreter. Diese Tradition mahnt zur Vorsicht: Interaktionseffekte fallen kleiner aus als Haupteffekte, verlangen größere Stichproben und replizieren häufig nicht, wenn das Personenmerkmal unscharf gemessen ist. Die Grundannahme ist deshalb nur so belastbar wie das Maß der lernbezogenen KI-Kompetenz, das sie voraussetzt.

Die folgenden Kriterien setzen zudem eine Präzision voraus, die ein einzelner Feldversuch mit Randomisierung auf Klassenebene kaum erreicht: Der Ausschluss einer Wechselwirkung von |Δd| = 0,20 verlangt ein Vielfaches der Fallzahl, die für ihren Nachweis nötig wäre. Die Prüfung ist deshalb gestuft anzulegen: Eine erste Studie prüft konfirmatorisch nur den bedingten Vorteil starker Lenkung im unteren Kompetenzbereich; der Ausschluss der Moderation insgesamt bleibt einer Mehrstandortstudie oder einer prospektiven Metaanalyse vorbehalten. Bis dahin gilt die Grundannahme als ungeprüft, nicht als bestätigt.

Als widerlegt gilt die Annahme in vier Fällen: wenn ein Äquivalenztest für die Differenz der bedingten Effekte bei einer Standardabweichung unter und über dem Kompetenzmittel gegen die Grenze |Δd| = 0,20 signifikant ausfällt, Lenkung also unabhängig von der Kompetenz wirkt; wenn für den unteren Kompetenzbereich (eine Standardabweichung unter dem Mittel) die obere Grenze des 95-Prozent-Konfidenzintervalls für den Vorteil starker Lenkung unter d = 0,30 liegt, wobei dieses Kriterium nicht die Richtungsaussage widerlegt, sondern ihre praktische Relevanz, denn ein kleinerer gleichgerichteter Effekt bliebe möglich, rechtfertigte aber keine Werkzeugentscheidung im Unterricht; wenn sich bei hoher Kompetenz ein Vorteil auch für nicht-kontingente Lenkung zeigt, dessen Konfidenzintervall die Null ausschließt; oder wenn die Wechselwirkung das entgegengesetzte Vorzeichen hat, der Vorteil starker Lenkung bei hoher Kompetenz also den bei geringer Kompetenz übersteigt und das Konfidenzintervall dieser Differenz die Null ausschließt. Nicht signifikante Befunde ohne diese Präzision gelten als unentschieden, nicht als Widerlegung. Die Zuordnung einer Bedingung zu kontingent oder nicht-kontingent wird vor der Datenerhebung festgeschrieben.

Ein Design dafür präregistriert Hypothesen, Auswertungsplan und Abbruchregeln. Es erhebt die vier Teilkompetenzen vor der Intervention und verdichtet sie nach einer vorab festgelegten Regel zu einem kontinuierlichen Moderator auf Personenebene.

Als erste konfirmatorische Spezifikation wird der gleichgewichtete Summenwert aus standardisierten Teilwerten vorab festgelegt, weil er der messgenaueste Kandidat ist. Weil die Praxisempfehlungen dieses Beitrags jedoch auf der Minimum-Regel aus dem Abschnitt „Teilkompetenzen“ beruhen, wird diese als gleichrangige zweite konfirmatorische Hypothese mit eigener Alpha-Korrektur geführt; bleibt sie unbestätigt, während sich der Summenwert bestätigt, sind Übersicht und Handout auf eine kompensatorische Zuordnung umzustellen. Die Minimum-Regel ist messtheoretisch anspruchsvoller, weil das Minimum aus vier fehlerbehafteten Werten nach unten verzerrt und weniger reliabel ist als jedes Einzelmaß. Das wiegt schwer, weil im Grundschulalter zwar die Monitoring-Urteile selbst intern konsistent ausfallen, die personenbezogenen Genauigkeitsmaße dagegen gering reliabel sind und über sechs Monate erheblich schwanken (Roebers et al., 2021), und weil sich Monitoring und Kontrolle dort besser durch qualitativ unterschiedliche Profile als durch eine einzige Ausprägungsdimension beschreiben lassen; in Klasse 4 bleiben schwache Profile über ein Jahr hinweg stabil, in Klasse 2 nicht (van Loon & Roebers, 2024). Die Teilkompetenzen sind deshalb mit mehreren Indikatoren zu erheben, und ihre Reliabilität ist vor der konfirmatorischen Analyse zu berichten; andernfalls ist ein ausbleibender Interaktionseffekt nicht von Messfehlerdämpfung zu unterscheiden.

