Psychologische Grundlagen
Psychologische Grundlagen
Software, die auf „Künstlicher Intelligenz“ (KI) basiert, ist Teil unseres Alltags geworden. Sie wird im Lehr-Lern-Kontext unter anderem zum Formulieren, Recherchieren, Strukturieren, Üben oder Erstellen von Texten eingesetzt. KI-generierte Antworten sind zunehmend in Suchmaschinen integriert, jederzeit verfügbar und beeinflussen damit Lern- und Arbeitsprozesse in vielerlei Weise.
KI-Tools liefern schnell Ergebnisse und können Lehrende und Lernende entlasten, wenn sie z.B. Ideen liefern, Übungsaufgaben generieren, bei komplexen Recherchen unterstützen. KI-generierte Texte sind jedoch häufig unspezifisch und enthalten Fehler, die nur dann erkannt werden, wenn die Ergebnisse von fachlich kompetenten Personen überprüft werden.
Wissenschaftliche Forschung zeigt widersprüchliche Ergebnisse der Nutzung von KI-Software auf Lernen (siehe blauer Kasten darunter). Dies lässt sich nur dadurch erklären, dass die Nutzung generativer KI unsere kognitiven, motivationalen und emotionalen Prozesse maßgeblich beeinflusst.
Kompetenzentwicklung in Zeiten von KI braucht psychologisches Grundlagenwissen (Bigman, 2026, Mörth & Ulrich, 2025).
Auf dieser Seite werden grundlegende Prozesse des Lernens, des Gedächtnisses sowie der motivationalen und emotionalen Selbstregulation erläutert, die für Lehr-Lern-Prozesse von Bedeutung sind. Um Lernprozesse förderlich zu gestalten, werden Hinweise gegeben.
KI-Software pauschal abzulehnen, erscheint in unserer Welt genauso wenig denkbar, wie auf Computer oder Mobiltelefone zu verzichten. Alternativ sollten wir ihren Einsatz an fundiertem Wissen über menschliches Erleben und Verhalten ausrichten. Mit anderen Worten: Psychologisches Grundlagenwissen hilft bei der Entwicklung der nötigen Kompetenzen, um KI-Software sinnvoll einzusetzen.

Generative KI kann Lernen fördern oder auch schwächen. Ein Verständnis grundlegender psychischer Prozesse, die notwendig für nachhaltiges Lernen sind, ist dabei wegweisend.
Wissenschaftliche Forschung zeigt widersprüchliche Ergebnisse bei der Nutzung von KI-Software auf das Lernen
✅Lernförderliche Potenziale für wissenschaftliches Arbeiten (Li et al., 2025)
⛔ Negative Zusammenhänge mit Gedächtnis und Leistung (Abbas et al., 2024)
⛔Zunahme von Prokrastination (Abbas et al., 2024)
✅Bei passender Anleitung kann kritisches Denken mittels KI-Software unterstützt werden (Güner & Er, 2025)
⛔Kritisches Denken und Lernfortschritte werden geschwächt, wenn Denkprozesse weitgehend an externe Hilfsmittel ausgelagert werden (Cognitiv Offloading) (Gerlich, 2025)
(wird noch mit weiteren aktuellen Ergebnissen angereichert)
Psychische Prozesse beim Lernen - kognitiv, motivational, sozial, emotional
Lernen geschieht immer im Zusammenspiel von physischer und sozialer Umgebung, längerfristig stabileren Merkmalen der Person, aktuellen mentalen Prozessen und Verhalten. Lernende bringen beispielsweise Einstellungen, Motivation, Vorwissen und Kompetenzen mit, aber auch Gewohnheiten und Persönlichkeitsmerkmale wie Extraversion oder Gewissenhaftigkeit. Zugleich prägen situative Faktoren das Lernen, etwa die soziale Situation, die physische Umgebung und die Art der Aufgabe. All diese Faktoren beeinflussen in einer konkreten Situation, wie eine (Lern)Aufgabe von Lernenden wahrgenommen, kognitiv und emotional bewertet und ggf. be- und verarbeitet wird. Vieles, was wir wahrnehmen oder womit wir uns in einem Moment beschäftigen, vergessen wir wieder.
