Rethinking Higher Education/de/Chapter 11
Grüne digitale Bildung: Nachhaltigkeit, digitale Genügsamkeit und Umweltbewusstsein an Universitäten der EU und Chinas
Martin Woesler
Hunan-Normaluniversität
Zusammenfassung
Die digitale Transformation der Hochschulbildung trägt versteckte Umweltkosten, die im bildungspolitischen Diskurs selten anerkannt werden. Rechenzentren verbrauchten 2024 415 Terawattstunden Strom -- 1,5 Prozent des weltweiten Strombedarfs -- und werden bis 2030 voraussichtlich 945 TWh erreichen, wobei sie viermal schneller wachsen als jeder andere Sektor. Das Training eines einzelnen großen Sprachmodells wie GPT-3 produziert etwa 552 metrische Tonnen CO2-Äquivalent, vergleichbar mit den jährlichen Emissionen von 121 durchschnittlichen amerikanischen Haushalten. Der jährliche digitale Inhaltskonsum erzeugt 229 kg CO2-Äquivalent pro Nutzer, etwa 3-4 Prozent der anthropogenen Pro-Kopf-Treibhausgasemissionen. Dennoch ist der Bereich der Bildungstechnologie der Prüfung seines ökologischen Fußabdrucks weitgehend entgangen, selbst während Universitäten ihre digitale Infrastruktur unter den Fahnen von Innovation und Zugänglichkeit ausbauen. Dieser Artikel untersucht die Spannung zwischen digitaler Bildung und ökologischer Nachhaltigkeit durch einen systematischen Vergleich der Ansätze der Europäischen Union und Chinas. Die EU hat den GreenComp-Rahmen für Nachhaltigkeitskompetenzen entwickelt und beginnt, „digitale Genügsamkeit" -- das Prinzip der Minimierung unnützen digitalen Konsums -- als Bildungsziel zu adressieren. China hat „Bildung zur ökologischen Zivilisation" als Rahmen verfolgt, der Umweltbewusstsein mit breiteren zivilisatorischen Zielen integriert, während es gleichzeitig den weltweit größten Ausbau digitaler Bildungsinfrastruktur unternimmt. Wir argumentieren, dass beide Systeme einem „KI-Energieparadox" gegenüberstehen -- der Einsatz von Künstlicher Intelligenz in der Bildung verspricht gleichzeitig, Nachhaltigkeitsbewusstsein zu stärken, und trägt substanziell zur Umweltdegradation bei -- und dass keines bisher eine adäquate Antwort entwickelt hat.
Schlüsselwörter: Grüne digitale Bildung, Nachhaltigkeit, digitale Genügsamkeit, ökologische Zivilisation, CO2-Fußabdruck, Rechenzentren, KI-Energieparadox, GreenComp, Hochschulbildung, EU-China-Vergleich
1. Einleitung
Die ökologische Nachhaltigkeit digitaler Bildung ist ein Thema, das die meisten Bildungstechnologen lieber nicht diskutieren würden. Die digitale Transformation der Hochschulbildung wurde von mächtigem Fortschrittsnarrativ angetrieben: KI-personalisiertes Lernen, immersive virtuelle Realität, globale Konnektivität und institutionelle Effizienz. Diese Narrative sind nicht falsch -- die Begleitkapitel in dieser Anthologie dokumentieren genuine Bildungsvorteile durch digitale Technologien (Woesler, in diesem Band). Aber sie sind unvollständig, weil sie systematisch die materielle Grundlage digitaler Bildung ignorieren: die Server, Netzwerke, Geräte und Energiesysteme, die sie ermöglichen, und die Umweltfolgen ihres Betriebs im großen Maßstab.
Die Zahlen sind ernüchternd. Die Internationale Energieagentur berichtet, dass Rechenzentren 2024 415 Terawattstunden Strom verbrauchten, was 1,5 Prozent des weltweiten Strombedarfs entspricht. Diese Zahl wird bis 2030 voraussichtlich 945 TWh erreichen -- mehr als Japans gesamter Stromverbrauch --, mit Wachstumsraten von etwa 15 Prozent pro Jahr, viermal schneller als alle anderen Sektoren zusammen (IEA 2025). Die Kohlenstoffemissionen der großen Technologieunternehmen sind parallel gestiegen: Googles Treibhausgasemissionen stiegen zwischen 2019 und 2024 um 48 Prozent, während Microsofts seit 2020 um 29 Prozent wuchsen, wobei der Energieverbrauch der Rechenzentren als Haupttreiber identifiziert wurde (NPR 2024). Eine Analyse von Nachhaltigkeitsberichten der Unternehmen legt nahe, dass die tatsächlichen Emissionen von Rechenzentren 7,62-mal höher sein könnten als berichtet, aufgrund von Bilanzierungspraktiken, die Zertifikate für erneuerbare Energien als Äquivalent zum tatsächlichen Verbrauch erneuerbarer Energie zählen (Le Goff 2025).
Für die Hochschulbildung haben diese Zahlen direkte Relevanz. Universitäten gehören zu den größten institutionellen Verbrauchern digitaler Infrastruktur, die Lernmanagementsysteme, Forschungsrechnercluster, Videokonferenzplattformen und -- zunehmend -- KI-gestützte Bildungswerkzeuge betreiben. Doch der ökologische Fußabdruck dieser digitalen Infrastruktur wird fast nie in die Nachhaltigkeitsbewertungen von Universitäten einbezogen. Williamson, Hogan und Selwyn (2025), in einem Kapitel für einen Springer-Band zu kritischen EdTech-Studien, argumentieren, dass die Umweltauswirkungen von Bildungstechnologieplattformen in den CO2-Berechnungen von Universitäten „beharrlich übersehen" werden, und lenken die Aufmerksamkeit auf die global verteilte, energieintensive IT-Infrastruktur, in die Universitäten durch ihre EdTech-Partnerschaften eingebettet sind.
Dieser Artikel untersucht, wie die Europäische Union und China -- die beiden größten Hochschulsysteme nach Einschreibungszahlen -- die ökologische Dimension ihrer Strategien für digitale Bildung adressieren (oder versäumen zu adressieren). Wir vergleichen den entstehenden Rahmen der EU für Nachhaltigkeitskompetenzen und digitale Genügsamkeit mit Chinas Bildung zur ökologischen Zivilisation und bewerten jeweils die Fähigkeit, die Umweltkosten der digitalen Infrastruktur zu konfrontieren, auf der moderne Bildung zunehmend beruht.
2. Der CO2-Fußabdruck von Bildungstechnologie
2.1 Rechenzentren und KI-Training
Der Energieverbrauch digitaler Infrastruktur hat zwei Hauptkomponenten: die Betriebsenergie der Rechenzentren (einschließlich Kühlung, die 30-40 Prozent des Gesamtenergieverbrauchs ausmachen kann) und die graue Energie der Hardwareproduktion und -entsorgung. Für KI-Systeme im Besonderen ist eine dritte Komponente -- die während des Modelltrainings verbrauchte Energie -- zunehmend bedeutsam geworden.
