Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design

Die Autoren stellen ein webbasiertes Tool vor, das natürliche Sprache als primäre Schnittstelle nutzt, um Lehrende durch eine transparente, kollaborative Strukturierung von pädagogischen Zielen und Spielmechaniken zu unterstützen und so die Hürden für den Entwurf lernfördernder Spiele zu senken, ohne die menschliche Gestaltungsfreiheit einzuschränken.

Das Wesentliche

Stell dir vor, ein Lehrer möchte einen Lehrspiel-Plan erstellen. Das Problem ist: Lehrer sind Experten für ihr Fach (z. B. Geschichte oder Biologie), aber sie sind oft keine Programmierer oder Spieleentwickler. Wenn sie versuchen, ein Spiel zu bauen, das genau das lernt, was sie wollen, scheitern sie oft daran, dass das Spiel zu kompliziert wird oder gar nicht das richtige Lernziel erreicht.

Künstliche Intelligenz (KI) könnte helfen, aber bisher war das wie ein blindes Vertrauen: Der Lehrer sagt „Mach ein Spiel über die Französische Revolution", und die KI spuckt ein fertiges Spiel aus. Der Lehrer weiß dann nicht genau, wie die KI zu diesem Ergebnis kam, ob die Schwierigkeit stimmt oder ob das Spiel wirklich den Lerninhalt trifft. Es ist wie ein Koch, der einem Roboter sagt „Mach eine Suppe", und der Roboter wirft einfach alles in den Topf – vielleicht schmeckt es, aber der Koch hat keine Kontrolle über die Zutaten.

Diese Forscher von der Northeastern University haben eine Lösung entwickelt, die sie „Sprach-Brücke" nennen. Hier ist die Idee, einfach erklärt:

1. Der magische Satz (Die Brücke)

Statt dem KI-Roboter einfach einen langen Text zu geben, zwingen sie ihn und den Lehrer, eine gemeinsame Sprache zu sprechen. Sie haben eine Art „magisches Formular" erfunden, das wie ein Satzbaustein aussieht:

„Spieler [Adverb] [Verb] [Nomen] in einer [Adjektiv] Umgebung."

Das klingt trocken, ist aber genial. Es zwingt den Lehrer, sein Lernziel in vier klare Bausteine zu zerlegen:

• Nomen (Das Thema): Worum geht es? (z. B. „Zellen")
• Verb (Die Aktion): Was soll der Schüler tun? (z. B. „sortieren")
• Adverb (Die Regel): Wie gut muss es sein? (z. B. „schnell" oder „fehlerfrei")
• Adjektiv (Der Kontext): Wie sieht die Welt aus? (z. B. „in einem futuristischen Labor")

2. Die Übersetzung (Der Dolmetscher)

Sobald der Lehrer diesen Satz in der „Lehrer-Sprache" ausgefüllt hat, übernimmt die KI. Aber sie macht nicht einfach irgendetwas. Sie übersetzt diesen Satz Wort für Wort in die „Spiele-Sprache":

• Das Nomen (Zelle) wird zu einem Spiel-Objekt (ein 3D-Modell einer Zelle).
• Das Verb (sortieren) wird zu einer Spiel-Mechanik (ein Drag-and-Drop-Spiel).
• Das Adverb (schnell) wird zu einer Regel (ein Timer, der abläuft).
• Das Adjektiv (futuristisch) wird zum Design-Stil (neonfarbene Grafiken).

Die Analogie: Stell dir vor, du baust ein Haus. Der Lehrer ist der Architekt, der sagt: „Ich brauche ein Fenster, das viel Licht hereinlässt." Die KI ist der Bauarbeiter.

• Ohne diese Brücke: Die KI baut ein riesiges Glasdach, das das ganze Haus überflutet. Der Lehrer ist schockiert.
• Mit dieser Brücke: Der Lehrer füllt ein Formular aus: „Fenster (Nomen), öffnen (Verb), halb (Adverb), im Wohnzimmer (Adjektiv)." Die KI baut genau das. Wenn der Lehrer sagt: „Nein, ich wollte das Adverb 'halb' nicht, sondern 'ganz'", kann er das Wort im Formular ändern, und die KI passt sofort das Fenster an.

