Welche drei Schlüsselprinzipien sind zentral für die Gestaltung von Aufgaben zur AI-Fluenz?	Authentizität (echte AI-Zusammenarbeit spiegeln), Iteration (Verfeinerungsmöglichkeiten einbauen) und pädagogische Transparenz (Bewertung des Prozesses, nicht nur der Ergebnisse).
Was ist der Unterschied zwischen ergebnisorientierten und prozessorientierten Aufgaben?	Ergebnisorientierte Aufgaben konzentrieren sich auf Produkte (z.B. AI-Outputs verbessern), während prozessorientierte Aufgaben unsichtbare Entscheidungsfindung durch Dokumentation sichtbar machen (z.B. annotierte Chat-Logs).
Welche Strategien helfen bei der Verwaltung des erhöhten Arbeitsaufkommens durch AI-verbesserte Aufgaben?	Detaillierte Rubrics, Peer-Review, Lightning-Round-Konferenzen und selektive Stichprobennahme von Schülerarbeiten.
Was ist das Ziel von reflexionsbasierten Aufgaben?	Sie entwickeln Metakognition und Selbstbewusstsein, erfordern aber Vielfalt, um Ermüdung zu vermeiden.
Wie sollte eine AI-Fluenz-Aufgabe echte Zusammenarbeit widerspiegeln?	Sie sollte echte Probleme aus dem Fachbereich enthalten, bei denen AI-Partnerschaft einen echten Mehrwert bietet.
Was sollten Aufgabenanweisungen zur AI-Fluenz enthalten?	Klare Aussagen darüber, was bewertet wird (Prozess und Reflexion, nicht nur Output), sowie explizite Verbindungen zur AI-Fluenz-Entwicklung.
Welche zwei Komponenten sollten in einer umfassenden AI-Fluenz-Aufgabe kombiniert werden?	2-3 Komponenten aus Outcome-, Prozess- oder Reflexionsaufgaben, die kohärent zusammenpassen und den Kurskontext widerspiegeln.
Wie können Checkpoints in einer Aufgabe mit Iteration gestaltet werden?	Sie sollten Schülern ermöglichen, von frühen Versuchen zu lernen und Vorlagen zur Erfassung wichtiger Entscheidungsmomente bereitstellen.
Warum ist pädagogische Transparenz bei AI-Fluenz-Aufgaben wichtig?	Sie macht deutlich, dass der Zusammenarbeitsprozess und die Reflexion bewertet werden, nicht nur die finalen Outputs.
Welche Elemente sollten bei der Implementierungsplanung berücksichtigt werden?	Spezifische Anweisungen, klare Bewertungskriterien, Lieferformate, Verbindung zur AI-Fluenz und Strategien zur Verwaltung der Bewertungslast.