Patterson und Kollegen (2021), in einer Studie von Forschern bei Google und der UC Berkeley, schätzten, dass das Training von GPT-3 etwa 552 metrische Tonnen CO2-Äquivalent produzierte und 1.287 Megawattstunden Strom verbrauchte. Strubell, Ganesh und McCallum (2019), in dem Papier, das erstmals breite Aufmerksamkeit auf die Kohlenstoffkosten des Trainings großer Sprachmodelle lenkte, zeigten, dass das Training eines einzelnen großen NLP-Modells so viel Kohlenstoff emittieren kann wie fünf Automobile während ihrer gesamten Lebensdauer. Diese Zahlen sind mit der Entwicklung größerer Modelle substanziell gestiegen: GPT-4 und seine Nachfolger verbrauchen Größenordnungen mehr Energie, obwohl genaue Zahlen nicht öffentlich zugänglich sind.
Der Wasser-Fußabdruck der KI ist ebenso besorgniserregend. Li und Kollegen (2023), in einer in Communications of the ACM veröffentlichten Studie, schätzen, dass das Training von GPT-3 in Microsofts US-Rechenzentren direkt 700.000 Liter Frischwasser verdampfte. Der globale KI-Wasserbedarf wird bis 2027 auf 4,2-6,6 Milliarden Kubikmeter projiziert -- mehr als die gesamte jährliche Wasserentnahme von vier bis sechs Ländern der Größe Dänemarks. De Vries (2025), schreibend in der Cell-Press-Zeitschrift Patterns, schätzt den CO2-Fußabdruck der KI-Industrie 2025 auf 32,6-79,7 Millionen metrische Tonnen CO2, vergleichbar mit den Gesamtemissionen New York Citys, mit einem Wasser-Fußabdruck von 312,5-764,6 Milliarden Litern.
Für Universitäten übersetzen sich diese aggregierten Zahlen in institutionelle Verantwortung. Jedes Mal, wenn ein Studierender einen cloudbasierten KI-Schreibassistenten nutzt, Arbeiten an einen KI-gestützten Plagiatserkennungsdienst übergibt oder mit einem KI-Tutoring-System interagiert, erzeugt die digitale Infrastruktur der Universität Emissionen, die für den Nutzer unsichtbar, aber kumulativ signifikant sind. Xiao und Kollegen (2025), schreibend in Nature Sustainability, argumentieren, dass die US-KI-Industrie Net-Zero-Ziele bis 2030 wahrscheinlich nicht erreichen wird, ohne sich substanziell auf „hochgradig unsichere Mechanismen zur Kohlenstoffkompensation und Wasserrenaturierung" zu stützen.
2.2 Digitaler Inhaltskonsum
Jenseits des KI-Trainings tragen die routinemäßigen digitalen Aktivitäten der Bildung eigene Umweltkosten. Istrate und Kollegen (2024), in einer in Nature Communications veröffentlichten Studie, schätzen, dass der jährliche globale durchschnittliche digitale Inhaltskonsum -- Web-Surfen, soziale Medien, Video- und Musikstreaming und Videokonferenzen -- 229 kg CO2-Äquivalent pro Nutzer pro Jahr erzeugt, etwa 3-4 Prozent der anthropogenen Pro-Kopf-Treibhausgasemissionen. Unter einem 1,5-Grad-Celsius-Erwärmungsszenario könnte dies etwa 40 Prozent des Pro-Kopf-Kohlenstoffbudgets ausmachen.
Für Universitäten sind die Implikationen bedeutsam. Ein einzelnes Semester Online-Kursvermittlung für Tausende Studierende umfasst substanzielles Videostreaming, Dateiaustausch und Plattforminteraktion. Caird und Lane (2024), schreibend im Future Healthcare Journal, merken an, dass digitales Lernen generell einen geringeren CO2-Fußabdruck hat als Präsenzunterricht, wenn Reisen berücksichtigt wird -- Reisen zu Präsenzkonferenzen kann 1.000-mal mehr CO2 produzieren als virtuelle Alternativen --, der Vergleich jedoch weniger günstig ausfällt, wenn die vollen Lebenszykluskosten der digitalen Infrastruktur einbezogen werden.
2.3 E-Waste und der Hardware-Lebenszyklus
Die Umweltkosten digitaler Bildung erstrecken sich über den Energieverbrauch hinaus auf die physischen Geräte, auf denen sie beruht. Das sich beschleunigende Tempo des Hardwareersatzes in Bildungseinrichtungen -- angetrieben durch Softwareanforderungen, institutionelle Beschaffungszyklen und die geplante Obsoleszenz von Konsumelektronik -- erzeugt einen wachsenden Strom elektronischen Abfalls, der selten in Diskussionen über nachhaltige Bildung einbezogen wird.
Valai Ganesh und Kollegen (2025), in einer in Scientific Reports veröffentlichten Studie, untersuchten 452 elektrische Produkte in akademischen Institutionen in Indien und stellten fest, dass 32,1 Prozent älter als fünf Jahre und 34,1 Prozent reparatur- oder ersatzbedürftig waren. Ihr vorgeschlagenes Rahmenwerk für nachhaltiges E-Waste-Management zeigte, dass Vor-Ort-Recycling eine 90-prozentige Materialrückgewinnungsrate erreichen kann -- aber solche Rahmenwerke erfordern institutionelle Investitionen und Engagement, die die meisten Universitäten noch nicht erbracht haben. Thao, Hanh und Huy (2025), in einer Studie der Ho-Chi-Minh-City-Universität für Technologie, veröffentlicht im International Journal of Environmental Science and Technology, projizieren, dass E-Waste auf einem einzelnen Universitätscampus von 16.792 kg im Jahr 2024 auf 25.230 kg im Jahr 2034 um das 1,5-fache ansteigen wird, was die wachsende Hardwareintensität digitaler Bildung widerspiegelt.
Für chinesische und europäische Universitäten gleichermaßen wird das E-Waste-Problem durch den Trend zu institutionellen Tablet- und Laptop-Programmen, Eins-zu-Eins-Geräteinitiativen und dem regelmäßigen Austausch von Smart-Classroom-Ausrüstung verstärkt. Wenn eine Universität Tausende von Tablets für eine digitale Lerninitiative bereitstellt, mag der Bildungsnutzen echt sein -- aber die Umweltkosten der Herstellung, des Betriebs und der schließlichen Entsorgung dieser Geräte werden selten berechnet. Das Konzept der digitalen Genügsamkeit, das im folgenden Abschnitt diskutiert wird, bietet einen Rahmen zur Überbrückung dieser Lücke.
3. Digitale Genügsamkeit als Bildungsziel
3.1 Ursprünge und Definition
Das Konzept der „digitalen Genügsamkeit" (sobriété numérique) geht auf den französischen Think Tank The Shift Project zurück, dessen Bericht von 2019 „Lean ICT: Towards Digital Sobriety" es als das Prinzip definierte, möglich wenig leistungsstarke Geräte zu kaufen, Geräte so selten wie möglich zu wechseln und unnötige energieintensive digitale Nutzung zu reduzieren. Der Bericht schätzte, dass der IKT-Energieverbrauch jährlich um 9 Prozent stieg, und argumentierte, dass ein Genügsamkeitsansatz das Wachstum auf 1,5 Prozent begrenzen könnte (The Shift Project 2019).
In der Bildung hat digitale Genügsamkeit Anerkennung durch die UNESCO-Entscheidung 2024 erhalten, den Preis König Hamad Bin Isa Al-Khalifa für IKT in der Bildung an die belgische EducoNetImpact-Initiative zu verleihen, die nachhaltige digitale Praktiken in Schulen fördert. Etwa 1.000 Lehrende nutzen nun deren Materialien (UNESCO 2024). Diese Anerkennung signalisiert, dass die internationale Bildungsgemeinschaft beginnt, die ökologische Dimension von Bildungstechnologie anzuerkennen -- obwohl der Umfang der Reaktion bescheiden bleibt im Verhältnis zum Umfang des Problems.
