Das Potential von YouTube in institutionellen formalen, informellen und selbstorganisierten Lernsettings wird aus den unterschiedlichsten Perspektiven von Wissenschaftler/-innen und Praktiker/-innen diskutiert (siehe z.B. Mathias, 2019; Retzbach, 2020; Schuegraf & Wegener, 2017; Vollberg, 2018). So bietet YouTube beispielsweise den Rahmen "auf Augenhöhe" – lebensweltorientiert – fachliche Inhalte an Jugendliche und junge Erwachsene zu vermitteln (J. Burchert & M. Burchert, 2018; Mathias, 2019; Wolf, 2015a). Ein Hinweis auf das unterstellte Potential der Videoplattform ist die Vielfalt an Bildungsangeboten, die in den vergangenen Jahren bei YouTube veröffentlicht wurden. Über die optische, fachliche und didaktische Qualität ist dann jedoch noch nicht gesprochen worden.
Die mit der Auswahl und Nutzung von Webvideos verbundenen Aneignungs- und Rezeptionsmuster gehen zurück auf persönliche Hintergründe, Motivationen, Interessen und Lebenslagen, sind eingebunden in vielfältige kulturelle Praktiken der Nutzenden (z.B. Handlungspraktiken innerhalb der Peergroup; Rummler, 2017). Durch die handlungspraktische Kontextualisierung der Nutzenden können daher jegliche Formate zu lernrelevanten Videos werden, nicht nur solche, die als "How-Tos", Tutorials oder Dokumentationsformate gedacht sind (ebd.). Wolf (2015c) spannt für die Einordnung von non-fiktionalen YouTube-Videos in erziehungswissenschaftliche Settings zwei Achsen der Systematisierung auf: 1. Spielhandlung und Narration, 2. Grad der Didaktisierung. An deren Enden stehen laut Wolf auf der einen Seite Lehrfilme (hoher Grad an Didaktisierung und Professionalisierung, geringe Spielhandlung), auf der anderen Seite Dokumentationen (hoher Grad an Spielhandlung, niedriger Grad an Didaktisierung). Dazwischen lassen sich Erklärvideos einordnen, welche aus Wolf‘s Sicht zu verstehen sind als eigenproduzierte Filme, in denen Erklärungen und Erläuterungen zu bestimmten abstrakten Sachverhalten, Konzepten oder Zusammenhängen gegeben werden. Als Subgenres versteht er z.B. Video-Tutorials, in denen Handlungen explizit zum Nachahmen vorgemacht werden (siehe auch die Ausführungen von Valentin, 2018 zu Video-Tutorials als audiovisuell verdichtete Vermittlung prozeduralen Wissens), oder Performanz-Videos "in denen eine beobachtbare Fertigkeit im Sinne einer Dokumentation oder einer Selbstdarstellung ohne weitere didaktische Aufarbeitung gezeigt wird (z.B. ein Skateboardtrick oder eine Maltechnik)" (Wolf, 2015c, S. 123).
Aus lerntheoretischer Perspektive werden bei der Auswahl und Rezeption von Videos Mechanismen wie (a) Lernen am Modell und (b) Lernen durch Reflexion angesprochen, bei der Produktion von Videos (c) Lernen durch Lehren (Höfler, 2016; Rummler, 2017). Durch das Schauen von Videos kann Lernen – zunächst unabhängig vom Lernsetting – durch Nachahmung des Gesehenen geschehen (a, siehe auch Bandura, 1986). Geschwindigkeit und Effektivität des Lernprozesses sind dabei u.a. abhängig von der Komplexität, Qualität und Sichtbarkeit des Gezeigten sowie dem Vorwissen und der Kompetenzen der Lernenden. Das (wiederholte) Anschauen eines Videos bietet im Sinne des Lernens durch Reflexion und Analyse (b) die Möglichkeiten des Erfassens der Komplexität der Realität, der Wissenserweiterung und -flexibilisierung, der Verbindung von Theorie und Praxis, dem Aufbauen von Fachsprache sowie die Gelegenheit, Perspektivwechsel durchzuführen (Rummler, 2017; Stadler, 2005). Das Lernen durch Lehren (c) durch die Erstellung eigener Videoinhalte löst nicht nur traditionelle Rollenbilder formaler Bildungsprozesse auf – so können etwa Jugendliche selbst zu Produzent/-innen von Lehr- und Lernmaterialien werden. Die angestoßenen Lern- und Reflexionsprozesse sind zudem überaus komplex: Als Produzent/-innen von (Erklär-)Videos muss das Lernmaterial tief durchdrungen und verstanden werden, es müssen didaktische Mittel entwickelt und umgesetzt werden (vgl. Rummler, 2017). Ganz am Anfang steht notwendigerweise das genuine Interesse an einem Thema und der Frage "Wie geht etwas?".
Die nachfolgenden Abschnitte geben Einblicke in relevante Forschungsergebnisse zur Verwendung von Webvideos in formellen und informellen Lernsettings. Am häufigsten werden Webvideos bisher vermutlich in selbstorganisierten Lernsettings rezipiert oder gar produziert.