1. Einleitung

Warum Simulationen im Unterricht?

Simulationen haben sich in den letzten zwei Jahrzehnten zu einem der meistuntersuchten digitalen Werkzeuge im naturwissenschaftlichen Unterricht entwickelt. Die Forschungslage ist beeindruckend: Eine aktuelle Meta-Analyse von Hsu und Ching (2025) ermittelt eine große Gesamteffektstärke von g = 0,898 für den Einfluss von Computersimulationen auf das konzeptuelle Verständnis in der K-12-Bildung. Hattie (2023) ordnet Simulationen in seiner Synthese von über 2.100 Meta-Analysen mit einem Effekt von g = 0,49 ein — deutlich über dem Schwellenwert für praktisch bedeutsame Interventionen.

Diese Zahlen allein erzählen jedoch nur einen Teil der Geschichte. Hinter den Effektstärken verbirgt sich eine differenzierte Landschaft: Die Wirksamkeit einer Simulation hängt entscheidend von ihrer Gestaltung, ihrer Einbettung in den Unterricht und der Begleitung durch die Lehrperson ab (Smetana & Bell, 2012; Chernikova et al., 2020). Schlecht eingebettete Simulationen ohne Scaffolding können ebenso wirkungslos sein wie jedes andere unstrukturierte Unterrichtsmittel (Gerard & Linn, 2024).

Besonders im Geografieunterricht — einem Fach, das von komplexen Systemen, räumlichen Zusammenhängen und schwer beobachtbaren Prozessen lebt — eröffnen Simulationen Möglichkeiten, die weit über Schulbuch und Tafel hinausgehen. Klimawandel, Bevölkerungsdynamiken, Plattentektonik oder Stadtentwicklung lassen sich nicht im Labor nachstellen; sie können aber in Simulationen sichtbar, manipulierbar und erfahrbar gemacht werden (Barak et al., 2012; Schlemper & Kersten, 2025).

Fragestellungen und Aufbau

Dieser Beitrag untersucht den didaktischen Nutzen und die Wirksamkeit von Simulationen im naturwissenschaftlichen und geografischen Unterricht. Im Zentrum stehen vier Leitfragen:

• Empirische Wirksamkeit: Was sagt die aktuelle Forschung über den Lernerfolg durch Simulationen? Welche Effektstärken sind belegt?
• Gestaltungsprinzipien: Welche Merkmale zeichnen wirksame Simulationen aus? Was unterscheidet eine gut gestaltete von einer schlecht gestalteten Simulation?
• Rolle der Lehrperson: Wie verändert sich die Lehrrolle beim Einsatz von Simulationen? Welche Formen des Scaffolding sind besonders wirksam?
• Qualitätskriterien für den Geografieunterricht: Welche Eigenschaften muss eine Simulation mitbringen, um den spezifischen Anforderungen des Geografieunterrichts gerecht zu werden?

Der Artikel beginnt mit theoretischen Grundlagen (Kapitel 2), klassifiziert Simulationstypen (Kapitel 3), analysiert die empirische Evidenz (Kapitel 4), leitet Gestaltungsprinzipien ab (Kapitel 5), untersucht die Lehrerrolle (Kapitel 6) und wendet die Erkenntnisse auf den Geografieunterricht an (Kapitel 7–8). Herausforderungen (Kapitel 9) und ein Ausblick (Kapitel 10) runden die Darstellung ab.

Der Artikel basiert auf 195 recherchierten Quellen (Stand April 2026), darunter peer-reviewed Artikel aus dem Journal of Science Education and Technology, der Review of Educational Research, Computers & Education sowie institutionellen Berichten und dem österreichischen Lehrplan. Alle Quellen sind im Quellenverzeichnis mit Qualitätsbewertung zugänglich.

Literatur (Einleitung)

Barak, M., Hussein-Farraj, R. & Dori, Y. (2012). The Role of Computer Simulation in an Inquiry-Based Learning Environment. Journal of Science Education and Technology, 21, 3. https://doi.org/10.1007/s10956-011-9330-3

Chernikova, O., Heitzmann, N., Stadler, M., Holzberger, D., Seidel, T. & Fischer, F. (2020). Simulation-Based Learning in Higher Education: A Meta-Analysis. Review of Educational Research, 90(4). https://doi.org/10.3102/0034654320933544

Gerard, L. & Linn, M. (2024). Employing technology-enhanced feedback and scaffolding. International Journal of STEM Education, 11. https://doi.org/10.1186/s40594-024-00490-7

Hattie, J. (2023). Visible Learning: The Sequel. Routledge. https://doi.org/10.4324/9781003380542

Hsu, Y. & Ching, Y. (2025). The Impact of Computer Simulation on Students' Conceptual Understanding in K-12. Journal of Science Education and Technology. https://doi.org/10.1007/s10956-025-10264-7

Schlemper, M. & Kersten, T. (2025). The Potential of Immersive Virtual Reality for Teaching Geography in Schools. KN - Journal of Cartography and Geographic Information. https://doi.org/10.1007/s42489-025-00204-1

Smetana, L. & Bell, R. (2012). Computer Simulations to Support Science Instruction and Learning: A Critical Review. International Journal of Science Education, 34(9). https://doi.org/10.1080/09500693.2011.605182

2. Grundlagen und theoretischer Hintergrund

Was ist eine Simulation?

Eine Simulation ist ein vereinfachtes, dynamisches Modell eines realen oder hypothetischen Systems, das es ermöglicht, Variablen zu verändern und deren Auswirkungen in Echtzeit zu beobachten (Plass et al., 2009). Im schulischen Kontext umfasst der Begriff ein breites Spektrum: von einfachen Animationen, die einen Prozess visualisieren, über interaktive Applets, in denen Lernende Parameter manipulieren, bis hin zu komplexen virtuellen Labors und immersiven VR-Umgebungen (Rutten et al., 2012).

Der entscheidende Unterschied zu einer Animation liegt in der Interaktivität: Während eine Animation einen vordefinierten Ablauf zeigt, erlaubt eine Simulation das aktive Eingreifen — das Verändern von Variablen, das Testen von Hypothesen und das Beobachten von Konsequenzen (de Jong & van Joolingen, 1998). Dieses Merkmal macht Simulationen zu einem Werkzeug, das über bloße Veranschaulichung hinausgeht und aktives, forschendes Lernen ermöglicht.

In der modernen Wissenschaft gelten Computersimulationen neben Theorie und Empirie als dritte Säule der Erkenntnisgewinnung (Kremer & Höffler, 2024). Dieser epistemologische Status verleiht ihrem Einsatz im Unterricht zusätzliche Legitimation: Schüler*innen arbeiten nicht nur mit einem didaktischen Hilfsmittel, sondern mit einer genuinen wissenschaftlichen Methode.

Lerntheoretische Einordnung

Konstruktivismus und entdeckendes Lernen

Aus konstruktivistischer Perspektive bieten Simulationen ideale Bedingungen für aktives, entdeckendes Lernen. Lernende konstruieren ihr Wissen durch Interaktion mit dem Modell — sie formulieren Hypothesen, testen diese durch Manipulation von Variablen und revidieren ihre Annahmen auf Basis der beobachteten Ergebnisse (de Jong & van Joolingen, 1998). Dieser Prozess entspricht dem wissenschaftlichen Arbeiten und fördert neben Fachwissen auch prozedurale Kompetenzen.

Kolb (2015) beschreibt Lernen als zyklischen Prozess aus konkreter Erfahrung, reflektierender Beobachtung, abstrakter Konzeptualisierung und aktivem Experimentieren. Simulationen bedienen alle vier Phasen dieses Zyklus: Sie ermöglichen konkrete (wenn auch virtuelle) Erfahrungen, laden zur Reflexion ein, erfordern die Bildung konzeptueller Modelle und erlauben unmittelbares Experimentieren.

Cognitive Load Theory

Die Cognitive Load Theory (CLT) von Sweller et al. (2019) liefert einen zentralen Rahmen für die Gestaltung von Simulationen. Sie unterscheidet drei Arten kognitiver Belastung: intrinsische (durch die Komplexität des Inhalts), extrinsische (durch die Gestaltung des Lernmaterials) und lernförderliche (germane) Belastung (durch aktive Verarbeitung). Gut gestaltete Simulationen reduzieren die extrinsische Belastung durch intuitive Interfaces und steigern die lernförderliche Belastung durch gezielte Interaktionsmöglichkeiten (Skulmowski & Xu, 2022).

Allerdings bergen interaktive, multimediale Simulationen das Risiko kognitiver Überlastung, wenn zu viele Elemente gleichzeitig präsentiert werden (Chen & Kalyuga, 2025). Das Segmentierungsprinzip, das Kohärenzprinzip und das Signaling-Prinzip aus der Multimedia-Lernforschung (Mayer, 2024) bieten hier evidenzbasierte Gestaltungsrichtlinien.

Multimedia Learning Theory

Die Cognitive Theory of Multimedia Learning (CTML) von Mayer (2024) beschreibt, wie Menschen aus Worten und Bildern lernen. Drei Kernannahmen leiten die Theorie: die Dual-Channel-Annahme (getrennte Verarbeitungskanäle für visuelles und auditives Material), die Limited-Capacity-Annahme (begrenzte Verarbeitungskapazität) und die Active-Processing-Annahme (Lernen erfordert aktive kognitive Verarbeitung). Aus diesen Annahmen leiten sich zahlreiche Gestaltungsprinzipien ab, die für das Design von Simulationen unmittelbar relevant sind (Mayer & Fiorella, 2022).

Stand der Forschung

Die Forschungslandschaft zu Simulationen im Unterricht hat sich seit dem grundlegenden Review von de Jong und van Joolingen (1998) erheblich weiterentwickelt. Hallinger und Wang (2020) dokumentieren in ihrer bibliometrischen Analyse ein exponentielles Wachstum der Publikationen seit 2000. Mehrere aktuelle Meta-Analysen und systematische Reviews bestätigen die Wirksamkeit von Simulationen:

• Karakoyun und Sırakaya (2025) analysierten 31 empirische Studien und fanden, dass interaktive Simulationen die meistverwendete digitale Technologie im MINT-Unterricht darstellen.
• Hillmayr et al. (2020) ermittelten in ihrer kontextspezifischen Meta-Analyse von 92 Studien einen Gesamteffekt von g = 0,65 für digitale Werkzeuge im MINT-Unterricht der Sekundarstufe, wobei Simulationen signifikant wirksamer waren als Hypermedia-Systeme.
• Hsu und Ching (2025) berichten die bislang größte Effektstärke: g = 0,898 für den Einfluss von Computersimulationen auf konzeptuelles Verständnis in der K-12-Bildung.

