Generative Künstliche Intelligenz (genAI oder hier auch verkürzt nur als AI oder KI bezeichnet) ist im Bildungsdiskurs angekommen – oft mit großen Versprechen, manchmal mit apokalyptischen Befürchtungen. Inzwischen liegt eine breite, wenn auch heterogene empirische Basis vor. Meta-Analysen berichten von signifikant positiven Effekten von KI-Chatbots wie ChatGPT auf Lernleistungen, Motivation und höheres Denken, allerdings unter sehr unterschiedlichen Bedingungen, mit teils fragwürdigen Studiendesigns und vorwiegend durch Studien mit älteren Schüler:innen oder Studierenden (Alemdag, 2025; Deng et al., 2025; Wang & Fan, 2025; Wu & Yu, 2024; Zheng et al., 2023). Die Frage ist deshalb nicht ob sondern eher, wie diese positiven Effekte hergestellt werden können. Denn selbstverständlich ist ChatGPT und co. kein Selbstläufer im Bereich der Lernunterstützung, sondern ein Werkzeug, welches didaktisch eingesetzt werden kann.

Deshalb warnen Autor:innen davor, den teilweise festgestellten „Lerneffekt mit KI“ als Eigenschaft der KI-Technologie an sich misszuverstehen, statt nach der zugrunde liegenden Lernumgebung und didaktischen Vorstrukturierung zu fragen (Dinsmore & Fryer, 2026; KirschnerED, 2025). Kurz: KI kann beim Lernen wirksam unterstützen – aber nur, wenn sie didaktisch klug gestaltet und eingebettet wird. Sie kann aber genauso sinnlos sein, wenn sie Lernen ersetzt und verhindert statt unterstützt.

Die Frage, der ich hier nachgehen möchte ist also: Wie kann KI genutzt werden, um Lernprozesse durch personalisiertes Feedback im Lernprozess zu unterstützen? Im Folgenden skizziere ich grundsätzliche, empirisch und theoretisch gestützte Überlegungen zu Gestaltungsprinzipien für KI-Lernbegleiter und KI-Tutoren beim mathematischen Lernen, mit besonderem Blick auf die Primarstufe. Diese Überlegungen bilden die Grundlage für die Entwicklung und Erprobung appintegrierter KI-gestützter Lernbegleitung im Rahmen des Projektes PRIMA-KI.

Adaptives Scaffolding: Hilfe zur Selbsthilfe statt schneller Lösungen

KI-gestützte Lernumgebungen erzeugen besonders dann Lernzuwächse, wenn sie adaptiv auf Lernstand, Fehler und Strategien reagieren, statt einfach „nur“ richtige Antworten auszugeben. In der Studie zu TALPer etwa profitierten leistungsschwächere Fünftklässler:innen im Mathematikunterricht besonders stark von adaptiver Unterstützung, während leistungsstärkere Schüler:innen komplexere Interaktionsmuster mit dem KI-Lernbegleiter entwickelten (Kuo et al., 2025). Ähnlich zeigten sich bei einem vergleichbaren Lernsystem signifikante Leistungsgewinne in Textaufgaben, wobei der wahrgenommene Nutzen – also die Qualität der Unterstützung – einen starken Einfluss auf die Motivation und Lernwirkung hatte (Liu et al., 2025). Die systematische Übersicht von Son (2024) bestätigt positive Effekte gut konzipierter intelligenter Tutorsysteme auf mathematische Lernleistungen, insbesondere wenn diese adaptiv auf individuelle Lernbedürfnisse reagieren.
Im Bereich des selbstregulierten Lernens weisen einige Studien darauf hin, dass adaptives, KI-gestütztes Scaffolding (statt statischer Hilfesequenzen) die Qualität von Selbststeuerungsprozessen beim Lernen verbessern kann und Vorteile gegenüber einem Konzept „gleiche Hilfen bei allen Schüler:innen“ hat (Liu et al., 2025; Wu et al., 2025). Neue Multi-Agent-Ansätze und LLM-as-Judge-Verfahren zeigen, dass sich Qualität und Zuverlässigkeit von Scaffolds durch Selbstüberprüfungsverfahren verbessern können und Halluzinationen beim Feedback sich dabei deutlich reduzieren lassen (Cohn et al., 2025; Gonnermann-Müller et al., 2025; Qian et al., 2026).
Zugleich zeigten sich auch Grenzen einiger Werkzeuge, die nicht speziell angepasst wurden für die Unterstützung des Lernens: KI-Systeme, die während des Übens auf Nachfrage unregulierten Zugang zu vollständigen Lösungen geben, erhöhen zwar kurzfristig die Leistung, verschlechtern aber das langfristige Lernen, wenn die KI wieder entzogen wird (Bastani et al., 2025). Dies wird auch als „De-Skilling“ bezeichnet, da das eigentliche Lernen mehr verhindert als gefördert wird und nur oberflächlich die Illusion des Lernens erzeugt wird. Lernanalysen aus KI-basierten Nachhilfesystemen zeigen zudem, dass ein Teil der Lernenden versucht, Aufgaben „durchzuklicken“, ohne sich wirklich damit auseinanderzusetzen (Jancafik et al., 2023). Dies muss möglichst durch eine entsprechend Vorstrukturierung und Gestaltung des KI-Feedbacks verhindert werden, um oberflächliches Lernen zu verhindern und tiefergehendes, verständnisförderndes Lernen zu ermöglichen.