3. Warum ist das so wichtig?

• Kein Blindflug: Der Lehrer sieht genau, wie jedes Wort in seinem Lernziel zu einer Spielregel wird. Er ist der Chef, nicht die KI.
• Transparenz: Wenn die KI einen Vorschlag macht, sieht der Lehrer sofort: „Aha, sie hat das Wort 'schnell' so interpretiert, dass ich 10 Sekunden Zeit habe. Das ist zu wenig!" Er kann es sofort ändern.
• Der Bauplan: Am Ende gibt die KI keinen fertigen, komplizierten Programmcode heraus, sondern eine Pseudocode-Beschreibung (eine Art detaillierter Bauplan in einfacher Sprache). Das ist wie eine Kochkarte, die ein Profi-Koch leicht in ein echtes Gericht verwandeln kann, ohne selbst ein Koch zu sein.

Zusammenfassung

Die Forscher haben ein Werkzeug gebaut, das Lehrer und KI wie Teamkollegen zusammenarbeiten lässt. Statt dass die KI einfach etwas „herzaubert", müssen beide über eine klare, strukturierte Sprache sprechen. Das stellt sicher, dass das Spiel am Ende nicht nur Spaß macht, sondern auch wirklich das lernt, was der Lehrer im Kopf hatte. Es ist wie ein Übersetzer, der verhindert, dass Missverständnisse entstehen, bevor das Spiel überhaupt gebaut wird.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design" auf Deutsch:

1. Problemstellung

Bildungsspiele (Educational Games) haben das Potenzial, kritisches Denken, Problemlösungsfähigkeiten und Motivation zu fördern. Dennoch scheitern viele Projekte daran, dass die Spieleerfahrung nicht mit den Lernzielen, Bewertungsmethoden oder dem Unterrichtsalltag übereinstimmt.

• Herausforderungen für Lehrende: Obwohl Lehrende ihre Lernziele kennen, fehlt es ihnen oft an Expertise im Spieldesign und in der Lernpsychologie. Herkömmliche Low-Code-Tools reduzieren zwar Programmierhürden, lösen aber nicht die tieferliegenden Probleme der didaktischen Ausrichtung.
• Risiken von KI-Assistenten: Der naive Einsatz von Large Language Models (LLMs) birgt Risiken. KI-generierte Spiele können intransparent sein, didaktische Ziele verfehlen oder Lehrende zu bloßen Prüfern statt zu Gestaltern degradieren. Es fehlt an Transparenz und feingranularer Kontrolle darüber, wie KI-Entscheidungen die Lernziele beeinflussen.

2. Methodik und Systemarchitektur

Die Autoren haben ein webbasiertes Werkzeug entwickelt, das eine kontrollierte natürliche Sprache (Controlled Natural Language) als zentrale Schnittstelle für die Mensch-KI-Ko-Kreation nutzt. Das System basiert auf einem Sprach-Mapping-Framework, das pädagogische Absichten in eine strukturierte, maschinenlesbare Satzstruktur übersetzt.

Das Sprach-Mapping-Framework

Das Kernstück ist ein Template, das pädagogische Absichten in vier grammatikalische Elemente zerlegt, die jeweils einer spezifischen semantischen Rolle im Spieldesign entsprechen:

1. Substantive (Nouns): Definieren den Lerninhalt/Konzept → Entsprechen den Inhaltlichen Modellen und Spielartefakten.
2. Verben (Verbs): Definieren die beobachtbare Lernhandlung → Entsprechen den Spielmechaniken und Interaktionsmustern.
3. Adverbien (Adverbs): Definieren Leistungsanforderungen (Schwierigkeit/Erfolgskriterien) → Entsprechen den Regeln und Parametern für Schwierigkeit und Erfolg.
4. Adjektive (Adjectives): Definieren den Kontext, Realismusgrad und Ton → Entsprechen dem ästhetischen Profil und der narrativen Rahmung.

Der dreiphasige Workflow

Das System führt den Lehrenden durch drei Phasen:

1. Anforderungsextraktion (Requirement Extraction):

   • Der KI-Assistent führt ein strukturiertes Dialoggespräch, um die vier grammatischen Elemente (Substantiv, Verb, Adverb, Adjektiv) basierend auf den Lernzielen des Lehrenden zu extrahieren.
   • Der Lehrende behält die volle Kontrolle und kann durch Auswahl und Revision von Vorschlägen das Design präzisieren.

