📈 economics

Curriculum design in the age of AI

Dieses Paper modelliert, wie die Verfügbarkeit von KI die optimale Lehrplangestaltung verändert, und zeigt auf, dass KI zwar das Lernen für hochqualifizierte Studierende beschleunigen kann, wenn sie die Anstrengung ergänzt, aber im Allgemeinen Lehrer dazu zwingt, Aufgabensequenzen zu verzerren, um den Lernaufwand der Studierenden zu stimulieren, was letztlich zu einer reduzierten allgemeinen Kompetenzentwicklung führt.

Ursprüngliche Autoren: Benjamin Davies

Veröffentlicht 2026-07-22

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Benjamin Davies

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

Stellen Sie sich vor, Sie versuchen, in etwas besser zu werden, wie zum Beispiel in einem Videospiel oder beim Lösen eines kniffligen Rätsels. Sie wissen, dass es zwei Möglichkeiten gibt, ein Level anzugehen: Entweder Sie „grinden“ sich selbst durch, kämpfen mit jedem Hindernis, oder Sie nutzen einen „Cheat-Code“, der das Rätsel sofort für Sie löst. In der Welt der Wirtschaft und der Bildung ist dies ein klassischer Kompromiss. Das „Grinden“ ist harte Arbeit, aber es baut Ihre Gehirnmuskeln (Fähigkeiten) für die Zukunft auf. Der „Cheat-Code“ ist einfach und liefert Ihnen sofort eine perfekte Punktzahl, aber er lässt Ihre Gehirnmuskeln schwach. Dieses Paper, geschrieben von dem Ökonomen Benjamin Davies, stellt eine für unsere Zeit brennende Frage: Wenn Schüler Zugang zu einem superintelligenten Cheat-Code (Künstliche Intelligenz) haben, wie sollten Lehrer ihre Hausaufgaben gestalten, um sicherzustellen, dass die Schüler dennoch stark werden?

Das Paper verwendet ein Modell, bei dem ein Schüler vor einer Abfolge von Aufgaben steht. Er kann entweder die Arbeit leisten (was Anstrengung kostet, aber Fähigkeiten aufbaut) oder sie an eine KI übergeben (was keine Anstrengung kostet, aber keine Fähigkeiten aufbaut). Die Aufgabe des Lehrers ist es, die Aufgaben in einer bestimmten Reihenfolge anzuordnen – ein „Curriculum“ –, um den Schüler dazu zu bringen, so viel Arbeit wie möglich zu leisten. Das Paper untersucht, was passiert, wenn der Lehrer versucht, den Drang des Schülers, den Cheat-Code zu nutzen, zu überlisten. Es stellt sich heraus, dass die Anwesenheit von KI die Lehrer dazu zwingt, das Spiel völlig neu zu gestalten: Manchmal führt dies dazu, dass frühe Hausaufgaben stärker auf bestimmte Arten des Denkens fokussiert sind, um die Schüler engagiert zu halten, und manchmal führt es dazu, dass KI hochqualifizierte Schüler tatsächlich schneller lernen lässt, während sie weniger qualifizierte Schüler benachteiligt.

Das Dilemma des Cheat-Codes

Stellen Sie sich die Ausbildung eines Schülers wie eine lange Videospiel-Kampagne vor. Die „Fähigkeiten“ sind die Stärke und Intelligenz Ihres Charakters, die nur wachsen, wenn Sie die Monster selbst bekämpfen. Die „Anstrengung“ ist die Energie, die Sie beim Schwertschwingen aufwenden. In dieser Geschichte ist die KI ein Zauberstab, der jeden Gegner sofort besiegen kann. Wenn Sie den Stab benutzen, erhalten Sie die Beute (die Note) ohne jegliche Anstrengung, aber Ihr Charakter wird nicht stärker.

Der Lehrer ist der Spieledesigner. Sein Ziel ist nicht nur, Ihnen eine hohe Punktzahl zu geben; sein Ziel ist es, sicherzustellen, dass Ihr Charakter am Ende des Spiels zu einem legendären Helden wird. Das Paper fragt: Wie sollte der Spieledesigner die Level anordnen, damit Sie sich entscheiden, das Schwert zu schwingen, anstatt den Zauberstab zu benutzen?

