Quellenstand
KI-Feedback gehört zu den naheliegenden schulischen Einsatzfeldern generativer KI. Rückmeldungen können sofort verfügbar sein, mehrfach eingeholt werden und sich auf konkrete Textstellen, Lösungswege oder Kriterien beziehen. Gerade darin liegt der pädagogische Reiz: Lernende müssen nicht warten, bis eine Lehrperson jede Zwischenfassung gelesen hat, sondern können früher in eine Überarbeitung kommen.
Die Forschung stützt diese Hoffnung, aber nicht in der einfachen Form «mehr KI-Feedback gleich mehr Lernen». Eine grosse Metaanalyse zu KI-gestütztem Feedback im L2-Schreiben berichtet positive Effekte, besonders auf emotionale Beteiligung und Schreibengagement. Für fachliches Verständnis, stabile Revision und Transfer sind die Befunde vorsichtiger zu lesen. Feedback ist also nicht schon deshalb lernwirksam, weil es schnell und sprachlich überzeugend klingt.
KI-gestütztes Feedback zeigt in Schreib- und Sprachlernkontexten im Mittel positive, aber begrenzte Effekte; die stärksten Hinweise betreffen Engagement und Überarbeitungsprozesse, nicht automatisch tiefes Verständnis.
Stützende Quellen
- Chenying Liu (2026): The effects of AI-assisted feedback on students’ perceptions, emotions, and learning outcomes in L2 writing: a three-level meta-analysis (öffnet in neuem Tab)
- Xiaofan Liu (2025): Integrating generative Artificial Intelligence into student learning: A systematic review from a TPACK perspective (öffnet in neuem Tab)
- Yuk Mui Elly Heung (2025): How ChatGPT impacts student engagement from a systematic review and meta-analysis study (öffnet in neuem Tab)
Chenying Liu, Maocheng Liang
Kurzfassung
Finds a modest positive overall effect of AI-assisted feedback in L2 writing, with stronger effects on emotional engagement than on cognitive gains and a clear need for pedagogical integration.
Grenzen
- The evidence concerns L2 writing and cannot be transferred automatically to all subjects or summative assessment contexts.
- Pilot studies report stronger effects than other designs, indicating design and publication-stage sensitivity.
- The synthesis supports supplementary feedback use, not autonomous replacement of teacher judgment.
- Three-level meta-analysis of AI-assisted feedback evidence involving 11,875 students
- Large synthesis size supports cautious feedback claims, while domain specificity and heterogeneity limit transfer to general AI-didactic recommendations.
- Funding disclosure was not fully verifiable from the accessible publisher record during extraction.
Der TPACK-Review zu GenAI-Lernen verstärkt diese Lesart. Entscheidend ist nicht das Tool allein, sondern die Passung von Technologie, fachlichem Inhalt und pädagogischem Ablauf. Ein Kommentar wie «präzisiere deine These» kann sehr hilfreich sein, wenn die Klasse vorher gelernt hat, woran eine präzise These erkennbar ist. Derselbe Kommentar bleibt oberflächlich, wenn Lernende ihn nur als Aufforderung verstehen, den Text per Knopfdruck gefälliger zu machen.
Xiaofan Liu, Baichang Zhong
Kurzfassung
Shows that GenAI learning effects depend on the alignment of technology, pedagogy and subject matter, and highlights pedagogical scaffolding as a recurring condition for productive student use.
Grenzen
- The reviewed evidence is very recent and uneven across school levels, with higher education strongly represented.
- The review synthesizes empirical studies but does not provide a pooled causal effect for secondary-school learning.
- Rapid product changes limit the durability of tool-specific findings.
- PRISMA systematic review of empirical GenAI learning studies after 30 November 2022 from a TPACK perspective
- The systematic review is directly relevant to instructional design, but heterogeneity and higher-education dominance constrain strong school-level prescriptions.
- Funding disclosure was not fully verifiable from the accessible publisher record during extraction.
Welche Lernhandlung zählt?
Für Unterricht verschiebt sich damit die Kernfrage. Nicht «Hat die KI hilfreiche Rückmeldungen gegeben?» ist entscheidend, sondern: Was tut die lernende Person mit dieser Rückmeldung? Lernwirksam wird Feedback erst, wenn es eine sichtbare Denk- oder Überarbeitungshandlung auslöst.
