Dieser Beitrag geht auf einen rund zehnminütigen Lightning Talk zurück, den ich beim HackathOERn im Rahmen des edu-sharing-Sommercamps vom 24. bis 26. August 2026 in Weimar gehalten habe. Der Vortrag trug den Titel „In den Grundfesten erschüttert. Eine bildungswissenschaftliche Perspektive auf generative KI“.
Die folgenden Überlegungen verschriftlichen diesen Impuls und führen ihn etwas weiter. Sie sind bewusst zugespitzt. Ihr Ziel ist nicht, die Debatte über generative KI mit schnellen Antworten, Checklisten oder Handlungsempfehlungen zu versorgen. Vielmehr sollen sie den Finger in die Wunde legen: auf Voraussetzungen, Wertentscheidungen und blinde Flecken, die leicht aus dem Blick geraten, wenn KI vor allem als Frage der technischen Umsetzung, des effizienten Arbeitens oder der rechtssicheren Nutzung diskutiert wird.
Die sieben Thesen dieses Textes sind deshalb keine abschließenden Urteile. Sie sind Einladungen zum Widerspruch und zur Präzisierung. Jede These verbindet eine Behauptung mit einer weiterführenden Frage: Welche Vorstellung von Bildung liegt unseren Vorgehensweisen zugrunde? Wann wird verfügbare Information zu Wissen? Welche Werte verschwinden in Kennzahlen und Scores? Welche Maßstäbe verändert KI bei ihren Nutzer:innen?
Der Text bietet darauf keine fixen Antworten. Er möchte stattdessen Fragen bereitstellen, an denen Lehrende, Entwickler:innen, Bildungsadministrationen und andere Akteur:innen im Bildungsbereich ihre eigenen Positionen, Systeme und Routinen schärfen können.
These 1: Generative KI ist nie nur eine Frage der technischen Umsetzung
Wenn über generative KI im Bildungsbereich gesprochen wird, beginnt die Debatte oft bei der Umsetzung: Welches Tool nutzen wir? Welches Sprachmodell wird eingesetzt? Welche Daten dürfen eingegeben werden? Welche Prompts funktionieren? Wo braucht es Fortbildungen, Handreichungen oder Regeln für Prüfungen? All das sind notwendige Fragen. Aber sie sind nicht die ersten Fragen.
Denn keine technische Entscheidung ist bloß technisch. Wer ein KI-System für die Unterrichtsvorbereitung, Feedback, Bewertung oder Recherche einführt, entscheidet damit immer auch über Rollen und Zuständigkeiten: Wer formuliert? Wer prüft? Wer trägt Verantwortung? Was gilt als eigenständige Leistung? Welche Art von Rückmeldung ist pädagogisch wünschenswert? Und was wird als effiziente, gute oder gelungene Bildungspraxis verstanden?
Ein Beispiel: Wenn generative KI eingesetzt wird, um Feedback schneller zu erzeugen, kann dies als Entlastung erscheinen. Zugleich wird damit eine bestimmte Vorstellung von Rückmeldung praktisch: Feedback wird als schnell produzierbares, individualisierbares Textprodukt verstanden. Aber ist das bereits seine pädagogisch relevante Wirkung? Oder braucht Rückmeldung auch Gespräch, Irritation, die gemeinsame Aushandlung von Kriterien und Zeit für Verarbeitung?
Die technische Lösung beantwortet diese Fragen nicht. Sie setzt häufig stillschweigend bereits eine Antwort voraus. Das gilt ebenso für KI-gestützte OER-Infrastrukturen. Ein System, das Ressourcen nach „Qualität“ bewertet oder empfiehlt, implementiert nicht nur eine Suchfunktion. Es übersetzt Vorstellungen von Qualität in Kategorien, Datenmodelle und Rankings. Was als gute Ressource zählt, etwa curriculare Passung, fachliche Korrektheit, Offenheit, Barrierearmut, Gestaltung oder Nutzungshäufigkeit, ist keine neutrale technische Feststellung. Es ist eine bildungsbezogene Entscheidung.