Die „No-Cheat“-Welt: Ein sanfter Aufstieg

Zuerst betrachtet das Paper eine Welt, in der der Cheat-Code nicht existiert (oder der Schüler sich weigert, ihn zu nutzen). In diesem „First-Best“-Szenario entwirft der Lehrer einen perfekten Pfad. Die frühen Level sind einfach, erfordern aber, dass Sie viel schwertschwingen (hohe „Anstrengungsintensität“). Während Sie stärker werden und Ihr Charakter ein Level aufsteigt, werden die späteren Level schwieriger. Sie erfordern, dass Sie herausfinden, wie man das Schwert schwingt, nicht nur, dass man blind zuschlägt (hohe „Kompetenzintensität“).

Die Logik ist simpel: Wenn Sie schwach sind, müssen Sie die Grundlagen üben. Wenn Sie stark sind, müssen Sie Strategie lernen. Das Paper beweist, dass ein Curriculum ohne KI mit schwerer körperlicher Arbeit beginnt und sich allmählich hin zu intellektuellen Rätseln verschiebt. Das ergibt Sinn, denn Ihre Kraft und Ihre Strategie arbeiten besser zusammen; je stärker Sie werden, desto effektiver wird Ihre Strategie.

Die „Cheat-Code“-Welt: Die Wendung

Nun führen wir die KI ein. Plötzlich hat der Schüler eine Wahl: „Schwinge ich mein Schwert oder winke ich einfach nur den Stab?“ Wenn der Stab eine perfekte Punktzahl mit null Anstrengung liefert, wird der Schüler ihn bei jedem einfachen Level winken. Wenn der Lehrer den „First-Best“-Plan beibehält (einfache Level zuerst), wird der Schüler einfach die KI nutzen, nichts lernen und der Plan des Lehrers wird scheitern.

Um dies zu korrigieren, muss der Lehrer das Curriculum „verzerren“. Dies ist die große Entdeckung des Papers. Um den Schüler daran zu hindern, in den frühen Levels den Stab zu schwenken, muss der Lehrer diese frühen Level so gestalten, dass sie mehr „Gehirnschmalz“ (Kompetenz) in einer spezifischen Weise erfordern. Er muss die frühen Aufgaben so gestalten, dass sie den Schüler dazu zwingen, die richtigen Methoden zur Lösung des Problems zu identifizieren, anstatt nur eine vorgegebene Methode anzuwenden. Dies zwingt den Schüler, die Regeln des Spiels zu verstehen, um das Level zu meistern, was die Nutzung der KI weniger effektiv macht, da die KI nicht einfach eine vorgegebene Routine ausführen kann; der Schüler muss zuerst herausfinden, was zu tun ist.

Das Paper zeigt, dass dies eine seltsame, U-förmige Kurve für die Hausaufgaben erzeugt:

Frühe Level: Der Lehrer gestaltet sie so, dass sie mehr strategisches Denken erfordern (hohe Kompetenzintensität), um den Schüler zu zwingen, den richtigen Ansatz zu identifizieren.
Mittlere Level: Während der Schüler klüger wird, lockert der Lehrer die Komplexität etwas auf und lässt den Schüler mehr „grinden“ (Anstrengung).
Späte Level: Soblich der Schüler ein Profi ist, kehrt der Lehrer zum ursprünglichen Plan zurück: komplexe Strategie-Rätsel, die der Schüler aus eigener Kraft lösen kann.

Das Ergebnis? Der Schüler lernt immer noch, aber er lernt weniger, als er es ohne die KI getan hätte. Der Lehrer musste das Spiel so sehr verbiegen, um den Schüler ehrlich zu halten, dass die gesamte Lernkurve abgeflacht wird.

Der „Zauberstab“ wird besser: Hohe vs. niedrige Fähigkeiten

Das Paper geht noch einen Schritt weiter. Was ist, wenn die KI sogar noch intelligenter wird? Speziell: Was, wenn die KI genutzt werden kann, um die eigentliche Arbeit (die Anstrengung) zu beschleunigen, sobald der Schüler die Strategie einmal erkannt hat? Das Paper findet eine überraschende Spaltung in der Art und Weise, wie sich dies auf die Schüler auswirkt.

