How to land a plane using geometry

Geometry in bridges

architecture in geometry

Students should identify and draw the schematics for common circuit components. Students should design and analyze series and parallel circuit diagrams to determine which of the connected devices will function. Students should also describe differences in the function of series and parallel circuits using the schematics. Students should: • Calculate current through electric circuit elements connected in series [and parallel] circuits using Ohm’s law • Calculate potential difference across electric circuit elements connected in series [and parallel] circuits using Ohm’s law • Calculate resistance of electric circuit elements connected in series [and parallel] circuits using Ohm’s law • Calculate power used by electric circuit elements connected in series [and parallel] circuits using Ohm’s law

Essential Questions How do chemical equations help us represent and understand real-world reactions? How does the Law of Conservation of Mass shape how we write and interpret chemical reactions? Key Vocabulary: Law of conservation of mass, balanced equation, coefficient, combustion, hydrocarbon, decomposition, single replacement, activity series, double replacement, precipitate, precipitation reactions, synthesis, chemical property, chemical change, solid, liquid, gas, aqueous, reactant, product, oxidation-number, oxidation-reduction (redox) reaction, oxidation, reduction, law of conservation of energy.

a capstone course for a STEAM and public engagement program at a high school

Hi, you are a university lecturer who offers a seminar for master student teachers from different disciplines to the topic of the integration of ai into the school learning settings. After introducing the function mechanism, potentials and risks, innovative learning model of deeper learning as a practical model to let ai better foster the learning outcomes instead of impairing pupils' thinking abilities, you want to talk about the potential of ai tools in the process of knowledge instruction and acquisition. In the attachment are some materials you have collected for the preparation of seminar material, that could function as a starting point for your research, please extend your research scope and include relevant materials and tools. Please come up with a lesson plan for one seminar unit (90 min), that not only introduces the basic foundations, useful theoretical models, but also contains some handson practice and exploration with ai tools that could have a potential in this field. 3.1 KI als kognitiver Begleiter beim Aufbau der Wissensarchitektur Künstliche Intelligenz verändert tiefgreifend die epistemologischen Grundlagen unserer Wissensprozesse (Alvarado 2023). Sie wirkt darauf ein, wie Wissen definiert, generiert, strukturiert, angewandt, kommuniziert und weitergegeben wird. Durch Funktionen wie unmittelbare Feedbacks, fortlaufende Fortschrittsanalysen sowie adaptive, kontextbezogene Materialbereitstellung löst KI das einst einzigen Wissensmonopol im traditionell transmissiven Unterrichtsmodell ab, in dem Wissen meistens linear und uniform vermittelt wurde, und eröffnet dynamische, personalisierte Lernpfade. Gleichzeitig entfaltet künstliche Intelligenz ein erhebliches Potenzial, Lernprozesse auf einer tieferen kognitiven Ebene zu unterstützen. Durch die Möglichkeit, komplexe Konzepte multimodal zu visualisieren, semantische Verknüpfungen zwischen Themen anzubieten und Erkundungen simulationsbasiert zu gestalten, kann KI das Verständnis über bloßes Faktenwissen hinaus