🔬 physics

Students using GenAI lag behind in problem-solving competence: an agent-based study of classroom networks

Durch den Einsatz eines agentenbasierten Modells zur Simulation von Physikunterrichtsstunden an Gymnasien zeigt diese Studie auf, dass generative KI zwar Unterstützung bietet, ihr Einsatz jedoch letztlich die Entwicklung der Problemlösungskompetenz behindert und den Anteil der Schüler in niedrigeren Kompetenzstufen erhöht, indem sie kognitive Entlastung fördert und die kollektiven Lernmechanismen stört.

Ursprüngliche Autoren: Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

Veröffentlicht 2026-06-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Die „Cheat-Code“-Falle

Stellen Sie sich ein Klassenzimmer mit 30 Oberstufenschülern vor, die versuchen zu lernen, wie man komplexe Physikrätsel löst. Sie haben zwei Möglichkeiten, diese Rätsel anzugehen:

Der harte Weg: Sie denken darüber nach, fragen vielleicht einen Freund um Hilfe und finden die Lösung selbst heraus.
Der „Zauberstab“-Weg: Sie benutzen eine superintelligente KI (GenAI), die ihnen sofort die Antwort liefert.

Diese Studie stellt eine einfache Frage: Was passiert mit der gesamten Klasse, wenn jeder den Zauberstab benutzt?

Um das herauszufünden, haben die Forscher nicht einfach ein echtes Klassenzimmer beobachtet (was schwer zu kontrollieren ist). Stattdessen bauten sie eine digitale Simulation – ein Videospiel eines Klassenzimmers mit 30 Computer-„Agenten“ (Schülern). Sie ließen dieses Spiel 1.000 Mal laufen, um zu sehen, wie sich die Fähigkeiten der Schüler im Laufe der Zeit verändern.

Wie die Simulation funktionierte

Die Forscher gestalteten das Spiel mit drei Schlüsselregeln:

Das Netzwerk: Die Schüler sind wie in einem sozialen Netzwerk miteinander verbunden. Einige sind zufällige Freunde, einige sind in eng vernetzten Gruppen, und andere sind nur lose miteinander verbunden.
Die Entscheidung: In jedem Schritt entscheidet ein Schüler: „Löse ich das selbst (oder mit einem Freund) oder frage ich die KI?“
Die Konsequenz:
- Wenn du es selbst löst, bekommt dein Gehirn ein starkes Training und du wirst schlauer.
- Wenn du einen Freund fragst, lernst du ein bisschen von ihm.
- Wenn du die KI benutzt, bekommst du die Antwort, aber dein Gehirn bekommt nicht das volle Training. Du lernst vielleicht ein klein wenig die Fakten, aber du verpasst das Training des „Problemlösungs-Muskels“.

Die überraschenden Ergebnisse

1. Der „Durchschnittsschüler“ wird schlechter

Als die Forscher die KI für die ganze Klasse aktivierten, sank die durchschnittliche Problemlösungsfähigkeit der Gruppe.

Die Analogie: Stellen Sie sich ein Fitnessstudio vor, in dem alle beschließen, aufzuhören, Gewichte zu heben, und stattdessen einfach eine Maschine fragen, die die Gewichte für sie hebt. Obwohl die Maschine das Gewicht bewegt, werden die Menschen muskulöser schwächer. Die Klasse als Ganzes wurde weniger fähig, Probleme eigenständig zu lösen.

2. Der „Steckenbleiben in der Mitte“-Effekt

Ohne KI bewegten sich die Schüler natürlich die Leiter hinauf. Diejenigen, die mit niedrigen Fähigkeiten begannen, holten auf, und die ganze Klasse landete in den „hohen“ und „sehr hohen“ Fähigkeitszonen.

