Conference Agenda

Einleitung: Kleine und mittlere Unternehmen (KMU) sowie regionale Weiterbildungsanbieter stehen vor der Herausforderung, die digitale Transformation nicht nur technologisch, sondern vor allem partizipativ zu gestalten. Digitale Weiterbildung erscheint dabei nicht nur als Frage der Bereitstellung von Inhalten, sondern als sozial gestalteter Lernprozess, in dem Emotionen, Motivation und Teilhabe eine zentrale Rolle spielen. Als Folgeprojekt von „Projekt 1“ adressiert „Projekt 2“ diese Herausforderungen durch die Weiterentwicklung eines Nano-Konzepts für digitale Weiterbildung. Während „Projekt 1“ vor allem hybride, flexible und modular verknüpfte Nano-Strukturen aus regionalen Bedarfen ableitete, rückt „Projekt 2“ die Befähigung regionaler Weiterbildungsanbieter zur Umsetzung dieser Erkenntnisse in tragfähige digitale Angebote, Prozesse und Strukturen in den Mittelpunkt.

Methode: Die Arbeit folgt der Design Science Research (DSR) Methodik nach Hevner. Der Problemraum wird auf Basis mehrerer Status-quo-Erhebungen, Digital-Readiness-Interviews, qualitativer Inhaltsanalysen und Bedürfniserhebungen mit jeweils unterschiedlichem Fokus bei zwei regionalen Weiterbildungsanbietern beschrieben und durch Grundlagentheorien zur Ableitung von Design Principles fundiert. Darauf aufbauend werden Design Principles sowie konkrete Design Features für ein hybrides Lernkonzept mit Nano-Lerneinheiten entwickelt. Theoretisch greift die Arbeit serviceorientierte Überlegungen zu Wertentstehung in Interaktionen sowie emotionsbezogene Ansätze auf, um digitale Weiterbildung als sozial gestaltbaren Lern- und Unterstützungsprozess zu verstehen. Im Artefakt „How-to: Nano 2.0“ werden diese Erkenntnisse gebündelt instanziiert und qualitativ in Kooperation mit den Praxispartnern evaluiert.

Ergebnisse: Das Artefakt versteht Nanos nicht als isolierte Mikroeinheiten, sondern als verknüpfte Bausteine eines Lernpfads und übersetzt die Projektergebnisse in eine operative Gestaltungslogik mit Orientierung, Interaktion, Transfer- und Feedbackanschluss sowie Verantwortung und Aktualisierung. Die Ergebnisse zeigen, dass digitale Partizipation über den bloßen Zugang zu Inhalten hinausgeht und Lernumgebungen erfordert, die Orientierung schaffen, Komplexität reduzieren, Rückmeldung erleichtern und auch in asynchronen Phasen Unterstützung sichern.

Diskussion: Der Beitrag zeigt damit, dass partizipative digitale Bildungsprozesse nicht allein über digitale Verfügbarkeit, sondern über bewusste didaktische und organisationale Gestaltung ermöglicht werden. Er liefert praxisnahe Lösungsoptionen für digitale Bildungsangebote, die Teilhabe nicht nur voraussetzen, sondern aktiv fördern.

<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>

<p>Ausgangslage</p>

<p>Die dominante Erfahrung mit Software ist: Nutzende wählen aus einem Repertoire, das andere spezifiziert haben. Mit KI verschärft sich dieses Prinzip grundlegend — je mächtiger die Systeme, desto weniger Einfluss haben Nutzende auf die entstehenden Möglichkeiten. Statt zu fragen, <em>was</em> KI für uns tun kann, fragen wir: Wie gestalten wir die Bedingungen, unter denen KI in Lern- und Arbeitsprozessen wirkt?</p>

<p>Aktuelle KI-Systeme sind so gestaltet, dass Nutzende <em>auswählen</em>, nicht <em>spezifizieren</em>. Entscheidungen zu Affordances und UX sind keine neutralen Designentscheidungen — sie sind Gouvernanzentscheidungen: Die Handlungsmöglichkeiten von KI entstammen Designentscheidungen, an denen Lerngemeinschaften nicht beteiligt waren — mitsamt den darin kodierten Normen. Neue Ansätze wie generative Interfaces verschieben diese Grenze, ohne automatisch neue Beteiligungsformen zu etablieren.</p>

<p>Panelstruktur — Fishbowl</p>

<p>Nach einer moderierten Fachdiskussion öffnet ein Fishbowl-Format das Podium: Publikumsgäste setzen sich für 2–3 Minuten auf einen offenen Stuhl und bringen Thesen ein. Ziel ist ein gemeinsames Positionspapier.</p>

<p>Wir laden insbesondere Panelist:innen (4–5) ein aus den Bereichen Affordance-Design, UX-Forschung, Bildungspraxis, Folk Tech / Making, Institutionsdesign.</p>

