6. Ressourcen & Glossar

6.1 Ressourcen

Peer-reviewte Fachpublikationen

Ali, R., Tang, O. Y., Connolly, I. D., Abdulrazeq, H. F., Mirza, F. N., Lim, R. K., Johnston, B. R., Groff, M. W., Williamson, T., Svokos, K., Libby, T. J., Shin, J. H., Gokaslan, Z. L., Doberstein, C. E., Zou, J., & Asaad, W. F. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. https://doi.org/10.1001/jamasurg.2023.5695

Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.

Autenrieth, D., & Schluchter, J.-R. (2026). Künstliche Intelligenz und inklusive Bildung: Empirische Perspektiven auf Einstellungen und Nutzungsmuster von Lehrkräften [Artificial intelligence and inclusive education: Empirical perspectives on teachers' attitudes and usage patterns]. Medienimpulse, 64(1). https://doi.org/10.21243/mi-01-26-24 

Barnes, M., & Tour, E. (2026). Teachers' use of generative AI: A 'dirty little secret'? Language and Education, 40(1), 24–39. https://doi.org/10.1080/09500782.2025.2485935

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), Article e2422633122. https://doi.org/10.1073/pnas.2422633122

BEKIARIDIS, G. (author) and ATTWELL, G. (ed.), Supplement to the DigCompEDU Framework: Outlining the Skills and Competences of Educators Related to AI in Education, AI Pioneers – Work Package 3, Erasmus+ Programme, European Union, 2024. Available at: https://aipioneers.org/wp-content/uploads/2024/01/WP3_Supplement_to_the_DigCompEDU_English.pdf 

BLOOM, B.S. (ed.), ENGELHART, M.D., FURST, E.J., HILL, W.H. and KRATHWOHL, D.R., Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain, David McKay Company, New York, 1956.

Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287

Dier, M. (2025). KI-Kompetenzprofile von Lehrkräften an beruflichen Schulen: Vom Wissen zum didaktischen Handeln [AI competence profiles of vocational school teachers: From knowledge to didactic action]. Journal of Technical Education, 13(2), 66–85. https://doi.org/10.48513/joted.v13i2.328

Dong, Y. (2026). Generative AI technologies and educational outcomes: A comprehensive meta-analysis comparing traditional and AI-driven approaches. Humanities and Social Sciences Communications, 13(1), Article 559. https://doi.org/10.1057/s41599-026-06903-y

Farrokhnia, M., Latifi, S., Papadopoulos, P. M., Hogenkamp, L., Gijlers, H., Khosravi, H., & Noroozi, O. (2026). Generative AI offers more, but students revise less: Comparing the effects of teacher and AI feedback on student essay revisions. International Journal of Educational Technology in Higher Education, 23(1), Article 6. https://doi.org/10.1186/s41239-026-00579-9

Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students' performance. Frontiers in Artificial Intelligence, 6, Article 1162454. https://doi.org/10.3389/frai.2023.1162454

Jaggy, A.-K., Jansen, T., Fütterer, T., & Trautwein, U. (2026). Almighty ChatGPT? Development of gifted secondary school students' AI (mis)conceptions. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0001063

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

Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into Practice, 41(4), 212–218.

Lee, V. R., Pope, D., Miles, S., & Zárate, R. C. (2024). Cheating in the age of generative AI: A high school survey study of cheating behaviors before and after the release of ChatGPT. Computers and Education: Artificial Intelligence, 7, Article 100253. https://doi.org/10.1016/j.caeai.2024.100253

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779

Liu, B., Zhang, W., & Wang, F. (2026). Can generative artificial intelligence effectively enhance students' mathematics learning outcomes? A meta-analysis of empirical studies from 2023 to 2025. Education Sciences, 16(1), Article 140. https://doi.org/10.3390/educsci16010140

Maršálek, R., & Teplá, M. (2026). "Is AI inevitable?" Development of attitudes and practices of Czech teachers between 2023 and 2025. Education Sciences, 16(2), Article 335. https://doi.org/10.3390/educsci16020335

MIAO, F. and CUKUROVA, M., AI Competency Framework for Teachers, UNESCO, 2024. ISBN 978-92-3-100707-1. DOI: https://doi.org/10.54675/ZJTE2084 

REDECKER, C., European Framework for the Digital Competence of Educators: DigCompEdu, PUNIE, Y. (ed.), EUR 28775 EN, Publications Office of the European Union, Luxembourg, 2017. ISBN 978-92-79-73494-6 (pdf). DOI: https://doi.org/10.2760/159770. JRC107466.

Rind, I. A. (2026). Conceptualizing the impact of AI on teacher knowledge and expertise: A cognitive load perspective. Education Sciences, 16(1), Article 57. https://doi.org/10.3390/educsci16010057

Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7

Rowe, J., Klimaszewski, M., Guillou, L., Vallor, S., & Birch, A. (2025). EuroGEST: Investigating gender stereotypes in multilingual language models. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 32074–32096). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.emnlp-main.1632

Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A "Turing Test" case study. PLOS ONE, 19(6), Article e0305354. https://doi.org/10.1371/journal.pone.0305354

Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th International Conference on Intelligent User Interfaces (pp. 410–422). Association for Computing Machinery. https://doi.org/10.1145/3581641.3584066

Tian, Z., Liu, A., Esbenshade, L., Sarkar, S., Zhang, Z., He, K., & Sun, M. (2025). Implementation considerations for automated AI grading of student work. In J. Wilson, C. Ormerod, & M. Beiting Parrish (Eds.), Proceedings of the Artificial Intelligence in Measurement and Education Conference (AIME-Con): Full papers (pp. 9–20). National Council on Measurement in Education. https://aclanthology.org/2025.aimecon-main.2/ 

Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. https://doi.org/10.1177/14614448241252820

Wang, J., & Fan, W. (2025). RETRACTED ARTICLE: 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), Article 621. https://doi.org/10.1057/s41599-025-04787-y 

Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 13(1), Article 528. https://doi.org/10.1057/s41599-026-07310-z

Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Advance online publication. https://doi.org/10.1177/14614448261435197

Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13(1), Article 684. https://doi.org/10.1057/s41599-026-07019-z

Yan, D., & Zhang, S. (2024). L2 writer engagement with automated written corrective feedback provided by ChatGPT. Humanities and Social Sciences Communications, 11, Article 1086. https://doi.org/10.1057/s41599-024-03543-y

Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), Article 110. https://doi.org/10.1007/s10648-025-10085-5 

Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. https://doi.org/10.1007/s10763-024-10499-7

Yu, H., & Xie, Q. (2025). Generative AI vs. teachers: Feedback quality, feedback uptake, and revision. Language Teaching Research Quarterly, 47, 113–137. https://doi.org/10.32038/ltrq.2025.47.07

Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. https://doi.org/10.3102/00346543241293424

Preprints, Arbeitspapiere und Forschungsberichte

Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper No. 35347). National Bureau of Economic Research. https://doi.org/10.3386/w35347 

Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper No. 34851; rev. October 2026). National Bureau of Economic Research. https://doi.org/10.3386/w34851 

Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate (arXiv:2509.04664v1) [Preprint]. arXiv. https://arxiv.org/abs/2509.04664 

Lehmann, M., Cornelius, P. B., & Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? (arXiv:2409.09047v2) [Preprint]. arXiv. https://arxiv.org/abs/2409.09047 

Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education [Report]. Australian Network for Quality Digital Education; University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475

Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., & Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming (arXiv:2605.04779v1) [Preprint]. arXiv. https://arxiv.org/abs/2605.04779 

Shao, J., Wu, Q., Zhang, H., Sun, S., & Zhuang, J. (2026). Mitigating scaffolding collapse in Socratic tutors via representation alignment (arXiv:2607.19371v1) [Preprint]. arXiv. https://arxiv.org/abs/2607.19371

Paris, A., Labetoulle, A., Bezjak, S., Butler, D., Cardoso-Leite, P., Chesné, J.-F., Kirsch, C., Mori, S., Nardi, A., Nencioni, P., Niewint, J., Rossi, F., Storai, F., Toci, V., & Mirazchiyski, P. V. (2023). Comparative European evaluation report (AI4T – Artificial Intelligence for and by Teachers, Deliverable D3.3). Cnesco-Cnam; France Éducation international. https://cnesco.fr/wp-content/uploads/2024/05/AI4T_WP3_D3.3_Comparative-European-Evaluation-Report.pdf 

Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices Trial [Evaluation report]. National Foundation for Educational Research; Education Endowment Foundation; The Hg Foundation. https://www.nfer.ac.uk/publications/chatgpt-in-lesson-preparation-a-teacher-choices-trial/

Staksrud, E., Mascheroni, G., Milosevic, T., Ní Bhroin, N., Ólafsson, K., Şengül-İnal, G., & Stoilova, M. (2026). European children's use and understanding of generative AI: EU Kids Online 2026 (EU Kids Online Reports No. 1). London School of Economics and Political Science. https://doi.org/10.21953/researchonline.lse.ac.uk.00137132

Statistiken und Berichte von Organisationen

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084

OECD. (2025). Results from TALIS 2024: The state of teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en

UNESCO. (2023). Global education monitoring report 2023: Technology in education – A tool on whose terms? https://doi.org/10.54676/UZQV8501

Umfragen und Berichte von Stiftungen, NGOs ...