erweitern. Somit adressiert KI eine zentrale Einschränkung klassischer projekt- oder erlebnisorientierter Lernformate. Während diese vorher häufig nur unzureichend an einen systematischen, kumulativen Wissensaufbau anschlussfähig sind, ermöglicht KI den Lernenden, an lebensnahen sowie offener gestalteten Projekten teilzunehmen, ohne auf die strukturierte Aneignung fachlicher Grundlagen und eine differenzierte Förderung verschiedener kognitiver Ebenen des Wissensaufbaus verzichten zu müssen. Allerdings setzt die effektive Nutzung dieser Potenziale eine hinreichend entwickelte kognitive Struktur der Lernenden voraus. Wird KI auf eine blosse «Lexikon- und Suchmaschinenfunktion» reduziert, könnten Lernende dazu neigen, Antworten direkt von ChatGPT zu übernehmen, ohne sich selbst aktiv mit den Inhalten auseinanderzusetzen. Nur wenn man über eine solide Wissensbasis und eine gefestigte kognitive Struktur verfügt, können die von der KI verarbeiteten Informationen sinnvoll und nachhaltig in die eigene Denkarchitektur integriert werden (Yu und Wang 2023; Witherby und Carpenter 2022). Ein höheres Maß an domänenspezifischem Vorwissen unterstützt Lernende zudem dabei, ihre Lernprozesse in KI-gestützten Umgebungen selbstreguliert zu steuern und dadurch zu vertieften kognitiven Lernergebnissen zu gelangen (Shoufan 2023; Xia u. a. 2023). Damit KI als kognitiver Begleiter statt als kognitiver Ersatz im Aufbau der individuellen Wissensarchitektur zu fungieren, kommt der Gestaltung der Lernumgebung eine zentrale Bedeutung zu. Lehrpersonen stehen dabei vor der Aufgabe, Lernsettings zu schaffen, in denen die Nutzung von KI nicht auf die schnelle Generierung von Antworten reduziert bleibt, sondern zum Ausgangspunkt vertiefter Auseinandersetzungen mit fachlichen Inhalten wird. Entscheidend ist, Lerngelegenheiten so zu gestalten, dass die Interaktion mit KI Reflexion, Vergleich, Begründung und Anwendung fördert, Prozesse, die den Aufbau von Verständnis und die aktive Integration neuen Wissens in bestehende kognitive Strukturen unterstützen (Atkinson 2025). In diesem Sinne kann KI, richtig eingebettet in didaktische Szenarien, unterschiedliche Ebenen des Wissensaufbaus anregen. Wie sich dieser Prozess in Bezug auf verschiedene Wissensformen konkret gestaltet, wird im Folgenden näher betrachtet. 3.1.1 Deklaratives Wissen Deklaratives Wissen (Anderson 2009), wie fachrelevante Termini, Begriffe und Sachverhalte, bildet die Grundlage für jede vertiefte Auseinandersetzung mit komplexen Themen. Im traditionellen Unterricht erfolgt die Aneignung häufig durch frontale Erklärung, Auswendiglernen und wiederholte Übungen. Diese Form der Standardisierung könnte kurzfristig prüfungsorientierte Leistungen verbessern, bleibt jedoch oft oberflächlich: Lernende tendieren dazu, Begriffe auswendig zu lernen und mechanisch zu reproduzieren, ohne deren zugrunde liegende Logik zu verstehen oder sie flexibel auf neue Kontexte zu übertragen. Um deklaratives Wissen nachhaltig zu verankern, braucht es Lernprozesse, die über das blosse Memorieren hinausgehen. Während deklaratives Wissen traditionell durch standardisierte Instruktion vermittelt wird, kann ein beschränkt-reaktionsfähiges Sprachmodell diese Prozesse dynamisieren, indem es innerhalb fachlich definierter Grenzen adaptiv auf Lernende reagiert. Dadurch entsteht ein «geleiteter Dialog», der sowohl inhaltliche Genauigkeit als auch kognitive Aktivierung fördert. KI-gestützte Systeme können hier als kognitive Begleitung wirken, indem sie unterschiedliche Strategien der Wissensaneignung personalisiert anstossen. Durch