Um die Studie «Students‘ conceptions about AI in science classrooms» einordnen zu können, hilft ein Blick darauf, mit welchen Schwerpunkten über KI in der Schule diskutiert wird. Häufig steht die Technik als Effizienz-Werkzeug im Vordergrund: KI soll Abläufe automatisieren und Unterricht individualisieren. Die Forschung zu verantwortungsvoller, menschzentrierter KI weitet diesen Blick und betont, dass es um mehr geht als bessere Leistungen, etwa um Fairness, Transparenz, Datenschutz und vor allem um die Frage, ob Lernende eigenständig und handlungsfähig sind und bleiben (vgl. Fu und Weng, 2024 zitiert nach Conradty et al., 2026).
Aus dieser erweiterten Sicht ist KI eine Ergänzung, die beim echten Verstehen und beim selbstständigen Lernen helfen kann. Ähnlich wie forschend-entdeckendes Lernen nur dann motiviert, wenn Schülerinnen und Schüler genug eigenen Spielraum behalten (vgl. Conradty und Bogner, 2019 zitiert nach Conradty et al., 2026). Genau diesen Gedanken verfolgt auch das EU-Projekt Discovery Space, in dem die Studie entstanden ist.
Und was sagen die Lernenden selbst? Bisherige Befragungen zeichnen ein gemischtes Bild: Interesse an KI als Lernhilfe, zugleich aber Sorgen über Verlässlichkeit, ethische Fragen und das Risiko, von ihr abhängig zu werden (vgl. Chan und Hu, 2023; Zhai et al., 2024 zitiert nach Conradty et al., 2026).
Was bislang fehlte, ist hier der entscheidende Punkt: grosse, sprachübergreifende Untersuchungen dazu, wie Lernende KI eigentlich gedanklich einordnen, also welche Rolle sie ihr zutrauen und welchen Sinn sie damit verbinden (vgl. Dangol et al., 2025 zitiert nach Conradty et al., 2026). Deshalb betrachtet die Studie die Antworten auf zwei Ebenen: Welche Funktionen wünschen sich Lernende, und welche Bedeutung diese Funktionen für ihr Lernen haben und welche Werte sie damit verbinden? Um an diese tiefer liegenden Vorstellungen heranzukommen, wählten die Forschenden bewusst eine offene Frage statt vorgegebener Antwortkategorien.
Wie die Studie vorging
Das Team um Cathérine Conradty und Franz Xaver Bogner (Universität Bayreuth) sowie Sofoklis Sotiriou und Dimitris Koulentianos (Ellinogermaniki Agogi, Griechenland) wertete 841 offene schriftliche Antworten aus. Erhoben wurden sie über eine digitale Lernumgebung im Rahmen der Erasmus+ Initiative DISCOVERY SPACE, eingesetzt überwiegend in der Sekundarstufe mehrerer europäischer Länder. Die Antworten kamen auf Englisch, Griechisch, Portugiesisch und Spanisch; die Teilnehmenden waren schätzungsweise 11 bis 18 Jahre alt, vermutlich mehrheitlich in den Klassen 7 bis 8. Aus Datenschutzgründen lagen keine demografischen Angaben vor.
Die Leitfrage war bewusst offen gehalten:
«Stell dir vor, du könntest eine perfekte KI für die Schule erfinden: Was sollte sie können?»
Dieses offene Format sollte spontane Vorstellungen einfangen, ohne sie durch vorgegebene Kategorien zu lenken.
Methodisch kombinierte die Studie qualitative Inhaltsanalyse mit KI-gestützter Auswertung. Ein Sprachmodell der GPT-4-Klasse (über die ChatGPT-Oberfläche) half beim Vorsortieren und Kategorisieren, ausdrücklich nicht als autonomer Analyse-Akteur, sondern unter menschlicher Kontrolle und Nachprüfung. Die Übereinstimmung der Codierung war hoch (Cohens Kappa κ = .891).
Kern der Auswertung war ein doppeltes Kategoriensystem:
- System A erfasste funktionale Anforderungen, also was die Technik tun soll (z. B. Erklären, Feedback geben, Personalisieren, Organisieren, emotionale Unterstützung). Insgesamt neun Kategorien.
- System B erfasste pädagogische Bedeutungen und Werte, also welchem Bildungszweck eine Funktion dienen soll (z. B. Verstehen, eigenständiges Denken, Selbstwirksamkeit, Fairness, Beziehung). Acht Kategorien.
Anschliessend wurde untersucht, welche Funktionen und welche Bedeutungen gemeinsam auftreten.