Im Idealfall wird ein relevanter Wissensinhalt / ein situatives oder soziales Ereignis - durch bewusste Verarbeitung / Reflexion - zu einem langfristig verfügbaren Wissen oder einer persönlich relevanten, identitätsstiftenden Erfahrung. Dabei spielen die folgenden psychischen Prozesse eine Rolle:

Aufmerksamkeit - kostbar und umkämpft

Aufmerksamkeit ist eine Voraussetzung nachhaltigen Lernens. Lernende müssen relevante Informationen auswählen und ihren Fokus über eine gewisse Zeit darauf richten, um sie verarbeiten zu können (Chew & Cerbin, 2020). Digitale Nachrichten aus den sozialen Netzwerken oder aufpoppende Mails etc. erschweren dies, da neue Reize für Menschen besonders interessant sind und mit Belohnungserwartungen verbunden sein können (neurophysiologisch wird Dopamin ausgeschüttet). Die Fokussierung wird dadurch beeinträchtigt (Lang, 2020).
⛔ Die Interaktion mit KI-Tools kann ablenken, etwa wenn laufend neue Optionen oder interessante Nebenideen angeboten werden.
✅ Zugleich können KI-Tools Aufmerksamkeitsprozesse gezielt unterstützen: Sie können strukturierende Fragen stellen, auf relevante Aspekte fokussieren oder dabei helfen, Lernziele zu klären.
Merke: Didaktisch sinnvoll ist die Reihenfolge: zuerst selbst nachdenken und Ziel festlegen, dann ggf. KI-Tools zur Erweiterung, Kritik oder Strukturierung einsetzen. So bleibt die eigene kognitive Aktivität Ausgangspunkt des Lernens.
Verarbeitungskapazität - begrenzt
Im Arbeitsgedächtnis werden wahrgenommene Inhalte subjektiv weiterverarbeitet und - durch Abruf von Vorwissen - mit Bedeutung versehen. Seine Kapazität ist begrenzt. Es kann insbesondere bei der Auseinandersetzung mit neuen und komplexen Informationen überfordert werden. Lernen gelingt besser, wenn sachfremde Belastungen wie ablenkende Details reduziert und die Verarbeitung relevanter Inhalte unterstützt wird (Paas & Sweller, 2022; Paridon, 2026). Wie genAI-Tools hier wirken können:
⛔ Sie erzeugen zusätzliche Gedächtnisbelastung und Ablenkung bspw. durch immer neue Vorschläge, was noch interessant sein könnte.
✅ Sie können die Aufmerksamkeitsbelastung reduzieren, indem sie z.B.
- Aufgaben in Schritte zerlegen
- Prioritäten setzen und
- Komplexität von Inhalten reduzieren.
Tabelle 1: Beispielhafte Reduktion von Cognitive Load/hoher kognitiver Belastung durch KI-Unterstützung (nach Mörth & Paridon, 2026)
| Überforderung | Reduktion | KI-Unterstützung |
| Aufgabe erscheint zu komplex | Mehrere Deadlines | KI hilft, Arbeitsschritte mit Zwischenergebnissen zu planen. |
| Aufgabe ist zu schwer | Kleinere Schritte | KI zerlegt die Aufgabe und formuliert Leitfragen. |
| Aufgabe ist unverständlich (z.B. zu vieler Fachbegriffe) | Einfachere Formulierungen wählen | KI formuliert Aufgabe in anderen Worten. |
| Zu viel Auswahl / zu viele Informationen | Priorisieren /klaren Pfad | KI identifiziert zentrale Punkt für den Einstieg und schlägt einen begrenzten Bearbeitungspfad vor. |
Vorwissen - relevant fürs Wahrnehmen und Einschätzen unserer Umwelt
Vorwissen beeinflusst, worauf Lernende ihre Aufmerksamkeit richten, was sie wahrnehmen, wie sie Informationen deuten sowie bewerten und ob sie Fehler erkennen (Chew & Cerbin, 2020; Kirschner & Hendrick, 2020; The National Academies of Sciences, Engineering, and Medicine, 2018). Wer über wenig fachliches Vorwissen verfügt, kann überzeugend formulierte KI-Ausgaben nur eingeschränkt prüfen. Wer dagegen über umfangreiches Wissen und vernetzte kognitive Schemata verfügt, erkennt eher, ob eine Antwort plausibel, unvollständig oder fehlerhaft ist. Vorwissenerleichtert zudem den Aufbau neuenWissens, da bereits vorhandene Schemata aktiviert und Neues leichter eingeordnet und integriert werden kann. Gerade wenn das Vorwissen nur schwach ausgeprägt ist, kann ein KI-Output besonders überzeugend wirken und Fehler werden nicht erkannt. Bei wenig Vorwissen und Vorerfahrung besteht die Gefahr,
- dass Lernende sich auf den KI-Output verlassen. Diese “Overreliance” kann bei Zeitdruck und geringer Motivation noch verstärkt werden (Deng et al, 2025).
