Die rasante Entwicklung großer Sprachmodelle (Large Language Models, LLMs) hat leistungsstarke Werkzeuge der künstlichen Intelligenz (KI) in Bildungsumgebungen eingeführt. Während KI-Assistenten erhebliche Potenziale zur Unterstützung von Lernprozessen bieten, sind zugleich Bedenken hinsichtlich übermäßiger Abhängigkeit, vermindertem kritischen Denken sowie einer möglichen Beeinträchtigung langfristiger Kompetenzentwicklung entstanden. Diese Arbeit untersucht, wie der Zeitpunkt der KI-Unterstützung (Just-in-Time vs. Always-On) sowie Reflexionsvorgaben (Rationale-Required vs. Rationale-Optional) die kreative Leistung, die Autonomie der Lernenden und das kritische Engagement im Kontext der KI-gestützten Formulierung von Data-Science-Problemen beeinflussen. Mithilfe eines kontrollierten faktoriellen 2×2-Within-Subjects-Experimentaldesigns mit 66 Postgraduierten analysiert die Studie die von Expertinnen und Experten bewertete Ideenqualität, semantische Vielfalt, wahrgenommene Handlungskompetenz, KI-Abhängigkeit, kognitive Belastung sowie reflexives Denken über vier KI-gestützte Bedingungen hinweg. Die Ergebnisse zeigen, dass Just-in-Time-Unterstützung und verpflichtende Reflexion unabhängig voneinander mit höherer Ideenqualität, größerer wahrgenommener Handlungskompetenz, geringerer KI-Abhängigkeit sowie einer selektiveren und kritischeren Auseinandersetzung mit KI-Vorschlägen verbunden sind. Die Studie untersucht jedoch keinen verzögerten oder langfristigen Lerntransfer. Zukünftige Forschung mit längsschnittlichen Forschungsdesigns ist daher erforderlich, um festzustellen, ob die hier beobachteten kurzfristigen Vorteile zu einer nachhaltigen Kompetenzentwicklung führen.
Ark Ikhu (2026) untersuchte diese Frage.