Scaffolding-Prompts für die gezielte Lernunterstützung

Der Fehler liegt nicht primär im Modell, sondern im Prompt-Design: Wer generative Systeme mit der impliziten Anweisung „Löse das für mich“ in den Unterricht entlässt, delegiert nicht nur Erklärung, sondern Denkarbeit.

KI-Scaffolding-Prompts für Schüler setzen genau an dieser Schwachstelle an. Sie verpflichten das System dazu, Hilfen zu dosieren, einen eigenen Lösungsversuch einzufordern und erst dann die nächste Stufe freizugeben. Das klingt zunächst selbstverständlich. In der Praxis ist es jedoch eine normative Entscheidung gegen die Logik vieler allgemeiner Chatbots, deren Geschäftsmodell auf möglichst unmittelbarer, möglichst glatter Antwortproduktion beruht.

Die entscheidende Frage lautet daher nicht: „Kann KI erklären?“ Sie lautet: Unter welchen methodischen, datenschutzrechtlichen und pädagogischen Bedingungen darf eine KI überhaupt in einen Lernprozess eingreifen, ohne ihn zu entleeren?

Eine Lern-KI ist nicht daran zu messen, wie schnell sie Antworten produziert, sondern daran, wie konsequent sie den eigenen Denkweg der Lernenden schützt.

Vom Antwortautomaten zur didaktischen Lernstütze

Didaktisches Scaffolding bezeichnet temporäre Unterstützungen, die Lernende in einer zunächst noch nicht selbstständig bewältigbaren Aufgabe handlungsfähig machen. Diese Unterstützung wird nicht dauerhaft installiert. Sie wird schrittweise zurückgenommen, sobald Sicherheit, Verständnis und Kompetenz wachsen. Das Gerüst soll verschwinden können; sonst wird es zum Käfig.

Für ki-gestütztes Scaffolding ist dieser Punkt besonders heikel. Ein Sprachmodell besitzt weder ein belastbares Verständnis des individuellen Lernstands noch eine pädagogische Verantwortung im menschlichen Sinn. Es erzeugt plausible Sprache. Ob diese Sprache fachlich richtig, altersangemessen, diskriminierungsfrei oder didaktisch sinnvoll ist, bleibt eine offene Haftungsfrage derjenigen Institution, die das Werkzeug einsetzt.

Gerade deshalb müssen Prompts die Rolle der KI eng definieren. Ein brauchbarer Prompt beschreibt nicht bloß ein Thema, sondern regelt den Interaktionsmodus:

• Die KI fordert zunächst eine aktive Eingabe ein: einen ersten Rechenschritt, eine Hypothese, eine Gliederung oder die Erklärung dessen, was bereits verstanden wurde.
• Sie gibt zunächst Hinweise, Begriffsabgrenzungen oder Teilfragen aus – keine vollständige Lösung.
• Sie prüft den Gedankengang auf nachvollziehbare Fehler, ohne jede Lücke sofort zu schließen.
• Sie erhöht den Detailgrad nur stufenweise und erst nach einem erkennbaren eigenen Versuch.
• Sie kennzeichnet Unsicherheiten, statt Vermutungen als Wissen auszugeben.
• Sie verweist bei fachlich oder persönlich sensiblen Fragen an die Lehrkraft, nicht an die nächste Textgeneration.

Damit wird aus einer offenen Anfrage ein didaktischer Vertrag. Die KI erhält keine Freigabe, anstelle des Lernenden zu denken; sie erhält einen begrenzten Auftrag, Denkbewegungen sichtbar zu machen.

Das unterscheidet Hilfestellungen durch KI-Prompts grundlegend von der bloßen Automatisierung von Hausaufgaben. Wer diese Differenz verwischt, verwechselt Zugriff auf Information mit Kompetenzentwicklung. Ein Schüler, der eine perfekte Interpretation kopiert, hat keine Interpretation gelernt. Er hat die Blackbox effizient bedient.

Das Stufenmodell: Verantwortung muss wandern

Die klassische Logik des Scaffoldings lässt sich in vier Phasen ordnen: Modellierung, gemeinsame Übung, angeleitete Übung und selbstständige Übung. Für KI-Prompts ist dieses Modell brauchbar, sofern man seine Grenze ernst nimmt: Die KI kann einzelne Unterstützungshandlungen simulieren, aber sie ersetzt weder Diagnostik noch Beziehung noch professionelles Urteil der Lehrkraft.