2. Sprachübersetzung (Language Translation):

   • Die extrahierte pädagogische Satzstruktur wird in eine parallele „Spielesprache"-Struktur übersetzt.
   • Die KI generiert mehrere Kandidaten für Spieledesigns, die die gleichen Constraints erfüllen.
   • Transparenz: Jedes Design-Kandidat wird mit einer komponentenweisen Begründung versehen, die erklärt, wie jedes Spielelement (z. B. eine Regel) dem pädagogischen Element (z. B. einer Leistungsanforderung) entspricht. Dies ermöglicht einen direkten Vergleich und gezielte Revisionen.

3. Sprachentwicklung (Language Development):

   • Der Lehrende kann die generierte Spielesatzstruktur weiter bearbeiten.
   • Durch „Zoom-In"-Funktionen generiert die KI detaillierte beschreibende Absätze mit Spielbeispielen.
   • Ein weiterer Klick generiert Pseudocode, der als Referenz für die spätere Implementierung in anderen Tools dient. Das Tool liefert also keinen fertigen Code, sondern ein detailliertes Design-Dokument.

Technische Implementierung

• Frontend: TypeScript und Node.js für eine interaktive Oberfläche mit farbcodierter Zuordnung der grammatischen Elemente zwischen pädagogischer und Spielsprache.
• Backend: Python für Datenorchestrierung, Prompt-Construction und Logging.
• KI-Modell: Nutzung der GPT-5 API (ohne Fine-Tuning), gesteuert durch strukturierte Prompts, die die Ausgabe strikt an das kontrollierte Template binden.
• Datenhaltung: MongoDB zur Speicherung von Projektverläufen, Versionen und Zwischenergebnissen.

3. Schlüsselbeiträge

• Neues Ko-Kreativitäts-Paradigma: Einführung eines kontrollierten Sprachframeworks, das LLMs nicht als Blackbox, sondern als Partner in einem transparenten, strukturierten Prozess einbindet.
• Explizites Mapping: Die Schaffung einer direkten, editierbaren und überprüfbaren Verbindung zwischen pädagogischen Absichten (Lehrsprache) und Spieldesign-Entscheidungen (Spieleprache).
• Erhaltung der menschlichen Agentur: Das System stellt sicher, dass Lehrende die Kontrolle über kritische Entscheidungen behalten, indem sie die KI-Vorschläge inspectieren, kritisieren und iterativ anpassen können.
• Praktisches Output-Format: Die Generierung von Pseudocode und strukturierten Beschreibungen als Brücke zwischen konzeptionellem Design und technischer Implementierung.

4. Ergebnisse und Evaluation

Hinweis: Da es sich um ein Extended Abstract (CHI EA '26) handelt, beschreibt das Paper primär das Design und die Architektur des Systems. Eine vollständige empirische Evaluation mit Lehrenden wird als zukünftige Arbeit angekündigt.

• Das Paper demonstriert die Funktionalität des Prototyps und zeigt, wie das Tool den Workflow von der Anforderungserhebung bis zum Pseudocode unterstützt.
• Es wird argumentiert, dass das Tool die Hürden für nicht-experte Designer senken kann, indem es didaktische Absichten explizit macht und die Alignment zwischen Lernen und Spiel während des gesamten Prozesses sichtbar hält.

5. Bedeutung und Ausblick

Die Arbeit adressiert eine kritische Lücke im Bereich der KI-gestützten Bildungstechnologie. Anstatt Lehrende durch KI zu ersetzen oder sie blind auf KI-Vorschläge zu verlassen, bietet das System ein Steuerungsinstrument, das:

• Transparenz in generative Design-Prozesse bringt.
• Nachvollziehbarkeit (Traceability) von Designentscheidungen sicherstellt.
• Die didaktische Integrität von Bildungsspielen bewahrt.

Zukünftige Arbeiten umfassen die Evaluation des Tools in realen Kursplanungs-Szenarien, die Untersuchung der Interaktionsdynamiken zwischen Lehrenden und KI (Vertrauensbildung, mentale Modelle) sowie einen A/B-Vergleich mit herkömmlichen LLM-Prompting-Methoden, um den Mehrwert des Sprach-Mapping-Frameworks quantitativ zu belegen.