3.2 Der EU-Rahmen: DigComp und GreenComp
Der Ansatz der EU zur Nachhaltigkeit in der digitalen Bildung stützt sich auf zwei komplementäre Rahmenwerke. Der DigComp-2.2-Rahmen (Vuorikari, Kluzer und Punie 2022) integriert nachhaltigkeitsbezogene Beispiele in seine fünf Kompetenzbereiche und adressiert die ökologischen Implikationen der Nutzung digitaler Technologie. Allerdings wird digitale Genügsamkeit nicht explizit als Kompetenzdimension innerhalb von DigComp 2.2 benannt -- eine Lücke, die nahelegt, dass die Entwicklung des Rahmenwerks mit den aufkommenden Umweltbedenken nicht vollständig Schritt gehalten hat.
Der GreenComp-Rahmen (Bianchi, Pisiotis und Cabrera Giraldez 2022), veröffentlicht von der Gemeinsamen Forschungsstelle der EU, bietet ein komplementäres Rahmenwerk mit vier Kompetenzbereichen: Nachhaltigkeitswerte verkörpern, Komplexität der Nachhaltigkeit annehmen, nachhaltige Zukünfte visionieren und für Nachhaltigkeit handeln. Seine 12 Kompetenzen sind als nicht-präskriptive Referenzpunkte für Lernprogramme in formaler und informeller Bildung konzipiert.
Das GreenSCENT-Projekt (Horizont 2020, 2021-2024) hat die praktische Anwendung von Green-Deal-Themen in etwa 45 Schulen und Universitäten in der EU getestet und den ECCEL geschaffen -- einen europäischen „Führerschein" für Klima- und Umweltkompetenzen (Europäische Kommission 2021-2024). McDonagh, Caforio und Pollinis (2024) herausgegebener Band „The European Green Deal in Education", veröffentlicht bei Routledge, bietet Fallstudien aus dem Projekt und dokumentiert die ersten veröffentlichten Anwendungen von Green-Deal-Themen im Unterricht.
Calis und Kollegen (2025), in einer Studie mit 896 Lehramtsstudierenden, veröffentlicht in Humanities and Social Sciences Communications, fanden nur ein „moderates Niveau" des Bewusstseins für den digitalen CO2-Fußabdruck. Die Teilnehmenden zeigten stärkeres Verständnis für die Auswirkungen elektronischer Geräte als für die Auswirkungen der Datenübertragung -- das heißt, sie verstanden, dass die Herstellung eines Laptops Umweltkosten hat, waren sich aber weniger bewusst, dass das Streaming einer Videovorlesung oder die Nutzung eines cloudbasierten KI-Werkzeugs ebenfalls Emissionen erzeugt. Weibliche Teilnehmerinnen wiesen signifikant höhere Bewusstseinswerte auf als männliche. Dieser Befund ist besonders bedenklich: Wenn Lehrende selbst die Umweltkosten digitaler Technologie nicht kennen, kann von ihnen nicht erwartet werden, dieses Bewusstsein bei ihren Studierenden zu kultivieren.
Auf institutioneller Ebene stellte der Bericht der European University Association 2023 „A Green Deal Roadmap for Universities", basierend auf einer Befragung von nahezu 400 Institutionen aus 56 Hochschulsystemen, fest, dass eine große Mehrheit europäischer Universitäten Nachhaltigkeit entweder in ihre institutionelle Hauptstrategie integriert oder spezifische Nachhaltigkeitsstrategien entwickelt hat. Allerdings forderte die Mehrheit der Institutionen verstärkte Förderung und mehr Möglichkeiten zum Peer-Learning (EUA 2023). Die Empfehlungen des Berichts erstrecken sich auf öffentliches Engagement, Forschung, Lehre und Campusbetrieb -- aber die Umweltkosten der digitalen Infrastruktur erhalten keine gesonderte Behandlung, was nahelegt, dass selbst nachhaltigkeitsengagierte Institutionen digitale Genügsamkeit noch nicht in ihre Umweltstrategien integriert haben.
Die wachsende Bedeutung der Nachhaltigkeitsberichterstattung in der Hochschulbildung spiegelt sich in der Ausweitung der Times Higher Education Impact Rankings wider, die die Beiträge von Universitäten zu den UN-Nachhaltigkeitszielen messen. Urbano und Kollegen (2025), in einer im Journal of Cleaner Production veröffentlichten Analyse, stellten fest, dass die Rankings 2024 1.963 teilnehmende Institutionen verzeichneten -- ein Anstieg um 23 Prozent gegenüber dem Vorjahr --, was wachsendes institutionelles Engagement für Nachhaltigkeitsberichterstattung demonstriert. Allerdings umfasst die Methodik der Rankings keine spezifischen Metriken für Emissionen digitaler Infrastruktur, was einen bedeutenden blinden Fleck in einem ansonsten umfassenden Bewertungsrahmenwerk schafft.
4. Chinas Ansatz: Bildung zur ökologischen Zivilisation
4.1 Ökologische Zivilisation als Bildungsrahmen
Chinas Ansatz zur Umweltbildung wird nicht durch „Nachhaltigkeit" im westlichen Sinne, sondern durch das Konzept der „ökologischen Zivilisation" (生态文明, shengtai wenming) gerahmt -- ein umfassendes Rahmenwerk, das Umweltschutz mit wirtschaftlicher Entwicklung, sozialer Steuerung und zivilisatorischer Identität integriert. Wang und Kollegen (2025), in einem Kapitel für das Springer Handbook of Ecological Civilization, zeichnen die Evolution der Bildung zur ökologischen Zivilisation als Schlüsselprojekt für Chinas nachhaltige Entwicklung nach und vermerken ihre Integration in die Bildungspolitik auf allen Ebenen.
Bildung zur ökologischen Zivilisation unterscheidet sich von europäischer Nachhaltigkeitsbildung in mehreren wichtigen Hinsichten. Erstens ist sie explizit politisch: Das Konzept wurde 2012 in die Verfassung der Kommunistischen Partei Chinas und 2018 in die Staatsverfassung aufgenommen, was ihm einen juristischen Status verleiht, den europäische Nachhaltigkeitsrahmenwerke nicht besitzen. Zweitens ist sie umfassend in ihrem Geltungsbereich: Ökologische Zivilisation umfasst nicht bloß Umweltschutz, sondern eine Transformation der Beziehung zwischen menschlicher Zivilisation und der natürlichen Welt. Drittens ist sie staatlich geleitet statt bürgerorientiert: Während GreenComp individuelle Bürger befähigt, nachhaltige Entscheidungen zu treffen, positioniert Bildung zur ökologischen Zivilisation Individuen innerhalb eines kollektiven Projekts nationaler Transformation.
Zhou (2024), in einer in Social Inclusion veröffentlichten Studie, untersucht den Übergang von Bildung für nachhaltige Entwicklung (BNE) zu ökologischer Zivilisation in China durch ein Rahmenwerk der Klimagerechtigkeit. Die Analyse ergibt, dass ökologische Zivilisation stark politisiert ist, primär auf ökologische Nachhaltigkeit beschränkt bleibt (unter Vernachlässigung sozialer und ökonomischer Dimensionen) und dass Bildungsakteure in Entscheidungsprozessen unterrepräsentiert sind. Diese Befunde legen nahe, dass der Rahmen zwar ambitioniert in seinem Geltungsbereich ist, seine Top-down-Umsetzung aber seine Fähigkeit einschränken kann, die Art kritischen, partizipativen Umweltengagements zu fördern, die das GreenComp-Rahmenwerk vorsieht.