Literatur (Grundlagen)

Chen, O. & Kalyuga, S. (2025). Cognitive Load Theory: Emerging Trends and Innovations. Education Sciences, 15(4). https://www.mdpi.com/2227-7102/15/4/458

de Jong, T. & van Joolingen, W. (1998). Scientific Discovery Learning with Computer Simulations of Conceptual Domains. Review of Educational Research, 68(2). https://doi.org/10.3102/00346543068002179

Hallinger, P. & Wang, R. (2020). The evolution of simulation-based learning across the disciplines, 1965–2018. Simulation & Gaming, 51(4). https://doi.org/10.1177/1046878120920381

Hillmayr, D., Ziernwald, L., Reinhold, F., Hofer, S. & Reiss, K. (2020). The Potential of Digital Tools to Enhance Mathematics and Science Learning. Computers & Education, 153. https://doi.org/10.1016/j.compedu.2020.103897

Hsu, Y. & Ching, Y. (2025). The Impact of Computer Simulation on Students' Conceptual Understanding in K-12. Journal of Science Education and Technology. https://doi.org/10.1007/s10956-025-10264-7

Karakoyun, F. & Sırakaya, M. (2025). Digital Simulations in STEM Education. Encyclopedia, 5(1). https://www.mdpi.com/2673-8392/5/1/10

Kolb, D. (2015). Experiential Learning (2. Auflage). Pearson.

Kremer, K. & Höffler, T. (2024). Mit Simulationen im Biologieunterricht das Verständnis von Nature of Science reflektieren und fördern. Springer. https://doi.org/10.1007/978-3-662-68409-2_7

Mayer, R. (2024). The Past, Present, and Future of the Cognitive Theory of Multimedia Learning. Educational Psychology Review. https://doi.org/10.1007/s10648-023-09842-1

Mayer, R. & Fiorella, L. (2022). The Cambridge Handbook of Multimedia Learning (3. Auflage). Cambridge University Press. https://doi.org/10.1017/9781108894333

Plass, J., Homer, B. & Hayward, E. (2009). Design factors for educationally effective animations and simulations. Journal of Computing in Higher Education, 21. https://doi.org/10.1007/s12528-009-9011-x

Rutten, N., van Joolingen, W. & van der Veen, J. (2012). The Learning Effects of Computer Simulations in Science Education. Computers & Education, 58(1). https://doi.org/10.1016/j.compedu.2011.07.017

Skulmowski, A. & Xu, K. (2022). Understanding Cognitive Load in Digital and Online Learning. Educational Psychology Review. https://doi.org/10.1007/s10648-021-09624-7

Sweller, J., van Merriënboer, J. & Paas, F. (2019). Cognitive Architecture and Instructional Design: 20 Years Later. Educational Psychology Review, 31. https://doi.org/10.1007/s10648-019-09465-5

3. Typen und Merkmale von Simulationen im Unterricht

Klassifikation nach Interaktionsgrad

Simulationen lassen sich entlang eines Kontinuums einordnen, das von passiven Animationen über steuerbare Modelle bis hin zu vollständig interaktiven Umgebungen reicht. Interaktive Simulationen, bei denen Lernende Parameter manipulieren und Hypothesen testen können, zeigen konsistent höhere Lernerfolge als rein darstellende Formate (Karakoyun & Sırakaya, 2025). In ihrem systematischen Review von 31 empirischen Studien fanden die Autoren, dass interaktive Simulationen in 25 von 31 Studien als primäres digitales Werkzeug eingesetzt wurden.

De Jong (2019) unterscheidet grundlegend zwischen Simulationen konzeptueller Domänen, in denen Lernende Prinzipien und Gesetzmäßigkeiten entdecken, und Simulationen operationaler Domänen, in denen prozedurale Fertigkeiten trainiert werden. Für den naturwissenschaftlichen und geografischen Unterricht sind vor allem konzeptuelle Simulationen relevant, die das Verständnis komplexer Zusammenhänge fördern.

PhET-Simulationen als Referenzmodell

Das PhET-Projekt der University of Colorado Boulder, gegründet 2002 von Nobelpreisträger Carl Wieman, hat sich zum weltweit meistgenutzten Anbieter interaktiver Bildungssimulationen entwickelt. Über 150 Simulationen werden in 93 Sprachen angeboten und jährlich über 180 Millionen Mal genutzt (Perkins, 2020). Die Designphilosophie basiert auf empirisch getesteten Prinzipien: intuitive Interfaces, implizite Anleitung durch das Design, direkte Manipulation und sofortiges Feedback (Perkins et al., 2006; Adams et al., 2008).

Eine Meta-Analyse von Fadillah et al. (2026) ermittelt für PhET-Simulationen im Physikunterricht eine große Gesamteffektstärke von d = 0,83. Besonders wirksam zeigen sich die Simulationen bei abstrakten Themen wie Elektrizität und Wellen, die sich der direkten Beobachtung entziehen. Die freie Verfügbarkeit macht PhET zudem zu einem Werkzeug, das auch in ressourcenschwächeren Schulen einsetzbar ist.

Spielbasierte Simulationen und Serious Games

Spielbasierte Simulationen integrieren Spielelemente wie Punkte, Levels, Narrative und Wettbewerb in Lernumgebungen. Wouters et al. (2013) fanden in ihrer Meta-Analyse, dass Serious Games beim Lernerfolg (d = 0,29) und bei der Wissensspeicherung (d = 0,36) effektiver sind als konventioneller Unterricht, jedoch nicht signifikant motivierender. Sailer und Homner (2020) differenzieren zwischen kognitiven (g = 0,49), motivationalen (g = 0,36) und verhaltensbezogenen Outcomes (g = 0,25) von Gamification.

Für den Geografieunterricht sind Simulationsspiele besonders relevant: Stadtaufbauspiele wie PocketCity ermöglichen die Reflexion über Raumplanung und Urbanisierung (Baßeng & Budke, 2023), Klimasimulatoren wie En-ROADS verknüpfen Rollenspiele mit interaktiver Systemmodellierung (Rooney-Varga et al., 2018).

Virtuelle Labore

Virtuelle Labore bilden physische Laborumgebungen digital nach und ermöglichen Experimente, die in der Schule aus Kosten-, Sicherheits- oder Zeitgründen nicht durchführbar wären. Brinson (2015) analysierte 56 Vergleichsstudien und stellte fest, dass 87 % der Studien gleiche oder bessere Ergebnisse in virtuellen Labors im Vergleich zu traditionellen Hands-on-Labors berichten. De Jong, Linn und Zacharia (2013) empfehlen in ihrem Review in Science die Kombination physischer und virtueller Labors für optimale Lernergebnisse.

Immersive Technologien: VR und AR

VR- und AR-gestützte Simulationen eröffnen neue Dimensionen der räumlichen Erfahrung. Das CAMIL-Modell (Cognitive Affective Model of Immersive Learning) von Makransky und Petersen (2021) beschreibt, wie Immersion über Präsenz und Agency sechs kognitive und affektive Faktoren beeinflusst, die zu Wissenserwerb und Transfer führen. Eine zentrale Erkenntnis: Immersion allein genügt nicht — die instruktionale Gestaltung innerhalb der VR-Umgebung entscheidet über den Lernerfolg (Makransky et al., 2021).

Für den Geografieunterricht bieten VR und AR besonderes Potenzial: Virtuelle Exkursionen ermöglichen den Besuch schwer zugänglicher Orte, VR-Erdbebensimulationen trainieren Schutzverhalten (Maragkou et al., 2023), und AR-Anwendungen überlagern reale Landschaften mit geowissenschaftlichen Daten (Schmidt & Stumpe, 2025).

Agentenbasierte Modellierung

Agentenbasierte Modelle (ABM) wie NetLogo (Wilensky & Rand, 2015) simulieren das Verhalten vieler autonomer Agenten und deren Interaktionen. Aus einfachen Regeln auf Mikroebene emergieren komplexe Muster auf Makroebene — ein Prinzip, das für das Verständnis geographischer Phänomene wie Urbanisierung, Migrationsdynamiken oder Ökosystemveränderungen besonders aufschlussreich ist (Crooks et al., 2019). Die Integration von ABM in den Unterricht fördert zugleich Computational Thinking und systemisches Denken (Wilensky et al., 2014).

Literatur (Typen und Merkmale)

Adams, W. et al. (2008). A Study of Educational Simulations Part II – Interface Design. Journal of Interactive Learning Research, 19(4).

Baßeng, G. & Budke, A. (2023). Reflexion über fachliche Inhalte am Beispiel des Stadtaufbauspiels PocketCity. GW-Unterricht.

Brinson, J. (2015). Learning outcome achievement in non-traditional versus traditional laboratories. Computers & Education, 87. https://doi.org/10.1016/j.compedu.2015.07.003

Crooks, A., Malleson, N., Manley, E. & Heppenstall, A. (2019). Agent-Based Modelling and GIS. SAGE.

de Jong, T. (2019). Engaged Learning in STEM Disciplines with Simulations. Journal of Computer Assisted Learning. https://doi.org/10.1111/jcal.12395

de Jong, T., Linn, M. & Zacharia, Z. (2013). Physical and Virtual Laboratories in Science and Engineering Education. Science, 340(6130). https://doi.org/10.1126/science.1230579

Fadillah, M. et al. (2026). Meta-Analysis of the Effectiveness of PhET Simulations in Physics Education. iJOE, 22(2). https://doi.org/10.3991/ijoe.v22i02.59007

Karakoyun, F. & Sırakaya, M. (2025). Digital Simulations in STEM Education. Encyclopedia, 5(1).

