In den Debatten über KI in Studium und Lehre dominiert noch immer vor allem eine Frage: Wie lassen sich Prüfungen so gestalten, dass generative KI Eigenleistung nicht verdeckt? Diese Frage ist legitim, didaktisch ist sie jedoch definitiv nicht die wichtigste, denn bevor es ans Prüfen geht, sollten Hochschullehrende zunächst überlegen, welche Kompetenzen die Studierenden durch Hochschullehre eigentlich erwerben sollten (vgl. das Konzept des Constructive Alignments, Biggs, 1996 und 2014). Erst dann kann bestimmt werden, wie diese am besten zu prüfen sind. Die leitende Frage sollte deshalb nicht lauten: Wie sichern wir Prüfungen gegen KI ab? Sondern: Welche fachliche Kompetenz müssen Studierende unter Bedingungen allgegenwärtiger KI heute eigentlich erwerben?

Diese Frage ist nicht nur didaktisch, sondern vor allem im Hinblick auf die spätere Beschäftigungsfähigkeit der Studierenden und den Arbeitsmarkt wichtig. Und wenn man über Antworten auf diese Frage nachdenkt, wird auch sehr schnell offensichtlich, dass ein kompetenter Umgang mit KI im jeweiligen Fachkontext für Absolvent:innen von Hochschulen und Universitäten essentiell sein wird. Schließlich wird KI in Industrie, Wirtschaft und auch in der Forschung schon heute ganz selbstverständlich dort eingesetzt, wo man sich dadurch bessere Ergebnisse oder eine Effizienzsteigerung erwartet. Unsere Absolvent:innen müssen als den kompetenten Umgang mit KI beherrschen – gerade auch, wenn man weiß, dass Fachleute (z.B. Amodei, 2026) warnen, dass vor allem Einstiegsjobs im akademischen Bereich zunehmend weniger gefragt sein werden, weil diese Tätigkeiten von KI günstiger und schneller erledigt werden können, als von Hochschulabsolvent:innen.

Daraus muss für die Hochschullehre folgen: KI kann nicht aus der Hochschullehre ausgeschlossen werden, vielmehr sollten KI-Kompetenzen gezielt gefördert werden. Und daraus folgt auch, dass Prüfungen, die KI grundsätzlich ausschließen, einen Teil ihrer Aussagekraft verlieren. Umgekehrt folgt daraus aber natürlich nicht, dass in jeder Prüfung KI erlaubt sein sollte, denn um mit KI gut arbeiten zu können, ist z.B. auch ein grundlegendes fachliches Wissen nötig, welches isoliert nur durch Formate geprüft werden kann, die den Einsatz von KI ausschließen.

Die Entscheidung für ein Prüfungsformat mit oder ohne KI sollte deshalb daraus abgeleitet werden, ob eine Kompetenz geprüft wird, die künftig ohne oder mit KI beherrscht werden soll (vgl. auch das Entscheidungsmodell 2.0 fürs Prüfen in einer Welt mit KI).

Genau hier setzt das hier vorgeschlagene Ko-Intelligenz-Kompetenzmodell an. Es versteht KI weder als bloßes Zusatzthema noch als Ersatz fachlicher Kompetenz. Es beschreibt vielmehr, wie sich fachliche Kompetenz unter den Bedingungen der KI neu bestimmen lässt: als fachlich fundierte, kritisch reflektierte und verantwortete Problemlösefähigkeit mit und gegenüber KI.

Warum ein neues Kompetenzmodell nötig ist

In der hochschulischen Praxis lassen sich derzeit drei problematische Reaktionsmuster beobachten.

  1. KI wird primär als Risiko für Eigenleistung und Prüfungssicherheit behandelt.
  2. KI wird auf die Rolle einer Antwortmaschine reduziert, statt sie als zunehmend als eigenständige Entität zu begreifen, die Aufgaben übernimmt.
  3. KI wird mit großer Offenheit zugelassen, ohne die dafür nötigen Kompetenzen systematisch zu lehren und ohne die Bewertungsmaßstäbe der Prüfung entsprechend anzupassen.

