Künstliche Intelligenz

Sprachmächtig, aber auch pädagogisch sinnvoll?

Das Lernen in Kleingruppen kann zäh sein. Könnte KI künftig einen Unterschied machen? Uns als Chatbot beim gemeinsamen Lernen unterstützen oder uns bei der Gruppenarbeit helfen, unsere Team-Skills zu verbessern? Das Versprechen ist groß, die Studienlage ist jedoch noch äußerst dünn. Zu diesem Schluss kommen die Bochumer Forschenden Prof. Dr. Nikol Rummel und Dr. Sebastian Strauß vom Institut für Erziehungswissenschaft. Für ihren Beitrag im OECD Digital Education Outlook 2026 haben sie aktuelle Forschungsarbeiten im Bereich des kooperativen Lernens in Kleingruppen gesichtet. Der OECD Digital Education Outlook 2026 versammelt Beiträge, die die Rolle und Effekte von generativer KI in verschiedenen Lehr-Lern-Settings genauer betrachten.

Frau Rummel, welche Hoffnung wird in generative KI speziell im Bereich des kooperativen Lernens gesetzt?
Rummel: Im Falle der großen Sprachmodelle (Large Language Models, LLMs), die wir ja häufig mit (generativer) KI assoziieren, besteht die Hoffnung, dass sie Lernenden in Kleingruppen spezifische, an deren jeweils konkreten Unterstützungsbedarf angepasste und sprachlich eingängige Rückmeldungen und Hinweise geben können. Dies eröffnet im Kontext des kooperativen Lernens eine Vielzahl von Rollen, die ein sprachlich agierender künstlicher Agent wie ein Chatbot übernehmen kann, um den kooperativen Lernprozess zu unterstützen.

Bevor wir auf diese Rollen zu sprechen kommen: Meint kooperatives Lernen eigentlich das, was man im Volksmund Gruppenarbeit nennt?
Rummel: Der Fokus beim kooperativen Lernen liegt allgemein auf Situationen, in denen zwei oder mehr Menschen zusammenkommen, um etwas zu lernen. Und vor allem darauf, wie sie das tun. Indem sie miteinander interagieren, sich sprachlich austauschen, diskutieren, Informationen teilen, sich gegenseitig Fragen stellen, laut nachdenken, Konflikte miteinander aushandeln, um eine gemeinsame Lösung oder ein gemeinsames Verständnis von einem Lerngegenstand zu entwickeln. 

Kooperatives Lernen kann beispielsweise kurzzeitiges Diskutieren in Zweiergruppen bedeuten, Arbeit in Puzzlegruppen, in denen unterschiedliches Wissen ausgetauscht wird, oder auch das gemeinsame Lösen eines komplizierten Problems. Die Idee des kooperativen Lernens ist, dass durch die Interaktion alle gemeinsam weiterkommen, alle etwas Neues gelernt haben. Die Gruppenarbeit, die wir in der Schule oder universitären Lehre sehen, ist häufig mehr Arbeitsteilung, sodass die eben genannten Prozesse nicht so sehr im Fokus stehen. 

Viele von uns haben die Erfahrung gemacht, dass gemeinsames Lernen mit anderen manchmal zäh oder sogar schlicht unproduktiv ist.

— Nikol Rummel

Inwiefern kann nun generative KI das kooperative Lernen unterstützen? 
Rummel: Viele von uns haben die Erfahrung gemacht, dass gemeinsames Lernen mit anderen manchmal zäh oder sogar schlicht unproduktiv ist. In der sozialpsychologischen Forschung wird dieses Phänomen seit vielen Jahren untersucht. Und die Frage, mit der sich die Lehr-Lern-Forschung schon lange vor der Entwicklung von GenAI beschäftigt hat, ist, welche Prozesse das kooperative Lernen produktiv machen und wie man solche Zusammenarbeit anleiten kann. 

Ganz konkret hat man sich sogenannte Kooperationsskripte angeschaut. Die kann man sich wie Drehbücher, wie Theaterskripte vorstellen. Man hat schnell festgestellt, dass es dabei entweder ein Zuviel an Anleitung gab – dann fühlten sich Gruppen vom Skript gegängelt – oder ein Zuwenig. Auch die Idee, dass man Computersysteme nutzen kann, um Daten der Zusammenarbeit, der Interaktion, automatisch auszulesen und das Skript, also die Unterstützung, gezielt anzupassen, steht schon lange im Raum. Man hat sich damit etwa im Feld Computer-Supported Collaborative Learning, kurz CSCL, bereits befasst. Hier gibt es auch schon viel Forschung. Nun wird gefragt, ob und wie LLMs die gezielte, passgenaue Unterstützung von kooperativem Lernen verbessern kann.

Und was haben Sie im Zuge Ihrer Arbeiten an dem OECD Digital Education Outlook Beitrag darüber herausgefunden, wie Unterstützungssysteme, die auf große Sprachmodelle setzen, bisher eingesetzt werden? 
Strauß: Wir haben uns viele Studien angesehen und Möglichkeiten herausgearbeitet, wie LLMs eingesetzt werden, um Gruppen beim Lernen zu unterstützen. Der einfachste Anwendungsfall ist, dass jedes Gruppenmitglied Zugriff auf einen LLM-Chatbot erhält und diesen während der Zusammenarbeit für sich nutzt, um Dinge zu recherchieren, und dann wird das Wissen nachher in der Gruppe zusammengetragen und diskutiert. Generative KI wird hier also als reine Informationsquelle verwendet, was natürlich Risiken birgt. Zweitens wird KI genutzt, um personalisierte Materialien zu erstellen. Der Chatbot kann hier zum Beispiel eine alternative Lösung präsentieren, die die Gruppe mit ihrer Lösung vergleichen und darüber reflektieren kann. Drittens: Gruppen delegieren gemeinsam Aufgaben an die KI. Sie lassen sich zum Beispiel Schaubilder oder Zusammenfassungen erstellen.

