{"id":576,"date":"2025-11-29T21:52:11","date_gmt":"2025-11-29T21:52:11","guid":{"rendered":"https:\/\/urff.app\/?p=576"},"modified":"2026-05-11T07:21:17","modified_gmt":"2026-05-11T07:21:17","slug":"mehr-als-antworten-forschungsbasierte-anforderungen-an-ki-gestuetzte-lernbegleitung-im-mathematikunterricht","status":"publish","type":"post","link":"https:\/\/urff.app\/fr\/mehr-als-antworten-forschungsbasierte-anforderungen-an-ki-gestuetzte-lernbegleitung-im-mathematikunterricht\/","title":{"rendered":"Bien plus que de simples r\u00e9ponses\u00a0: l\u2019aide \u00e0 l\u2019apprentissage des math\u00e9matiques gr\u00e2ce \u00e0 l\u2019IA"},"content":{"rendered":"\n

Zusammenfassung: KI-gest\u00fctzte Lernbegleitung im Mathematikunterricht der Primarstufe birgt gro\u00dfes Potenzial, aber auch Risiken wie Cognitive Offloading und De-Skilling. Der Beitrag entwickelt vier Gestaltungsprinzipien: fachdidaktische Fundierung, adaptive Dosierung nach dem Prinzip \u201eErst du \u2013 dann ich“, metakognitive Aktivierung und unterrichtliche Einbettung („Lehrkraft in the loop“). Nur wenn KI fachdidaktisch fundiert, dosiert und in den Unterricht eingebettet ist, st\u00e4rkt sie eigenst\u00e4ndiges mathematisches Denken statt es zu verhindern.<\/em><\/p>\n\n\n\n

Die Ausgangslage<\/h2>\n\n\n\n

Generative K\u00fcnstliche Intelligenz wird im Bildungsdiskurs mit gro\u00dfen Erwartungen oder mit ebenso gro\u00dfen Bef\u00fcrchtungen verbunden. Inzwischen liegt eine umfangreiche, wenn auch noch sehr heterogene empirische Basis vor, die f\u00fcr die Gestaltung von KI-Lernbegleitung erst Folgerungen zul\u00e4sst. Meta-Analysen berichten von signifikant positiven Effekten KI-gest\u00fctzter Systeme auf Lernleistungen, Motivation und h\u00f6here Denkprozesse (Wang & Fan, 2025; Deng et al., 2025; Alemdag, 2025; Wu & Yu, 2024; Zheng et al., 2023). Eine aktuelle Meta-Analyse zu generativer KI in der Mathematik zeigt moderate bis gute Effektst\u00e4rken (Liu et al., 2025). Allerdings treten diese positiven Effekte unter sehr unterschiedlichen Bedingungen auf, einige Studiendesigns sind methodisch fragw\u00fcrdig, und es ist \u2013 wie bei Meta-Analysen generell \u2013 die Frage zu stellen, ob nicht selektiv Studien mit besonders positiven Ergebnissen publiziert werden.<\/p>\n\n\n\n

Dieser Beitrag ist deshalb ein Versuch, die ersten Erkenntnisse zu sichten, zu ordnen und hinsichtlich der Umsetzung im Mathmematikunterricht (der Grundschule) nutzbar zu machen.<\/p>\n\n\n\n

F\u00fcr dieses Anliegen ist ein weiterer Befund bedeutsamer als die aggregierten Effektst\u00e4rken von Studien: Die weit \u00fcberwiegende Mehrheit der vorliegenden Studien wurde mit \u00e4lteren Sch\u00fcler:innen oder Studierenden durchgef\u00fchrt (Kuo et al., 2025; Liu et al., 2025; Son, 2024). F\u00fcr die Grundschule spezialisierte Forschung liegt bisher nur begrenzt vor. Eine aktuelle systematische \u00dcbersicht zu intelligenten Tutorsystemen (L\u00e9tourneau et al., 2025) zeigt, dass lediglich etwa 14 % der Studien Grundsch\u00fcler:innen betreffen. Dies bedeutet, dass viele der folgenden \u00dcberlegungen weniger auf direkten Studienergebnissen f\u00fcr diese Zielgruppe basieren, sondern auf theoretischen \u00dcberlegungen und auf Befunden \u00e4lterer Altersgruppen.<\/p>\n\n\n\n

Grunds\u00e4tzlich ist es (ebenso wie „Digitale Medien“ an sich keinen Lerneffekt haben) wenig sinnvoll, einen \u201eLerneffekt mit KI“ als Eigenschaft der KI-Technologie an sich misszuverstehen, anstatt nach der jeweils zugrunde liegenden Lernumgebung und didaktischen Vorstrukturierung zu fragen (Dinsmore & Fryer, 2026; KirschnerED, 2025). Die entscheidende Frage ist nicht, ob<\/em> generative KI einen Effekt auf Bildungsprozesse haben kann, sondern wie<\/em> dieser Effekt hergestellt werden kann. Und auch ist die Frage, wann KI besser nicht eingesetzt werden sollte.<\/p>\n\n\n\n

Der vorliegende Beitrag verfolgt daher die Fragestellung: Wie kann KI genutzt werden, um mathematische Lernprozesse in der Primarstufe durch personalisiertes Feedback zu unterst\u00fctzen und unter welchen Bedingungen gelingt das?<\/strong> Im Folgenden werden Gestaltungsprinzipien f\u00fcr KI-Lernbegleiter und KI-Tutoren entwickelt, die empirisch und theoretisch so gut wie gegenw\u00e4rtig m\u00f6glich abgest\u00fctzt sind. Die zentrale These dabei lautet: KI-gest\u00fctzte Lernbegleitung kann mathematische Lernprozesse f\u00f6rdern \u2013 aber nur dann, wenn sie fachdidaktisch fundiert, adaptiv dosiert und in ein hybrides Lehr-Lern-Arrangement eingebettet ist. Ohne diese Rahmung droht sie, eigenst\u00e4ndiges Denken zu verhindern statt zu f\u00f6rdern.<\/p>\n\n\n\n

Diese \u00dcberlegungen bilden die Grundlage f\u00fcr die Entwicklung und Erprobung appintegrierter KI-gest\u00fctzter Lernbegleitung im Rahmen des Projektes PRIMA-KI. Sie sind ausdr\u00fccklich nicht endg\u00fcltig, sondern werden sich im Zuge der dynamischen Entwicklungen bei der Entwicklung von KI-Modellen und KI-Technologien, neue Erkenntnisse aus Studien mit KI-Tutoren und den darauf basierenden p\u00e4dagogischen Anwendungen weiterentwickeln.<\/p>\n\n\n\n

Theoretischer Rahmen<\/h2>\n\n\n\n

Bevor konkrete Gestaltungsprinzipien diskutiert werden, sind zwei lerntheoretische Grundlagen f\u00fcr (KI-gest\u00fctzte) Lernumgebungen aus meiner Sicht konstituierend und dienen als analytische Werkzeuge f\u00fcr das Design von KI-Tutorensystemen.<\/p>\n\n\n\n

Cognitive Load Theory<\/h3>\n\n\n\n

Die Cognitive Load Theory (Sweller, 2020) beschreibt die begrenzte Kapazit\u00e4t des Arbeitsged\u00e4chtnisses als zentrale Rahmenbedingung f\u00fcr die Gestaltung von Lernmedien. F\u00fcr KI-gest\u00fctzte Systeme hat diese Begrenzung unmittelbare Konsequenzen: Generative KI kann Informationen in hoher Geschwindigkeit und gro\u00dfem Umfang pr\u00e4sentieren \u2013 Texte, Bilder, Erkl\u00e4rungen, Visualisierungen, Animationen. Doch wenn Lernende mit Informationen und Reizen \u00fcberflutet werden, ohne diese lernrelevant verarbeiten zu k\u00f6nnen, verfehlt auch die inhaltlich beste Information ihr Ziel.<\/p>\n\n\n\n

Dies optimal zu gestalten ist eine zentrale Herausforderung des Designs von KI-Lernbegleitung. Scaffolding \u2013 also die dosierte Bereitstellung von Hilfen und Erkl\u00e4rungen \u2013 ist aus Sicht der Cognitive Load Theory hier entscheidend. KI-Tutoren m\u00fcssen Impulse, Hilfen und Unterst\u00fctzung so dosieren, dass die Arbeitsged\u00e4chtnisbelastung im optimalen Bereich bleibt (Cosentino et al., 2025). Zu viel Information zum falschen Zeitpunkt ist nicht neutral, sondern schadet dem Lernen. Die Konsequenz f\u00fcr das Systemdesign ist klar: Die F\u00e4higkeit, die passenden Informationen zu produzieren<\/em>, ist f\u00fcr einen KI-Tutor nicht alleine wichtig. Fast noch wichtiger ist die F\u00e4higkeit, Informationen zur\u00fcckzuhalten<\/em> und dosiert<\/em> anzubieten.<\/p>\n\n\n\n

Zone der n\u00e4chsten Entwicklung: Adaptivit\u00e4t erfordert diagnostische Kompetenz<\/h3>\n\n\n\n

Die Zone der n\u00e4chsten Entwicklung (Vygotsky) beschreibt den Bereich zwischen dem, was ein Kind allein bew\u00e4ltigen kann, und dem, was es mit Hilfe eines kompetenteren Partners bew\u00e4ltigen kann. F\u00fcr das Design von KI-Tutorsystemen ist dieses Konzept von fundamentaler Bedeutung: Es muss also \u201ewissen“, wo ein Kind aktuell steht, und dann genau in dieser n\u00e4chsten Zone Impulse anbieten \u2013 nicht zu leicht (Unterforderung), nicht zu schwer (\u00dcberforderung).<\/p>\n\n\n\n

Das klingt selbstverst\u00e4ndlich, ist aber technisch und fachdidaktisch anspruchsvoll. Adaptive Systeme m\u00fcssen diese Einsch\u00e4tzung nicht einmalig, sondern kontinuierlich leisten (Wu et al., 2025; Kuo et al., 2025). Sie m\u00fcssen aus den Eingaben der Lernenden ableiten, wo deren Verst\u00e4ndnis liegt, welche Fehler auf welche Vorstellungen zur\u00fcckgehen, welche Art von Missverst\u00e4ndnis zum Fehler gef\u00fchrt hat und welcher n\u00e4chste Impuls produktiv w\u00e4re. Adaptivit\u00e4t ist damit die Grundbedingung daf\u00fcr, dass ein KI-System \u00fcberhaupt lernwirksam agieren kann und unterscheidet es von rein deterministisch agierenden tutoriellen Systemen, die auf Basis einfacher Regeln mehr oder weniger passende bzw. oberfl\u00e4chliche R\u00fcckmeldungen erzeugen. <\/p>\n\n\n\n

Prozedurales und konzeptuelles Wissen: Verschiedene Ziele, verschiedene Unterst\u00fctzung<\/h3>\n\n\n\n

Aus diesen beiden theoretischen Perspektiven ergibt sich eine weitere Differenzierung, die f\u00fcr das Design von KI-Tutoren entscheidend ist: Die Art der angemessenen Unterst\u00fctzung h\u00e4ngt fundamental davon ab, welches Lernziel gerade verfolgt wird. Prozedurales Wissen \u2013 Wie l\u00f6se ich diese Aufgabe?<\/em> \u2013 braucht andere Unterst\u00fctzung als konzeptuelles Wissen \u2013 Warum funktioniert das so?<\/em><\/p>\n\n\n\n