Tian und Kollegen (2024), in einer bibliometrischen Übersicht, veröffentlicht in Humanities and Social Sciences Communications, die 25 Jahre chinesischer BNE-Forschung durch LDA-Topic-Modelling und Soziale-Netzwerk-Analyse analysiert, identifizieren ein Publikationsmuster von „Aufstieg und Rückgang" mit reichlich Raum für Expansion. Der Wandel von international ausgerichteten Nachhaltigkeitszielen zu einem lokalisierten, politisierten Rahmenwerk unter Xi Jinpings Konzept der ökologischen Zivilisation wird als definierendes Merkmal der chinesischen BNE identifiziert -- eine Entwicklung, die sowohl Stärken (politisches Engagement, institutionelle Unterstützung) als auch Grenzen (reduziertes kritisches Engagement, begrenzte internationale Vergleichbarkeit) aufweist.
4.2 Chinas Doppel-Kohlenstoff-Ziele und Hochschulbildung
Ein distinktives Merkmal von Chinas Ansatz ist die direkte Integration nationaler Klimaziele in die Hochschulpolitik. 2022 erließ das Bildungsministerium ein „Arbeitsprogramm zum Aufbau eines starken Systems der Hochschulbildung für Kohlenstoff-Peak und Kohlenstoff-Neutralität" (加强碳达峰碳中和高等教育人才培养体系建设工作方案), das Universitäten mandatierte, neue Fakultäten, Kurse und Berufsprogramme entsprechend Chinas Doppel-Kohlenstoff-Zielen einzurichten -- Emissionshochpunkt bis 2030 und Kohlenstoffneutralität bis 2060. Bis 2022 waren 21 Bachelorstudiengänge direkt mit den Doppel-Kohlenstoff-Zusagen verbunden, die neue Energien, intelligente Netze, Kohlenstoffspeicherung, Wasserstoffenergie und Big Data für Umweltressourcen abdeckten (Bildungsministerium 2022).
Diese Politik repräsentiert eine direktere Intervention in die Curriculumgestaltung als alles, was in der EU versucht wurde, wo Nachhaltigkeitsbildung weitgehend freiwillig und institutionsgeleitet bleibt. Das Doppel-Kohlenstoff-Bildungsmandat spiegelt Chinas breitere Governance-Philosophie wider: Wenn der Staat eine strategische Priorität identifiziert, wird von Universitäten erwartet, ihre Programme entsprechend auszurichten. Ob dieser Top-down-Ansatz tieferes Umweltengagement hervorbringt als der Bottom-up-Rahmen der EU zur Kompetenzentwicklung, bleibt eine offene empirische Frage.
Wang und Kollegen (2023), in einer im Journal of Cleaner Production veröffentlichten Studie, entwickelten eine neuartige LEAP-LCA-Hybridmethodik zur Bewertung des CO2-Fußabdrucks eines mittelgroßen chinesischen Universitätscampus. Sie stellten fest, dass der Stromverbrauch 77 Prozent der gesamten CO2-Emissionen des Campus verursachte und dass vorgeschlagene Maßnahmen zur CO2-Reduktion -- Photovoltaik, Energieeffizienzverbesserungen, Elektrifizierung -- die Emissionen bis 2060 um 97 Prozent reduzieren könnten, wobei die Stromdekarbonisierung allein 64,7 Prozent der Reduktion beitrüge. Diese Befunde legen nahe, dass chinesische Universitäten erhebliches Potenzial zur CO2-Reduktion haben, aber die Realisierung dieses Potenzials Infrastrukturinvestitionen und institutionelles Engagement erfordert, die durch Lehrplanreform allein nicht erreicht werden können.
4.3 Green-Campus-Initiativen
Chinas Ansatz zur grünen digitalen Bildung verkörpert eine distinktive Spannung. Einerseits verfolgt die Regierung den weltweit größten Ausbau digitaler Bildungsinfrastruktur -- die Nationale Intelligente Bildungsplattform, die 293 Millionen Studierende bedient, nahezu universale schulische Breitbandanbindung, obligatorische KI-Bildung ab September 2025. Andererseits fördert sie gleichzeitig Bildung zur ökologischen Zivilisation und Green-Campus-Initiativen.
Yuan und Kollegen (2024), in einer im International Journal of Chinese Education veröffentlichten Studie, untersuchen Pekings Grüne-Schule-Programm anhand einer Studie von 98 Grund- und weiterführenden Schulen und dokumentieren die Rolle des Programms als BNE-Werkzeug zur Erreichung der Nachhaltigkeitsziele. Zou und Kollegen (2024), schreibend im Journal of Cleaner Production, schlagen ein vierdimensionales Rahmenwerk vor -- grüne Bildung, grüne Forschung, grüner Campus und grünes Leben -- für die Digitalisierung grüner Universitätsinitiativen und argumentieren, dass digitale Technologien gemeinschaftliches Engagement erleichtern, grüne Innovation unterstützen, den CO2-Fußabdruck des Campus reduzieren und Nachhaltigkeitsbewusstsein kultivieren können.
Diese Initiativen sind real und wertvoll, adressieren aber nicht direkt die Umweltkosten der digitalen Infrastruktur selbst. Die Spannung zwischen digitalem Ausbau und ökologischer Nachhaltigkeit wird im chinesischen Politikdiskurs anerkannt, in der Praxis aber noch nicht aufgelöst. Über 200 chinesische Universitäten haben Campus-Energiemanagementsysteme implementiert, was wachsendes institutionelles Bewusstsein für den Energieverbrauch widerspiegelt -- aber diese Systeme beziehen typischerweise nicht die von cloudbasierten Bildungsplattformen verbrauchte Energie ein, die in Rechenzentren erzeugt wird, die möglicherweise Tausende Kilometer vom Campus entfernt liegen.
5. Das KI-Energieparadox
Die akuteste Spannung in der grünen digitalen Bildung ist, was wir das „KI-Energieparadox" nennen. Künstliche Intelligenz ist gleichzeitig die energieintensivste Komponente digitaler Bildung und die Technologie, die am häufigsten als Lösung für Umweltherausforderungen angerufen wird. KI-Systeme versprechen, den Energieverbrauch zu optimieren, den Klimawandel zu modellieren, Nachhaltigkeitsbildung zu personalisieren und Muster in Umweltdaten zu identifizieren, die menschliche Analyse nicht erkennen kann. Doch die Energie, die für Training und Betrieb dieser Systeme erforderlich ist, wächst mit einer Rate, die die von ihnen erzeugten Effizienzgewinne zu übertreffen droht.
Dieses Paradox manifestiert sich in einer in der Ökonomie als „Rebound-Effekt" oder Jevons-Paradox bekannten Form: Effizienzverbesserungen führen zu erhöhtem Verbrauch statt zu reduziertem Ressourceneinsatz. Eine Studie von 2025 in Frontiers in Energy Research untersucht systematisch 150 Artikel zum Rebound-Effekt in KI-gesteuerter nachhaltiger Entwicklung und stellt fest, dass KI-gesteuerte Effizienz den Energieverbrauch pro Outputeinheit reduziert, aber oft zu höherem Gesamtverbrauch führt, wodurch Umweltvorteile möglicherweise negiert werden.
