Scaffolded and Unscaffolded Generative AI Use in Mathematics Teacher Education: Effects on Pre-Service Teachers’ Instructional Design Competence

Stellen Sie sich ein Klassenzimmer vor, in dem der Lehrer nicht nur eine Person ist, sondern ein leistungsstarkes Computerprogramm, das in Sekundenschnelle Unterrichtspläne schreiben, Matheaufgaben erstellen und komplexe Ideen erklären kann. Dies ist das Versprechen der generativen künstlichen Intelligenz, einer Technologie, die in Schulen und Universitäten rasant Einzug gehalten hat. Aber es gibt einen Haken. Wenn ein Schüler einfach den Computer nach einer Antwort fragt und diese ohne Hinterfragen akzeptiert, lernt er vielleicht, sich auf die Maschine zu verlassen, anstatt seine eigene Fähigkeit zu entwickeln, zu denken, zu planen und Probleme zu lösen. Dies ist das zentrale Spannungsfeld, vor dem die Lehrerbildung heute steht: wie man diese intelligenten Werkzeuge nutzt, um angehende Lehrer beim Lernen zu unterstützen, ohne dass die Werkzeuge das Denken übernehmen. Der Schlüssel zur Lösung dieses Rätsels liegt in einem Konzept namens Scaffolding (Gerüstbau). In der Erziehungswissenschaft ist Scaffolding wie die temporären Stützstreben, die beim Bau eines Hauses verwendet werden; sie halten die Struktur aufrecht, während die Erbauer ihr Handwerk lernen, und werden entfernt, sobald das Gebäude stark genug ist, um von selbst zu stehen. Die Frage, die Forscher stellten, war, ob die Gabe dieser Art von strukturierter Anleitung an angehende Mathematiklehrer, während sie künstliche Intelligenz nutzten, sie zu besseren Lehrern machen würde, als wenn sie es allein herausfinden müssten.

Ein Forschungsteam in Ghana setzte sich zum Ziel, diese Frage zu beantworten, indem es mit sechsundsiebzig angehenden Mathematiklehrern arbeitete. Diese Studenten waren in einem Kurs eingeschrieben, der dem Erlernen des Entwerfens von Mathematikstunden gewidmet war – eine kritische Fähigkeit für jeden Pädagogen. Die Forscher teilten die Klasse in zwei Gruppen auf. Eine Gruppe nutzte das Werkzeug der künstlichen Intelligenz ohne besondere Anweisungen; ihnen wurde gesagt, die Technologie zu nutzen, um bei der Planung ihrer Stunden zu helfen, aber sie mussten selbst herausfinden, wie sie die richtigen Fragen stellen und die Antworten überprüfen. Die andere Gruppe nutzte dieselbe Technologie, erhielt jedoch eine spezifische Reihe von Unterstützungen. Diese Unterstützungen umfassten Beispiele dafür, wie man gute Fragen an den Computer stellt, Checklisten zur Überprüfung der Arbeit des Computers und geführte Fragen, die sie dazu zwangen, darüber nachzudenken, ob der Unterrichtsentwurf für ihre Schüler sinnvoll war. Das Ziel war zu sehen, ob diese zusätzliche Anleitung die Qualität des Entwerfens einer Unterrichtsstunde, ihre Bereitschaft zur Nutzung von Technologie, ihre Fähigkeit zur Selbststeuerung des Lernens und ihre Fähigkeit zur kritischen Bewertung der vom Computer gelieferten Informationen veränderte.

Nach vierzehn Wochen der Arbeit an Unterrichtsplänen waren die Ergebnisse eindeutig. Die Studenten, die die strukturierte Anleitung erhielten, schnitten signifikant besser ab als diejenigen, die ohne sie arbeiteten. Als die Forscher die fertigen Unterrichtspläne der Studenten betrachteten, hatten die Studenten der Gruppe mit den Unterstützungen effektivere und durchdachtere Stunden entworfen. Sie waren besser darin, das Material zu organisieren, die richtigen Aktivitäten auszuwählen und Wege zu schaffen, um zu testen, ob die Schüler die Mathematik verstanden hatten. Die Gruppe ohne die Unterstützungen produzierte Pläne, die oft überhastet waren oder eine starke Überarbeitung erforderten, weil sie die Ausgabe des Computers zu schnell akzeptiert hatten. Die geführte Gruppe erzielte auch höhere Werte bei den Maßen ihrer zukünftigen Bereitschaft zur Nutzung von Technologie. Sie fühlten sich sicherer in ihrer Fähigkeit, mit dem Computer zu kommunizieren, seine Grenzen zu verstehen und ihn verantwortungsbewusst einzusetzen. Sie ließen sich weniger leicht von Fehlern oder voreingenommenen Informationen täuschen, die von der Software generiert wurden.