Ein didaktisches Prompt-Design muss diese Übergabe sprachlich erzwingen. Die Formulierung „Hilf mir bei der Aufgabe“ genügt nicht. Sie lädt die KI geradezu dazu ein, ihre Standardfunktion auszuspielen: Antwort liefern, sprachlich abrunden, Zweifel verdecken.

Besser ist eine präzise Rollenbindung, etwa für den Mathematikunterricht:

1. „Übernimm die Rolle eines Lernbegleiters für lineare Gleichungen der Jahrgangsstufe 8.“

2. „Gib niemals direkt die vollständige Lösung aus.“

3. „Fordere zuerst meinen bisherigen Lösungsansatz an.“

4. „Prüfe nur den nächsten Rechenschritt und stelle bei einem Fehler eine Rückfrage.“

5. „Gib höchstens einen Hinweis pro Nachricht; erkläre den vollständigen Lösungsweg erst, nachdem ich zwei ernsthafte Lösungsversuche dokumentiert habe.“

6. „Beende jede Antwort mit einer konkreten Aufgabe, die ich selbst beantworten muss.“

Die Qualität liegt nicht in der Länge dieser Anweisung, sondern in ihrer didaktischen Zumutung. Der Lernende darf nicht in die passive Rolle eines Empfängers zurückfallen. Die KI darf nicht aus Bequemlichkeit oder vermeintlicher Hilfsbereitschaft den produktiven Widerstand der Aufgabe beseitigen.

Im Deutschunterricht verschiebt sich die Form, nicht das Prinzip. Bei einer Gedichtanalyse kann die KI zunächst verlangen, zwei sprachliche Auffälligkeiten zu benennen, anschließend nach deren Wirkung fragen und erst dann mögliche Deutungsrichtungen anbieten. Im Biologieunterricht kann sie eine Hypothese zur Funktion eines Organs einfordern, Gegenbeispiele verlangen und die fachsprachliche Präzisierung erst am Ende liefern. Beim Schreiben eines Essays sollte sie nicht den fertigen Absatz generieren, sondern eine These auf innere Spannung, Belegbarkeit und Gegenargumente prüfen.

Die erste Antwort der KI darf nicht die Lösung sein. Sie muss eine Aufforderung zur eigenen Leistung sein.

Progressive Offenlegung ist keine Höflichkeitsformel

Für lernorientierte KI-Produkte wird zu Recht eine progressive Offenlegung verlangt: zunächst Hinweise und Teilschritte, danach zunehmend konkretere Hilfen; eine vollständige Lösung erst nach einem ernsthaften eigenen Versuch. Diese Reihenfolge ist keine pädagogische Dekoration. Sie schützt die epistemische Eigenleistung.

Die Versuchung, jede Hürde sofort zu entfernen, ist bei generativer KI besonders stark. Ein Satz wie „Ich verstehe das nicht“ wird häufig mit einer ausformulierten Erklärung beantwortet. Das kann in einzelnen Situationen sinnvoll sein – etwa bei einer Begriffsdefinition oder einer sprachlichen Verständnishürde. Als Standardmuster ist es jedoch problematisch, weil es Unverständnis nicht diagnostiziert, sondern überspringt.

Ein tragfähiger Prompt unterscheidet mindestens vier Arten von Hilfen:

• Orientierungshilfe: Die KI klärt, worum es in der Aufgabe überhaupt geht, und trennt relevante von dekorativen Informationen.
• Strategiehinweis: Sie benennt eine mögliche Denkoperation, etwa „Formuliere zuerst die zentrale Behauptung in einem Satz“ oder „Isoliere vor dem Umformen die Variable.“
• Fehlerrückmeldung: Sie verweist auf einen konkreten Bruch im Gedankengang, ohne die korrekte Antwort sofort nachzuliefern.
• Erklärungshilfe: Erst wenn ein nachvollziehbarer Versuch vorliegt, erläutert sie ein Konzept, einen Zwischenschritt oder eine Lösungsmethode detaillierter.