Die entscheidende Frage lautet daher nicht allein: Wie setzen wir KI ein? Sie lautet: Welche Bildung realisieren wir, wenn wir diese Prozesse mit KI organisieren? Diese Frage bildet auch den Ausgangspunkt meines Beitrags zur Lehrkräftebildung unter Bedingungen generativer KI (Kostrzewa, 2026, im Erscheinen).
Daher lautet meine Frage: Welche normativen Vorstellungen von Bildung liegen hinter unseren Vorgehensweisen?
These 2: Verfügbarkeit von Informationen ist kein Wissen
Generative KI macht Informationen in einer bislang ungekannten Form verfügbar. Innerhalb weniger Sekunden entstehen Erklärungen, Übersichten, Beispiele, Gliederungen, Übersetzungen, Unterrichtsentwürfe oder Zusammenfassungen. Das kann hilfreich sein. Es verführt aber zu einer alten, pädagogisch problematischen Gleichsetzung: Wenn Informationen verfügbar sind, so die implizite Annahme, sei Wissen verfügbar. Und wenn Wissen verfügbar sei, müsse Bildung „nur“ noch effizient organisiert werden. Doch Informationen sind kein Wissen.
Gerhard Roth formuliert dies zugespitzt: Wissen könne nicht übertragen werden, sondern müsse von jedem lernenden Gehirn neu geschaffen werden. Lernen ist in dieser Perspektive kein Abruf- oder Übertragungsprozess, sondern aktive Verarbeitung und Konstruktion von Bedeutung. Informationen werden erst dann zu Wissen, wenn sie mit Vorwissen verbunden, in einen Bedeutungskontext eingeordnet, geprüft und für eigene Urteile verfügbar gemacht werden (Roth, 2004).
Damit wird deutlich, warum die Debatte über Halluzinationen zu kurz greift. Natürlich ist es problematisch, wenn generative KI falsche oder erfundene Angaben produziert. Aber selbst eine korrekte KI-Antwort ist noch kein Beleg dafür, dass die KI etwas weiß.
Eine KI kann die Ursachen der Französischen Revolution erläutern, eine Studie zusammenfassen oder eine Musterlösung zu einer mathematischen Aufgabe erstellen. Lernende können diese Informationen lesen, übernehmen oder in eine Abgabe einfügen. Ob sie historische Deutungen gegeneinander abwägen, die Studie kritisch beurteilen oder ein mathematisches Prinzip auf ein neues Problem übertragen können, bleibt damit offen.
Die pädagogische Frage lautet deshalb nicht nur: „Wie stellen wir sicher, dass die KI richtige Informationen liefert?“ Sie lautet auch: Welche Lerngelegenheiten schaffen wir, damit Informationen zu begründetem Wissen werden können?
Dazu gehören Irritation und Widerstand. Dazu gehören Gespräche, Gegenperspektiven, Quellenkritik und eigene Erprobung. Gerade weil generative KI Informationen sprachlich glatt, plausibel und unmittelbar anbietet, gewinnt diese Differenz an Gewicht.
Für Lehrende verschiebt sich damit die Aufgabe: Sie besteht nicht allein darin, Informationszugänge bereitzustellen oder KI-Antworten auf Richtigkeit zu prüfen. Es geht darum, Lernräume zu gestalten, in denen Lernende Informationen deuten, prüfen, mit anderen Perspektiven konfrontieren und zu eigenen Urteilen verdichten können. Lehren kann Wissen nicht direkt übertragen, wohl aber Bedingungen schaffen, unter denen sich Wissen bilden kann (Roth, 2004).
Daher lautet meine Frage: Welche Welt- und Wertorientierung, Kritik und Urteil ermöglichen die Systeme und Informationen, mit denen wir arbeiten?