Folgerungen: Ein KI-Lernbegleiter sollte in mathematischen Lernumgebungen vor allem:

• Fehler und Fehlvorstellungen auf Basis von fachdidaktischen Hintergrundinformationen zu dem Themenbereich diagnostizieren und darauf angepasst Hinweise geben (Bewersdorff et al., 2023),
• Strategiewechsel anregen und informative Hinweise zur selbstständigen Lösung geben, statt fertige Ergebnisse zu liefern,
• Hilfen dosieren, zeitlich staffeln (Fading) und ggf. „zurückziehen“, wenn Schüler:innen zu abhängig werden (also zu viele Hinweise anfordern)
• Mechanismen gegen oberflächliches Durcharbeiten implementieren, indem Kinder durch Nachfragen und Rückbezug auf Vorarbeit im eigenen Lösen gestärkt werden.
• Individualisieren: Aufgabenformate an das Kompetenzniveau anpassen, um Über- oder Unterforderung zu vermeiden (Son, 2024).

Gute KI-Tutoren fördern das eigenständige Denken

Die Forschung zu Large Language Models (LLMs) beim Lernen deutet darauf hin, dass die Reihenfolge von Denken und Erklären entscheidend ist. KI-Feedback ist besonders dann wirksam, wenn Lernende zunächst eigene Lösungsversuche unternehmen (Kumar et al. 2023). Selbst seltene fehlerhafte LLM-Erklärungen führten in solchen Setting noch zu Lernzuwächsen, ohne dass Teilnehmende systematisch falsche Strategien übernahmen (Kumar et al., 2023). Systeme, die zu früh intervenieren („Reactive Feedback“), riskieren, metakognitive Prozesse zu unterbinden (Chudziak & Kostka, 2025). Zudem zeigt sich, dass hybride Intelligenz-Modelle – also die Kombination aus menschlichem Denken und KI-Support – oft zu besseren Ergebnissen und geringerer kognitiver Belastung führen als reine KI-Lösungen (Cosentino et al., 2025).

Damit korrespondiert die lernpsychologische Kritik, dass genAI häufig zu einer „Abkürzung“ des Denkens verführt: Wer direkt die Lösung konsumiert, spart zwar Anstrengung, baut aber kaum tragfähige Wissensstrukturen auf (Gisiger, 2025; Dinsmore & Fryer, 2026). Studien zu KI im Üben zeigen zudem: Wenn KI während des Übens vollständige Lösungen anbietet, werden die langfristigen Lernergebnisse schlechter als ohne KI – es sei denn, die KI wird so reguliert, dass sie nur schrittweise Hinweise gibt (Bastani et al., 2025). Cohn et al. (2025) betonen in ihrem theoretischen Rahmenwerk für LLM-basierte pädagogische Agenten explizit die Notwendigkeit von „guided discovery over direct answers“ – also angeleitetes Entdecken statt direkter Antworten.

Auch die Analyse realer Nachhilfedialoge zeigt, dass reine Instruktion ohne aktive Beteiligung der Lernenden wenig konstruktives Lernen erzeugt. Primarstufenschüler:innen reagieren zwar positiv auf gezielte, interaktive Fragen, bleiben aber passiv, wenn der Tutor monologisch und lösungszentriert bleibt (Wang et al., 2025). Ähnliches zeigen Ruan et al. (2020) in ihrer Studie zu narrativbasierten Chatbot-Tutoren: Lernzuwächse wurden vor allem dann erzielt, wenn das System interaktives Feedback und Hinweise gab statt direkter Lösungen.

Folgerungen: Ein KI-Lernbegleiter im Mathematikunterricht sollte konsequent nach dem Prinzip arbeiten: „Erst du – dann ich.“
Das bedeutet:

• Zunächst wird ein eigener Lösungsversuch eingefordert.
• Die KI kommt nur bei Bedarf auf Anfrage oder automatisch bei Fehlern hinzu und fragt nach Ideen, Teilstrategien, Beobachtungen.
• Erklärungen werden an vorhandene Verständnisgrundlagen „angedockt„.
• Vollständige Musterlösungen sollten die Ausnahme bleiben und als Reflexionstool genutzt werden, nicht als primäres Lernformat.
• Lernende werden ermutigt, KI-Antworten kritisch zu prüfen – eine Fähigkeit, die Kinder bereits in der Primarstufe üben können, etwa indem sie Fehler in KI-Aussagen detektieren (Helal et al., 2024).