Für Universitäten ist das Paradox unmittelbar. Der Einsatz eines KI-gestützten adaptiven Lernsystems kann Bildungsergebnisse verbessern (wie in den Begleitkapiteln zu KI im Sprachlernen und der Universität der Zukunft dokumentiert), erhöht aber auch den digitalen Energieverbrauch der Universität. Die Nachhaltigkeitsrahmenwerke der Europäischen Kommission und Chinas Bildung zur ökologischen Zivilisation verfügen beide über keine Mechanismen zur Abwägung dieser Trade-offs: Die Umweltkosten von Bildungstechnologie sind schlicht nicht Teil der Berechnung.
Selwyn (2021), in dem, was die direkteste akademische Behandlung dieses Themas bleibt, schlägt einen „Ed-Tech Within Limits"-Ansatz vor, der fundamentale Verschiebungen im Denken über Bildungstechnologie erfordert. Anstatt zu fragen, wie Technologie Bildung verbessern kann, sollten wir laut Selwyn fragen, welches Niveau an Technologie mit ökologischer Nachhaltigkeit vereinbar ist -- und akzeptieren, dass die Antwort weniger statt mehr digitale Infrastruktur umfassen könnte.
5.1 Green AI als partielle Antwort
Das aufkommende Feld „Green AI" bietet technische Ansätze zur Reduktion der Umweltkosten künstlicher Intelligenz, obwohl es das Paradox nicht gänzlich eliminieren kann. Tabbakh und Kollegen (2024), in einem umfassenden Rahmenwerk, veröffentlicht in Discover Sustainability, überprüfen Techniken wie Modellkompression (Pruning), Quantisierung und Knowledge Distillation, die den Energieverbrauch der KI-Inferenz -- die laufenden Betriebskosten des Ausführens trainierter Modelle -- substanziell reduzieren können. Sie überprüfen auch Werkzeuge wie CodeCarbon und Carbontracker, die Forschenden ermöglichen, den CO2-Fußabdruck ihrer KI-Experimente zu messen und zu berichten.
Paula und Kollegen (2025), in einer vergleichenden Analyse, veröffentlicht in Scientific Reports, zeigen, dass die Anwendung von Modellkompressionstechniken auf Transformer-basierte Modelle eine 32-prozentige Reduktion des Energieverbrauchs für Modelle wie BERT erreichen kann. Komprimierte große Modelle können die Effizienz zweckmäßig gebauter kleiner Modelle erreichen oder sich ihr annähern, was nahelegt, dass KI-Anwendungen in der Bildung nicht auf die ressourcenintensivsten Architekturen angewiesen sein müssen. Für Universitäten, die KI-Tutoring-Systeme oder automatisierte Bewertungswerkzeuge einsetzen, zeigen diese Befunde, dass die Wahl effizienter Modellarchitekturen -- oder das Bestehen darauf, dass Anbieter die Energieeffizienz ihrer Produkte nachweisen -- den ökologischen Fußabdruck KI-gestützter Bildung sinnvoll reduzieren könnte.
Allerdings adressieren Green-AI-Techniken nur die Effizienz einzelner Systeme, nicht das aggregierte Wachstum des KI-Einsatzes. Wenn jede KI-Anwendung 32 Prozent effizienter wird, sich aber die Zahl der KI-Anwendungen verdoppelt, steigt der Gesamtenergieverbrauch dennoch -- eine Lehrbuchillustration des Jevons-Paradox. Die technischen Lösungen von Green AI sind notwendig, aber nicht hinreichend; sie müssen mit der institutionellen Disziplin digitaler Genügsamkeit kombiniert werden.
6. Vergleichende Analyse
Die Ansätze der EU und Chinas zur grünen digitalen Bildung spiegeln ihre breiteren Governance-Philosophien wider und offenbaren komplementäre Stärken und Schwächen, die einen systematischen Vergleich verdienen.
6.1 Governance und Umsetzung
Der rahmenbasierte Ansatz der EU -- GreenComp, DigComp 2.2, der Green Deal, das GreenSCENT-Projekt, die EUA Green-Deal-Roadmap -- bietet konzeptuelle Klarheit und Bürgerermächtigung, kämpft aber mit der Umsetzung. Digitale Genügsamkeit wird als Konzept anerkannt, ist aber noch nicht in großem Maßstab in die Bildungspraxis integriert. Die Umweltkosten von EdTech-Plattformen werden in der akademischen Literatur anerkannt, aber nicht in Politikrahmenwerken oder Beschaffungsentscheidungen. Der EU-Ansatz ist bottom-up: Er befähigt Institutionen und Individuen, nachhaltige Entscheidungen zu treffen, kann sie aber nicht dazu zwingen.
Chinas staatlich geleiteter Ansatz erreicht rasche Bereitstellung sowohl digitaler Infrastruktur als auch von Bildung zur ökologischen Zivilisation, aber die beiden Stränge operieren weitgehend parallel. Die Nationale Intelligente Bildungsplattform und das Grüne-Schule-Programm koexistieren ohne einen Rahmen zur Adressierung ihrer potenziellen Widersprüche. Das Arbeitsprogramm des Bildungsministeriums 2022 zu Doppel-Kohlenstoff demonstriert die Kapazität für rasche, systemweite Lehrplanreform -- 21 neue Bachelorstudiengänge in einem einzigen Politikzyklus geschaffen --, konzentriert sich aber auf die Ausbildung von Studierenden für die grüne Wirtschaft, nicht auf die Reduktion des ökologischen Fußabdrucks des Bildungssystems selbst. Die Betonung der ökologischen Zivilisation als umfassende Weltanschauung bietet eine philosophische Ressource, die europäischen Rahmenwerken fehlt -- die Sprache zivilisatorischer Transformation --, aber ihre Top-down-Umsetzung begrenzt Bottom-up-Innovation und kritisches Engagement.
6.2 Das Nachhaltigkeitsparadox
Eine Studie von 2026 in Humanities and Social Sciences Communications identifiziert ein „Nachhaltigkeitsparadox" in der digitalen Bildung: Ökologisch kann digitale Bildung Reise- und Materialauswirkungen reduzieren, erhöht aber den Energiebedarf; sozial kann sie den Zugang erweitern, aber Ungleichheiten vertiefen. Dieses zweidimensionale Paradox ist sowohl in europäischen als auch in chinesischen Kontexten präsent, obwohl es sich in jedem anders manifestiert.
In der EU manifestiert sich das Paradox primär als Spannung zwischen grünen Aspirationen und Marktrealitäten. Europäische Universitäten übernehmen zunehmend Nachhaltigkeitsstrategien, aber ihre EdTech-Beschaffungsentscheidungen werden eher von Funktionalität und Kosten als von Umweltauswirkungen gesteuert. Die EUA-Befragung fand breites Engagement für Nachhaltigkeit im Grundsatz, aber spezifische Mechanismen zur Reduktion digitaler Umweltfußabdrücke -- energieeffiziente Beschaffungskriterien, CO2-Budgets für Cloud-Dienste, institutionelle Richtlinien zum KI-Einsatz -- bleiben selten.