Die folgende Prompt-Struktur ist in vielen Fächern robuster als eine Sammlung vermeintlich „magischer“ Formulierungen:

„Du bist ein fachlicher Lernbegleiter für [Fach], Niveau [Jahrgangsstufe]. Unterstütze mich beim Thema [Thema], ohne die Aufgabe für mich zu lösen. Frage zuerst, was ich bereits versucht habe. Gib danach nur eine Leitfrage oder einen kleinen Hinweis. Bitte mich, meinen nächsten Schritt zu begründen. Wenn meine Antwort fachlich nicht trägt, benenne die Stelle und stelle eine Rückfrage. Eine vollständige Erklärung darfst du erst geben, wenn ich ausdrücklich darum bitte und einen eigenen Lösungsversuch gezeigt habe.“

Die Einschränkung „wenn ich ausdrücklich darum bitte“ genügt allerdings nicht immer. Lernende können – verständlicherweise – nach der schnellsten Entlastung greifen. Daher muss die Lehrkraft entscheiden, ob das System im jeweiligen Szenario überhaupt zur vollständigen Auflösung berechtigt ist. Bei Übungsphasen kann dies sinnvoll sein; bei bewertungsnahen Aufgaben, Hausaufgaben oder der Vorbereitung auf Leistungsnachweise ist es häufig das falsche Design.

Auch das Alter ist kein Randdetail. Die UNESCO hat für den Einsatz von KI-Werkzeugen im Klassenraum ein Mindestalter von 13 Jahren vorgeschlagen. Das ist kein weltweit geltendes Gesetz und keine deutsche Rechtsnorm. Es markiert jedoch eine pädagogische Warnlinie: Jüngere Lernende benötigen keine frei flottierende Gesprächsmaschine mit unklaren Datenflüssen und unvorhersehbaren Inhalten, sondern eng gerahmte, von Erwachsenen verantwortete Lernumgebungen.

Prompting-Techniken für Lernbegleitung: konkret statt dekorativ

Schwache Prompts benennen ein Thema. Gute Prompts regeln Verhalten. Entscheidend sind dabei nicht kreativ klingende Rollenbezeichnungen, sondern überprüfbare Vorgaben für Hilfetiefe, Sprache, Fehlerkultur und Eskalation.

Die Rückfragepflicht

Die KI soll nicht erklären, bevor sie weiß, woran der Lernende arbeitet. Eine Rückfragepflicht verhindert, dass das Modell aus einer dürftigen Anfrage eine lange, womöglich unpassende Belehrung erzeugt.

Beispiel:

„Bevor du erklärst, stelle mir genau eine Frage zu meinem bisherigen Verständnis. Nutze meine Antwort, um die nächste Hilfestufe auszuwählen.“

Das wirkt banal, hat aber Konsequenzen: Die Antwort der KI wird an einen sichtbaren Schülerbeitrag gebunden. Damit entsteht zumindest ein Ansatz von Diagnostik, obgleich die endgültige Diagnosekompetenz selbstverständlich nicht bei der Maschine liegt.

Die Ein-Schritt-Regel

Zu viele Hinweise auf einmal sind keine Unterstützung, sondern eine zerlegte Musterlösung. Gerade leistungsstarke Sprachmodelle formulieren so flüssig, dass die kognitive Übernahme kaum auffällt. Die Ein-Schritt-Regel begrenzt diese Übergriffigkeit.

Beispiel:

„Gib pro Antwort nur einen nächsten Arbeitsschritt. Warte meine Reaktion ab. Nenne keine weiteren Schritte und kein Endergebnis.“

Diese Regel eignet sich besonders für Mathematik, Programmierlogik, naturwissenschaftliche Herleitungen und Textüberarbeitungen. Sie ist hingegen weniger sinnvoll, wenn Lernende zunächst einen Überblick über ein komplexes Thema benötigen. Methodik ist kein Dogma; sie muss dem Lernziel folgen.

Die Begründungspflicht

Ein richtiger Treffer kann geraten sein. Deshalb sollte die KI nicht nur Antworten abfragen, sondern Begründungen. Das verlagert Aufmerksamkeit von der Ergebnisfixierung auf die Struktur des Denkens.