Die vier Teilkompetenzen als getrennte Moderatoren dienen als Robustheitsprüfung. Zeigt sich der erwartete Interaktionsterm unter keiner der vorab benannten Regeln, gilt die Grundannahme als nicht gestützt; zeigt er sich nur unter einzelnen, bleibt offen, ob es an der Bezugsgröße oder an der Annahme liegt, und die Frage ist in einer eigenen Studie mit unabhängig validiertem Kompetenzmaß zu entscheiden.

Randomisiert wird auf Klassenebene, um Übertragungseffekte zu vermeiden. Verglichen werden bei gleicher Aufgabe und gleicher Zeit vier Bedingungen desselben Modells, die gestufte Hinweise (ja/nein) und eine Sperre des Endergebnisses (ja/nein) kreuzen, ergänzt um einen fünften Arm: Üben ohne KI. Erst diese Kreuzung trennt, was das Bündel bei Bastani et al. (2025) vermischt, nämlich den Beitrag der gestuften Hilfe vom Beitrag der Leitplanke.

Weil alle vier Zellen dieselbe hinterlegte Aufgabe und Rolle teilen, halten sie den dritten Hebel konstant; die Grundannahme in ihrer Fassung „stark gelenkt gegenüber offen“ verlangt deshalb einen sechsten Arm mit einem nicht kontextualisierten, frei zugänglichen Modell bei identischer Aufgabe und Zeit. Dieser Arm ist an die rechtlichen Voraussetzungen gebunden und im Grundschulalter nur über einen von der Lehrkraft geführten Zugang darstellbar; das vollständige Design ist deshalb primär in der Sekundarstufe zu realisieren. Der KI-freie Arm ist unverzichtbar, weil sich in bisherigen Feldversuchen die stark gelenkte Variante der Kontrollgruppe ohne KI nur anglich (Bastani et al., 2025); ohne ihn bliebe die Vorfrage des Modells ungeprüft.

Gemessen wird eine und vier Wochen später ohne KI, ergänzt um eine Transferaufgabe, eine mündliche Erklärung des eigenen Wegs und die Streuung der Ergebnisse als eigene Zielgröße.

Die Fallzahl folgt aus einer Poweranalyse für diese Wechselwirkung zwischen Klassen- und Personenebene; maßgeblich sind neben der Zahl der Klassen die Zahl der Lernenden je Klasse und die Streuung des Kompetenzmaßes innerhalb der Klassen; für einen bedingten Effekt von d = 0,30 ist mit einer dreistelligen Zahl von Klassen zu rechnen. Lässt sich diese nicht erreichen, ist die Kreuzung auf den zentralen Kontrast (starke Lenkung gegenüber offen, plus KI-freier Arm) zu reduzieren und die Hebelzerlegung in einer eigenen Studie zu prüfen. Ein Manipulationscheck prüft an den Dialogprotokollen, ob die Leitplanken gehalten haben; Prozessdaten wie die Zeit bis zur ersten Hilfeanfrage und eigene Lösungsversuche davor dienen als vermittelnde Größen.

Zwei weitere Annahmen lassen sich prüfen. Die Verrechnungsannahme verlangt ein Design, das Werkzeuglenkung (eingebettet gegenüber offen) und Begleitung (intensiv gegenüber gering) kreuzt und für die beiden gemischten Zellen vergleichbare Ergebnisse vorhersagt. Das Verhältnis der Hebel verlangt, Kontextualisierung und Leitplanken faktoriell zu kreuzen; die Modellannahme lautet hier nicht Additivität, sondern Wechselwirkung: Leitplanken ohne Einbettung auf Anwendungsebene sollten schwächer wirken als dieselben Leitplanken mit Einbettung, weil sie im Dialog aushebelbar bleiben. Lässt sich die Zelle „Leitplanken ohne Kontextualisierung“ nicht herstellen, ist die Zerlegung in drei Hebel für die Praxis auf zwei zusammenzuführen. Ein solches Design wird im Projekt PRIMA-KI vorbereitet, das KI-gestützte Lernbegleitung im Mathematikunterricht der Grundschule erprobt.