Ein Kind, das Rechenfl\u00fcssigkeit \u00fcbt, etwa die schnelle Addition oder Subtraktion, ben\u00f6tigt h\u00e4ufiges, passgenaues Feedback zu seinen Ergebnissen. Ein Kind, das gerade Zahlverst\u00e4ndnis entwickelt, muss hingegen durch gezielte Fragen und Handlungsm\u00f6glichkeiten dazu angeregt werden, sein Verst\u00e4ndnis selbst zu konstruieren und weiterzuentwickeln. Es sollte nicht nur den L\u00f6sungsweg (idealerweise gibt es mehrere L\u00f6sungswege) pr\u00fcfen. Ein KI-System, das diese Unterscheidung nicht treffen kann, riskiert, dass seine Unterst\u00fctzung kontraproduktiv wirkt, etwa indem es bei konzeptuellem Lernen zu schnell L\u00f6sungen liefert oder bei prozeduralem \u00dcben mit unn\u00f6tigen Impulsen und Anregungen das Arbeitsged\u00e4chtnis belastet. Makransky et al. (2024) zeigen dies auch: Ein speziell didaktisch hinsichtlich dieser Prinzipien trainiertes Modell f\u00f6rderte in der Studie konzeptuelles Verst\u00e4ndnis, Vertrauen und Freude am Lernen deutlich mehr als ein generisches gro\u00dfes Sprachmodell, und diese Effekte blieben im Follow-up stabil. Dies bedeutet, dass auch gro\u00dfe, m\u00e4chtige Sprachmodell nicht unbedingt fachdidaktisches Wissen automatisch gezielt anwenden k\u00f6nnen ohne fachliche Vorstrukturierung.<\/p>\n\n\n\n

Diese drei theoretischen Perspektiven \u2013 die Begrenzung des Arbeitsged\u00e4chtnisses, die Notwendigkeit adaptiver Positionierung in der Zone der n\u00e4chsten Entwicklung und die Differenzierung nach Lernzielen \u2013 bilden einen Rahmen, in dem die folgenden Gestaltungsprinzipien verortet sind. Zugleich machen sie deutlich, warum KI-Lernbegleitung kein einfaches technisches Problem ist: Sie erfordert Systeme, die nicht nur antworten k\u00f6nnen, sondern die \u00fcber ein Modell des Lernenden, des Lerngegenstands und des Lernprozesses verf\u00fcgen.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Vom Lernwerkzeug zur Denkprothese<\/h2>\n\n\n\n

Die bisherige Darstellung der Studienlage k\u00f6nnte den Eindruck erwecken, dass KI-gest\u00fctzte Lernbegleitung ein \u00fcberwiegend positives Potenzial besitzt, das lediglich noch technisch optimiert werden muss. Doch es zeigt sich ein ambivalenteres Bild. In einigen Studien zeigte sich, dass der unkontrollierte und „falsche“ Einsatz generativer KI beim Lernen nicht nur weniger wirksam sein kann als erhofft, sondern dass er grundlegende kognitive F\u00e4higkeiten abk\u00fcrzen kann und Lernen dadurch eher hindert.<\/p>\n\n\n\n

Cognitive Offloading: Wenn Unterst\u00fctzung zur Abh\u00e4ngigkeit wird<\/h3>\n\n\n\n

Das grundlegendste Problem l\u00e4sst sich unter dem Begriff des Cognitive Offloading<\/em> fassen: Lernende lagern kognitive Anstrengung an die KI aus, statt sie selbst zu vollziehen. Gerlich (2025) dokumentiert in einer aktuellen Analyse eine bemerkenswert hohe negative Korrelation (r = \u22120,75) zwischen intensiver KI-Nutzung und der Auspr\u00e4gung kritischen Denkens, wobei dieser Zusammenhang bei j\u00fcngeren Lernenden besonders ausgepr\u00e4gt ist. Diese Korrelation ist selbstverst\u00e4ndlich kein genereller Beleg f\u00fcr einen Schaden durch KI (zumal die Studie auch methodisch kritisiert werden kann), aber sie wei\u00dft auf ein m\u00f6gliches Problem hin: Wer systematisch Denkaufwand delegiert, verliert nachhaltig die F\u00e4higkeit zur eigenst\u00e4ndigen Probleml\u00f6sef\u00e4higkeit.<\/p>\n\n\n\n

Dieses Risiko zeigten Bastani et al. (2025) in einer kontrollierten Interventionsstudie. Sch\u00fcler:innen, die w\u00e4hrend des \u00dcbens unregulierten Zugang zu vollst\u00e4ndigen KI-L\u00f6sungen erhielten, erzielten kurzfristig h\u00f6here Leistungen. Wurde die KI-Unterst\u00fctzung jedoch entzogen, fielen ihre Ergebnisse signifikant unter das Niveau einer Kontrollgruppe ohne jegliche KI-Nutzung. Die Autor:innen sprechen von einem De-Skilling<\/em>-Effekt: Die vermeintliche Unterst\u00fctzung hatte den Kompetenzaufbau nicht gef\u00f6rdert, sondern aktiv behindert. Parallel dazu dokumentieren Lernanalysen aus KI-basierten Nachhilfesystemen, dass ein Teil der Lernenden versucht, Aufgabensequenzen \u201edurchzuklicken“, ohne sich inhaltlich mit ihnen auseinanderzusetzen (Jan\u010da\u0159\u00edk et al., 2023).<\/p>\n\n\n\n

Auch Dinsmore und Fryer (2026) sowie Gisiger (2025) argumentieren aus lernpsychologischer Perspektive, dass generative KI (hier gemeint in Form von Chatbots, die nicht f\u00fcr Lernbegleitung vorstrukturiert sind etwas durch spezielle Systemprompts) dazu verf\u00fchrt, den anstrengenden Prozess der eigenen Wissenskonstruktion abzuk\u00fcrzen. Wer direkt die L\u00f6sung konsumiert, spart Anstrengung, baut aber nicht unbedingt tragf\u00e4higen Wissensstrukturen auf, vor allem wenn er die eingesparte Denkenergie nicht f\u00fcr h\u00f6here Denkleistungen sinnvoll nutzt. Man k\u00f6nnte auch sagen: Lernerfolgt h\u00e4ngt mit Anstrengung zusammen und wenn diese Anstregung vermieden wird, gibt es auch weniger nachhaltiges Lernen. Viele Anbieter von Chatbots haben bereits darauf reagiert und bieten mittlerweile einen „Lernmodus“ an, bei dem der Chatbot keine L\u00f6sungen direkt ausgibt, sondern R\u00fcckfragen stellt und dialogisch mit dem Benutzer die Inhalte betrachtet.<\/p>\n\n\n\n

Die H\u00f6flichkeitsfalle<\/h3>\n\n\n\n

Zu diesem strukturellen Risiko tritt ein subtileres, aber bedeutsames Ph\u00e4nomen. Abdulsalam und Aroyehun (2025) zeigen in ihrer Analyse, dass gro\u00dfe Sprachmodelle beim Tutoring zwar Expert:innen-Niveau erreichen k\u00f6nnen, dabei aber von sich aus zu h\u00f6flich und zu unterst\u00fctzend agieren. Diese \u00fcberm\u00e4\u00dfige H\u00f6flichkeit korrelierte in der Studie negativ mit der Lernqualit\u00e4t. Die KI vermeidet es, Lernende zu frustrieren oder auf Fehler hinzuweisen, und weicht daher von sich aus echten Herausforderungen aus. Doch produktive Anstrengung \u2013 das tempor\u00e4re Erleben von Schwierigkeit bei gleichzeitiger Unterst\u00fctzung \u2013 ist ein zentraler Motor f\u00fcr Lernen, insbesondere f\u00fcr die Entwicklung von konzeptuellen Verst\u00e4ndnis.<\/p>\n\n\n\n

Chudziak und Kostka (2025) identifizieren ein verwandtes Problem: Viele aktuelle KI-Systeme tendieren zu einem preskriptiven<\/em> Interaktionsstil \u2013 sie geben vor, leiten an und l\u00f6sen, statt Raum f\u00fcr eigene Denkprozesse zu lassen. Systeme, die zu fr\u00fch intervenieren (Reactive Feedback<\/em>), riskieren damit, genau jene (meta-)kognitiven Prozesse zu unterbinden, die sie eigentlich f\u00f6rdern sollten. Die Analyse realer Nachhilfedialoge durch Wang et al. (2025) best\u00e4tigt dieses Bild auch f\u00fcr j\u00fcngere Lernende: Primarstufensch\u00fcler:innen reagierten durchaus positiv auf interaktive Fragen, blieben aber tendenziell eher passiv-reaktiv und zeigten keinen nachhaltigen Lerneffekt, wenn der Tutor zu monologisch und l\u00f6sungszentriert agierte.<\/p>\n\n\n\n

Das Paradoxon optimaler Unterst\u00fctzung<\/h3>\n\n\n\n

Diese Befunde verdichten sich zu einem Paradoxon, das als Leitproblem f\u00fcr die Gestaltung von KI-Lernbegleitung verstanden werden kann: Je effizienter ein KI-System Aufgaben l\u00f6sen kann und Hilfe anbietet, desto gr\u00f6\u00dfer ist die Gefahr, dass es das eigenst\u00e4ndige Denken ersetzt, statt es zu f\u00f6rdern. Dieses Paradoxon ist schwer aufzul\u00f6sen. Es bedeutet, dass ein guter KI-Tutor manchmal bewusst weniger<\/em> tun muss, als er k\u00f6nnte. Er muss Frustration („being stuck“ als Kern mathematischen Denkens, Mason, Burton & Stancey, 1982) in dosierten Ma\u00dfen zulassen, L\u00f6sungen zur\u00fcckhalten, unvollst\u00e4ndige Hinweise geben und Wartezeit erzeugen. Dies bedeutet, das das KI-System teilweise gegen die Mechanismen arbeiten muss, die generative KI so eindrucksvoll macht.<\/p>\n\n\n\n

Damit wird deutlich, warum ein unvorstrukturierter Chatbot \u2013 etwa ein frei zug\u00e4ngliches Sprachmodell als Chatbot ohne p\u00e4dagogische Rahmung \u2013 f\u00fcr das schulische Lernen potenziell sogar sch\u00e4dlich sein kann. Er wird zur Antwortmaschine, die echtes, verst\u00e4ndnisf\u00f6rderndes Lernen verhindern statt erm\u00f6glichen kann. Die zentrale Frage ist daher nicht, ob generative KI eingesetzt<\/em> werden soll, sondern wie sie so gestaltet<\/em> werden kann, dass sie das Denken der Kinder st\u00e4rkt statt schw\u00e4cht. Die folgenden Gestaltungsprinzipien sollen erste Antwort auf genau dieses Kernrisiko geben.<\/p>\n\n\n\n

