Adaptives Lernen: Personalisierung im großen Maßstab – endlich?

Personalisierung ist der pädagogische Gral: Tempo, Schwierigkeit und Beispiele an jeden einzelnen Lernenden anzupassen. Historisch gelang das nur dem individuellen Tutoring – daher die von Bloom gemessene Differenz von zwei Standardabweichungen zwischen Klassenunterricht und Einzelunterricht ^[1]. Klassische adaptive Systeme (Regelbäume, Item-Datenbanken) näherten sich der Idee, ohne die Flexibilität der Sprache zu besitzen. Große Sprachmodelle verändern die Ausgangslage: Sie können anders erklären, spontan umformulieren und eine passgenau kalibrierte Aufgabe erzeugen.

Was KI heute möglich macht

Neuere Systeme verbinden personalisierte Lernpläne, Unterstützung in Echtzeit und adaptive Lernaktivitäten. Der Prototyp LearnMate² etwa verbessert sowohl die Ergebnisse als auch das Lernerlebnis im Vergleich zu etablierten Referenzwerkzeugen ^[2]. Allgemeiner formalisiert die Forschungsgemeinschaft das Zusammentreffen von LLMs und adaptivem Lernen – mit dem Menschen in der Schleife ^[3].

• Kontinuierliche Diagnose von Niveau und Wissenslücken auf Basis der Antworten.
• Dynamisch angepasster Schwierigkeitsgrad, um in der Zone der nächsten Entwicklung zu bleiben.
• Mehrere Erklärungen desselben Konzepts, abgestimmt auf das jeweilige Profil.
• Gezielte Förderung statt uniformer Wiederholung des Stoffes.

Es geht nicht nur um den Einzelnen. Die OECD betont, dass KI gezielt eingesetzt werden kann, um Ungleichheiten zu verringern – Schulabbruch, geschlechtsspezifisches Gefälle in Mathematik, Lernende mit Migrationshintergrund –, sofern dieser Einsatz mit Schutzvorkehrungen begleitet wird ^[4]. Personalisierung und Chancengerechtigkeit können Hand in Hand gehen, doch nichts geschieht von selbst.

Ein technischer Fallstrick: Personalisierung, die das Modell verschlechtert

Dieses Ergebnis legt nahe, Architekturen zu bevorzugen, bei denen die Personalisierung außerhalb des Modells lebt – Profile, Gedächtnis des Lernenden, Abruf von Inhalten – statt in den Gewichten verankert zu sein. Das ist auch eine gute Nachricht für den Datenschutz: Das generische Modell von den personenbezogenen Daten zu trennen, erleichtert eine kontrollierte Governance, die im europäischen und schweizerischen Kontext besonders wichtig ist.

Grenzen, die man im Blick behalten sollte

Der AI-Index-Bericht 2025 erinnert daran, dass der Zugang zu Informatik und KI in der Schule zwar zunimmt, aber ungleich verteilt bleibt, und dass sich Lehrkräfte oft schlecht vorbereitet fühlen ^[6]. Algorithmische Personalisierung kann Lernende zudem in einem starren Profil einschließen oder Verzerrungen der Daten widerspiegeln. Sie verlangt Transparenz, menschliche Kontrolle und eine Folgenabschätzung.

Personalisieren heißt nicht nur, die Schwierigkeit anzupassen; es heißt, die Autonomie und den Anspruch des Lernenden zu bewahren.

Learnya-Synthese

KI-gestütztes adaptives Lernen ist also weder ein Zauberstab noch eine Spielerei: Es ist eine echte Fähigkeit, deren Wert von der Gestaltung, der Datenqualität und dem umgebenden Governance-Rahmen abhängt.

Personalisierung ist nicht gleich Einengung

Ein verbreitetes Missverständnis verkürzt Personalisierung auf „jedem geben, was er ohnehin schon beherrscht“. So verstanden kann sie verarmen: Ein in ein Profil eingeschlossener Lernender begegnet weder der Schwierigkeit, die ihn voranbringen würde, noch der Vielfalt, die seinen Horizont erweitert. Gute Personalisierung passt die Unterstützung an, nicht den Anspruch. Sie zielt auf die Zone der nächsten Entwicklung – genug Herausforderung, um zu lernen, genug Stütze, um zu bestehen.

Das setzt hochwertige Daten und Wachsamkeit gegenüber Verzerrungen voraus. Stützt sich das Modell, das die Anpassung steuert, auf historische Korrelationen, droht es vergangene Ungleichheiten zu reproduzieren, indem es bestimmten Gruppen systematisch weniger Anspruch zumutet. Die OECD betont genau diese doppelte Anforderung: KI einsetzen, um Ungleichheiten zu verringern, sie aber mit Schutzvorkehrungen gegen diskriminierende Effekte begleiten ^[4].

Technisch besteht die Aufgabe darin, drei Dinge sauber zu trennen: das generische Modell (Sprach- und Schlussfolgerungsfähigkeiten), das Gedächtnis des Lernenden (was er weiß, was er anstrebt) und die Anpassungslogik (wie die nächste Aktivität gewählt wird). Diese Trennung vermeidet es, das Modell durch Spezialisierung zu verschlechtern ^[5], erleichtert das Auditing und erlaubt es, die personenbezogenen Daten in einem kontrollierten Raum zu halten – ein entscheidender Punkt für Vertrauen und Datensouveränität.

Auf dem Weg zu einer transparenten Personalisierung

Der nächste Schritt des adaptiven Lernens ist nicht technischer, sondern ethischer Natur: die Personalisierung transparent und anfechtbar zu machen. Ein Lernender, ein Elternteil, eine Lehrkraft sollten nachvollziehen können, warum eine bestimmte Aufgabe vorgeschlagen wurde, und die Bahn beeinflussen können. Eine undurchsichtige Personalisierung untergräbt selbst bei guter Leistung die Autonomie, der sie zu dienen vorgibt.

Man kann eine Annäherung zwischen feiner Anpassung und dem Schutz der Privatsphäre erwarten, getragen von Architekturen, die das Profil des Lernenden in einem kontrollierten Raum halten. Weit davon entfernt, sich zu widersprechen, verstärken sich Personalisierung und Datensouveränität gegenseitig: Je genauer man weiß, welche Daten wofür dienen, desto treffsicherer und vertrauensvoller lässt sich anpassen. Diese Kombination wird den Unterschied machen – mehr als die rohe Leistung der Modelle.