Grundlagenwissen zu Künstlicher Intelligenz von angehenden Lehrkräften

In der Dissertation von Frau Dr.in Schmidt wird ausgehend von der zunehmenden Relevanz von Künstlicher Intelligenz (KI) im Rahmen digitaler Transformationsprozesse ein Strukturmodell für KI-bezogene Kompetenzfacetten (angehender) Lehrkräfte im berufsbildenden Bereich entwickelt. Das Wissen zu KI nimmt dabei in Anlehnung an die Professionalisierungsforschung eine zentrale Rolle ein.



Im Rahmen der Arbeit wird der Frage nachgegangen, wie das Grundlagenwissen (angehender) Lehrkräfte theoretisch modelliert und empirisch erfasst werden kann. Das entwickelte Testinstrument wurde anhand eines quantitativen Studiendesigns umfassend validiert.



Jacqueline Marie-Charlotte Schmidt war von 2018 bis 2023 wissenschaftliche Mitarbeiterin am Institut für Wirtschaftspädagogik der Universität Leipzig. Ihre Promotion schloss sie im September 2023 mit dem Gesamtprädikat summa cum laude an der Wirtschaftswissenschaftlichen Fakultät ab. Seit Januar 2024 ist sie Juniorprofessorin für Wirtschaftspädagogik, insbesondere: Digitalisierung in Bildungs- und Arbeitswelten an der Technischen Universität Dresden.



1 Entwicklung des Forschungsvorhabens

1.1 Relevanz der Arbeit

1.2 Zentrale Zielstellung und Forschungsfragen

1.3 Aufbau der Arbeit



2 Theoriebasierte Modellierung des KI-Grundlagenwissens für Lehrkräfte

2.1 Verortung des Untersuchungsgegenstandes

2.2 Kognitive und non-kognitive Kompetenzfacetten

2.3 Inhaltliche Anforderungen an das Wissen zu Künstlicher Intelligenz von (angehenden) Lehrkräften

2.4 Forschungsstand zur Ausprägung KI-bezogener Kompetenzfacetten bei (angehenden) Lehrkräften

2.5 Strukturmodell KI-bezogener Kompetenzfacetten von (angehenden) Lehrkräften im berufsbildenden Bereich



3 Operationalisierung KI-bezogener Kompetenzfacetten

3.1 Messgegenstand und Validierungsaspekte

3.2 Item- und Testkonstruktion

3.3 Objektivität des Tests

3.4 Dokumentation der Items zur Erfassung der KI-bezogenen Kompetenzfacetten



4 Empirische Erprobung des Testinstruments

4.1 Design

4.2 Datenaufbereitung und Umgang mit fehlenden Werten

4.3 Beurteilung des Wissenstests anhand von Kriterien der klassischen Testtheorie

4.4 Validierungsaspekt: Interne Struktur

4.5 Validierungsaspekt: Beziehung zu anderen Merkmalen

4.6 Analyse der quantitativen Daten



5 Das Grundlagenwissen zu Künstlicher Intelligenz bei angehenden Lehrkräften: neue Erkenntnisse und Perspektiven

5.1 Zusammenfassung der zentralen Ergebnisse

5.2 Limitationen und anschließende Forschungsdesiderata

5.3 Implikationen



Umfangreicher Anhang