Gestaltungsprinzipien als Antwort auf das Kernrisiko<\/h3>\n\n\n\n

Die Spannung zwischen dem Potenzial adaptiver KI-Lernbegleitung und den beschriebenen Risiken des Cognitive Offloading l\u00e4sst sich nicht durch einen einzelnen Designparameter aufl\u00f6sen. Sie erfordert vielmehr ein Zusammenspiel mehrerer Gestaltungsebenen, die aufeinander aufbauen: eine fachdidaktische Fundierung des Systems als zentrale Voraussetzung f\u00fcr Diagnostik und F\u00f6rderung (Primat der Fachdidaktik), die adaptive Dosierung als Kernmechanismus des Feedbacks, die metakognitive Aktivierung als Qualit\u00e4tsmerkmal und hybride Einbettung („Lehrkraft in the loop“) als Wirksamkeitsbedingung.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Fundierung: Fachdidaktisches Wissen als zentrale Voraussetzung<\/h3>\n\n\n\n

Die erste und grundlegendste Gestaltungsebene betrifft die Wissensbasis des Systems. Generative KI erzeugt sprachlich und formal beeindruckende Ausgaben, aber fachdidaktisch sind diese h\u00e4ufig oberfl\u00e4chlich, wenig problemorientiert oder sogar fehlerhaft, wenn sie nicht gezielt gesteuert werden (Schneider, 2025). Das ist keine Implementierungsschw\u00e4che, die sich beil\u00e4ufig beheben lie\u00dfe; es ist eine Konsequenz der Architektur gro\u00dfer Sprachmodelle. Deren Training basiert auf den verf\u00fcgbaren Daten im Internet, und insbesondere f\u00fcr mathematikdidaktische Fragestellungen fand dabei in der Regel keine qualitative Kuratierung statt. Literaturanalysen zum Einsatz generativer KI in der Mathematikbildung weisen daher immer wieder auf die geringe theoretische Fundierung und Fehleranf\u00e4lligkeit vieler Systeme hin (Almheiri et al., 2025; Awang et al., 2024; Holmes & Tuomi, 2022; Pesemowo & Adewuyi, 2024).<\/p>\n\n\n\n

C\u00e1rdenas et al. (2025) identifizieren in ihrer systematischen Analyse die fehlende theoretische Rahmung als eines der zentralen Hindernisse f\u00fcr lerneffektive KI-Tutorsysteme. Dies betrifft nicht nur die inhaltliche Korrektheit von Aufgaben und Erkl\u00e4rungen (hier werden die Systeme immer besser), sondern die Art und Weise, wie ein System auf Lernende reagiert. Denn Fachexpertise und Tutoring-Expertise sind nicht dasselbe. Macina et al. (2025) zeigen empirisch, dass Personen mit hervorragenden mathematischen F\u00e4higkeiten nicht automatisch gutes Tutoring betreiben. Sie k\u00f6nnen Aufgaben korrekt l\u00f6sen, erkennen aber nicht immer, wo die Schwierigkeit f\u00fcr Lernende liegt, welche Fehlvorstellung einem Fehler zugrunde liegt oder welcher Impuls in einer bestimmten Lernsituation produktiv w\u00e4re. F\u00fcr KI-Systeme bedeutet das: Fachliches Wissen in den Prompt zu integrieren, reicht nicht aus. Das System muss auch \u00fcber fachdidaktisches Wissen verf\u00fcgen, also \u00fcber das Wissen, wie<\/em> Kinder mathematische Konzepte aufbauen, welche typischen Irrwege und Missverstehensprozesse es gibt und welche Interventionen an welcher Stelle im Lernprozess wirksam sind.<\/p>\n\n\n\n

Dass dieser Unterschied praktisch bedeutsam ist, belegen mehrere konvergierende Befunde. Makransky et al. (2024) zeigen auf Basis der Generative Learning Theory, dass ein speziell didaktisch trainiertes Modell konzeptuelles Verst\u00e4ndnis, Vertrauen und Freude am Lernen signifikant st\u00e4rker f\u00f6rdert als ein generisches gro\u00dfes Sprachmodell, und dass diese Effekte auch im Follow-up stabil bleiben. Erfolgreiche Tutorsysteme wie ChatTutor oder spezifische Frameworks (z.B. der Lernmodus von ChatGPT) basieren daher explizit auf p\u00e4dagogischen Theorien wie der Social Cognitive Theory oder dem Evidence-Centered Design (Cohn et al., 2025; Dwivedi & Rejina, 2025). Und Studien zu GeoGebra- und KI-gest\u00fctzten Lernumgebungen demonstrieren, dass konzeptuelles Verst\u00e4ndnis und Selbstwirksamkeit nur dann steigen, wenn Fach- und Fachdidaktik explizit in die Systemgestaltung einflie\u00dfen, wenn also nicht blo\u00df \u201eTechnik on top“ gesetzt wird (Cononigo, 2024).<\/p>\n\n\n\n

Was bedeutet das konkret? Ein KI-Lernbegleiter f\u00fcr den Mathematikunterricht der Primarstufe ben\u00f6tigt mindestens folgende fachdidaktische Wissensgrundlagen, die entweder \u00fcber den Systemkontext (Prompting) oder durch ein spezialisiertes Modelltraining bereitgestellt werden m\u00fcssen:<\/p>\n\n\n\n

Erstens ein Modell der mathematischen Kompetenzentwicklung<\/em> f\u00fcr den jeweiligen Inhaltsbereich. Die KI muss \u201ewissen“, dass Zahlverst\u00e4ndnis nicht durch Auswendiglernen von Fakten entsteht, sondern durch den Aufbau von Vorstellungen und dass es f\u00fcr diesen Aufbau typische Entwicklungsverl\u00e4ufe und Vorl\u00e4uferf\u00e4higkeiten gibt. Ohne dieses Wissen bleibt jede Adaptation oberfl\u00e4chlich: Das System kann allenfalls den Schwierigkeitsgrad variieren, aber nicht die Qualit\u00e4t seiner Impulse an den Verst\u00e4ndnisstand anpassen.<\/p>\n\n\n\n

Zweitens Fehler- und Strategietaxonomien<\/em>, die typische Sch\u00fclerwege und -irrt\u00fcmer abbilden (Nauryzbayev et al., 2023; Bewersdorff et al., 2023). Die Diagnose von Fehlvorstellungen, wie etwa die Verwechslung von Position und Wert im Stellenwertsystem oder das z\u00e4hlende Rechnen als verfestigte Strategie, ist eine fachdidaktische Kernkompetenz, die ein System erwerben muss, wenn es \u00fcber die Feststellung \u201erichtig\/falsch“ hinausgehen soll. Ein Beispiel: H\u00e4ufig schlagen auch gro\u00dfe Sprachmodelle bei Fehlern explizit die Strategie „z\u00e4hle doch“ vor, wenn keine entsprechende Anweisung und Vorwissen gegeben wurde.<\/p>\n\n\n\n

Drittens bedarf es expliziter Regeln und Vorgaben<\/em>, welche Hilfen in welcher Lernphase und bei welcher Art von Schwierigkeit sinnvoll sind. Die oben eingef\u00fchrte Unterscheidung zwischen prozeduralem und konzeptuellem Lernen kann beispielsweise eine Leitlinie sein: Routinef\u00f6rderung erfordert andere Interventionsstrategien als der Aufbau begrifflichen Verst\u00e4ndnisses. Und ein System sollte erkennen, ob ein Fehler ein „Fl\u00fcchtigkeitsfehler“ ist oder ein Verst\u00e4ndnisproblem zugrunde liegt. Einbezogen werden kann hier eine Lernhistorie, damit die generative KI auf vorherige Eingaben und Lernst\u00e4nde angepasst antworten kann und Dauerschleifen vermieden werden.<\/p>\n\n\n\n

Viertens muss das System eine Adaption nicht nur hinsichtlich des Schwierigkeitsgrades leisten, sondern auch hinsichtlich unterschiedlicher Denkwege<\/em>, mit denen Lernende zum Ergebnis gelangen k\u00f6nnen. Kinder l\u00f6sen mathematische Probleme auf vielf\u00e4ltige Weise, und das ist auch w\u00fcnschenswert. Ein fachdidaktisch fundierter KI-Tutor erkennt alternative Strategien, bewertet sie hinsichtlich ihrer Tragf\u00e4higkeit, fragt ggf. nach und kann Kinder gegebenenfalls darin best\u00e4rken, oder behutsam zu effizienteren Wegen anregen.<\/p>\n\n\n\n

Die Bereitstellung dieses fachdidaktischen Wissens ist aufw\u00e4ndig, hat aber noch einen weiteren gro\u00dfen Vorteil: Sie erm\u00f6glicht den Einsatz kleinerer, spezialisierter Modelle, die weniger Rechenleistung ben\u00f6tigen und lokal auf dem Ger\u00e4t oder in datenschutzkonformen Infrastrukturen betrieben werden k\u00f6nnen. Damit lassen sich zugleich Nachhaltigkeitsprobleme (Energieverbrauch) und Datenschutzanforderungen adressieren, ohne Qualit\u00e4tseinbu\u00dfen hinnehmen zu m\u00fcssen.<\/p>\n\n\n\n

Fachdidaktische Fundierung ist also nicht nur ein w\u00fcnschenswertes Qualit\u00e4tsmerkmal, sondern die notwendige Bedingung daf\u00fcr, dass adaptive Unterst\u00fctzung \u00fcberhaupt als solche funktionieren kann. Ohne sie bleibt ein KI-Tutor \u2013 um Schneiders (2025) pointierte Formulierung aufzugreifen \u2013 ein \u201esprachbegabter Zufallsgenerator“, der gelegentlich hilfreiche, h\u00e4ufig aber unspezifische oder sogar irref\u00fchrende Impulse produziert.<\/p>\n\n\n\n

Dosierung: Adaptives Scaffolding und das Prinzip \u201eErst du \u2013 dann ich“<\/h3>\n\n\n\n

Auf der Grundlage fachdidaktischen Wissens wird die zweite Gestaltungsebene m\u00f6glich: die adaptive Dosierung von Impulsen und Hilfen. Dies ist der Mechanismus, der KI-Lernbegleitung von einer blo\u00dfen Antwortmaschine unterscheidet. Die empirische Befundlage deutet darauf hin, dass KI-gest\u00fctzte Lernumgebungen besonders dann Potenzial f\u00fcr Lern- und Verstehensprozesse erzeugen, wenn sie adaptiv auf Lernstand, Fehler und Strategien reagieren, statt richtige Antworten auszugeben.<\/p>\n\n\n\n

In der Studie zu TALPer etwa profitierten leistungsschw\u00e4chere F\u00fcnftkl\u00e4ssler:innen besonders stark von adaptiver Unterst\u00fctzung, w\u00e4hrend leistungsst\u00e4rkere Sch\u00fcler:innen komplexere Interaktionsmuster mit dem KI-Lernbegleiter entwickelten (Kuo et al., 2025). Mit einem System konnten also unterschiedliche Lernvoraussetzungen gut bedient werden. Liu et al. (2025) zeigen bei einem vergleichbaren System signifikante Leistungsgewinne in Textaufgaben, wobei interessanterweise die wahrgenommene Qualit\u00e4t der Unterst\u00fctzung und nicht deren blo\u00dfe Verf\u00fcgbarkeit den st\u00e4rksten Einfluss auf Motivation und Lernwirkung hatte. Die systematische \u00dcbersicht von Son (2024) best\u00e4tigt positive Effekte gut konzipierter intelligenter Tutorsysteme auf mathematische Lernleistungen, insbesondere wenn diese adaptiv auf individuelle Lernbed\u00fcrfnisse reagieren. Die St\u00e4rke generativer KI f\u00fcr Feedback liegt also gerade in der Individualisierung: in der Anpassung der Antwort an die konkreten Lernbed\u00fcrfnisse des einzelnen Kindes.<\/p>\n\n\n\n

