Das SAMR-Modell – Substitution, Augmentation, Modification, Redefinition – ist seit langem ein Eckpfeiler der Diskussionen über Technologie im Bildungswesen. Es wurde Anfang der 2000er Jahre eingeführt und bot eine einfache Möglichkeit, zu kategorisieren, wie sich Technologie auf das Lernen auswirkt. Der Aufstieg der künstlichen Intelligenz (KI) offenbart jedoch einen kritischen Fehler: SAMR behandelt Veränderungen als von Natur aus besser, wenn dies nicht der Fall ist. KI kann sowohl positive als auch negative Ergebnisse auf jeder Integrationsebene verstärken. Das Modell benötigt eine zweite Dimension, um zu berücksichtigen, ob Technologie das Lehren und Lernen stärkt oder schwächt.
Die Einschränkungen des Originalmodells
Ursprünglich als beschreibendes Instrument gedacht, wurde SAMR schnell präskriptiv. Pädagogen begannen, Substitution als „grundlegend“ und Neudefinition als Ideal zu betrachten und verwandelten sie in eine Treppe und nicht in ein Spektrum. In einer KI-gesteuerten Welt bricht dieses lineare Denken zusammen: KI kann einfache Aufgaben unglaublich leistungsfähig und fortgeschrittene Aufgaben täuschend leer machen. Der einachsige Ansatz von SAMR reicht nicht mehr aus.
Das Porträt eines Lehrerprojekts und einer entscheidenden Frage
Aktuelle Untersuchungen der von Ed3 geleiteten Initiative „Portrait of a Teacher in the Age of AI“ haben dieses Problem aus erster Hand offenbart. Pädagogen, die KI im gesamten SAMR-Spektrum einsetzen, berichteten durchweg sowohl über positive als auch negative Auswirkungen auf allen Ebenen. Die Frage wurde klar: Benötigt SAMR eine zweite Achse, um zu beurteilen, ob Veränderungen konstruktiv oder destruktiv sind?
Einführung in die Positiv-Negativ-Dimension
Die wichtigste Erkenntnis ist, dass SAMR nicht nur beschreibt, welche Art von Veränderung die Technologie mit sich bringt, sondern auch, ob diese Veränderung das Lernen verbessert oder verschlechtert. Jede Ebene kann entweder nützlich oder schädlich sein.
- Ersatz: Das Ersetzen von Papierquizzen durch digitale Quizze kann Lehrern Zeit für sinnvolle Interaktionen verschaffen oder die Benotung ohne menschliche Überprüfung automatisieren.
- Neudefinition: KI kann mehrsprachiges Geschichtenerzählen und kreativen Ausdruck ermöglichen, aber es kann Schülern auch ermöglichen, anspruchsvolle Arbeiten ohne echte Anstrengung oder Verständnis zu produzieren.
Diese Dualität erfordert eine Neuausrichtung: SAMR ist kein Aufstieg mehr von „weniger innovativ“ zu „innovativer“. Es ist ein Zwei-Achsen-System:
- Integrationsmodus: (Substitution, Erweiterung, Modifikation, Neudefinition)
- Auswirkungsrichtung: (Negativ ↔ Positiv)
Vier Schlüsselnuancen des neuen Modells
Diese erweiterte Ansicht offenbart wichtige Erkenntnisse:
- Stufe sagt nicht die Qualität voraus: Substitution kann genauso effektiv sein wie Neudefinition, wenn sie mit Bedacht umgesetzt wird.
- Effizienz kann Erosion überdecken: Die durch Automatisierung eingesparte Zeit kann entweder die Lehrer-Schüler-Verbindungen verbessern oder sie vollständig ersetzen.
- Neudefinition kann hohl sein: KI kann oberflächliche Lerngewinne ohne echte Tiefe erzielen.
- Der entscheidende Faktor ist relational: Positive Verwendungen stärken Beziehungen, Feedback und Zugang; Negative schwächen sie.
Jenseits des sequentiellen Denkens
Ein weiteres Missverständnis besteht darin, dass es sich bei SAMR um einen sequentiellen Verlauf handelt. Lehrer wechseln nicht unbedingt von der Substitution zur Neudefinition. KI macht dies noch weniger vorhersehbar; Ein Lehrer könnte mit der Neudefinition mithilfe von Simulationen beginnen und dann zur Materialerstellung auf Substitution zurückgreifen, um Zeit für die Einzelunterstützung der Schüler zu gewinnen. Unter SAMR versteht man besser eine Reihe von Modi, die unter verschiedenen Bedingungen nützlich sind.
Neuformulierung der Fragen
Das neue Modell verlagert den Fokus von der wahrgenommenen Innovation hin zur greifbaren Wirkung:
- Vertieft diese KI die menschliche Verbindung oder schwächt sie sie?
- Erweitert es die Kapazitäten der Lehrkräfte oder schränkt es sie ein?
- Eröffnet es Chancen für Studierende oder schränkt es sie ein?
Bei diesen Fragen steht die Richtung der Wirkung im Vordergrund, nicht der Grad der Ausgereiftheit. Je nach Praxis kann jede SAMR-Stufe ausgezeichnet oder schädlich sein.
Anbindung an die Akzeptanzkurve
Schließlich interagiert SAMR mit dem Technologieeinführungszyklus. Frühanwender tendieren zur Neudefinition, während spätere Anwender aus Sicherheits- und Komfortgründen mit der Substitution beginnen. Diese Neuformulierung deutet darauf hin, dass Lehrer nicht aufgrund mangelnder Kreativität auf bestimmten Ebenen feststecken, sondern weil sie sich in unterschiedlichen Phasen der Akzeptanz befinden. Das Verständnis dieser Dynamik hilft Führungskräften, realistische Erwartungen zu formulieren und angemessene Unterstützung bereitzustellen.
Zusammenfassend lässt sich sagen, dass ein zweiachsiges SAMR-Modell die Komplexität der Lehrerpraxis anerkennt, unterschiedliche Kontexte respektiert und das menschliche Urteilsvermögen als bestimmende Variable in den Mittelpunkt stellt. Mit zunehmender Verbreitung von KI lautet die relevante Frage nicht mehr: „Wie hoch ist der SAMR-Wert?“ aber: „Beschleunigt oder verlangsamt dieser Einsatz von KI die Lernergebnisse?“