- dass Lernende eine Verstehensillusion entwickeln: Sie glauben dann, ein Thema besser verstanden zu haben als es tatsächlich der Fall ist (Messeri & Crockett, 2024).
Ein Beispiel aus der Kunstgeschichte in Abbildung 3 a und b macht diesen Unterschied sichtbar. Mit wenig Vorwissen bleibt ein Bild von zwei sich berührenden Händen möglicherweise nur ein bekannt wirkendes Motiv. Liefert die KI plausible, aber falsche Vorschläge, besteht bei geringem Vorwissen die Gefahr der Overreliance und Verstehensillusion, so dass diese Vorschläge akzeptiert werden.
Mit viel Vorwissen lassen sich dagegen Bezüge zu Renaissance, Altem Testament, Michelangelo oder Ikonografie herstellen. Dabei werden auch kognitive, affektive und soziale Erinnerungsprozesse aktiviert (Schneider et al., 2021).
Elaboration & Lernstrategien
Um nachhaltig, d.h. langfristig zu lernen, müssen Inhalte aktiv verarbeitet werden. Besonders wirksam sind Strategien, die Abruf, Erklärung, Elaboration, Verknüpfung und Reflexion anregen (Dunlosky et al., 2013; Roelle et al., 2023).
✅ KI-Tools können effektive Lernstrategien unterstützen, indem sie Fragen stellen, Gegenargumente formulieren, Feedback geben oder Beispiele erzeugen. Entscheidend ist, dass Lernen nur gelingt, wenn KI-Tools die Lernprozesse anregen, statt sie zu ersetzen.
⛔ Wird bspw. ein Lerntagebuch mittels eines KI-Tools generiert, eine KI-generierte Erklärung per Copy & Paste übernommen oder eine Concept Map durch KI erstellt, bleibt die entscheidende Verarbeitung bei den Lernenden aus.
Lernen unter Verfügbarkeit von KI-Tools braucht Anleitung und einen bewussten Umgang mit den Fragen:
- Gleich die KI fragen oder bewusst zuerst selbst überlegen? Jeder aktive Abruf aus dem Gedächtnis ist ein Lernvorgang und stärkt das Aneignen von Inhalten (Roelle et al, 2023).
- Wann sind Peers oder Lehrende hilfreicher als der Austausch mit einem KI-Chatbot? Die Face-to-Face-Interaktion zwischen Menschen tangiert uns auf vielfältige Weise, stärkt die soziale Beziehung und fördert das Zugehörigkeitsgefühl [hier verlinken auf weitere Inhalte, die später noch kommen]. Sie sollte nicht in hohem Maße durch Interaktion mit KI-Chatbots ersetzt werden. Bewusst und dosiert verwendet kann ein KI-Chatbot sehr hilfreich sein (vgl. Tab. 2).
- Wann eignet sich ein anderes Lernmedium besser als ein KI-Chatbot? Für viele komplexe Inhalte sind systematisch und multimedial aufgebaute Lernmedien verfügbar wie bspw. Verkehrssituationen für die Führerscheinprüfung, Anatomie im Medizinstudium. Hier ist abzuwägen, ob der Aufwand für das Prompten und die Ablenkung durch KI-generierte Texte dem Verständnis und der Aneignung besser dienen als didaktisch aufbereitete Lernmedien.