Bellio, N., & Kayser-Bril, N. (2024, March 4). Wie Bildgeneratoren die Welt zeigen: Stereotypen statt Vielfalt [How image generators show the world: Stereotypes instead of diversity]. AlgorithmWatch. https://algorithmwatch.org/de/bildgeneratoren-stereotypen/

Human Rights Watch. (2022, May 25). "How dare they peep into my private life?": Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. https://www.hrw.org/report/2022/05/25/how-dare-they-peep-my-private-life/childrens-rights-violations-governments

Latham, K., & Montacute, R. (2025, July). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. https://www.suttontrust.com/wp-content/uploads/2025/07/Artificial-advantage.pdf

Medienpädagogischer Forschungsverbund Südwest. (2024). JIM-Studie 2024. Jugend, Information, Medien: Basisuntersuchung zum Medienumgang 12- bis 19-Jähriger [JIM study 2024: Youth, information, media]. https://mpfs.de/studie/jim-studie-2024/

Michel, L. P., & Goertz, L. (2025). mmb-Trendmonitor 2024/2025. Weiterbildung und digitales Lernen heute und in drei Jahren [mmb trend monitor 2024/2025: Continuing education and digital learning today and in three years] (Results of the 19th mmb Learning Delphi). mmb Institut. https://www.mmb-institut.de/wp-content/uploads/mmb-Trendmonitor_2024-2025.pdf

Robert Bosch Stiftung. (2026). Deutsches Schulbarometer 2026: Befragung Lehrkräfte [German School Barometer 2026: Teacher survey] (Survey conducted by forsa). https://www.bosch-stiftung.de/sites/default/files/documents/2026-06/RBSG_Deutsches_Schulbarometer_Lehrkr%C3%A4fte_2026.pdf

Trucano, M. (2023, July 10). AI and the next digital divide in education. Brookings Institution. https://www.brookings.edu/articles/ai-and-the-next-digital-divide-in-education/

Vodafone Stiftung Deutschland. (2024, March). Pioniere des Wandels: Wie Schüler:innen KI im Unterricht nutzen möchten [Pioneers of change: How students want to use AI in the classroom] (Survey conducted by infratest dimap). https://www.vodafone-stiftung.de/pioniere-des-wandels/

Walton Family Foundation, & Gallup. (2025, June). Teaching for tomorrow: Unlocking six weeks a year with AI. https://news.gallup.com/poll/691967/three-teachers-weekly-saving-six-weeks-year.aspx

Institutionelle Dokumente

Børne- og Undervisningsministeriet, Styrelsen for Undervisning og Kvalitet. (2025, August 22). Forsøg med prøverne i engelsk A (stx) [Trial of the English A examinations (stx)] (Case 25/23313). https://www.uvm.dk/-/media/filer/uvm/udd/gym/pdf25/aug/250822-forsoeg-med-proeverne-i-engelsk-a--stx-.pdf 

Commission nationale de l'informatique et des libertés. (2025, June 20). Enseignant : comment utiliser un système d'IA dans le respect du RGPD ? [Teachers: How to use an AI system in compliance with the GDPR]. https://www.cnil.fr/fr/enseignant-usage-systeme-ia 

Department of Education Northern Ireland. (2026, May 6). Givan announces roll-out of AI tools and training for Northern Ireland teachers [Press release]. https://www.education-ni.gov.uk/news/givan-announces-roll-out-ai-tools-and-training-northern-ireland-teachers 

Der Hamburgische Beauftragte für Datenschutz und Informationsfreiheit. (2023, November 13). Checkliste zum Einsatz LLM-basierter Chatbots [Checklist for the use of LLM-based chatbots]. https://datenschutz-hamburg.de/fileadmin/user_upload/HmbBfDI/Datenschutz/Informationen/20231113_Checkliste_LLM_Chatbots_DE.pdf 

European Commission. (2026, September 7). Market surveillance authorities under the AI Act. https://digital-strategy.ec.europa.eu/en/policies/market-surveillance-authorities-under-ai-act 

FWU Institut für Film und Bild in Wissenschaft und Unterricht. (n.d.). AIS.chat (vormals telli). Retrieved October 16, 2026, from https://fwu.de/ais-chat/ 

Haridus- ja Teadusministeerium. (2026, March 8). Europe's top PISA performer showcases AI Leap programme as global summit opens in Tallinn [Press release]. https://www.hm.ee/en/news/europes-top-pisa-performer-showcases-ai-leap-programme-global-summit-opens-tallinn 

Joint Council for Qualifications. (2025). AI use in assessments: Protecting the integrity of qualifications (Effective from 30 April 2025). https://www.jcq.org.uk/exams-office/malpractice/artificial-intelligence/

Kennisnet. (2026, January 15). Toetsing en generatieve AI in het voortgezet onderwijs [Assessment and generative AI in secondary education] (updated April 28, 2026). https://www.kennisnet.nl/ 

Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder. (2024, May 6). Orientierungshilfe: Künstliche Intelligenz und Datenschutz [Guidance: Artificial intelligence and data protection] (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf 

Kultusministerkonferenz. (2024, October 10). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen [Recommendation for education administrations on artificial intelligence in school education] (Resolution of the Bildungsministerkonferenz; rev. ed. March 2025). https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf

Ministère de l'Éducation nationale. (2025, June 13). Cadre d'usage de l'IA en éducation [Framework for the use of AI in education]. https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647 

Ministère de l'Éducation nationale. (2026, February). M.I.A. Seconde, une approche personnalisée de la remédiation en français et en mathématiques [M.I.A. Seconde: A personalised approach to remediation in French and mathematics]. Éduscol. https://eduscol.education.gouv.fr/6693/mia-seconde-une-approche-personnalisee-de-la-remediation-en-francais-et-en-mathematiques 

Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, January 15). 20-tisíc licencií ChatGPT Edu podporí rozvoj digitálnych zručností budúcich učiteľov [20,000 ChatGPT Edu licences will support future teachers' digital skills] [Press release]. https://www.minedu.sk/20-tisic-licencii-chatgpt-edu-podpori-rozvoj-digitalnych-zrucnosti-buducich-ucitelov/ 

Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, May 12). Ministerstvo chce do konca roka sprístupniť AI nástroje pre všetkých učiteľov na Slovensku [The ministry wants to make AI tools available to all teachers in Slovakia by the end of the year] [Press release]. https://www.minedu.sk/ministerstvo-chce-do-konca-roka-spristupnit-ai-nastroje-pre-vsetkych-ucitelov-na-slovensku/ 

Ministerium für Schule und Bildung des Landes Nordrhein-Westfalen. (n.d.). Dienstanweisung für die automatisierte Verarbeitung von personenbezogenen Daten in der Schule (BASS 10-41 Nr. 4). Retrieved October 16, 2026, from https://bass.schule.nrw/17585.htm 

Bayerisches Staatsministerium für Unterricht und Kultus. (n.d.). Private Endgeräte im Dienstgebrauch [Private devices for official use]. Retrieved October 16, 2026, from https://www.km.bayern.de/gestalten/digitalisierung/datensicherheit/private-endgeraete-im-dienstgebrauch 