Der hochqualifizierte Schüler: Wenn ein Schüler bereits ziemlich gut im Spiel ist, hilft ihm eine intelligentere KI tatsächlich, schneller zu lernen. Warum? Weil die KI die anstrengenden Teile der Arbeit (wie das Beweisen einer Reihe von Lemmata in einem mathematischen Problem) beschleunigen kann, sobald der Schüler seine Fähigkeit eingesetzt hat, um die Strategie zu identifizieren. Die KI wirkt hier als Booster für die Produktivität seiner Anstrengung, was es ihm ermöglicht, seine Fähigkeiten schneller zu entwickeln.
Der weniger qualifizierte Schüler: Wenn ein Schüler Schwierigkeiten hat, lässt ihn eine intelligentere KI langsamer lernen. Der „Super-Zauberstab“ ist einfach zu verlockend. Er nutzt ihn, um die harte Arbeit komplett zu überspringen, und weil er die Arbeit überspringt, entwickelt er nie die Fähigkeiten, die er braucht, um besser zu werden.

Dies deutet darauf hin, dass sich mit fortschreitender KI-Entwicklung die Kluft zwischen den „klugen“ Schülern und den „kämpfenden“ Schülern vergrößern könnte. Die Klugen nutzen das Werkzeug, um zu fliegen; die Kämpfenden nutzen das Werkzeug, um zu schweben, ohne jemals zu lernen, selbst zu fliegen.

Das Fazleit

Das Paper sagt nicht, dass KI schlecht oder gut ist; es sagt, dass KI die Regeln des Spiels verändert. Wenn Lehrer Hausaufgaben weiterhin so gestalten wie früher, werden Schüler die KI nutzen, um zu schummeln, und das Lernen wird aufhören. Um dem entgegenzuwirken, müssen Lehrer Hausaufgaben vielleicht stärker darauf ausrichten, den „Weg nachzuvollziehen“ und das „Warum“ zu verstehen, anstatt nur das richtige Ergebnis zu liefern.

Das Modell legt nahe, dass man, wenn man möchte, dass Schüler lernen, ihnen nicht einfach eine Liste von Aufgaben geben darf. Man muss die Schwierigkeit sorgfältig so gestalten, dass die Nutzung des „Cheat-Codes“ ein schlechtes Geschäft darstellt. Doch selbst bei bestem Design deutet das Paper darauf an, dass die Anwesenheit von KI es für alle schwieriger macht, ihr volles Potenzial auszuschöpfen, und dass sie den Unterschied zwischen einem Top-Schüler und einem kämpfenden Schüler noch dramatischer machen könnte. Es ist eine Erinnerung daran, dass in Zeiten der KI die Art und Weise, wie wir lehren, sich ebenso stark verändern muss wie die Art und Weise, wie wir lernen.

Technische Zusammenfassung: Curriculumsdesign im Zeitalter der KI

Problemstellung
Die Arbeit befasst sich mit der Herausforderung, Bildungscurricula in einem Umfeld zu gestalten, in dem Studierende Zugang zu Künstlicher Intelligenz (KI) haben, die in der Lage ist, Aufgaben zu delegieren. Während KI die Produktivität steigern kann, legen empirische Belege nahe, dass sie das Lernen hemmen kann, indem sie es den Studierenden ermöglicht, das „produktive Ringen“ (productive struggle) zu umgehen, das für den Kompetenzerwerb essenziell ist. Das Kernproblem ist eine Principal-Agent-Dynamik: Ein vorausschauender Lehrer (Principal) muss eine Sequenz von Aufgaben (Curriculum) entwerfen, um die Kompetenzentwicklung eines kurzsichtigen Studierenden (Agent) zu maximieren, wobei er weiß, dass der Studierende zwischen Arbeiten (was Kosten für Anstrengung verursacht, aber Kompetenz aufbaut) oder Delegieren an die KI (was keine Anstrengung verursacht, aber keinen Kompetenzzuwachs bringt) wählen kann. Der Lehrer muss die Schwierigkeit der Aufgaben abwägen, um Anstrengung zu incentivieren, während er gleichzeitig die Versuchung des Studierenden zur Delegation berücksichtigt.

Methodik
Der Autor entwickelt ein dynamisches Modell des „Learning-by-Doing“ mit endogenem Curriculumsdesign.