Weitere Grenzen: Die Beispielbasis beruht überwiegend auf Mathematik, Programmieren und Schreiben; ob der Zusammenhang von Kompetenz und Lenkung in stärker interpretativen oder gestalterischen Fächern gleich verläuft, ist offen. Die zitierten Befunde sind an bestimmte Modellgenerationen gebunden; verändern sich Fähigkeiten und Antwortstile generativer Modelle, können sich die Effekte verschieben. Und das Modell klammert Kriterien aus, die in der Praxis mitentscheiden: Datenschutz, Kosten, Verfügbarkeit und rechtliche Vorgaben.

Conclusion

Wer entscheiden muss, ob und wie KI in einer Stunde vorkommt, geht die vier Planungsfragen durch, prüft das Werkzeug mit dem SKILL-Check und ordnet die Lernenden mit der Übersicht einer Stufe zu. Die Lenkung wird zurückgenommen, wenn die Lernenden zeigen, dass sie ohne sie weiterkommen, und nicht, wenn das Werkzeug es erlaubt. Ob das Modell hält, entscheidet die im Abschnitt zu den Grenzen skizzierte Prüfung.

Frequently Asked Questions

Was ist das SKILL-Modell?

Ein Ordnungsrahmen für den Einsatz von KI beim Lernen in Schule und Unterricht. Grundregel: Je geringer die Kompetenz einer Person, KI in einer konkreten Sache lernwirksam zu nutzen, desto mehr didaktische Lenkung braucht der Einsatz, aus dem Werkzeug oder durch die Lehrkraft. Mit wachsender Kompetenz wird die Lenkung zurückgenommen. SKILL steht zugleich als Akronym für die fünf Prüffragen des SKILL-Checks.

Sollte KI in der Grundschule eingesetzt werden?

Zurückhaltend und begrenzt. Das Modell empfiehlt keinen KI-Einsatz; es ordnet ihn, wenn er sinnvoll ist. In der Grundschule entstehen die Grundlagen, an denen sich später jede KI-Antwort messen muss; die Selbsteinschätzung des eigenen Verstehens und das Prüfen fremder Aussagen sind noch in der Entwicklung. Wenn KI, dann eingebettet in eine Lernanwendung mit fester Rolle oder intensiv durch die Lehrkraft begleitet, und nur dort, wo sie etwas leistet, das Material, Gespräch und eigenes Probieren nicht leisten.

Warum kann ein Chatbot beim Lernen schaden?

Weil er den Lösungsprozess überspringen kann. In einem Feldexperiment mit knapp tausend Schülerinnen und Schülern stieg die Leistung beim Üben mit freiem Chatbot-Zugang; in der Prüfung ohne KI lag dieselbe Gruppe dann um 17 Prozent unter dem Leistungsniveau der Kontrollgruppe, nicht 17 Prozentpunkte (Bastani et al., 2025). Leistung mit KI ist nicht dasselbe wie Lernen. Eine Variante mit didaktischen Leitplanken, die Hinweise statt Lösungen gibt, erreichte in der Prüfung wieder das Niveau der Gruppe ohne KI.

Reichen die Lernmodi von ChatGPT oder Gemini?

Sie verschieben das Verhalten in die gewünschte Richtung, garantieren die Grenzen aber nicht: Sprachmodelle geben Lösungen preis, wenn Lernende drängen oder das Thema wechseln (Zhao et al., 2026), und ein Lernmodus lässt sich abschalten. Für Stufe 2 reicht er, für Stufe 1 nicht; dort müssen die Grenzen außerhalb des Dialogs liegen, oder die Lehrkraft führt den Dialog selbst.

Was bedeutet didaktische Lenkung?

Alles, was den Handlungsspielraum der Lernenden im Sinne des Lernziels formt. Bei KI-Werkzeugen wirkt sie über drei Hebel: Scaffolding (gestufte Hilfe, die zurückgenommen wird), Leitplanken (was die KI nicht tut, etwa Lösungen vorwegnehmen) und Kontextualisierung (Aufgabe, Fachkontext und Rolle sind hinterlegt). Dazu kommt die personelle Begleitung durch die Lehrkraft.

Wie beurteile ich als Lehrkraft ein KI-Werkzeug?