dialogbasierte Rückfragen, adaptive Erklärungen, anschauliche Analogien und visuelle Hilfen eröffnen sie den Lernenden multiple Zugänge zum gleichen Begriffsfeld. Beispiel: Im 11. Jahrgang starten die Schüler:innen im Deeper-Learning-Kurs zum Thema Klimaschutz. Die Lernenden nähern sich dem Thema zuerst mehrperspektivisch etwa durch Lektüren, Vorträge, Expertengespräche, Besuche an ausserschulischen Lernorten. Parallel dazu bekommen sie die Aufgabe, wichtige Grundbegriffe wie Treibhausgas, CO₂-Fussabdruck und Emission sicher zu verstehen. Anstatt sofort fertige Definitionen anzuzeigen, führt die eingesetzte KI die Lernenden Schritt für Schritt in die Auseinandersetzung hinein. Zuerst fordert sie die Schüler:innen auf, eigene Erklärungsversuche zu formulieren: «Wie würdet ihr jemandem den Begriff Treibhausgas in euren eigenen Worten erklären?» Erst nachdem die Lernenden ihre Ideen aufgeschrieben haben, liefert die KI gestufte Hinweise, zunächst einfache Alltagserklärungen, danach genauere fachliche Differenzierungen. So erleben die Jugendlichen, dass ihre ersten Gedanken aufgegriffen und weiterentwickelt werden, statt einfach durch eine fertige Lösung ersetzt zu werden. Im weiteren Verlauf stellt die KI kurze Quizfragen, mit denen die Schüler:innen ihr Verständnis selbst überprüfen können. Dabei erhalten sie sofort Rückmeldungen darüber, welche Begriffe sie schon sicher beherrschen und wo noch Unsicherheiten bestehen. Die KI hakt nach, wenn Antworten zu allgemein bleiben: «Kannst du ein Beispiel aus eurer Schule nennen, bei dem CO₂ ausgestossen wird?» oder «Wie unterscheidet sich ein Treibhausgas von normaler Luft?» Durch solche Rückfragen werden die Lernenden gefordert, ihre Erklärungen zu präzisieren und den Begriff nicht nur wortwörtlich zu wiederholen, sondern in einen konkreten Zusammenhang zu bringen. Zum Schluss passt die KI das Niveau an den jeweiligen Lernstand an und empfiehlt weiterführende Materialien, die auf den individuellen Verständnishorizont zugeschnitten sind. Während einige Schüler:innen mit einfachen Beispielen aus dem Alltag weiterarbeiten, etwa dem CO₂-Ausstoss durch das Auto der Familie, werden andere auf komplexere Anwendungsszenarien hingeführt, zum Beispiel die Rolle von CO₂ in internationalen Klimaverhandlungen. So wird das deklarative Wissen nicht als isoliertes Faktenwissen gelernt, sondern Schritt für Schritt gefestigt, differenziert und in lebensweltliche Bezüge integriert. Auf diese Weise entsteht eine aktive und tiefergehende Auseinandersetzung, die verhindert, dass das Lernen auf blosses Auswendiglernen oder das schnelle Nachschlagen bei der KI reduziert wird. 3.1.2 Konzeptuelles Wissen Während deklaratives Wissen vor allem einzelne Fakten und Termini betrifft, geht es beim konzeptuellen Wissen (Anderson 2009) um die logischen Zusammenhänge, hierarchischen Beziehungen und systemischen Strukturen zwischen Begriffen. Es bildet die Grundlage für den Aufbau eines kohärenten «Wissensnetzwerks» durch die Lernenden. Gerade in komplexen Lernbereichen wie Nachhaltigkeit oder Klimaschutz stellt dieses Schema (Derry 1996) die Voraussetzung dar, um aus fragmentierten Informationen ein verstehbares Ganzes zu konstruieren. Ein fundiertes Beherrschen von konzeptuellem Wissen entsteht in der Regel nicht beim ersten Versuch, sondern entwickelt sich allmählich im Prozess des wiederholten Erklärens, Vergleichens und Umstrukturierens. In der frühen Phase des konzeptuellen Wissenserwerbs kommt es entscheidend darauf an, dass Lernende nicht nur Begriffe auswendig lernen, sondern aktiv deren Beziehungen zueinander