1. Lehrende mediendidaktisch unterstützen
Die HFD-Studie zeigt, dass Lehrende KI bislang vor allem für Planung, Vorbereitung und die didaktische Gestaltung von Lehrveranstaltungen nutzen. Genau darin liegt ein besonders realistisches und zugleich hoch relevantes Einsatzfeld. KI kann hier eine wichtige Rolle spielen. Sie übernimmt keine inhaltlichen Entscheidungen, sondern unterstützt Lehrende dabei, schneller zu klaren, strukturierten und didaktisch sinnvoll aufgebauten Materialien zu kommen.
Das knüpft an grundlegende mediendidaktische Prinzipien an: Lernmaterialien entfalten ihr Potenzial vor allem dann, wenn sie inhaltlich fokussiert, nachvollziehbar strukturiert und auf die Verarbeitung durch Lernende abgestimmt sind.
Lehrende arbeiten mit einem bestehenden Skript, das häufig eher als Fließtext vorliegt. Mit Unterstützung durch KI entstehen daraus verschiedene Strukturvorschläge für eine Präsentation. Diese Vorschläge unterscheiden sich etwa in der Reihenfolge der Inhalte, in der Gewichtung einzelner Aspekte oder in der Aufteilung auf Folien. Lehrende prüfen diese Varianten, kombinieren Elemente und entwickeln daraus eine klare, didaktisch sinnvolle Präsentation.
So profitiert die Lehre vom KI-Einsatz
Studierende können dem Aufbau der Veranstaltung besser folgen. Inhalte erscheinen nicht mehr als Abfolge von Informationen, sondern als strukturierter Gedankengang.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Prinzipien des multimedialen Lernens (Mayer, 2002) und der Cognitive Load Theory (Sweller, 1988): Eine klare Gliederung unterstützt dabei, relevante Informationen auszuwählen, zu ordnen und in einen nachvollziehbaren Zusammenhang zu bringen. Lernförderlich ist dieser Ansatz, weil Studierende zentrale Inhalte leichter erkennen, Zusammenhänge zwischen einzelnen Aspekten herstellen und dem gedanklichen Verlauf einer Veranstaltung besser folgen können.
Lehrende nehmen ein umfangreiches Thema und lassen es mit Unterstützung der KI in mehrere kleineren Einheiten gliedern. Die KI schlägt sinnvolle Schnittstellen, Übergänge und mögliche Reihenfolgen vor. Lehrende entscheiden anschließend, wie diese Einheiten aufgebaut sind und in welcher Abfolge sie vermittelt werden.
So profitiert die Lehre vom KI-Einsatz
Ein erkennbarer Aufbau unterstützt dabei, neue Inhalte in größere Sinnzusammenhänge einzuordnen.
Studierende können Inhalte Schritt für Schritt erschließen und dabei den Überblick behalten. Dies unterstützt ein sicheres und strukturiertes Lernen, reduziert Überforderung und fördert ein nachhaltiges Verständnis sowie eine langfristige Verankerung der Inhalte.
Theoretische Anschlussfähigkeit: Das Segmentierungsprinzip des multimedialen Lernens (Mayer 2002, 2018): Komplexe Inhalte werden in bearbeitbare Einheiten gegliedert, die schrittweise erschlossen werden können. Lernförderlich ist dieser Ansatz, weil Studierende sich auf einzelne Sinnabschnitte konzentrieren, diese nacheinander verstehen und leichter in größere Zusammenhänge einordnen können.
Lehrende arbeiten gezielt an der Struktur einer Veranstaltung. Sie prüfen, wie ein Thema eingeführt werden sollte, wo Übergänge nötig sind und an welchen Stellen Zusammenfassungen sinnvoll sind. Die KI liefert verschiedene Vorschläge für Aufbau, Reihenfolge und dramaturgische Zuspitzung. Lehrende wählen daraus aus und passen die Struktur auf ihre Lehrziele an.