Mit dem SKILL-Check: Sind die Hilfen gestuft und werden sie zurückgenommen? Müssen die Schülerinnen und Schüler vor der KI-Ausgabe selbst denken? Ist der Einsatz an ein Lernziel gebunden, und behalte ich Einblick? Bleiben Fehler als Lerngelegenheit erhalten? Wächst die Selbststeuerung oder die Abhängigkeit? Ob im Unterricht überhaupt KI zum Einsatz kommt und auf welcher Stufe, klären davor die vier Planungsfragen.

literature

• Aleven, V., Roll, I., McLaren, B. M., & Koedinger, K. R. (2016). Help helps, but only so much: Research on help seeking with intelligent tutoring systems. International Journal of Artificial Intelligence in Education, 26(1), 205–223. https://doi.org/10.1007/s40593-015-0089-1
• Armitage, K. L., & Gilbert, S. J. (2025). The nature and development of cognitive offloading in children. Child Development Perspectives, 19(2), 108–115. https://doi.org/10.1111/cdep.12532
• Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 12, Artikel 102287. https://doi.org/10.1016/j.ssaho.2025.102287
• Bassner, P., Lenk-Ostendorf, B., Beinstingel, R., Wasner, T., & Krusche, S. (2026). Less stress, better scores, same learning: The dissociation of performance and learning in AI-supported programming education. Computers and Education: Artificial Intelligence, 10, Artikel 100537. https://doi.org/10.1016/j.caeai.2025.100537
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
• Bayard, N. S., van Loon, M. H., Steiner, M., & Roebers, C. M. (2021). Developmental improvements and persisting difficulties in children’s metacognitive monitoring and control skills: Cross-sectional and longitudinal perspectives. Child Development, 92(3), 1118–1136. https://doi.org/10.1111/cdev.13486
• Belland, B. R., Walker, A. E., Kim, N. J., & Lefler, M. (2017). Synthesizing results from empirical research on computer-based scaffolding in STEM education: A meta-analysis. Review of Educational Research, 87(2), 309–344. https://doi.org/10.3102/0034654316670999
• Best, J. R., & Miller, P. H. (2010). A developmental perspective on executive function. Child Development, 81(6), 1641–1660. https://doi.org/10.1111/j.1467-8624.2010.01499.x
• Bildungsministerkonferenz. (2024). Recommendations for educational authorities on dealing with artificial intelligence in school education processes [Beschluss vom 10.10.2024]. https://www.kmk.org/
• Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher, R. W. Pew, L. M. Hough, & J. R. Pomerantz (Hrsg.), Psychology and the real world: Essays illustrating fundamental contributions to society (S. 56–64). Worth Publishers.
• Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Artikel 188. https://doi.org/10.1145/3449287
• Buehler, F. J., Ghetti, S., & Roebers, C. M. (2025). Repeated feedback can benefit seven-year-olds‘ uncertainty monitoring in a memory task. Journal of Cognitive Enhancement, 9(2), 230–243. https://doi.org/10.1007/s41465-025-00322-8
• Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2. Aufl.). Lawrence Erlbaum.
• Cronbach, L. J., & Snow, R. E. (1977). Aptitudes and instructional methods: A handbook for research on interactions. Irvington.
• Csibra, G., & Gergely, G. (2009). Natural pedagogy. Trends in Cognitive Sciences, 13(4), 148–153. https://doi.org/10.1016/j.tics.2009.01.005
• Danovitch, J. H. (2019). Growing up with Google: How children’s understanding and use of internet-based devices relates to cognitive development. Human Behavior and Emerging Technologies, 1(2), 81–90. https://doi.org/10.1002/hbe2.142
• Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D., & Siemens, G. (2024). Impact of AI assistance on student agency. Computers & Education, 210, Artikel 104967. https://doi.org/10.1016/j.compedu.2023.104967
• de Boer, H., Donker, A. S., Kostons, D. D. N. M., & van der Werf, G. P. C. (2018). Long-term effects of metacognitive strategy instruction on student academic performance: A meta-analysis. Educational Research Review, 24, 98–115. https://doi.org/10.1016/j.edurev.2018.03.002
• De Simone, M. E., Tiberti, F., Barron Rodriguez, M., Manolio, F., Mosuro, W., & Dikoru, E. J. (2025). From chalkboards to chatbots: Evaluating the impact of generative AI on learning outcomes in Nigeria (Policy Research Working Paper 11125). World Bank. https://documents.worldbank.org/en/publication/documents-reports/documentdetail/099548105192529324
• Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, Artikel 105224. https://doi.org/10.1016/j.compedu.2024.105224
• Destan, N., & Roebers, C. M. (2015). What are the metacognitive costs of young children’s overconfidence? Metacognition and Learning, 10(3), 347–374. https://doi.org/10.1007/s11409-014-9133-z
• Dignath, C., & Büttner, G. (2008). Components of fostering self-regulated learning among students: A meta-analysis on intervention studies at primary and secondary school level. Metacognition and Learning, 3(3), 231–264. https://doi.org/10.1007/s11409-008-9029-x
• Europäische Union. (2024). Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (KI-Verordnung). Amtsblatt der Europäischen Union, L, 2024/1689. https://data.europa.eu/eli/reg/2024/1689/oj
• Europäische Union. (2026). Verordnung (EU) 2026/1744 des Europäischen Parlaments und des Rates zur Änderung der Verordnung (EU) 2024/1689 (Digital Omnibus zur künstlichen Intelligenz). Amtsblatt der Europäischen Union, L, 2026/1744. https://eur-lex.europa.eu/eli/reg/2026/1744/oj
• Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
• Fernandes, D., Villa, S., Nicholls, S., Haavisto, O., Buschek, D., Schmidt, A., Kosch, T., Shen, C., & Welsch, R. (2026). AI makes you smarter but none the wiser: The disconnect between performance and metacognition. Computers in Human Behavior, 175, Artikel 108779. https://doi.org/10.1016/j.chb.2025.108779
• Fischer, M., Rau, H. A., & Rilke, R. M. (2025). AI tutoring enhances student learning without crowding out reading effort (IZA Discussion Paper Nr. 18338). Institute of Labor Economics. https://docs.iza.org/dp18338.pdf
• Fisher, M., Goddu, M. K., & Keil, F. C. (2015). Searching for explanations: How the Internet inflates estimates of internal knowledge. Journal of Experimental Psychology: General, 144(3), 674–687. https://doi.org/10.1037/xge0000070
• Fütterer, T., Bardach, L., Kuhn, J., Keller, S. D., & Gerjets, P. (2026). Enhancing school students‘ self-regulated learning through generative AI support: A randomized controlled trial. Educational Psychology Review, 38(1), Artikel 42. https://doi.org/10.1007/s10648-026-10133-8
• Girouard-Hallam, L. N., & Danovitch, J. H. (2022). Children’s trust in and learning from voice assistants. Developmental Psychology, 58(4), 646–661. https://doi.org/10.1037/dev0001318
• Google DeepMind. (2026, 9. Juni). Gemini’s guided learning: Results from a randomized controlled trial in Sierra Leone [Technischer Bericht des Anbieters]. https://deepmind.google/blog/measuring-the-impact-of-learning-with-ai-in-sierra-leone-and-beyond/
• Hamilton, E. R., Rosenberg, J. M., & Akcaoglu, M. (2016). The Substitution Augmentation Modification Redefinition (SAMR) model: A critical review and suggestions for its use. TechTrends, 60(5), 433–441. https://doi.org/10.1007/s11528-016-0091-y
• Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, Artikel 100714. https://doi.org/10.1016/j.edurev.2025.100714
• Harris, P. L., Koenig, M. A., Corriveau, K. H., & Jaswal, V. K. (2018). Cognitive foundations of learning from testimony. Annual Review of Psychology, 69, 251–273. https://doi.org/10.1146/annurev-psych-122216-011710
• Herold, A., & Seufert, T. (2025). Who regulates? Effects of scaffolding in system- and self-regulated learning. Frontiers in Psychology, 16, Artikel 1543024. https://doi.org/10.3389/fpsyg.2025.1543024
• Heyes, C. (2016). Born pupils? Natural pedagogy and cultural pedagogy. Perspectives on Psychological Science, 11(2), 280–295. https://doi.org/10.1177/1745691615621276
• Hmelo-Silver, C. E., Duncan, R. G., & Chinn, C. A. (2007). Scaffolding and achievement in problem-based and inquiry learning: A response to Kirschner, Sweller, and Clark (2006). Educational Psychologist, 42(2), 99–107. https://doi.org/10.1080/00461520701263368
• Hofer, S. I., & Reinhold, F. (2025). Scaffolding of learning activities: Aptitude-treatment-interaction effects in math? Learning and Instruction, 99, Artikel 102177. https://doi.org/10.1016/j.learninstruc.2025.102177
