Künstliche Intelligenz in der inklusiven Bildung

Herausgegeben von Jan-René Schluchter¹ und Jakob Sponholz²

¹ Pädagogische Hochschule Ludwigsburg, Deutschland

² Universität zu Köln, Deutschland

Bitte reichen Sie Ihr Abstract bis zum 19. Januar 2026 unter https://www.medienpaed.com/about/submissions ein. Dort finden sie auch Hinweise zur formalen Gestaltung.

Call for Papers als PDF

In den letzten Jahren erhielt Künstliche Intelligenz (KI) zunehmend Einzug in eine Vielzahl an gesellschaftlichen Bereichen – nicht zuletzt auch in den Bildungsbereich. Künstliche Intelligenz (KI) ist ein Sammelbegriff für verschiedene Technologien, die menschenähnliche Problemlösungsfähigkeiten nachbilden. Ein zentraler Bereich ist dabei das maschinelle Lernen (Machine Learning). Anders als bei klassischer Softwareentwicklung, wo jeder Schritt genau vorgegeben werden muss, können Machine Learning Systeme aus Beispielen lernen und Muster erkennen (Samuel 1959). In den letzten Jahren haben besonders generative KI-Systeme die Art und Weise verändert, wie mediale Inhalte erstellt werden:

«Generative KI ist hierbei ein Sammelbegriff für KI-Anwendungen, die oftmals auf eine ganze Reihe an KI-Methoden zurückgreifen, diese kombinieren und große Datenmengen als Grundlage nutzen (z. B. Large Language Models). Ziel von generativen KI-Anwendungen ist es, alle möglichen Ergebnisse und Produkte herzustellen, beispielsweise Texte, Bilder und Videos.» (Scheiter u. a. 2025, 7)

Die Implementierung von Künstlicher Intelligenz im Kontext von Schule und Unterricht bewegt sich vor diesem Hintergrund in einem vielschichtigen Spannungsfeld – und reiht sich auch in Diskurse um digitale Ungleichheit (Schluchter 2023), digitale Inklusion (Bosse, Schluchter, und Zorn 2019) und digitale Teilhabe (Bosse und Sponholz 2023) ein. Im Mittelpunkt steht die kritische Analyse der Gestaltetheit, aber auch der Möglichkeiten der Gestaltung von KI-Systemen und deren Integration in Gesellschaften im Allgemeinen und im Bildungssystem im Besonderen:

«As we navigate the complexities of this digital transformation, it’s crucial not just to celebrate advancements but also to critically examine who might be left behind. (...) This is not just about equitable access to technology but about empowering all individuals with the knowledge and skills to thrive in an AI-driven world.» (Hendawy 2024)

Auch die europäische Kommission hat sich mit den ethischen Einsatzmöglichkeiten von KI in Bildungskontexten auseinandergesetzt. Im Rahmenpapier «Ethische Leitlinien für Lehrkräfte über die Nutzung von KI und Daten für Lehr- und Lernzwecke» werden insgesamt vier Perspektiven auf den Einsatz von KI in schulischen Kontexten unterschieden: (1) Wissensvermittlung an Schüler:innen, (2) Unterstützung von Schüler:innen, (3) Unterstützung von Lehrkräften und (4) Systemunterstützung (Europäische Kommission 2022, 14).

Mit Blick auf die Potenziale von KI für inklusive Bildung zeigt sich, dass lernzentrierte KI-Systeme und -anwendungen wie intelligente Tutorensysteme (ITS) oder adaptive Lernplattformen einen Beitrag zur Individualisierung von Lernprozessen leisten können und auf diese Weise die individuellen Bedürfnisse der Schüler:innen sowie die vielfältigen Lernvoraussetzungen berücksichtigen können (Khan 2024; Varsik und Vosberg 2024). Gleichzeitig eröffnet sich die Möglichkeit, die Barrierefreiheit von Inhalten für Schüler:innen zu verbessern: Unter Einsatz von KI-Systemen können Texte in Einfache Sprache übertragen, Alternativtexte für Bilder generiert und Lerninhalte individuell anpasst werden (Sponholz und Wolf 2025; Varsik und Vosberg 2024).

