The Hechinger Report berichtete am 26. Oktober 2026, Patrick O’Neill habe bei einer Prüfung 14 von 39 Metaanalysen zu KI in der Bildung mit deutlichen Vorteilen schwerwiegende konzeptionelle und statistische Mängel gefunden. O’Neill habe zudem aus 44 Experimenten vorläufig einen Durchschnitt nahe null berechnet; die Ergebnisse hätten von sehr hilfreich bis sehr schädlich gereicht. Laut Bericht stellte er die Prüfung bei einem Webinar am 20. Oktober vor.
Was die Prüfung erfasste
Eine Metaanalyse bündelt statistisch die Ergebnisse mehrerer Einzelstudien. Laut dem Bericht untersuchte O’Neill zugrunde liegende Studien und die statistischen Verfahren, mit denen ihre Resultate zusammengefasst wurden. Zu den von ihm beschriebenen Problemen gehörten unmögliche statistische Angaben, erfundene Literaturverweise, überzogene Schlussfolgerungen und Zitate, die zu sachfremden Studien führten.
Der berichtete Durchschnitt nahe null ist ein vorläufiger Mittelwert über die 44 Experimente. Die große Spannweite der Einzelergebnisse zeigt, warum dieser Wert allein keine konkrete Anwendung wie KI-generierte Übungsfragen bewertet. Die Prüfung betrachtete die Qualität von Forschungssynthesen, nicht einzelne Lerngewohnheiten.
Zwei Metaanalysen, zwei Forschungsfragen
Eine am 26. März 2026 veröffentlichte Metaanalyse von Wu et al. zu ChatGPT und Lernergebnissen fasste 35 experimentelle und quasi-experimentelle Studien mit 4.193 Teilnehmenden zusammen. Die Studien waren zwischen 2022 und 2024 erschienen. Eine zweite, am 24. September 2025 online veröffentlichte Metaanalyse von Kaliisa et al. zu KI- und menschlichem Feedback untersuchte den Vergleich verschiedener Feedbackgeber. Die beiden Arbeiten beantworten also unterschiedliche Fragen.
Hedges’ g fasst einen standardisierten Unterschied zwischen Ergebnissen zusammen. Das 95-Prozent-Konfidenzintervall zeigt den Unsicherheitsbereich der Schätzung; I² beschreibt, wie stark die Resultate zwischen den Studien streuen.
| Metaanalyse | Untersuchte Frage und Umfang | Ergebnis | Heterogenität |
| Wu et al., ChatGPT und Lernergebnisse | 35 Studien aus den Jahren 2022 bis 2024, 4.193 Teilnehmende | Hedges’ g = 0,670; 95-Prozent-KI: 0,495 bis 0,844 | I² = 91,444 Prozent |
| Kaliisa et al., KI- gegenüber menschlichem Feedback | 41 Arbeiten mit 4.813 Studierenden insgesamt; für die Aufgabenleistung 11 Artikel und 12 Studien | Hedges’ g = 0,25; 95-Prozent-KI: −0,11 bis 0,60; kein statistisch signifikanter Unterschied bei der Aufgabenleistung | I² = 75,0 Prozent |
Die ChatGPT-Synthese ermittelte einen positiven gepoolten Wert. Zugleich lag ihre Heterogenität bei 91,444 Prozent; nur drei der einbezogenen Studien hatten negative Effektgrößen. Der Durchschnitt fasst damit Studien zusammen, deren Ergebnisse deutlich auseinanderlagen.
Die Feedback-Synthese verglich KI-generiertes mit menschlichem Feedback, überwiegend in Studien zu Sprache und Schreiben. Ihr Ergebnis zur Aufgabenleistung war statistisch nicht signifikant; das Konfidenzintervall umfasste sowohl negative als auch positive Werte. Dieser Vergleich beantwortet eine engere Frage als die Wirkung von KI auf Lernergebnisse insgesamt.
Was Lehrkräfte daraus ableiten können
Die drei Befunde ergeben kein einheitliches Urteil über jede Form von KI im Unterricht: O’Neills vorläufige Auswertung, ChatGPT-Studien zu Lernergebnissen und der Vergleich von Feedbackgebern untersuchen verschiedene Zusammenstellungen und Fragestellungen. The Hechinger Report gab als vorsichtige praktische Konsequenz wieder, KI zunächst mit kleinen Gruppen zu erproben und die Ergebnisse zu beobachten.