Mit KI: Die Schüler stiegen nicht so hoch. Ein erheblicher Teil der Klasse blieb in der Mitte oder sogar in den unteren Zonen stecken. Sie scheiterten nicht, aber sie wuchsen nicht so sehr, wie sie es hätten könnten.
Die Analogie: Denken Sie an ein Rennen, bei dem alle laufen. Ohne KI läuft jeder in seinem eigenen Tempo und wird mit der Zeit schneller. Mit KI ist es, als wären einige Läufer auf einem Laufband. Sie kommen zwar ans Ziel, aber sie haben nie die Beinkraft aufgebaut, um von sich aus schnell zu laufen.

3. Die Klasse spaltete sich in zwei Gruppen

Dies ist die wichtigste Erkenntung. Als die KI eingeführt wurde, wurde die Klasse nicht einfach nur „ein bisschen schlechter“. Sie spaltete sich in zwei deutliche Gruppen:

Gruppe A: Schüler, die die KI seltener nutzten. Sie wurden weiterhin schlauer und landeten an der Spitze.
Gruppe B: Schüler, die die KI oft nutzten. Sie landeten in einer „niedrigen Fähigkeitsgruppe“, die deutlich hinter den anderen zurücklag.
Die Analogie: Stellen Sie sich eine Gruppe von Wanderern vor. Wenn alle wandern, werden alle stark. Aber wenn einige Wanderer mit einem Hubschrauber (KI) nach oben fliegen, kommen sie zwar am Ziel an, sind aber schwach und erschöpft. Die Gruppe spaltet sich: die starken Wanderer und die schwachen Hubschrauber-Fahrer. Die Hubschrauber-Fahrer blieben nicht einfach gleich; sie fielen in Bezug auf die körperliche Fitness tatsächlich hinter die Wanderer zurück.

4. Die „Abkürтungs“-Gewohnheit

Die Studie fand heraus, dass die Wahrscheinlichkeit, in der niedrigeren Fähigkeitsgruppe zu landen, höher war, je mehr ein Schüler sich auf die KI verließ.

Die Analogie: Es ist wie die Verwendung eines Taschenrechners für einfache Mathematik. Wenn man ihn für alles benutzt, vergisst man irgendwann, wie man einfache Addition betreibt. Die Schüler, die die KI als „Abkürzung“ nutzten, hörten auf, ihre eigenen Problemlösungsfähigkeiten aufzubauen, und die KI wurde tatsächlich zu einer Barriere für ihr Lernen.

Das Fazit

Das Paper kommt zu dem Schluss, dass die KI den Schülern zwar die Antwort geben kann, sie aber daran hindern kann, die Fähigkeit aufzubauen, die Antwort selbst zu finden.

Wenn eine ganze Klasse KI nutzt, hilft das nicht einfach jedem, schlauer zu werden; es schafft stattdessen eine Kluft. Es lässt einen großen Teil der Klasse in ihrer Fähigkeit, kritisch zu denken und Probleme zu lösen, zurück, während nur eine kleine Gruppe (diejenigen, die sich nicht auf die KI verlassen haben) weiterhin wächst. Die Forscher schlagen vor, dass wir untersuchen müssen, wie die KI die gesamte Gruppendynamik beeinflusst, und nicht nur, wie gut ein einzelner Schüler in einem einzelnen Test abschneidet.

Technisches Resümee: Studierende unter Nutzung von GenAI hinken bei der Problemlösungskompetenz hinterher

Problemstellung
Die Entwicklung der Problemlösungskompetenz (Problem-Solving Competence, PSC) ist grundlegend für die Vorbereitung resilienter Bürger, doch die kollektiven Auswirkungen von Generativer Künstlicher Intelligenz (GenAI) auf diese Entwicklung innerhalb von Klassenzimmerumgebungen sind bislang unzureichend erforscht. Während die bestehende Literatur intensiv individuelle Lernergebnisse und Einstellungen gegenüber GenAI behandelt, mangelt es an einem Verständnis darüber, wie die Verteilung von Lernstrategien – konkret die Wahl zwischen der Nutzung von GenAI, der Kollaboration mit Gleichaltrigen oder dem individuellen Arbeiten – die Evolution der PSC innerhalb einer Lerngemeinschaft formt. Es besteht eine kritische Wissenslücke hinsichtlich der Frage, ob GenAI als Gerüst (Scaffold) für ko-konstruktives Lernen fungiert oder als Mechanismus für kognitives Offloading, der tiefgreifendes Lernen behindert, insbesondere unter Berücksichtigung des dynamischen Zusammenspiels zwischen individuellen Entscheidungen und Peer-Netzwerkstrukturen.