So profitiert die Lehre vom KI-Einsatz
Veranstaltungen werden klarer und nachvollziehbarer. Zusammenhänge zwischen einzelnen Inhalten sowie deren Funktion im Gesamtbild werden transparenter dargestellt.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Constructive Alignment (Biggs 1996, Biggs and Tang, 1999) sowie an Konzepte der Lernprozesssteuerung. Aufbau, Übergänge und Verdichtung einer Veranstaltung werden so gestaltet, dass sie die angestrebten Lernaktivitäten und Lernziele stützen. Lernförderlich ist dieser Ansatz, weil eine klar entwickelte Dramaturgie Aufmerksamkeit lenkt, Übergänge sichtbar macht und Studierenden hilft, den roten Faden einer Veranstaltung zu erkennen.
Lehrende suchen nach geeigneten Beispielen, um ein abstraktes Konzept greifbar zu machen. Die KI liefert unterschiedliche Vorschläge aus verschiedenen Kontexten, etwa aus anderen Disziplinen oder aus der Praxis. Lehrende prüfen diese Beispiele, passen sie an und wählen diejenigen aus, die am besten zum Lernziel passen.
So profitiert die Lehre vom KI-Einsatz
Theorie wird verständlicher, weil sie mit konkreten Anwendungen verknüpft wird.. Das unterstützt das Konzept des situierten Lernens: Abstrakte Konzepte werden über konkrete Kontexte zugänglich und in ihrer Anwendbarkeit erfahrbar.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an situiertes Lernen (Lave & Wenger, 1991): Wissen wird nicht losgelöst vom Kontext erworben, sondern in Verbindung mit Handlung, Situation und sozialer Praxis. Lernförderlich ist dieser Ansatz, weil Studierende fachliche Inhalte in konkreten Anwendungssituationen erproben, einordnen und reflektieren können. Dadurch wird Wissen nicht nur erinnert, sondern mit Handlungskontexten verknüpft und für spätere Transfer- und Entscheidungssituationen nutzbar.
Lehrende nutzen KI, um Folien, Skripte und Aufgabenstellungen aufeinander abzustimmen. Begriffe werden einheitlicher verwendet, Formulierungen angeglichen und Strukturen zwischen verschiedenen Materialien sichtbarer aufeinander bezogen. Auch Stellen, die missverständlich sein könnten, lassen sich gezielter identifizieren.
So profitiert die Lehre vom KI-Einsatz
Studierende arbeiten mit Materialien, in denen Begriffe, Aufbau und Formulierungen stärker aufeinander abgestimmt sind. Die Orientierung innerhalb der Veranstaltung wird erleichtert. Unterschiedliche Darstellungsformen treten in den Hintergrund, sodass der Fokus stärker auf den Inhalten liegen kann.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an die Cognitive Load Theory (Sweller, 1988): Eine konsistente Sprache, Begrifflichkeit und Darstellungslogik kann vermeidbare Verarbeitungsanforderungen reduzieren. Lernförderlich ist dieser Ansatz, weil wiederkehrende Begriffe, ähnliche Strukturen und klare Bezüge zwischen Materialien die Orientierung erleichtern und Aufmerksamkeit stärker auf die Inhalte lenken.
2. KI-gestützte Lernmedienproduktion etablieren
Die HFD-Studie macht deutlich, dass Studierende KI besonders häufig dort einsetzen, wo Inhalte verständlicher, strukturierter und zugänglicher werden sollen. Zugleich zeigt sich, dass Lehrende KI bisher vor allem für Planung, Vorbereitung und didaktische Gestaltung nutzen. Genau hier entsteht ein spannendes Feld für die Lehre: Dort, wo Inhalte verdichtet, visualisiert oder in neue Medienformate überführt werden, kann KI den Lehrenden dabei unterstützen, schneller verschiedene Darstellungsformen zu entwickeln, zu vergleichen und gezielt auszuwählen.