Office of Qualifications and Examinations Regulation. (2026, March). SLT briefing pack: AI and coursework integrity (Version 2.5). https://www.gov.uk/government/organisations/ofqual 

Scheiter, K., Bauer, E., Omarchevska, Y., Schumacher, C., & Sailer, M. (2025). Künstliche Intelligenz in der Schule: Eine Handreichung zum Stand in Wissenschaft und Praxis [Artificial intelligence in schools: A guide to the state of research and practice]. Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend. https://www.empirische-bildungsforschung-bmbfsfj.de/img/KI_Review.pdf 

Statsministerens kontor, & Kunnskapsdepartementet. (2026, June 19). Ny nasjonal anbefaling: Kunstig intelligens skal i all hovedsak ikke brukes i barneskolen [New national recommendation: AI should as a rule not be used in primary school] [Press release]. https://www.regjeringen.no/no/aktuelt/kunstig-intelligens-skal-i-all-hovedsak-ikke-brukes-i-barneskolen/id3166807/ 

SURF. (2026, May 27). Privacy risks Microsoft 365 Copilot remain 'orange' despite improvements. https://www.surf.nl/en/news/privacy-risks-microsoft-365-copilot-remain-orange-despite-improvements 

Transport for London. (2022, March). The Knowledge of London: An introduction to learning the Knowledge of London and the examination process. https://foi.tfl.gov.uk/FOI-0355-2425/Introduction%20to%20Knowledge%20Booklet%20(March%202022).pdf 

Vanderbilt University, Brightspace Support. (2023, August 16). Guidance on AI detection and why we're disabling Turnitin's AI detector. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/ 

Verband Bildungsmedien. (n.d.). Urheberrecht und KI [Copyright and AI]. Schulbuchkopie.de. Retrieved October 16, 2026, from https://www.schulbuchkopie.de/index.php/urheberrecht-und-ki 

ZHAW Zürcher Hochschule für Angewandte Wissenschaften. (2026). Verwendung generativer KI-Systeme bei Leistungsnachweisen [Use of generative AI systems in assessments] (Richtlinie Z-RL, Version 4.0.0). https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf 

Pressequellen

AI Leap Foundation. (n.d.). AI Leap (TI-Hüpe). Retrieved October 16, 2026, from https://tihupe.ee/en 

Depue, W. (2023, November 6). What's new with DALL·E 3? OpenAI Cookbook. https://developers.openai.com/cookbook/articles/what_is_new_with_dalle_3 

EvidenceB. (2022, November 30). EvidenceB et Docaposte remportent le marché public pour offrir un service de remédiation en français et en mathématiques pour tous les nouveaux lycéens de France [Press release]. https://evidenceb.fr/evidenceb-et-docaposte-remportent-le-marche-public/ 

OpenAI. (2022, July 18). Reducing bias and improving safety in DALL·E 2. https://openai.com/index/reducing-bias-and-improving-safety-in-dall-e-2 

Raghavan, P. (2024, February 23). Gemini image generation got it wrong. We'll do better. The Keyword (Google). https://blog.google/products/gemini/gemini-image-generation-issue/

Gesetzgebung

Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation), OJ L 119, 4.5.2016, p. 1. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng

Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), OJ L, 2024/1689, 12.7.2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng — consolidated version of 27 July 2026: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02024R1689-20260727 

Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI), OJ L, 2026/1744, 24.7.2026 (in force 27 July 2026; corrigendum 29 September 2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng 

Gesetz über Urheberrecht und verwandte Schutzrechte (Urheberrechtsgesetz – UrhG) [German Copyright Act], §§ 2, 16, 44a, 44b, 60a, 97. https://www.gesetze-im-internet.de/urhg/ 

Schulgesetz für Baden-Württemberg (SchG), § 115b. https://www.landesrecht-bw.de/ 

Bayerisches Hochschulinnovationsgesetz (BayHIG), as amended by the Act of 8 May 2026 (GVBl. p. 208). https://www.gesetze-bayern.de/ 

Gerichtsentscheidungen

Verwaltungsgericht Hamburg, Beschluss vom 15. Dezember 2025, 2 E 8786/25 (interim relief, § 123 VwGO; not final). https://justiz.hamburg.de/resource/blob/1128534/4a02d061e1d2a47e4ff1449241831117/2-e-8786-25-beschluss-vom-15-12-25-data.pdf 

Verwaltungsgericht Kassel, Urteile vom 25. Februar 2026, 7 K 2134/24.KS und 7 K 2515/25.KS (appeal admitted; not final). Press release No. 1/2026 of 26 February 2026. https://verwaltungsgerichtsbarkeit.hessen.de/presse/unzulaessige-nutzung-kuenstlicher-intelligenz-bei-studentischen-pruefungsleistungen 

Landgericht München I, Urteil vom 11. November 2025, 42 O 14139/24 (GEMA v. OpenAI; appeal pending before the OLG München). 

Raad van State (Afdeling bestuursrechtspraak), uitspraak van 30 juli 2025, 202501708/1/A2, ECLI:NL:RVS:2025:3585. https://uitspraken.rechtspraak.nl/details?id=ECLI:NL:RVS:2025:3585 

Tribunal administratif de Paris, ordonnance du 12 février 2026, n° 2600972 (référé). 

Kammarrätten i Göteborg, dom den 14 juli 2023, mål nr 4285-23. Reported in Processrätt (2023, November 4), https://processratt.se/kammarratten-i-goteborg-upphaver-disciplinnamndens-beslut-om-fusk-med-ai-verktyg/

6.2 Glossar und Schlüsselbegriffe

Begriff

Synonyme

Definition

A

Adaptive Lernplattform

(Adaptive learning platform)

Eine Plattform, die Inhalte, Tempo oder Lernweg an die einzelnen Lernenden anpasst.

Adaptive Übungssoftware

(Adaptive practice software)

Bereits an Schulen eingesetzte Übungssoftware, die Aufgaben an die Antworten der Lernenden anpasst. Generative KI-Chatbots zeigten größere Effekte auf Wissen und Verständnis.

AI Pioneers

 

Framework, das DigCompEdu um KI-spezifische Kompetenzen für Lehrende erweitert.

Algorithmische Transparenz

(Algorithmic transparency)

Das Maß, in dem nachvollziehbar ist, wie ein KI-System zu seinen Ausgaben gelangt und wer entschieden hat, wie es sich verhält.

Anbieter

KI-Anbieter (Provider, AI provider)

Das Unternehmen, das ein KI-System entwickelt und anbietet. Es ist in der Regel dafür verantwortlich, die Nutzenden darüber zu informieren, dass sie mit KI interagieren; verarbeitet es Daten für eine Schule, handelt es nach der DSGVO als Auftragsverarbeiter.

Angemessenheitsbeschluss

(Adequacy decision)

Ein Beschluss der EU, dass ein Land außerhalb der EU personenbezogene Daten angemessen schützt, sodass Daten dorthin übermittelt werden dürfen.

Anonymisierung

(Anonymisation)

Daten so verändern, dass eine Person nicht mehr identifiziert werden kann, auch nicht aus dem Kontext. Namen zu löschen ist keine Anonymisierung – insbesondere nicht bei Aufsätzen und Lerntagebüchern, deren Verfasser am Stil erkennbar sind.

Anwendungsfall

(Use Case)

Ein konkretes Szenario, das beschreibt, wie KI in der Unterrichtspraxis eingesetzt wird.

Auftragsverarbeiter

(Processor, data processor)

Nach der DSGVO eine Stelle, die personenbezogene Daten im Auftrag des Verantwortlichen und streng nach dessen Weisung verarbeitet, z. B. ein KI-Anbieter.

Auftragsverarbeitungsvertrag

AVV (Data processing agreement, DPA)

Der schriftliche Vertrag zwischen Schule und Anbieter, der festlegt, wie der Anbieter mit personenbezogenen Daten umgehen darf (Art. 28 DSGVO). Der Praxistest: Schließt er das Training mit Ihren Eingaben aus?

Automation Bias

Übervertrauen (Over-trust)

Einen Vorschlag der Maschine übernehmen, ohne ihn eigenständig zu prüfen.