Makransky, G. & Petersen, G. (2021). The Cognitive Affective Model of Immersive Learning (CAMIL). Educational Psychology Review. https://doi.org/10.1007/s10648-020-09586-2

Makransky, G., Andreasen, N., Baceviciute, S. & Mayer, R. (2021). Immersive VR increases liking but not learning. Journal of Educational Psychology. https://doi.org/10.1037/edu0000473

Maragkou, V. et al. (2023). VRQuake: Educational Seismology through Immersive VR. Education Sciences, 13(11). https://doi.org/10.3390/educsci13111088

Perkins, K. (2020). Transforming STEM Learning at Scale: PhET Interactive Simulations. Childhood Education. https://doi.org/10.1080/00094056.2020.1796451

Perkins, K. et al. (2006). PhET: Interactive Simulations for Teaching and Learning Physics. The Physics Teacher, 44. https://doi.org/10.1119/1.2150754

Rooney-Varga, J. et al. (2018). Combining role-play with interactive simulation for climate action. PLoS ONE. https://doi.org/10.1371/journal.pone.0202877

Sailer, M. & Homner, L. (2020). The Gamification of Learning: A Meta-analysis. Educational Psychology Review. https://doi.org/10.1007/s10648-019-09498-w

Schmidt, R. & Stumpe, B. (2025). Systematic Review of Mobile AR Applications in Geography Education. Review of Education. https://doi.org/10.1002/rev3.70042

Wilensky, U. & Rand, W. (2015). An Introduction to Agent-Based Modeling. MIT Press.

Wilensky, U., Brady, C. & Horn, M. (2014). Integrating Computational Thinking with K-12 Science Education Using Agent-Based Computation. Education and Information Technologies. https://doi.org/10.1007/s10639-012-9240-x

Wouters, P. et al. (2013). A Meta-Analysis of the Cognitive and Motivational Effects of Serious Games. Journal of Educational Psychology. https://doi.org/10.1037/a0031311

4. Empirische Wirksamkeit von Simulationen

Meta-analytische Befunde

Die Wirksamkeit simulationsbasierten Lernens ist durch eine wachsende Zahl von Meta-Analysen gut belegt. Die folgende Übersicht fasst die zentralen Befunde zusammen:

Studie	N (Studien)	Effektstärke	Fokus
Hsu & Ching (2025)	47	g = 0,898	Konzeptuelles Verständnis K-12
Hillmayr et al. (2020)	92	g = 0,65	Digitale Tools MINT Sekundarstufe
Chernikova et al. (2020)	145	Groß	Simulationsbasiertes Lernen Hochschule
Fadillah et al. (2026)	—	d = 0,83	PhET im Physikunterricht
Hattie (2023)	2.100+	g = 0,49	Simulationen allgemein
Belland et al. (2017)	144	g = 0,46	Computer-Scaffolding in MINT

Smetana und Bell (2012) identifizierten in ihrem kritischen Review von 61 empirischen Studien vier Bedingungen, unter denen Simulationen besonders wirksam sind: (1) als Ergänzung zum regulären Unterricht, nicht als Ersatz; (2) mit qualitativ hochwertigen Unterstützungsstrukturen (Scaffolding); (3) wenn sie Reflexion und kognitive Dissonanz anregen; und (4) wenn Lehrkräfte aktiv in die Lernbegleitung eingebunden sind.

Rutten, van Joolingen und van der Veen (2012) bestätigen diese Befunde in ihrem parallelen Review und betonen zusätzlich die Bedeutung der didaktischen Einbettung: Simulationen, die isoliert eingesetzt werden, entfalten deutlich geringere Wirkung als solche, die in ein durchdachtes Unterrichtskonzept integriert sind.

Kognitive Outcomes

Die stärksten Effekte zeigen Simulationen beim Aufbau konzeptuellen Verständnisses — besonders bei Themen, die sich der direkten Beobachtung entziehen. Kim und Lee (2025) fanden in ihrer Netzwerk-Meta-Analyse von 53 Studien, dass Mixed Reality die größten Effektstärken bei kognitiven Outcomes aufweist, gefolgt von interaktiven Simulationen und VR. Banda und Nzabahimana (2023) berichten, dass die PhET-Experimentalgruppe ihren Mittelwert um 27 % steigerte, die Kontrollgruppe nur um 6 %.

Besonders bemerkenswert ist die Wirksamkeit bei Conceptual Change: Pacaci et al. (2024) ermitteln in ihrer Meta-Analyse von 218 Primärstudien einen großen Gesamteffekt von g = 1,10 für Konzeptwechselstrategien im naturwissenschaftlichen Unterricht, wobei Simulationen als besonders wirksames Instrument identifiziert werden. Trundle und Bell (2010) zeigten, dass Simulationen zum Thema Mondphasen ebenso wirksam Konzeptwechsel auslösen wie direkte Naturbeobachtungen.

Affektive und motivationale Outcomes

Simulationen steigern nachweislich Engagement, Interesse und Selbstwirksamkeit. Almasri (2022) befragte 1.034 Studierende und fand sehr hohes Engagement und hohe Zufriedenheit beim simulationsbasierten Lernen in Physik, Chemie und Biologie. Klingenberg et al. (2022) zeigen, dass VR-basiertes Geographielernen positive Emotionen und Motivation erzeugt, insbesondere durch das Präsenzerleben.

Allerdings mahnt die Forschung zur Differenzierung: Makransky et al. (2021) fanden, dass immersive VR zwar Vergnügen und Präsenzerleben steigert, nicht aber automatisch den Lernerfolg — es braucht zusätzliche instruktionale Unterstützung wie generative Lernstrategien, um das motivationale Potenzial in Lernergebnisse umzusetzen.

Virtuelle vs. reale Experimente

Eine zentrale Frage der Forschung lautet: Können virtuelle Experimente reale ersetzen? Die Antwort der Forschung ist differenziert. Woerner, Kuhn und Scheiter (2022) analysierten in ihrem systematischen Review 42 experimentelle Studien und fanden, dass die Kombination beider Ansätze das konzeptuelle Verständnis besser fördert als jede einzelne Form allein. Brinson (2015) berichtet, dass 87 % der Vergleichsstudien gleiche oder bessere Ergebnisse in virtuellen Labors zeigen.

Kapici, Akcay und de Jong (2022) kommen in ihren zwei Vergleichsstudien zu dem Schluss, dass Simulationen und reale Experimente zu vergleichbaren Lernergebnissen führen, wobei Simulationen Vorteile bei der Visualisierung abstrakter Konzepte bieten. Tüllüce und Cecen (2024) bestätigen: Keine signifikanten Unterschiede zwischen physischen und virtuellen Inquiry-Experimenten — beide sind gleichwertig einsetzbar.

Die aktuelle Meta-Analyse von Wang, Guo und Xu (2024) liefert die stärkste Evidenz: Die Kombination realer und virtueller Experimente im Physikunterricht ist signifikant wirksamer als reale Experimente allein. Die Empfehlung lautet daher nicht „entweder-oder", sondern „sowohl-als-auch" (Woerner et al., 2023).

Lerntransfer

Falloon (2020) untersuchte den Transfer von simulationsbasiertem Lernen auf reale Aufgaben und fand, dass prozeduales Wissen gut transferiert wird, konzeptuelles Verständnis jedoch nur teilweise. Der Transfererfolg hängt von der Interaktivität der Simulation, der Qualität des Feedbacks und der Ähnlichkeit zwischen simuliertem und realem Kontext ab. Gegenfurtner et al. (2014) bestätigen in ihrer Meta-Analyse, dass Benutzersteuerung und Post-Training-Assessment die wichtigsten Prädiktoren für den Lerntransfer sind.

Literatur (Empirische Wirksamkeit)

Almasri, F. (2022). Simulations to Teach Science Subjects. Education and Information Technologies. https://doi.org/10.1007/s10639-022-10940-w

Banda, H. & Nzabahimana, J. (2023). The Impact of PhET Interactive Simulation-Based Learning. Journal of Science Education and Technology. https://doi.org/10.1007/s10956-022-10010-3

Belland, B. et al. (2017). Synthesizing Results From Empirical Research on Computer-Based Scaffolding. Review of Educational Research. https://doi.org/10.3102/0034654316670999

Brinson, J. (2015). Learning outcome achievement in non-traditional versus traditional laboratories. Computers & Education, 87. https://doi.org/10.1016/j.compedu.2015.07.003

Chernikova, O. et al. (2020). Simulation-Based Learning in Higher Education: A Meta-Analysis. Review of Educational Research, 90(4). https://doi.org/10.3102/0034654320933544

Fadillah, M. et al. (2026). Meta-Analysis of the Effectiveness of PhET Simulations. iJOE, 22(2).

Falloon, G. (2020). From simulations to real: Learning and transfer. British Journal of Educational Technology. https://doi.org/10.1111/bjet.12885

Gegenfurtner, A. et al. (2014). Digital simulation-based training: A meta-analysis. British Journal of Educational Technology. https://doi.org/10.1111/bjet.12188

Hattie, J. (2023). Visible Learning: The Sequel. Routledge.

Hillmayr, D. et al. (2020). The Potential of Digital Tools. Computers & Education, 153.

Hsu, Y. & Ching, Y. (2025). The Impact of Computer Simulation on Students' Conceptual Understanding in K-12. JSET.

Kapici, H., Akcay, H. & de Jong, T. (2022). Two comparative studies of computer simulations and experiments. Instructional Science. https://doi.org/10.1007/s11251-021-09566-1

Kim, S. & Lee, J. (2025). Effect of Interactive Learning Environments. JSET. https://doi.org/10.1007/s10956-025-10202-7

Klingenberg, S. et al. (2022). Geography Learning on Students' Emotions and Motivation in Immersive VR. Frontiers in Education. https://doi.org/10.3389/feduc.2022.831619

Makransky, G. et al. (2021). Immersive VR increases liking but not learning. Journal of Educational Psychology. https://doi.org/10.1037/edu0000473

Pacaci, C. et al. (2024). Effectiveness of conceptual change strategies. JRST. https://doi.org/10.1002/tea.21887

Rutten, N. et al. (2012). The Learning Effects of Computer Simulations. Computers & Education, 58(1).

Smetana, L. & Bell, R. (2012). Computer Simulations to Support Science Instruction. IJSE, 34(9).