Die Studie zeigte auch, dass die geführten Studenten lernten, besser zu lernen. Sie zeigten eine viel stärkere Fähigkeit, ihren eigenen Lernprozess zu regulieren. Anstatt nur eine Anfrage einzutippen und auf ein Ergebnis zu warten, hielten sie inne, um ihren Ansatz zu planen, überwachten die Ausgabe des Computers während des Prozesses und bewerteten, ob die Vorschläge ihren Zielen entsprachen. Sie behandelten den Computer als einen Partner, den man hinterfragen muss, statt als eine Maschine, der man gehorchen muss. Dieses kritische Denken war der deutlichste Unterschied zwischen den beiden Gruppen. Die Studenten mit den Unterstützungen fragten sich ständig selbst, ob die Unterrichtsideen korrekt und angemessen für echte Kinder waren. Sie überprüften die Mathematik, verglichen die Vorschläge mit ihren Lehrbüchern und überarbeiteten die Pläne, wenn der Computer einen Fehler machte. Die Studenten ohne die Unterstützungen akzeptierten oft die erste Antwort, die sie erhielten, selbst wenn diese fehlerhaft war, weil ihnen die Werkzeuge zur Verifizierung fehlten.

Als die Forscher eine kleinere Gruppe von Studenten interviewten, um deren Erfahrungen zu verstehen, wurde das Muster noch deutlicher. Die Studenten, die die Unterstützungen erhalten hatten, beschrieben einen Prozess des tiefen Denkens. Sie erklärten, dass die Checklisten und die geführten Fragen sie dazu zwangen, langsamer zu werden und das „Warum“ hinter jeder Aktivität in ihrer Stunde zu berücksichtigen. Sie erkannten, dass die Qualität der Unterrichtsstunde von ihren eigenen Entscheidungen abhing, nicht nur vom Output des Computers. Im Gegensatz dazu gaben die Studenten ohne die Unterstützungen zu, dass sie sich oft verloren oder unsicher fühlten, wenn der Computer eine seltsame Antwort gab. Sie neigten dazu, einen neuen Chat zu beginnen, anstatt ihre ursprüngliche Frage zu korrigieren, und sie priorisierten häufig Geschwindigkeit vor Genauigkeit. Sie hatten das Gefühl, dass der Computer die Arbeit für sie erledigte, was dazu führte, dass sie sich weniger vorbereitet fühlten, eigenständig zu unterrichten.

Die Ergebnisse legen nahe, dass es nicht ausreicht, angehenden Lehrern einfach ein leistungsstarkes Werkzeug der künstlichen Intelligenz in die Hand zu drücken, um sie zu besseren Pädagogen zu machen. Das Werkzeug ist nur so gut wie die Anleitung, die es umgibt. Wenn die Forscher einen Rahmen bereitstellten, der Planung, Überprüfung und Reflexion förderte, nutzten die Studenten die Technologie, um ihre beruflichen Fähigkeiten zu schärfen. Sie lernten, bessere Unterrichtsstunden zu gestalten, Informationen kritisch zu hinterfragen und die Kontrolle über ihren eigenen Lernprozess zu übernehmen. Ohne diesen Rahmen riskierte die Technologie, zu einer Krücke zu werden, die verhinderte, dass sie das eigenständige Urteilsvermögen entwickelten, das sie in einem echten Klassenzimmer benötigen würden. Die Studie kommt zu dem Schluss, dass künstliche Intelligenz, um der nächsten Generation von Lehrern wirklich helfen zu können, mit einer intentionellen Unterstützung eingesetzt werden muss, die den Studenten lehrt, wie man denkt, und nicht nur, wie man fragt.