Methodik
Um dies zu adressieren, entwickelten die Autoren ein Agenten-basiertes Modell (Agent-Based Model, ABM), um die Evolution der PSC in einer Physikoberstufe über 60 Zeitschritte (repräsentativ für 60 Übungen) zu simulieren.

Agenten und Zustandsvariablen: Das Modell besteht aus $N=30$ $N = 30$ studentischen Agenten. Jeder Agent $i$ $i$ ist durch drei Zustandsvariablen charakterisiert:
1. Problemlösungskompetenz ( $C_i^t$ ): Die Fähigkeit, Physikaufgaben zu lösen, initialisiert mittels empirischer Verteilungen aus italienischen INVALSI-Bewertungsdaten ( $N(\mu=195.9, \sigma=1.28)$ ).
2. GenAI-Abhängigkeit ( $\alpha_i^t$ ): Ein Wert in $[0,1]$ , der die Abhängigkeit von KI repräsentiert, initialisiert bei 0,5.
3. Abhängigkeit von Peers ( $\tau_i^t$ ): Ein Wert in $[0,1]$ , der die Tendenz repräsentiert, Hilfe von Gleichaltrigen zu suchen, initialisiert bei 0,5.
Daten und Kalibrierung: Das Modell nutzt einen Datensatz von 60 Physikübungen, die den Lehrplan des italienischen wissenschaftlichen Lyzeums abdecken. Jede Übung ist mit drei Komponenten annotiert: mathematisches Wissen, physikalisches Denken und kognitive Problemlösungsfähigkeiten (CPSS). Entscheidend ist, dass das Modell die „Score-Lücke“ zwischen menschlichen Lösungen (oh ohne KI) und GenAI-Lösungen (unter Verwendung von OpenAI's GPT-5.5) quantifiziert. Die Daten zeigen, dass GenAI zwar Aufgaben lösen kann, aber im Vergleich zum menschlichen Problemlösen geringere Gewinne bei den CPSS erzielt.
Dynamik und Strategiewahl: In jedem Zeitschritt wählen Agenten eine Strategie basierend auf einer Sigmoid-Wahrscheinlichkeitsfunktion, die durch die Schwierigkeit der Übung, den aktuellen Kompetenzgewinn, die GenAI-Abhängigkeit und die Peer-Abhängigkeit beeinflusst wird.
- GenAI-Nutzung ( $S_i=1$ ): Agenten setzen voraus, dass die Aufgabe gelöst ist, aber die Kompetenz-Updates sind eingeschränkt. Sie gewinnen potenzielles mathematisches und physikalisches Wissen, erleben jedoch einen potenziellen Verlust oder Nullgewinn bei den CPSS, was kognitives Offloading widerspiegelt.
- Keine GenAI ( $S_i=0$ ): Agenten arbeiten entweder unabhängig oder kollaborieren mit einem Peer aus ihrem Netzwerk. Die Erfolgswahrscheinlichkeit ist auf 0,54 festgelegt (basierend auf nationalen Daten). Erfolgreiches unabhängiges Arbeiten führt zu vollen Kompetenzgewinnen. Die Zusammenarbeit mit Peers ermöglicht den Wissenstransfer: Wenn ein Peer kompetenter ist, wird die Kompetenz des Agenten auf einen Zufallswert zwischen dem eigenen und dem des Peers aktualisiert; wenn der Peer weniger kompetent ist, erfolgt kein zusätzliches Lernen.
Netzwerkstrukturen: Die Studie simuliert Interaktionen über vier verschiedene Netzwerktopologien hinweg, um die strukturelle Robustheit zu testen:
1. Erdős–Rényi (ER) Zufallsnetzwerke.
2. Watts–Strogatz (WS) Small-World-Netzwerke.
3. Stochastic Block Models (SBM), die Gemeinschaftsstrukturen repräsentieren.
4. Modifizierte SBMs, die Kompetenz-basierte Homophilie einbeziehen (wobei die anfänglichen Peer-Verbindungen auf Basis ähnlicher Kompetenzstufen gebildet werden).