Mit diesen Chancen gehen jedoch auch Risiken für die Teilhabe der Schüler:innen an Bildung einher, da der Einsatz von KI vor dem Hintergrund bestehender Ausschlüsse (wie unterschiedlicher Zugang zu KI-Systemen, unterschiedliche Fähigkeiten und Fertigkeiten im Umgang mit KI), der individuellen Passung von KI-Anwendungen und Schüler:innen sowie der jeweiligen Kontexte von Schule und Unterricht angesehen werden muss – und auf diese Weise Potenziale aber auch Begrenzungen für Chancengerechtigkeit hervorbringt. Wird beispielsweise eine KI zur Unterstützung von Schüler:innen in einer Leistungssituation eingesetzt, muss der Einsatz besonders abgewogen werden:

«Wird KI [in diesem Kontext: LLMs] in Prüfungssituationen als Nachteilsausgleich eingesetzt, wird die ethische Einschätzung des legitimen Einsatzes noch herausfordernder. Hier stehen die neuen Teilhabechancen den Herausforderungen direkt gegenüber. [...] Diese gänzlich neuen Chancen werfen jedoch die Frage auf, ob der Einsatz solcher Technologien im Rahmen eines Nachteilsausgleichs nicht sogar so wirksam sein kann, dass er das Ziel der Chancengerechtigkeit übererfüllt. Wird das Ziel der Chancengerechtigkeit tatsächlich übererfüllt, ließe sich in einem solchen Fall von einem überkompensatorischen Einsatz sprechen, also von einer Form der Unterstützung, die im Bemühen um mehr Chancengerechtigkeit für die Einzelperson neue Chancenungerechtigkeiten innerhalb der Gruppe der Lernenden erzeugt.» (Sponholz und Wolf 2025, 350)

Neben diesem Beispiel zeigen sich weitere vielfältige Einsatzweisen von KI im beruflichen Alltag von Lehrkräften, wie nicht nur Schüler:innen, sondern auch die Lehrkräfte selbst unterstützt werden können. Dazu gehört nicht nur die Differenzierung von Inhalten, sondern auch die Planung von Unterrichtseinheiten, für Recherche, aber auch für die eigene professionelle Entwicklung (Kasneci u. a. 2023). Lehrkräfte können zudem von KI-basierten Trainings- und Assistenzsystemen profitieren, die pädagogische Entscheidungsprozesse unterstützen und Differenzierung im Unterricht erleichtern (als cybernetic teammates) (Dell’Acqua u. a. 2025). Auf institutioneller Ebene bietet KI – zumindest theoretisch – Möglichkeiten im Bereich Diagnostik und für die individuelle Förderung. Dies könnte dazu beitragen, dass Ressourcen gezielter geplant werden können und dadurch mögliche Bildungsbenachteiligungen präventiv adressiert werden könnten. Ein weiterer zentraler Aspekt ist die Professionalisierung von Lehrkräften: Der effektive und verantwortungsvolle Einsatz von KI-Tools erfordert spezifische Kompetenzen, die sowohl in der Aus-, Fort- und Weiterbildung häufig erst systematisch entwickelt werden müssen (Kasneci u. a. 2023).

Bei diesen Anwendungen in Lehr- und Lernkontexten wird in aktuellen Diskursen auf der einen Seite darauf verwiesen, dass sowohl die Schüler:innen als auch die Lehrkräfte sich von den KI-Modellen abhängig machen und sich beispielsweise Problemlösefähigkeiten unzureichend entwickeln können:

«The effortlessly generated information could negatively impact their critical thinking and problem-solving skills. This is because the model simplifies the acquisition of answers or information, which can amplify laziness and counteract the learners’ interest to conduct their own investigations and come to their own conclusions or solutions.» (Kasneci u. a. 2023, 5)

Um KI tatsächlich produktiv für Lernprozesse nutzbar zu machen, müssen Aufgaben so gestaltet sein, dass sie in ihrer Anlage nicht zu einem cognitive offloading führen, also einem Auslagern der kognitiven Kapazitäten und Kompetenzen an die KI, die für eine Aufgabe benötigt werden, an die KI (Gerlich 2025). Aber auch für die Lehrkräfte sind die Risiken in Bezug auf ihre Profession vorhanden:

«Using large language models can provide accurate and relevant information, but they cannot replace the creativity, critical thinking, and problem-solving skills that are developed through human instruction. It is therefore important for teachers to use these models as a supplement to their instruction, rather than a replacement.» (Kasneci u. a. 2023, 6)

Auf der anderen Seite weisen aktuelle Diskurse um KI und Bildung in diesem Zusammenhang auf die Verhältnisbestimmung von Mensch und Maschine bzw. menschliche Fähigkeiten in Relation zu maschinellen Fähigkeiten hin, z. B. absolvierte ein KI-System (ChatGPT) den Torrance Test of Creative Thinking, welcher für die Messung menschlicher Kreativität gemacht wurde (Guzik, Byrge, und Gilde 2023). Auch Diskurse um Mensch-KI-Komplementarität erweisen sich nicht zuletzt im Kontext von inklusiver Bildung als anschlussfähig – sowohl für Schüler:innen als für Lehrkräfte (Melo-López u. a. 2025; Holstein und Aleven 2022).