Automatisierte Bewertung

Automatisierte Auswertung (Automated grading, automated scoring, automated assessment)

Software einsetzen, um Arbeiten auszuwerten oder zu benoten. In der Zertifizierungsprüfung betrifft dies Fragen mit vorgegebenen Antwortmöglichkeiten.

Automatisierte Entscheidung

(Automated decision-making)

Eine ausschließlich auf automatisierter Verarbeitung beruhende Entscheidung, die eine Person erheblich beeinträchtigt. Eine Note ist eine solche Entscheidung; das bloß formale Durchwinken eines KI-Vorschlags gilt nicht als menschliche Entscheidung.

B

Beschaffung

Kaufentscheidung (Procurement)

Der Prozess, in dem eine Schule oder Behörde KI-Werkzeuge auswählt und erwirbt. Hier werden verlässliche Grenzen und vertragliche Absicherungen festgelegt – deshalb liegt die Verantwortung bei der Beschaffung, nicht bei der einzelnen Lehrkraft.

Besondere Kategorien personenbezogener Daten

(Special category data)

Personenbezogene Daten, die besonderen Schutz benötigen, etwa Gesundheitsdaten, Angaben zu Behinderungen, biometrische Daten oder Daten, aus denen die ethnische Herkunft oder Religion hervorgeht (Art. 9 DSGVO). Ohne eine konkrete Ausnahme grundsätzlich tabu.

Betreiber

(Deployer)

Die Organisation, die ein KI-System einführt und kontrolliert, in der Regel die Schule oder der Schulträger. Eine Lehrkraft, die das Werkzeug nach Weisung der Schule nutzt, ist normalerweise kein eigenständiger Betreiber.

Bewertungsaktivität

(Assessment Activity)

Eine Aktivität, mit der überprüft wird, ob Lernergebnisse erreicht wurden.

Bewertungskriterium

(Assessment Criterion)

Eine Regel oder ein Maßstab, anhand dessen beurteilt wird, ob ein Lernergebnis erreicht wurde.

Bias

 

Verzerrungen, die aus dem Material stammen, mit dem ein System trainiert wurde, und die sich nicht zuverlässig verringern, wenn man das System größer macht.

Bildklassifikation

Bildklassifikator (Image classification)

Eine KI-Aufgabe, bei der ein Modell nach dem Training mit Beispielen Bilder in Kategorien einordnet (z. B. Papier, Plastik, Sonstiges) und anschließend mit neuen Gegenständen getestet wird.

Biometrische Daten

(Biometric data)

Daten über körperliche Merkmale wie Gesicht oder Stimme. Sie gehören nach der DSGVO zu den besonderen Kategorien personenbezogener Daten, und mehrere darauf beruhende KI-Anwendungen sind an Schulen verboten.

Biometrische Kategorisierung

(Biometric categorisation)

Biometrische Daten nutzen, um Menschen einzuordnen und daraus geschützte Merkmale wie ethnische Herkunft, politische Meinungen, Religion oder sexuelle Orientierung abzuleiten. Nach dem AI Act verboten.

C

Code-Review

KI-gestütztes Code-Review

Die Schüler schreiben zuerst ihren eigenen Code und bitten dann die KI um Verbesserungsvorschläge, statt sie die Lösung schreiben zu lassen. Die Vorschläge müssen kritisch geprüft werden.

Codegenerierung

(Code generation)

KI Programmcode schreiben lassen. Anfänger sollten darauf verzichten, weil sie noch nicht beurteilen können, ob der Code korrekt ist.

Computational Thinking

Algorithmisches Denken

Probleme so angehen, dass ein Computer die Lösung ausführen könnte, etwa indem man sie in Schritte zerlegt und Muster erkennt.

Content Unit

Inhaltseinheit

Die kleinste wiederverwendbare Lernkomponente innerhalb von Unterrichtsplanungen und Modulen.

Cyborg Writing

(Cyborg writing)

Schreiben, bei dem KI das Denken der schreibenden Person erweitert statt ersetzt; die Schüler kennzeichnen dabei, welche Teile von ihnen selbst stammen.

D

Datenhosting

(Data hosting)

Wo Daten gespeichert und verarbeitet werden, z. B. auf europäischen Servern oder außerhalb der EU. Verlassen Daten die EU, ist eine Absicherung erforderlich.

Datenschutz

(Data protection)

Der rechtliche Schutz personenbezogener Daten. Das tragende Fundament des KI-Rechts, das von Anfang an galt; in der EU vor allem die DSGVO.

Deepfake

 

KI-generierte oder manipulierte Bild-, Audio- oder Videoinhalte, die echt wirken. Muss beim Einsatz im Unterricht offengelegt werden (Art. 50 Abs. 4 AI Act).

Deskilling

Kompetenzverlust

Die schleichende Erosion fachlicher Expertise, wenn ein Werkzeug die Arbeit übernimmt, durch die diese Expertise aufrechterhalten wird.

Deterministisch

(Deterministic)

Aus denselben Ausgangswerten stets genau dasselbe Ergebnis erzeugend.

Diagnosedaten

Telemetrie (Diagnostic data)

Technische Daten, die ein Anbieter über die Nutzung seines Dienstes erhebt. Wie lange sie gespeichert werden, ist eine Frage des Datenschutzes.

Diffusion von Innovationen

(Diffusion of innovations)

Theorie darüber, wie sich Innovationen verbreiten: Sie werden eher übernommen, wenn man sie ausprobieren (Erprobbarkeit, trialability) und ihre Wirkung beobachten kann (Beobachtbarkeit, observability).

DigCompEdu

 

Der Europäische Rahmen für die Digitale Kompetenz von Lehrenden. Er liefert die pädagogische Struktur (horizontale Dimension) des DUAL.AI.TEACHer Frameworks.

Digital Badge

Offener digitaler Badge (Open digital badge)

Die teilbare digitale Form eines Zertifikats oder Micro-Credentials.

Digital Hub

 

Eine zentrale Online-Plattform, die Ressourcen, Kurse und den Austausch in der Community eines Projekts bündelt.

Digitale Souveränität

(Digital sovereignty)

Kontrolle über die eigenen Daten, die eigene Infrastruktur und die eigenen Technologieentscheidungen. Eine selbst aufgebaute Plattform verschafft nicht automatisch mehr Kontrolle; das Playbook rät daher, den Begriff mit Bedacht zu verwenden.

Dimension

 

Einer der breiten Bereiche, in die das Framework unterteilt ist; jeder Bereich fasst Kompetenzen zusammen, die in der Praxis zusammengehören.

Dritte

Drittanbieter (Third party)

Ein Unternehmen, das weder die Schule noch der Entwickler der App ist, typischerweise Werbe- oder Analyseunternehmen, die Daten erhalten, während der Schüler mit der App arbeitet.

DSGVO

Datenschutz-Grundverordnung, Verordnung (EU) 2016/679 (General Data Protection Regulation, GDPR)

Das Datenschutzrecht der EU. Während der AI Act fragt, ob und wie ein KI-System eingesetzt werden darf, fragt die DSGVO, ob bestimmte Daten über eine bestimmte Person auf eine bestimmte Weise verarbeitet werden dürfen.

E

Emotionserkennung

(Emotion recognition)

KI, die vorgibt, aus biometrischen Daten auf Gefühle oder Absichten zu schließen, z. B. Aufmerksamkeitserkennung, Stimmungsanalysen oder „Engagement“-Bewertungen per Webcam. An Schulen seit dem 2. Februar 2025 verboten, mit engen Ausnahmen für medizinische oder Sicherheitszwecke.

EntreComp

 

Europäischer Referenzrahmen für unternehmerische Kompetenz. Hat Kreativität und Innovation zum Framework beigetragen.

Erfundene Quellenangabe

Erfundene Quelle (Fabricated citation)

Ein von KI erzeugter Verweis auf eine Quelle, die nicht existiert. Solche Quellen zu erkennen ist eine zentrale Prüfkompetenz und eines der typischen Anzeichen für nicht offengelegte KI-Nutzung.