Keine dieser Reaktionen ist jedoch wirklich tragfähig:

Ein bloßes Verbot verhindert, dass Studierende für eine von KI geprägte Fachpraxis vorbereitet werden.

Ein unüberlegtes Zulassen ist ebenfalls unzureichend, weil es Unterschiede in der KI-bezogenen Kompetenz stillschweigend in Leistungsunterschiede übersetzt.

Hochschullehre braucht deshalb einen Rahmen, der fachliche Kompetenz, KI-bezogene Kompetenz, kritische Urteilsfähigkeit und Verantwortung zusammendenkt. Genau dies fordern auch aktuelle Arbeiten zu AI-Literacy und internationale Leitlinien für Bildung im Umgang mit generativer KI (z.B. OECD, 2019, UNESCO, 2024, Ng et al, 2021).

Ausgangspunkt: Kompetenz unter veränderten Bedingungen

Ausgangspunkt für das hier vorgestellte Modell ist ein Kompetenzverständnis im Sinne Weinerts (2001). Kompetenz bezeichnet demnach nicht bloß Wissen oder punktuelle Performanz, sondern verfügbare oder erlernbare kognitive Fähigkeiten und Fertigkeiten, verbunden mit motivationalen, volitionalen und sozialen Bereitschaften, um Probleme in variablen Situationen erfolgreich und verantwortungsvoll zu lösen. Es geht also um die dispositionale Handlungsfähigkeit in konkreten Handlungssituationen (Weinert, 2001).

Seit der breiten Verfügbarkeit von KI-Anwendungen und deren immer rasanteren Fortentwicklung verändern sich diese Handlungssituationen jedoch fortlaufend und damit auch die Anforderungen an die Handlungsfähigkeit der Menschen. Wenn KI bei der Lösung eines Problems hilfreich sein kann, dann wird KI natürlich auch eingesetzt. Damit wird fachliche Kompetenz nicht unwichtig, aber sie bedarf einer Ergänzung durch KI-Kompetenzen. Menschen müssen fachliche Probleme mit KI bearbeiten, KI-Ergebnisse prüfen und Verantwortung für die Qualität und Tragfähigkeit der resultierenden Lösungen übernehmen können. Die UNESCO (2023) formuliert diese Verschiebung ausdrücklich menschzentriert: KI soll menschliche Fähigkeiten erweitern, nicht menschliche Urteilskraft ersetzen. Damit gehört der systematische Aufbau von KI-Kompetenzen inzwischen zu den zentralen Bildungsaufgaben.

Das hier vorzustellende Ko-Intelligenz-Kompetenzmodell bündelt diese Überlegungen: Fachlichkeit bleibt dabei zentral. Neu ist, dass sie unter KI-Bedingungen nicht mehr hinreichend als isolierte Einzelleistung beschrieben werden kann. Sie muss vielmehr als fachlich verantwortete Handlungskompetenz in hybriden Erkenntnisprozessen verstanden werden.

Dabei versteht sich das Ko-Intelligenz-Kompetenzmodell als Brückenmodell. Es definiert dispositionale Kompetenzstufen, die zugleich lernzielorientiert operationalisierbar sind. Jede Stufe kann in konkrete Aufgabenformate, Prüfungsanforderungen und Bewertungsraster übersetzt werden. Damit verbindet das Modell kompetenztheoretische Fundierung (Weinert, 2001) mit dem praktischen Ansatz des Constructive Alignments (Biggs, 1996 und 2014).

Wie ist das Ko-Intelligenz-Kompetenzmodell aufgebaut?

Das Modell (vgl. Abb. 1) unterscheidet sieben Entwicklungsstufen und knüpft dabei an die Lernzieltaxonomie von Bloom (1956) sowie deren Überarbeitung durch Anderson und Krathwohl (2001) an und erweitert diese aber um explizite KI-bezogene Dimensionen.