Trundle, K. & Bell, R. (2010). The use of a computer simulation to promote conceptual change. Computers & Education. https://doi.org/10.1016/j.compedu.2009.10.013

Tüllüce, H. & Cecen, M. (2024). The Effect of Physical and Virtual Inquiry-Based Experiments. JSET. https://doi.org/10.1007/s10956-023-10088-3

Wang, J., Guo, L. & Xu, Y. (2024). Does combining real and virtual experiments improve learning? Educational Research Review. https://doi.org/10.1016/j.edurev.2024.100592

Woerner, S., Kuhn, J. & Scheiter, K. (2022). The Best of Two Worlds. Review of Educational Research. https://doi.org/10.3102/00346543221079417

Woerner, S., Kuhn, J. & Scheiter, K. (2023). When the whole is greater than the sum of its parts. Computers & Education. https://doi.org/10.1016/j.compedu.2023.104781

5. Gestaltungsprinzipien effektiver Lernsimulationen

Visuelle Gestaltung und Interaktionsdesign

Die Forschung zu dynamischen visuellen Repräsentationen liefert klare Prinzipien für das Design wirksamer Simulationen. Plass, Homer und Hayward (2009) identifizieren zwei Hauptdimensionen: das visuelle Design (wie Informationen dargestellt werden) und das Interaktionsdesign (wie Lernende mit dem System interagieren). Beide Dimensionen müssen aufeinander abgestimmt sein, um extrinsische kognitive Belastung zu minimieren und lernförderliche Verarbeitung zu maximieren.

Mayer (2024) formuliert in der CTML evidenzbasierte Gestaltungsprinzipien, die unmittelbar auf Simulationen anwendbar sind: Das Kohärenzprinzip (irrelevante Informationen weglassen), das Signaling-Prinzip (wesentliche Informationen hervorheben), das Kontiguitätsprinzip (zusammengehörige Elemente räumlich und zeitlich nahe platzieren) und das Segmentierungsprinzip (komplexe Inhalte in handhabbare Einheiten gliedern). Simulationen, die diese Prinzipien verletzen, riskieren kognitive Überlastung — besonders bei jüngeren Lernenden (Skulmowski & Xu, 2022).

Intuitive Bedienbarkeit

Ein zentrales Designprinzip ist die Usability: Funktioniert eine Simulation nicht intuitiv, richtet sich die Aufmerksamkeit der Lernenden auf die Bedienung statt auf den Lerninhalt. Adams et al. (2008) entwickelten empirisch getestete Interface-Design-Richtlinien auf Basis von über 250 Think-Aloud-Interviews mit dem PhET-Team. Ihre Kernempfehlungen umfassen:

• Direkte Manipulation: Lernende sollen Objekte und Parameter direkt anfassen und verändern können, nicht über Menüs oder Textfelder.
• Implizite Anleitung: Das Design selbst soll kommunizieren, was möglich ist — durch Affordanzen, visuelle Hinweise und einladende Startbedingungen.
• Minimaler Text: Simulationen sollen visuell kommunizieren; Textanweisungen sind auf das Nötigste zu reduzieren.
• Sofortiges Feedback: Jede Aktion soll eine unmittelbare, sichtbare Reaktion auslösen.

Hoyer und Girwidz (2020) bestätigen in ihrer Befragung von 76 Lehrkräften, dass wissenschaftliche Korrektheit, Fachsprache, freie Verfügbarkeit und klares visuelles Design die wichtigsten Auswahlkriterien für Simulationen sind.

Interaktivität und Exploration

Die Wirksamkeit einer Simulation korreliert positiv mit dem Grad der Interaktivität — allerdings nicht linear. Ein Zuviel an Freiheitsgraden kann Lernende überfordern (de Jong & Lazonder, 2014). Optimale Simulationen bieten geführte Exploration: Sie laden zum Entdecken ein, begrenzen aber den Möglichkeitsraum so, dass Lernende nicht in unproduktives Herumprobieren verfallen.

Das Inquiry-Phasenmodell von Pedaste et al. (2015) bietet hier einen Rahmen: Simulationen sollten die fünf Inquiry-Phasen (Orientierung, Konzeptualisierung, Untersuchung, Schlussfolgerung, Diskussion) unterstützen und strukturieren. Lazonder und Harmsen (2016) zeigen in ihrer Meta-Analyse, dass angeleitetes forschendes Lernen (d = 0,50–0,71) deutlich wirksamer ist als unstrukturiertes.

Scaffolding und Feedback

Scaffolding ist der zentrale Moderator der Simulationswirksamkeit. Belland et al. (2017) fanden in ihrer Meta-Analyse von 144 Studien einen durchgängig positiven Effekt (g = 0,46) von computerbasiertem Scaffolding auf kognitive Outcomes. Gerard und Linn (2024) zeigen, dass technologiegestütztes Feedback und adaptives Scaffolding gemeinsam zu vertieftem Verständnis führen.

Mchunu und Naidoo (2025) entwickeln das Konzept des synergistischen Scaffoldings: Die Kombination von software-basiertem Scaffolding (Hinweise, Visualisierungen, Feedback im System) und Lehrer-Scaffolding (Fragen, Erklärungen, Modellierung) ist wirksamer als jede Form allein. Tabak (2004) beschrieb dieses Prinzip bereits als „complementary scaffolding" — Software und Lehrkraft ergänzen sich in ihren Unterstützungsfunktionen.

Effektives Feedback in Simulationen muss nach Johnson, Bailey und Van Buskirk (2017) vier Kriterien erfüllen: Es ist zeitnah (unmittelbar nach der Handlung), spezifisch (bezogen auf die konkrete Aktion), konstruktiv (zeigt Wege zur Verbesserung) und handlungsorientiert (ermöglicht direkte Umsetzung). Elaboriertes Feedback, das Erklärungen liefert, ist dabei wirksamer als einfaches Richtig/Falsch-Feedback.

Multiple Repräsentationen

Lernen wird dann am besten unterstützt, wenn multiple Repräsentationen in interaktiven Visualisierungen dynamisch verknüpft sind (Plass et al., 2009). Eine Klimasimulation etwa könnte gleichzeitig eine Weltkarte, einen Temperaturverlauf, ein CO₂-Diagramm und eine Emissionsübersicht zeigen — alle synchron verknüpft, sodass eine Änderung in einer Darstellung sofort in allen anderen sichtbar wird. Diese dynamische Verknüpfung fördert das Verständnis von Zusammenhängen zwischen verschiedenen Systemkomponenten.

Lebensweltbezug und Authentizität

Simulationen sind besonders wirksam, wenn sie an die Lebenswelt der Lernenden anknüpfen. Szenarien, die reale Herausforderungen nachbilden — Klimaschutzentscheidungen, Raumplanung, Ressourcenmanagement —, steigern sowohl die Motivation als auch den Lerntransfer (Rooney-Varga et al., 2018). Der österreichische Lehrplan für Geografie und wirtschaftliche Bildung betont explizit den Lebensweltbezug als didaktischen Grundsatz (BMBWF, 2025), was Simulationen zu einem idealen Werkzeug für die Umsetzung dieses Prinzips macht.

Literatur (Gestaltungsprinzipien)

Adams, W. et al. (2008). A Study of Educational Simulations Part II – Interface Design. Journal of Interactive Learning Research, 19(4).

Belland, B. et al. (2017). Synthesizing Results From Empirical Research on Computer-Based Scaffolding. Review of Educational Research. https://doi.org/10.3102/0034654316670999

BMBWF (2025). Lehrpläne der Mittelschulen. BGBl. II Nr. 185/2012 idF BGBl. II Nr. 178/2025.

de Jong, T. & Lazonder, A. (2014). The guided discovery principle in multimedia learning. Cambridge University Press.

Gerard, L. & Linn, M. (2024). Employing technology-enhanced feedback and scaffolding. International Journal of STEM Education, 11.

Hoyer, C. & Girwidz, R. (2020). Simulations in Science Education – Status Quo. Progress in Science Education (PriSE).

Johnson, C., Bailey, S. & Van Buskirk, W. (2017). Designing Effective Feedback Messages in Serious Games and Simulations. Simulation & Gaming. https://doi.org/10.1177/1046878116672113

Lazonder, A. & Harmsen, R. (2016). Meta-Analysis of Inquiry-Based Learning: Effects of Guidance. Review of Educational Research. https://doi.org/10.3102/0034654315627366

Mayer, R. (2024). The Past, Present, and Future of the CTML. Educational Psychology Review.

Mchunu, S. & Naidoo, J. (2025). Synergistic scaffolding in simulated inquiry-based learning. DISER. https://doi.org/10.1186/s43031-025-00142-y

Pedaste, M. et al. (2015). Phases of inquiry-based learning. Educational Research Review. https://doi.org/10.1016/j.edurev.2015.02.003

Plass, J., Homer, B. & Hayward, E. (2009). Design factors for educationally effective animations and simulations. JCHE, 21.

Rooney-Varga, J. et al. (2018). Combining role-play with interactive simulation. PLoS ONE.

Skulmowski, A. & Xu, K. (2022). Understanding Cognitive Load in Digital Learning. Educational Psychology Review.

Tabak, I. (2004). Complementary Roles of Software-Based Scaffolding and Teacher-Student Interactions. Journal of the Learning Sciences, 13(3).

6. Die Rolle der Lehrperson beim Einsatz von Simulationen

Von der Wissensvermittlung zur Lernbegleitung

Der Einsatz von Simulationen verändert die Rolle der Lehrperson grundlegend. Statt Wissen frontal zu vermitteln, wird sie zur Lernbegleiterin, die Prozesse moderiert, Fragen stellt und gezielte Impulse gibt (Gerard & Linn, 2024). Diese Rollenverschiebung ist empirisch gut dokumentiert, stellt aber viele Lehrkräfte vor Herausforderungen: Schmit, Blauza und Heuckmann (2025) identifizieren in ihrem IGTP-Modell (Insight, Goal, Technique, Practice) die Kombination aus inhaltlichem Input, klarer Zielsetzung, methodischer Anleitung und Praxiserprobung als entscheidende Erfolgsfaktoren für die Professionalisierung.

Nandani und Raturi (2024) untersuchten in einer Mixed-Methods-Studie die Bereitschaft von Lehrkräften zum Einsatz digitaler Simulationen und fanden, dass kognitive Fähigkeiten, technisches Wissen und Einstellungen die drei zentralen Prädiktoren sind. Hoyer und Girwidz (2020) zeigen, dass 61 % der befragten 76 Lehrkräfte Simulationen nutzen — unabhängig von Alter und Erfahrung, aber mit signifikanten Unterschieden nach Geschlecht, Schultyp und Fach.