Erklärbarkeit

KI-Erklärung (Explainability)

Ein KI-System zeigt, wie es zu seiner Ausgabe gelangt ist. Erklärungen verhindern Übervertrauen nicht zuverlässig; zu technische oder zu stark vereinfachte Erklärungen können unangebrachtes Vertrauen sogar verstärken.

ESCO

 

Europäische Klassifikation für Fertigkeiten, Kompetenzen, Qualifikationen und Berufe. Die Zertifizierung ist darauf abgestimmt.

Ethik der KI

(Ethics of AI)

Ethische Prinzipien, Vorschriften, institutionelle Richtlinien und praktische Leitlinien für den KI-Einsatz, die Lehrkräfte verstehen und anwenden müssen. Ein übergreifender Aspekt der vertikalen Dimension.

Ethische Dimension

(Ethical Dimension)

Eine Dimension, die ethische Fragen im Zusammenhang mit dem Einsatz von KI in Lehren und Lernen behandelt.

EU AI Act

AI Act, KI-Verordnung, Verordnung (EU) 2024/1689

Das einheitliche, risikobasierte Regelwerk der EU für KI. Es stuft KI-Systeme nach ihrem Risiko ein – von verbotenen Praktiken über Hochrisiko-Anwendungen bis zu Alltagswerkzeugen ohne besondere Regeln – und gilt für öffentliche und private Organisationen, auch für Schulen. In Kraft seit dem 1. August 2024, schrittweise anwendbar bis 2027.

EU-Datenbank

(EU database)

Das EU-Register, in dem Behörden die von ihnen eingesetzten Hochrisiko-KI-Systeme gegebenenfalls erfassen müssen (Art. 49 AI Act).

Europäischer Qualifikationsrahmen

EQR (European Qualifications Framework, EQF)

Referenzrahmen der EU, der Qualifikationen zwischen Ländern vergleichbar macht. Die Zertifizierung ist darauf abgestimmt.

Europäischer Rahmen

(European Framework)

Ein Referenzrahmen, der standardisierte Kompetenzdefinitionen auf europäischer Ebene bereitstellt.

Europass

 

EU-Plattform, über die digitale Zertifikate geteilt und ihre Gültigkeit von dritten Einrichtungen geprüft werden können.

F

Fairness

Nichtdiskriminierung

Der Grundsatz, dass KI und ihr Einsatz Menschen nicht systematisch benachteiligen dürfen – etwa wenn KI-Detektoren Texte von Nicht-Muttersprachlern fälschlich markieren.

Faktenwissen

(Factual knowledge)

Wissen über Fakten und Begriffe. KI-Tutoren können seinen Erwerb unterstützen.

Falsch-Positiv

(False Positive)

Eine korrekte, ehrliche Arbeit, die fälschlich markiert wird. Der Fehler, der Schülern schadet.

Feedback-Aufnahme

Aufnahme (Feedback uptake)

Ob Feedback gelesen, verstanden, umgesetzt und so gut verstanden wird, dass die Lernenden es beim nächsten Mal ohne Hilfe richtig machen könnten. Der Engpass ist die Aufnahme, nicht die Qualität.

Fort- und Weiterbildung

Lehrkräftefortbildung (Continuing professional development, CPD, in-service training)

Berufliches Lernen für Lehrkräfte, die bereits an Schulen tätig sind. Stufe 6 der Roadmap macht daraus ein strukturiertes Angebot mit kombinierbaren Micro-Credentials.

Fortbildungsmodul

(Training Module)

Eine strukturierte Fortbildungseinheit, die Kompetenzen durch Lernaktivitäten und Materialien entwickelt.

G

Gamification

 

Spielelemente im Unterricht nutzen. Der Einsatz von KI für Gamification erbrachte einen Zugewinn, der zu gering ist, um als nachgewiesen zu gelten.

Generative KI

GenAI (Generative AI)

KI, die auf einen Prompt hin neue Texte, Bilder oder andere Inhalte erzeugt.

Gesichtserkennung

(Facial recognition)

KI, die Personen anhand ihres Gesichts identifiziert, z. B. zur Anwesenheitskontrolle oder Prüfungsüberwachung. Der Aufbau oder die Erweiterung von Gesichtserkennungsdatenbanken durch ungezieltes Auslesen von Bildern (Scraping) ist verboten.

Grundrechte-Folgenabschätzung

(Fundamental rights impact assessment, FRIA)

Eine Abschätzung, die öffentliche Stellen und Organisationen, die öffentliche Dienstleistungen erbringen, vor dem Einsatz von Hochrisiko-KI gegebenenfalls durchführen müssen (Art. 27 AI Act).

H

Halluzination

(Hallucination)

Flüssig, überzeugend, falsch. Kein Fehler, der auf ein Update wartet, sondern eine Folge der Art, wie diese Systeme Text erzeugen.

Hochrisiko-KI-System

Hochrisiko-KI (High-risk AI system)

Ein KI-System, das aufgrund seiner Zweckbestimmung strengen Pflichten unterliegt. Im Bildungsbereich: Entscheidungen über die Zulassung, die Bewertung von Lernergebnissen oder die Steuerung von Lernprozessen, die Beurteilung des Zugangs zu Bildungsstufen sowie die Erkennung verbotenen Verhaltens in Prüfungen; beim Personal: Einstellung, Beförderung, Aufgabenzuweisung und Leistungsbeurteilung. Die Pflichten gelten ab dem 2. Dezember 2027.

Hochschulpersonal

(University Faculty)

An der Lehrkräftebildung beteiligtes Personal von Hochschulen, eine der Zielgruppen des Playbooks.

Horizontale Dimension

Pädagogische Dimension (Horizontal dimension)

Die sechs Bereiche der Unterrichtspraxis im DUAL.AI.TEACHer Framework, übernommen aus DigCompEdu: Berufliches Engagement, Digitale Ressourcen, Lehren & Lernen, Bewertung, Lernende stärken sowie Förderung der (KI-)Digitalkompetenz der Lernenden.

I

ICEP

Institute of European Certification of Personnel

Akkreditierte Zertifizierungsstelle (ISO 17024), die die Zertifizierungsplattform und die Prüfung betreibt und die Zertifizierungsunterlagen führt.

Inhaltsfilter

(Content filter)

Ein automatischer Mechanismus, der Inhalte blockiert oder verändert, die ein Anbieter für ungeeignet hält. Seine Kriterien werden oft nicht offengelegt.

Inklusionsdimension

(Inclusion Dimension)

Eine Dimension, die Barrierefreiheit, Chancengerechtigkeit und Inklusion beim KI-gestützten Lehren und Lernen in den Mittelpunkt stellt.

Integrations-Roadmap

(Integration Roadmap)

Der schrittweise Weg, den eine Lehrkraft oder eine Einrichtung vom ersten Kontakt mit KI bis zur gefestigten Praxis zurücklegt; bei DUAL.AI.TEACHer in neun Stufen.

Intelligentes tutorielles System

ITS (Intelligent tutoring system)

Etablierte Lernsoftware, die Lernende mit passgenauen Aufgaben und Feedback anleitet.

Iteratives Prompting

Prompt-Verfeinerung (Iterative prompting)

Ein KI-Ergebnis über mehrere Runden verbessern, statt sich auf einen einzigen Prompt zu verlassen: Ziel festlegen, prompten, Ausgabe bewerten, verfeinern und überprüfen.

K

Kernkompetenz

(Core competency)

Eine der 18 Kompetenzen des DUAL.AI.TEACHer Frameworks, jeweils an der Schnittstelle eines pädagogischen Bereichs und eines Aspekts von KI.

KI

Künstliche Intelligenz (Artificial Intelligence, AI)

Computersysteme, die Aufgaben ausführen, die mit menschlichem Denken in Verbindung gebracht werden – etwa Muster erkennen, Sprache verarbeiten oder Inhalte erzeugen –, meist indem sie aus Daten lernen.

KI-Assistent

(AI Assistant)

Ein KI-Werkzeug, das Arbeit im Auftrag einer Person erledigt. Es kann den Unterschied in den Arbeitsergebnissen zwischen den Nutzenden verringern, nicht aber den Unterschied in ihren Fähigkeiten.