herstellen. KI kann diesen Prozess in mehreren aufeinander aufbauenden Schritten unterstützen. Statt einzelne Definitionen zu wiederholen, stellt die KI gezielte Fragen, die zu den Verknüpfungen führen. Solche Prompts regen Lernende an, erste Beziehungsgeflechte zu formulieren. Auf dieser Grundlage erstellt die KI mit den Lernenden ein einfaches Wissensgraph, in dem zentrale Knoten und Verbindungen sichtbar werden. Die KI kann solche Darstellungen automatisch analysieren und Rückmeldung geben, wo Relationen fehlen oder fehlerhaft gesetzt sind. Dadurch erkennen Lernende ihre eigenen Lücken im Wissensnetz. Im nächsten Schritt passt die KI die Komplexität dieser Darstellungen an das Vorwissen der Lernenden an. So wird Differenzierung gewährleistet und die kognitive Herausforderung auf einem angemessenen Niveau gehalten. Um das Netz nicht abstrakt zu belassen, fordert die KI die Lernenden auf, eigene Beispiele aus ihrer Lebenswelt einzubringen. Beispiel: Nach der intensiven Auseinandersetzung mit einzelnen Begriffen arbeiten die Schüler:innen im Deeper-Learning-Kurs weiter an der Frage, wie verschiedene Faktoren wie CO₂-Emissionen, Energieverbrauch und globale Erwärmung miteinander zusammenhängen. Die Lehrkraft setzt dabei ein KI-gestütztes Tool ein, das den Lernprozess Schritt für Schritt begleitet. Anstatt sofort ein Konzept-Mapping anzuzeigen, beginnt die KI mit gezielten Fragen, die die Jugendlichen zum Denken über Zusammenhänge anregen: «Welche Folgen hat ein erhöhter Stromverbrauch?» oder «Wie hängt der Autoverkehr mit dem Treibhauseffekt zusammen?» Solche Fragen bringen die Lernenden dazu, erste Verbindungen zwischen den Begriffen zu formulieren. Aus den Antworten erstellt die KI anschliessend eine einfache, aber noch unvollständige Wissensgraph, in dem die wichtigsten Knoten sichtbar sind, manche Verbindungen aber bewusst offenbleiben. Die Schüler:innen ergänzen diese Lücken gemeinsam, diskutieren ihre Ideen und erhalten Rückmeldungen, wenn Relationen fehlen oder falsch gesetzt sind. Auf diese Weise merken sie schnell, dass zum Beispiel der Einfluss von Industrie und Landwirtschaft auf die Emissionen in ihrer ersten Version gar nicht auftauchte. Im nächsten Schritt erhöht die KI die Komplexität der Darstellung, je nachdem, wie sicher die Lernenden bereits sind. Für manche Gruppen bleibt es bei einem klaren Ursache-Folge-Diagramm, andere erhalten ein komplexeres Modell, in dem auch Rückkopplungen sichtbar werden, etwa zwischen Energiepolitik, Wirtschaftswachstum und globaler Erwärmung. Damit das Ganze nicht abstrakt bleibt, fordert die KI die Schüler:innen auf, eigene Beispiele aus ihrem Alltag einzubringen, wie den Stromverbrauch im Schulgebäude oder die Heizgewohnheiten zu Hause. Schliesslich simuliert die KI alternative Szenarien: Was würde passieren, wenn die Schule auf erneuerbare Energien umsteigt? Wie verändert sich das System, wenn alle Schüler:innen den öffentlichen Nahverkehr nutzen? Die Jugendlichen müssen diese Szenarien in ihr Wissensnetz integrieren, wodurch das Konzept nicht nur verstanden, sondern aktiv erweitert wird. So entsteht Schritt für Schritt ein wachsendes Begriffsnetz, das die Zusammenhänge zwischen Klimaschutz und Alltagserfahrungen sichtbar und nachvollziehbar macht. 