Publikationsdatum 27.03.2026

Pädagogisches Alignment im Zeitalter der generativen KI: Kohärenz im Unterricht sichern


Das Aufkommen der künstlichen Intelligenz (KI) wandelt die Lehr- und Lernpraktiken in der Hochschulbildung. Während diese Entwicklungen Diskussionen über akademische Integrität nähren, werfen sie primär eine fundamentale Frage auf: Wie ist die Lehre anzupassen, wenn die Nutzung von KI durch Studierende die Lernaktivitäten und Bewertungsmethoden radikal verändert?
Diese Herausforderung verweist auf das Prinzip der pädagogischen Ausrichtung (Biggs, 1996; Biggs & Tang, 2011), welches die Kohärenz zwischen Lernzielen, Aktivitäten und Bewertungen gewährleisten soll. Angesichts der zunehmenden KI-Anwendungen können in diesem Kontext Diskrepanzen auftreten, die eine vertiefte didaktische Auseinandersetzung notwendig machen. Der Dienst DidaNum unterstützt Lehrende dabei, ihre Kurse entsprechend zu analysieren und zu aktualisieren.

1. Ein pädagogisches Alignment im Umbruch

Die Integration von KI beschränkt sich nicht auf das Hinzufügen eines digitalen Werkzeugs; sie verändert die Prozesse selbst, durch welche Studierende lernen, schreiben, forschen und Inhalte produzieren. Studien zeigen, dass der Einsatz generativer KI-Tools die genutzten kognitiven Strategien beeinflusst, insbesondere durch die Externalisierung bestimmter intellektueller Operationen (Kasneci et al., 2023).

Diese Transformationen können zu unbeabsichtigten Fehlausrichtungen (Misalignments) führen zwischen:

  • den Lernzielen, die mit einer starken digitalen Unterstützung mitunter nicht mehr kompatibel sind;
  • den pädagogischen Aktivitäten, von denen einige ihren formativen Wert verlieren, wenn sie sich leicht an die KI delegieren lassen;
  • den Bewertungsformen, insbesondere bei schriftlichen Arbeiten ausserhalb des Unterrichts, bei denen die Urheberschaft kaum noch zugeordnet werden kann.

Zwar ermöglicht KI die Automatisierung einst formativer Tätigkeiten wie das Umformulieren von Texten oder das Strukturieren von Argumentationen, doch erklärt diese Automatisierung allein nicht die aktuellen Bewertungsschwierigkeiten. Die Forschung zeigt vielmehr, dass im Hochschulbereich schon seit Langem eher Endergebnisse bewertet werden als die Lernprozesse selbst (Boud & Falchikov, 2007). Was die KI jedoch verändert, ist die Sichtbarkeit des Prozesses: Wenn ein Text stark KI-gestützt ist, lässt sich kaum noch nachvollziehen, welche kognitiven Operationen tatsächlich von der studierenden Person durchgeführt wurden. KI schafft also kein völlig neues Problem, sondern verschärft und verdeutlicht eine Fragestellung, die im Hochschulwesen bereits bestand.

Diese Erkenntnisse unterstreichen die Notwendigkeit einer erneuerten didaktischen Perspektive.

2. Das pädagogisches Alignment neu denken: Ein praxisorientierter Leitfaden

Es geht weder darum, KI zu verbannen, noch einen Wettlauf um Detektionssoftware zu starten. Vielmehr gilt es, jede Komponente des eigenen Lehr-Lern-Szenarios kritisch zu hinterfragen, um wieder eine tragfähige Kohärenz herzustellen.

Lernziele schärfen

Alles beginnt mit einer einfachen, aber entscheidenden Frage: Was sollen die Studierenden tatsächlich lernen? Je nach Kurs kann die KI dabei unterschiedliche Rollen einnehmen:

  • Lerngegenstand: Zum Beispiel das Analysieren, Kritisieren oder Verbessern von KI-generierten Antworten (Bearman et al., 2023).
  • Lernwerkzeug: Als Unterstützung beim Schreiben oder bei der Recherche.
  • Externer Faktor: Wenn die angestrebten Kompetenzen spezifisch disziplinäres Denken oder mündliche Argumentation betreffen, bleibt KI aussen vor.

Diese Intentionen zu klären, hilft Lehrenden, Aktivitäten auszuwählen, die tatsächlich mit den Lernzielen übereinstimmen.