KI-Chatbot

Chatbot

Ein Programm, das sich in natürlicher Sprache unterhält, heute meist auf Grundlage eines großen Sprachmodells.

KI-Compliance

Konformer Einsatz von KI (AI Compliance)

KI im Einklang mit Datenschutzrecht, AI Act, Urheberrecht und Prüfungsrecht nutzen. Compliance ermöglicht den Einsatz, statt ihn zu behindern.

KI-Detektor

(AI Detector)

Software, die vorgibt, maschinell geschriebenen Text zu erkennen. Tatsächlich misst sie Vorhersagbarkeit.

KI-Grundlagen und -Anwendungen

(AI foundations and applications)

Konzeptionelles Wissen und übertragbare Fähigkeiten, um zu verstehen, wie KI funktioniert, und um KI-Werkzeuge auszuwählen, anzuwenden und anzupassen. Der inhaltsspezifische Aspekt der vertikalen Dimension.

KI-Kompetenz

(AI literacy)

Verständnis von KI-Konzepten, Chancen, Grenzen und verantwortungsvollem Umgang. Nach Art. 4 AI Act müssen Schulen den Aufbau dieser Kompetenz bei Beschäftigten, die KI einsetzen, unterstützen (verbindlich seit dem 2. Februar 2025); ein bestimmtes Niveau, Zertifikat oder Format ist nicht vorgeschrieben. Zugleich der Name von Zertifizierungspfad B.

KI-Kompetenz von Lehrkräften

(Teacher AI Competence)

Wissen, Fähigkeiten und Haltungen von Lehrkräften für das Lehren mit und über KI, wie sie im DUAL.AI.TEACHer Framework strukturiert sind.

KI-Modell

(AI model)

Der trainierte Kern eines KI-Systems, der aus Eingaben Ausgaben erzeugt.

KI-pädagogisches Kompetenzrahmenwerk

DUAL.AI.TEACHer Kompetenzmodell (AI Pedagogical Competency Framework)

Struktur, die KI-bezogene Unterrichtskompetenzen in Dimensionen und Stufen einordnet, mit Lernergebnissen und Bewertungen verknüpft und dabei pädagogische, ethische und technische Aspekte aufeinander abstimmt.

KI-Tutor

(AI Tutor)

Ein KI-System, das Inhalte erklären und Lernende anleiten soll. Kann den Erwerb von Faktenwissen unterstützen.

KI-Werkzeug

KI-Tool (AI Tool)

Jede Anwendung, die KI zur Unterstützung einer Aufgabe nutzt.

Kognitive Auslagerung

(Cognitive Offloading)

Gedankliche Arbeit an etwas außerhalb des eigenen Kopfes abgeben. Nützlich, wenn Wissen bereits gefestigt ist, schädlich, wenn es sich noch bildet.

Kombinierbarkeit

Stapelbar (Stackability, stackable)

Die Möglichkeit, Micro-Credentials im Laufe der Zeit zu kombinieren, sodass sie auf größere Qualifikationen angerechnet werden.

Kompetenz

(Competence, competency)

Was eine Lehrkraft weiß, kann und zu tun bereit ist – so beschrieben, dass es sich lehren und überprüfen lässt.

Kompetenzbereich

(Competence domain, competence area)

Eine Gruppe zusammengehöriger Kompetenzen innerhalb eines Rahmenwerks.

Kompetenzcode

Lernzielcode

Kennzeichnung eines Lernziels, z. B. AF-TL-2b: Aspekt von KI (HM, EI, AF) – pädagogischer Bereich (PE, DR, TL, A, EL, FC) – Progressionsstufe (1–3) und Lernziel (a–c).

Kurs

(Course)

Eine strukturierte Folge von Fortbildungsmodulen, die ein vollständiges Lernangebot bilden.

Kursdurchlauf

(Course Run)

Eine konkrete Durchführung eines Kurses mit eingeschriebenen Teilnehmenden und festgelegtem Zeitraum.

L

Large Language Model (LLM)

LLM, großes Sprachmodell

Ein KI-Modell, das mit großen Textmengen trainiert wurde und plausible Fortsetzungen von Texten erzeugt; die Grundlage von Chatbots. Funktioniert als Vorhersagemaschine, nicht als Datenbank.

Lehren mit KI

Lernen MIT KI (Teaching with AI)

KI als Werkzeug für die eigene Unterrichtsarbeit nutzen, von der Planung bis zum Feedback.

Lehren über KI

Lernen ÜBER KI (Teaching about AI)

KI selbst zum Unterrichtsgegenstand machen, damit die Schüler verstehen, wie sie funktioniert und wo sie versagt.

Lehrkraft

(Teacher)

Eine Person, die für die Gestaltung und Durchführung von Lehr- und Lernaktivitäten verantwortlich ist.

Lehrkräftebildner

Hochschullehrende in der Lehrkräftebildung (Teacher educator)

Wissenschaftliches Personal, das in der Lehrkräftebildung lehrt. Der Aufbau ihrer Kompetenzen ist Stufe 3 der Roadmap.

Lehrkräftebildung (erste Phase)

Lehramtsstudium (Initial teacher education, ITE, pre-service teacher education)

Die hochschulische Ausbildung künftiger Lehrkräfte.

Leitplanken

(Guardrails)

In ein System eingebaute Grenzen, damit es das Denken unterstützt, statt es zu ersetzen.

Lerneinheit

(Learning Unit)

Eine konkrete Lernaktivität, die Lernende innerhalb eines Moduls durchführen.

Lernende

(Learner)

Personen, die an Lernaktivitäten teilnehmen, um Wissen, Fertigkeiten oder Kompetenzen zu erwerben.

Lernergebnis

(Learning Outcome)

Eine messbare Aussage darüber, was Lernende wissen oder können sollen.

Lizenz

(Licence)

 

LLM-Chatoberfläche

KI-Chatassistent (LLM chat interface)

Das browserbasierte Chatfenster, über das Nutzende mit einem großen Sprachmodell arbeiten.

Lokal installiertes Modell

Lokal gehostetes Modell (Locally installed model)

Ein Sprachmodell, das auf einem eigenen Gerät oder Server der Schule läuft. Eine Alternative, wenn der Internetzugang an der Schule eingeschränkt ist.

M

Marktüberwachungsbehörde

(Market surveillance authority)

Die nationale Behörde, die den AI Act durchsetzt. Jede Person – auch Lehrkräfte, Schüler und Eltern – kann bei ihr Beschwerde einlegen (Art. 85 AI Act).

Maschinelles Lernen

ML (Machine learning)

Der Ansatz, bei dem ein KI-System Muster aus den Beispielen lernt, die es erhält, statt von Hand geschriebenen Regeln zu folgen. Sind die Beispiele zu ähnlich, unvollständig oder schlecht gewählt, liefert das Modell unerwartete Ergebnisse.

Matthäus-Effekt

(Matthew effect)

Wer bereits Vorteile hat, profitiert am meisten: „Wer hat, dem wird gegeben.“

Menschliche Aufsicht

(Human oversight)

Die Anforderung, dass kompetente, geschulte und befugte Personen ein Hochrisiko-KI-System beaufsichtigen, seine Grenzen kennen und seine Ausgabe außer Acht lassen oder übersteuern können. Aufsicht ohne Fachkenntnis ist keine Aufsicht.

Menschzentrierte Grundhaltung

(Human-centred mindset)

Werte und Haltungen, die Lehrkräfte in der Interaktion zwischen Mensch und KI brauchen, um Bedürfnisse, Urteilsvermögen und Wohlergehen von Menschen in den Vordergrund zu stellen. Ein übergreifender Aspekt der vertikalen Dimension.

Metaanalyse

Übersichtsarbeit (Meta-analysis, review)

Eine Studie, die die Ergebnisse vieler einzelner Studien zur selben Fragestellung zusammenführt.

Micro-Credential

 

Ein kleineres Zertifikat, das ein einzelnes, klar umrissenes Kompetenzbündel statt eines ganzen Pfads abdeckt; lässt sich zu größeren Qualifikationen kombinieren.

MOOC-Plattform

(MOOC Platform)

Eine digitale Plattform, über die Kurse angeboten, Lernende verwaltet und Lerninhalte bereitgestellt werden.