• Holstein, K., McLaren, B. M., & Aleven, V. (2018). Student learning benefits of a mixed-reality teacher awareness tool in AI-enhanced classrooms. In C. Penstein Rosé, R. Martínez-Maldonado, H. U. Hoppe, R. Luckin, M. Mavrikis, K. Porayska-Pomsta, B. McLaren & B. du Boulay (Hrsg.), Artificial intelligence in education (Lecture Notes in Computer Science, Bd. 10947, S. 154–168). Springer. https://doi.org/10.1007/978-3-319-93843-1_12
• Kalyuga, S. (2007). Expertise reversal effect and its implications for learner-tailored instruction. Educational Psychology Review, 19(4), 509–539. https://doi.org/10.1007/s10648-007-9054-3
• Kalyuga, S., Ayres, P., Chandler, P., & Sweller, J. (2003). The expertise reversal effect. Educational Psychologist, 38(1), 23–31. https://doi.org/10.1207/S15326985EP3801_4
• Kapur, M. (2016). Examining productive failure, productive success, unproductive failure, and unproductive success in learning. Educational Psychologist, 51(2), 289–299. https://doi.org/10.1080/00461520.2016.1155457
• Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Artikel 17458. https://doi.org/10.1038/s41598-025-97652-6
• Kirschner, P. A., Sweller, J., & Clark, R. E. (2006). Why minimal guidance during instruction does not work: An analysis of the failure of constructivist, discovery, problem-based, experiential, and inquiry-based teaching. Educational Psychologist, 41(2), 75–86. https://doi.org/10.1207/s15326985ep4102_1
• Koedinger, K. R., & Aleven, V. (2007). Exploring the assistance dilemma in experiments with Cognitive Tutors. Educational Psychology Review, 19(3), 239–264. https://doi.org/10.1007/s10648-007-9049-0
• Kolloff, K., Roebers, C. M., & Buehler, F. J. (2023). 7- and 8-year-olds‘ struggle with monitoring: Inaccuracy persists despite feedback. Zeitschrift für Entwicklungspsychologie und Pädagogische Psychologie, 55(2–3), 91–109. https://doi.org/10.1026/0049-8637/a000276
• Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.08872
• Kraft, M. A. (2020). Interpreting effect sizes of education interventions. Educational Researcher, 49(4), 241–253. https://doi.org/10.3102/0013189X20912798
• Lazonder, A. W., & Harmsen, R. (2016). Meta-analysis of inquiry-based learning: Effects of guidance. Review of Educational Research, 86(3), 681–718. https://doi.org/10.3102/0034654315627366
• LearnLM Team, Google. (2024). LearnLM: Improving Gemini for learning [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2412.16429
• Lee, H., Stinar, F., Zong, R., Valdiviejas, H., Wang, D., & Bosch, N. (2025). Learning behaviors mediate the effect of AI-powered support for metacognitive calibration on learning outcomes. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (S. 1–18). Association for Computing Machinery. https://doi.org/10.1145/3706598.3713960
• Lehmann, M., Cornelius, P. B., & Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2409.09047
• Liu, J., Sun, D., Sun, J., Wang, J., & Yu, PLH (2025). Designing a generative AI enabled learning environment for mathematics word problem solving in primary schools: Learning performance, attitudes and interaction. Computers and Education: Artificial Intelligence, 9, Artikel 100438. https://doi.org/10.1016/j.caeai.2025.100438
• Maurya, K. K., Srivatsa, K. A., Petukhova, K., & Kochmar, E. (2025). Unifying AI tutor evaluation: An evaluation taxonomy for pedagogical ability assessment of LLM-powered AI tutors. In Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Bd. 1, S. 1234–1251). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.naacl-long.57
• Mazancieux, A., Fleming, S. M., Souchay, C., & Moulin, C. J. A. (2020). Is there a G factor for metacognition? Correlations in retrospective metacognitive sensitivity across tasks. Journal of Experimental Psychology: General, 149(9), 1788–1799. https://doi.org/10.1037/xge0000746
• Mills, C. M. (2013). Knowing when to doubt: Developing a critical stance when learning from others. Developmental Psychology, 49(3), 404–418. https://doi.org/10.1037/a0029500
• Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
• Molenaar, I. (2022a). The concept of hybrid human-AI regulation: Exemplifying how to support young learners‘ self-regulated learning. Computers and Education: Artificial Intelligence, 3, Artikel 100070. https://doi.org/10.1016/j.caeai.2022.100070
• Molenaar, I. (2022b). Towards hybrid human-AI learning technologies. European Journal of Education, 57(4), 632–645. https://doi.org/10.1111/ejed.12527
