Wie beeinflusst die Interaktion mit Künstlicher Intelligenz das Denken angehender Pflegefachkräfte? Dieses Buch präsentiert mit einer systematischen Literaturübersicht eine fundierte Synthese aus 18 empirischen Primärstudien. Die Analyse zeigt eine dialektische Dynamik: Während ungesteuerte Direktantworten zu Cognitive Offloading führen, wirkt eine geführte KI als mächtiger Metakognitions-Verstärker. Das Werk dekonstruiert präzise, wie Prompt Engineering als digitales Scaffolding gestaltet sein muss, um das kritische Clinical Reasoning nachhaltig zu fördern. Zudem liefert das Buch einen umfassenden Überblick über validierte Messinstrumente wie MAI, LCJR, SCT und DTI. Ein wegweisendes Fachbuch für Pflegepädagogen und Bildungsforscher, die die Human-KI-Kollaboration empirisch durchdringen wollen.
Inhaltsverzeichnis
1 Einführung
1.1 Problemstellung und Relevanz
1.2 Der Kontext des Pflegeberufegesetzes (PflBG)
1.3 Zielsetzung der Arbeit
1.4 Forschungsfrage und Unterfragen
2 Theoretischer Hintergrund – Die drei Säulen
2.1 Clinical Reasoning in der pflegedidaktischen Ausbildung
2.1.1 Definition und theoretische Modelle des Clinical Reasonings
2.1.2 Die Steuerung des Pflegeprozesses (§ 5 PflBG) als gesetzliche Kernkompetenz.
2.1.3 Konzept und Methodik des Clinical Reasoning Mappings als Visualisierung des Denkprozesses.
2.2 Metakognition und Selbstreguliertes Lernen (SRL)
2.2.1 Konzeptionelle Einordnung des selbstregulierten Lernens
2.2.2 Dimensionen der Metakognition: Selbstgesteuerte Überwachung (Monitoring) und selbstgesteuerte Korrektur (Regulation)
2.3 KI-gestütztes Scaffolding und Prompt-Didaktik
2.3.1 Generative Künstliche Intelligenz (LLMs) als interaktiver Lernpartner
2.3.2 Prompt Engineering als kognitive Lernunterstützung
2.3.3 Der Sokratische Dialog: Systematische Gesprächsführung durch KI-Chatbots zur Vermeidung von Oberflächenlernen.
3 Begriffsbestimmung und Operationalisierung
3.1 KI-gestützte Prompts
3.2 Clinical Reasoning Mapping
3.3 Selbstgesteuerte Überwachung (Monitoring):
3.4 Selbstgesteuerte Korrektur (Regulation):
4 Ergebnisse – Synthese des aktuellen Forschungsstandes
4.1 Deskriptive Analyse
4.2 Typologisierung der KI-Prompts beim Mapping (UF1):
4.3 Wechselwirkungen und Effekte auf Monitoring und Selbstkorrektur (UF2):
4.3.1 Die positive Wechselwirkung: Geführte KI als Metakognitions-Verstärker
4.3.2 Die negative Wechselwirkung: Direkte Antworten als Metakognitions-Hemmer
4.4 Validierte Messinstrumente im Forschungsfeld (UF3):
5 Diskussion
5.1 Kritische Würdigung der Wechselwirkungen
5.2 Das Risiko des Automation Bias
5.3 Identifikation von Forschungslücken
5.3.1 Defizit an longitudinaler Evidenz und Nachhaltigkeitsstudien
5.3.2 Fehlende psychometrische Validierung für den generalistischen Kontext des PflBG
5.3.3 Mangelnde Differenzierung der Prompt-Typen und metakognitiven Subdimensionen
5.4 Transfer auf das deutsche Pflegeberufegesetz
5.5 Limitationen
5.5.1 Systematische und methodologische Suchrestriktionen
5.5.2 Mangelnde Repräsentativität und Stichprobenheterogenität
5.5.3 Psychometrische Messgrenzen und soziale Erwünschtheit
5.5.4 Theoriegeleiteter Charakter der vorliegenden Synthese
6 Fazit, Forschungsdesiderate und Handlungsempfehlungen
6.1 Implikationen für die pflegedidaktische Praxis
6.1.1 Systematische Verankerung einer theoriegeleiteten Prompt-Didaktik im Curriculum
6.1.2 Etablierung des Clinical Reasoning Mappings als innovatives Prüfungsformat
6.1.3 Implementierung einer strukturellen, zweiphasigen Leitplanke gegen den Automation Bias
6.2 Zukünftiger Forschungsbedarf
6.3 Fazit des Gesamtsynthese
Zielsetzung und Themen
Das Hauptziel der Arbeit besteht darin, die didaktischen und methodischen Potentiale sowie die Grenzen des Einsatzes Künstlicher Intelligenz für Auszubildende in der generalistischen Pflegeausbildung systematisch zu analysieren, wobei der Fokus auf den Wechselwirkungen zwischen KI-gestützten Prompts beim Clinical Reasoning Mapping und den metakognitiven Steuerungs- und Selbstüberwachungsprozessen liegt.