N

Nachhaltige KI

(Sustainable AI)

KI so entwickeln und nutzen, dass ihre langfristigen ökologischen, sozialen und wirtschaftlichen Auswirkungen berücksichtigt werden.

Neuheitseffekt

(Novelty effect)

Ein vorübergehender positiver Effekt, der allein dadurch entsteht, dass etwas neu ist. Er kann die Ergebnisse kurzfristiger Studien überzeichnen.

O

Offenes Modell

Offenes KI-Modell (Open model)

Ein KI-Modell, dessen Bestandteile offen verfügbar sind, im Gegensatz zu proprietären Modellen von Unternehmen. Empfohlen als Teil eines öffentlich finanzierten, chancengerechten Zugangs zu KI.

One-Shot-Prompt

Einzelner Prompt (One-shot prompt, single prompt)

Ein Prompt, der einmal abgeschickt wird, ohne Verfeinerung oder Nachfrage. (Im technischen Sprachgebrauch kann der Begriff auch einen Prompt mit einem ausgearbeiteten Beispiel bezeichnen.)

Online-Prüfung

(Online Exam)

Eine formale, strukturierte Prüfung, die im Rahmen des Bewertungsprozesses online durchgeführt wird.

Open Educational Resource (OER)

OER, offene Bildungsmaterialien

Lehr- und Lernmaterial, das unter einer offenen Lizenz veröffentlicht ist, die freie Nutzung, Bearbeitung und Weitergabe erlaubt.

Operator

 

Das Verb, um das ein Lernziel herum formuliert ist (z. B. erkennen, umsetzen, kritisch beurteilen). Es zeigt, was von einer Lehrkraft auf der jeweiligen Stufe erwartet wird, und macht das Lernziel beobachtbar.

P

Pädagogisches Rahmenwerk

(Pedagogical Framework)

Ein strukturiertes Gefüge pädagogischer Prinzipien und Ansätze, das die Gestaltung von Lehren und Lernen leitet.

Personalisierung

KI-Personalisierung (Personalisation)

Ressourcen, Aufgaben oder Unterstützung mithilfe von KI an einzelne Lernende anpassen. Das kann Inklusion fördern, birgt aber auch Risiken von Ungleichheit, Datenmissbrauch und Ausgrenzung.

Personenbezogene Daten

(Personal data)

Alle Informationen über eine identifizierbare Person, z. B. Namen, schulische E-Mail-Adressen, Schülerarbeiten, Sprachaufnahmen, Fotos, Noten, Anwesenheits- und Lernstandsdaten. Daten bleiben personenbezogen, wenn jemand aus dem Kontext identifiziert werden kann.

Pfad A / Pfad B

Zertifizierungsweg (Certification track, Track A, Track B)

Eine von zwei sich ergänzenden Zertifizierungen: Pfad A, KI-gestütztes Unterrichten (MIT KI), und Pfad B, KI-Kompetenz (ÜBER KI). Lehrkräfte können einen der beiden Pfade oder beide absolvieren.

Playbook

 

Ein strukturierter Leitfaden, der KI-Kompetenzen mithilfe von Anwendungsfällen, pädagogischen Modellen und Fortbildungsressourcen in die Unterrichtspraxis überträgt.

Politische Leitlinie

(Policy Guideline)

Ein Dokument auf Steuerungsebene, das die Entwicklung von Kompetenzen und Unterrichtspraktiken prägt.

Proctoring

Prüfungsaufsicht, Fernüberwachung (Exam proctoring, remote proctoring)

Prüfungen mit Software beaufsichtigen, z. B. per Webcam. KI, die verbotenes Verhalten in Prüfungen erkennt, gilt als Hochrisiko-KI; die Zertifizierungsprüfung wird aus der Ferne überwacht.

Profiling

 

Automatisierte Bewertung von Personen, um ihre Merkmale oder ihr Verhalten zu analysieren oder vorherzusagen. Ein KI-System im Bildungsbereich, das Profiling von Personen betreibt, gilt stets als Hochrisiko-System.

Progressionsstufe

Stufe (Progression level, level)

Eine von drei Stufen, auf denen jede Kernkompetenz beschrieben wird: Stufe 1 Orientierendes Bewusstsein, Stufe 2 Reflektierte Umsetzung (die primäre Zielstufe für Lehrkräfte) und Stufe 3 Gestaltende Führungsrolle.

Prompt

 

Die Anweisung, die eine Person einem KI-System gibt. Formulierung, Kontext und Vorgaben prägen die Ausgabe.

Prompt Engineering

Prompting

Das Verfassen wirksamer Prompts als erlernbare Fähigkeit, z. B. für Unterrichtsplanung, Differenzierung und Bewertung.

Prompt-Umschreibung

(Prompt rewriting)

Ein Anbieter verändert den Prompt automatisch, bevor das Modell ihn erhält, etwa um Details oder Vielfalt hinzuzufügen. Die Nutzenden sehen die Änderung nicht – was eingegeben wurde, ist also nicht das, wonach die Maschine gefragt wurde.

Protokolle

Logs

Von einem KI-System automatisch erzeugte Aufzeichnungen. Betreiber von Hochrisiko-Systemen müssen sie mindestens sechs Monate aufbewahren, soweit die Protokolle unter ihrer Kontrolle stehen.

R

Randomisierte kontrollierte Studie

RCT, kontrollierte Studie (Randomised controlled trial)

Eine Studie, in der die Teilnehmenden den Gruppen zufällig zugeteilt werden, sodass Unterschiede in den Ergebnissen auf die Intervention zurückgeführt werden können.

Rechenschaftspflicht

(Accountability)

Für Entscheidungen über den Einsatz von KI und deren Folgen einstehen müssen. Die Verantwortung bleibt bei Menschen und Institutionen, niemals beim System.

Retraktion

Zurückziehung (Retraction)

Die offizielle Rücknahme eines veröffentlichten Artikels durch eine Fachzeitschrift. Der Artikel bleibt sichtbar und wird als „RETRACTED“ gekennzeichnet, damit alle, die ihn zitiert haben, dies erkennen können.

S

Scaffolding

 

Strukturierte Anleitung durch die Lehrkraft, die Lernende dabei unterstützt, ein Werkzeug zu nutzen oder eine Aufgabe zu bewältigen, die sie allein noch nicht schaffen.

Schema

 

Das organisierte Wissen einer Person.

Schulische KI-Umgebung

Geprüfte Plattform (School AI environment, vetted platform)

Eine staatlich bereitgestellte, geprüfte KI-Plattform für Schulen mit ausgehandelten Verträgen – als Alternative dazu, dass sich Lehrkräfte selbst bei kostenlosen Werkzeugen anmelden.

Schulleitung

Schulleiter (School Administrator, school leader, head teacher)

Eine Person, die für die Leitung einer Schule verantwortlich ist, etwa eine Schulleitung oder deren Stellvertretung. Kapitel 5.3 richtet sich direkt an sie.

Selbstbestimmung der Lernenden

(Learner agency)

Die Fähigkeit der Lernenden, eigene Entscheidungen über ihr Lernen zu treffen, auch über die Nutzung KI-generierter Ressourcen. Lehrkräfte sollten sie in KI-gestützten Prozessen wahren.

Server

 

Ein Computer, der Daten für andere über ein Netzwerk speichert und verarbeitet. Wo die Server eines KI-Werkzeugs stehen (z. B. in der EU), beeinflusst, welche Datenschutzregeln gelten.

Sokratischer Tutor

(Socratic tutor)

Ein Chatbot, der angewiesen ist, gezielte Fragen zu stellen statt Antworten zu geben. Wird er nur per Prompt eingerichtet, fällt er in längeren Gesprächen oft wieder ins Antwortgeben zurück; verlässliche Grenzen müssen daher im System selbst verankert werden.

Spracherkennung

(Speech recognition)

Eine Form von KI, bei der ein Programm versucht, gesprochene Wörter oder Zahlen zu erkennen. Wie gut das funktioniert, hängt vom Mikrofon ab, davon, wie deutlich jemand spricht, und davon, wie ruhig der Raum ist.