3.1.3 Prozedurales Wissen Prozedurales Wissen (Anderson 2009) umfasst das Wissen darüber, wie man bestimmte Aufgaben ausführt, d. h. Fertigkeiten, Abläufe und Strategien, die ein reines Fakten- oder Beziehungswissen in konkrete Handlungen übersetzen. Es geht um das schrittweise Anwenden, Üben und Automatisieren von Vorgehensweisen in realitätsnahen Kontexten. KI kann hier den Aufbau stabiler Handlungsroutinen fördern und gleichzeitig Raum für experimentelles, erfahrungsorientiertes Lernen schaffen, indem sie Lernende nicht nur mit vielfältigen Übungsformaten versorgt, sondern vor allem ihre Handlungswege sichtbar macht und in Echtzeit Feedback zu einzelnen Schritten gibt. Das Besondere liegt darin, dass die KI neben der Bewertung der Endergebnisse auch Zwischenschritte analysiert, Fehlstrategien identifiziert und gezielte Hinweise gibt, wie ein Verfahren angepasst werden kann. Durch adaptives Scaffolding kann KI Aufgaben graduell schwieriger machen, Wiederholungen passgenau einstreuen oder alternative Lösungswege anregen, wenn Lernende in Sackgassen geraten. Noch wirkmächtiger sind KI-gestützte Simulationen, wie sie in virtuellen Laboren, digitalen Planspielen oder medizinischen Trainingsumgebungen zum Einsatz kommen, in denen prozedurales Wissen in komplexen, praxisnahen Handlungssituationen angewendet wird. In solchen «sicheren Übungsräumen» dürfen Fehler gemacht werden, die sofort rückgemeldet und als Lernanlass genutzt werden können. Beispiel: Im Deeper-Learning-Kurs zum Thema Klimaschutz arbeiten Schüler:innen an der Aufgabe, den CO₂-Fussabdruck ihrer Schule zu ermitteln und konkrete Einsparmassnahmen vorzuschlagen. Die KI unterstützt diesen Prozess, indem sie die Lernenden Schritt für Schritt durch die Berechnung führt: Zunächst müssen sie Datensätze zu Stromverbrauch, Heizenergie oder Verkehr sammeln und eingeben. Gibt es Fehler oder Unstimmigkeiten in der Dateneingabe, weist die KI darauf hin und schlägt Korrekturen vor. Anschliessend hilft sie, die Berechnungsformeln korrekt anzuwenden, erkennt typische Missverständnisse und gibt alternative Lösungsstrategien. Schliesslich simuliert sie verschiedene Szenarien: «Wie verändert sich die Bilanz, wenn die Beleuchtung auf LED umgestellt wird?» oder «Was passiert, wenn 30% der Schüler:innen mit dem Fahrrad kommen?» Die Jugendlichen üben so nicht nur die korrekte Anwendung einzelner Berechnungsschritte, sondern erleben prozedurales Wissen als iterative Praxis: Daten sammeln, aufbereiten, überprüfen, anpassen, neu entscheiden. 3.1.4 Metakognitives Wissen Metakognitives Wissen (Anderson 2009) bezeichnet die Fähigkeit, das eigene Denken bewusst zu beobachten, zu regulieren und strategisch weiterzuentwickeln. Es umfasst Wissen über kognitive Strategien, über die Bedingungen ihres Einsatzes sowie über die Fähigkeit, die eigene Lernwirksamkeit einzuschätzen. Forschung zeigt, dass diese Kompetenzen nicht nur für ähnliche Lernsituationen (near transfer), sondern auch für fachfremde und neuartige Kontexte (far transfer) bedeutsam sind, was Metakognition zu einer Schlüsselfähigkeit für nachhaltiges Lernen macht (Flavell 1979; Wirth u. a. 2025). In Lernprozessen mit Künstlicher Intelligenz gewinnt diese Kompetenz zunehmend an Bedeutung. Relevante Studien haben die Bedeutung der Metakognition für die Vorhersage der Wahrnehmung und Nutzungseffizienz von generativer KI bestätigt (Abdelhalim 2024). Aktivere und kritischere Muster der Mensch-Computer-Zusammenarbeit führen häufig zu besseren Lernergebnissen (Güner und Er 2025). Im Umgang mit KI genügt es für Lernende nicht, Informationen lediglich zu rezipieren; vielmehr müssen sie lernen, ihr eigenes Denken systematisch zu reflektieren und zu regulieren. Denn Informationen sind nicht automatisch gleichzusetzen mit Wissen. KI-generierte Antworten können fehlerhaft, vage oder widersprüchlich sein. Daraus ergibt sich die Notwendigkeit, die Qualität, Relevanz und