Diese Handlung lässt sich konkret beobachten. Eine lernende Person markiert zum Beispiel, welche Rückmeldung sie übernimmt, verwirft oder prüfen muss. Sie begründet eine Revision mit Bezug auf Ziel, Kriterien oder Quellen. Und sie zeigt in einer neuen Aufgabe, dass das zugrunde liegende Prinzip auch ohne identische KI-Hilfe verfügbar ist.
So entsteht ein anderer Unterrichtsrhythmus: Die KI liefert nicht das Urteil, sondern einen Anstoss. Die Schülerin oder der Schüler muss entscheiden, ob dieser Anstoss fachlich trägt. Genau diese Entscheidung ist der interessante Teil des Lernens.
KI-Feedback sollte als überarbeitbare Rückmeldung mit sichtbarer Lernhandlung eingesetzt werden; Lehrpersonen müssen Ziel, Qualitätskriterien, Fehlerrisiken und die finale fachliche Bewertung steuern.
Stützende Quellen
- Chenying Liu (2026): The effects of AI-assisted feedback on students’ perceptions, emotions, and learning outcomes in L2 writing: a three-level meta-analysis (öffnet in neuem Tab)
- Hansol Lee (2026): Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects (öffnet in neuem Tab)
- Xiaofan Liu (2025): Integrating generative Artificial Intelligence into student learning: A systematic review from a TPACK perspective (öffnet in neuem Tab)
Grenzen der Evidenz
Die Quellenlage ist stärker als bei vielen anderen GenAI-Fragen, aber sie ist nicht universell. L2-Schreiben, Hochschulsettings, kurze Interventionen und Pilotstudien sind überrepräsentiert. Daraus lässt sich für Sek-I- und Sek-II-Klassen keine einfache Wirkungsformel ableiten.
Besonders wichtig ist die Unterscheidung zwischen Engagement und Kompetenz. Wenn Lernende mehr schreiben, motivierter wirken oder schneller Rückmeldungen einholen, ist das pädagogisch relevant. Es beweist aber noch nicht, dass sie fachliche Qualität besser erkennen, Fehler nachhaltiger vermeiden oder ihr Können in neuen Situationen übertragen.
Yuk Mui Elly Heung, Thomas K. F. Chiu
Kurzfassung
Reports positive average effects of ChatGPT-supported learning on behavioural, cognitive and emotional engagement while also identifying risks of over-reliance and disengagement.
Grenzen
- The corpus contains only 17 empirical studies and combines varied disciplines, ages and implementation roles.
- Engagement gains are not equivalent to durable learning, independent transfer or better assessment validity.
- Risk findings are mapped from early empirical work and do not establish prevalence in Swiss secondary classrooms.
- Systematic review and random-effects meta-analysis of 17 empirical studies with 1,735 students
- The meta-analysis offers useful engagement evidence, but small corpus size and varied outcomes prevent treating engagement as a general learning guarantee.
- Funding disclosure was not fully verifiable from the accessible publisher record during extraction.
Für Sekundarschulen folgt daraus eine vorsichtige Linie: KI-Feedback ist gut begründbar, wenn es Lernprozesse sichtbar macht. Es ist schwach begründet, wenn es primär als Korrekturautomat eingesetzt wird und die fachliche Prüfung ersetzt.
Konsequenzen für die Praxis
Ein belastbares KI-Feedback-Setting beginnt deshalb nicht mit dem Prompt, sondern mit dem Qualitätsmassstab. Lernende müssen wissen, woran eine gute Lösung, ein überzeugender Absatz oder eine tragfähige Begründung erkennbar ist. Erst danach lohnt sich Feedback durch KI, weil die Rückmeldung an etwas geprüft werden kann.
Für die Praxis bedeutet das: Kriterien stehen vor dem Feedback. Jede Übernahme wird begründet oder sichtbar markiert. KI-Hinweise werden an Beispielen, Quellen oder fachlichen Regeln geprüft. Und der Schlussentscheid bleibt menschlich: Bewertet werden Produkt, Prozess und Begründung, nicht die Eleganz der KI-Kommentare.
Als Einstieg eignet sich ein kurzer Revisionsauftrag: zuerst eine eigene Fassung, dann KI-Feedback zu einem klaren Kriterium, anschliessend eine kommentierte Überarbeitung und zum Schluss eine kleine neue Aufgabe ohne identische KI-Hilfe. So bleibt Feedback ein Lerninstrument – und wird nicht zur Maschine, die Denken ersetzt.