Veranstaltungsprogramm

<p>Adaptive KI-basierte Lernumgebungen verarbeiten Lehr-Lern-Inhalte in der Ära großer Sprachmodelle und generativer KI häufig primär textzentriert (Ji et al., 2023; Li et al., 2025; Tan et al., 2025). Damit bleiben zentrale Erkenntnisse des multimedialen Lernens und der dualen Kodierung, wonach Lernprozesse durch das Zusammenspiel verbaler und visueller Repräsentationen unterstützt werden, in digitalen Lernsystemen oft unzureichend berücksichtigt (Mayer &amp; Fiorella, 2021; Paivio, 1990; Schnotz, 2021). Gerade bei der Digitalisierung schulischer Lernmaterialien werden Bilder zwar technisch erfasst, ihre didaktische Funktion für Wissensvermittlung, Verstehensunterstützung und Motivation jedoch kaum systematisch beschrieben. Der Beitrag adressiert dieses Desiderat mit einer expertenbasiert evaluierten Studie zur KI-gestützten Klassifikation von Schulbuchbildern für adaptive Learning-Management-Systeme.</p>

<p>Hierfür wurde ein theoriegeleitetes Prompt-Modell mit dem multimodalen Large Language Model Qwen entwickelt, das Bilder in digitalisierten Schulbuchmaterialien nicht nur formal beschreibt, sondern ihre didaktische Funktion für die Wissensmodellierung erschließt. Ausgangspunkt bilden die Bildfunktionsklassifikationen nach Levin und Carney sowie ergänzende Überlegungen zu Bildfunktionen, Visual Literacy und Lernen mit multiplen Repräsentationen (Carney &amp; Levin, 2002; Elkins, 2009; Schnotz, 2021; Weidenmann, 2002). Ziel ist es, Bilder so zu klassifizieren, dass ihre Relevanz für Domänenmodellierung, Aufgabenentwicklung, adaptive Selektion von Darstellungen und KI-gestützte Rückmeldungen systematisch nutzbar wird.</p>

<p>Zur expertenbasierten Evaluation wurde ein Korpus digitalisierter Schulbuchbilder aus Biologie, Mathematik, Deutsch, Geschichte und Metallbau mit dem Prompt-Modell durch Qwen klassifiziert. Die resultierenden Zuordnungen wurden von Fachdidaktiker aus Lehramt, Referendariat und Unterrichtspraxis hinsichtlich fachlicher Plausibilität und didaktischer Anschlussfähigkeit bewertet. Als Gütekriterium diente die Übereinstimmung zwischen modellgenerierter Klassifikation und fachlicher Einschätzung.</p>

<p>Die Ergebnisse zeigen eine Gesamt-Treffquote von 65 %, wobei sich deutliche Unterschiede zwischen Fächern und Bildkategorien abzeichnen. Organisatorische und interpretative Bilder wurden insgesamt zuverlässiger klassifiziert als repräsentative und insbesondere transformative Bilder. Zugleich deuten die Befunde darauf hin, dass die Klassifikation nach Levin und Carney für die didaktische Erschließung von Schulbuchbildern anschlussfähiger ist als alternative Modelle von Weidenmann.</p>

<p>Der Beitrag zeigt, dass theoriegeleitete KI-Prompting-Ansätze eine tragfähige Grundlage bieten, um visuelle Informationen aus Bildungsmedien in digitale Wissensmodelle zu überführen. Dies eröffnet eine Perspektive auf adaptive Lernmanagementsysteme, die Lerninhalte nicht ausschließlich textbasiert verarbeiten, sondern Bilder didaktisch begründet selektieren und lernförderlich nutzen.</p>