Ohne fachdidaktische Fundierung wird der KI-Tutor zum „sprachbegabten Zufallsgenerator“

Generative KI kann zwar sprachlich und formal beeindruckende Ergebnisse erzeugen, generiert aber fachdidaktisch häufig oberflächliche, wenig problemorientierte Aufgaben, wenn sie nicht gezielt gesteuert und die Ausgabe fachdidaktisch vorgerahmt wird (Schneider, 2025). Literaturanalysen zur KI in der Mathematikbildung betonen zwar das Potenzial für Visualisierung, Individualisierung und Problemlösen, weisen aber auch auf die geringe oder zu unspezifische theoretische Fundierung vieler Systeme hin, vermutlich da die Systeme nicht speziell für fachdidaktische Fragen optimiert sind (Almheiri et al., 2025; Awang et al., 2024; Holmes & Tuomi, 2022; Pesemowo & Adewuyi, 2024). Die systematische Analyse von Cárdenas et al. (2025) identifiziert fehlende theoretische Rahmung als eines der zentralen Hindernisse für effektive KI-Tutorsysteme. Erfolgreiche Systeme wie ChatTutor oder spezifische Frameworks basieren daher explizit auf pädagogischen Theorien wie der Social Cognitive Theory oder dem Evidence-Centered Design (Cohn et al., 2025; Dwivedi & Rejina, 2025). Es reicht nicht, KI als technisches „Add-on“ zu betrachten.
Bedeutsam sind deshalb theoriegeleitete Tutorensysteme: Aufbauend auf der Generative Learning Theory zeigt die Studie von Makransky et al. (2024), dass ein speziell didaktisch trainiertes Modell konzeptuelles Wissen, Vertrauen und Freude deutlich stärker fördert als ein generisches LLM oder herkömmlicher Unterricht – und dass diese Effekte im Follow-up stabil bleiben. Ähnlich verhält es sich bei speziell für das Lerntutoring angepassten Modellen wie LearnLM von Google. Studien zu GeoGebra- und KI-gestützten Umgebungen zeigen deutlich, dass konzeptuelles Verständnis und Selbstwirksamkeit nur dann steigen, wenn Fach- und Fachdidaktik explizit in die Systemgestaltung einfließen, nicht bloß „Technik on top“ gesetzt wird (Cononigo, 2024; Kortenkamp, 2024).
Cohn et al. (2025) haben mit ihrem Framework für adaptive Scaffolds in LLM-basierten pädagogischen Agenten einen wichtigen Beitrag geleistet, der Evidence-Centered Design mit der Social Cognitive Theory verbindet. Dieser theoretisch fundierte Ansatz ermöglicht qualitativ hochwertige formative Bewertung und Interaktion.

Folgerung: Ein KI-Tutor benötigt umfangreiches inhaltsspezifisches Wissen als Kontext im Prompt oder ein spezielles Nachtraining mit fachdidaktischem Wissen, beispielsweise:

• ein Modell mathematischer Kompetenzentwicklung für den Inhaltsbereich,
• Fehler- und Strategietaxonomien, die typische Schülerwege und -irrtümer abbilden (Nauryzbayev et al., 2023),
• explizite Regeln und Vorgaben, welche Hilfen in welcher Lernphase sinnvoll sind,
• ein klares Verhältnis und Erkennen der Fehlvorstellungen, damit er angepasst daran eher Routinenförderung (z. B. Rechenflüssigkeit) oder begriffliches Verständnis anregen kann. Dies kann beispielsweise auch bedeuten, dass eine Lernhistorie mit eingebettet ist, damit die generative KI darauf angepasst antworten kann und Dauerschleifen vermieden werden.

Metakognition, selbstreguliertes Lernen und „teachable agents“: Der Tutor als Spiegel des eigenen Denkens

Chatbots und KI-Systeme können nicht nur als Hinweisgeber und Aufgabenerklärer eingesetzt werden. Sie können darüber hinaus auch Prozesse des Planens, Überwachens und Reflektierens im Problemlöseprozess anregen – wenn sie darauf ausgelegt werden. Die Metaanalyse von Wu et al. (2025) zeigt, dass Chatbots selbstreguliertes Lernen technisch, sozial und reflexiv unterstützen können, wenn ihre Scaffolds an Modelle des selbstregulierten Lernens gekoppelt sind. Guo et al. (2025) bestätigen in ihrer systematischen Übersicht, dass KI-Systeme grundlegende psychologische Bedürfnisse nach Autonomie, Kompetenz und sozialer Eingebundenheit erfüllen können – zentrale Faktoren für Motivation und Engagement.
Studien zu sogenannten teachable agents machen deutlich, dass Lernende KI-gestützte Systeme als Lernbegleiter, Moderator und kollaborativen Problemlöser wahrnehmen können, wenn sie ihre eigenen Erklärungen an diese Agenten richten (Song et al., 2024). Gleichzeitig zeigt sich, dass viele heutige generative KI-Systeme zentrale tutorielle Rollen – etwa das gezielte Anregen von Planung, Strategieauswahl und Reflexion – ohne spezielle Prompts oder Nachtraining noch nicht zuverlässig erfüllen und eher zu einem preskriptiven Stil neigen (Chudziak & Kostka, 2025; Contel & Cusi, 2025). Dies unterstreicht die Notwendigkeit proaktiver metakognitiver Scaffolds, die über reaktives Feedback hinausgehen.