Die drei Rollen: Tutor, Coach und Companion
Aus den Mustern kristallisierten sich drei wiederkehrende Erwartungsprofile heraus, verstanden nicht als feste Systemtypen, sondern als «Rollenrepertoires»:
- Tutor-orientiert: Erklären, Lernhilfe und Feedback, verknüpft mit Verstehen und eigenständigem Denken. Die KI als strukturierte Erklär- und Übungsinstanz. Typisch: «Es sollte helfen, Probleme zu erklären, aber nicht einfach die Antwort verraten.»
- Coach-orientiert: Personalisierung und Organisation, verknüpft mit Selbstwirksamkeit und Verantwortung. Die KI als begleitendes System, das beim Steuern des eigenen Lernens hilft: Lerntempo anpassen, an Aufgaben erinnern, Struktur geben.
- Companion-orientiert: Kommunikation, Inklusion und emotionale Unterstützung, verknüpft mit Beziehung, Motivation, Fairness und Werten. Die KI als geduldiger, urteilsfreier «Lernfreund», ausdrücklich aber nicht als Ersatz für menschliche Beziehungen.
Für die schulische Praxis lassen diese Ergebnisse darauf schliessen, dass Schüler*innen nicht erwarten, dass KI eine einzige, universelle Funktion übernimmt. Stattdessen stellen sie sich KI als pädagogische Ressource vor, deren Rolle vom jeweiligen Unterrichtskontext abhängt. Dies hat direkte Auswirkungen auf den Unterricht: Die zentrale didaktische Frage lautet nicht, ob KI eingesetzt werden sollte, sondern welche Rolle sie in einer bestimmten Lernsituation spielen sollte.
Der wichtigste Befund: eine selbstgezogene Grenze
Quer durch alle Profile zeigt sich ein bemerkenswertes Muster: Die Lernenden wünschen sich Erklärungen, Hinweise und Orientierung, aber überwiegend keine fertigen Lösungen. KI soll das Denken stützen, nicht ersetzen.
Die Ergebnisse deuten darauf hin, dass die Befürchtungen, Lernende könnten durch den Einsatz von KI passiv werden und sich weniger kognitiv mit Lerninhalten auseinandersetzen oder anstrengen, möglicherweise übertrieben sind.
Eine zentrale statistische Beobachtung stützt diese Interpretation: Die Funktion, die Lernende einer KI zuschreiben, und ihre Bedeutung für das Lernen stehen zwar in einem systematischen Zusammenhang, sind aber nicht dasselbe (Cramérs V = .193, also ein moderater Zusammenhang). Dieser Zusammenhang wird in den Antworten der Lernenden deutlich. Sie erwarten von der KI zwar bestimmte Funktionen, knüpfen diese aber häufig an klare pädagogische Vorgaben. So wünschen sie sich beispielsweise Erklärungen nicht als fertige Lösungen, sondern als Unterstützung, um selbstständig weiterdenken und Lösungen entwickeln zu können. Die Ergebnisse verdeutlichen, wie wichtig beide Kategoriesysteme innerhalb dieses Datensatzes sind. Eine Funktion wie die Erklärung (A1) gewinnt erst dann an Bedeutung, wenn sie das Verständnis und das eigenständige Denken (B1) fördert. Die Kombination aus System A und System B zeigt nicht nur, was sich die Schüler*innen von der KI wünschen, sondern auch, welche Bedeutung sie ihr für das Lernen beimessen.
Zwar bestehen Bedenken, dass KI Lernende passiv macht, ihre Abhängigkeit erhöht oder kognitive Prozesse ersetzt. Die Ergebnisse dieser Studie sprechen jedoch dafür, dass diese Befürchtungen möglicherweise überbewertet werden. Die Schüler*innen ziehen selbst eine klare Grenze zwischen sinnvoller Unterstützung und der Übernahme von Lernaufgaben durch KI. Sie verstehen KI vor allem als Hilfe in Form von Erklärungen, Anleitung, Feedback und Orientierung, nicht als Ersatz für das eigene Denken und Lernen.
Gleichzeitig zeigt sich, dass diese Haltung nicht von allen Schüler*innen geteilt wird. Eine kleinere Gruppe erwartet, dass KI Hausaufgaben erledigt oder fertige Antworten liefert. Dies verweist jedoch weniger auf Missbrauch als auf Schwächen der aktuellen Leistungsbewertung. Solange vor allem richtige Ergebnisse statt Verständnis belohnt werden, bleibt die Delegation an KI attraktiv.
Was folgt daraus für Schule und Unterricht?
Wenn Lernende selbst klare Erwartungen hinsichtlich der Grenzen akzeptabler KI-Unterstützung formulieren, verlagert sich die pädagogische Aufgabe hin zur Rahmensetzung. Schulen stehen daher nicht vor der Frage, ob KI eingesetzt werden sollte, sondern unter welchen Bedingungen ihr Einsatz sinnvolles Lernen fördert.