• Nelson, T. O., & Narens, L. (1990). Metamemory: A theoretical framework and new findings. In G. H. Bower (Hrsg.), Psychology of learning and motivation (Bd. 26, S. 125–173). Academic Press. https://doi.org/10.1016/S0079-7421(08)60053-5
• Newman, R. S. (2002). How self-regulated learners cope with academic difficulty: The role of adaptive help seeking. Theory Into Practice, 41(2), 132–138. https://doi.org/10.1207/s15430421tip4102_10
• Ng, DTK, Leung, JKL, Chu, SKW, & Qiao, MS (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, Artikel 100041. https://doi.org/10.1016/j.caeai.2021.100041
• OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
• OECD & Europäische Kommission. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://doi.org/10.1787/65cd27d4-en
• Otis, N. G., Clarke, R., Delecourt, S., Holtz, D., & Koning, R. (2026). The uneven impact of generative artificial intelligence on entrepreneurial performance: Evidence from a field experiment in Kenya. Management Science. Vorab-Onlineveröffentlichung. https://doi.org/10.1287/mnsc.2024.06909
• Pearson, P. D., & Gallagher, M. C. (1983). The instruction of reading comprehension. Contemporary Educational Psychology, 8(3), 317–344. https://doi.org/10.1016/0361-476X(83)90019-X
• Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
• Perkins, M., Roe, J., & Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale: A refined framework for educational assessment. Journal of University Teaching and Learning Practice, 22(7). https://doi.org/10.53761/rrm4y757
• Puntambekar, S., & Hübscher, R. (2005). Tools for scaffolding students in a complex learning environment: What have we gained and what have we missed? Educational Psychologist, 40(1), 1–12. https://doi.org/10.1207/s15326985ep4001_1
• Redecker, C. (2017). European framework for the digital competence of educators: DigCompEdu (Y. Punie, Hrsg.). Publications Office of the European Union. https://doi.org/10.2760/159770
• Reiser, B. J. (2004). Scaffolding complex learning: The mechanisms of structuring and problematizing student work. Journal of the Learning Sciences, 13(3), 273–304. https://doi.org/10.1207/s15327809jls1303_2
• Renkl, A., & Atkinson, R. K. (2003). Structuring the transition from example study to problem solving in cognitive skill acquisition: A cognitive load perspective. Educational Psychologist, 38(1), 15–22. https://doi.org/10.1207/S15326985EP3801_3
• Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
• Roebers, C. M. (2017). Executive function and metacognition: Towards a unifying framework of cognitive self-regulation. Developmental Review, 45, 31–51. https://doi.org/10.1016/j.dr.2017.04.001
• Roebers, C. M., van Loon, M. H., Buehler, F. J., Bayard, N. S., Steiner, M., & Aeschlimann, E. A. (2021). Exploring psychometric properties of children’s metacognitive monitoring. Acta Psychologica, 220, Artikel 103399. https://doi.org/10.1016/j.actpsy.2021.103399
• Rouault, M., McWilliams, A., Allen, M. G., & Fleming, S. M. (2018). Human metacognition across domains: Insights from individual differences and neuroimaging. Personality Neuroscience, 1, Artikel e17. https://doi.org/10.1017/pen.2018.16
• Rowe, L. (2026). From gradual release of responsibility to gradual release of technology: A case for the staged use of AI in formal education. Education Sciences, 16(8), Artikel 1291. https://doi.org/10.3390/educsci16081291
• Rozenblit, L., & Keil, F. (2002). The misunderstood limits of folk science: An illusion of explanatory depth. Cognitive Science, 26(5), 521–562. https://doi.org/10.1207/s15516709cog2605_1
• Salomon, G., Perkins, D. N., & Globerson, T. (1991). Partners in cognition: Extending human intelligence with intelligent technologies. Educational Researcher, 20(3), 2–9. https://doi.org/10.3102/0013189X020003002
• Saye, J. W., & Brush, T. (2002). Scaffolding critical reasoning about history and social issues in multimedia-supported learning environments. Educational Technology Research and Development, 50(3), 77–96. https://doi.org/10.1007/BF02505026
• Schraw, G. (2009). A conceptual analysis of five measures of metacognitive monitoring. Metacognition and Learning, 4(1), 33–45. https://doi.org/10.1007/s11409-008-9031-3
• Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2024). Towards understanding sycophancy in language models. In The Twelfth International Conference on Learning Representations (ICLR 2024). https://openreview.net/forum?id=tvhaxkMKAn