On-the-Fly Scaffolding

Sasse (2025) untersuchte in einer Studie mit 164 Grundschüler*innen die Rolle spontanen, situativen Scaffoldings im forschenden Unterricht. Die zentrale Erkenntnis: Lehrpersonen passen ihre Unterstützung unbewusst an den Verständnisgrad der Lernenden an. Problematisieren — das gezielte Aufwerfen von Widersprüchen oder offenen Fragen — wirkt positiv auf den Erwerb prozeduralen Wissens.

Van de Pol, Volman und Beishuizen (2010) identifizierten in ihrem grundlegenden Review drei Schlüsselelemente wirksamen Scaffoldings: Kontingenz (die Unterstützung passt zum aktuellen Verständnisniveau), Fading (die Unterstützung nimmt ab, wenn die Kompetenz wächst) und Transfer der Verantwortung (die Lernenden übernehmen schrittweise die Kontrolle über ihren Lernprozess).

Das Dreiecks-Modell: Lernende – Simulation – Lehrperson

In technologiegestützten Lernumgebungen entsteht ein Dreiecks-Verhältnis aus drei Interaktionsformen (Gerard & Linn, 2024):

1. Lernende ↔ Simulation: Lernende manipulieren Variablen, beobachten Ergebnisse und erhalten systemisches Feedback. Die Simulation bietet prozessbezogene Unterstützung — Hinweise, Visualisierungen, automatisches Feedback.

1. Lehrperson ↔ Simulation: Die Lehrperson trifft Entscheidungen über den Simulationseinsatz — Zeitpunkt, Dauer, Konfiguration. Sie wählt Simulationen aus, passt Parameter an und definiert Lernziele.

1. Lehrperson ↔ Lernende: Die Lehrperson liefert höherwertige Unterstützung, die das System nicht leisten kann — vertiefende Fragen, Metakognition, soziale Moderation, Verknüpfung mit dem Curriculum. Mchunu und Naidoo (2025) zeigen, dass diese synergistische Kombination von Lehrer- und Software-Scaffolding wirksamer ist als jede Form allein.

Professionalisierung und Fortbildung

Die effektive Nutzung von Simulationen erfordert spezifische Kompetenzen, die in der Erstausbildung oft nicht ausreichend vermittelt werden. Lishka, DeSchryver und Bowers (2021) betonen die Bedeutung von Fortbildungen, die Lehrkräfte nicht nur im technischen Umgang, sondern auch in der didaktischen Einbettung schulen.

Fokken und Großschedl (2025) untersuchen die Wirkung von Fortbildungen im digitalen MINT-Bereich in Kooperation mit Schülerlabors und messen Veränderungen in Professionswissen, Selbstwirksamkeit und Technologieakzeptanz. Pettig und Gryl (2024) diskutieren die Professionalisierung von Geographie-Lehrkräften im Kontext digitaler Kulturen und fragen, welche Kompetenzen nötig sind, um digitale Geomedien kritisch-reflexiv einzusetzen.

Für den österreichischen Kontext ist das DiGeo-Verbundprojekt relevant: Schulze et al. (2022) entwickelten über 30 frei zugängliche OER-Materialien für die Lehrkräftebildung im Umgang mit digitalen Geomedien, einsetzbar im Selbstlernen oder in Inverted-Classroom-Formaten.

Motivationale Aspekte

Hagenauer, Reszner und Gegenfurtner (2025) untersuchen motivationale Prozesse in simulationsbasiertem Lernen aus der Perspektive der Selbstbestimmungstheorie (Ryan & Deci, 2020). Die drei psychologischen Grundbedürfnisse — Autonomie, Kompetenz und soziale Eingebundenheit — beeinflussen das Engagement in Simulationsszenarien maßgeblich. Lehrkräfte, die Wahlmöglichkeiten bieten, kompetenzförderndes Feedback geben und kooperatives Arbeiten ermöglichen, schaffen optimale Bedingungen für intrinsische Motivation.

Fang et al. (2026) wenden diesen Rahmen auf simulationsbasiertes Lernen mit generativer KI an und zeigen, dass Lehrkraftunterstützung Engagement und höheres Denken fördert, indem sie die SDT-Grundbedürfnisse adressiert.

Literatur (Rolle der Lehrperson)

Fang, X. et al. (2026). Using SDT to Explain How Teacher Support Enhances Engagement in Simulation-Based Learning with GenAI. Journal of Educational Computing Research. https://doi.org/10.1177/07356331261421079

Fokken, N. & Großschedl, J. (2025). Impact of digitalization-related STEM teacher trainings. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2025.1656648

Gerard, L. & Linn, M. (2024). Employing technology-enhanced feedback and scaffolding. International Journal of STEM Education, 11.

Hagenauer, G., Reszner, N. & Gegenfurtner, A. (2025). Motivational processes in simulation-based learning in teacher education. European Journal of Teacher Education. https://doi.org/10.1080/02619768.2025.2554684

Hoyer, C. & Girwidz, R. (2020). Simulations in Science Education – Status Quo. Progress in Science Education (PriSE).

Lishka, A., DeSchryver, M. & Bowers, J. (2021). Understanding the Role of Simulations in K-12 Teacher Education. CITE Journal.

Mchunu, S. & Naidoo, J. (2025). Synergistic scaffolding in simulated inquiry-based learning. DISER.

Nandani, S. & Raturi, S. (2024). Digital simulations as a pedagogical tool: How ready are science teachers? Journal of Computer Assisted Learning. https://doi.org/10.1111/jcal.13071

Pettig, F. & Gryl, I. (2024). Professionalisierung von Lehrkräften für geographische Bildung in digitalen Kulturen. Springer.

Ryan, R. & Deci, E. (2020). Intrinsic and extrinsic motivation from a SDT perspective. Contemporary Educational Psychology. https://doi.org/10.1016/j.cedpsych.2020.101860

Sasse, L. (2025). Teacher Guidance and On-the-Fly Scaffolding in Primary School Students' Inquiry Learning. Science Education. https://doi.org/10.1002/sce.21921

Schmit, S., Blauza, S. & Heuckmann, B. (2025). Enhancing professional development in digital STEM education. Frontiers in Psychology.

Schulze, U. et al. (2022). DiGeo-OER: Offene Bildungsmaterialien zum Lernen mit Geomedien. GW-Unterricht.

van de Pol, J., Volman, M. & Beishuizen, J. (2010). Scaffolding in Teacher–Student Interaction: A Decade of Research. Educational Psychology Review. https://doi.org/10.1007/s10648-010-9127-6

7. Simulationen im Geografieunterricht

Besondere Eignung für die Geografie

Der Geografieunterricht beschäftigt sich mit Phänomenen, die sich in ihrer räumlichen Ausdehnung, zeitlichen Dynamik und systemischen Komplexität einer direkten Beobachtung im Klassenraum entziehen: Klimawandel, Plattentektonik, Bevölkerungsdynamiken, Urbanisierung, Ressourcenverbrauch. Simulationen machen diese Prozesse sichtbar, manipulierbar und erfahrbar (Barak et al., 2012).

Woolston, Hall und Walsh (2025) analysieren in ihrem systematischen Review 29 Studien zu immersiver VR in der Geographie-Hochschullehre und identifizieren besonderes Potenzial für virtuelle Exkursionen und räumliches Verständnis. Schmidt und Stumpe (2025) bestätigen in ihrem Review zu mobilen AR-Anwendungen positive Effekte auf affektive, verhaltensbezogene und kognitive Lernergebnisse.

Geomedien und GIS

Geoinformationssysteme (GIS) sind ein zentrales Werkzeug der modernen Geographie — und zunehmend auch des Geographieunterrichts. Yanto und Putra (2025) analysierten 257 Publikationen und identifizierten sechs Kernthemen: curriculare Integration, Lehrerfortbildung, Lerneffekte, pädagogische Strategien, Implementierungshürden und technologische Fortschritte. Yang, Wang und Qian (2024) zeigen in einer quasi-experimentellen Studie, dass GIS-gestützter Unterricht zum Thema Luftverschmutzung signifikant bessere Ergebnisse bei räumlichem Denken liefert.

Kanwischer und Schulze (2023) ordnen digitale Geomedien in drei Dimensionen: Lernen mit Geomedien (als Werkzeug), Lernen über Geomedien (als Reflexionsgegenstand) und Lernen durch Geomedien (als Medium der Welterschließung). Das Konzept der Spatial Citizenship (Gryl, Jekel & Donert, 2010) verbindet diese Dimensionen mit demokratischer Partizipation.

Google Earth Pro wird von Schüler*innen als besonders realitätsnah wahrgenommen und erleichtert die nachhaltige Verankerung geographischer Informationen (Masele & Rwezimula, 2025). Mašterová (2023) bestätigt in einem Review von 36 Studien die positive Wirkung von Geospatial-Technologien auf forschendes Lernen.

Räumliches Denken und Maßstabsebenen

Räumliches Denken ist eine Schlüsselkompetenz des Geografieunterrichts. Taylor, Burte und Renshaw (2023) zeigen in Nature Reviews Psychology, dass Visualisierungen die Brücke zwischen räumlichem Denken und MINT-Lernerfolg bilden. Atit, Uttal und Stieff (2022) fordern in ihrem systematischen Review mehr gezielte Übung mit räumlichem Denken in der Geowissenschaftsdidaktik.

Simulationen können räumliches Denken auf mehreren Maßstabsebenen fördern — vom lokalen Stadtmodell über regionale Klimaszenarien bis zur globalen Bevölkerungsdynamik. Der österreichische Lehrplan betont explizit das bewusste Einsetzen unterschiedlicher Maßstabsebenen als didaktisches Prinzip (BMBWF, 2025). Agentenbasierte Modelle (ABM) wie NetLogo eignen sich besonders, um das Zusammenspiel von Mikro- und Makroebene sichtbar zu machen — etwa wie individuelle Entscheidungen zu emergenten Mustern der Urbanisierung führen (Crooks et al., 2019).

Konkrete Anwendungsfelder

Klimawandel und Nachhaltigkeit

Klimasimulatoren wie En-ROADS und C-ROADS (Sterman et al., 2012) ermöglichen es Lernenden, verschiedene Emissionsszenarien durchzuspielen und deren Auswirkungen auf Temperatur, CO₂-Konzentration und Meeresspiegel zu beobachten. Rooney-Varga et al. (2018) zeigen bei über 2.000 Teilnehmerinnen, dass die Kombination von Rollenspiel und Klimasimulation Verständnis, Dringlichkeitsempfinden und Handlungsmotivation signifikant steigert. Oberrauch et al. (2022) dokumentieren erhebliche konzeptuelle Lücken bei Schülerinnen zum Thema Klimawandel-Boden-Interaktionen — ein Befund, der den Bedarf an simulationsgestützten Lernumgebungen unterstreicht.