Tabelle 2. Effektive Lernstrategien mit KI-Unterstützung
| Lernstrategie | Lernplanke | KI-Unterstützung |
| Aktives Abrufen | Erst ohne KI selbst nachdenken und antworten, dann erst ein KI-Tool nutzen | KI stellt Fragen oder spielt den kritischen Gegenpart. |
| Erklären | Erst eigene Erklärung formulieren und selbst aufschreiben oder visualisieren. | KI fragt nach Begründungen und Alternativen. |
| Lerntagebuch schreiben | Erst selbst wichtige Aspekte notieren. | KI gibt Leitfragen und Feedback. |
| Concept Map erstellen | Erst eigene Struktur erstellen. | KI fragt nach Verknüpfungen und Lücken. |
| Lernziele formulieren | Erst selber überlegen und an Aufgabe und Niveau koppeln. | KI hilft beim Formulieren von Zielen. |
| Feedback geben | Mit zuvor formulierten Kriterien abgleichen. | KI gibt Rückmeldung auf Texte oder Argumente und gibt Anregungen. |
| Lösungsbeispiele generieren | Beispiele analysieren, nicht nur lesen; KI-generierte Beispiele vergleichen. | KI erzeugt Beispiele und Schritte. |
Motivation und Selbststeuerung
Lernen verlangt, sich Ziele zu setzen, die eigene Aufmerksamkeit zu regulieren, Frustration auszuhalten und den Lernfortschritt zu überwachen. Motivationstheoretische und instruktionspsychologische Ansätze betonen dafür passende Anforderungen, Unterstützung und Autonomieerleben (Deci & Ryan, 2012; Klauer & Leutner, 2012).
✅ KI-Tools können bei der Planung des Lernprozesses unterstützen, Fortschritte sichtbar machen oder Feedback geben.
⛔ Kritisch wird es, wenn KI-Tools die Anstrengung ersetzen, durch die Selbstregulation aufgebaut wird. Neuere Befunde deuten darauf hin, dass KI-Unterstützung beim Lernen die Persistenz, also die Ausdauer wie auch die spätere Lernleistung schwächen kann, wenn Lernende sich daran gewöhnen, Aufgaben mit KI zu bewältigen.
Nicht-Wissen auszuhalten, dranzubleiben und zunächst ohne KI-Unterstützung weiterzudenken, erfordern Regulations- und Überwachungsprozesse, die geübt werden müssen (Liu et al., 2026).
⛔ Auch mentale Überlastung durch die fortlaufende Aufnahme, Bewertung und Überarbeitung von KI-Outputs wird mittlerweile als Risikofaktor beschrieben (Bedard et al., 2026).
Die in der Abbildung dargestellten Fragen verschieben den Fokus deutlich von der Bewertung des Lernergebnisses hin zum Lernprozess. Entscheidend ist, ob der Lernende relevante mentale Prozesse tatsächlich ausführen:
- Aufmerksamkeit fokussieren
- Vorwissen aktivieren
- neue Informationen elaborieren
- Motivation und Emotionen regulieren
- Ergebnisse (eigene oder KI-generierte Ausarbeitungen) aktiv prüfen, indem sie sie durchdenken (und sich nicht mit einem Gefühl der Vertrautheit zufriedengeben)
- sich letztlich mit den Lernergebnissen identifizieren können, sie diese verinnerlicht haben, darüber sprechen können etc.
Mehr zu den kognitiven, sozialen und emotionalen Aspekten des Lernens sowie zur Ethik.
Soziale Prozesse beim Lernen mit Anderen
Lernen ist nicht nur ein individueller Prozess der Informationsaufnahme, Wissensverarbeitung und Wissensspeicherung. Modelllernen, soziale Interaktionen, Beziehungen und gemeinsame Erfahrungen spielen auch eine wichtige Rolle.
Kooperatives Lernen zeichnet sich insbesondere durch gegenseitige Unterstützung, gemeinsame Verantwortung und konstruktive Zusammenarbeit aus. Schließlich verdeutlicht das Bedürfnis nach sozialer Eingebundenheit (Deci & Ryan, 2000) die Bedeutung zwischenmenschlicher Beziehungen für Lernprozesse (Wentzel, 1998).
KI-Systeme können als Gesprächspartner, Feedbackgeber, Lernbegleiter oder Kooperationspartner eingesetzt werden. So lassen sich beispielsweise simulierte Gespräche und Fallbeispiele erstellen, die individuell und beliebig oft genutzt werden können (Bommer et al., 2025; Meinlschmidt et al., 2025). Mögliche Konflikte, die Lerngruppen ineffektiv werden lassen, werden vermieden.