Wichtig ist dabei: KI trifft keine didaktischen Entscheidungen. Sie liefert Optionen. Die Auswahl, Reduktion und Einordnung bleiben Aufgabe der Lehrenden.
Lehrende nehmen ein komplexes Thema, etwa ein theoretisches Modell, ein mehrstufiges Verfahren oder eine Sammlung von Konzepten, und geben eine bestehende Textgrundlage in ein KI-gestütztes Tool. Die KI erzeugt daraus mehrere visuelle Varianten, die sich in Struktur, Reduktion und Gewichtung einzelner Elemente unterscheiden. Lehrende prüfen diese Entwürfe, entfernen Unschärfen, ergänzen fachliche Präzisierungen und übernehmen die Darstellung, die den Kern des Themas am klarsten sichtbar macht, in ihre Lehrveranstaltung.
So profitiert die Lehre vom KI-Einsatz
Studierende arbeiten mit Darstellungen, in denen Konzepte, Beziehungen und Prozessschritte visuell aufbereitet sind. Dadurch treten Struktur und Zusammenhang eines Themas deutlicher hervor und können im weiteren Lernprozess aufgegriffen werden. Das reduziert kognitive Belastung und ermöglicht es, sich stärker auf das Verständnis und die Anwendung zu konzentrieren.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an die Cognitive Theory of Multimedia Learning und an Dual-Coding-Ansätze (Mayer, 2002; Paivio, 1990): Inhalte werden nicht nur sprachlich, sondern auch visuell repräsentiert, sodass Zusammenhänge und Strukturen leichter erfasst werden können. Lernförderlich ist dieser Ansatz, weil Studierende Beziehungen, Abläufe und Schwerpunkte eines Themas schneller erkennen und komplexe Inhalte leichter ordnen können.
Lehrende zerlegen einen biologischen Mechanismus, einen chemischen Ablauf oder einen technischen Vorgang in einzelne Schritte und lassen daraus mit KI eine erste Animation entwickeln. Die KI schlägt Übergänge, Blickführungen und Visualisierungen vor. Lehrende entscheiden anschließend bewusst, welche Schritte sichtbar werden sollen, welche Aspekte hervorgehoben werden und wo vereinfacht oder präzisiert werden muss.
So profitiert die Lehre vom KI-Einsatz
So können zeitliche Abfolgen und Wirkzusammenhänge anschaulich nachvollzogen werden. Studierende sehen nicht nur ein Ergebnis, sondern den Weg dorthin. Gerade bei dynamischen Prozessen wird dadurch viel klarer, wie etwas abläuft und warum einzelne Schritte zusammenhängen.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Prinzipien des multimedialen Lernens (Mayer, 2021): Animationen können das Lernen besonders dann unterstützen, wenn zeitliche Abläufe, Übergänge und Wirkzusammenhänge verstanden werden sollen. Lernförderlich ist dieser Ansatz, weil Veränderungen und Prozesslogiken direkt sichtbar werden und Studierende nachvollziehen können, wie einzelne Schritte zusammenhängen und aufeinander aufbauen.
Lehrende bündeln vorhandene Materialien, etwa Folien, Visualisierungen oder frühere Aufzeichnungen, und lassen daraus mit KI einen ersten Vorschlag für ein Lernvideo entwickeln. Die KI hilft dabei, Abschnitte neu zu strukturieren, Übergänge klarer zu machen und die visuelle Darstellung zu verdichten. Für die Vertonung kann die Stimme von Lehrenden via KI geklont und anschließend für weitere Inhalte eingesetzt werden, ohne jedes Video neu einsprechen zu müssen. Lehrende prüfen, überarbeiten und finalisieren das Material fachlich und didaktisch.