Die Potenziale für Teilhabe durch KI können jedoch nur dann zur Geltung kommen, wenn ethische, soziale und technologische Herausforderungen konsequent adressiert werden und alle rahmengebenden Faktoren für den KI-Einsatz in einem produktiven Zusammenspiel stehen (Sponholz und Wolf 2025). Entscheidend ist daher eine verantwortungsvolle Integration von KI, die die Lernenden mit ihren individuellen Bedarfen und die Prinzipien von Chancengerechtigkeit und Inklusion in den Mittelpunkt stellt (Autenrieth, Schluchter, und Schulz 2025).

In diesem Zusammenhang stellt sich inklusionstheoretischer Perspektive auch die Frage nach AI Safety (Bengio u. a. 2025) und AI Alignment (Leike und Sutskever 2023): Wie können KI-Systeme so gestaltet werden, dass sie nicht nur technisch sicher sind, sondern aktiv zur Überwindung von Ausschlussmechanismen beitragen? Wie lässt sich verhindern, dass bestimmte Werte und Machtstrukturen durch KI-Systeme dauerhaft ‹eingefroren› werden (Value Lock-in) (MacAskill 2022)?

Diese Fragen sind eng verbunden mit ungleichheitsrelevanten Strukturen von KI-Systemen selbst: Die Trainingsdaten reproduzieren gesellschaftliche Biases, algorithmische Entscheidungsprozesse folgen normativen Setzungen in der Gesellschaft: Beispielsweise in Form von normativen Leistungsvorstellungen, die bestimmte Schüler:innen aufgrund ihrer Dispositionen, wie Schüler:innen mit Behinderung bzw. Beeinträchtigung, systematisch ausschliessen (Varsik und Vosberg 2024).

Angesichts dieser vielfältigen Chancen und Risiken hat die Haltung, mit der Technologien eingesetzt werden, auch Auswirkungen auf zukünftige Entwicklungen: KI-basierte Assistenztechnologien zur Unterstützung von Menschen mit Beeinträchtigung (Assistive Technologien) werden oft nicht als Werkzeuge für Autonomie und Vielfalt konzipiert, sondern zur Herstellung normativer Leistungsfähigkeit eingesetzt. Häufig ohne Beteiligung von Menschen mit Beeinträchtigung an deren Entwicklung (Hamraie und Fritsch 2019). Wird Technik zur Förderung von Teilhabe und zur Verbesserung von Inklusion eingesetzt, besteht die Gefahr eines technologischen Solutionismus (techno-solutionism) (Morozov 2014): Teilhabeförderung wird primär als durch technische Innovation zu lösendes Problem verstanden, während strukturelle und gesellschaftliche Ursachen mangelhafter Barrierefreiheit aus dem Fokus geraten können (Shew 2022).

Ebenso unterliegen derzeit viele KI-Systeme, welche im Kontext von Schule und Unterricht zum Einsatz kommen, der Verantwortung von (wenigen) wirtschaftlichen Unternehmen, wobei sich das Risiko von Abhängigkeitsverhältnissen gegenüber diesen Akteur:innen ergibt und gleichzeitig die Einflusssphäre wirtschaftlicher Akteur:innen, mit ihren Profitinteressen (aber auch Welt- und Menschenbildern), in den Bildungsbereich zunehmend ausweitet. Dies führt dazu, dass nicht nur bereits existierende Mechanismen der Ungleichheit reproduziert werden, sondern auch neue Ungleichheiten – insbesondere im Kontext von Inklusion und inklusiver Bildung – entstehen (AI Divide) (Carter, Liu, und Cantrell 2020).

Dieses Themenheft zielt darauf ab, das Spannungsfeld zwischen technologischen Möglichkeiten und gesellschaftlichen Machtverhältnissen von KI im Kontext inklusiver Bildung, mit Fokus auf Schule und Unterricht, systematisch zu erschliessen und Perspektiven für eine kritisch-reflexive Gestaltung dieser Transformationsprozesse zu entwickeln – hierbei wird im Besonderen nach der Bedeutung der Medienpädagogik gefragt.