Folgerungen: KI-Lernbegleiter können explizit als metakognitive Lernpartner konzipiert werden::

• Die Tutorin stellt Fragen wie „Was ist dir aufgefallen?“, „Welche Strategie hast du probiert?“, „Warum glaubst du, dass das funktioniert?“.
• Sie regt die Reflexion über Fehler an („Welche Idee von vorher könnte hier helfen?“).
• Teach-back-Elemente können – wo sinnvoll – eingezogen werden: Kinder erklären der KI, was sie verstanden haben, und die KI spiegelt zurück und so weiter.

„Human in the loop“: Hybride Ansätze statt vollautomatisierte Lösungen

Ein häufiges Defizit aktueller KI-Tools ist die mangelnde Einbindung der Lehrkraft (Guerino et al., 2023). KI darf nicht zur „Black Box“ im Klassenzimmer werden. Die effektivsten Szenarien sind jene, in denen KI die Lehrkraft entlastet (z. B. durch automatisierte Differenzierung oder Echtzeit-Analysen), damit diese mehr Zeit für pädagogische Interaktion hat (Wezendonk & Veldhuis, 2024; Gonnermann-Müller et al., 2025). Übersichtsarbeiten zu KI in der (mathematischen) Bildung betonen, dass KI-Systeme als Rückkopplungsschleifen zu verstehen sind, in denen Datenerhebung, Mustererkennung und adaptive Unterstützung immer durch menschliche Entscheidungen gerahmt werden müssen (Holmes & Tuomi, 2022; Ninaus & Sailer, 2022). KI kann Lernprozesse unterstützen, aber weder pädagogische Professionalität noch die Verantwortung von Lehrkräften ersetzen (Aru & Laak, 2025; Aufenanger, 2023; Buchholtz et al., 2024).
In der Meta-Analyse von Kaliisa et al. (2025) zeigt sich, dass KI-Feedback nicht weniger effektiv ist als menschliches Feedback, aber auch nicht systematisch überlegen. In den untersuchten Studien – die zumeist aus dem sprachwissenschaftlichen Bereich stammten – sind Hybridansätze besonders vielversprechend, die verlässliches, direktes und barrierearmes Feedback von KI mit gerahmtem Feedback durch menschliche Lehrkräfte kombinieren. Cosentino et al. (2025) zeigen in ihrer Studie zu generativer KI in verkörperten Lernumgebungen, dass hybride Feedback-Modelle das Potenzial haben, die kognitive Belastung zu reduzieren und differenzierte Informationsverarbeitungsstrategien zu unterstützen.
Weitere Studien zu hybriden Systemen bestätigen das: Der CoPilot beispielsweise unterstützt menschliche Lehrkräfte in Echtzeit und führt zu signifikant besseren mathematischen Lernergebnissen bei jüngeren Schüler:innen – besonders dort, wo Lehrkräfte sonst schwächere Qualität des Feedbacks zeigen würden beispielsweise aufgrund eines 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 Präsenzunterricht in bestimmten Phasen bereichern können, ohne ihn zu ersetzen. Die sinnvolle Integration in der Grundschule hängt dabei stark von Einstellungen der Lehrkräfte, technischen Rahmenbedingungen und der Einbindung von Eltern und Schulgemeinschaft ab (KMK, 2024; Li, 2024).
Allerdings bleibt bisher die Einbindung von Lehrkräften in Design und Einsatz von KI-Tutorsystemen oft unzureichend. Guerino et al. (2023) sowie Wezendonk und Veldhuis (2024) betonen, dass lehrerzentrierte Gestaltungsansätze und entsprechende KI-Literacy-Programme notwendig sind, um praktische Classroom-Integration und Akzeptanz zu gewährleisten und KI nicht als bloßes Beiwerk zu verwenden.

Folgerungen: KI-Lernbegleiter sollten von Beginn an als Werkzeuge und Assistenz für Lehrkräfte gedacht werden:

• Die Generierung von Feedback muss auf Basis von fachdidaktisch fundierten Informationen gewährleistet werden und nicht dem Zufall überlassen werden.
• Transparenz: Lehrkräfte benötigen Dashboards, um zu sehen, wo Schüler:innen stehen und welche Hilfen die KI gegeben hat.
• KI kann Vorschläge für Aufgaben, Hilfen oder Diagnosen machen – die Entscheidung bleibt beim Menschen. Lehrkräfte bewerten die Qualität der KI-gestützten Hilfen und entscheiden, ob und wie KI-Lernbegleitung eingebunden wird und in welchem Bereich eine Unterstützung sinnvoll ist. Besonders aussichtsreich ist hier der „mikrodidaktische“ Bereich des Unterstützens auf Aufgabenebene beim Problemlösen, bei dem Lehrkräfte oft nicht oder nur unzureichend direkt an entscheidenden Stellen unterstützen können.
• Professionalisierung und Fortbildung zur Einbindung und Nutzung von KI (AI Literacy) sind Voraussetzung für einen verantwortlichen Einsatz (Holmes et al., 2018; KMK, 2024; Wang & Nie, 2023) und sollten deshalb unbedingt in der Lehrkräfteaus- und -weiterbildung integriert werden. Dies sollte nicht nur auf Wissen über die Technik hinauslaufen, sondern insbesondere auch pädagogische Aspekte beinhalten, die sowohl Chancen wie Risiken thematisiert.

Motivation und Emotion: Der Tutor als empathischer Partner

Neuere Übersichtsarbeiten betonen die Rolle der affektiven Dimension. KI-Systeme, die soziale Roboter, Storytelling oder Gamification nutzen, können die psychologischen Grundbedürfnisse nach Autonomie, Kompetenz und sozialer Eingebundenheit erfüllen (Guo et al., 2025; Vitale & Iacono, 2024). Besonders Narrative und spielerische Elemente helfen, die Motivation auch bei trockenen Übungsphasen aufrechtzuerhalten („Enhancing student engagement…“, 2022). In der Help-Seeking-Forschung hat sich gezeigt, dass Lernende Hilfe-Suchen vermeiden, wenn sie als öffentlich, statusbedrohlich oder peinlich erlebt wird. Scham, Bewertungsangst und „Gesichtsverlust“ hemmen also Kinder daran, Fragen im Unterricht zu stellen. KI-Systeme können hier sinnvoll die Unterstützung der Lehrkraft ergänzen, da sie geduldig und personalisiert Hilfe und Rückmeldung verfügbar machen, ohne die befürchteten sozialen Kosten und das Stigma des Hilfessuchens zu riskieren (Aleven et al., 2016).

Folgerungen: KI-Lernbegleitung sollte ein metakognitive und motivationale Partner sein:

• Beziehungsaufbau: Nutzung von freundlichen, personalisierten Avataren oder Narrativen (Ruan et al., 2020).
• Wachstumsorientiertes Feedback: Rückmeldungen, die Anstrengung loben und Fehler als Lernchance framen (Growth Mindset).
• Reflexion anregen: Fragen wie „Wie bist du darauf gekommen?“ fördern das Nachdenken über das eigene Lernen (Metakognition).

Ethische Aspekte: Was KI nicht darf!

Ethische Fragen sind grundlegend für das Lernen mit genAI – insbesondere, wenn es um Kinder geht. Holmes et al. (2021) fordern ein gemeinschaftlich entwickeltes Ethik-Rahmenwerk für AI in Education, das über Datenschutz hinaus Aspekte wie Fairness, Transparenz, Agency und pädagogische Verantwortung umfasst. Die Kultusministerkonferenz (KMK, 2024) empfiehlt für Grund- und Förderschulen explizit einen vorsichtigen, forschungsbasierten Einsatz von KI, mit Fokus auf Basiskompetenzen, Inklusion, Chancengerechtigkeit und datenschutzkonforme, altersangemessene Lösungen. Scoping Reviews zu KI und Human Flourishing zeigen, dass bisherige Forschung stark leistungsorientiert und auf Lerneffekte aus ist ist, während ethische, metakognitive und lehrkraftbezogene Perspektiven unterbelichtet bleiben (Fock & Siller, 2025).
Almheiri et al. (2025) sowie Cárdenas et al. (2025) identifizieren in ihren systematischen Übersichten ethische Herausforderungen und Skalierungsprobleme als zentrale Hindernisse für den breiten Einsatz von KI-Tutorsystemen. Zudem weisen Studien darauf hin, dass häufige KI-Nutzung mit einem Rückgang kritischer Denkfähigkeiten einhergehen kann, insbesondere wenn KI vor allem als Antwortmaschine genutzt wird (Gerlich, 2025). Arbeiten zu psychologischer Profilbildung mit LLMs zeigen, wie treffsicher Modelle aus Texten Persönlichkeits- und Wertemuster ableiten können – und machen damit deutlich, welches Missbrauchspotenzial in intransparenten Systemen steckt (Rosenfelder et al., 2025). Deshalb ist die pädagogische Vorstrukturierung und Regulierung von KI-Tools insbesondere bei jüngeren Kindern von großer Bedeutung.
Gulz et al. (2021) betonen zudem die Notwendigkeit, Adaptivität mit inklusiver Pädagogik zu verbinden, ohne dabei Lernende mit besonderen Bedürfnissen zu stigmatisieren – ein wichtiger Aspekt, der oft vernachlässigt wird.