✅ Generative KI eröffnet neue Möglichkeiten für dialogisches Lernen. Lernende können zeitlich flexibel mit einem KI-System Hypothesen diskutieren, Erklärungen hinterfragen, Widersprüche erkennen, Gegenargumente formulieren oder alternative Perspektiven ausprobieren. KI-Systeme können unmittelbares, individualisiertes Feedback zu Lernleistungen geben, ohne dass Lernende auf die Verfügbarkeit anderer angewiesen sind (Kasneci et al., 2023).
KI-basierte Lernbegleiter können Lehrpersonen entlasten und dadurch Freiräume für persönliche Betreuung schaffen.
⛔ Wenn Lernende jedoch zunehmend KI statt ihrer Mitlernenden konsultieren, können wichtige Gelegenheiten der sozialen Auseinandersetzung, wie z.B. das Aushandeln unterschiedlicher Perspektiven, verloren gehen.
Die Interaktion mit einem KI-System ist nicht mit einer wechselseitigen menschlichen Beziehung gleichzusetzen. Eine KI kann zwar sprachlich Empathie, Interesse und Wertschätzung ausdrücken, ob und in welchem Umfang solche Interaktionen das psychologische Bedürfnis nach sozialer Eingebundenheit erfüllen können, ist jedoch eine offene Forschungsfrage (Schwartz et al., 2026).
Merke: KI kann den Austausch mit Menschen simulieren, ihn jedoch nicht ersetzen.
Mehr zu den kognitiven, motivationalen und emotionalen Aspekten des Lernens sowie zur Ethik.
Emotionen und Selbstregulation
Emotionen beeinflussen grundlegend, wie wir lernen. Sie wirken sich auf Aufmerksamkeit, Motivation, Gedächtnisprozesse, Informationsverarbeitung und Selbstregulation aus. Im Zusammenhang mit digitalen oder KI-gestützten Lernumgebungen ist eine grundlegende Unterscheidung wichtig:
- Emotionen beim Lernen mit KI: Welche Emotionen erleben Lernende bei der Interaktion mit KI-Systemen, und wie beeinflussen diese ihre Motivation und ihren Lernerfolg?
- Emotionserkennung und Emotionsregulation durch KI: Inwiefern können KI-Systeme Emotionen erkennen und durch adaptive Rückmeldungen oder andere Unterstützungsangebote positiv auf das emotionale Erleben und Lernen einwirken?
✅ Emotionen sind bedeutsam für das Lernen – auch in digitalen und KI-gestützten Lernumgebungen.
KI verändert zwar die Lernumgebung, aber nicht die grundlegende Bedeutung von Emotionen für Motivation, Selbstregulation und Lernerfolg. Auch beim Lernen mit KI sind das Erleben von Kompetenz, Kontrolle und subjektiver Bedeutsamkeit zentrale Voraussetzungen für lernförderliche Emotionen. In einer Metaanalyse von Loderer, Pekrun und Lester (2020) mit insgesamt 186 Studien zeigen sich über unterschiedliche technologiegestützte Lernumgebungen vergleichsweise stabile Zusammenhänge zwischen Lernfreude und dem wahrgenommenen Kontrollerleben, der kognitiver Unterstützung und dem Lernerfolg. Angst geht dagegen häufig mit ungünstigen Lernstrategien und geringerem Lernerfolg einher.
Grundlegende emotionspsychologische Mechanismen bleiben auch beim digitalen Lernen relevant. Die untersuchten Umgebungen umfassen allerdings nicht ausschließlich moderne generative KI-Systeme.
✅ Die Gestaltung der KI-Interaktion kann das emotionale Erleben von Lernenden beeinflussen.
Yin, Goh und Hu (2024) untersuchten experimentell, welche Emotionen beim Lernen mit einem KI-basierten Chatbot (der entweder metakognitive oder neutrale Rückmeldungen gab) entstehen und wie diese mit der Lernmotivation zusammenhängen. Die Ergebnisse zeigten, dass die Interaktion mit beiden Chatbots sowohl positive als auch negative Emotionen auslösen konnte. Der Chatbot mit metakognitiven Rückmeldungen führte jedoch zu signifikant stärkerem Interesse, Stolz und Inspiration sowie zu geringerer emotionaler Belastung und Nervosität.