In China manifestiert sich das Paradox als Spannung zwischen den gleichzeitigen Verpflichtungen des Staates auf digitale Expansion und ökologische Zivilisation. Die Ambition, das digital fortschrittlichste Bildungssystem der Welt aufzubauen, steht in direkter Spannung mit der Ambition, bis 2060 Kohlenstoffneutralität zu erreichen. Wang und Kollegen' (2023) Befund, dass Strom 77 Prozent der Campus-CO2-Emissionen ausmacht, unterstreicht das Ausmaß dieser Herausforderung: Während die digitale Infrastruktur expandiert, wächst auch der Strombedarf, der die Campus-Emissionen antreibt.
6.3 Forschungstrajektorien
Die Forschungslandschaften in beiden Regionen spiegeln diese Governance-Unterschiede wider. Tian und Kollegen' (2024) bibliometrische Analyse chinesischer BNE-Forschung offenbart ein Feld, das zunehmend von inländischen politischen Rahmenwerken statt von internationalem Nachhaltigkeitsdiskurs geprägt wird. Europäische Forschung bleibt dagegen international stärker vernetzt, ist aber weniger politisch integriert -- sie produziert anspruchsvolle Analysen, die sich möglicherweise nicht in Politikwandel übersetzen. Keine der beiden Forschungstraditionen hat bisher ein umfassendes Rahmenwerk hervorgebracht, das digitale Genügsamkeit mit breiteren Nachhaltigkeitszielen in der Hochschulbildung integriert.
7. Empfehlungen
Basierend auf unserer vergleichenden Analyse schlagen wir sieben Empfehlungen für Universitäten vor, die ökologische Nachhaltigkeit in ihre Strategien für digitale Bildung integrieren wollen.
Erstens: Digitale Infrastruktur in die institutionelle CO2-Bilanzierung einbeziehen. Die Umweltkosten von Cloud Computing, KI-Diensten und Plattformabonnements sollten zusammen mit traditionellen Energieverbrauchsmetriken berechnet und berichtet werden. Die THE Impact Rankings und ähnliche Bewertungsrahmenwerke sollten spezifische Indikatoren für Emissionen digitaler Infrastruktur entwickeln. Urbano und Kollegen' (2025) Befund, dass 1.963 Institutionen nun an Impact Rankings teilnehmen, demonstriert die institutionelle Bereitschaft, sich mit Nachhaltigkeitsmetriken auseinanderzusetzen -- aber die Metriken selbst müssen um die digitale Dimension erweitert werden.
Zweitens: Digitale Genügsamkeit als Gestaltungsprinzip für Bildungstechnologie übernehmen. Beschaffungsentscheidungen sollten neben Funktionalität und Kosten Umweltverträglichkeitsprüfungen einschließen. Unnützer digitaler Konsum -- obligatorische Kamera-an-Richtlinien während Vorlesungen, überdimensionierte Cloud-Speicherzuweisung, redundante Plattformabonnements und der routinemäßige Einsatz von KI-Werkzeugen für Aufgaben, die sie nicht erfordern -- sollte identifiziert und reduziert werden. Die ursprüngliche Empfehlung des Shift Project, „das geringstmögliche Gerät zu kaufen und Geräte so selten wie möglich zu wechseln", gilt direkt für die Beschaffung von Bildungstechnologie.
Drittens: Umweltbewusstsein in die digitale Kompetenzbildung integrieren. Die Umweltkosten digitaler Aktivitäten sollten Teil des Curriculums für digitale Kompetenz sein, nicht ein separates Nachhaltigkeitsmodul. Calis und Kollegen' (2025) Befund, dass Lehramtsstudierende nur moderates Bewusstsein für digitale CO2-Fußabdrücke aufweisen, legt nahe, dass Lehrerbildungsprogramme dringend diese Dimension integrieren müssen. Studierende, die über KI lernen, sollten auch über den Energie- und Wasserverbrauch von KI lernen; Studierende, die cloudbasierte Lernplattformen nutzen, sollten die Infrastruktur verstehen, die diese ermöglicht.
Viertens: Institutionelle Metriken für das KI-Energieparadox entwickeln. Universitäten, die KI in der Bildung einsetzen, sollten verpflichtet werden nachzuweisen, dass die Bildungsvorteile die Umweltkosten rechtfertigen -- oder zumindest, dass die Umweltkosten berechnet und minimiert wurden. Green-AI-Techniken wie Modellkompression (Paula et al. 2025) und effiziente Architekturen (Tabbakh et al. 2024) sollten Kriterien bei KI-Beschaffungsentscheidungen sein, keine nachträglichen Überlegungen.
Fünftens: E-Waste durch institutionelles Lebenszyklusmanagement adressieren. Die wachsende Hardwareintensität digitaler Bildung erzeugt E-Waste, der in Nachhaltigkeitsbewertungen typischerweise unsichtbar ist. Valai Ganesh und Kollegen' (2025) Demonstration, dass Vor-Ort-Recycling 90-prozentige Materialrückgewinnungsraten erreichen kann, legt nahe, dass Universitäten ihren E-Waste-Fußabdruck mit relativ bescheidenen institutionellen Investitionen signifikant reduzieren könnten. Die Verlängerung der Gerätelebensdauer durch Reparaturprogramme und die Wahl langlebiger, aufrüstbarer Hardware würde die Umweltauswirkungen weiter reduzieren.
Sechstens: Forschung zu nachhaltiger Bildungstechnologie unterstützen. Die akademische Gemeinschaft sollte in Forschung zu energiearmen Lerntechnologien, effizienten KI-Architekturen für Bildungsanwendungen und pädagogischen Ansätzen investieren, die äquivalente Ergebnisse mit weniger digitaler Infrastruktur erzielen. Wang und Kollegen' (2023) LEAP-LCA-Methodik zur Campus-CO2-Bewertung könnte angepasst werden, um Emissionen digitaler Infrastruktur einzuschließen und Universitäten ein umfassendes Werkzeug für die Umweltbilanzierung zu bieten.
Siebtens: EU-China-Dialog zur grünen digitalen Bildung schaffen. Die konzeptionellen Rahmenwerke der EU (GreenComp, digitale Genügsamkeit) und Chinas Umsetzungskapazität (Doppel-Kohlenstoff-Mandate, rasche Lehrplanreform) sind komplementäre Stärken. Ein strukturierter Dialog -- möglicherweise im Rahmen des Jean-Monnet-Exzellenzzentrums -- könnte die Entwicklung praktischer Ansätze für die Umweltherausforderungen beschleunigen, vor denen beide Systeme stehen. Chinas Erfahrung mit obligatorischer Lehrplanreform für die Doppel-Kohlenstoff-Ziele könnte europäische Bemühungen zur Skalierung von Nachhaltigkeitsbildung informieren, während der EU-Rahmen für digitale Genügsamkeit China helfen könnte, die Umweltkosten seines Ausbaus digitaler Bildung zu adressieren.
8. Schlussfolgerung
Die digitale Transformation der Hochschulbildung ist nicht umweltneutral. Rechenzentren verbrauchen jährlich 415 TWh Strom und wachsen. KI-Training erzeugt Hunderte metrische Tonnen CO2 und verdampft Hunderttausende Liter Frischwasser. Digitaler Inhaltskonsum macht 3-4 Prozent der Pro-Kopf-Emissionen aus. E-Waste aus Bildungstechnologie wird voraussichtlich innerhalb eines Jahrzehnts um 50 Prozent wachsen. Diese Fakten sind keine Argumente gegen digitale Bildung -- die in dieser Anthologie dokumentierten Vorteile sind real und bedeutsam. Aber sie sind Argumente für ökologische Ehrlichkeit: für die Anerkennung der Kosten neben den Vorteilen und für die Gestaltung von Bildungstechnologiesystemen, die Umweltschäden minimieren, statt sie zu ignorieren.