Folgerungen: Ein verantwortlicher KI-Lernbegleiter im Mathematikunterricht muss:

• datensparsam sein und psychologische Profilbildung vermeiden, beispielsweise durch konsequente Verarbeitung möglichst auf dem Gerät oder in datengesicherten Infrastrukturen, Trennung von KI-Auswertungen und personenbezogenen Daten, die auf das Notwendigste begrenzt werden sollten
• barrierefrei sein: Multimodale Interaktion (Sprache, Text, Bild) für diverse Lernbedürfnisse nutzen (Hocine et al., 2023) und Chancengerechtigkeit fördern, indem gezielt benachteiligten Lernenden bei der Gestaltung in den Blick genommen werden.
• seine Funktionsweise zumindest in Grundzügen erklärbar machen,
• Schüler:innen zur kritischen Prüfung von KI-Antworten anregen (Kortenkamp, 2024),
• Lernende nicht steuern, sondern Selbsttätigkeit stärken.
• pädagogisch vorstrukturiert und kontrolliert sein.

Für das Projekt PRIMA-KI haben wurde dafür das SKILL-Rahmenmodell für den Einsatz generativer KI bei jüngeren Kindern entwickelt, welches die Offenheit und Vorstrukturiertheit der eingesetzten Systeme an die Kompetenzen im Umgang mit KI knüpft und dadurch eine wichtige Orientierung für die Gestaltung des Einsatzes von KI bieten kann.

KI als Impulsgeber für eigene mathematische Entdeckungen – nicht als Ersatz

Ki soll und darf nicht dazu führen, dass Kinder nur noch auf Bildschirme starren. Forschung zu „Tangible Interfaces“ und sozialen Robotern zeigt, dass KI auch Interaktion in der physischen Welt anregen kann (Ligthart et al., 2023). KI sollte als „Anstoßgeber“ für mathematische Aktivitäten dienen – etwa auch, um Muster zu entdecken, die dann mit haptischem Material gelegt werden. Für den Primarbereich liegen hier bisher deutlich weniger Studien als für Sekundarstufe und Hochschule vor, aber die vorhandenen Ergebnisse können vorsichtig optimistisch machen: Kinder können von genAI beim Lernen profitieren, wenn Lernumgebungen sinnvoll gestaltet sind (Hwang, 2022; Listyaningrum et al., 2024; Mott et al., 2023; Rumbelow & Coles, 2024; Yim & Su, 2025). Einige Beispiele:

• Grundschulkinder können zentrale KI-Ideen wie Klassifikation und Bias verstehen, wenn diese in projektbasierten, „unplugged“ oder spielerischen Settings thematisiert werden (Yim & Su, 2025; Mott et al., 2023). Ein solches Verständnis ist wichtig, damit Kinder kritisch einschätzen können, wie sie mit den Scaffolds von KI-Lernbegleitern umgehen sollen – und auch, dass nicht alle HIlfestellungen immer korrekt sein müssen.
• KI-gestützte Objekterkennung (z. B. bei Cuisenaire-Stäben) kann dazu beitragen, dass Kinder ihr Handeln zunehmend mit abstrakten mathematischen Repräsentationen verknüpfen können (Rumbelow & Coles, 2024).
• KI-Trainings können Rechenflüssigkeit gezielt erhöhen, müssen aber bei Kindern mit Rechenschwierigkeiten sorgfältig mit anderen Übungsformen kombiniert werden (Samuelsson, 2023). Samuelsson zeigt, dass KI-gestütztes Üben größere Flüssigkeitsgewinne erzielt als reine Memorierungsansätze.
• ChatGPT und ähnliche Systeme zeigen Potenzial für die Unterstützung beim Problemlösen, geometrischen Aufgaben und Algebra in der Grundschule, erfordern aber eine hohe Prompt-Qualität und fachdidaktische Filterung durch Lehrkräfte (Harahap, 2024; Listyaningrum et al., 2024; Schneider, 2025).
• Adaptive Systeme für Kinder mit Dyskalkulie zeigen vielversprechende Ergebnisse bei der Aufrechterhaltung von Motivation und Engagement (Hocine et al., 2023; Holmes, 2024).

Narrative und gamifizierte Ansätze verdienen besondere Beachtung: Ruan et al. (2020) zeigen, dass storytelling-basierte Chatbot-Tutoren Engagement und Lerngewinne fördern können. Sayed et al. (2022) bestätigen signifikante Verbesserungen insbesondere bei leistungsschwächeren Schüler:innen durch adaptive, gamifizierte Inhalte.

Folgerungen: In der Grundschule sollten KI-Lernbegleiter vor allem als Anstoßgeber für reichhaltige mathematische Aktivitäten dienen – nicht als Werkzeug, um „schnell zur Lösung zu kommen“. Die zentrale Aufgabe bleibt, Kinder zu befähigen, mathematische Aussagen – auch von KI – kritisch zu prüfen, zu begründen und miteinander zu verhandeln (Kortenkamp, 2024; Aufenanger, 2023).