Beispiel:

„Wenn ich eine Antwort gebe, frage zuerst nach meiner Begründung. Bewerte nicht nur richtig oder falsch, sondern prüfe, ob mein Gedankengang die Schlussfolgerung trägt.“

Im Geschichtsunterricht kann die KI damit etwa zwischen Quellenbeobachtung und Interpretation unterscheiden lassen. Im Physikunterricht kann sie verlangen, dass ein verwendetes Gesetz benannt und seine Anwendbarkeit begründet wird. Im Fremdsprachenunterricht kann sie nicht nur eine Korrektur liefern, sondern nach der grammatischen Regel fragen, die die Korrektur rechtfertigt.

Die Unsicherheitsklausel

Generative Modelle erzeugen plausible, aber falsche, veraltete, voreingenommene oder unangemessene Inhalte. Ein Prompt, der diese Tatsache ignoriert, baut auf einer Fiktion von Verlässlichkeit auf. Die Unsicherheitsklausel zwingt die KI zur Transparenz – ohne daraus eine Garantie zu machen, die sie nicht geben kann.

Beispiel:

„Wenn du bei einer fachlichen Aussage unsicher bist oder keine belastbare Grundlage benennen kannst, formuliere dies ausdrücklich. Erfinde keine Quellen, Daten oder Beispiele. Schlage vor, welche Aussage mit dem Unterrichtsmaterial oder der Lehrkraft geprüft werden sollte.“

Das ist kein Schutz gegen Halluzinationen im technischen Sinn. Es ist eine institutionelle Erwartung, die kritisches Denken KI gegenüber erst möglich macht. Schülerinnen und Schüler müssen lernen, dass sprachliche Souveränität keine Evidenz ersetzt.

Die pädagogische Blackbox endet nicht am Klassenraum

Die Debatte über didaktisches Prompt-Design wird gern so geführt, als sei sie eine Frage der geschickten Formulierung. Das greift zu kurz. Ein sauberer Prompt kann keine unzulässige Datenverarbeitung heilen, keinen proprietären Algorithmus transparent machen und keinen Bias neutralisieren, der in Trainingsdaten, Sicherheitsfiltern oder Antwortprioritäten angelegt ist.

Sobald Schülerdaten in ein generatives System eingegeben werden, berührt der Unterricht die informationelle Selbstbestimmung. Namen, Leistungsstände, Förderdiagnosen, Konfliktbeschreibungen, vollständige Hausaufgaben mit identifizierbaren Angaben oder sensible Familieninformationen gehören nicht ungeprüft in öffentliche KI-Dienste. Die britischen Bildungsleitlinien empfehlen ausdrücklich, keine personenbezogenen Daten in generative Tools einzugeben; sofern dies unvermeidbar sein sollte, müssen Datenschutzrecht und die jeweilige Datenschutzpolitik eingehalten werden.

Für Schulen in Deutschland folgt daraus keine bequeme Standardantwort, sondern eine Prüfungspflicht auf mehreren Ebenen:

• Welcher Anbieter verarbeitet welche Eingaben, zu welchem Zweck und in welchem Rechtsraum?
• Werden Inhalte zur Modellverbesserung, Protokollierung oder Sicherheitsanalyse gespeichert?
• Kann die Schule die Verarbeitung vertraglich und organisatorisch kontrollieren?
• Welche Datenminimierung ist technisch tatsächlich erzwungen – nicht bloß in einer Handreichung empfohlen?
• Wer trägt die Verantwortung, wenn die KI diskriminierende, falsche oder entwicklungsunangemessene Inhalte erzeugt?
• Welche Alternative steht bereit, wenn ein Schüler nicht einwilligen kann, keinen Zugang besitzt oder das Tool aus guten Gründen nicht nutzen will?

Die Haftungsfrage beginnt nicht erst beim Schaden. Sie beginnt beim Design der Unterrichtssituation. Wer ein Tool zur individuellen Lernbegleitung einsetzt, schafft Erwartungen an Verlässlichkeit, Schutz und Fairness. Ein Hinweis in den Nutzungsbedingungen, wonach Ausgaben fehlerhaft sein könnten, entbindet die Schule nicht von ihrer professionellen Verantwortung.