These 3: Generative KI trifft keine objektiven Entscheidungen
Der Satz, ein KI-System entscheide „objektiv“, ist verführerisch. Er verspricht, menschliche Willkür durch Daten, Modelle und berechenbare Kriterien zu ersetzen. Gerade im Bildungsbereich kann das attraktiv wirken: KI soll Ressourcen bewerten, Lernstände erkennen, passende Aufgaben empfehlen oder Feedback individualisieren.
Doch bevor ein System eine Empfehlung, eine Prognose oder einen Score ausgibt, sind bereits viele Entscheidungen getroffen worden. Welche Daten fließen ein? Welche Kategorien werden verwendet? Welche Kriterien gelten als relevant? Wie werden sie gewichtet? Was wird als Erfolg, Qualität oder Passung definiert? Und was wird nicht erfasst, weil es schwer messbar, zu kontextabhängig oder nicht in Datenform verfügbar ist?
C. Thi Nguyen beschreibt eine solche Verschiebung als Problem von Scoring-Systemen. Komplexe Wertfragen werden in Metriken überführt; am Ende steht eine Zahl, die scheinbar neutral und eindeutig wirkt. Der Prozess verdeckt jedoch, dass zuvor Entscheidungen darüber getroffen wurden, was überhaupt zählt. Nguyen beschreibt diese Verwandlung wertgebundener Urteile in scheinbar objektive Ergebnisse als „objectivity laundering“ (Nguyen, 2026).
Das wird am Beispiel von OER besonders deutlich. Was macht eine offene Bildungsressource „gut“? Fachliche Korrektheit? Eine freie Lizenz? Editierbarkeit? Barrierearmut? Ein ansprechendes Design? Curriculare Anschlussfähigkeit? Erprobung in einer bestimmten Lerngruppe? Eine Ressource kann in einem Kontext sehr gut geeignet und in einem anderen ungeeignet sein. Ein einzelner Score kann diese Spannungen nicht auflösen. Er kann sie allenfalls verdecken.
Das Problem besteht nicht darin, Kriterien zu formulieren oder Daten auszuwerten. Bildungspraktiken brauchen Kriterien; auch Lehrende treffen fortlaufend Qualitätsurteile. Problematisch wird es, wenn ein System seine Kriterien als bloßen Befund ausgibt und damit die Möglichkeit schwächt, über sie zu streiten.
Die Frage ist also nicht, ob KI-gestützte Bewertungen erlaubt sind. Sie lautet: Wer kann nachvollziehen, welche Werte zu Kriterien werden? Wer kann Gewichtungen kritisieren? Und welche Erfahrungen, Perspektiven oder Qualitätsdimensionen verschwinden, weil sie nicht in den Score passen?
Daher lautet meine Frage: Welche Werte werden zu messbaren Qualitätskriterien? Und welche verschwinden dabei?
These 4: Der „Human in the Loop“ schützt nicht vor dem KI-Loop
„Human in the loop“ klingt nach einer beruhigenden Antwort auf die Risiken automatisierter Entscheidungen. Der Mensch bleibt beteiligt, kontrolliert die Ausgabe und behält die Verantwortung. Das ist wichtig. Aber es reicht nicht aus, wenn die Urteilsmaßstäbe der beteiligten Menschen selbst durch die KI-Ausgaben geprägt werden.
Glickman und Sharot untersuchten in einer Serie von Experimenten, wie wiederholte Interaktionen mit KI menschliche Wahrnehmungs-, emotionale und soziale Urteile beeinflussen können. Ihr Befund: Wenn ein KI-System aus leicht verzerrten menschlichen Urteilen lernt, kann es diese Verzerrungen verstärken. Werden Menschen wiederholt mit den entsprechend verzerrten KI-Urteilen konfrontiert, verschieben sich ihre späteren eigenen Urteile in dieselbe Richtung (Glickman & Sharot, 2025).
