Veranstaltungsprogramm

Angesichts der Transformation der Hochschulbildung durch die Nutzung von künstlicher Intelligenz (KI) ist es von entscheidender Bedeutung zu wissen, wer KI-Tools wie nutzt, idealerweise bis hin zu den verwendeten Prompts. Studien im Bereich der tertiären Bildung haben bislang jedoch keine belastbaren Erkenntnisse zur KI-Nutzung hervorgebracht, da sie Nutzung indirekt, retrospektiv und für unspezifische Anwendungsfälle sowie Zeitspannen erfassen. Diese Forschungslücke ist für angehende Lehrkräfte in der Lehrer:innenausbildung noch salienter. Die vorliegende Studie greift diese Forschungslücke auf und untersucht explorativ die tagtägliche KI-Nutzung von Lehramtsstudierenden in ihrer Ausbildung. Der Fokus liegt dabei darauf, wie häufig und wozu Lehramtsstudierende KI-Anwendungen im Kontext ihres Studiums einsetzen, wie diese Nutzung mit studienrelevanten Merkmalen zusammenhängen (Persönlichkeit und Motivation) und welche Prompts verwendet werden.

Wir untersuchten die tägliche KI-Nutzung von angehenden Lehrkräften (N = 23) mithilfe der Experience-Sampling-Methode (Gabriel et al., 2019) mit Event Sampling (Reis et al., 2025). Über einen Zeitraum von zehn Tagen gaben die Teilnehmer:innen bei jeder KI-Nutzung für Ihr Studium an, welches KI-Tool sie zu welchem Zweck verwendeten, luden ein Bild ihres Prompts hoch und bewerteten die Nützlichkeit. Wir analysierten die Daten mittels bayesianischen Gruppenvergleichen und bayesianischen Hodges-Lehmann-Tests, kumulativen Link-Modellen und kumulativen Link-Mixed-Modellen; die Robustheit wurde mit ein-/zweistufigen bayesianischen generalisierten linearen Modellen überprüft. Die Prompts wurden qualitativ mittels eines Rahmenwerks für selbstreguliertes Lernen analysiert.

Die Ergebnisse zeigten, dass angehende Lehrkräfte vorwiegend ChatGPT zur Vertiefung des eigenen Verständnisses nutzten. Die Nutzung folgte einer linkssteilen Verteilung (21,7 % nutzten keine KI-Tools). Nutzer:innen waren gewissenhafter und weniger prokrastinierend als Nicht-Nutzer:innen. Ebenso prognostizierten Gewissenhaftigkeit und Prokrastination die Gesamtnutzung. Angehende Lehrkräfte mit einer leistungsorientierten Zielorientierung und weniger negativen Einstellungen gegenüber KI empfanden eine höhere Nützlichkeit. Die meisten Prompts ließen sich als selbstreguliertes Lernen klassifizieren, die übrigen zielten auf konkrete Aufgaben oder Textgenerierung ab.

Bezüglich der Lehrer:innenbildung schlussfolgern wird, dass es sehr wohl auch Lehramtsstudierende gibt, die sich noch nicht auf KI verlassen. Die Häufigkeit der Nutzung scheint dabei von gut erforschten Konstrukten besser vorhersagbar als von kürzlich neu entstandenen proximalen Konstrukten aus der KI Forschung. Analysen auf Ebene der Prompts zeigen auf, dass Prompting zwar teilweise als selbstreguliertes Lernen klassifiziert werden kann, Lehramtsstudierende jedoch von Prompting-Strategien und einem konzeptionellen Verständnis der Funktionsweise der zugrunde liegenden LLMs profitieren könnten.

Education has increasingly adopted artificial intelligence (AI) integration to boost teaching and learning, as AI-based tools offer advantages such as saving teachers time and effort and providing feedback and personalised content for students (Luckin et al., 2022). AI integration may indicate certain demands since it affects educational contexts and practices locally, institutionally and nationally. Therefore, teachers are required to respond to those demands in pedagogically and ethically competent ways. Yet, it is a concern whether teachers are sufficiently competent to integrate AI into their classes. The literature continuously highlights the need for teacher training programs regarding this issue (e.g. ). On the other hand, the existing literature focuses mainly on AI-based tools rather than teacher training processes (Tang, Cheng & Ling, 2025; Garzón, Patiño & Marulanda, 2025); there is a limited synthesis of empirical studies regarding the AI training programs for teachers. Thus, there is a gap in the literature for systematic research on open and transferable AI training models for teachers and their interventions.

Grounded in the Technological Pedagogical and Content Knowledge (TPACK) framework (Mishra & Koehler, 2006) with the AI literacy extension, the current study aims to review empirical intervention studies on AI-focused teacher training published between 2020 and 2025. Within an exploratory approach, it intends to answer the following research questions:

1. What types of AI training intervention studies for teachers have been empirically conducted in recent years?
2. How are these interventions designed and evaluated across different educational contexts?

Methodologically, the review study adopted PRISMA Guidelines (Page et al., 2021) to ensure transparency and rigour. A systematic literature search was conducted in multiple international databases: Scopus, Web of Science, ERIC, SpringerLink, Science Direct, and IEEE Xplore. Keyword clusters related to artificial intelligence, teacher professional development, and intervention-based research. Inclusion criteria included peer-reviewed empirical studies researching teachers as participants and implementing an AI-related training intervention. The instructional design of the interventions was analysed using the ADDIE framework (Branch, 2009), allowing a comparative examination of the training content and structure, needs analysis, formats, and evaluation strategies.

Although the review is still in progress, its main contribution is to identify key patterns, promising strategies, and gaps in the current AI training programs. By connecting global AI advancements with local teacher education practices, the study intends to guide and, consequently, design effective and efficient teacher training programs. It aims to enrich educational research in the times of glocalization.