⛔ Das Ziel einer emotional adaptiven Lern-KI sollte nicht darin bestehen, Lernende möglichst dauerhaft glücklich und zufrieden zu machen. Vielmehr sollte sie ihnen helfen, auch herausfordernde Emotionen produktiv zu bewältigen. Denn: Negative Emotionen sind beim Lernen nicht grundsätzlich hinderlich.
Beispielsweise kann Verwirrung (confusion) eine produktive Emotion im Lernprozess darstellen (z.B. D'Mello, Lehman, Pekrun & Graesser, 2014) oder negative Emotionen auch aktivierende Funktionen übernehmen (z.B. Tulis & Fulmer, 2013).
Eine zunächst irritierende Information kann beispielsweise dazu führen, dass Lernende intensiver nachdenken, vorhandenes Wissen hinterfragen und ihre bisherigen Vorstellungen verändern. Entscheidend ist allerdings, dass die Lernenden ihre Verwirrung erfolgreich bearbeiten und auflösen können.
✅ Hierfür kann KI wiederum ein geduldiger Lernbegleiter sein.
⛔ Emotional adaptive KI kann Lernprozesse unterstützen – allerdings nicht bei allen Lernenden gleichermaßen. ODER Emotionale Unterstützung durch KI ist nicht automatisch lernförderlich.
Die Forschung zu intelligenten Tutorsystemen (z.B. D'Mello & Graesser, 2012) zeigt Vorteile emotional adaptiver Unterstützung, insbesondere bei Lernenden mit geringem Vorwissen. Bei Lernenden mit höherem Vorwissen erwies sich eine zusätzliche emotionale Unterstützung jedoch teilweise als wenig hilfreich oder sogar als nachteilig.
Ein KI-basiertes Lernprogramm könnte beispielsweise versuchen, zunehmende Frustration frühzeitig zu erkennen und daraufhin zusätzliche Erklärungen, motivierende Rückmeldungen, Hilfestellungen oder eine vorübergehende Verringerung des Schwierigkeitsgrades anbieten.
⛔ KI kann Emotionen nicht zuverlässig allein aus Gesichtsausdrücken, Augenbewegungen, oder physiologischen Daten ablesen.
Barrett und Kolleginnen bzw. Kollegen (2019) analysierten in einer umfassenden wissenschaftlichen Übersichtsarbeit, in welchem Ausmaß sich Emotionen anhand von Gesichtsausdrücken identifizieren lassen und attestierten der automatischen Emotionserkennung deutliche Einschränkungen/ein deutliches Validitätsproblem. Diese Einschränkungen werden durch aktuelle systematische Übersichtsarbeiten zur automatisierten Emotionserkennung in Lernumgebungen gestützt.
Eine wichtige rechtliche Einschränkung: In der Europäischen Union ist die KI-basierte Ableitung von Emotionen anhand biometrischer Daten in Bildungseinrichtungen grundsätzlich verboten. Es bestehen eng begrenzte Ausnahmen für medizinische und sicherheitsbezogene Zwecke.
Mehr zu den kognitiven, motivationalen und sozialen Aspekten des Lernens sowie zur Ethik.
Ethik & Verantwortung
KI-Tools liefern in der Regel schnell verständlich formulierte Entscheidungsvorschläge auch auf komplexe Fragestellungen. Der Weg, wie diese Antworten zustande kommen, bleibt offen.
Wirkt ein System leistungsfähig, werden seine Empfehlungen leicht übernommen, insbesondere bei eigener Unsicherheit und/oder Zeitdruck. Es fällt schwer, ihnen zu widersprechen (Jacobi, 2024). Die Ergebnisse hängen jedoch vom jeweiligen Modell und Kontext ab. Sie können verzerrt oder sogar falsch sein (Schwartz et al., 2026). Überzeugende Formulierungen bürgen nicht immer für deren Qualität.
Die Lösung: KI-Vorschläge als Denkanstoß nutzen und die Ergebnisse selbst prüfen, auch wenn damit der potenzielle Zeitgewinn verloren geht. So bleibt die Verantwortung beim Menschen.
Je mehr über die Software und deren Informationsbasis bekannt ist, desto eher lässt sich die Zuverlässigkeit des Systems einschätzen (vgl. Löchner et al., 2025).