Naturgefahren

VR-Simulationen zu Erdbeben (Maragkou et al., 2023) und das GeoVT-Projekt zu Geomorphologie und Naturgefahren (Migoń et al., 2024) zeigen, wie immersive Simulationen Schutzverhalten trainieren und geowissenschaftliches Verständnis fördern können.

Stadtentwicklung und Raumplanung

Simulationsspiele zur Stadtplanung ermöglichen es Schülerinnen, Raumnutzungskonflikte zu erfahren und Raumplanungsentscheidungen zu treffen. Baßeng und Budke (2023) untersuchen, auf welchen Ebenen Schülerinnen beim Spielen des Stadtaufbauspiels PocketCity fachliche Inhalte reflektieren.

Bezug zum österreichischen Lehrplan

Der 2023 verordnete Lehrplan für Geografie und wirtschaftliche Bildung der Sekundarstufe I (BMBWF, 2025; Pichler et al., 2023) stellt den mündig handelnden Menschen in Gesellschaft, Wirtschaft, Politik und Umwelt in den Mittelpunkt. Das Kompetenzmodell umfasst drei Dimensionen:

• Orientierungskompetenz: Wahrnehmen, Lokalisieren, Verstehen und Analysieren von Strukturen und Prozessen
• Urteilskompetenz: Differenziertes, mehrperspektivisches Reflektieren und Bewerten
• Handlungskompetenz: Fundierte Entscheidungen kommunizieren, argumentieren und umsetzen

Simulationen ermöglichen es Schüler*innen, alle drei Kompetenzdimensionen in realitätsnahen Szenarien zu entwickeln. Die Lehrplanthemen der vier Klassen bieten zahlreiche Anknüpfungspunkte:

• 1. Klasse (Leben und Wirtschaften): Klimawandel-Grundlagen, Naturgefahren, Ernährungssicherheit → Klimasimulationen, Naturgefahren-Szenarien
• 2. Klasse (Nachhaltiges Wirtschaften): Energieträger, Ressourcennutzung → Ressourcen- und Nachhaltigkeitssimulationen
• 3. Klasse (Österreich): Standortfaktoren, Raumplanung, Zentren/Peripherien → Stadtplanungssimulationen, GIS
• 4. Klasse (Globalisierte Welt): Mensch-Natursysteme, Belastungsgrenzen, EU → Globale Klimamodelle, Bevölkerungssimulationen

Der Lehrplan verankert zudem Geomedien als Unterrichtsmittel und betont den Lebensweltbezug als didaktischen Grundsatz — beides spricht für den systematischen Einsatz von Simulationen.

Literatur (Geografieunterricht)

Atit, K., Uttal, D. & Stieff, M. (2022). Students need more practice with spatial thinking in geoscience education. Studies in Science Education. https://doi.org/10.1080/03057267.2022.2029305

Barak, M. et al. (2012). The Role of Computer Simulation in an Inquiry-Based Learning Environment. JSET.

Baßeng, G. & Budke, A. (2023). Reflexion über PocketCity im Geographieunterricht. GW-Unterricht.

BMBWF (2025). Lehrpläne der Mittelschulen. BGBl. II Nr. 185/2012 idF BGBl. II Nr. 178/2025.

Crooks, A. et al. (2019). Agent-Based Modelling and GIS. SAGE.

Gryl, I., Jekel, T. & Donert, K. (2010). GI & Spatial Citizenship. Learning with GI V.

Kanwischer, D. & Schulze, U. (2023). Digitale Geomedien. In: Gryl et al., Geographiedidaktik. Springer.

Maragkou, V. et al. (2023). VRQuake: Educational Seismology through Immersive VR. Education Sciences.

Masele, F. & Rwezimula, G. (2025). Students' Perception of Geography Teaching Through Google Earth Pro. Education Sciences.

Mašterová, V. (2023). Learning and teaching through inquiry with geospatial technologies. European Journal of Geography.

Migoń, P. et al. (2024). GeoVT Project: Landforms, Geohazards and Geoheritage through VR. Geosciences.

Oberrauch, A. et al. (2022). Young People's Pre-Conceptions of Climate Change and Soils. Journal of Geography. https://doi.org/10.1080/00221341.2022.2037011

Pichler, H. et al. (2023). Zum Lehrplan für Geographie und wirtschaftliche Bildung. GW-Unterricht. https://doi.org/10.1553/gw-unterricht170s44

Rooney-Varga, J. et al. (2018). Combining role-play with interactive simulation. PLoS ONE.

Schmidt, R. & Stumpe, B. (2025). Systematic Review of Mobile AR in Geography Education. Review of Education.

Sterman, J. et al. (2012). C-ROADS Climate Policy Model. System Dynamics Review. https://doi.org/10.1002/sdr.1474

Taylor, H., Burte, H. & Renshaw, K. (2023). Connecting spatial thinking to STEM learning. Nature Reviews Psychology. https://doi.org/10.1038/s44159-023-00224-6

Woolston, S., Hall, T. & Walsh, C. (2025). Immersive VR in Geography Higher Education. JGHE. https://doi.org/10.1080/03098265.2025.2449883

Yang, D., Wang, C. & Qian, L. (2024). Does GIS in geographical education yield better learning outcomes? Transactions in GIS. https://doi.org/10.1111/tgis.13142

Yanto, B. & Putra, A. (2025). Teaching geography with GIS: a systematic review. Science Education Quarterly.

8. Qualitätskriterien für Lernsimulationen

Ein Rahmenmodell

Aus der Zusammenschau der empirischen Befunde, Gestaltungsprinzipien und fachdidaktischen Anforderungen lässt sich ein Rahmenmodell für qualitativ hochwertige Lernsimulationen im naturwissenschaftlichen und geografischen Unterricht ableiten. Dieses Modell integriert sechs Dimensionen, die jeweils durch die Forschungsliteratur gestützt werden.

Dimension 1: Fachliche Korrektheit und Modellqualität

Die Grundvoraussetzung jeder Lernsimulation ist die wissenschaftliche Korrektheit des zugrundeliegenden Modells. Hoyer und Girwidz (2020) identifizieren wissenschaftliche Korrektheit als das von Lehrkräften am häufigsten genannte Qualitätskriterium. Gleichzeitig muss die Vereinfachung, die jedes Modell vornimmt, transparent sein: Schüler*innen müssen verstehen, was das Modell abbildet und was nicht — ein Aspekt, den Kremer und Höffler (2024) als epistemologische Dimension der Modellkompetenz beschreiben.

Upmeier zu Belzen und Krüger (2019) definieren fünf Teilkompetenzen der Modellkompetenz: Eigenschaften von Modellen erkennen, alternative Modelle vergleichen, den Zweck eines Modells verstehen, Modelle testen und Modelle verändern. Gut gestaltete Simulationen sollten alle fünf Dimensionen adressieren.

Dimension 2: Interaktivität und Explorationstiefe

Wirksame Simulationen ermöglichen aktive Exploration durch Manipulation von Variablen und Beobachtung der Konsequenzen (de Jong & van Joolingen, 1998). Das Ausmaß der Interaktivität muss jedoch zum Lernziel passen: Nicht jede Simulation braucht maximale Freiheitsgrade. De Jong und Lazonder (2014) empfehlen geführte Entdeckung — genügend Freiheit zum Explorieren, aber ausreichend Struktur, um produktives Lernen zu sichern.

Konkret bedeutet das:

• Hypothesentestung ermöglichen: Lernende sollen Variablen gezielt verändern und Vorhersagen überprüfen können.
• Wiederholbarkeit: Experimente sollen beliebig oft wiederholt werden können — ein entscheidender Vorteil gegenüber realen Experimenten (Kapici et al., 2022).
• Sichtbarmachung: Unsichtbare Prozesse (Teilchenbewegung, Plattentektonik, CO₂-Kreisläufe) werden visuell zugänglich.

Dimension 3: Eingebaute Unterstützungsstrukturen

Die Forschung zeigt eindeutig, dass Simulationen ohne Scaffolding weniger wirksam sind (Belland et al., 2017; Smetana & Bell, 2012). Qualitativ hochwertige Simulationen integrieren verschiedene Formen der Unterstützung:

• Prozessbezogene Hinweise: Orientierungshilfen, die den Inquiry-Prozess strukturieren (Pedaste et al., 2015)
• Adaptives Feedback: Rückmeldungen, die sich am Handeln und Verständnisniveau der Lernenden orientieren (Johnson et al., 2017)
• Multiple Repräsentationen: Gleichzeitige Darstellung desselben Phänomens in verschiedenen Formaten — etwa als Graph, Karte und Zahlenwert (Plass et al., 2009)
• Reflexionsaufforderungen: Integrierte Stopps, die zur Hypothesenformulierung oder Ergebnisinterpretation anregen (Chen & Law, 2016)

Dimension 4: Curriculare Passung und Lebensweltbezug

Eine Simulation ist nur dann wirksam, wenn sie inhaltlich an die Lernziele und das Curriculum anschlussfähig ist. Für den österreichischen Geografieunterricht bedeutet das eine Ausrichtung an den Kompetenzzielen des Lehrplans: Orientierungs-, Urteils- und Handlungskompetenz (BMBWF, 2025). Die zentralen fachlichen Konzepte — von „Gemeinsamkeiten und Unterschiede" über „Veränderung und Wandel" bis „Ökonomische Prinzipien und Entscheidungsfindung" — bieten konkrete Ankerpunkte.

Der Lebensweltbezug ist dabei kein optionaler Zusatz, sondern eine Wirksamkeitsbedingung: Simulationen, die reale Herausforderungen modellieren (Klimaschutz, Raumplanung, Ressourcenmanagement), steigern Motivation und Lerntransfer gleichermaßen (Rooney-Varga et al., 2018; Falloon, 2020).

Dimension 5: Technische Zugänglichkeit und Barrierefreiheit

Die freie Verfügbarkeit einer Simulation ist ein wesentlicher Qualitätsfaktor — PhET demonstriert, dass wissenschaftliche Qualität und Open Access kein Widerspruch sein müssen (Perkins, 2020). Die UNESCO-Empfehlung zu Open Educational Resources (UNESCO, 2019) und die Meta-Analyse von Cho und Permzadian (2024) zeigen, dass OER-basierte Materialien gleiche oder bessere Lernergebnisse liefern.