Entscheidend ist dabei die Reihenfolge von Denken und Unterst\u00fctzung. Die bisherige Forschung zu gro\u00dfen Sprachmodellen beim Lernen weist deutlich darauf hin, dass KI-Feedback besonders dann wirksam ist, wenn Lernende zun\u00e4chst eigene L\u00f6sungsversuche unternehmen (Kumar et al., 2023). In deren Studie f\u00fchrten selbst seltene fehlerhafte Erkl\u00e4rungen des Sprachmodells nach vorherigen eigenen L\u00f6sungsversuchen noch zu Lernzuw\u00e4chsen, ohne dass Teilnehmende systematisch falsche Strategien \u00fcbernahmen. Dies unterstreicht die Robustheit des \u201eErst denken, dann Feedback“-Prinzips. Cohn et al. (2025) betonen in ihrem theoretischen Rahmenwerk f\u00fcr LLM-basierte p\u00e4dagogische Agenten explizit die Notwendigkeit von guided discovery over direct answers<\/em> \u2013 also angeleitetes Entdecken statt direkter Antworten. Und auch Ruan et al. (2020) zeigen in ihrer Studie zu narrativbasierten Chatbot-Tutoren: Lernzuw\u00e4chse wurden vor allem dann erzielt, wenn das System interaktives Feedback und Hinweise gab statt direkter L\u00f6sungen.<\/p>\n\n\n\n

Im Bereich des selbstregulierten Lernens weisen einige Studien darauf hin, dass adaptives, KI-gest\u00fctztes Scaffolding im Unterschied zu statischen Hilfesequenzen die Qualit\u00e4t von Selbststeuerungsprozessen beim Lernen verbessern kann und Vorteile gegen\u00fcber einem Konzept \u201egleiche Hilfen f\u00fcr alle“ hat (Liu et al., 2025; Wu et al., 2025). Generative KI muss also so eingebunden und vorstrukturiert werden, dass sie adaptiv und individualisiert auf die Eingaben der Lernenden eingeht und nicht nur vorgefertigte Impulse anbietet.<\/p>\n\n\n\n

Zugleich zeigen die in Abschnitt 3 diskutierten \u00dcberlegungen, dass Hilfen nicht nur individualisiert, sondern auch begrenzt<\/em> sein m\u00fcssen. Bastani et al. (2025) demonstrieren, dass unregulierter Zugang zu vollst\u00e4ndigen L\u00f6sungen langfristig schadet, es sei denn, die KI wird so reguliert, dass sie nur schrittweise Hinweise gibt und damit Raum f\u00fcr eigene L\u00f6sungsversuche l\u00e4sst. Ein konsequentes Fading<\/em> \u2013 also das planm\u00e4\u00dfige Zur\u00fcckziehen von Unterst\u00fctzung \u2013 ist daher ein notwendiger Bestandteil des Systemdesigns. Wenn Sch\u00fcler:innen zu viele Hinweise anfordern, muss das System darauf reagieren k\u00f6nnen, indem es Hilfen dosiert, zeitlich staffelt und gegebenenfalls reduziert, um Abh\u00e4ngigkeit zu vermeiden.<\/p>\n\n\n\n

Ein dabei immer wieder beobachtetes Problem sind Halluzinationen und nicht geeignete R\u00fcckmeldungen der KI. Neue Multi-Agent-Ans\u00e4tze und LLM-as-Judge-Verfahren zeigen jedoch, dass sich Qualit\u00e4t und Zuverl\u00e4ssigkeit von Scaffolds durch Selbst\u00fcberpr\u00fcfungsverfahren verbessern und Halluzinationen beim Feedback deutlich reduzieren lassen (Cohn et al., 2025; Gonnermann-M\u00fcller et al., 2025; Qian et al., 2026). Auch zeigen neuere KI-Modelle zunehmend weniger Halluzinationen und Fehler, sodass dieses Problem perspektivisch an Relevanz verlieren d\u00fcrfte.<\/p>\n\n\n\n

Zusammengefasst l\u00e4sst sich aus diesen Befunden als Designprinzip ableiten, dass ein KI-Lernbegleiter konsequent nach dem Prinzip \u201eErst du \u2013 dann ich“ arbeiten sollte. Zun\u00e4chst wird ein eigener L\u00f6sungsversuch eingefordert. Die KI kommt erst bei Bedarf hinzu \u2013 auf Anfrage oder automatisch bei Fehlern \u2013 und fragt dann nach Ideen, Teilstrategien und Beobachtungen. Erkl\u00e4rungen werden an vorhandene Verst\u00e4ndnisgrundlagen angedockt. Vollst\u00e4ndige Musterl\u00f6sungen bleiben die Ausnahme und werden als Reflexionswerkzeug genutzt, nicht als prim\u00e4res Lernformat. Und der KI-Lernbegleiter sollte dabei nicht \u00fcberm\u00e4\u00dfig loben oder ausweichen, sondern konstruktive und informative R\u00fcckmeldung geben.<\/p>\n\n\n\n

Aktivierung: Metakognition, kritisches Denken und der Tutor als Spiegel<\/h3>\n\n\n\n

Die dritte Gestaltungsebene geht \u00fcber die Dosierung von Hilfen hinaus und zielt auf die Qualit\u00e4t der kognitiven Prozesse, die durch die Interaktion angeregt werden. Chatbots und KI-Systeme k\u00f6nnen nicht nur als Hinweisgeber und Aufgabenerkl\u00e4rer fungieren. Sie k\u00f6nnen dar\u00fcber hinaus Prozesse des Planens, \u00dcberwachens und Reflektierens im Probleml\u00f6seprozess anregen, wenn sie darauf ausgelegt werden. Die Meta-Analyse von Wu et al. (2025) zeigt, dass Chatbots selbstreguliertes Lernen technisch, sozial und reflexiv unterst\u00fctzen k\u00f6nnen, sofern ihre Scaffolds an Modelle des selbstregulierten Lernens gekoppelt sind. Guo et al. (2025) best\u00e4tigen in ihrer systematischen \u00dcbersicht, dass KI-Systeme grundlegende psychologische Bed\u00fcrfnisse nach Autonomie, Kompetenz und sozialer Eingebundenheit erf\u00fcllen k\u00f6nnen als zentrale Faktoren f\u00fcr Motivation und Engagement.<\/p>\n\n\n\n

Besonders interessant sind in diesem Zusammenhang Studien zu sogenannten teachable agents<\/em>. Song et al. (2024) zeigen, dass Lernende KI-gest\u00fctzte Systeme als Lernbegleiter, Moderator und kollaborativen Probleml\u00f6ser wahrnehmen k\u00f6nnen, wenn sie ihre eigenen Erkl\u00e4rungen an diese Agenten richten. Das Prinzip des Lernens durch Erkl\u00e4ren l\u00e4sst sich damit in KI-gest\u00fctzte Umgebungen \u00fcbertragen und f\u00fcr das Lernen nutzen. Gleichzeitig zeigt sich allerdings, dass viele heutige generative KI-Systeme zentrale tutorielle Rollen \u2013 beispielsweise das gezielte Anregen von Planung, Strategieauswahl und Reflexion \u2013 ohne spezielle Prompts oder Nachtraining noch nicht zuverl\u00e4ssig erf\u00fcllen und eher zu dem bereits diskutierten preskriptiven Stil neigen (Chudziak & Kostka, 2025; Contel & Cusi, 2025). Dies unterstreicht die Notwendigkeit der Vorstrukturierung von KI-Systemen, damit sie proaktiv metakognitive Scaffolds einsetzen, die \u00fcber reaktives Feedback hinausgehen.<\/p>\n\n\n\n

Ein wesentlicher Aspekt metakognitiver Aktivierung besteht auch darin, Lernende zur kritischen Pr\u00fcfung von KI-Antworten selbst zu bef\u00e4higen. In einer Lernumgebung im Rahmen eines Mathetags an einer Grundschule<\/a> wurde beobachtet, dass Kinder, die die Erfahrung machten, dass KI-Antworten fehlerhaft sein k\u00f6nnen, eine kritisch-pr\u00fcfende Haltung entwickelten und Antworten nicht mehr unreflektiert akzeptierten (Helal et al., 2024). Dies ist eine F\u00e4higkeit, die Kinder bereits in der Primarstufe \u00fcben k\u00f6nnen und die angesichts der zunehmenden Durchdringung des Alltags mit KI-generierten Inhalten von wachsender Bedeutung ist.<\/p>\n\n\n\n

Ein KI-Lernbegleiter kann als metakognitiver Partner konzipiert werden, der diese Prozesse systematisch anregt. Die Tutorin stellt Fragen wie \u201eWas ist dir aufgefallen?“, \u201eWelche Strategie hast du probiert?“, \u201eWarum glaubst du, dass das funktioniert?“. Sie regt die Reflexion \u00fcber Fehler an: \u201eWelche Idee von vorher k\u00f6nnte hier helfen?“ Und sie kann, wo sinnvoll, Teach-back-Elemente integrieren: Kinder erkl\u00e4ren der KI, was sie verstanden haben, und die KI spiegelt zur\u00fcck, fragt nach und vertieft. Dadurch wird die KI nicht zum allwissenden Erkl\u00e4rer, sondern zum Katalysator f\u00fcr das eigene Denken.<\/p>\n\n\n\n

Einbettung: Hybride Arrangements als Wirksamkeitsbedingung<\/h3>\n\n\n\n

Die vierte und letzte Gestaltungsebene betrifft die Frage, in welchem Rahmen KI-Lernbegleitung stattfindet. Hier deuten Forschungsergebnisse darauf hin, dass die effektivsten Szenarien jene sind, in denen KI die Lehrkraft nicht ersetzt, sondern entlastet wird. Dies kann etwa durch passgenaue Scaffolds im Probleml\u00f6seprozess oder Echtzeit-Analysen geschehen, damit Lehrkr\u00e4fte mehr Zeit f\u00fcr p\u00e4dagogische Interaktion und Beziehungsgestaltung hat (Wezendonk & Veldhuis, 2024; Gonnermann-M\u00fcller et al., 2025).<\/p>\n\n\n\n