Die EU und China bringen unterschiedliche Ressourcen für diese Herausforderung mit. Die EU hat anspruchsvolle konzeptionelle Rahmenwerke entwickelt -- GreenComp, DigComp 2.2, digitale Genügsamkeit --, die eine Sprache für die Diskussion der Umweltkosten digitaler Bildung bieten, und ihre Green-Deal-Integration in die Bildung durch Projekte wie GreenSCENT repräsentiert einen genuinen, wenn auch noch bescheidenen Schritt Richtung Praxis. China hat die Kapazität für rasche, systemweite Lehrplanreform durch sein Doppel-Kohlenstoff-Bildungsmandat demonstriert und ökologische Zivilisation in seine verfassungsmäßigen und bildungspolitischen Rahmenwerke eingebettet -- und bietet damit eine Tiefe politischen Engagements, die europäische freiwillige Ansätze nicht erreichen können.
Doch keines der beiden Systeme hat eine adäquate Antwort auf das KI-Energieparadox entwickelt -- die unbequeme Realität, dass die leistungsfähigsten Bildungstechnologien auch die umweltschädlichsten sind. Green-AI-Techniken bieten partielle Abhilfe, aber das Jevons-Paradox legt nahe, dass Effizienzgewinne durch wachsende Nachfrage aufgezehrt werden, wenn nicht institutionelle Disziplin den Einsatz einschränkt. Die von Calis und Kollegen (2025) befragten Lehramtsstudierenden -- die Pädagogen von morgen -- haben nur moderates Bewusstsein für digitale CO2-Fußabdrücke, was nahelegt, dass das Problem ohne gezielte curriculare Intervention fortbestehen wird.
Die Entwicklung einer adäquaten Antwort auf diese Herausforderungen gehört zu den wichtigsten Aufgaben der Hochschulbildung im kommenden Jahrzehnt. Sie erfordert nicht weniger Technologie, sondern klügere Technologie -- und die institutionelle Bereitschaft, vor jeder digitalen Bereitstellung zu fragen, ob der Bildungsnutzen die Umweltkosten rechtfertigt. Der EU-China-Vergleich legt nahe, dass die Antwort sowohl konzeptionelle Raffinesse als auch Umsetzungskapazität erfordert -- die Stärken, die jedes System zu einer gemeinsamen globalen Herausforderung beitragen kann.
Danksagung
Diese Forschung wurde im Rahmen des Jean-Monnet-Exzellenzzentrums „EUSC-DEC" (EU-Förderkennzeichen 101126782, 2023-2026) durchgeführt. Der Autor dankt den Mitgliedern der Forschungsgruppen 1 und 5 für ihre Beiträge zur vergleichenden Analyse von Nachhaltigkeits- und digitaler Bildungspolitik.
Literaturverzeichnis
Bianchi, G., Pisiotis, U. & Cabrera Giraldez, M. (2022). GreenComp: The European sustainability competence framework. Publications Office of the European Union, Luxembourg. JRC128040. DOI: 10.2760/13286
Calis, S., Kahraman, N., Zeren Ozer, D. & Ergul, N. R. (2025). Determining the digital carbon footprint awareness of pre-service teachers. Humanities and Social Sciences Communications, 12, Article 1678. DOI: 10.1057/s41599-025-05944-z
Caird, S. & Lane, A. (2024). Digital learning, face-to-face learning and climate change. Future Healthcare Journal, 11(3), 100156. DOI: 10.1016/j.fhj.2024.100156
De Vries, A. (2026). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns, 7(1), 101430. DOI: 10.1016/j.patter.2025.101430
European Commission. (2021-2024). GreenSCENT -- Smart Citizen Education for a Green Future. Horizon 2020 Project ID: 101036480.
European University Association. (2023). A Green Deal Roadmap for Universities. Brussels: EUA.
IEA. (2025). Energy and AI. IEA, Paris. Available at: https://www.iea.org/reports/energy-and-ai
Istrate, R. et al. (2024). The environmental sustainability of digital content consumption. Nature Communications, 15, Article 3724. DOI: 10.1038/s41467-024-47621-w
Le Goff, T. (2025). Not greenwashing, but still... A closer look at big tech's 2025 sustainability reports. Internet Policy Review.
Li, P., Yang, J., Islam, M. A. & Ren, S. (2023). Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models. Communications of the ACM. DOI: 10.1145/3724499
McDonagh, S. A., Caforio, A. & Pollini, A. (Eds.) (2024). The European Green Deal in Education. Routledge. DOI: 10.4324/9781003492597
Ministry of Education of the People's Republic of China. (2022). Work Program for Building a Strong Carbon Peak Carbon Neutral Higher Education Talent Training System. Beijing: Ministry of Education.
NPR. (2024, July 12). AI brings soaring emissions for Google and Microsoft. NPR.
Patterson, D. et al. (2021). Carbon Emissions and Large Neural Network Training. arXiv:2104.10350. DOI: 10.48550/arXiv.2104.10350
Paula, E., Soni, J., Upadhyay, H. & Lagos, L. (2025). Comparative analysis of model compression techniques for achieving carbon efficient AI. Scientific Reports, 15, Article 23461. DOI: 10.1038/s41598-025-07821-w
Selwyn, N. (2021). Ed-Tech Within Limits: Anticipating educational technology in times of environmental crisis. E-Learning and Digital Media, 18(5), 496-510. DOI: 10.1177/20427530211022951
Strubell, E., Ganesh, A. & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the ACL, pp. 3645-3650. DOI: 10.18653/v1/P19-1355
Tabbakh, A., Al Amin, L., Islam, M., Mahmud, G. M. I., Chowdhury, I. K. & Mukta, M. S. H. (2024). Towards sustainable AI: A comprehensive framework for Green AI. Discover Sustainability, 5, Article 408. DOI: 10.1007/s43621-024-00641-4
Thao, T. Q., Hanh, T. H. & Huy, N. N. (2025). Sustainable e-waste management in higher education institutions: case study of Ho Chi Minh City University of Technology. International Journal of Environmental Science and Technology, 22, 6423-6434. DOI: 10.1007/s13762-024-06012-w
Tian, W., Ge, J., Zheng, X., Zhao, Y., Deng, T. & Yan, H. (2024). Understanding the landscape of education for sustainable development in China: A bibliometric review and trend analysis of multicluster topics (1998-2023). Humanities and Social Sciences Communications, 11, Article 1213. DOI: 10.1057/s41599-024-03713-y
The Shift Project. (2019). Lean ICT: Towards Digital Sobriety. Paris: The Shift Project.
UNESCO. (2024). UNESCO Prize for ICT in education steers digital learning for greening.