Wir laden mit dem Themenheft zur Einreichung theoretischer und empirischer Beiträge ein, die sich mit folgenden Fragen auseinandersetzen:

Aktueller KI-Einsatz in sonderpädagogischen und inklusiven Settings

• Aktuelle Einsatzweisen von Modellen Künstlicher Intelligenz in inklusiven und sonderpädagogischen Kontexten – durch Lehrkräfte und/oder durch Schüler:innen
• Assistive Anwendungen für inklusives Lernen – empirische Beiträge zur Verbesserung der Barrierefreiheit (z. B. der Wahrnehmbarkeit und Verständlichkeit von Lernmaterialien durch KI)
• Professionalisierung (z. B. Untersuchungen zu Fort- und Weiterbildungen, die Lehrkräfte befähigen, KI verantwortungsvoll einzusetzen und inklusive Lernumgebungen zu gestalten)

Pädagogisch-Didaktische Konzepte

• Wie können (medien)pädagogische Angebote und Massnahmen gestaltet werden, die zur kritischen Reflexion über KI und Inklusion anregen?
• Welche (medien)didaktischen Ansätze reflektieren Verbindungen von KI und inklusiver Bildung bzw. inklusiver Didaktik?
• Wie kann KI im Unterricht thematisiert werden, um Schüler:innen zur aktiven Reflexion der Implementierung von KI in der Gesellschaft zu befähigen?

Assistive Technologien und (digitale) Barrierefreiheit

• Welche KI-gestützten assistiven Technologien existieren für verschiedene Formen von Beeinträchtigungen (visuell, auditiv, kognitiv, motorisch)?
• Wie können KI-Tools zur Übersetzung in einfache/Leichte Sprache evaluiert und verbessert werden?
• Wie lässt sich die Qualität automatisch generierter Alternativtexte und Untertitel bewerten?

Adaptive Lernsysteme, Digitale Ungleichheit

• Wie wirken sich KI-basierte, adaptive Lernsysteme auf unterschiedliche Schüler:innengruppen aus? Tragen sie zur Verringerung oder Verstärkung von fach- bzw. fertigkeitsbezogenen Leistungsunterschieden bei?
• Welche Formen des AI Divide manifestieren sich im schulischen Kontext rund um den Zugang und den Umgang mit KI-basierten, adaptiven Lernsystemen?
• Wie können Disparitäten im Zugang zu und Umgang mit KI-Tools systematisch erfasst und bearbeitet werden?

AI-Bias

• Welche Formen von Bias (historisch, Repräsentation, Messung, Aggregation, Evaluation, Deployment) lassen sich in bildungsbezogenen KI-Systemen identifizieren?
• Wie wirken sich algorithmische Biases auf Schüler:innen mit verschiedenen soziodemografischen Merkmalen, individuellen Fähigkeiten und Fertigkeiten sowie individuellen Bedürfnissen aus?
• Welche Strategien und Methoden eignen sich zur Identifikation und Reduktion von Biases in KI-Systemen?
• Sind KI-gestützte Bewertungssysteme fairer als menschliche Bewertungen – und unter welchen Bedingungen?

Techno-Ableismus und partizipative Technologieentwicklung

• Wie manifestiert sich Techno-Ableismus in aktuellen KI-Anwendungen für den Bildungsbereich?
• Welche Rolle spielen Menschen mit Behinderung in der Entwicklung assistiver KI-Technologien?
• Wie können Prinzipien der Crip Technoscience (Shew 2022) in der Gestaltung bildungsbezogener KI-Tools umgesetzt werden?
• Inwiefern fördern oder hemmen aktuelle KI-Tools die Selbstbestimmung und Autonomie von Lernenden mit besonderen Bedürfnissen?

Sozio-emotionales Lernen und menschliche Interaktion

• Welche Auswirkungen hat der verstärkte Einsatz von KI-Tools auf soziale Interaktion und Beziehungsqualität im Unterricht?
• Wie können KI-gestützte Lernumgebungen gestaltet werden, die sozio-emotionales Lernen fördern statt behindern? Wie ist in diesem Zusammenhang individuelle Förderung mit und ohne KI-Anwendungen zu denken?
• Welche Rolle spielen KI-Chatbots und -Roboter in inklusiven Bildungskontexten?

Lehrkräfteprofessionalisierung

• Welche KI-bezogenen Kompetenzen benötigen Lehrkräfte für inklusiven Unterricht?
• Wie sollten Fort- und Weiterbildungen gestaltet sein, um Lehrkräfte für den kritisch-reflexiven Einsatz von KI zu befähigen?
• Welche Disparitäten bestehen im Zugang zu KI-bezogenen Fortbildungen für Lehrkräfte?
• Wie können KI-Tools Lehrkräfte bei der Differenzierung und Individualisierung unterstützen, ohne zu techno-solutionistischen Ansätzen beizutragen?