Dudley, Ross und Lim (2025) betonen die Integration von Universal Design for Learning (UDL) in simulationsbasierte Bildung: Barrierefreiheit in Design, Durchführung und Nachbesprechung stärkt die psychologische Sicherheit und ermöglicht allen Lernenden die Teilhabe. Konkret heißt das: Simulationen sollten auf verschiedenen Geräten (Desktop, Tablet, Smartphone) funktionieren, wenig Bandbreite benötigen und intuitiv bedienbar sein.

Dimension 6: Einbettbarkeit in Unterrichtsszenarien

Eine Simulation ist kein Selbstzweck. Ihre Qualität bemisst sich auch daran, wie gut sie sich in verschiedene Unterrichtsszenarien integrieren lässt — von der Einzelarbeit über Partnerarbeit bis zur Klassendiskussion. Olayinka und Oyewole (2023) zeigen, dass Simulationen in Flipped-Classroom-Settings besonders wirksame Ergebnisse liefern. Die Kombination mit formativen Bewertungen (Chen & Law, 2016) und kollaborativem Problemlösen (Chen, She & Tsai, 2024) steigert den Lernerfolg zusätzlich.

Zusammenfassende Checkliste

Dimension	Kernfrage	Evidenz
Fachliche Korrektheit	Ist das Modell wissenschaftlich korrekt? Sind Vereinfachungen transparent?	Hoyer & Girwidz 2020
Interaktivität	Können Variablen manipuliert und Hypothesen getestet werden?	de Jong & van Joolingen 1998
Scaffolding	Gibt es eingebaute Unterstützung, Feedback und Reflexionsanreize?	Belland et al. 2017
Curriculare Passung	Stimmt die Simulation mit den Lehrplanzielen überein?	BMBWF 2025
Zugänglichkeit	Ist die Simulation frei, barrierefrei und geräteunabhängig?	UNESCO 2019; Dudley et al. 2025
Einbettbarkeit	Lässt sich die Simulation in verschiedene didaktische Szenarien integrieren?	Chen & Law 2016

Literatur (Qualitätskriterien)

Belland, B. et al. (2017). Synthesizing Results From Empirical Research on Computer-Based Scaffolding. Review of Educational Research.

BMBWF (2025). Lehrpläne der Mittelschulen. BGBl. II Nr. 185/2012 idF BGBl. II Nr. 178/2025.

Chen, M., She, H. & Tsai, P. (2024). Simulation-Based Collaborative Problem-Solving. Education and Information Technologies.

Chen, S. & Law, V. (2016). Exploring effectiveness of simulation-based inquiry learning with formative assessment. Journal of Computers in Education.

Cho, K. & Permzadian, V. (2024). The Impact of Open Educational Resources on Student Achievement. International Journal of Educational Research. https://doi.org/10.1016/j.ijer.2024.102365

de Jong, T. & Lazonder, A. (2014). The guided discovery principle. Cambridge University Press.

de Jong, T. & van Joolingen, W. (1998). Scientific Discovery Learning with Computer Simulations. Review of Educational Research.

Dudley, M., Ross, J. & Lim, T. (2025). UDL in simulation-based health professions education. Advances in Simulation.

Falloon, G. (2020). From simulations to real. British Journal of Educational Technology.

Hoyer, C. & Girwidz, R. (2020). Simulations in Science Education – Status Quo. PriSE.

Johnson, C. et al. (2017). Designing Effective Feedback Messages. Simulation & Gaming.

Kapici, H., Akcay, H. & de Jong, T. (2022). Two comparative studies of simulations and experiments. Instructional Science.

Kremer, K. & Höffler, T. (2024). Simulationen im Biologieunterricht und Nature of Science. Springer.

Olayinka, T. & Oyewole, B. (2023). Computer simulation in flipped classroom settings. Education and Information Technologies.

Pedaste, M. et al. (2015). Phases of inquiry-based learning. Educational Research Review.

Perkins, K. (2020). Transforming STEM Learning at Scale: PhET. Childhood Education.

Plass, J. et al. (2009). Design factors for educationally effective animations and simulations. JCHE.

Rooney-Varga, J. et al. (2018). Combining role-play with interactive simulation. PLoS ONE.

Smetana, L. & Bell, R. (2012). Computer Simulations to Support Science Instruction. IJSE.

UNESCO (2019). Recommendation on Open Educational Resources. UNESCO.

Upmeier zu Belzen, A. & Krüger, D. (2019). Modelle und das Modellieren in den Naturwissenschaften. Springer.

9. Herausforderungen, Risiken und Grenzen

Technische Infrastruktur und digitale Kluft

Die Wirksamkeit von Simulationen steht und fällt mit der verfügbaren technischen Infrastruktur. Deursen und Helsper (2022) zeigen, dass sozioökonomischer Status und geografische Lage die stärksten Prädiktoren für die Teilhabe an digitalem Lernen bleiben. Zwischen städtischen und ländlichen Regionen, zwischen gut und schlecht ausgestatteten Schulen bestehen erhebliche Unterschiede in Internetanbindung, Geräteausstattung und technischem Support.

Liu und Chen (2024) identifizieren in ihrem Review zu immersiven Technologien im MINT-Unterricht Infrastrukturlimitationen, finanzielle Einschränkungen und den Bedarf an umfassender Lehrerfortbildung als die drei größten Hürden für die breite Einführung. Li et al. (2024) bestätigen, dass nur 9 % der VR/AR-Studien höherstufiges Denken untersuchen — ein Hinweis darauf, dass die technologische Faszination oft das didaktische Design überstrahlt.

PhET-Simulationen bieten hier einen Gegenansatz: Als browserbasierte, frei verfügbare Tools mit geringen Hardwareanforderungen senken sie die Eintrittsbarriere erheblich (Perkins, 2020). Das österreichische Pflichtfach Digitale Grundbildung (BMBWF, 2022) und das digi.komp-Kompetenzmodell schaffen zudem einen curricularen Rahmen für den systematischen Aufbau digitaler Kompetenzen.

Gefahr der Oberflächlichkeit

Ohne angemessene didaktische Einbettung besteht das Risiko, dass Simulationen als reine Beschäftigung statt als Lerngelegenheit wahrgenommen werden. Die empirische Evidenz ist hier eindeutig: Simulationen ohne Scaffolding und Lehrpersonenbegleitung verfehlen häufig ihre Wirkung (Gerard & Linn, 2024; Smetana & Bell, 2012). Lazonder und Harmsen (2016) zeigen, dass ungeleitetes forschendes Lernen deutlich weniger wirksam ist als angeleitetes.

Ein verwandtes Problem ist die „Novelty-Falle": Die anfängliche Begeisterung für eine neue Technologie — besonders VR — kann höhere Lernwerte vortäuschen, die sich nach Abklingen des Neuheitseffekts nicht halten (Makransky et al., 2021). Langfristige Studien zum Lernbehalt sind noch selten; Asterhan und Schwarz (2022) zeigen, dass nachhaltige Konzeptveränderung zeit- und reflexionsintensiv ist.

Modellgrenzen und Nature of Science

Jede Simulation ist ein vereinfachtes Modell. Schüler*innen müssen lernen, zwischen Modell und Realität zu unterscheiden — ein anspruchsvoller epistemologischer Schritt (Kremer & Höffler, 2024). Krüger und Upmeier zu Belzen (2021) betonen, dass Modellkompetenz mehrere Niveaustufen umfasst: Vom Erkennen, dass ein Modell eine Vereinfachung ist, bis zum kritischen Hinterfragen der Modellgrenzen und Entwickeln alternativer Modelle.

Das Risiko besteht darin, dass Schüler*innen die Simulation mit der Realität gleichsetzen — dass sie etwa glauben, der Klimawandel „funktioniere" genau so wie das Modell es zeigt. Reflexionsphasen, in denen explizit über die Grenzen und Vereinfachungen des Modells gesprochen wird, sind daher integraler Bestandteil guten Simulationsunterrichts.

Lehrerfortbildung als Flaschenhals

Nandani und Raturi (2024) identifizieren die Lehrerausbildung als zentralen Engpass. Viele Lehrkräfte fühlen sich im Umgang mit digitalen Simulationen unsicher — nicht primär technisch, sondern didaktisch: Wie integriere ich eine Simulation sinnvoll in meine Unterrichtssequenz? Wie begleite ich den Lernprozess? Wie bewerte ich Lernergebnisse?

Velling, Schubert und Naujoks-Schober (2022) zeigen für den Geographieunterricht, dass die Überzeugungen (Beliefs) angehender Lehrpersonen zum Experimentieren deren Unterrichtspraxis stark beeinflussen. Schmit et al. (2025) fordern Fortbildungen, die über technische Schulung hinausgehen und die didaktische Integration in den Mittelpunkt stellen.

Zeitdruck und Curriculumdruck

Ein häufig genanntes Praxishindernis ist der wahrgenommene Zeitdruck: Lehrkräfte befürchten, dass der Einsatz von Simulationen mehr Unterrichtszeit beansprucht als traditionelle Methoden. Diese Befürchtung ist empirisch nur teilweise berechtigt — gut eingebettete Simulationen können Lernzeit auch effizienter nutzen (Woerner et al., 2023). Dennoch erfordert die Einbettung Vorbereitungszeit und didaktische Planung, die im Schulalltag knapp sein können.

Datenschutz und Abhängigkeit

Beim Einsatz webbasierter Simulationen stellen sich Fragen des Datenschutzes: Welche Daten werden erhoben? Wo werden sie gespeichert? Wer hat Zugriff? Für europäische Schulen gelten hier die Vorgaben der DSGVO. Open-Source-Simulationen wie PhET und lokal lauffähige Tools wie NetLogo haben den Vorteil, dass keine Nutzerdaten an externe Server übertragen werden.