Abbildung 1: Ko-Intelligenz-Kompetenzmodell

Es übernimmt dabei von den genannten Taxonomien die Annahme, dass für das Bearbeiten von Aufgaben auf höheren Stufen, Kompetenzen der unteren Stufen zumindest teilweise beherrscht werden müssen. Es geht jedoch nicht davon aus, dass deshalb auch der Erwerb der Kompetenzen der einzelnen Stufen progressiv von unten nach oben, von weniger komplex zu komplexer erfolgen muss, was übrigens auch in den Original-Publikationen zur Bloomschen Taxonomie so nirgends behauptet wird. Vielmehr wird davon ausgegangen, dass beim Bearbeiten von komplexeren Aufgaben auch Kompetenzen der unteren Stufen erworben werden können. Allerdings geht es davon aus, dass sie zumindest teilweise im Zusammenhang der Aufgabenbearbeitung dann eben auch erworben werden müssen.

Anders als viele fehlgeleitete Darstellungen der klassischen Lernzieltaxonomien werden die Stufen des Ko-Intelligenz-Kompetenzmodells deshalb auch nicht als Pyramide dargestellt und konzeptualisiert (was übrigens Bloom und Mitarbeiter selbst so nirgends getan haben oder so beschreiben), sondern in einem Inklusionsverhältnis zueinander dargestellt (angelehnt an die Darstellungen der Lernzieltaxonomie in den Publikationen der Arbeitsgruppe Hochschuldidaktische Weiterbildung an der Albert-Ludwigs-Universität Freiburg i.Br., 1998, 34).

In Anlehnung an die Taxonomien von Bloom und Krathwohl definiert das Ko-Intelligenz-Kompetenzmodell auch für alle Stufen mögliche Verben zur Formulierung von Lernzielen auf diesen Stufen (vgl. Abb. 2).

Abb. 2: Definition der Stufen des Ko-Intelligenz-Kompetenzmodells als Unterstützung für das Formulieren konkreter Lernzielen

Welche Stufen unterscheidet das Ko-Intelligenz-Kompetenzmodell?

Stufe 1 bis 3: Fachliche und KI-bezogene Grundlagen

Die zentrale Annahme des Modells ist, dass Studierende heute erstens fachliches Grundlagenwissen erwerben müssen und zweitens grundlegende Fähigkeiten im Umgang mit KI. Dementsprechend unterscheidet das Modell in den unteren Stufen zwei durchaus voneinander unabhängige Bereiche: die fachlichen Kompetenzen und fachunabhängige KI-Kompetenzen.

Im fachlichen Bereich erwerben Studierende Begriffe, Konzepte, Modelle und Methoden. Sie lernen theoretische Zusammenhänge zu verstehen und wenden erste Verfahren an. Das entspricht den klassischen Zielbereichen „Erinnern“, „Verstehen“ und „Anwenden“ in der Bloomschen Taxonomie und deren Überarbeitung.

Daneben müssen Studierende auch grundlegendes Wissen und Können im Bereich KI erwerben. Dazu gehören unter anderem:

  • ein Verständnis zentraler Funktionsprinzipien generativer KI, etwa probabilistischer Textgenerierung
  • Wissen über typische Fehlerquellen, Halluzinationen und Verzerrungen
  • die Fähigkeit, KI-Tools zielgerichtet, situationsangemessen und reflektiert auszuwählen und einzusetzen (auch Prompting und Context Engineering)

In der Logik des Modells sind diese fachliche Basis und das KI-Grundlagenwissen entscheidend, damit dann die höheren Stufen erreicht werden können, denn ohne fachliches Fundament fehlt die Grundlage, um KI-Ergebnisse qualifiziert zu beurteilen. Ohne KI-Grundlagen wiederum fehlt die Fähigkeit, mit KI bewusst und reflektiert zu arbeiten und dessen Potentiale und Risiken gut einschätzen zu können.