So profitiert die Lehre vom KI-Einsatz
Es entstehen mehr qualitativ hochwertige Lernvideos, ohne dass der Produktionsaufwand unverhältnismäßig steigt. Studierende erhalten klar strukturierte Erklärungen, die sie jederzeit wiederholen können. Gerade bei komplexen Themen führt das zu einem haltbareren Verständnis.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Prinzipien des multimedialen Lernens (Mayer, 2021) und der Cognitive Load Theory (Sweller, 1988): Klare Segmentierung, fokussierte Visualisierung und erkennbare Übergänge unterstützen die Verarbeitung komplexer Inhalte. Lernförderlich ist dieser Ansatz, weil Studierende Erklärungen im eigenen Tempo nachvollziehen, bei Bedarf erneut aufgreifen und Verständnis schrittweise absichern und vertiefen können.
Lehrende entwickeln aus bestehenden Lehrinhalten kurze Audioformate, zum Beispiel kompakte Zusammenfassungen, thematische Vertiefungen oder begleitende Erklärungen zu einzelnen Sitzungen. Die KI unterstützt dabei, Material zu verdichten, Sprechtexte vor zu strukturieren und den finalen Text mit der originalen oder der geklonten Stimme automatisch in ein Audioformat umzuwandeln. Lehrende entscheiden, welche Inhalte als Podcast sinnvoll sind und wie sie sprachlich klingen sollen.
So profitiert die Lehre vom KI-Einsatz
Studierende können Stoff in auditiver Form unterwegs, zwischen Terminen oder zur Wiederholung in anderer Form aufnehmen. Wird dabei die Stimme der Lehrperson verwendet, bleibt die Verbindung zur Lehrveranstaltung auch im Audioformat erhalten und unterstützt den Lernprozess.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Ergänzende Audioformate können das Lernen unterstützen, weil Inhalte in einer weiteren Darstellungsform verfügbar werden und dadurch anders wahrgenommen und verarbeitet werden können. Lernförderlich ist dieser Ansatz, weil Inhalte flexibel, wiederholt und in unterschiedlichen Alltagssituationen genutzt werden können, was Nachbereitung und Wiederholung erleichtert (McGarr, 2009; Caldwell et al., 2024).
Lehrende können Inhalte so aufbereiten, dass sie über die Stimme und Perspektive einer prägenden Persönlichkeit vermittelt werden. Die KI unterstützt dabei, aus gesicherten Inhalten eine animierte Figur zu entwickeln, die ein Thema erklärt, eine Kontroverse einordnet oder eine bestimmte Sichtweise verkörpert. So könnte etwa Marie Curie ein Forschungsthema einführen oder Albert Einstein eine physikalische Fragestellung kommentieren. Entscheidend ist dabei, dass diese Figuren nicht frei fabulieren, sondern auf fachlich geprüften Inhalten beruhen und bewusst didaktisch gestaltet werden.
So profitiert die Lehre vom KI-Einsatz
Inhalte bekommen ein Gesicht und eine Stimme. Das macht sie zugänglicher, anschaulicher und oft auch einprägsamer. Studierende erfassen nicht nur ein Konzept, sondern auch die Perspektive, aus der heraus es gedacht, entwickelt oder diskutiert wurde. Dadurch entstehen mehr Kontext, mehr Nähe zum Thema und oft auch ein stärkeres Interesse am Inhalt.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an dialogische und sozialkonstruktivistische Zugänge. Fachliche Positionen erscheinen nicht nur als Informationen, sondern als perspektivisch geprägte Sichtweisen, mit denen sich Studierende auseinandersetzen können. Lernförderlich ist dieser Ansatz, weil Studierende Positionen nicht nur aufnehmen, sondern im Dialog prüfen, vergleichen und weiterdenken. Sie fragen nach, vergleichen Perspektiven, prüfen Begründungen und entwickeln eigene Anschlussfragen. Dadurch werden Inhalte nicht nur erinnert, sondern aktiv verarbeitet und vertieft. (Well, 1999)