Zentrale Ergebnisse
Die Simulationsergebnisse, die aus 1.000 unabhängigen Durchläufen pro Bedingung abgeleitet wurden, zeigen signifikante negative Auswirkungen des GenAI-Zugangs auf die kollektiven Kompetenzdynamiken auf:

Reduzierte durchschnittliche Kompetenz: Über alle Netzwerktopologien hinweg wiesen Klassenräume mit GenAI-Zugang konsistent eine langsamere Rate des Kompetenzerwerbs und eine niedrigere finale durchschnittliche PSC auf als Klassenräume ohne GenAI.
Gestoppte Aufwärtsmobilität: In Abwesenheit von GenAI bewegten sich Studierende progressiv in Richtung höherer Kompetenzstufen, wobei sich die Verteilung in den Kategorien „Hoch“ und „Sehr Hoch“ konzentrierte. Im Gegensatz dazu verursachte der GenAI-Zugang eine Stagnation, bei der ein signifikanter Teil der Studierenden in den Stufen „Mittel“, „Niedrig“ und „Sehr Niedrig“ verblieb.
Entstehung von Bimodalität: Die Einführung von GenAI transformierte die finale Kompetenzverteilung von einem relativ homogenen unimodalen Zustand in eine bimodale Verteilung. Die Gaussian Mixture Modeling zeigte, dass der GenAI-Zugang die Größe eines Niedrigkompetenz-Clusters von etwa 1–4 % (in No-AI-Szenarien) auf 8–12 % der Population erhöhte.
Stratifizierung nach Nutzungshäufigkeit: Die Analyse der Nutzungshäufigkeit ergab, dass Studierende mit der höchsten GenAI-Nutzungsfrequenz (75–100 % der Übungen) unverhältnismäßig stark in dem neu entstandenen Niedrigkompetenz-Peak konzentriert waren. Dies deutet darauf hin, dass eine starke Abhängigkeit von GenAI die Beherrschung von Problemlösungsfähigkeiten aktiv unterdrückt.
Interaktion mit Homophilie: In Netzwerken mit kompetenzbasierter Homophilie (modifiziertes SBM) schien der GenAI-Zugang die Stratifizierung zu verstärken, indem er die Wahrscheinlichkeit verringerte, dass Studierende über ihre ursprünglichen Kompetenzbereiche hinaus aufsteigen.

Bedeutung und Thesen
Das Paper behauptet, dass die pädagogischen Auswirkungen von GenAI nicht allein durch individuelle Lernergebnisse oder unmittelbare Aufgabenbewältigung bewertet werden können. Stattdessen zeigt die Studie, dass die Verfügbarkeit von GenAI die kollektiven Dynamiken der Kompetenzentwicklung innerhalb von Lerngemeinschaften grundlegend verändert.

Die Autoren argumentieren, dass GenAI zwar die Erledigung von Aufgaben erleichtern kann, deren Nutzung als Abkürzung jedoch zu einem kognitiven Offloading führen kann, das die Entwicklung autonomer Problemlösungsfähigkeiten schmälert. Dieser Effekt ist nicht gleichmäßig; er erzeugt eine Stratifizierung, bei der eine Teilgruppe von Studierenden zurückbleibt, was zu einem polarisierten Klassenzimmer führt, in dem eine signifikante Minderheit keine hohe Kompetenz erreicht. Die Studie kommt zu dem Schluss, dass die Risiken von GenAI über individuelle Defizite im kritischen Denken hinausgehen und die strukturelle Reorganisation von Kompetenzverteilungen in Klassenzimmern umfassen, was potenziell einen größeren Anteil der Studierenden in niedrigeren Kompetenzstufen verharren lässt, als dies in traditionellen Lernumgebungen der Fall wäre.