Offene Forschungsfragen

Trotz der umfangreichen Forschungslage bleiben zentrale Fragen offen:

• Langzeiteffekte: Wie nachhaltig sind die Lernergebnisse? Die meisten Studien messen nur kurzfristige Effekte.
• Transfer: Unter welchen Bedingungen transferieren Schüler*innen Wissen aus Simulationen in neue Kontexte? (Falloon, 2020)
• Differenzierung: Wie lassen sich Simulationen an verschiedene Leistungsniveaus anpassen?
• Integration in Curricula: Wie sieht eine systematische, über mehrere Schuljahre aufgebaute Integration aus?
• KI-gestützte Anpassung: Welche Rolle kann generative KI bei der adaptiven Gestaltung von Simulationsumgebungen spielen? (Fang et al., 2026)

Literatur (Herausforderungen)

Asterhan, C. & Schwarz, B. (2022). Long-Lasting Conceptual Change. Science & Education.

BMBWF (2022). Lehrplan Digitale Grundbildung. BGBl. II Nr. 267/2022.

Deursen, A. & Helsper, E. (2022). The Digital Divide in Online Education. IJETHE.

Falloon, G. (2020). From simulations to real. British Journal of Educational Technology.

Fang, X. et al. (2026). SDT and Teacher Support in Simulation-Based Learning with GenAI. JECR.

Gerard, L. & Linn, M. (2024). Technology-enhanced feedback and scaffolding. IJSE, 11.

Kremer, K. & Höffler, T. (2024). Simulationen und Nature of Science. Springer.

Krüger, D. & Upmeier zu Belzen, A. (2021). Kompetenzmodell der Modellierkompetenz. ZfDN.

Lazonder, A. & Harmsen, R. (2016). Meta-Analysis of Inquiry-Based Learning. Review of Educational Research.

Li, Q. et al. (2024). VR and AR-Supported K-12 STEM Learning. Education and Information Technologies.

Liu, X. & Chen, Y. (2024). Integrating Immersive Technologies with STEM Education. Frontiers in Education.

Makransky, G. et al. (2021). Immersive VR increases liking but not learning. JEP.

Nandani, S. & Raturi, S. (2024). Digital simulations: How ready are science teachers? JCAL.

Perkins, K. (2020). Transforming STEM Learning at Scale: PhET. Childhood Education.

Schmit, S. et al. (2025). Professional development in digital STEM education. Frontiers in Psychology.

Smetana, L. & Bell, R. (2012). Computer Simulations: A Critical Review. IJSE.

Velling, H. et al. (2022). Beliefs angehender Lehrpersonen zum Experimentieren. ZfDN.

Woerner, S. et al. (2023). When the whole is greater than the sum. Computers & Education.

10. Fazit und Ausblick

Zusammenfassung der Erkenntnisse

Die Analyse von 195 Quellen ergibt ein klares Bild: Gut gestaltete, didaktisch eingebettete Simulationen verbessern den Lernerfolg im naturwissenschaftlichen und geografischen Unterricht signifikant. Die Effektstärken reichen von g = 0,49 (Hattie, 2023) über g = 0,65 (Hillmayr et al., 2020) bis g = 0,898 (Hsu & Ching, 2025) — je nach Kontext, Simulationstyp und Einbettung.

Fünf zentrale Erkenntnisse kristallisieren sich heraus:

1. Simulationen wirken — aber nicht automatisch. Die Wirksamkeit hängt entscheidend von der Gestaltung, der didaktischen Einbettung und der Begleitung durch die Lehrperson ab (Smetana & Bell, 2012; Chernikova et al., 2020).

1. Die Kombination von virtuell und real ist optimal. Virtuelle Experimente fördern konzeptuelles Verständnis, reale stärken manuelle Fertigkeiten — die Kombination beider Ansätze übertrifft jede Einzelform (Woerner et al., 2022; Wang et al., 2024).

1. Scaffolding ist der Schlüssel. Simulationen ohne eingebaute Unterstützung und Lehrerbegleitung verfehlen ihr Potenzial. Synergistisches Scaffolding — die Verbindung von Software- und Lehrer-Scaffolding — zeigt die stärksten Effekte (Mchunu & Naidoo, 2025; Belland et al., 2017).

1. Für den Geografieunterricht bieten Simulationen besonderes Potenzial. Komplexe Systeme, räumliche Dynamiken und langfristige Prozesse — die Kernthemen der Geografie — lassen sich in Simulationen sichtbar und manipulierbar machen (Schlemper & Kersten, 2025; Woolston et al., 2025).

1. Qualität bemisst sich an sechs Dimensionen. Fachliche Korrektheit, Interaktivität, Scaffolding, curriculare Passung, technische Zugänglichkeit und Einbettbarkeit — diese Dimensionen bilden den Rahmen für die Bewertung und Auswahl von Simulationen.

Perspektiven der nächsten Jahre

KI-gestützte adaptive Simulationen

Die Integration generativer KI in Simulationsumgebungen verspricht einen Paradigmenwechsel: Simulationen, die sich in Echtzeit an das Verständnisniveau und die Lernbedürfnisse der Schüler*innen anpassen. Lim et al. (2025) zeigen, dass GenAI-erweiterte Simulationen signifikant bessere Ergebnisse erzielen als textbasierte Szenarien. Fang et al. (2026) und Cress und Kimmerle (2023) diskutieren die Implikationen für kollaboratives Lernen mit KI.

Immersive Lernumgebungen

VR- und AR-Technologien werden zunehmend erschwinglich und schulalltagstauglich. Das CAMIL-Modell (Makransky & Petersen, 2021) liefert den theoretischen Rahmen, die Forschung von Petersen et al. (2023) und Klingenberg et al. (2022) die empirische Grundlage für den gezielten Einsatz im Geographieunterricht.

Open Educational Resources

Die OER-Bewegung (UNESCO, 2019; Cho & Permzadian, 2024) stärkt die Verfügbarkeit hochwertiger Simulationen. Projekte wie DiGeo-OER (Schulze et al., 2022) zeigen, wie frei zugängliche Materialien für die Lehrkräftebildung im Bereich digitaler Geomedien entwickelt werden können.

Handlungsempfehlungen

• Für Lehrpersonen: Simulationen gezielt auswählen (Qualitätskriterien beachten), in den Unterricht einbetten (nicht als Lückenfüller einsetzen), begleitendes Scaffolding anbieten und Reflexionsphasen einplanen. Die Kombination von Simulation und realem Experiment anstreben.

• Für die Schulentwicklung: Technische Infrastruktur und Fortbildungsangebote als Voraussetzung für wirksamen Simulationseinsatz schaffen. Open-Source-Tools wie PhET und NetLogo ermöglichen einen kosteneffizienten Einstieg. Die Digitale Grundbildung und den GW-Lehrplan als curriculare Anker nutzen.

• Für die Fachdidaktik und Forschung: Langfristige Lerneffekte und Transferbedingungen systematisch untersuchen. Spezifische Simulationen für den Geografieunterricht im DACH-Raum entwickeln und evaluieren. Die Integration in Lehramtscurricula vorantreiben. Scholten et al. (2024) bieten mit ihrem fachdidaktisch erweiterten Modell der Unterrichtsqualität im Fach Geographie einen vielversprechenden Evaluationsrahmen.

• Für die Bildungspolitik: Den Einsatz von Simulationen in Lehrplanvorgaben explizit verankern. Fortbildungsbudgets für die didaktische Integration digitaler Werkzeuge bereitstellen. Nationale Repositorien für qualitätsgeprüfte Simulationen aufbauen.

Schluss

Simulationen sind kein Ersatz für guten Unterricht — sie sind ein Werkzeug, das in den Händen kompetenter Lehrpersonen sein volles Potenzial entfaltet. Die Forschungslage ist eindeutig; die Herausforderung liegt nun in der Umsetzung: in der Ausbildung und Fortbildung von Lehrpersonen, in der Entwicklung qualitativ hochwertiger Simulationen mit Lehrplanbezug, und in der Schaffung technischer und institutioneller Rahmenbedingungen, die einen systematischen Einsatz ermöglichen.

Für den Geografieunterricht — ein Fach, das sich mit den drängendsten Fragen unserer Zeit befasst: Klimawandel, Nachhaltigkeit, Globalisierung, Raumplanung — sind Simulationen nicht nur ein nützliches Hilfsmittel, sondern ein Werkzeug, das den Unterschied machen kann zwischen abstraktem Wissen und erlebtem Verständnis.

Literatur (Ausblick)

Belland, B. et al. (2017). Synthesizing Results From Empirical Research on Computer-Based Scaffolding. Review of Educational Research.

Chernikova, O. et al. (2020). Simulation-Based Learning in Higher Education: A Meta-Analysis. Review of Educational Research.

Cho, K. & Permzadian, V. (2024). The Impact of OER on Student Achievement. International Journal of Educational Research.

Cress, U. & Kimmerle, J. (2023). Co-constructing knowledge with generative AI tools. International Journal of CSCL. https://doi.org/10.1007/s11412-023-09409-w

Fang, X. et al. (2026). SDT and Teacher Support in Simulation-Based Learning with GenAI. JECR.

Hattie, J. (2023). Visible Learning: The Sequel. Routledge.

Hillmayr, D. et al. (2020). The Potential of Digital Tools. Computers & Education, 153.

Hsu, Y. & Ching, Y. (2025). The Impact of Computer Simulation on Students' Conceptual Understanding in K-12. JSET.

Klingenberg, S. et al. (2022). Geography Learning in Immersive VR. Frontiers in Education.

Lim, J. et al. (2025). GenAI-Enhanced Simulation for Pre-Service Teachers. Computers & Education. https://doi.org/10.1016/j.compedu.2025.105306

Makransky, G. & Petersen, G. (2021). CAMIL. Educational Psychology Review.

Mchunu, S. & Naidoo, J. (2025). Synergistic scaffolding. DISER.

Petersen, G. et al. (2023). Collaborative and Individual Learning of Geography in Immersive VR. British Journal of Educational Technology.

Schlemper, M. & Kersten, T. (2025). VR for Teaching Geography. KN - Journal of Cartography.

Scholten, N. et al. (2024). Unterrichtsqualität im Fach Geographie. Zeitschrift für Geographiedidaktik.

Schulze, U. et al. (2022). DiGeo-OER. GW-Unterricht.

Smetana, L. & Bell, R. (2012). Computer Simulations: A Critical Review. IJSE.

UNESCO (2019). Recommendation on Open Educational Resources.

Wang, J. et al. (2024). Combining real and virtual experiments: A meta-analysis. Educational Research Review.

Woerner, S. et al. (2022). The Best of Two Worlds. Review of Educational Research.

Woolston, S. et al. (2025). Immersive VR in Geography Higher Education. JGHE.