Für Bildungsinfrastrukturen ist dieser Befund besonders relevant, auch wenn die Studie kein OER-Portal untersucht. Man stelle sich vor, dass menschliche Bewertungen von Bildungsressourcen in KI-gestützte Empfehlungen eingehen. Ressourcen, die der Score hoch einstuft, werden häufiger angezeigt, häufiger genutzt und dadurch häufiger bewertet. Diese neuen Bewertungen fließen wiederum in die Datengrundlage des Systems ein.
Es entsteht eine Schleife:
Menschliche Bewertungen → KI-Score → Sichtbarkeit und Nutzung → neue Bewertungen → Menschliche Bewertungen
Eine hohe Platzierung erscheint dann zunehmend als empirischer Nachweis für Qualität. Sie kann aber zumindest teilweise Ergebnis der eigenen Plattformlogik sein: Was sichtbar gemacht wird, erhält mehr Gelegenheit, positiv bewertet zu werden. Neue, lokale, mehrsprachige, experimentelle oder selten genutzte Ressourcen erhalten diese Gelegenheit deutlich seltener.
Der Mensch bleibt in diesem Prozess zwar „im Loop“. Doch die entscheidende Frage lautet: Bleibt sein Urteil unabhängig genug, um den Vorschlag des Systems tatsächlich zu prüfen? Oder bestätigt er zunehmend nur noch jene Qualitätsvorstellung, die das System sichtbar und plausibel gemacht hat?
Die Studie von Glickman und Sharot legt nahe, dass technische Kontrollmechanismen allein nicht genügen. Notwendig sind auch Gegenperspektiven, unabhängige Evaluationen, transparente Kriterien und Räume für begründeten Widerspruch. Human in the loop darf nicht bedeuten, dass Menschen bloß die letzte Bestätigung für Entscheidungen liefern, deren Maßstäbe sie zuvor bereits vom System übernommen haben.
Daher lautet meine Frage: Wie verschiebt generative KI unsere menschlichen Maßstäbe und wie vermeiden wir Rückkopplungseffekte?
These 5: Das Versprechen der Zeitersparnis muss verworfen werden
Kaum ein Versprechen begleitet generative KI so zuverlässig wie das der Zeitersparnis. Unterrichtsentwürfe, Feedback, E-Mails, Zusammenfassungen, Prüfungsaufgaben oder Lernmaterialien lassen sich schneller erstellen. Das kann zweifellos entlasten. Dennoch ist „Zeitersparnis“ keine hinreichende Beschreibung dessen, was geschieht.
Ruth Schwartz Cowan hat in More Work for Mother gezeigt, dass Technologien, die als arbeitssparend gelten, Arbeit nicht einfach verschwinden lassen. Sie können Tätigkeiten verlagern, Standards anheben und neue Zuständigkeiten erzeugen. Historisch verband sich Haushaltstechnik nicht automatisch mit weniger Hausarbeit; sie trug vielmehr dazu bei, Aufgaben und Verantwortung neu zu verteilen (Cowan, 1983).
Den Hinweis auf Ruth Schwartz Cowans More Work for Mother verdanke ich Axel Krommer. Seine Einordnung der KI-Entlastungsversprechen und den Hinweis auf Cowans Buch, hat mich darauf gebracht, Cowans historische Analyse als Denkfolie für generative KI im Bildungsbereich zu lesen.
Die historische Situation lässt sich nicht einfach auf KI übertragen. Aber die Denkfigur ist aufschlussreich. Wenn ein KI-System schnell einen Unterrichtsentwurf generiert, ist die Arbeit nicht beendet. Jemand muss den Entwurf prüfen, fachlich korrigieren, auf die konkrete Lerngruppe beziehen, Materialien auswählen, Quellen überprüfen, Rechte und Datenschutz beachten und Verantwortung für die pädagogische Entscheidung übernehmen.
Hinzu kommen neue Erwartungen. Wenn ein Tool individualisiertes Feedback in Sekunden erzeugen kann, kann daraus rasch die Erwartung entstehen, Feedback müsse stets individuell, sofort und in großer Menge verfügbar sein. Was zunächst als Entlastung beginnt, kann den Takt von Arbeit erhöhen und die Messlatte für Verfügbarkeit verschieben.