Akteure: Ein kurzsichtiger Student und ein Lehrer.
Aufgaben: Eine Sequenz $t \in \{0, \dots, T-1\}$ .
Produktion: Die Bearbeitung einer Aufgabe kombiniert Anstrengung ( $x$ ) und Kompetenz ( $s$ ), um einen Output zu erzeugen. Anstrengung ist kostspielig; Kompetenz ist kostenlos. Es handelt sich um komplementäre Inputs. Aufgaben sind durch die Anstrengungsintensität ( $\eta$ ) charakterisiert, wobei ein niedriges $\eta$ eine hohe Abhängigkeit von Kompetenz impliziert (Identifizierung von Methoden) und ein hohes $\eta$ eine hohe Abhängigkeit von Anstrengung (Anwendung vorgegebener Methoden).
Delegation: Der Student kann eine Aufgabe an die KI delegieren, wodurch er einen festen Ertrag $u$ bei null Anstrengung und null Kompetenzgewinn erhält.
Kompetenzakkumulation: Die Kompetenz steigt proportional zur aufgewendeten Anstrengung ( $\Delta s = r x$ ), falls der Student arbeitet; andernfalls bleibt die Kompetenz statisch.
Zielsetzung: Der Lehrer wählt die Sequenz der Anstrengungsintensitäten $(\eta_t)$ , um den gesamten Kompetenzgewinn des Studenten ( $s_T - s_0$ ) zu maximieren, unter Berliegt der Kompatibilitätsbedingung (Incentive Compatibility, IC) des Studenten: Der Student arbeitet nur dann, wenn der Ertrag aus der Arbeit den Ertrag aus der Delegation übersteigt.

Die Analyse erfolgt durch die Charakterisierung der Best-Response-Anstrengung und des Ertrags des Studenten und löst anschließend nach dem optimalen Curriculum des Lehrers unter zwei Szenarien auf: dem „First-Best“ (keine Delegationsbedrohung) und dem „Second-Best“ (Delegationsbedrohung). Schließlich wird das Modell um einen Parameter der „KI-Qualität“ ( $q$ ) erweitert, der die Anstrengung ergänzen kann (die Grenzproduktivität der Anstrengung erhöhen), während er gleichzeitig den Delegationsertrag erhöht.

Wesentliche Beiträge und Ergebnisse

1. First-Best Curriculum (Keine Delegationsbedrohung)
Wenn der Delegationsertrag null ist ( $u=0$ ), arbeitet der Student immer. Der Lehrer optimiert allein zur Maximierung der Anstrengung.

Ergebnis (Theorem 1): Das optimale Curriculum weist Aufgaben auf, die im Zeitverlauf schrittweise weniger anstrengungsintensiv und kompetenzintensiver werden.
Mechanismus: Frühe Aufgaben sind anstrengungsintensiv, um die Anstrengung zu fördern, wenn der Student wenig Kompetenz besitzt. Wenn der Student Kompetenz akkumuliert, wechselt der Lehrer zu kompetenzintensiven Aufgaben. Da Anstrengung und Kompetenz Komplemente sind, macht höhere Kompetenz die Anstrengung produktiver; daher reduziert der Lehrer die Anstrengungsintensität, um die Komplementarität auszunutzen und die maximale Anstrengung aus dem nun fähigeren Studenten zu extrahieren.

2. Second-Best Curriculum (Delegationsbedrohung)
Wenn $u > 0$ , kann der Student delegieren, falls der Ertrag aus der Arbeit unzureichend ist.

Ergebnis (Theorem 2): Der Lehrer muss das Curriculum verzerren, um die Anreizbedingungen zu erfüllen. Die optimale Sequenz zeigt zuerst steigende, dann sinkende Anstrengungsintensitäten.
Mechan Mechanismus: Bei frühen Aufgaben hat der Student geringe Kompetenz und einen geringen Ertrag aus der Arbeit, was die Delegation attraktiv macht. Um dies zu verhindern, muss der Lehrer die frühen Aufgaben kompetenzintensiver gestalten als im First-Best-Szenario (verzerrt $\eta$ nach unten), um den Ertrag des Studenten aus der Arbeit zu erhöhen. Sobald der Student Kompetenz gewinnt, lockert sich die Delegationsbedingung, und das Curriculum geht auf den First-Best-Pfad der sinkenden Anstrengungsintensität über.
Implikation: Die Anwesenheit von KI führt im Vergleich zum First-Best-Fall zu einer geringeren allgemeinen Kompetenzentwicklung, da der Lehrer das Aufgabendesign verzerren muss, um den Studenten engagiert zu halten.