AI Alignment und Value Lock-in

• Wie können KI-Systeme so gestaltet werden, dass sie mit inklusiven Werten übereinstimmen?
• Welche Mechanismen verhindern das dauerhafte ‹Einfrieren› problematischer Normen und Werte in KI-Systemen? Welchen Beitrag kann hier die Medienpädagogik leisten?
• Wie lässt sich die Beteiligung marginalisierter Gruppen an der Gestaltung von KI-Werten sicherstellen? Welche Potenziale bieten hier im Besonderen Bildungskontexte?

Wir bitten Interessent:innen um die Zusendung eines Abstracts (max. 500 Wörter exkl. Literaturangaben; PDF-Dokument) für den geplanten Beitrag bis spätestens 19. Januar 2026 über die Plattform der Zeitschrift MedienPädagogik: https://www.medienpaed.com/about/submissions.

Die Sichtung der Abstracts und die Rückmeldungen an die Autor:innen erfolgen fortlaufend (rollierend), sodass die Einreichenden zeitnah über den Stand ihrer Einreichung informiert werden. Nach positiver Begutachtung werden die eingeladenen Autor:innen gebeten, ihre Volltexte bis spätestens 31. Mai 2026 einzureichen.

Es können Langbeiträge (ca. 40.000 Zeichen inkl. Leerzeichen, exkl. Abstract und Literatur) eingereicht werden. Beiträge können in deutscher oder englischer Sprache eingereicht werden. Beachten Sie die Hinweise zur Manuskripteingabe. Bei den eingereichten Texten muss es sich um Originalbeiträge beziehungsweise Erstveröffentlichungen handeln.

Ein Abstract von 150–200 Wörtern fasst die zentralen Aussagen und Ergebnisse kurz zusammen. Sowohl Titel als auch Abstract des Beitrags müssen in deutscher und englischer Sprache vorliegen. Die Veröffentlichungen erfolgen Open Access unter der Lizenz CC BY 4.0.

Die Beiträge werden durch ein Double-Blind Peer-Review begutachtet.

Die Zeitschrift Medienpädagogik hat sich höchste ethische Standards gesetzt, um deren Einhaltung wir bitten möchten:

«MedienPädagogik verpflichtet sich zu höchsten ethischen Standards im wissenschaftlichen Publizieren. In Anlehnung an die Empfehlungen des Committee on Publication Ethics (COPE) erwarten wir von Autor:innen, Gutachter:innen und Herausgeber:innen einen verantwortungsvollen und transparenten Umgang mit KI-Werkzeugen.

• Autor:innen sollten den Einsatz generativer KI-Tools bei der Erstellung, Überarbeitung oder Übersetzung ihrer Manuskripte offenlegen. Dies umfasst auch KI- Datenanalysen, Mediengenerierung oder Literaturrecherchen.
• KI-Systeme dürfen nicht als Autor:innen angegeben werden. Die Verantwortung für den Inhalt liegt vollständig bei den menschlichen Autor:innen.
• Datenschutz, Fairness und mögliche Verzerrungen (Bias) sind beim Einsatz von KI im Forschungs- und Publikationsprozess stets zu berücksichtigen.
• Gutachter:innen und Herausgeber:innen dürfen KI-Tools unterstützend, jedoch nicht als Ersatz für menschliches Urteilsvermögen verwenden. Redaktionsentscheidungen werden niemals ausschliesslich durch Algorithmen getroffen.»

https://www.medienpaed.com/about/submissions

• Einreichung der Abstracts (max. 500 Wörter): ab sofort bis spätestens 19. Januar 2026
• Rückmeldung zu Abstracts: zeitnah nach Einreichung, bis spätestens 06. Februar 2026
• Einreichungsfrist für Volltexte: bis 31. Mai 2026
• Geplanter Abschluss des Peer-Review-Prozesses: bis Ende Juli 2026
• Geplante Veröffentlichung: Sommer/Herbst 2026

• Jan-René Schluchter , Pädagogische Hochschule Ludwigsburg (schluchter@ph-ludwigsburg.de)
• Jakob Sponholz , Universität zu Köln (jakob.sponholz@uni-koeln.de)

Melden Sie sich bei Rückfragen gerne bei beiden Herausgebern.