Die Frage lautet deshalb nicht: „Wie viele Minuten spart das Tool?“ Sie lautet: Welche Arbeit verschwindet, welche entsteht neu und bei wem landet sie? Besonders im Bildungskontext betrifft das nicht nur Lehrende. Auch Lernende, IT-Support, Datenschutzbeauftragte, Bibliotheken, Medienzentren und Administrationen tragen unterschiedliche Teile dieser neuen Arbeit.
Das Versprechen der Zeitersparnis sollte daher nicht als falsche Tatsachenbehauptung verworfen werden. KI kann Zeit in einzelnen Arbeitsschritten sparen. Verworfenen werden sollte vielmehr die Vorstellung, diese Bilanz sei ausreichend. Pädagogisch relevant ist nicht nur die Dauer einer Tätigkeit, sondern auch, welche neuen Qualitätsanforderungen, Kontrollaufgaben und Verantwortlichkeiten mit der Beschleunigung entstehen.
Daher lautet meine Frage: Welche Arbeit entsteht neu, für wen, unter welchen Erwartungen und mit welcher Verantwortung?
These 6: Wo KI Panik auslöst, herrscht meist Outputorientierung
Generative KI hat viele Debatten über Hausarbeiten, Prüfungen und Täuschung ausgelöst. Wenn ein Text, eine Präsentation, eine Programmierlösung oder ein Unterrichtsentwurf von einer KI erzeugt werden kann: Wie lässt sich dann noch feststellen, was eine Person selbst geleistet hat?
Diese Sorge ist nachvollziehbar. Sie verweist aber auf eine tieferliegende Frage: Warum bedroht uns KI gerade an dieser Stelle so stark?
Nicolaus Wilder argumentiert, dass die besondere Irritation generativer KI mit einem Bildungsverständnis zusammenhängt, das Bildung vor allem über reproduzierbare und bewertbare Produkte erfasst. Wo ein sichtbarer Output, etwa eine korrekte Lösung, ein Text oder eine Präsentation – als zentraler Nachweis von Leistung gilt, kann KI dieses Produkt scheinbar ohne den erwarteten Lernprozess erzeugen (Wilder, 2023).
Hier hilft die Unterscheidung zwischen Output und Outcome. Outputs sind sichtbare Produkte oder unmittelbare Ergebnisse: ein Text, ein Arbeitsblatt, ein Abschluss, eine Präsentation, eine Zahl in einem Test. Outcomes bezeichnen dagegen die Wirkungen, die sich aus Bildungsprozessen ergeben können: Veränderungen in Fähigkeiten, Orientierungen, Haltungen, Verstehen oder Teilhabe. Die OECD unterscheidet entsprechend zwischen Outputs von Bildungssystemen und Outcomes als Veränderungen beziehungsweise Nutzen, die aus Lernen folgen (OECD, 2008).
Ein gut formulierter Text kann ein Output sein. Er ist aber nicht automatisch ein Nachweis dafür, dass eine Person ein Problem verstanden, eine Position geprüft, einen Zusammenhang beurteilt oder eine begründete Entscheidung getroffen hat. Umgekehrt kann ein Lernprozess bildungswirksam sein, auch wenn sein sichtbares Produkt unvollständig, widersprüchlich oder sprachlich weniger elegant ausfällt.
Das bedeutet nicht, dass Outputs unwichtig wären. Sie sind oft notwendige Anlässe, Spuren und Gegenstände von Rückmeldung. Problematisch wird es erst, wenn sie mit Bildung selbst verwechselt werden.