Besonders kritisch ist die Personalisierungsrhetorik. Adaptives Lernen kann sinnvoll sein, wenn es Lernwege differenziert und Barrieren reduziert. Es wird jedoch normativ fragwürdig, wenn ein System Lernende früh kategorisiert, aus vergangenen Antworten stabile Leistungsprofile ableitet oder bestimmte Gruppen häufiger auf vereinfachte Aufgabenpfade lenkt. Bias zeigt sich nicht nur in offen diskriminierenden Formulierungen. Er kann in der stillen Absenkung von Erwartungen liegen.

Lehrkraftaufsicht: keine dekorative Freigabe

Es gibt einen substantiellen Unterschied zwischen einer KI, die frei im Klassenraum antwortet, und einer kursbezogenen Unterstützung, deren Wissensbasis, Antwortformen und Sichtbarkeit durch Lehrkräfte begrenzt werden. Erprobte Modelle im Hochschulbereich zeigen, was Schulen daraus übernehmen sollten: Antworten lassen sich auf bereitgestellte Materialien beschränken; Lehrkräfte können sie einsehen, bearbeiten oder freigeben; und sie können festlegen, ob das System Hinweise, Leitfragen oder überhaupt direkte Antworten geben darf.

Das ist der richtige institutionelle Reflex. Nicht „Vertrauen wir dem Modell?“, sondern: Welche Befugnisse erhält es in welchem Lernsetting?

Für die schulische Praxis ergibt sich daraus ein gangbarer Ablauf:

1. Lernziel vor Toolwahl definieren. Soll eine Kompetenz aufgebaut, geübt, diagnostiziert oder reflektiert werden? Ohne diese Entscheidung bleibt KI-Einsatz bloße Aktivität.

2. Materialbasis begrenzen. Wenn möglich, arbeitet die KI mit von der Lehrkraft ausgewählten Texten, Aufgaben, Begriffen und Bewertungsrastern statt mit dem unüberschaubaren Außenwissen eines allgemeinen Modells.

3. Hilfestufen verbindlich einstellen. Hinweise, Teilfragen und Rückmeldungen sollten der Standard sein; vollständige Lösungen eine bewusst freigegebene Ausnahme.

4. Schülerinteraktionen sichtbar machen. Nicht zur lückenlosen Überwachung, sondern damit Lehrkräfte Denkwege, typische Irrtümer und problematische KI-Antworten erkennen können.

5. KI-Ausgaben fachlich prüfen lassen. Die Klasse sollte Behauptungen mit Unterrichtsmaterial, Quellen, Rechenwegen oder Gegenbeispielen abgleichen. Kritik an der KI ist kein Zusatzmodul, sondern Teil der Methode.

6. Ausweichwege anbieten. Kein Lernfortschritt darf davon abhängen, dass ein Schüler personenbezogene Daten preisgibt oder einen externen Dienst nutzt.

Die fachliche Verantwortung bleibt bei der nutzenden Person und bei der Institution, nicht bei der Oberfläche eines Chatfensters. Eine Lehrkraft kann diese Verantwortung nicht an einen Prompt delegieren. Sie kann den Prompt jedoch so gestalten, dass die KI weniger Schaden anrichtet und mehr Lernarbeit provoziert.

Die Grenze ist der eigentliche Qualitätsmaßstab

KI-Scaffolding-Prompts für Schüler sind dann überzeugend, wenn sie eine Grenze operationalisieren: zwischen Unterstützung und Substitution, zwischen Erklärung und Entmündigung, zwischen Personalisierung und Profilbildung. Ihre Stärke liegt nicht darin, Unterricht reibungsloser zu machen. Guter Unterricht ist nicht immer reibungslos; er enthält Irritation, Korrektur, Wiederholung und den Moment, in dem ein Gedanke erst durch eigene Anstrengung trägt.

Wer KI als Lernbegleitung einführen will, sollte daher nicht mit der Frage beginnen, welcher Prompt besonders elegant klingt. Zuerst müssen Lernziel, Altersgruppe, Fach, Datenflüsse, Aufsicht und Antwortbefugnisse geklärt sein. Erst danach lohnt sich die Formulierung.

Die Maschine darf fragen, strukturieren, spiegeln und dosiert erklären. Sie darf nicht zur unsichtbaren Autorin fremder Lernleistungen werden. Wo diese Ordnung nicht durchsetzbar ist, gehört die KI nicht in die Aufgabe – unabhängig davon, wie beeindruckend ihre Antwort ausfällt.