• Sperber, D., Clément, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., & Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359–393. https://doi.org/10.1111/j.1468-0017.2010.01394.x
• Stadler, M., Bannert, M., & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, Artikel 108386. https://doi.org/10.1016/j.chb.2024.108386
• Ständige Wissenschaftliche Kommission der Kultusministerkonferenz. (2024). Large Language Models und ihre Potenziale im Bildungssystem [Impulspapier]. https://doi.org/10.25656/01:28303
• Stanković, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N. (2026). Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.00856
• Strohmaier, A., Bödefeld, S., Straser, O., & Reinhold, F. (2026). LLAMA LIMA: A living meta-analysis on the effects of generative AI on learning mathematics (Version 4) [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.18685
• Sweller, J., van Merriënboer, J. J. G., & Paas, F. (2019). Cognitive architecture and instructional design: 20 years later. Educational Psychology Review, 31(2), 261–292. https://doi.org/10.1007/s10648-019-09465-5
• Szufnarowska, J., Rohlfing, K. J., Fawcett, C., & Gredebäck, G. (2014). Is ostension any more than attention? Scientific Reports, 4, Artikel 5304. https://doi.org/10.1038/srep05304
• Tabak, I. (2004). Synergy: A complement to emerging patterns of distributed scaffolding. Journal of the Learning Sciences, 13(3), 305–335. https://doi.org/10.1207/s15327809jls1303_3
• UNESCO. (2024). AI competency framework for students. https://doi.org/10.54675/JKJB9835
• Van de Pol, J., Volman, M., & Beishuizen, J. (2010). Scaffolding in teacher–student interaction: A decade of research. Educational Psychology Review, 22(3), 271–296. https://doi.org/10.1007/s10648-010-9127-6
• van Loon, M. H., & Roebers, C. M. (2024). Development of metacognitive monitoring and control skills in elementary school: A latent profile approach. Metacognition and Learning, 19(3), 1065–1089. https://doi.org/10.1007/s11409-024-09400-2
• VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221. https://doi.org/10.1080/00461520.2011.611369
• Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes (M. Cole, V. John-Steiner, S. Scribner & E. Souberman, Hrsg.). Harvard University Press.
• Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S., & Demszky, D. (2025). Tutor CoPilot: A human-AI approach for scaling real-time expertise [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2410.03017
• Weidlich, J., Gašević, D., Drachsler, H., & Kirschner, P. A. (2025). ChatGPT in education: An effect in search of a cause. Journal of Computer Assisted Learning, 41(5), Artikel e70105. https://doi.org/10.1111/jcal.70105
• Weil, L. G., Fleming, S. M., Dumontheil, I., Kilford, E. J., Weil, R. S., Rees, G., Dolan, R. J., & Blakemore, S.-J. (2013). The development of metacognitive ability in adolescence. Consciousness and Cognition, 22(1), 264–271. https://doi.org/10.1016/j.concog.2013.01.004
• Wood, D., Bruner, J. S., & Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 17(2), 89–100. https://doi.org/10.1111/j.1469-7610.1976.tb00381.x
• Yan, L., Greiff, S., Lodge, JM, & Gašević, D. (2025). Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 4(7), 435–436. https://doi.org/10.1038/s44159-025-00467-5
• Zelazo, P. D., & Carlson, S. M. (2012). Hot and cool executive function in childhood and adolescence: Development and plasticity. Child Development Perspectives, 6(4), 354–360. https://doi.org/10.1111/j.1750-8606.2012.00246.x
• Zhao, J., Knežević, M., & Käser, T. (2026). Evaluating answer leakage robustness of LLM tutors against adversarial student attacks. In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (S. 30588–30617). Association for Computational Linguistics. https://aclanthology.org/2026.acl-long.1412/
• Zhou, W., Wang, R., Xiong, Y., Zhang, X., Liu, X., Lin, C., Zheng, H., Yin, L., Zheng, D., Xie, B., & Shu, Q. (2026). Chatbot versus preservice teacher-led reading in primary schools: The roles of engagement and learner differences. Reading and Writing. Vorab-Onlineveröffentlichung. https://doi.org/10.1007/s11145-026-10775-8
• Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2