<p>Leitfragen und theoretischer Rahmen</p>

<ol>

<li>

<p>Wer spezifiziert, was KI in unseren Lernumgebungen tut — und wie können Gemeinschaften diese Spezifikation selbst übernehmen? Wer die Affordances spezifiziert, hat Macht. Gemeinschaften mit Zugang zu Inferenz können eigene Assistenten und Interaktionsmuster definieren — der Schritt von <em>Auswählen</em> zu <em>Spezifizieren</em> ist entscheidend.</p>

</li>

<li>

<p>Was bedeutet gutes UX, wenn das Interface automatisch generiert und adaptiert werden kann? Standards wie A2UI/AG-UI machen KI zum Generator von UX. Metaphern wie der <em>Digitale Garten</em> helfen, KI-Interaktion als offenen, kontextreichen Prozess statt als linearen Task-Flow zu denken.</p>

</li>

<li>

<p>Unter welchen Bedingungen werden Lerngemeinschaften zu aktiven Mitgestalterinnen? Agency braucht institutionelle Rahmung. Kleine, selbstverwaltete Gemeinschaften bieten die Sicherheit, Affordances auszuprobieren und zu revidieren — ohne kommerzielle Optimierungszwänge.</p>

</li>

</ol>

<p>Erwartetes Ergebnis</p>

<ul>

<li>Diagnose aktueller KI-Affordances in Bildungs- und Forschungskontexten</li>

<li>Kernthesen, u.a.: Affordances sind Gouvernanzentscheidungen; Agency erfordert institutionelle Container; die Dualität zwischen Entwickeln und Nutzen muss überwunden werden</li>

<li>Forderungen an Plattformbetreiber, Bildungseinrichtungen, Forschungsförderung</li>

</ul>

<p>Für eine erfolgreiche Bewältigung polizeilicher Einsatzlagen sind neben fachlichen Qualifikationen und körperlichen Fähigkeiten insbesondere ausgeprägte sozial-kommunikative Handlungskompetenzen erforderlich (Lorey, 2025). Die Qualität dieses Umgangs prägt nicht nur die unmittelbare Interaktion, sondern auch das gesellschaftliche Bild der Polizei. Entsprechend gewinnen dialogorientierte Kommunikationskompetenzen, Deeskalationsfähigkeit sowie Sensibilität für ambivalente soziale Situationen zunehmend an Bedeutung.</p>

<p>Im Studium des Polizeivollzugsdienstes ist das „Training sozialer Kompetenzen“ (TSK) curricular verankert und dient der verhaltensnahen Vorbereitung auf komplexe Einsatzsituationen. Studierende werden dabei mit anspruchsvollen Kommunikationsanforderungen konfrontiert, etwa beim Überbringen von Todesnachrichten oder im Umgang mit Opfern, Angehörigen sowie psychisch belasteten Personen. Solche Situationen gelten als schwer vorhersehbar und stellen hohe Anforderungen an Kommunikation, Emotionsregulation und situative Urteilsfähigkeit (Lorey &amp; Fegert, 2021). Funktionale Handlungsoptionen werden bislang primär in Rollenspielen erprobt und anschließend reflektiert.</p>

<p>Parallel dazu eröffnet der Einsatz Künstlicher Intelligenz (KI) im Lehr- und Lernkontext neue Möglichkeiten zur Gestaltung adaptiver, individualisierter und interaktiver Lernumgebungen. Insbesondere KI-basierte Systeme zur natürlichen Sprachverarbeitung ermöglichen simulationsbasierte Trainingsformate, in denen Lernende komplexe Kommunikationssituationen wiederholt, variabel und mit reduziertem sozialen Risiko erproben können.</p>

<p>Vor diesem Hintergrund untersucht die vorliegende Studie die Integration KI-gestützter, sprachbasierter Interaktionssysteme in das TSK sowie deren Potenziale für die Weiterentwicklung kommunikativer Kompetenzen. Zum Einsatz kommen KI-basierte Systeme mit natürlicher Sprachinteraktion, die realitätsnahe Gesprächssituationen simulieren. Die KI übernimmt dabei unterschiedliche Rollen als fiktive Personen.</p>

<p>Methodisch folgt die Untersuchung einem anwendungsorientierten Design. Auf Basis typischer polizeilicher Einsatzsituationen wurden strukturierte Gesprächsszenarien entwickelt und in den Trainings eingesetzt.</p>

<p>Die Evaluation erfolgt durch die Einschätzungen der Teilnehmenden hinsichtlich Realitätsnähe, Lernwirksamkeit und Handhabbarkeit erhoben. Zusätzlich bewerten Beobachter:innen die Qualität der Interaktionen.</p>

<p>Die Ergebnisse zeigen, dass KI-gestützte Gesprächssimulationen insbesondere durch ihre Verfügbarkeit, Variabilität und Fehlertoleranz als lernförderlich wahrgenommen werden. Gleichzeitig bestehen Einschränkungen hinsichtlich der wahrgenommenen Authentizität und emotionalen Tiefe. Insgesamt deutet sich an, dass KI-basierte Systeme eine sinnvolle Ergänzung bestehender Trainingsformate darstellen, insbesondere für standardisierte Übungssituationen und initiale Kompetenzaufbauphasen.</p>