Eine Studie von Eedi in Kooperation mit Google DeepMind (2025) illustriert das Potenzial hybrider Ans\u00e4tze unmittelbar: W\u00e4hrend KI-Unterst\u00fctzung allein zu Lernzuw\u00e4chsen von 4,5 Prozentpunkten f\u00fchrte, verdoppelten sich diese auf 10 Prozentpunkte, wenn die Lehrkraft die KI-Vorschl\u00e4ge \u00fcberpr\u00fcfte und nutzte. Die Lehrkraft fungiert hier nicht allein als Kontrollorgan, sondern als p\u00e4dagogische Instanz, die die KI-Impulse in den Kontext des Unterrichts, der Klasse und des einzelnen Kindes einordnet. In der Meta-Analyse von Kaliisa et al. (2025) zeigte sich, dass KI-Feedback ist nicht weniger effektiv als menschliches Feedback, aber auch nicht systematisch \u00fcberlegen. Besonders vielversprechend sind also Hybridans\u00e4tze, die verl\u00e4ssliches, direktes und barrierearmes KI-Feedback mit gerahmtem Feedback durch menschliche Lehrkr\u00e4fte kombinieren. Cosentino et al. (2025) best\u00e4tigen, dass solche hybriden Feedback-Modelle das Potenzial haben, die kognitive Belastung zu reduzieren und differenzierte Informationsverarbeitungsstrategien zu unterst\u00fctzen.<\/p>\n\n\n\n

Weitere Studien st\u00fctzten die Wirksamkeit bei der Unterst\u00fctzung von Lehrkr\u00e4ften. Der CoPilot beispielsweise unterst\u00fctzt menschliche Lehrkr\u00e4fte in Echtzeit und f\u00fchrt zu signifikant besseren mathematischen Lernergebnissen bei j\u00fcngeren Sch\u00fcler:innen. Dies gilt besonders dort, wo Lehrkr\u00e4fte sonst schw\u00e4chere Feedbackqualit\u00e4t zeigen, etwa aufgrund fachfremden Unterrichts (Wang et al., 2024). Kestin et al. (2025) stellen fest, dass KI-Tutoren, die auf didaktischen Prinzipien aktiven Lernens aufbauen, einen sehr guten Pr\u00e4senzunterricht in bestimmten Phasen bereichern und unterst\u00fctzen k\u00f6nnen, ohne ihn zu ersetzen.<\/p>\n\n\n\n

Aus der Perspektive der hybriden Einbettung ergeben sich mehrere Konsequenzen f\u00fcr das Systemdesign. Die Generierung von Feedback muss auf Basis fachdidaktisch fundierter Informationen erfolgen und darf nicht dem Zufall \u00fcberlassen werden. Lehrkr\u00e4fte ben\u00f6tigen Dashboards und Einstellungsm\u00f6glichkeiten, um zu sehen, wo Sch\u00fcler:innen stehen, welche Hilfen die KI gegeben hat und wie diese Hilfen gewirkt haben. Die KI kann Vorschl\u00e4ge f\u00fcr Aufgaben, Hilfen oder erste Diagnosen machen \u2013 die Entscheidung bleibt beim Menschen. Besonders aussichtsreich ist dabei der\u00a0mikrodidaktische<\/em>\u00a0Bereich des Unterst\u00fctzens auf Aufgabenebene beim Probleml\u00f6sen, in dem Lehrkr\u00e4fte bei einer heterogenen Klasse oft nicht alle Kinder an den entscheidenden Stellen zeitnah unterst\u00fctzen k\u00f6nnen. In dem systematischen Review von Eti, Mosia & Egara (2026) zeigte sich, dass KI besonders wirksam ist, wenn sie Fehlvorstellungen erkennt, passende Hinweise gibt und Lernende schrittweise zu selbstst\u00e4ndigem Probleml\u00f6sen f\u00fchrt.<\/p>\n\n\n\n

Allerdings bleibt die sinnvolle Einbindung von Lehrkr\u00e4ften in Design und Einsatz von KI-Tutorsystemen bisher oft unzureichend mitgedacht. Guerino et al. (2023) sowie Wezendonk und Veldhuis (2024) betonen, dass lehrerzentrierte Gestaltungsans\u00e4tze und entsprechende KI-Literacy-Programme notwendig sind, um praktische Classroom-Integration und Akzeptanz zu gew\u00e4hrleisten. Professionalisierung und Fortbildung zur Einbindung, Orchestrierung und Nutzung von KI sind Voraussetzung f\u00fcr einen verantwortlichen Einsatz (Holmes et al., 2018; KMK, 2024; Wang & Nie, 2023) und sollten daher in der Lehrkr\u00e4fteaus- und -weiterbildung integriert werden. Dies sollte nicht nur auf Wissen \u00fcber die Technik hinauslaufen, sondern insbesondere p\u00e4dagogische Aspekte umfassen, die sowohl Chancen als auch Risiken thematisieren. Zentral bleibt dabei das fachdidaktische Wissen als Grundlage f\u00fcr die Pr\u00fcfung und Orchestrierung der KI als Assistenz im Lernsetting.<\/p>\n\n\n\n

KI als Impulsgeber f\u00fcr mathematische Entdeckungen<\/h2>\n\n\n\n

Die bisherigen Gestaltungsprinzipien beschreiben, wie KI-Lernbegleitung intern<\/em> funktionieren sollte, also in der Interaktion zwischen System und Lernendem. Ebenso wichtig ist jedoch die Frage, wie sich diese Interaktion in das Gesamtarrangement<\/em> mathematischen Lernens einf\u00fcgt. KI soll und darf nicht dazu f\u00fchren, dass Kinder nur noch auf Bildschirme starren und mit ihnen interagieren. Forschung zu Tangible Interfaces<\/em> und sozialen Robotern zeigt, dass KI auch Interaktion in der physischen Welt anregen kann (Ligthart et al., 2023). KI sollte als Ansto\u00dfgeber f\u00fcr mathematische Aktivit\u00e4ten dienen und dabei die Repr\u00e4sentationsebenen nach Bruner nutzen.<\/p>\n\n\n\n

Dies kann beispielsweise bedeuten, dass Handlungen mit konkretem Material vorgenommen werden oder Skizzen und Zeichnungen mit genutzt werden, die KI diese erkennt und analytische Fragen dazu stellt bei Bedarf. Beispielsweise bei der Modellierung von Sachaufgaben in der App „Rechengeschichten<\/a>„. Hier k\u00f6nnen neben der Spracheingabe auch Skizzen, Notizen und Fotos der Modellierung mit dem KI-Lernbegleiter besprochen werden. F\u00fcr den Primarbereich liegen hier deutlich weniger Studien als f\u00fcr Sekundarstufe und Hochschule vor, aber die vorhandenen Ergebnisse machen vorsichtig optimistisch: Kinder k\u00f6nnen von generativer KI beim Lernen profitieren, wenn Lernumgebungen sinnvoll gestaltet sind \u2013 auch hinsichtlich der Verkn\u00fcpfung digitaler Begleitung und analoger Lernumgebung (Hwang, 2022; Listyaningrum et al., 2024; Mott et al., 2023; Rumbelow & Coles, 2024; Yim & Su, 2025).<\/p>\n\n\n\n

KI-gest\u00fctzte Objekterkennung, etwa bei Cuisenaire-St\u00e4ben oder die Erkennung von Zeichnungen oder Notizen, kann dazu beitragen, dass Kinder ihr Handeln zunehmend mit abstrakten mathematischen Repr\u00e4sentationen verkn\u00fcpfen (Rumbelow & Coles, 2024). KI-gest\u00fctztes \u00dcben kann Rechenfl\u00fcssigkeit gezielt erh\u00f6hen und erzielt dabei gr\u00f6\u00dfere Fl\u00fcssigkeitsgewinne als reine Memorierungsans\u00e4tze, muss aber bei Kindern mit Rechenschwierigkeiten sorgf\u00e4ltig mit anderen \u00dcbungsformen kombiniert werden (Samuelsson, 2023). Adaptive Systeme f\u00fcr Kinder mit Dyskalkulie zeigen vielversprechende Ergebnisse bei der Aufrechterhaltung von Motivation und Engagement (Hocine et al., 2023; Holmes, 2024). Und narrative sowie gamifizierte Ans\u00e4tze verdienen besondere Beachtung: Ruan et al. (2020) zeigen, dass storytelling-basierte Chatbot-Tutoren Engagement und Lerngewinne f\u00f6rdern k\u00f6nnen, und Sayed et al. (2022) best\u00e4tigen signifikante Verbesserungen insbesondere bei leistungsschw\u00e4cheren Sch\u00fcler:innen durch adaptive, gamifizierte Inhalte.<\/p>\n\n\n\n

Die zentrale Aufgabe bleibt dabei, Kinder zu bef\u00e4higen, mathematische Aussagen \u2013 auch und gerade von KI \u2013 kritisch zu pr\u00fcfen, zu begr\u00fcnden und miteinander zu verhandeln (Kortenkamp, 2024; Aufenanger, 2023). KI-Lernbegleitung in der Grundschule sollte daher vor allem als Ansto\u00dfgeber f\u00fcr reichhaltige mathematische Aktivit\u00e4ten dienen, die \u2013 ausgerichtet an fachdidaktischen \u00dcberlegungen \u2013 digitale und analoge Handlungen miteinander verbinden.<\/p>\n\n\n\n

Ethische und strukturelle Rahmenbedingungen<\/h2>\n\n\n\n

Ethische Anforderungen an KI-Lernbegleitung<\/h3>\n\n\n\n

Die bisherigen Gestaltungsprinzipien zielen auf die lernwirksame Ausgestaltung von KI-Tutorsystemen. Doch Lernwirksamkeit allein ist kein allein hinreichendes Kriterium, insbesondere nicht, wenn Kinder die Lernenden sind. Ethische Fragen sind f\u00fcr das Lernen mit generativer KI grundlegend, und sie gehen \u00fcber den h\u00e4ufig im Vordergrund stehenden Datenschutz hinaus. Holmes et al. (2021) fordern ein gemeinschaftlich entwickeltes Ethik-Rahmenwerk, das Aspekte wie Fairness, Transparenz, Agency und p\u00e4dagogische Verantwortung umfasst. Die Kultusministerkonferenz (KMK, 2024) empfiehlt f\u00fcr Grund- und F\u00f6rderschulen explizit einen vorsichtigen, forschungsbasierten Einsatz von KI mit Fokus auf Basiskompetenzen, Inklusion, Chancengerechtigkeit und datenschutzkonforme, altersangemessene L\u00f6sungen.<\/p>\n\n\n\n

Dass die bisherige Forschung hier L\u00fccken aufweist, zeigen Scoping Reviews zu KI und Human Flourishing<\/em>: Die Forschungslage ist stark leistungsorientiert und auf Lerneffekte ausgerichtet, w\u00e4hrend ethische, metakognitive und lehrkraftbezogene Perspektiven unterbelichtet bleiben (Fock & Siller, 2025). Almheiri et al. (2025) sowie C\u00e1rdenas et al. (2025) identifizieren ethische Herausforderungen und Skalierungsprobleme als zentrale Hindernisse f\u00fcr den breiten Einsatz von KI-Tutorsystemen. Zudem zeigen Arbeiten zu psychologischem Profiling mit gro\u00dfen Sprachmodellen (Rosenfelder et al., 2025), wie treffgenau Modelle aus Texten Pers\u00f6nlichkeits- und Wertemuster ableiten k\u00f6nnen. Dies macht deutlich, welches Missbrauchspotenzial in intransparenten Systemen steckt. Gulz et al. (2021) betonen zudem die Notwendigkeit, Adaptivit\u00e4t mit inklusiver P\u00e4dagogik und Barrierefreiheit zu verbinden, ohne Lernende mit besonderen Bed\u00fcrfnissen zu stigmatisieren.<\/p>\n\n\n\n