Standardvertragsklauseln

SCC (Standard contractual clauses)

Von der EU genehmigte Vertragsbedingungen, die personenbezogene Daten bei einer Übermittlung außerhalb der EU absichern, wenn kein Angemessenheitsbeschluss vorliegt.

Stochastisch

Zufallsbasiert (Stochastic, randomised)

Vom Zufall abhängig, sodass dieselben Einstellungen zu unterschiedlichen Ergebnissen führen können.

Strukturierter Prompt

(Structured prompt)

Ein Prompt, der mehr als nur das Thema vorgibt, etwa Zielgruppe, Zweck, Kontext, Sprachniveau, Tonfall, Alter der Lernenden, Lernziel, Dauer und erwartetes Ergebnis. Er gibt mehr Kontrolle über das Ergebnis, garantiert aber kein gutes.

T

Technische Sicherheit

(Technical safety)

Zuverlässigkeit und Robustheit eines KI-Systems, sodass es wie vorgesehen funktioniert und keinen Schaden verursacht.

Text-zu-Bild-Generator

Bildgenerator (Text-to-image generator)

Generative KI, die aus einem schriftlichen Prompt Bilder erzeugt. Was sie zeigt, hängt von ihren Trainingsdaten und von Anpassungen durch den Anbieter ab.

Training mit Nutzereingaben

(Training on user inputs)

Ein Anbieter verwendet, was Nutzende eingeben oder hochladen, für eigene Zwecke, insbesondere um seine Modelle zu trainieren. Personenbezogene Daten dürfen nur eingegeben werden, wenn eine schriftliche Vereinbarung dies ausschließt.

Trainingsdaten

Trainingsmaterial, Trainingsbeispiele (Training data)

Die Beispiele, aus denen ein KI-System lernt, etwa Millionen von Menschen beschriftete Bilder. Verzerrungen in diesem Material übertragen sich auf die Ausgaben des Systems und verschwinden nicht einfach dadurch, dass Modelle größer werden.

Transparenzpflicht

Kennzeichnungspflicht, Offenlegungspflicht (Transparency obligation)

Die Pflicht nach Art. 50 AI Act, Menschen mitzuteilen, wenn sie mit KI interagieren, sowie Deepfakes und KI-generierte Texte zu Angelegenheiten von öffentlichem Interesse offenzulegen. Inhalte, die menschlich geprüft und redaktionell verantwortet wurden, sind ausgenommen – ein von der Lehrkraft geprüftes Arbeitsblatt braucht also keine Kennzeichnung.

Tuning

Modell-Tuning, Sicherheitstraining (Model tuning, safety training)

Anpassungen, die ein Anbieter nach dem ersten Training vornimmt, um zu steuern, was ein System zeigt oder sagt, etwa um es sicherer, fairer oder vielfältiger zu machen. Tuning ist in der Ausgabe unsichtbar, kann danebenliegen und sich ohne Ankündigung ändern.

U

Überarbeitete Bloom’sche Taxonomie

(Revised Bloom's taxonomy)

Modell, in dem sich kognitive Prozesse vom Erinnern und Verstehen über das Anwenden und Analysieren bis zum Bewerten und Erschaffen entwickeln (Anderson & Krathwohl, 2001). Grundlage der Progressionsstufen.

Übermäßiges Vertrauen

Übervertrauen (Overreliance, over-trust)

KI-Ausgaben mehr vertrauen, als sie verdienen, etwa falsche Noten oder falsches Feedback übernehmen. Lehrkräfte, die Hochrisiko-KI einsetzen, müssen aktiv darauf achten.

UNESCO AI Competency Framework for Teachers

KI-Kompetenzrahmen der UNESCO für Lehrkräfte

UNESCO-Rahmenwerk (2024), das die Prinzipien, Werte, Kenntnisse und Fähigkeiten festlegt, die Lehrkräfte für einen ethischen, wirksamen und sicheren KI-Einsatz brauchen. Quelle der vertikalen Dimension.

Ungezieltes Scraping

Scraping (Untargeted scraping)

Automatisiertes massenhaftes Sammeln von Bildern aus dem Internet oder aus Videoüberwachungsaufnahmen ohne bestimmten Zweck oder bestimmte Person.

Universal Design for Learning

UDL

Rahmenkonzept für eine inklusive, lernendenzentrierte Gestaltung. Wird genutzt, um die inklusive Dimension des Frameworks zu stärken.

Unterrichtsmodell

(Teaching Model)

Ein pädagogischer Ansatz, der festlegt, wie Lehren und Lernen strukturiert sind, einschließlich der Rolle von KI.

Unterrichtsplanung

Stundenentwurf (Lesson Plan)

Ein detaillierter Plan für eine Unterrichtseinheit mit Zielen, Aktivitäten und der Einbindung von KI-Werkzeugen.

Unterrichtsschranke

(Teaching exception)

Die urheberrechtliche Ausnahme, die es Lehrkräften erlaubt, einen begrenzten Teil eines Werks für ihre Klasse zu vervielfältigen. Sie deckt nicht das Hochladen geschützter Werke in ein KI-System ab, und für den Schulunterricht bestimmtes Material, vor allem Schulbücher, ist ausgenommen.

Urheberrecht

(Copyright)

Rechtlicher Schutz von Werken. Was eine KI ausgibt, ist in der Regel urheberrechtlich nicht geschützt; das Hochladen geschützter Werke in ein KI-System ist jedoch nicht von der Unterrichtsschranke gedeckt.

V

Verantwortlicher

Verantwortliche Stelle (Controller, data controller)

Nach der DSGVO die Stelle, die für die Verarbeitung personenbezogener Daten verantwortlich ist. An Schulen ist das in der Regel die Schule.

Verbotene KI-Praktiken

(Prohibited AI practices, banned AI practices)

Acht KI-Anwendungen, die der AI Act (Art. 5) seit dem 2. Februar 2025 ausnahmslos verbietet. Vier davon betreffen Schulen: Emotionserkennung, das Ausnutzen von Schutzbedürftigkeit, ungezielt aufgebaute Gesichtserkennungsdatenbanken und biometrische Kategorisierung.

Verstärkungseffekt

Verstärkung vs. Ausgleich (Amplification effect)

KI vergrößert tendenziell bestehende Unterschiede. Ausgleichend wirkt sie nur, wenn drei Bedingungen zusammenkommen: gesicherter Zugang, ein Werkzeug, das für das Lernen statt für das Beantworten gestaltet ist, und eine Lehrkraft, die den Einsatz anleitet und begleitet.

Vertikale Dimension

KI-Dimension (Vertical dimension)

Die drei Aspekte von KI im DUAL.AI.TEACHer Framework, übernommen aus dem UNESCO-Rahmenwerk: Menschzentrierte Grundhaltung, Ethik der KI sowie KI-Grundlagen und -Anwendungen.

Vibe Coding

 

Software erstellen oder erweitern, indem man in natürlicher Sprache beschreibt, was sie leisten soll, und eine KI den Code schreiben lässt. Im Playbook erweitern die Schüler eine bestehende Simulation per Prompt, statt von Grund auf zu programmieren.

Vorhersagbarkeit

(Predictability)

Wie erwartbar die Formulierungen eines Textes sind. KI-Detektoren messen Vorhersagbarkeit, nicht maschinelle Urheberschaft, und markieren deshalb schlichte Texte oder Texte in einer Zweitsprache fälschlich.

Vorhersagemaschine

Probabilistische Ausgabe (Prediction engine)

Sprachmodelle erzeugen eine plausible Fortsetzung eines Textes, statt Fakten in einer Datenbank nachzuschlagen. Das erklärt, warum sie halluzinieren und warum ähnliche Prompts unterschiedliche Antworten liefern können.

W

Wissen-Handeln-Lücke

(Knowledge-Action Gap)

Der messbare Abstand zwischen dem Wissen über KI und einem dadurch tatsächlich veränderten Unterricht.

Z

Zertifikat

(Certificate)

Ein formales Dokument, das den Erwerb von Kompetenzen bescheinigt.

Zertifizierungspfad

(Certification Pathway)

Der Weg, auf dem Kompetenzen validiert und formal anerkannt werden, hier als dualer Pfad (Pfad A und Pfad B).