✅ Vorschläge von KI-Tools als Denkanstoß nutzen und selbst gegenprüfen: Passt das zur konkreten Fragestellung? Stimmt das mit Erfahrungswissen, anderen Quellen überein?
⛔ Folgenschwere Entscheidungen nicht an KI-Tools abgeben, auch wenn ihre Antwort überzeugend klingt.
Merke: KI kann sich irren. Sie schlägt vor, der Mensch prüft und entscheidet.
Mehr zu den kognitiven, motivationalen, sozialen und emotionalen Aspekten des Lernens.
- Abbas, M., Jam, F. A., & Khan, T. I. (2024). Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. International Journal of Educational Technology in Higher Education, 21(1), 10. https://doi.org/10.1186/s41239-024-00444-7
- Barrett, L. F., Adolphs, R., Marsella, S., Martinez, A. M., & Pollak, S. D. (2019). Emotional expressions reconsidered: Challenges to inferring emotion from human facial movements. Psychological Science in the Public Interest, 20(1), 1–68. https://doi.org/10.1177/1529100619832930
- Bedard, J., Kropp, M., Hsu, M., Karaman, O. T., Hawes, J., & Rosen Kellerman, G. (2026, March 5). When using AI leads to “brain fry”. Harvard Business Review. https://hbr.org/2026/03/when-using-ai-leads-to-brain-fry
- Bigman, Y. E., Briker, R., & Langer, M. (2026). Human-AI interaction research needs to be embedded in psychological theory. Nature Reviews Psychology, 5, 233–234. https://doi.org/10.1038/s44159-026-00551-4
- Bommer, J., Vehlen, A., Eberhardt, S., Schwartz, B., Riebschläger, B., Maerz, C. & Lutz, W. (2025). Künstliche Intelligenz zur Förderung klinischer Basisfertigkeiten in der psychotherapeutischen Aus- und Weiterbildung. Verhaltenstherapie & Psychosoziale Praxis, 57(3), 338-350.
- Chew, S. L., & Cerbin, W. J. (2020). The cognitive challenges of effective teaching. The Journal of Economic Education, 52(1), 17–40. https://doi.org/10.1080/00220485.2020.1845266
- Deci, E. L., & Ryan, R. M. (2000). The "what" and "why" of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
- Deci, E. L., & Ryan, R. M. (2012). Self-determination theory. In P. A. M. Van Lange, A. W. Kruglanski, & E. T. Higgins (Eds.), Handbook of theories of social psychology (pp. 416–436). Sage. https://doi.org/10.4135/9781446249215.n21
- Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224
- D’Mello, S., & Graesser, A. (2012). AutoTutor and affective AutoTutor: Learning by talking with cognitively and emotionally intelligent computers that talk back. ACM Transactions on Interactive Intelligent Systems, 2(4), Article 23. https://doi.org/10.1145/2395123.2395128
- Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4–58.
- Europäisches Parlament & Rat der Europäischen Union. (2024). Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates vom 13. Juni 2024 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Verordnung über künstliche Intelligenz). Amtsblatt der Europäischen Union.
- Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
- Güner, H., & Er, E. (2025). AI in the classroom: Exploring students’ interaction with ChatGPT in programming learning. Education and Information Technologies, 30, 12681–12707. https://doi.org/10.1007/s10639-025-13337-7
- Jacobi, F. (2024). Bedrohen KI-Algorithmen die psychotherapeutische Freiheit? Berlin: Springer.
- Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., ... Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Article 102274.
- Klauer, K. J., & Leutner, D. (2012). Lehren und Lernen. Einführung in die Instruktionspsychologie. Beltz.
- Kirschner, P. A., & Hendrick, C. (2020). How learning happens. Seminal works in educational psychology and what they mean in practice. Routledge.
- Lang, J. M. (2020). Distracted: Why students can’t focus and what you can do about it. Basic Books.
- Li, Y., Sadiq, G., Qambar, G., & Zheng, P. (2025). The impact of students’ use of ChatGPT on their research skills: The mediating effects of autonomous motivation, engagement, and self-directed learning. Education and Information Technologies, 30(4), 4185–4216. https://doi.org/10.1007/s10639-024-12981-9
- Liu, G., Christian, B., Dumbalska, T., Bakker, M. A., & Dubey, R. (2026). AI assistance reduces persistence and hurts independent performance [Preprint]. arXiv. https://arxiv.org/pdf/2604.04721
- Löchner, J., Carlbring, P., Schuller, B., Torous, J. & Sander, L. B. (2025). Digital interventions in mental health: An overview and future perspectives. Internet Interventions, 40, 100824.