Kohärenz solcher Antworten kritisch zu prüfen. In diesem Sinne wirkt KI wie ein Spiegel des eigenen Denkens: Unklare Fragen führen zu unklaren Antworten, logische Brüche im Denken schlagen sich in inkonsistenten Ergebnissen nieder. Solche Momente produktiver Irritation stellen jedoch wertvolle Lernanlässe dar, da sie Lernende dazu herausfordern, ihre Fragetechniken zu überarbeiten, Begründungen einzufordern und eigene Hypothesen zu überprüfen. Ein zentrales Element metakognitiver Aktivierung im Umgang mit KI besteht darin, die Fähigkeit zur kritischen Evaluation, im Sinne einer «Fehler- und Lücken-Sensibilität», zu entwickeln. Lernende erleben häufig, dass KI-Antworten in den ersten Interaktionsrunden unpräzise, tautologisch oder nur oberflächlich differenziert sind. Der didaktische Mehrwert liegt darin, gezielt deren Schwächen zu identifizieren und durch Nachfragen zu präzisieren. Dieses gezielte Nachhaken setzt sowohl fachliches Vorwissen als auch eine Art intellektuelles Urteilsvermögen voraus, das Gespür dafür, ob eine Erklärung klar, logisch und gehaltvoll ist. Auf diese Weise wird das dialogische Iterieren mit der KI zu einem Trainingsfeld für metakognitive Regulation: Lernende üben, Unstimmigkeiten wahrzunehmen, Rückfragen zu formulieren und die Qualität von Antworten sukzessive zu steigern. Um Lernende bei dieser komplexen Reflexionsaufgabe zu unterstützen, kann «metacognitives Scaffolding» (Lim u. a. 2023) eingesetzt werden. Darunter versteht man adaptive Unterstützungsstrukturen, die Lernende dazu anleiten, ihr eigenes Denken sowie die Qualität maschineller Antworten systematisch zu überwachen. Empirische Studien zeigen, dass der gezielte Einsatz solcher metakognitiver Gerüstsysteme nicht nur das Bewusstsein für Denkprozesse stärkt, sondern auch tiefere Lernprozesse fördert: Lernende entwickeln differenziertere Lernstrategien, höhere kognitive Hierarchien und erzielen insgesamt bessere akademische Leistungen (Wu u. a. 2025; Wang u. a. 2025). Konkret sollten Lernende erstens die Klarheit von Antworten prüfen, indem sie sich fragen, ob sie die Erklärung in eigenen Worten wiedergeben oder mit Beispielen aus ihrem Alltag illustrieren können. Zweitens ist die Richtigkeit zu verifizieren, etwa durch den Abgleich mit vertrauenswürdigen Quellen oder durch die Übertragung der Antwort auf neue Aufgabenstellungen. Drittens gilt es, die Kohärenz zu prüfen, indem verschiedene Antworten der KI miteinander verglichen oder unterschiedliche Aspekte eines Themas auf innere Widersprüche untersucht werden. Solche Überprüfungen können durch Checklisten oder gezielte Impulse der Lehrkraft unterstützt werden. Ergänzend gewinnt in der jüngsten Diskussion um den sogenannten «Knowledge Collapse» (Peterson 2025) eine weitere Dimension metakognitiver Reflexion an Bedeutung: Lernende sollten nicht nur die Richtigkeit, sondern auch die Varianz, Repräsentativität und mögliche Verzerrung von KI-generierten Antworten prüfen, d.h. reflektieren, inwieweit die gegebenen Informationen tatsächlich das gesamte Antwortspektrum zu einer Fragestellung abbilden. Diese Perspektive erweitert den Fokus von der bloßen Fehlererkennung hin zur kritischen Beurteilung epistemischer Grenzen künstlicher Intelligenz. Beispiel: Die Schüler:innen im Deeper-Learning-Kurs kriegen die Denkaufgabe darüber, wie ihre Schule den CO₂-Ausstoss verringern könnte. Sie nutzen eine KI, um erste Vorschläge zu sammeln. Die Antworten der KI reichen von sehr allgemeinen Ideen wie «mehr Bäume pflanzen» bis hin zu konkreteren Massnahmen wie «Umstellung der Beleuchtung auf LED». An diesem