Mit Stufe 4 erfolgt ein qualitativer Übergang. An dieser Stelle wird kritisches Denken zur eigentlichen Brücke zwischen Fachkompetenz und KI-Kompetenz. Curricular gesehen, werden alle Kompetenzbereiche ab der Stufe 4 in jedem Fall in Fachveranstaltungen angestrebt werden müssen.

Stufe 4: Kritisches Analysieren als Schlüsselfunktion

In Anlehnung an die Stufen der klassischen und überarbeiteten Lernzieltaxonomie beschreibt die Stufe 4 des Ko-Intelligenz-Kompetenzmodells die Fähigkeit, in einer Welt mit KI kritisch zu denken. In Anschluss an Wu (2025) lässt sich kritisches Denken als reflektierte und begründete Beurteilung von Aussagen, Argumenten und Problemlösungen verstehen. Im Kontext von KI bedeutet kritisches Denken, dass Studierende mit KI-generierte Ergebnisse auf Plausibilität, Konsistenz, Evidenz und implizite Annahmen hin überprüfen und beurteilen.

Studierende, die diese Kompetenzstufe erreicht haben, können deshalb:

  • Fehler, Verkürzungen und Verzerrungen erkennen
  • Ihre Bewertungskriterien offenlegen
  • Quellen und Begründungen kritisch prüfen
  • zwischen überzeugender Formulierung und fachlicher Qualität unterscheiden

Gerade hier zeigt sich, warum fachliche Kompetenz im KI-Zeitalter nicht an Bedeutung verliert, sondern wichtiger wird: Nur wer über viel fachliches Wissen verfügt, kann erstens in der Interaktion mit KI die richtigen Fragen stellen und Prompts formulieren und zweitens die KI-Ergebnisse sinnvoll einordnen und weiterentwickeln.

Auf der anderen Seite ist eben auch die KI-Kompetenz von Bedeutung, da ohne sie der Mensch nur ohne KI-Unterstützung arbeiten kann und deshalb dann vermutlich weniger weit entwickelte Problemlösungen erzeugen wird.

Stufe 5 bis 7: Integration, Bewertung und verantwortliche Steuerung

Ab Stufe 5 werden fachliche und KI-bezogene Kompetenzen zu einer integrierten Ko-Intelligenz verbunden.

Stufe 5: Ko-konstruktiv Lösungen entwickeln

Studierende, die diese Stufe erreicht haben, sind in der Lage komplexere fachliche Lösungen im Zusammenspiel von eigenem Denken, Teamarbeit und KI-Unterstützung zu entwickeln. Sie nutzen KI nicht nur punktuell, sondern als Teil eines bewussten Arbeitsprozesses. Das kann etwa bedeuten, dass sie KI zur Strukturierung, Ideengenerierung, Simulation oder Variantenbildung einsetzen, eigene Überlegungen durch die KI prüfen und sich Feedback geben lassen. Auf diese Weise entwickeln sie Lösungen fachlich fundiert mit KI als Unterstützung.

Stufe 6: Unterschiedliche Lösungen begründet bewerten

Auf Stufe 6 rückt die Bewertung in den Vordergrund. Studierende bewerten Lösungsoptionen anhand expliziter fachlicher, wertebezogener und normativer Kriterien. Sie wägen ab, welche Lösung unter bestimmten Bedingungen tragfähig ist, welche Zielkonflikte bestehen und welche Perspektiven möglicherweise unterrepräsentiert sind.