- Analyse der Wechselwirkungen zwischen KI-Prompts und metagogitiven Prozessen (Monitoring und Regulation)
- Typologisierung von KI-Prompts in kognitive, metakognitive und reflexive bzw. sokratische Prompt-Formate
- Untersuchung des Clinical Reasoning Mappings als visuelles und strukturelles Diagnosewerkzeug in der Pflegebildung
- Bewertung von Risiken wie dem Automation Bias und dem Phänomen des Cognitive Offloadings durch ungesteuerte KI-Nutzung
- Übertragung der Erkenntnisse auf die Anforderungen des deutschen Pflegeberufegesetzes (PflBG) und der Vorbehaltsaufgaben
Auszug aus dem Buch
1.1 Problemstellung und Relevanz
Die Pflegeausbildung in Deutschland befindet sich in der aktuellen Dekade unter einem doppelten, tiefgreifenden Transformationsdruck, der sowohl rechtliche als auch technologische Ursachen aufweist. Mit dem Inkrafttreten des Pflegeberufegesetzes (PflBG) im Jahr 2020 wurde nicht nur die generalistische Struktur etabliert, um Menschen aller Altersstufen in hochdiversen Settings pflegen zu können, sondern es wurden weitreichende berufsrechtliche Kompetenzverschiebungen gesetzlich normiert. Gemäß § 4 Abs. 2 PflBG sind die sogenannten Vorbehaltsaufgaben als eigenverantwortliche Kernkompetenz verankert, welche die selbstständige Erhebung des Pflegebedarfs, die Organisation, Gestaltung und Steuerung des Pflegeprozesses sowie die Evaluation der Pflegequalität umfassen (PflBG 2025:18). Diese fundamentale Prozessverantwortung verlangt, dass Auszubildende bereits in der theoretischen Ausbildung die kognitive Fähigkeit entwickeln, hochkomplexe klinische Situationen am Patientenbett nicht nur intuitiv zu erfassen, sondern pflegewissenschaftlich fundiert zu begründen und adaptiv zu steuern (Remmers 2025:37). Dieses verborgene Konstrukt der klinischen Entscheidungsfindung (Clinical Reasoning) gilt als das Rückgrat professioneller Pflegeperformanz, da das rechtzeitige Erkennen von Veränderungen und klinischen Verschlechterungen direkt mit der Vermeidung von Patientenschädigungen und der Sicherung der Patientensicherheit korreliert (Sezer et al. 2025:2).
Gleichzeitig verändert die fortschreitende Proliferation und technologische Reifung generativer Künstlicher Intelligenz (GenAI) die Rahmenbedingungen dieses Wissenserwerbs im Bildungsraum berufsbildender Schulen grundlegend. Durch den technologischen Durchbruch im Bereich der Transformer-Architekturen sind generative Sprachmodelle (Large Language Models, LLMs) nicht mehr bloß als passive, statische Werkzeuge zur digitalen Informationsbeschaffung oder Wissenskompression zu betrachten (Müssig 2021:36). Vielmehr agieren sie zunehmend als interaktive, dialogische Lernpartner, die im Rahmen von fallbasierten digitalen Simulationen in der Lage sind, individuelle Lernprozesse adaptiv und latenzfrei zu begleiten (Huang et al. 2026:1). In der internationalen pflegepädagogischen Debatte wird diese Entwicklung als eine historische Chance diskutiert, um traditionelle, instruktionale Lehr-Lern-Konzepte zu transformieren, Lernängste zu reduzieren und die Autonomie der Auszubildenden sowie die klinische Urteilsbildung im häuslichen Selbststudium nachhaltig zu unterstützen (Alrazeeni et al. 2026:6).
Zusammenfassung der Kapitel
1 Einführung: Die Einleitung beleuchtet den doppelten Transformationsdruck der Pflegeausbildung durch das Pflegeberufegesetz (PflBG) und generative KI, definiert die Forschungsfrage und umreißt die methodische Herangehensweise der Arbeit.
2 Theoretischer Hintergrund – Die drei Säulen: Dieses Kapitel legt die theoretischen Grundlagen zu Clinical Reasoning, selbstreguliertem Lernen (SRL) inklusive Metakognition sowie zur KI-gestützten Prompt-Didaktik und dem Sokratischen Dialog dar.
3 Begriffsbestimmung und Operationalisierung: Hier werden die zentralen Konstrukte wie KI-gestützte Prompts, Clinical Reasoning Mapping sowie Monitoring und Regulation präzise definiert und für die Analyse operationalisiert.
4 Ergebnisse – Synthese des aktuellen Forschungsstandes: Die systematische Literaturanalyse wertet 18 Primärstudien aus, typologisiert KI-Prompts, analysiert positive und negative Wechselwirkungen auf metakognitive Prozesse und stellt validierte Messinstrumente vor.
5 Diskussion: Die Ergebnisse werden kritisch gewürdigt, wobei insbesondere das Risiko des Automation Bias, bestehende Forschungslücken und die Übertragbarkeit auf das deutsche Rechtssystem diskutiert werden.