Aus diesen Befunden und Forderungen lassen sich konkrete ethische Anforderungen an einen verantwortlichen KI-Lernbegleiter ableiten. Er muss datensparsamarbeiten<\/em> und psychologische Profilbildung vermeiden. Dies kann etwa durch konsequente Verarbeitung auf dem Ger\u00e4t oder in datengesicherten Infrastrukturen, durch Trennung von KI-Auswertungen und personenbezogenen Daten und durch Begrenzung personenbezogener Daten auf das Notwendigste. Er muss barrierearm<\/em> sein und multimodale Interaktion (Sprache, Text, Bild) f\u00fcr diverse Lernbed\u00fcrfnisse nutzen (Hocine et al., 2023), wobei gezielt benachteiligte Lernende bei der Gestaltung in den Blick genommen werden. Er muss seine Funktionsweise in Grundz\u00fcgen erkl\u00e4rbar<\/em> und damit nachvollziehbar machen. Und er muss Sch\u00fcler:innen zur kritischen Pr\u00fcfung von KI-Antworten anregen und dazu beitragen, dass kritisches Denken gest\u00e4rkt wird statt geschw\u00e4cht. Der \u00fcbergeordnete Grundsatz lautet: Lernende nicht steuern, sondern Selbstt\u00e4tigkeit st\u00e4rken<\/strong>.<\/p>\n\n\n\n

Das SKILL-Modell als Orientierungsrahmen<\/h3>\n\n\n\n

F\u00fcr das Projekt PRIMA-KI wurde das SKILL-Rahmenmodell (Structured Competence-based Integration of Learning-supportive AI Systems) f\u00fcr den Einsatz generativer KI bei j\u00fcngeren Kindern entwickelt. Es bietet eine Orientierung f\u00fcr die Frage, wie offen oder vorstrukturiert KI-Systeme in verschiedenen Lernkontexten eingesetzt werden sollten. Die Grundaussage des Modells besteht darin, dass die Vorstrukturierung und Kontrolle der KI umso st\u00e4rker sein muss, je n\u00e4her die generative KI direkt mit dem Lernprozess in Verbindung steht \u2013 wobei zus\u00e4tzlich der Grad der Kompetenzen der Kinder im Umgang mit den Ausgaben der KI ber\u00fccksichtigt wird.<\/p>\n\n\n\n

Das konzentrische Modell unterscheidet vier Ebenen: von der besonders sch\u00fctzw\u00fcrdigen Kernlernebene mit stark kontrolliertem und vorstrukturiertem KI-Einsatz \u00fcber die didaktisch kontrollierte Lernumgebungsebene und die Lehrkraftebene bis hin zur Systemebene. Damit wird sichergestellt, dass fundamentale kognitive Prozesse \u2013 wie der Aufbau von Zahlverst\u00e4ndnis oder eigener Probleml\u00f6sestrategien \u2013 als eigenst\u00e4ndige Denkleistungen erhalten bleiben und nicht aus der Hand der Lehrkraft gegeben werden. Das SKILL-Modell operationalisiert damit die in diesem Beitrag entwickelten Gestaltungsprinzipien \u2013 insbesondere die Spannung zwischen adaptiver Unterst\u00fctzung und dem Schutz eigenst\u00e4ndigen Denkens \u2013 in eine anwendbare Struktur.<\/p>\n\n\n\n

Fazit und Ausblick<\/h2>\n\n\n\n

KI-gest\u00fctzte Lernbegleitung im Mathematikunterricht der Primarstufe birgt ein erhebliches Potenzial f\u00fcr personalisiertes Feedback und adaptive Unterst\u00fctzung. Aber dieses Potenzial kann nur dann realisiert werden, wenn die Systeme fachdidaktisch fundiert, adaptiv dosiert und in hybride Lehr-Lern-Arrangements eingebettet sind. Ohne diese Rahmung drohen sie, das eigenst\u00e4ndige Denken der Kinder zu verhindern statt zu erm\u00f6glichen.<\/p>\n\n\n\n

Das Leitproblem jeder Gestaltungsentscheidung ist dabei das das Paradoxon optimaler Unterst\u00fctzung<\/strong>. Je effizienter ein KI-System hilft, desto gr\u00f6\u00dfer ist die Gefahr des Cognitive Offloading und De-Skilling. Diesem Risiko kann nur durch ein Zusammenspiel mehrerer Gestaltungs\u00fcberlegungen begegnet werden.<\/p>\n\n\n\n

Die fachdidaktische Fundierung<\/em> bildet die Voraussetzung daf\u00fcr, dass ein System \u00fcberhaupt lernwirksam agieren kann. Ohne Kompetenzentwicklungsmodelle, Fehlertaxonomien und Wissen \u00fcber alternative Denkwege bleibt KI-Feedback bestenfalls oberfl\u00e4chlich, schlimmstenfalls irref\u00fchrend. Ein KI-Tutor, der nur sprachlich plausibel, aber fachdidaktisch nicht fundiert agiert, ist ein Risiko f\u00fcr das Lernen und kein Gewinn.<\/p>\n\n\n\n

Die adaptive Dosierung<\/em> ist der Kernmechanismus, der KI-Lernbegleitung von einer Antwortmaschine unterscheidet. Das Prinzip \u201eErst du \u2013 dann ich“, konsequentes Fading und die Begrenzung vollst\u00e4ndiger L\u00f6sungen sind empirisch gut begr\u00fcndete Strategien, um die Eigenaktivit\u00e4t der Lernenden zu erhalten, produktive Anstrengung zu erm\u00f6glichen und Unterst\u00fctzung individualisiert anzubieten.<\/p>\n\n\n\n

Die metakognitive Aktivierung<\/em> sorgt daf\u00fcr, dass KI-Lernbegleitung nicht nur Hilfen und Impulse anbietet, sondern das System Prozesse des Planens, \u00dcberwachens und Reflektierens angeregt werden. Die Bef\u00e4higung zur kritischen Pr\u00fcfung von KI-Antworten ist dabei nicht nur eine Kompetenz f\u00fcr den Umgang mit dem konkreten System, sondern eine zunehmend bedeutsame Kulturtechnik.<\/p>\n\n\n\n

Und schlie\u00dflich ist die hybride Einbettung<\/em> entscheidend f\u00fcr eine Wirksamkeit von KI-Lernbegleitung. Bisherige Forschungsergebnisse deuten darauf hin, dass die Kombination von KI-Feedback und menschlicher Begleitung („Lehrkraft in the loop“) die st\u00e4rksten Effekte erzielt und dass KI besonders dort wertvoll ist, wo Lehrkr\u00e4fte bei der individuellen Begleitung an Kapazit\u00e4tsgrenzen sto\u00dfen.<\/p>\n\n\n\n

Diese Prinzipien sind im SKILL-Modell als Orientierungsrahmen zusammengef\u00fchrt, der die Offenheit und Vorstrukturiertheit der eingesetzten Systeme an die Kompetenzen der Lernenden im Umgang mit KI kn\u00fcpft. Besonders bei j\u00fcngeren Kindern ist eine appintegrierte, p\u00e4dagogisch vorstrukturierte und kontrollierte Einbindung notwendig, da Kinder oftmals noch nicht selbst in der Lage sind, KI selbstst\u00e4ndig als Lernunterst\u00fctzung zu nutzen (Gulz et al., 2021).<\/p>\n\n\n\n

F\u00fcr die Zukunft ergeben sich mehrere offene Forschungsfragen. Es fehlen Langzeitstudien, die KI-gest\u00fctzter Lernbegleitung \u00fcber den Zeitraum einzelner Interventionen hinaus untersuchen \u2013 insbesondere die Frage, ob adaptives Scaffolding tats\u00e4chlich zu nachhaltigem Kompetenzaufbau f\u00fchrt oder ob sich De-Skilling-Effekte erst mit zeitlicher Verz\u00f6gerung zeigen. Es fehlen Studien, die die spezifischen Bedingungen der Primarstufe \u2013 geringere Lesekompetenz, andere Interaktionsmuster, Zusammenspielmit konkretem Material \u2013 systematisch ber\u00fccksichtigen. Und es fehlt an Forschung zu der Frage, wie Lehrkr\u00e4fte KI-Tutorsysteme tats\u00e4chlich in ihren Unterricht integrieren \u2013 nicht unter Laborbedingungen, sondern im Alltag einer heterogenen Grundschulklasse mit begrenzter Infrastruktur.<\/p>\n\n\n\n

Im Projekt PRIMA-KI entstehen auf Basis der hier formulierten Grundprinzipien aktuell verschiedene appintegrierte KI-Lernbegleitungen, die im Rahmen des Design-Based Research erforscht, weiterentwickelt und optimiert werden. Aus diesen Erprobungen sollen Erkenntnisse gewonnen werden, mit denen das mathematische Lernen von Kindern verbessert werden kann.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\n\n\n\n
\n

Literatur<\/strong><\/h3>\n\n\n\n

Abdulsalam, R. O., & Aroyehun, S. (2025). Large language models approach expert pedagogical quality in math tutoring but differ in instructional and linguistic profiles (arXiv:2512.20780). arXiv. https:\/\/doi.org\/10.48550\/arXiv.2512.20780<\/p>\n\n\n\n

Alemdag, E. (2025). The effect of chatbots on learning: A meta-analysis of empirical research. Journal of Research on Technology in Education<\/em>, 57(2), 459\u2013481. https:\/\/doi.org\/10.1080\/15391523.2023.2255698<\/p>\n\n\n\n

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\u2013223. https:\/\/doi.org\/10.1007\/s40593-015-0089-1<\/p>\n\n\n\n

Almheiri, A. S. B., Albastaki, H., & Alrashdan, H. (2025). AI-based tutoring systems in education. Advances in Computational Intelligence and Robotics Book Series<\/em>, 185\u2013210. https:\/\/doi.org\/10.4018\/979-8-3373-0847-0.ch007<\/p>\n\n\n\n

Aru, J., & Laak, K.-J. (2025). Developing an AI-based General Personal Tutor for education. Trends in Cognitive Sciences<\/em>, 29(11), 957\u2013960. https:\/\/doi.org\/10.1016\/j.tics.2025.09.010<\/p>\n\n\n\n

Aufenanger, S., Herzig, B., & Schiefner-Rohs, M. (2023). K\u00fcnstliche Intelligenz und Schule. Aufgaben f\u00fcr Unterricht und die Organisation (von) Schule. In C. de Witt, C. Gloerfeld, & S. E. Wrede (Hrsg.), K\u00fcnstliche Intelligenz in der Bildung<\/em> (S. 199\u2013218). Springer Fachmedien. https:\/\/doi.org\/10.1007\/978-3-658-40079-8_10<\/p>\n\n\n\n

Awang, L. A., Yusop, F. D., & Danaee, M. (2025). Current practices and future direction of artificial intelligence in mathematics education: A systematic review. International Electronic Journal of Mathematics Education<\/em>, 20(2), em0823. https:\/\/doi.org\/10.29333\/iejme\/16006<\/p>\n\n\n\n

Bach, K. M., Reinhold, F., & Hofer, S. (2025). Unlocking math potential in students from lower SES backgrounds \u2013 using instructional scaffolds to improve performance. npj Science of Learning, 10(1).<\/p>\n\n\n\n