Stufe 7: Hybride Arbeitsprozesse verantwortlich steuern

Die höchste Stufe beschreibt die Fähigkeit, das eigene Vorgehen beim Entwickeln von Problemlösungen und beim Treffen von Entscheidungen bewusst mit KI zu steuern und letztlich die Verantwortung für die Lösungen zu übernehmen. Wer diese Kompetenzstufe erreicht hat, gestaltet das eigene Vorgehen strategisch, dirigiert KI-Agenten, reflektiert Risiken und Nebenfolgen des KI-Einsatzes und übernimmt Verantwortung für Entscheidungen und deren Konsequenzen. Hier geht es also nicht mehr nur um Nutzung oder Bewertung, sondern um bewusste Gestaltung: Wann ist KI hilfreich? Wie können KI-Agenten zusammenarbeiten? Wann ist ihr Einsatz problematisch? Welche Verantwortung verbleibt beim Menschen? Welche Qualitätsstandards, Transparenzanforderungen oder ethischen Leitlinien sind einzuhalten?

Diese Stufe korrespondiert mit internationalen Konzepten wie „taking responsibility“ im OECD Learning Compass (OECD, 2019) oder mit UNESCO-Prinzipien wie Human Agency und Ethical Responsibility (UNESCO, 2024).

Außerdem umfasst diese Stufe das, was Weßels und Maibaum (2026) als AI-Leadership bezeichnet: die verantwortliche, strategische und werteorientierte Gestaltung von Mensch-KI-Interaktionen. Wenn KI-Systeme zunehmend ganze Aufgabenkomplexe übernehmen, Entscheidungen vorbereiten oder Prozesse teilweise autonom ausführen, muss im Sinne von Weßels und Maibaum (2026) Führung neu bestimmt werden, nämlich als Fähigkeit, Rahmenbedingungen, Kriterien und Verantwortungsstrukturen so zu setzen, dass menschliche Urteilskraft handlungsleitend bleibt. Genau diese Fähigkeit beschreibt das Ko-Intelligenz-Kompetenzmodell auf der obersten Stufe. Hier müssen Studierende lernen, Mensch-Maschine-Interaktionen verantwortungsvoll zu steuern und schließlich die Verantwortung für die Ergebnisse zu übernehmen.

Pointe des Modells

Die Pointe des Modells ist damit klar: Fachliche Kompetenz verliert im KI-Zeitalter nicht an Bedeutung. Sie wird anspruchsvoller. Ohne fachliches Wissen können Menschen weder gute Fragen an die KI formulieren, noch ihre Antworten qualifiziert beurteilen. Ohne KI-bezogene Kompetenz wiederum bleibt das Potenzial der Werkzeuge ungenutzt oder wird unkritisch missbraucht. Erst das Zusammenspiel beider Seiten ermöglicht belastbare Urteile und tragfähige Lösungen.

Das neue Modell erweitert in diesem Sinne Blooms Lernzieltaxonomie durch drei Aspekte:

  1. Es integriert die KI-bezogene Kompetenz ausdrücklich als eigene Dimension.
  2. Es macht kritische Urteilsfähigkeit zur Scharnierkompetenz zwischen Wissen, Anwendung und Bewertung.
  3. Es ergänzt eine weitere Stufe: Die Stufe der verantwortlichen Steuerung hybrider Arbeits- und Erkenntnisprozesse. Gerade in diesen Punkten geht das Modell über den kognitiven Zuschnitt von Bloom hinaus und reagiert auf die Herausforderungen generativer KI angemessener.

Zur Kritik an Bloom – und warum sie dieses Modell nicht entkräftet

Für alle, die sich intensiver mit der Lernzieltaxonomie von Bloom und deren Überarbeitung beschäftigt haben, könnte die Nähe des Ko-Intelligenz-Kompetenzmodells zu dieser Taxonomie ein Grund sein, es kritisch zu sehen, denn die Kritik an der Bloom’schen Taxonomie ist ernst zu nehmen. Im wesentlich wird ihr vorgeworfen, eine starre Unterrichtslogik vorzugeben: erst „niedrige“, dann „hohe“ Denkformen (z.B. Case, 2013). Das hier vorgeschlagene Modell möchte sich von solch starrer Folge abgrenzen. Wie schon gesagt, geht es nicht von einer starren Hierarchie aus. Es übernimmt nur eine weiterhin hilfreiche Einsicht, nämlich dass Curricula eine explizite Beschreibung zunehmender Komplexität benötigen. Genau in diesem heuristischen Sinn bleibt taxonomisches Denken nützlich.