3. Einfluss der Anfangskompetenz und der Parameter

Ergebnis (Theorem 3): Der gesamte Kompetenzgewinn steigt mit der Anfangskompetenz ( $s_0$ ), der Produktivität ( $\pi$ ) und der Akkumulationsrate der Kompetenz ( $r$ ), sinkt jedoch mit dem Delegationsertrag ( $u$ ).
Mechanismus: Dies bestätigt die Dynamik „Kompetenz bringt Kompetenz“. Höhere Anfangskompetenz reduziert die Versuchung der frühen Delegation, was ein Curriculum näher am First-Best ermöglicht, welches wiederum die Kompetenzakkumulation beschleunigt.

4. KI als Ergänzung zur Anstrengung
Das Modell wird erweitert, um zu erlauben, dass die KI-Qualität ( $q$ ) die Grenzproduktivität der Anstrengung erhöht (Komplementarität), während sie gleichzeitig den Delegationsertrag steigert.

Ergebnis (Theorem 4): Der Einfluss verbesserter KI-Qualität ist nicht-monoton und hängt vom Kompetenzniveau des Studenten ab.
- Hochkompetente Studenten: Mit steigendem $q$ gewinnen diese Studenten schneller an Kompetenz. Ihr Ertrag aus der Arbeit steigt schneller als ihr Delegationsertrag, was sie eher zur Arbeit motiviert. Der Lehrer reagiert darauf, indem er die Anstrengungsintensität erhöht, um deren Produktivität zu nutzen.
- Gering kompetente Studenten: Mit steigendem $q$ gewinnen diese Studenten langsamer an Kompetenz. Der Anstieg des Delegationsertrags dominiert den Anstieg der Grenzproduktivität der Anstrengung, was die Delegation attraktiver macht. Der Lehrer muss das Curriculum weiter verzerren (Reduzierung der Anstrengungsintensität), um die Arbeit zu incentivieren, was zu geringerer Anstrengung und langsamerer Kompetenzakkumulation führt.
Ergebnis (Abschnitt 5.3): Der Gesamteffekt der KI-Qualität auf den Kompetenzgewinn hängt von der Länge des Curriculums ( $T$ ) und der Akkumulationsrate ( $r$ ) ab. In kurzen Curricula kann der negative Effekt auf die frühen (gering kompetenten) Aufgaben dominieren. In langen Curricula kann der positive Effekt auf die späteren (hochkompetenten) Aufgaben dominieren, vorausgesetzt, der Student kann genügend Kompetenz akkumulieren, um die anfängliche Versuchung zur Delegation zu überwinden.

Bedeutung und Behauptungen
Die Arbeit beansprucht, einen theoretischen Rahmen zu bieten, um zu verstehen, wie sich das Bildungsdesign an die KI anpassen muss. Sie argumenttiert:

Curriculare Verzerrung ist notwendig: Um den KI-bedingten Kompetenzverlust zu verhindern, müssen Lehrer Aufgaben bewusst kompetenzintensiver gestalten (die Identifizierung von Methoden fordern), als dies in einer KI-freien Umgebung der Fall wäre. Dies deckt sich mit empirischen Vorschlägen, von Studierenden zu verlangen, ihren „Prozess zu dokumentieren“ und „Verständnis zu demonstrieren“.
Divergierende Auswirkungen: Verbesserungen der KI-Qualität kommen dem Lernen nicht einheitlich zugute oder schaden ihm nicht gleichermaßen. Sie erzeugen eine Divergenz, bei der hochkompetente Studenten ihr Lernen beschleunigen, während gering kompetente Studenten aufgrund der erhöhten Versuchung zur Delegation weiter zurückfallen können.
Dynamische Komplementaritäten: Das Modell unterstreicht die Bedeutung früher Investitionen in die Kompetenz. Da Kompetenz Kompetenz nach sich zieht, ist die Vermeidung früher Delegation entscheidend für die langfristige Entwicklung.
Breitere Anwendbarkeit: Obwohl auf die Bildung fokussiert, lässt sich die Logik des Modells bezüglich Delegation und Anreizgestaltung auf andere Kontexte übertragen, wie etwa das industrielle Offshoring (wo Regierungen die heimische Produktion fördern könnten, um Humankapital aufzubauen) oder akademische Integrität (Abschreiben von Kommilitonen).

Die Arbeit schließt bescheiden mit dem Hinweis, dass ihre Annahmen (z. B. myope Studenten, Optimierung eines einzelnen Studenten) in zukünftiger Forschung gelockert werden könnten, um komplexere reale Szenarien zu adressieren, wie etwa das Design von Curricula für heterogene Studentengruppen.