Wie KI beim Physik lernen hilft

Künstliche Intelligenz kann den Physikunterricht bereichern, wenn sie gezielt und strukturiert eingesetzt wird. Patrik Vogt von der Pädagogischen Hochschule Heidelberg war an der Entwicklung eines didaktischen Konzepts beteiligt, das generative KI in physikalische Lernprozesse einbettet. Gleichzeitig stärkt es die Eigenaktivität der Schüler:innen und trainiert den kritischen Umgang mit KI. Das Lernmodell AI-Augmented Inquiry with Responsible, Informed Self-Regulation AIRIS wurde in Zusammenarbeit mit Jochen Kuhn und Stefan Küchemann von der LMU München sowie David Rakestraw vom Lawrence Livermore National Laboratory LLNL in Kalifornien entwickelt und im Physik Journal publiziert.

Generative KI im Unterricht birgt Chancen wie Herausforderungen: Kommt sie zu früh oder zu häufig ins Spiel, kann sie kritisches Denken und Gedächtnisbildung beeinträchtigen. Gezielt eingesetzt, könne sie sich jedoch positiv auf die Lernleistung auswirken, sagt Patrik Vogt, Professor für Physik und ihre Didaktik an der PHHD. Die Wissenschaftler basierten ihren Ansatz deshalb auf aktuellen Erkenntnissen der Lehr-Lern-For­schung und dem Konzept des „Forschenden Lernens“: Lernende entwickeln eigene Fragen, führen Experimente durch und reflektieren ihre Ergebnisse.

Auch bei AIRIS sind Schüler:innen gefordert, ihr Vorgehen zu planen, KI bewusst einzusetzen und kritisch zu hinterfragen, bevor sie am Ende ihre Schlussfolgerungen ziehen. Man verfolge den Ansatz einer „menschenzentrierten KI-Unter­stüt­zung“, sagt Vogt, bei der KI nicht Entscheidungen abnehme, sondern Lernprozesse transparent und nachvollziehbar unterstütze.

Dabei nutzen Schüler:innen die Sensoren ihrer eigenen Smartphones als mobile „Mini-Labore“, um beispielsweise physikalische Parameter zu bestimmen, akustische Signale zu messen oder Bewegungsuntersuchungen durchzuführen. Etwa in einem Fahrstuhl-Experiment im Londoner Wolkenkratzer „Shard“, bei dem während der Abwärtsfahrt von der 34. Etage per Smartphone die Beschleunigung als Funktion der Zeit aufgezeichnet wird.

Mehr zum Thema

30.03.2026 • Nachricht • Panorama

Physik-App „Phyphox“ gewinnt RWTH Sonderlehrpreis

24.03.2026 • Nachricht • Panorama

Lehr-Lern-Labor PHyLa ausgezeichnet

29.10.2025 • Nachricht • Hochschule

AR-Projekt „HoloDeck“ nutzt Gaming-Hardware für die Lehre

23.04.2025 • Nachricht • Panorama

Erfahrung beim Experimentieren sammeln

21.09.2020 • Nachricht • Panorama

Videoanalyse von Fallbewegungen mit NewtonDV

22.04.2020 • Nachricht • Panorama

Stromstärken mit dem Handy messen

Jochen Kuhn, Stefan Küchemann, Dave Rakestraw und Patrik Vogt • 6/2026 • Seite 36

Assistent statt Antwortmaschine

In Phase 1 des AIRIS-Konzepts (kognitive Aktivierung) setzen sich die Schüler:innen zuerst damit auseinander, welche Bewegungsphasen zu erwarten sind und wie sich dies in Diagrammen darstellen lässt. In Phase 2 (Inquiry – Untersuchung) bereiten sie die KI mit entsprechenden Prompts auf das Experiment vor und lassen dann die Geschwindigkeit messen und darstellen. In Phase 3 (Reflexion) interpretieren sie schließlich die Daten: Die Ergebnisse sollen mit den eigenen Vorstellungen verglichen, auf physikalische Plausibilität überprüft und bei Bedarf präzisiert oder korrigiert werden.

Werde generative KI so strukturiert im Unterricht genutzt, eröffne sie didaktische Chancen, sagen die Autoren. „Schüler:innen lernen unter anderem, die Annahmen von KI-Antworten zu reflektieren und bewusst zwischen eigener Leistung und KI-Unter­stüt­zung zu unterscheiden.“ KI-Nutzung, die hingegen nur konsumiere ohne eigene Überlegungen anzustellen, könne zu kognitiver Passivität führen.

„Ein zukunftsfähiger Physikunterricht erfordert nicht nur fachspezifisches Wissen, sondern auch KI-Kompe­ten­zen von Lernenden wie Lehrkräften“, so Vogt. Voraussetzung sei, dass Lehrkräfte mit den entsprechenden didaktischen Kompetenzen und grundlegendem Wissen über die Funktionsweise und Grenzen generativer Modelle ausgestattet seien. Unabdingbar sei auch ein Bewusstsein für Risiken im Umgang mit KI: Mögliche Fehlinformationen, algorithmische Verzerrungen und vor allem ethische Fragen, was den Datenschutz betreffe. „Wesentliches Merkmal einer menschenzentrierten Integration von KI ist, die Datensouveränität zu sichern. Gerade bei Kindern und Jugendlichen müssen Lehrkräfte wissen, welche Daten erhoben und gespeichert werden und ob es datensparsamere Alternativen gibt.“

Das Konzept wollen die Forscher nun mit empirischen Studien im Unterricht überprüfen und langfristig auch auf andere MINT-Fächer übertragen. [PHHD / dre]