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakc\u0131, \u00d6., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences<\/em>, 122(26), 2422633122.<\/p>\n\n\n\n

Bewersdorff, A., Se\u00dfler, K., Baur, A., Kasneci, E., & Nerdel, C. (2023). Assessing student errors in experimentation using artificial intelligence and large language models: A comparative study with human raters. Computers and Education: Artificial Intelligence<\/em>, 5, 100177. https:\/\/doi.org\/10.1016\/j.caeai.2023.100177<\/p>\n\n\n\n

Buchholtz, N., Schorcht, S., Baumanns, L., Huget, J., Noster, N., Rott, B., Siller, H.-S., & Sommerhoff, D. (2024). Damit rechnet niemand! Sechs Leitgedanken zu Implikationen und Forschungsbedarfen zu KI-Technologien im Mathematikunterricht. Mitteilungen der Gesellschaft f\u00fcr Didaktik der Mathematik<\/em>, 117.<\/p>\n\n\n\n

Canonigo, A. M. (2024). Levering AI to enhance students‘ conceptual understanding and confidence in mathematics. Journal of Computer Assisted Learning<\/em>, 40(6), 3215\u20133229. https:\/\/doi.org\/10.1111\/jcal.13065<\/p>\n\n\n\n

C\u00e1rdenas, R., V\u00e1squez, H. G. E., Gamboa, D. A. P., Arteaga-Arcentales, E., & Carrera, J. E. M. (2025). Exploring AI-powered adaptive learning systems and their implementation in educational settings: A systematic literature review. International Journal of Innovative Research and Scientific Studies<\/em>, 8(4), 832\u2013842. https:\/\/doi.org\/10.53894\/ijirss.v8i4.7961<\/p>\n\n\n\n

Chudziak, J. A., & Kostka, A. (2025). AI-powered math tutoring: Platform for personalized and adaptive education. Lecture Notes in Computer Science<\/em>, 462\u2013469. https:\/\/doi.org\/10.1007\/978-3-031-98465-5_58<\/p>\n\n\n\n

Cohn, C., Rayala, S., Srivastava, N., Fonteles, J., Jain, S., Luo, X., Mereddy, D., Mohammed, N., & Biswas, G. (2025). A theory of adaptive scaffolding for LLM-based pedagogical agents. arXiv<\/em>. https:\/\/doi.org\/10.48550\/arxiv.2508.01503<\/p>\n\n\n\n

Contel, F., & Cusi, A. (2025). Investigating the Role of ChatGPT in Supporting Metacognitive Processes During Problem-Solving Activities. Digital Experiences in Mathematics Education<\/em>, 11(1), 167\u2013191. https:\/\/doi.org\/10.1007\/s40751-024-00164-7<\/p>\n\n\n\n

Cosentino, G., Anton, J., Sharma, K., Gelsomini, M., Giannakos, M. N., & Abrahamson, D. (2025). Generative AI and multimodal data for educational feedback: Insights from embodied math learning. British Journal of Educational Technology<\/em>. https:\/\/doi.org\/10.1111\/bjet.13587<\/p>\n\n\n\n

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<\/em>, 227, 105224. https:\/\/doi.org\/10.1016\/j.compedu.2024.105224<\/p>\n\n\n\n

Dinsmore, D. L., & Fryer, L. K. (2026). What does current genAI actually mean for student learning? Learning and Individual Differences<\/em>, 125, 102834. https:\/\/doi.org\/10.1016\/j.lindif.2025.102834<\/p>\n\n\n\n

Eedi & Google DeepMind (2025). Human-in-the-Loop AI Tutoring Outperforms Human-Only Support. Exploratory Research Report, ver\u00f6ffentlicht 2025. https:\/\/finance.yahoo.com\/news\/exploratory-research-eedi-google-deepmind-090000225.html<\/p>\n\n\n\n

Eti, N., Mosia, M., & Egara, F. O. (2026). The role of AI-driven personalised learning in enhancing mathematics problem-solving skills: A systematic review. Frontiers in Computer Science, 8. https:\/\/doi.org\/10.3389\/fcomp.2026.1813431<\/p>\n\n\n\n

Fock, A., & Siller, H.-S. (2025). Generative Artificial Intelligence in Secondary STEM Education in the Light of Human Flourishing: A Scoping Literature Review. Research Square<\/em>. https:\/\/doi.org\/10.21203\/rs.3.rs-6923010\/v1<\/p>\n\n\n\n

Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies<\/em>, 15(1), 6. https:\/\/doi.org\/10.3390\/soc15010006<\/p>\n\n\n\n

Gisiger, M. (2025, April 17). Die Rolle von K\u00fcnstlicher Intelligenz im Lernen \u2013 Chancen und Risiken. Michael Gisiger<\/em>. https:\/\/text.tchncs.de\/gisiger\/die-rolle-von-kunstlicher-intelligenz-im-lernen-chancen-und-risiken<\/p>\n\n\n\n

Gonnermann-M\u00fcller, J., Haase, J., Fackeldey, K., & Pokutta, S. (2025). FACET: Teacher-centred LLM-based multi-agent systems \u2013 Towards personalized educational worksheets. arXiv<\/em>. https:\/\/doi.org\/10.48550\/arxiv.2508.11401<\/p>\n\n\n\n

Guerino, G., Challco, G. C., Veloso, T. E., Oliveira, L., Penha, R. S. D., Melo, R. F., Vieira, T., Marinho, M. L. M., Macario, V., Bittencourt, I. I., Isotani, S., & Dermeval, D. (2023). Teacher-centered intelligent tutoring systems: Design considerations from Brazilian public school teachers. Anais do XXXIV Simp\u00f3sio Brasileiro de Inform\u00e1tica na Educa\u00e7\u00e3o<\/em>. https:\/\/doi.org\/10.5753\/sbie.2023.235159<\/p>\n\n\n\n

Gulz, A., & Haake, M. (2021). No child left behind, nor singled out: Is it possible to combine adaptive instruction and inclusive pedagogy in early math software? SN Social Sciences<\/em>, 1, 205. https:\/\/doi.org\/10.1007\/s43545-021-00205-7<\/p>\n\n\n\n

Guo, J., Ma, Y., Jang, H., Li, T., Wu, J., Huang, D., Han, F., Noetel, M., Liao, K., Tang, X., & Kui, X. (2025). The impact of artificial intelligence on primary school students‘ motivation and engagement: A systematic review. PsyArXiv<\/em>. https:\/\/doi.org\/10.31234\/osf.io\/ecspn_v1<\/p>\n\n\n\n

Harahap, R. (2024). The role of ChatGPT in enhancing mathematics education: A systematic review. Annals of the Vietnam Academy of Science and Technology<\/em>, 28(2s), 511\u2013524. https:\/\/doi.org\/10.52783\/anvi.v28.2753<\/p>\n\n\n\n

Hocine, N., Moussa, M. B. O., & Ali, S. A. (2023). Posicalculia: An adaptive virtual environment for children with learning difficulties. IEEE INISTA 2023<\/em>. https:\/\/doi.org\/10.1109\/inista59065.2023.10310592<\/p>\n\n\n\n

Holmes, V. M. (2024). Designing an AI math tutor for children with dyslexia, dysgraphia, and dyscalculia. https:\/\/doi.org\/10.58445\/rars.2035<\/p>\n\n\n\n

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promise and Implications for Teaching and Learning<\/em>. Center for Curriculum Redesign.<\/p>\n\n\n\n

Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S., Santos, O. C., Rodrigo, M., Cukurova, M., Bittencourt, I., & Koedinger, K. (2021). Ethics of AI in Education: Towards a Community-Wide Framework. International Journal of Artificial Intelligence in Education<\/em>, 32, 504\u2013526. https:\/\/doi.org\/10.1007\/s40593-021-00239-1<\/p>\n\n\n\n

Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education<\/em>, 57(4), 542\u2013570. https:\/\/doi.org\/10.1111\/ejed.12533<\/p>\n\n\n\n

Hwang, S. (2022). Examining the Effects of Artificial Intelligence on Elementary Students‘ Mathematics Achievement: A Meta-Analysis. Sustainability<\/em>, 14(20), 13185. https:\/\/doi.org\/10.3390\/su142013185<\/p>\n\n\n\n

Jan\u010da\u0159\u00edk, A., Michal, J., & Novotn\u00e1, J. (2023). Using AI Chatbot for Math Tutoring. Journal of Education Culture and Society<\/em>, 14(2), 285\u2013296. https:\/\/doi.org\/10.15503\/jecs2023.2.285.296<\/p>\n\n\n\n

Kaliisa, R., Misiejuk, K., L\u00f3pez-Pernas, S., & Saqr, M. (2025). How does artificial intelligence compare to human feedback? A meta-analysis of performance, feedback perception, and learning dispositions. Educational Psychology<\/em>, 1\u201332. https:\/\/doi.org\/10.1080\/01443410.2025.2553639<\/p>\n\n\n\n

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<\/em>, 15(1), 17458. https:\/\/doi.org\/10.1038\/s41598-025-97652-6<\/p>\n\n\n\n

KirschnerED (2025, August 15). ChatGPT in Education: An Effect in Search of a Cause? https:\/\/www.kirschnered.nl\/2025\/08\/15\/chatgpt-in-education-an-effect-in-search-of-a-cause\/<\/p>\n\n\n\n

KMK (2024). Handlungsempfehlung f\u00fcr die Bildungsverwaltung zum Umgang mit K\u00fcnstlicher Intelligenz in schulischen Bildungsprozessen<\/em>. https:\/\/www.kmk.org\/fileadmin\/veroeffentlichungen_beschluesse\/2024\/2024_10_10-Handlungsempfehlung-KI.pdf<\/p>\n\n\n\n

Kortenkamp, U. (2024). Wieviel Mathe braucht der Mensch? Mathematische Kernkompetenzen im Angesicht von KI. https:\/\/doi.org\/10.20378\/irb-104036<\/p>\n\n\n\n

Kumar, H., Rothschild, D. M., Goldstein, D. G., & Hofman, J. M. (2023). Math Education with Large Language Models: Peril or Promise? (SSRN Scholarly Paper No. 4641653). Social Science Research Network<\/em>. https:\/\/doi.org\/10.2139\/ssrn.4641653<\/p>\n\n\n\n

Kuo, B.-C., Bai, Z.-E., & Lin, C.-H. (2026). Developing an AI learning companion for mathematics problem solving in elementary schools. Computers & Education<\/em>, 240, 105463. https:\/\/doi.org\/10.1016\/j.compedu.2025.105463<\/p>\n\n\n\n

L\u00e9tourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen, J., & L\u00e9ger, P. M. (2025). A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education. npj Science of Learning, 10(1), Article 29. https:\/\/doi.org\/10.1038\/s41539-025-00320-7<\/p>\n\n\n\n

Li, M. (2024). Integrating Artificial Intelligence in Primary Mathematics Education: Investigating Internal and External Influences on Teacher Adoption. International Journal of Science and Mathematics Education<\/em>. https:\/\/doi.org\/10.1007\/s10763-024-10515-w<\/p>\n\n\n\n