Punkt greift die Lehrkraft die Gelegenheit auf, metakognitive Strategien explizit einzuführen. Gemeinsam mit der Klasse werden drei Prüffragen erarbeitet: Ist die Antwort klar formuliert? Ist sie sachlich richtig? Ist sie mit anderen Antworten konsistent? Die Schüler:innen wenden diese Fragen nun direkt im Umgang mit der KI an. Ein Schüler bemerkt, dass der Vorschlag «mehr Solarpaneele auf den Dächern» zwar sinnvoll klingt, aber in der KI-Antwort unklar bleibt, wie viele Paneele gemeint sind und ob dies technisch überhaupt möglich ist. Daraufhin fordert er die KI auf, die Massnahme genauer zu spezifizieren. Eine andere Gruppe vergleicht die Aussage «Energiesparen durch Abschalten von Geräten im Standby» mit den Angaben zur CO₂-Bilanz im Vorjahr und merkt, dass die Effekte stark überschätzt wurden. Wieder andere entdecken Widersprüche: Während eine Antwort Energiesparen durch weniger Heizen empfiehlt, verweist eine andere auf den Bau neuer Glasfassaden, was dem Ziel entgegenlaufen würde. Durch diese gezielten «Check»-Schritte lernen die Schüler:innen sowohl die Vorschläge der KI kritisch zu hinterfragen, als auch eigene Massstäbe für Qualität und Plausibilität zu entwickeln. Sie markieren offene Fragen, notieren fehlende Belege und passen ihre weitere Recherche entsprechend an. Die KI dient hier als Ausgangspunkt für Reflexion: Sie liefert Impulse, die die Lernenden in ihrem eigenen Denkprozess überprüfen, sortieren und weiterentwickeln müssen. So etabliert sich Schritt für Schritt eine Reflexionsroutine. Die Schüler:innen entwickeln ein Bewusstsein dafür, wie sie mit Informationen umgehen, welche Fragen sie stellen und nach welchen Kriterien sie Antworten bewerten. Moderne KI-Systeme können diesen Prozess zusätzlich durch Dashboards oder Feedbackmodule begleiten, die etwa das Fragemuster oder den Grad der kritischen Auseinandersetzung sichtbar machen. Auf diese Weise wird die Interaktion mit KI zu einem Katalysator für metakognitive Aktivierung. 3.1.5 Überprüfung des Wissensfundaments In einem KI-gestützten, adaptiven Lernsystem wird der Wissenserwerb der Schüler:innen nicht mehr als schwer zugängliche «Black Box» (Black und Wiliam 2010) behandelt, die lediglich diffus beschreibt, wie viel gelernt wurde. Stattdessen ermöglicht der gezielte Einsatz von KI-gestützten Datenverfolgung, Leistungsanalysen und personalisierten Feedbackmechanismen eine kontinuierliche, transparente und präzise Evaluation des Lernfortschritts und leistet einen Beitrag zur Förderung der Selbstregulationsfähigkeit der Lernenden (Molenaar, Horvers, und Baker 2021b; Liao u. a. 2024; De Mooij u. a. 2025a; 2025b). Bereits zu Beginn eines Projekts absolvieren die Schüler:innen einen diagnostischen Test, der multidimensionale Informationen liefert, darunter Wissensbeherrschung, Lerngeschwindigkeit, individuelle Lernstile und typische Fehlvorstellungen. Zeigt sich beispielsweise, dass bestimmte Begriffe unklar bleiben, generiert das System keinen direkten «Nachhilfe-Text», sondern eröffnet individualisierte Lernpfade: Es schlägt vertiefende Fragen, anschauliche Analogien oder passende Materialien vor. Während des weiteren Lernprozesses stellt die KI dynamische Analysen bereit. Sie differenziert die erreichten Fortschritte nach Wissensdimensionen, erkennt wiederkehrende Fehlstrategien und generiert formative Rückmeldungen (Heck, Meurers, und Nuxoll 2022), die auf die nächste Zone der proximalen Entwicklung (Vygotsky 1980) der einzelnen Lernenden abzielen. Auf dieser Basis können Lehrkräfte gezielt ansetzen, Nachfragen stellen und Reflexionsschleifen