Wenn KI den Output erzeugen kann, verschärft sich deshalb die Frage nach dem Outcome: Welche Wirkung soll Bildung haben? Soll sie vor allem dazu führen, dass Menschen erwartbare Produkte effizient herstellen? Oder soll sie ihnen ermöglichen, Informationen einzuordnen, Perspektiven zu wechseln, begründete Urteile zu bilden, Verantwortung zu übernehmen und sich zur Welt zu verhalten?
Die Aufgabe besteht dann nicht nur darin, KI-Output zu erkennen oder Prüfungen technisch abzusichern. Sie besteht darin, Lern- und Prüfungsformen so zu gestalten, dass die bildungsrelevanten Prozesse, Urteile und Auseinandersetzungen sichtbar und besprechbar werden.
Daher lautet meine Frage: Welche Wirkung soll Bildung haben, wenn KI den Output erzeugt?
These 7: Bildung braucht Weltbeziehung, nicht Weltverfügbarkeit
Die bisherigen Thesen führen zu einer Grundfrage: Wozu Bildung, wenn Informationen, Texte, Bilder und Lösungsvorschläge jederzeit technisch verfügbar sind?
Eine mögliche Antwort liegt nicht in einem nostalgischen Rückzug zu einer Bildung ohne Technik. Sie liegt in der Frage nach der Qualität von Weltbeziehungen unter veränderten technischen Bedingungen.
Bei Wilhelm von Humboldt wird Bildung als Verhältnis gedacht: Der Mensch bildet sich, indem er sich mit der Welt auseinandersetzt und dabei seine Kräfte entwickelt. Bildung ist in diesem Sinn nicht die Ansammlung verfügbarer Inhalte, sondern eine tätige, urteilsfähige Beziehung zwischen Ich und Welt (Humboldt, 1793/1960).
Hartmut Rosa fasst Weltbeziehung mit dem Begriff der Resonanz. Resonanz beschreibt kein vollständiges Verfügen über Welt. Sie setzt voraus, dass Welt als etwas erfahren wird, das antworten, berühren und auch widersprechen kann. Gerade deshalb steht Resonanz quer zu einer Logik, die Welt vor allem verfügbar, kontrollierbar und berechenbar machen möchte (Rosa, 2016).
Generative KI erweitert Möglichkeiten der Verfügbarkeit erheblich. Sie liefert auf Nachfrage Formulierungen, Bilder, Zusammenfassungen, Einordnungen und Vorschläge. Diese Verfügbarkeit ist nicht per se ein Problem. Sie wird aber dann bildungstheoretisch problematisch, wenn sie den Eindruck erzeugt, Welt sei nur noch das, was sich als Antwort, Empfehlung oder generierter Output bereitstellen lässt.
Zugleich sind diese Beziehungen nicht mehr unabhängig von digitalen Infrastrukturen zu denken. Felix Stalder beschreibt die Kultur der Digitalität über Referentialität, Gemeinschaftlichkeit und Algorithmizität. Algorithmizität meint dabei nicht allein technische Automatisierung, sondern die wachsende Bedeutung von Verfahren, die auswählen, sortieren, priorisieren und damit Bedingungen der Wahrnehmung und Bedeutungserzeugung mitgestalten (Stalder, 2016).
Lehrkräftebildung und Bildungspraxis stehen damit vor einer doppelten Aufgabe. Sie müssen generative KI in ihren Möglichkeiten und Grenzen verstehen. Zugleich müssen sie Räume schaffen, in denen Menschen die algorithmisch mitstrukturierten Vorschläge, Bewertungen und Sichtbarkeiten prüfen, einordnen und kritisieren können.
Vielleicht ist das eine angemessene bildungswissenschaftliche Perspektive auf generative KI: Nicht die Frage, wie Menschen möglichst reibungslos mit KI arbeiten. Sondern die Frage, wie sie urteilsfähig bleiben oder werden können, wenn KI ihre Informationsräume, Arbeitsprozesse und Weltdeutungen zunehmend mitordnet.
Daher lautet meine Frage: Wie entwickeln wir Urteilskraft unter Bedingungen von Resonanz und Algorithmizität?