- Loderer, K., Pekrun, R., & Lester, J. C. (2020). Beyond cold technology: A systematic review and meta-analysis on emotions in technology-based learning environments. Learning and Instruction, 70, Article 101162. https://doi.org/10.1016/j.learninstruc.2018.08.002
- Meinlschmidt, G., Koc, S., Boerner, E., Tegethoff, M., Simacek, Th., Schirmer, L., & Schneider, M. (2025). Enhancing professional communication training in higher education through artificial intelligence (AI)-integrated exercises: study protocol for a randomised controlled trial. BMC Medical Education, 25(1). DOI 10.1186/s12909-025-07307-3
- Messeri, L., & Crockett, M.J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature 627, 49–58. https://doi.org/10.1038/s41586-024-07146-0
- Mörth, M. & Paridon, H. (2026). Lernen erklären statt KI verbieten: Psychologisches Orientierungswissen für Lehrende und Studierende nicht-psychologischer Fächer. Tagungsband Psychologiedidaktik-Tagung Paderborn, Mai 2026. https://doi.org/10.23668/psycharchives.22723
- Mörth, M., & Ulrich, I. (2025). Psychologische Grundlagen von Lernen, Persönlichkeitsentwicklung und sozialem Miteinander. In N. Vöing (Hrsg.), Praxishandbuch Hochschullehre. transcript. Preprint verfügbar unter: https://www.researchgate.net/publication/382196286
- Nolting, H.-P., & Paulus, P. (2018). Psychologie lernen. Eine Einführung und Anleitung (15., vollständig überarbeitete Aufl.). Beltz.
- Paas, F., & Sweller, J. (2022). Implications of cognitive load theory for multimedia learning. In R. E. Mayer & L. Fiorella (Eds.), The Cambridge handbook of multimedia learning. Cambridge University Press.
- Paridon, H. (2026). Evidence-based teaching: The examination and use of psychological theories in medical education research using the example of cognitive load theory. GMS Journal for Medical Education, 43(1):Doc11 (2026-01-15).
- Roelle, J., Lachner, A., & Heitmann, S. (2023). Lernen. Theorien und Techniken. Psychologie für Lehramtsstudierende. UTB.
- Schneider, S., Beege, M., Nebel, S., et al. (2021). The Cognitive-Affective-Social Theory of Learning in digital Environments (CASTLE). Educational Psychology Review. https://doi.org/10.1007/s10648-021-09626-5
- Schwartz, B., Alpers, G. W., Baumeister, H. et al. (2026). Potenziale und Grenzen Künstlicher Intelligenz in der klinisch-psychologischen Forschung, Lehre und Praxis. Eine Perspektive der Fachgruppe Klinische Psychologie und Psychotherapie. Psychologische Rundschau, 77(3), 136-142. https://doi.org/10.1026/0033-3042/a000764
- The National Academies of Sciences, Engineering, and Medicine. (2018). How people learn II. Learners, contexts, and cultures. National Academies Press.
- Tulis, M., & Fulmer, S. M. (2013). Students’ motivational and emotional experiences and their relationship to persistence during academic challenge in mathematics and reading. Learning and Individual Differences, 27, 35–46. https://doi.org/10.1016/j.lindif.2013.06.003
- Wentzel, K. R. (1998). Social relationships and motivation in middle school: The role of parents, teachers, and peers. Journal of Educational Psychology, 90(2), 202–209.
- Yin, J., Goh, T.-T., & Hu, Y. (2024). Interactions with educational chatbots: The impact of induced emotions and students’ learning motivation. International Journal of Educational Technology in Higher Education, 21, Article 47. https://doi.org/10.1186/s41239-024-00480-3
- Yu, S., Androsov, A., Yan, H., & Chen, Y. (2024). Bridging computer and education sciences: A systematic review of automated emotion recognition in online learning environments. Computers & Education, 220, Article 105111. https://doi.org/10.1016/j.compedu.2024.105111