Fazit: KI-Lernbegleitung für den Mathematikunterricht fachdidaktisch gestalten

Aus der bisherigen Studienlage und den vorangegangenen Überlegungen lassen sich momentan zusammengefasst folgende Leitgedanken für die Gestaltung von KI-Tutoren formulieren:

1. Adaptiv statt antwortgebend: Gute KI-Tutoren erkennen Muster und Fehler, geben dosierte Hilfen und halten sich mit Lösungen zurück (Bastani et al., 2025; Bewersdorff et al., 2023; Kuo et al., 2025; Son, 2024).
2. Denken vor Erklären: Sie sind so gestaltet, dass Lernende zunächst selbst aktiv zu werden (müssen), bevor Erklärungen und Feedback folgen (Gisiger, 2025; Kumar et al., 2023).
3. Fachdidaktische Erkenntnisse als Grundlage: Sie basieren auf expliziten Modellen mathematischen Lernens – nicht nur auf sprachlicher Plausibilität, die sie von Haus aus haben (Cohn et al., 2025; Cononigo, 2024; Holmes & Tuomi, 2022; Makransky et al., 2024).
4. Metakognitive Partner: Sie fördern Planen, Monitoring und Reflexion statt eine bloße Aufgabenabwicklung (Wu et al., 2025; Song et al., 2024).
5. Zusammen statt isoliert: Sie unterstützen Lehrkräfte, statt sie zu ersetzen, und funktionieren am besten in menschlich gerahmten Settings in denjenigen Lernphasen, in denen Lehrkräfte nicht alle Kinder im Lernprozess unterstützen können (Holmes et al., 2018; Ninaus & Sailer, 2022; Wang et al., 2024; Wezendonk & Veldhuis, 2024).
6. Ethisch vertretbar: Sie berücksichtigen Datenschutz, Fairness, Barrierefreiheit und die Gefahr kognitiver „Verkümmerung“ durch übermäßige Entlastung (Holmes et al., 2021; Fock & Siller, 2025; Gerlich, 2025; KMK, 2024).
7. Vorstrukturiert statt offen: Besonders bei jüngeren Kindern ist eine (app- bzw. lernumgebungs)integrierte, pädagogisch vorstrukturierte und kontrollierte Einbindung von KI als Lernbegleitung notwendig, da Kinder oftmals noch nicht selbst in der Lage sind, KI selbstständig als Lernunterstützung zu nutzen (Gulz et al., 2021).

Wenn wir generative KI-Lernbegleitung entlang Leitgedanken konzipieren und weiter erforschen, dann ist sie kein Ersatz für Unterricht – aber eine potenzielle Erweiterung des didaktischen Repertoires und ein Werkzeug zu mehr personalisiertem Feedback und Scaffolding, insbesondere auch in der Primarstufe. Die Aufgabe der nächsten Jahre wird sein, diese Prinzipien in konkrete, empirisch geprüfte Designs für den Mathematikunterricht der Grundschule zu übersetzen. Im Projekt PRIMA-KI entstehen auf Basis der formulierten Grundprinzipien für KI-Tutoren aktuell appintegrierte KI-Lernbegleitungen, die im Rahmen des Design-Based Research erforscht, weiterentwickelt und optimiert werden.

---

Literatur

Alemdag, E. (2025). The effect of chatbots on learning: A meta-analysis of empirical research. Journal of Research on Technology in Education, 57(2), 459–481. https://doi.org/10.1080/15391523.2023.2255698

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

Almheiri, A. S. B., Albastaki, H., & Alrashdan, H. (2025). AI-based tutoring systems in education. Advances in Computational Intelligence and Robotics Book Series, 185–210. https://doi.org/10.4018/979-8-3373-0847-0.ch007

Aru, J., & Laak, K.-J. (2025). Developing an AI-based General Personal Tutor for education. Trends in Cognitive Sciences, 29(11), 957–960. https://doi.org/10.1016/j.tics.2025.09.010

Aufenanger, S., Herzig, B., & Schiefner-Rohs, M. (2023). Künstliche Intelligenz und Schule. Aufgaben für Unterricht und die Organisation (von) Schule. In C. de Witt, C. Gloerfeld, & S. E. Wrede (Hrsg.), Künstliche Intelligenz in der Bildung (S. 199–218). Springer Fachmedien. https://doi.org/10.1007/978-3-658-40079-8_10

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, 20(2), em0823. https://doi.org/10.29333/iejme/16006

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

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), 2422633122.

Bewersdorff, A., Seßler, 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, 5, 100177. https://doi.org/10.1016/j.caeai.2023.100177

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 für Didaktik der Mathematik, 117.