Was bedeutet das Ko-Intelligenz-Kompetenzmodell konkret für die Hochschullehre und für Lehrende?

1. Curricula lassen sich systematisch weiterentwickeln

Das Modell schafft eine gemeinsame Sprache für die Weiterentwicklung von Curricula. Es erlaubt, für Module und Studiengänge präzise zu klären, welche Stufen in den einzelnen Modulen angestrebt werden sollen.

Für Studiengänge heißt das konkret:

  1. Es muss weiterhin Fachwissen vermittelt werden.
  2. Studiengänge benötigen (zumindest so lange, wie die Schule dies noch nicht leistet – was vielleicht irgendwann der Fall sein wird) auch Module, in denen Studierende ein elementares Verständnis dafür entwickeln, was KI leisten kann, wo ihre Grenzen liegen und wie man ihre Ergebnisse grundlegend beurteilt. Diese Module können möglicherweise fachübergreifend angeboten werden.
  3. Fachstudiengänge brauchen Module, die fachspezifische KI-Kompetenzen (die Kompetenzen der Stufen 4/5-7) vermitteln, denn KI-Kompetenzen sind kein einfaches Add-on, sondern integraler Bestandteil fachlicher Lehre.
  4. Es erlaubt, für Module und Studiengänge präzise zu klären, welche Stufen am Ende erreicht werden sollen.

2. Lernziele können präziser formuliert und Lehre dadurch zielgerichteter gestaltet werden

Anders als andere KI-Kompetenz-Modelle unterstützt dieses Modell Lehrende aber auch bei ihrer direkten Unterrichtsplanung. Durch die präzise Beschreibung der Stufen, können Lehrende die in ihrer Lehrveranstaltung anzustrebenden Lernziele leichter handlungsorientiert formulieren und in der Folge im Sinne des Constructive Alignments Lehr- und Lernaktivitäten zielgerichteter auswählen.

Das Modell hilft, unscharfe Ziele zu vermeiden und stattdessen prüfbarere Lernziele zu formulieren. Das Modell macht deutlich, dass eine Formulierung wie „Studierende können KI nutzen“ unpräzise ist und hilft Lehrenden dabei genauer zu beschreiben, was sie eigentlich anstreben möchten, z.B.: „Studierende können KI-generierte fachliche Aussagen anhand definierter Kriterien analysieren und begründet bewerten.“ Oder: „Studierende können für eine fachliche Problemstellung einen KI-gestützten Arbeitsprozess planen, dokumentieren und reflektieren.“

So wird sichtbar, welche Kompetenz genau aufgebaut werden soll und welche Leistung deshalb später sinnvollerweise geprüft wird.

3. Prüfungen und Leistungsnachweise können zielgenauer gestaltet werden

Auch für Prüfungen ist das Modell hilfreich: Es macht die Entscheidung, ob ein Prüfungsformat gewählt werden sollte, in dem der Einsatz von KI zugelassen oder ausgeschlossen wird, sehr einfach. Soll eine Prüfung zeigen, dass Studierende fachliche Grundlagen ohne Hilfsmittel beherrschen, sind KI-freie Formate zu wählen, etwa Kurztests, mündliche Prüfungen oder Klausuren im überwachten Kontext. Sollen dagegen die oberen Stufen des Modells geprüft werden, ist der Einsatz von KI selbstverständlich, da diese Kompetenzen nur in Interaktion mit KI gezeigt werden können.