Urbano, V. M., Arena, M., Azzone, G. & Mayeres, M. (2025). Sustainable development in higher education: An in-depth analysis of Times Higher Education Impact Rankings. Journal of Cleaner Production, 501, 145302. DOI: 10.1016/j.jclepro.2025.145302
Valai Ganesh, S., Suresh, V., Rajakarunakaran, S. et al. (2025). Sustainable electronic waste management framework for academic institutions in India. Scientific Reports, 15, Article 40550. DOI: 10.1038/s41598-025-24278-z
Vuorikari, R., Kluzer, S. & Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens. EUR 31006 EN, Publications Office of the European Union. DOI: 10.2760/115376
Wang, C., Parvez, A. M., Mou, J., Quan, C., Wang, J., Zheng, Y., Luo, X. & Wu, T. (2023). The status and improvement opportunities towards carbon neutrality of a university campus in China. Journal of Cleaner Production, 414, 137521. DOI: 10.1016/j.jclepro.2023.137521
Wang, Y., Chen, X., Liu, F. & Gong, Q. (2025). Ecological Civilization Education in China. In: Peters, M. A. et al. (Eds.), Handbook of Ecological Civilization. Springer. DOI: 10.1007/978-981-97-8101-0_43-1
Williamson, B., Hogan, A. & Selwyn, N. (2025). Digital Emissions: Edtech Platforms and the Extended Carbon Relations of Higher Education Institutions. In: Critical EdTech Studies. Springer. DOI: 10.1007/978-3-031-88173-2_9
Xiao, T. et al. (2025). Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA. Nature Sustainability, 8(12), 1541-1553. DOI: 10.1038/s41893-025-01681-y
Yuan, X. et al. (2024). Promoting education for sustainable development through the green school program. International Journal of Chinese Education, 13(2). DOI: 10.1177/2212585X241259192
Zhou, R. K. (2024). From Education for a Sustainable Development to Ecological Civilization in China: A Just Transition? Social Inclusion, 12, Article 7421. DOI: 10.17645/si.7421
Zou, Y., Zhong, N., Chen, Z. & Zhao, W. (2024). Bridging digitalization and sustainability in universities: A Chinese green university initiative in the digital era. Journal of Cleaner Production, 467, 142924. DOI: 10.1016/j.jclepro.2024.142924
Index
A
academic integrity 7, 14, 15, 71, 173, 175
AI energy paradox 183, 184, 193, 197, 199
AI ethics 6, 37, 69, 75, 87, 144, 160, 166
AI in education 7, 10, 14, 18, 39, 48, 58, 59, 75, 78, 79, 98, 174, 182, 197
AI in higher education 18, 19, 20, 77, 165, 181, 182
AI labour market 115
AI literacy 6, 7, 9, 11, 17, 18, 37, 65, 69, 70, 76, 123, 124, 143, 147, 148, 149, 151, 152, 153, 157, 158, 159, 160, 161, 162, 176, 178, 180
AI-assisted language learning 59, 75, 78, 79, 84, 90, 170
alternative education 115, 125, 129
B
Brussels Effect 7, 16, 17, 19, 20, 44, 56
C
carbon footprint 184, 186, 189, 191, 192, 194, 197, 199, 200
ChatGPT 36, 58, 61, 64, 66, 67, 70, 71, 76, 77, 79, 80, 81, 99, 100, 106, 108, 112, 172, 173, 176
China 1, 2, 3, 4, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 38, 39, 42, 43, 44, 46, 48, 49, 50, 53, 54, 55, 56, 59, 61, 65, 70, 71, 74, 75, 76, 78, 79, 81, 104, 114, 115, 116, 117, 118, 119, 120, 121, 122, 124, 125, 127, 128, 129, 130, 133, 134,135, 136, 138, 139, 140, 141, 143, 144, 145, 146, 147, 148, 149, 150, 151, 153, 154, 155, 156, 158, 159, 160, 161, 162, 163, 165, 166, 167, 168, 169, 171, 172, 173, 175, 176, 177, 178, 179, 180, 181, 182, 183, 185, 190, 191, 192, 193, 195, 196, 198, 199, 200, 201, 202
China AI governance 6
China digital education 148
China education technology 134
comparative education 90, 116, 148
comparative study 20, 77, 78, 79, 182
competency-based education 114, 115, 180
complementarity thesis 79
cross-border data flows 39, 52, 55
D
data centres 127, 184, 185, 186, 193
DeepL 58, 60, 61, 66, 70, 76, 77
DigComp 2.2 142, 147, 148, 149, 156, 158, 159, 162, 188, 195, 199, 201
digital competence 30, 147, 148, 149, 153, 154, 157, 159, 160, 171, 197
digital divide 128, 142, 148, 149, 153, 154, 158, 161
digital education 54, 78, 79, 115, 126, 135, 136, 137, 138, 147, 150, 153, 165, 183, 184, 185, 187, 188, 192, 193, 195, 196, 197, 198, 199
digital literacy 128, 140, 144, 147, 148, 150, 151, 153, 155, 156, 157, 158, 159, 160, 162, 163, 180, 197
digital natives 148
digital sobriety 183, 184, 185, 187, 188, 189, 194, 196, 197, 198, 199
E
ecological civilization 183, 184, 185, 190, 191, 192, 193, 195, 196, 199
Edu-Metaverse 133, 134, 135, 136, 144, 146
EU AI Act 6, 8, 11, 14, 17, 18, 48, 53, 69, 151, 158, 177, 178
EU-China comparison 18, 39, 58, 165, 184, 199
European digital skills 148
European Union 2, 6, 7, 9, 19, 38, 39, 55, 76, 79, 96, 115, 116, 126, 130, 131, 134, 147, 149, 151, 161, 162, 181, 183, 185, 200, 201
European universities 16, 40, 48, 50, 69, 119, 120, 133, 134, 167, 177, 187, 189, 195
European-Chinese comparison 115, 118
F
foreign language education 78
G
GDPR 3, 20, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 156, 170, 178, 179, 182
Gen Z 148
generative AI policy 7, 165
green digital education 184, 192, 193, 194, 198
GreenComp 183, 184, 188, 190, 191, 195, 198, 199, 200
H
higher education 6, 7, 11, 13, 14, 15, 17, 19, 20, 38, 39, 40, 41, 47, 49, 51, 53, 55, 75, 99, 112, 116, 117, 121, 122, 133, 134, 135, 137, 138, 145, 146, 151, 167, 171, 172, 173, 174, 177, 181, 182, 183, 184, 185, 189, 191, 196, 198, 199, 201
human-AI interaction 78, 88
hybrid learning 39, 165, 166, 171, 172, 181
I
immersive learning 134
L
language education 58, 76, 78, 79, 87, 92, 93, 95, 96, 162
learning analytics 38, 39, 40, 46, 47, 49, 52, 53, 54, 56, 167, 178, 179
lifelong learning 115, 120, 122, 129, 131
M
machine translation 58, 59, 60, 63, 64, 65, 66, 67, 69, 73, 74, 75, 76
micro-credentials 114, 115, 116, 128, 131, 180
P
PIPL 3, 20, 38, 39, 40, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 156, 179, 182
post-editing 58, 59, 62, 64, 67, 68, 69, 70, 72, 74, 76
privacy 13, 15, 18, 19, 39, 41, 43, 44, 46, 47, 50, 52, 53, 55, 56, 124
proctoring 6, 7, 8, 9, 14, 15, 20, 38, 39, 41, 47, 48, 54
S
sensory modalities 78
smart campus 165, 167, 168, 178, 180, 182
smart classrooms 134
smart education platform 134
student attitudes 78
student data protection 39
sustainability 27, 30, 157, 166, 183, 184, 185, 188, 189, 190, 191, 192, 193, 194, 195, 196, 197, 198, 199, 200, 202
T
translation literacy 58, 65, 74
U
university transformation 165, 166, 181
V
virtual reality 22, 133, 134, 145, 146, 166, 184
VR effectiveness 134
W
workforce transformation 115
X
XR 133, 134, 136, 137, 145