6 Fazit, Forschungsdesiderate und Handlungsempfehlungen: Das abschließende Kapitel fasst die Kernergebnisse zusammen, formuliert konkrete Implikationen für die pflegedidaktische Praxis und skizziert zukünftigen Forschungsbedarf.
Schlüsselwörter
Clinical Reasoning Mapping, KI-gestützte Prompts, Metakognition, Selbstgesteuerte Überwachung, Selbstgesteuerte Korrektur, Pflegeberufegesetz, PflBG, Automation Bias, Sokratischer Dialog, Selbstreguliertes Lernen, Künstliche Intelligenz, Pflegedidaktik
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundsätzlich?
Die Publikation untersucht die Wechselwirkungen zwischen dem Einsatz von KI-gestützten Prompts und den metakognitiven Steuerungs- sowie Selbstüberwachungsprozessen von Auszubildenden im Rahmen des Clinical Reasoning Mappings in der generalistischen Pflegeausbildung.
Was sind die zentralen Themenfelder der Untersuchung?
Die zentralen Themenfelder umfassen die pflegedidaktische Ausbildung und das Clinical Reasoning nach dem Pflegeberufegesetz (PflBG), die kognitionspsychologische Metakognition und das selbstregulierte Lernen (SRL) sowie die didaktische Einbindung generativer Künstlicher Intelligenz (LLMs) als Lernpartner.
Welches primäre Ziel oder welche Forschungsfrage verfolgt die Arbeit?
Das Hauptziel besteht darin, systematisch zu analysieren, welche Wechselwirkungen zwischen der Nutzung von KI-gestützten Prompts beim Clinical Reasoning Mapping und der metakognitiven Selbstüberwachung sowie Selbstkorrektur von Auszubildenden in der internationalen und nationalen Literatur beschrieben werden.
Welche wissenschaftliche Methode wird zur Beantwortung der Fragestellung angewandt?
Es wurde eine systematische Literaturübersicht (Systematic Literature Review) durchgeführt, bei der nach einer strukturierten Datenbankrecherche (PubMed, CINAHL, Scopus, Web of Science) 18 empirische Primärstudien kriteriengeleitet analysiert und syntheseartig ausgewertet wurden.
Welche Inhalte werden im umfangreichen Hauptteil der Arbeit behandelt?
Der Hauptteil widmet sich der theoretischen Fundierung der drei Säulen (Clinical Reasoning, Metakognition und KI-Scaffolding), der begrifflichen Operationalisierung, der deskriptiven und inhaltlichen Synthese der Studienergebnisse (inklusive Prompt-Typologien und Wirkungsachsen) sowie einer kritischen Diskussion inklusive Limitationen.
Welche Schlüsselwörter charakterisieren die Publikation am besten?
Zu den prägendsten Begriffen zählen Clinical Reasoning Mapping, KI-Prompts, Metakognition, Selbstüberwachung (Monitoring), Selbstkorrektur (Regulation), Pflegeberufegesetz (PflBG) und Automation Bias.
Welche konkreten Prompt-Typen werden im Kontext des Mappings differenziert?
Die Arbeit unterscheidet in Anlehnung an etablierte Klassifikationen zwischen kognitiven Prompts (für den Wissensabruf), metakognitiven Prompts (zur Aktivierung des Selbst-Monitorings) und reflexiven bzw. sokratischen Prompts (zur Evokation metakognitiver Regulation und Fehlerdetektion).
Wie unterscheidet sich die positive von der negativen Wechselwirkung beim KI-Einsatz?
Eine positive Wechselwirkung entsteht, wenn geführte KI als Metakognitions-Verstärker agiert und die Verantwortung beim Lernenden belässt. Eine negative Wechselwirkung tritt auf, wenn ungesteuerte Direktantworten zu einem kognitiven Offloading und einer metakognitiven Lähmung (Automation Bias) führen.
Welche Instrumente werden zur Messung von Metakognition und klinischer Urteilskraft genannt?
Als standardisierte Messinstrumente werden unter anderem das Metacognitive Awareness Inventory (MAI), die Lasater Clinical Judgment Rubric (LCJR), der Script Concordance Test (SCT) sowie das Diagnostic Thinking Inventory (DTI) aufgeführt.
Welche strukturellen Empfehlungen werden für die pflegedidaktische Praxis ausgesprochen?
Es wird empfohlen, eine zweiphasige Leitplanke (KI-freie Konstruktionsphase gefolgt von einer KI-gestützten Reappraisal-Phase) zu implementieren, um den zerstörerischen Automation Bias zu verhindern und das eigenständige Tiefenlernen zu sichern.
- Citation du texte
- Horst Siegfried Kolb (Auteur), 2026, Wechselwirkungen zwischen KI-gestützten Prompts und metakognitiven Prozessen beim Clinical Reasoning Mapping in der Pflegeausbildung, Munich, GRIN Verlag, https://www.grin.com/document/1783141