Aktivitäten konstruktiv mit KI gestalten

Anstatt sich darauf zu fokussieren, was KI „anstelle“ der Studierenden erledigt, lohnt es sich zu überlegen, was sie die Studierenden „tun lassen“ kann. Beispiele hierfür sind Aufgaben, bei denen Studierende:

  • eine KI-Antwort mit verlässlichen Quellen vergleichen,
  • Verzerrungen, Fehler oder Ungenauigkeiten identifizieren,
  • einen KI-Entwurf unter Einsatz ihres Fachwissens verbessern.

Solche Aktivitäten fördern Schlüsselkompetenzen wie kritisches Denken, Informationsüberprüfung und Selbstregulation (Nicol & Macfarlane-Dick, 2006).

Bewertungsformen diversifizieren

Wenn schriftliche Arbeiten außerhalb der Präsenzzeit schwerer einzuordnen sind, gewinnen andere Formate an Bedeutung:

  • mündliche Präsentationen,
  • in der Präsenzlehrveranstaltung erstellte Arbeiten,
  • Lerntagebücher oder Portfolios,
  • anwendungsorientierte Projekte.

Diese Formate ergänzen oder stärken bestehende Prüfungsmodalitäten und ermöglichen einen transparenteren Einblick in den Lernprozess.

Nutzungsregeln klar kommunizieren

In diesem dynamischen Umfeld benötigen Studierende klare Leitplanken:

  • Was ist erlaubt?
  • Was ist untersagt?
  • Wie ist ein eventueller KI-Einsatz zu deklarieren?

Diese Transparenz reduziert Unklarheiten und fördert einen verantwortungsvollen Umgang.

3. Wie die Dienststelle DidaNum diesen Übergang begleiten kann

Um Lehrende dabei zu unterstützen, in diesem neuen Umfeld wieder ein Gleichgewicht zu finden, bietet die Dienststelle DidaNum eine massgeschneiderte Begleitung an, die sich auf mehrere Schwerpunkte stützt:

  • Analyse des Kurs-Szenarios anhand des pädagogischen Alignments;
  • Identifikation von sensiblen Bereichen, die durch KI beeinflusst werden (Lernziele, Aktivitäten, Bewertungen);
  • Konzeption oder Anpassung geeigneter Lernaktivitäten;
  • Formulierung klarer Richtlinien für den KI-Einsatz.

Diese flexible und kontextbezogene Unterstützung kann in verschiedenen Formen erfolgen:

  • Einzelberatungen (online oder vor Ort) für gezielte Fragestellungen;
  • Workshops, Kurse und Weiterbildungen zur Erprobung spezifischer Ansätze oder Tools;
  • Massgeschneiderte Schulungen für Teams oder Departemente;
  • Hochschuldidaktische Pausen („Pauses pédagogiques“), um den kollektiven Austausch über inspirierende Praktiken zu fördern;
  • Online-Ressourcen zur vertieften Auseinandersetzung mit den Themen im eigenen Tempo.

Diese Vielfalt ermöglicht es, die Begleitung genau an die Realität der Lehrenden anzupassen – sei es bei der Überarbeitung eines Kurses, der Neukonzeption einer Prüfung oder der Klärung von KI-Nutzungsregeln in einer spezifischen Aktivität.

Fazit
Die generative KI verändert die akademische Landschaft, doch sie macht die Prinzipien der Hochschuldidaktik nicht obsolet. Im Gegenteil: Das pädagogische Alignment wird zu einem noch wichtigeren Bezugspunkt, um die Kohärenz, Klarheit und das hohe Niveau unserer Lehre zu bewahren.

Literatur

  • Bearman, M., Ajjawi, R., Boud, D., Tai, J., & Dawson, P. (2023). Re-imagining university assessment in a world with generative AI. Higher Education Research & Development.
  • Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher Education, 32, 347–364.
  • Biggs, J., & Tang, C. (2011). Teaching for quality learning at university (4th ed.). McGraw-Hill.
  • Boud, D., & Falchikov, N. (2007). Rethinking assessment in higher education: Learning for the longer term. Routledge.
  • Kasneci, E., Sessler, K., Kitchenham, B., Schmiedek, F., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Instruction, 101, 102800.
  • Laurillard, D. (2012). Teaching as a design science: Building pedagogical patterns for learning and technology. Routledge.
  • Nicol, D., & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199–218.