Canonigo, A. M. (2024). Levering AI to enhance students‘ conceptual understanding and confidence in mathematics. Journal of Computer Assisted Learning, 40(6), 3215–3229. https://doi.org/10.1111/jcal.13065

Cárdenas, R., Vásquez, 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, 8(4), 832–842. https://doi.org/10.53894/ijirss.v8i4.7961

Chudziak, J. A., & Kostka, A. (2025). AI-powered math tutoring: Platform for personalized and adaptive education. Lecture Notes in Computer Science, 462–469. https://doi.org/10.1007/978-3-031-98465-5_58

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. https://doi.org/10.48550/arxiv.2508.01503

Contel, F., & Cusi, A. (2025). Investigating the Role of ChatGPT in Supporting Metacognitive Processes During Problem-Solving Activities. Digital Experiences in Mathematics Education, 11(1), 167–191. https://doi.org/10.1007/s40751-024-00164-7

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. https://doi.org/10.1111/bjet.13587

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, 105224. https://doi.org/10.1016/j.compedu.2024.105224

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

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. https://doi.org/10.21203/rs.3.rs-6923010/v1

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

Gisiger, M. (2025, April 17). Die Rolle von Künstlicher Intelligenz im Lernen – Chancen und Risiken. Michael Gisiger. https://text.tchncs.de/gisiger/die-rolle-von-kunstlicher-intelligenz-im-lernen-chancen-und-risiken

Gonnermann-Müller, J., Haase, J., Fackeldey, K., & Pokutta, S. (2025). FACET: Teacher-centred LLM-based multi-agent systems – Towards personalized educational worksheets. arXiv. https://doi.org/10.48550/arxiv.2508.11401

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 Simpósio Brasileiro de Informática na Educação. https://doi.org/10.5753/sbie.2023.235159

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, 1, 205. https://doi.org/10.1007/s43545-021-00205-7

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. https://doi.org/10.31234/osf.io/ecspn_v1

Harahap, R. (2024). The role of ChatGPT in enhancing mathematics education: A systematic review. Annals of the Vietnam Academy of Science and Technology, 28(2s), 511–524. https://doi.org/10.52783/anvi.v28.2753

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

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

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promise and Implications for Teaching and Learning. Center for Curriculum Redesign.

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, 32, 504–526. https://doi.org/10.1007/s40593-021-00239-1

Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4), 542–570. https://doi.org/10.1111/ejed.12533

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

Jančařík, A., Michal, J., & Novotná, J. (2023). Using AI Chatbot for Math Tutoring. Journal of Education Culture and Society, 14(2), 285–296. https://doi.org/10.15503/jecs2023.2.285.296

Kaliisa, R., Misiejuk, K., López-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, 1–32. https://doi.org/10.1080/01443410.2025.2553639

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), 17458. https://doi.org/10.1038/s41598-025-97652-6

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/

KMK (2024). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf

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

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. https://doi.org/10.2139/ssrn.4641653

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

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. https://doi.org/10.1007/s10763-024-10515-w

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. 321–330). ACM/IEEE. https://doi.org/10.1145/3568162.3576957

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, 36(3), 1701–1710. https://doi.org/10.11591/ijeecs.v36.i3.pp1701-1710

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, 9, 100438. https://doi.org/10.1016/j.caeai.2025.100438

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

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, 647. https://doi.org/10.1145/3587103.3594170

Ninaus, M., & Sailer, M. (2022). Closing the loop – The human role in artificial intelligence for education. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.956798

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, 20(7), em2478. https://doi.org/10.29333/ejmste/14762

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

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, 6, 100228. https://doi.org/10.1016/j.chbah.2025.100228

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. https://doi.org/10.1145/3392063.3394400

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, 14(6), 591. https://doi.org/10.3390/educsci14060591

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

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, 82(3), 3303–3333. https://doi.org/10.1007/s11042-022-13076-8

Schneider, R. J. (o. J.). Der Einsatz von KI zur Unterstützung bei der Unterrichtsvorbereitung: Wie lassen sich KI-generierte Übungsaufgaben für den Mathematikunterricht der Grundschule fachdidaktisch bewerten? [Unveröffentlichtes Manuskript].

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

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, 1–19. https://doi.org/10.1080/15391523.2024.2447727

Topkaya, Y., Doğan, Y., Batdı, V., & Aydın, 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

Vitale, A., & Dello Iacono, U. (2024). Using social robots as inclusive educational technology for mathematics learning through storytelling. European Public & Social Innovation Review, 9, 1–17. https://doi.org/10.31637/epsir-2024-672

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, 30(7), 9215–9240. https://doi.org/10.1007/s10639-024-13195-9

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, 12(1), 1–21. https://doi.org/10.1057/s41599-025-04787-y

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. https://doi.org/10.1109/cste59648.2023.00059

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. https://arxiv.org/abs/2410.03017

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

Wu, R., & Yu, Z. (2024). Do AI chatbots improve students learning outcomes? Evidence from a meta-analysis. British Journal of Educational Technology, 55(1), 10–33. https://doi.org/10.1111/bjet.13334

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. https://doi.org/10.1080/10494820.2025.2563086

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

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, 31(9), 5650–5664. https://doi.org/10.1080/10494820.2021.2015693