Ein LLM-basiertes System kann auch wie eine Lehrkraft oder eine Lernbegleitung fungieren.

— Sebastian Strauß

Das klingt, als ob die Gruppen hier einfach nur ein neues Werkzeug an die Hand bekommen haben. Gibt es auch Möglichkeiten, dass die Gruppe beim Lernen selbst unterstützt wird?
Strauß: Ja gibt es. Wir haben ein zweites Set an Einsatzmöglichkeiten ausgemacht: Ein LLM-basiertes System kann nämlich auch, viertens, wie eine Lehrkraft oder eine Lernbegleitung fungieren, die die Zusammenarbeit beobachtet und auf die Interaktion, den Kooperationsprozess einwirkt und wenn nötig pädagogisch unterstützt. Hierfür kann das System Regeln der Zusammenarbeit formulieren, oder Gruppenmitglieder anregen, sich mehr einzubringen, Meinungen zu begründen oder auch höflicher miteinander umzugehen. 

Fünftens kann ein System die Rolle eines Tutors oder Dialogpartners in Eins-zu-Eins-Situationen einnehmen. Im sechsten Fall wird ein LLM-Chatbot als künstliches Gruppenmitglied in die Gruppe eingefügt. In dieser Rolle bringt das System Fachwissen in Diskussionen oder Problemlösungen ein, oder bittet die anderen Gruppenmitglieder darum, etwas nochmal zu erklären. Hier wird also auch lernförderliches Verhalten in der Gruppe angeregt – nur eben von innen aus der Gruppe heraus. 

Solche generative KI-Systeme wirken also auf den Prozess der Zusammenarbeit hin. Da stellt sich die Frage, ob die Unterstützung dann tatsächlich auch beim Lernen hilft. 
Rummel: Das ist zumindest die Hoffnung. Ganz grob unterscheiden wir beim kooperativen Lernen zwischen zwei Lernzielen: Wir kooperieren ja zum einen, um etwas Neues zu lernen, uns Wissen über ein Thema anzueignen, etwa im Fach Bio oder Mathe. Was man dabei aber auch lernt, ist Teamarbeit. Der Erwerb dieses Future Skills ist ein eigenständiges Ziel. 

Strauß: Die ernüchternde Antwort mit Blick auf die Lerneffektivität ist allerdings, dass die Studienlage im Winter 2025 dazu noch sehr dünn war. Wir haben für unseren Beitrag im OECD Digital Education Outlook etwa 40 Studien analysiert. Nur drei Studien haben sich das inhaltliche Lernen angeschaut; zwei weitere den Erwerb von Kooperationsskills. Das ist wenig. Und: Es fehlt an methodisch robusten Studien.

Zu diesem Zeitpunkt können wir also noch keine evidenzbasierten Empfehlungen aussprechen. Wie kooperatives Lernen funktioniert, hat sich seit der Einführung von LLM-Chatbots aber nicht verändert. Wir gehen also davon aus, dass ein System dann positive Effekte hat, wenn es in der Lage ist, lernförderliche Kooperationsprozesse wie das Erklären, Argumentieren oder Kombinieren von Informationen anzuregen.

Das ist überraschend. So rasant wie die Entwicklung fortschreitet, hätte man als Laie vermutet, dass es da schon erste richtungsweisende Studien zu geben könnte.
Rummel: In diesem Sektor findet natürlich ganz viel Systementwicklung statt. KI-basierte Unterstützungssysteme werden entwickelt und in der Lehre eingesetzt. Oft kommt bei der Entwicklung einerseits das gezielte Einbeziehen von etablierten Lerntheorien und Befunden zu kurz. Hinzu kommt, dass häufig zwar Umfragen zur Nutzung durchgeführt werden. Aber inwiefern ein neues Tool wirklich zu verbessertem Lernen geführt hat, wird oft nicht sauber erfasst. 

Was treibt Sie also aktuell um?
Rummel: Wir fragen uns, wie wir sicherstellen, dass Erkenntnisse aus langjähriger Forschung über Lernen und Lehren, Eingang finden in die Gestaltung und Untersuchung von Computerunterstützung – auch solcher, die sich die Möglichkeiten großer Sprachmodelle zu Nutzen machen. Wir würden uns dabei auch wünschen, dass Effekte von genAI-Unterstützung auf kooperatives Lernen methodisch sauberer erfasst werden. 

Wir selbst haben viele Studien zum kooperativen Lernen und zu adaptiver Unterstützung durchgeführt. Und sind jetzt daran interessiert, was die (wahrgenommene) Sozialität solcher Systeme mit dem Lernen in Kleingruppen macht. Wir müssen uns aber klarmachen: Ein sprachmächtiges System allein reicht nicht aus, um Lernende zu unterstützen. Das ist das Dilemma der aktuellen Forschung.