Generative KI verlangt nach Regeln, Kompetenzentwicklung, technischen Infrastrukturen und praktikablen Entscheidungen. Keine dieser Aufgaben wird dadurch geringer, dass ihre normative Dimension sichtbar gemacht wird.
Aber die Debatte wird zu eng, wenn sie bei Tools, Prompts, Zeitersparnis oder Outputkontrolle stehen bleibt. Dann droht aus dem Blick zu geraten, dass jede KI-Anwendung auch Vorstellungen von Wissen, Qualität, Arbeit, Leistung und Weltbeziehung mittransportiert.
Die sieben Thesen dieses Beitrags liefern keine abschließende Antwort darauf, wie mit generativer KI im Bildungsbereich umzugehen ist. Sie sollen vielmehr Fragen zurückgewinnen, die technische Systeme und institutionelle Routinen zu schnell zu beantworten scheinen:
- Welche Vorstellung von Bildung realisieren wir, wenn wir KI einsetzen?
- Wie wird verfügbare Information zu Wissen?
- Welche Werte stecken in Kriterien, Daten und Scores?
- Wie verändern KI-Systeme die Maßstäbe ihrer Nutzer*innen?
- Welche Arbeit schaffen sie ab, welche erzeugen sie neu?
- Welche Wirkungen soll Bildung entfalten, wenn KI Produkte erzeugen kann?
- Und wie bleibt eine urteilsfähige Weltbeziehung unter Bedingungen algorithmischer Ordnungen möglich?
Diese Fragen sind keine Bremse für Gestaltung. Sie sind eine Bedingung dafür, dass Gestaltung im Bildungsbereich nicht bloß schneller, sondern begründeter, verantwortlicher und streitbarer wird.
Cowan, Ruth Schwartz (1983): More Work for Mother: The Ironies of Household Technology from the Open Hearth to the Microwave. New York: Basic Books.
Glickman, Moshe & Sharot, Tali (2025): “How human–AI feedback loops alter human perceptual, emotional and social judgements.” Nature Human Behaviour, 9(2), 345–359. https://doi.org/10.1038/s41562-024-02077-2.
Humboldt, Wilhelm von (1793/1960): „Theorie der Bildung des Menschen.“ In: Andreas Flitner & Klaus Giel (Hrsg.), Wilhelm von Humboldt: Werke in fünf Bänden. Band I: Schriften zur Anthropologie und Geschichte. Stuttgart: Cotta, S. 234–240.
Kostrzewa, Matthias (2026, im Erscheinen): „Transformation statt Implementation. Lehrkräftebildung in einer Kultur der Digitalität unter Bedingungen generativer KI.“ In: Gesellschaft für Medien in der Wissenschaft e. V. (GMW) (Hrsg.), Hochschulbildung im Wandel. Lebenslanges Lernen und akademische Praxis in Zeiten von KI: Organisationale, soziale und didaktische Transformation. Tagungsband der GMW-Jahrestagung 2026.
Nguyen, C. Thi (2026): The Score: How to Stop Playing Somebody Else’s Game. New York: Penguin Press.
OECD (2008): Assessment of Learning Outcomes in Higher Education. OECD Education Working Papers, No. 15. Paris: OECD Publishing. https://doi.org/10.1787/244257272573.
Rosa, Hartmut (2016): Resonanz. Eine Soziologie der Weltbeziehung. Berlin: Suhrkamp.
Roth, Gerhard (2004): „Warum sind Lehren und Lernen so schwierig? Erkenntnisse aus der Hirnforschung und ihre Anwendung auf Pädagogik und Schule.“ Zeitschrift für Pädagogik, 50(4), 496–506.
Stalder, Felix (2016): Kultur der Digitalität. Berlin: Suhrkamp.
Wilder, Nicolaus (2023): „KI und das Ende aller Bildung? Warum ein Blick zurück vielversprechender als Zukunftsvisionen sein kann.“ Mediendiskurs, 105, 32–37.