Ligthart, M. E. U., de Droog, S. M., Bossema, M., Elloumi, L., Hoogland, K., Smakman, M. H. J., Hindriks, K. V., & Ben Allouch, S. (2023). Design specifications for a social robot math tutor. In G. Castellano, L. Riek, M. Cakmak, & J. Leite (Eds.), Proceedings of the 2023 ACM\/IEEE International Conference on Human-Robot Interaction (pp. 321\u2013330). ACM\/IEEE. https:\/\/doi.org\/10.1145\/3568162.3576957<\/p>\n\n\n\n

Liu, B., Zhang, W., Wang, F. (2025). Can Generative Artificial Intelligence Effectively Enhance Students‘ Mathematics Learning Outcomes? A Meta-Analysis. Education Sciences, 16(1), 140. https:\/\/doi.org\/10.3390\/educsci160101402512.20780.<\/p>\n\n\n\n

Listyaningrum, P., Retnawati, H., Harun, H., & Ibda, H. (2024). Digital learning using ChatGPT in elementary school mathematics learning: A systematic literature review. Indonesian Journal of Electrical Engineering and Computer Science<\/em>, 36(3), 1701\u20131710. https:\/\/doi.org\/10.11591\/ijeecs.v36.i3.pp1701-1710<\/p>\n\n\n\n

Liu, J., Sun, D., Sun, J., Wang, J., & Yu, P. L. H. (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<\/em>, 9, 100438. https:\/\/doi.org\/10.1016\/j.caeai.2025.100438<\/p>\n\n\n\n

Makransky, G., Shiwalia, B. M., Herlau, T., & Blurton, S. (2024). Beyond the „Wow“ factor: Using Generative AI for Increasing Generative Sense-Making. In Review<\/em>. https:\/\/doi.org\/10.21203\/rs.3.rs-5622133\/v1<\/p>\n\n\n\n

Macina, J., Daheim, N., Hakimi, I., Kapur, M., Gurevych, I., & Sachan, M. (2025). MathTutorBench: A benchmark for measuring open-ended pedagogical capabilities of LLM tutors (arXiv:2502.18940). arXiv. https:\/\/doi.org\/10.48550\/arXiv.2502.18940<\/p>\n\n\n\n

Mott, B., Gupta, A., Glazewski, K., Ottenbreit-Leftwich, A., Hmelo-Silver, C., Scribner, A., Lee, S., & Lester, J. (2023). Fostering Upper Elementary AI Education: Iteratively Refining a Use-Modify-Create Scaffolding Progression for AI Planning. Proceedings of the 2023 Conference on Innovation and Technology in Computer Science Education V. 2<\/em>, 647. https:\/\/doi.org\/10.1145\/3587103.3594170<\/p>\n\n\n\n

Ninaus, M., & Sailer, M. (2022). Closing the loop \u2013 The human role in artificial intelligence for education. Frontiers in Psychology<\/em>, 13. https:\/\/doi.org\/10.3389\/fpsyg.2022.956798<\/p>\n\n\n\n

Opesemowo, O. A. G., & Adewuyi, H. O. (2024). A systematic review of artificial intelligence in mathematics education: The emergence of 4IR. Eurasia Journal of Mathematics, Science and Technology Education<\/em>, 20(7), em2478. https:\/\/doi.org\/10.29333\/ejmste\/14762<\/p>\n\n\n\n

Qian, K., Liu, S., Li, T., Rakovi\u0107, M., Li, X., Guan, R., Molenaar, I., Nawaz, S., Swiecki, Z., Yan, L., & Ga\u0161evi\u0107, D. (2026). Towards reliable generative AI-driven scaffolding: Reducing hallucinations and enhancing quality in self-regulated learning support. Computers & Education<\/em>, 240, 105448. https:\/\/doi.org\/10.1016\/j.compedu.2025.105448<\/p>\n\n\n\n

Rosenfelder, A., Levitin, M. D., & Gilead, M. (2025). Towards social superintelligence? AI infers diverse psychological traits from text without specific training, outperforming human judges. Computers in Human Behavior: Artificial Humans<\/em>, 6, 100228. https:\/\/doi.org\/10.1016\/j.chbah.2025.100228<\/p>\n\n\n\n

Ruan, S., He, J., Ying, R., Burkle, J., Hakim, D., Wang, A., Yin, Y., Zhou, L., Xu, Q., AbuHashem, A. A., Dietz, G., Murnane, E. L., Brunskill, E., & Landay, J. A. (2020). Supporting children’s math learning with feedback-augmented narrative technology. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems<\/em>. https:\/\/doi.org\/10.1145\/3392063.3394400<\/p>\n\n\n\n

Rumbelow, M., & Coles, A. (2024). The Promise of AI Object-Recognition in Learning Mathematics: An Explorative Study of 6-Year-Old Children’s Interactions with Cuisenaire Rods and the Blockplay.ai App. Education Sciences<\/em>, 14(6), 591. https:\/\/doi.org\/10.3390\/educsci14060591<\/p>\n\n\n\n

Samuelsson, J. (2023). Arithmetic fact fluency supported by artificial intelligence. Frontiers in Education Technology<\/em>, 6(1), 13. https:\/\/doi.org\/10.22158\/fet.v6n1p13<\/p>\n\n\n\n

Sayed, W. S., Noeman, A., Abdellatif, A., Abdelrazek, M., Badawy, M. G., Hamed, A. E. A., & El-Tantawy, S. (2022). AI-based adaptive personalized content presentation and exercises navigation for an effective and engaging e-learning platform. Multimedia Tools and Applications<\/em>, 82(3), 3303\u20133333. https:\/\/doi.org\/10.1007\/s11042-022-13076-8<\/p>\n\n\n\n

Schneider, R. J. (o. J.). Der Einsatz von KI zur Unterst\u00fctzung bei der Unterrichtsvorbereitung: Wie lassen sich KI-generierte \u00dcbungsaufgaben f\u00fcr den Mathematikunterricht der Grundschule fachdidaktisch bewerten? [Unver\u00f6ffentlichtes Manuskript]<\/em>.<\/p>\n\n\n\n

Son, T. (2024). Artificial intelligence in mathematics education: A systematic literature review on intelligent tutoring systems. Journal of Educational Research in Mathematics<\/em>, 34(2), 187. https:\/\/doi.org\/10.29275\/jerm.2024.34.2.187<\/p>\n\n\n\n

Song, Y., Kim, J., Liu, Z., Li, C., & Xing, W. (2024). Students‘ perceived roles, opportunities, and challenges of a generative AI-powered teachable agent: A case of middle school math class. Journal of Research on Technology in Education<\/em>, 1\u201319. https:\/\/doi.org\/10.1080\/15391523.2024.2447727<\/p>\n\n\n\n

Topkaya, Y., Do\u011fan, Y., Batd\u0131, V., & Ayd\u0131n, S. (2025). Artificial intelligence applications in primary education: A quantitatively-supported mixed-meta method study [Preprint]. Preprints. https:\/\/doi.org\/10.20944\/preprints202501.2263.v1<\/p>\n\n\n\n

Vitale, A., & Dello Iacono, U. (2024). Using social robots as inclusive educational technology for mathematics learning through storytelling. European Public & Social Innovation Review, 9, 1\u201317. https:\/\/doi.org\/10.31637\/epsir-2024-672<\/p>\n\n\n\n

Wang, D., Shan, D., Ju, R., Kao, B., Zhang, C., & Chen, G. (2025). Investigating dialogic interaction in K12 online one-on-one mathematics tutoring using AI and sequence mining techniques. Education and Information Technologies<\/em>, 30(7), 9215\u20139240. https:\/\/doi.org\/10.1007\/s10639-024-13195-9<\/p>\n\n\n\n

Wang, J., & Fan, W. (2025). The effect of ChatGPT on students‘ learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications<\/em>, 12(1), 1\u201321. https:\/\/doi.org\/10.1057\/s41599-025-04787-y<\/p>\n\n\n\n

Wang, L., & Nie, Z. (2023). Research on adaptive learning in K-12 education in the perspective of teachers‘ artificial intelligence literacy: Development, technology, improvement strategies. IEEE CSTE 2023<\/em>. https:\/\/doi.org\/10.1109\/cste59648.2023.00059<\/p>\n\n\n\n

Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S., & Demszky, D. (2024). Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise. arXiv preprint arXiv:2410.03017<\/em>. https:\/\/arxiv.org\/abs\/2410.03017<\/p>\n\n\n\n

Wezendonk, A., & Veldhuis, M. (2024). Adaptieve leersystemen en de didactische besluitvorming van basisschoolleerkrachten bij rekenen-wiskunde. Tijdschrift voor Onderwijs en Praktijk in Statistiek<\/em>. https:\/\/doi.org\/10.54657\/tops.13844<\/p>\n\n\n\n

Wu, R., & Yu, Z. (2024). Do AI chatbots improve students learning outcomes? Evidence from a meta-analysis. British Journal of Educational Technology<\/em>, 55(1), 10\u201333. https:\/\/doi.org\/10.1111\/bjet.13334<\/p>\n\n\n\n

Wu, X.-Y., Radloff, J., Yeter, I., Wang, L., & Chiu, T. K. F. (2025). Designing artificial intelligence chatbots for self-regulated learning from a systematic review based on Habermas’s three interests. Interactive Learning Environments<\/em>. https:\/\/doi.org\/10.1080\/10494820.2025.2563086<\/p>\n\n\n\n

Yim, I. H. Y., & Su, J. (2025). Artificial intelligence literacy education in primary schools: A review. International Journal of Technology and Design Education<\/em>. https:\/\/doi.org\/10.1007\/s10798-025-09979-w<\/p>\n\n\n\n

Zheng, L., Niu, J., Zhong, L., & Gyasi, J. F. (2023). The effectiveness of artificial intelligence on learning achievement and learning perception: A meta-analysis. Interactive Learning Environments<\/em>, 31(9), 5650\u20135664. https:\/\/doi.org\/10.1080\/10494820.2021.2015693<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Zusammenfassung: KI-gest\u00fctzte Lernbegleitung im Mathematikunterricht der Primarstufe birgt gro\u00dfes Potenzial, aber auch Risiken wie Cognitive Offloading und De-Skilling. Der Beitrag entwickelt vier Gestaltungsprinzipien: fachdidaktische Fundierung, adaptive Dosierung nach dem Prinzip \u201eErst du \u2013 dann ich“, metakognitive Aktivierung und unterrichtliche Einbettung („Lehrkraft in the loop“). Nur wenn KI fachdidaktisch fundiert, dosiert und in den Unterricht eingebettet […]<\/p>\n","protected":false},"author":1,"featured_media":637,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[12,17,14,11,15,18],"class_list":["post-576","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized","tag-genai","tag-grundschule","tag-ki-lernbegleiter","tag-ki-tutor","tag-mathematikunterricht","tag-primarstufe"],"_links":{"self":[{"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/posts\/576","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/comments?post=576"}],"version-history":[{"count":73,"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/posts\/576\/revisions"}],"predecessor-version":[{"id":1010,"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/posts\/576\/revisions\/1010"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/media\/637"}],"wp:attachment":[{"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/media?parent=576"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/categories?post=576"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/urff.app\/fr\/wp-json\/wp\/v2\/tags?post=576"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}