einleiten. Die Verfügbarkeit fortlaufender, KI-gestützter Diagnostik dezentriert die traditionelle Schlussprüfung. Anstatt am Ende einer Lerneinheit eine einmalige Leistungsstichprobe zu erheben, werden Kompetenzstände über kurze, kontextsensitive Mikro-Rückmeldungen sichtbar gemacht und unmittelbar bearbeitet. Lernhindernisse werden so während des Lernens adressiert, nicht erst danach (Sliwka und Klopsch 2022). Ergänzend dazu können KI-Systeme nicht nur den aktuellen Wissensstand präzise erfassen, sondern auch mithilfe prädiktiver Analysemodelle zukünftige Lernentwicklungen antizipieren (OECD 2021; Ranjeeth, Latchoumi, und Paul 2020). So kann das intelligente Tutorensystem durch kontinuierliche Analyse von Verhaltensdaten frühzeitig Anzeichen für Lernschwierigkeiten oder motivational bedingte Stagnation erkennen. Registriert das System beispielsweise eine hohe Log-in-Frequenz bei gleichzeitigem Stillstand im Lernfortschritt oder eine überdurchschnittlich hohe Fehlerquote in einem bestimmten Wissensbereich, wird die Lehrkraft benachrichtigt. In einem anschliessenden Coaching-Dialog kann dann gemeinsam eruiert werden, ob motivationaler Unterstützungsbedarf besteht oder ob das Lernmaterial angepasst werden sollte. So wird Frustration vorbeugt und eine nachhaltige Selbstregulation gefördert (Pajares 2008). Beispiel: Zu Beginn der Projektwoche führt die Klasse einen KI-gestützten Eingangstest durch. Abgefragt werden neben Grundbegriffen (z. B. Treibhausgas, CO₂-Bilanz, Energieeffizienz), auch typische Fehlvorstellungen. Die Auswertung erscheint für Lernende und Lehrkraft in einem Dashboard: Mehrere Schüler:innen verwechseln etwa Kilowattstunde (kWh) mit Kilogramm CO₂. Die KI markiert dies nicht mit einer fertigen Lösung, sondern leitet eine kurze, geführte Klärungssequenz ein. Sie fordert die Lernenden auf, in eigenen Worten zu beschreiben, was der heimische Stromzähler misst, und bittet anschliessend um ein alltagsnahes Beispiel, das Energieverbrauch von Emissionen unterscheidet. Erst nachdem die Klasse ihre Erklärungen formuliert hat, erhalten sie adaptives Feedback und kurze Visualisierungen, die auf verschiedenen Niveaus denselben Zusammenhang veranschaulichen. Im weiteren Verlauf zeigt das Dashboard Lernfortschritte nach Wissensdimensionen. Bei einer Gruppe fällt auf, dass sie in Rechenaufgaben konsistent Einheiten vertauscht. Die KI schlägt keine Endergebnisse vor, sondern gibt schrittweise Hinweise («Prüfe: Misst du Energie oder Emission?») und verlinkt gezielt auf ein kurzes Erklärvideo sowie drei Übungsitems mit wachsender Komplexität. Parallel erkennt das System bei zwei Lernenden ein Muster aus hoher Log-in-Frequenz bei stagnierenden Ergebnissen und informiert die Lehrkraft. In einem kurzen Coachinggespräch klärt diese gemeinsam mit den Schüler:innen, ob Überforderung, Ablenkung oder ungeeignete Strategien vorliegen, und vereinbart mit ihnen einen reduzierten, klar strukturierten Übungsplan. Am Ende der Woche generiert die KI einen formativen Bericht, der nicht nur Punktzahlen, sondern auch Fehlertypen, bearbeitete Hilfestufen und nächste Lernziele ausweist. Nur wenn die durch KI generierten Inhalte in dialogischer Auseinandersetzung transformiert und aktiv verarbeitet werden, entsteht tatsächlich verinnerlichtes Wissen. Hierfür braucht es Lernsettings, die nicht nur technologische, sondern vor allem pädagogische Offenheit fördern und die Selbstwirksamkeit der Lernenden systematisch stärken.

MS-LS3-2 , Reproduction & Heredity: Mitosis vs. Meiosis, asexual vs. sexual reproduction, dominant/recessive traits, Punnett squares.