Daraus ergeben sich konkrete Konsequenzen:
- Die Lehrperson wird wichtiger, nicht überflüssig. Wenn KI erklären und organisieren kann, verlagert sich die professionelle Rolle hin zu Orchestrierung, Rahmung und Urteilskraft, samt klaren Regeln und transparenten Rollendefinitionen für den KI-Einsatz.
- Prüfungen müssen sich verändern. Solange Noten vor allem korrekte Ergebnisse belohnen, bleibt das Auslagern an KI attraktiv. Aufgaben, die Begründung, Argumentation und Reflexion verlangen, entwerten blosses Delegieren.
- KI kann auch dem Unterricht selbst dienen. KI kann Lehrkräfte bei der Analyse offener Schülerantworten unterstützen. Dadurch können Lernvorstellungen schneller erkannt und Unterricht gezielter an den Bedürfnissen der Lernenden ausgerichtet werden. KI bietet somit das Potenzial, formative Diagnostik zu stärken, ohne das pädagogische Urteilsvermögen der Lehrperson zu ersetzen.
Grenzen der Studie
Die Verfasser benennen ihre Einschränkungen selbst. Es lagen keine demografischen Daten vor, sodass keine altersspezifischen Unterschiede analysiert werden konnten. Der einladende, fantasievolle Charakter der Frage könnte wünschenswert klingende, idealisierte Antworten begünstigt haben. Die Ergebnisse sollten daher eher als formulierte Erwartungen denn als feste Überzeugungen oder tatsächliche Unterrichtspraktiken interpretiert werden.
Die Übersetzung aus vier Sprachen ohne vollständige Rückübersetzung kann Nuancen gekostet haben. Und weil Antworten mehreren Kategorien zugeordnet werden konnten, sind die statistischen Werte als Hinweise auf Muster zu lesen, nicht als strenge Signifikanztests.
Was nimmst du mit?
Der vielleicht prägnanteste Gedanke der Studie lautet sinngemäss: Der Einsatz von KI in Schulen ist nicht in erster Linie eine technische, sondern eine didaktische Frage. Entscheidend ist nicht, ob KI vorhanden ist, sondern wie ihre Rolle und Einsatz im Hinblick auf die Bildungsziele definiert, gestaltet und geregelt wird. In dieser Hinsicht schmälert KI nicht die Bedeutung der Lehrpersonen. Im Gegenteil: Sie erhöht den Bedarf an didaktischer Klarheit, fachlicher Reflexion und pädagogischer Führungskompetenz.
Die befragten Jugendlichen argumentieren dabei in der Mehrheit differenzierter, als es die öffentliche Debatte oft erwarten lässt. Viele von ihnen wollen keine Maschine, die für sie denkt, sondern eine, die ihnen hilft, selbst zu denken. Dass ein Teil dennoch auf Aufgabenübernahme hofft, verweist weniger auf Bequemlichkeit als auf die Frage, was Schule eigentlich prüft und belohnt. Ob das Bildungssystem dieser Erwartung mit passenden Prüfungsformaten und klarer didaktischer Rahmung gerecht wird, ist damit weniger eine technische als eine pädagogische Frage.
Quellen:
Chan, C.K.Y., and Hu, W. (2023). Students’ voices on generative AI: perceptions, benefits, and challenges in higher education. Int. J. Educ. Technol. High. Educ. 20, 43. doi: 10.1186/s41239-023-00411-8
Conradty C., Sotiriou S.A., Koulentianos D. & Bogner F.X. (2026). Students‘ conceptions about AI in science classrooms. Front. Educ. 11:1810140. doi: 10.3389/feduc.2026.1810140
Conradty, C., and Bogner, F. X. (2019). From STEM to STEAM: cracking the code? How creativity & motivation interacts with inquiry-based learning. Creat. Res. J. 31 (3), 284–295. doi: 10.1080/10400419.2019.1641678
Dangol, A., Wolfe, R., Zhao, R., Kim, J., Ramanan, T., Davis, K., and Kientz, J. A. (2025). Children’s mental models of AI reasoning: implications for AI literacy education. In Proceedings of the 24th Interaction Design and Children (pp. 106–123). ACM. doi: 10.1145/3713043.3728856
Fu, Y., and Weng, Z. (2024). Navigating the ethical terrain of AI in education: a systematic review on framing responsible human-centered AI practices. Comput. Educ. Artif. Intell. 7, 100306. doi: 10.1016/j.caeai.2024.100306
Zhai, C., Wibowo, S., and Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: a systematic review. Smart Learn. Environ. 11, 28. doi: 10.1186/s40561-024-00316-7