Damit macht dieses Modell die Antwort auf die Frage, wie man in Zeiten von KI prüft im Sinne des Constructive Alignments klar beantwortbar: Wer die unteren, rein fachlichen Kompetenzen prüfen möchte, wählt überwachte Prüfungsformate, um den Einsatz von KI auszuschließen; wer die oberen Stufen prüfen möchte, muss KI einfordern.

Fazit – Ein Rahmen, der Orientierung schafft

KI verändert nicht, was gute Hochschullehre im Kern ausmacht. KI verändert aber, was es bedeutet, in einem Fachbereich kompetent zu sein. Genau deshalb stehen Lehrende an Hochschulen derzeit vor einer echten Herausforderung: Sie sollen KI in ihre Lehre integrieren, ohne dass klar ist, was das eigentlich bedeutet, und ohne dafür viel Zeit zu haben. Das Ko-Intelligenz-Kompetenzmodell kann dabei Orientierung bieten, indem es eine gemeinsamen Referenzrahmen für Kommunikation und Entscheidungen im Hinblick auf Curriculumsentwicklung, Gestaltung von Lehre und Prüfungen bietet.

Was das Modell Lehrenden konkret ermöglicht, ist dreierlei:

  1. eigene Lehrveranstaltungen kompetenzorientiert zu schärfen, ohne das Rad neu erfinden zu müssen;
  2. in Kollegien und Gremien eine gemeinsame Grundlage für Diskussionen über KI in der Lehre zu schaffen;
  3. gegenüber Studierenden transparent zu machen, welche Kompetenzen warum angestrebt werden — und warum das für ihre Zukunft relevant ist.

Quellen

Amodei, D. (2026). The Adolescence of Technology. Abrufbar unter: https://www.darioamodei.com/essay/the-adolescence-of-technology

Arbeitsgruppe Hochschuldidaktische Weiterbildung an der Albert-Ludwigs-Universität Freiburg i.Br. (1998). Lehrstrategien: Aspekte der methodischen Strukturierung von Seminaren. Band 5 der Reihe „Besser Lehren“. Weinheim: Beltz.

Bloom, B. S., Engelhart, M. D., Furst, E. J., Hill, W. H., & Krathwohl, D. R. (1956). Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain. New York: Longmans, Green. (Springer Nature Link)

Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher Education, 32(3), 347–364.

Biggs, J. (2014). Constructive alignment in university teaching. HERDSA Review of Higher Education, 1, 5–22.

Case, R. (2013). The unfortunate consequences of Bloom’s taxonomy. Social Education, 77(4), 196–200. Abrufbar unter: https://www.socialstudies.org/system/files/publications/articles/se_7704196.pdf

Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into Practice, 41(4), 212–218.

Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. Doi: https://doi.org/10.1016/j.caeai.2021.100041

OECD. (2019). OECD Learning Compass 2030. Paris: OECD. Abrufbar unter: https://www.oecd.org/content/dam/oecd/en/about/projects/edu/education-2040/1-1-learning-compass/OECD_Learning_Compass_2030_Concept_Note_Series.pdf

UNESCO (2023). Guidance for generative AI in education and research. Abrufbar unter: https://unesco.org.uk/site/assets/files/10375/guidance_for_generative_ai_in_education_and_research.pdf

UNESCO (2024). AI Competency Framework for Students. Abrufbar unter: https://unesdoc.unesco.org/ark:/48223/pf0000391105

Weinert, F. (2001). Vergleichende Leistungsmessung in Schulen – eine umstrittene Selbstverständlichkeit. In F. Weinert (Hrsg.), Leistungsmessungen in Schulen (S. 17 – 31). Weinheim: Beltz.

Weßels, D., & Maibaum, M. (2026, 2. Februar). Vom Deskilling zum Newskilling mit KI. Forschung & Lehre. Abrufbar unter: https://www.forschung-und-lehre.de/lehre/vom-deskilling-zum-newskilling-mit-ki-7512

Wu, M. (2025). Critical thinking in 5 easy steps. Pine Brook, NJ: Lighthouse Media & Publications Inc.