Wenn die KI für uns denkt: die Lernwissenschaften auf dem Prüfstand der LLMs

Eines der am besten belegten Paradoxa der Lernwissenschaften ist, dass das, was das Lernen leicht macht, es oft ineffektiv macht. Dauerhaftes Behalten beruht auf „wünschenswerten Schwierigkeiten“: sich prüfen statt wiederlesen, die Wiederholungen zeitlich verteilen, eine Antwort erzeugen, bevor man sie überprüft. Der klassische Testeffekt von Roediger und Karpicke zeigt, dass ein bloßer Abruf aus dem Gedächtnis, ohne zusätzliches Wiederlesen, das langfristige Behalten stark verbessert ^[1]. Große Sprachmodelle (LLMs) sind jedoch gerade darin hervorragend, diese Anstrengung zu beseitigen: Sie liefern die Antwort, die Gliederung, die Zusammenfassung. Die Frage ist also nicht, ob die KI beim Produzieren hilft, sondern ob sie beim Lernen hilft.

Kognitive Entlastung, ein zweischneidiges Schwert

Die „kognitive Entlastung“ (cognitive offloading) besteht darin, eine geistige Aufgabe an ein externes Werkzeug abzugeben. Nützlich, um das Arbeitsgedächtnis zu entlasten, wird sie problematisch, wenn sie die Prozesse ersetzt, die Verständnis aufbauen. Mehrere Studien aus den Jahren 2024–2026 dokumentieren eine „metakognitive Faulheit“: Lernende, die sich auf ein LLM stützen, interagieren vor allem mit dem Werkzeug, kopieren und fügen mehr ein und regulieren ihr eigenes Lernen weniger ^[2]. Kürzlich wurde sogar eine Skala zur Messung des Phänomens vorgeschlagen und validiert ^[3].

Dieses Ergebnis ist differenziert und wird oft falsch zitiert: In derselben Studie führte eine „Tutor“-Version des Modells mit pädagogischen Leitplanken (schrittweise Hinweise, Verweigerung der vollständigen Lösung, Aufforderung zum Nachdenken) nicht zu dieser Verschlechterung ^[4]. Anders gesagt: Der Effekt hängt weniger von der KI selbst ab als von der Gestaltung der Interaktion.

Für die Anstrengung gestalten, nicht gegen sie

Die Kognitionswissenschaften bieten ein Gestaltungsraster. Ein am Lernen ausgerichteter KI-Tutor sollte: den aktiven Abruf bevorzugen (Fragen stellen, bevor er antwortet), die Hinweise dosieren (schrittweises Ausblenden, oder Fading), die Wiederholungen zeitlich verteilen und die Denkschritte sichtbar machen statt nur das Ergebnis. Die UNESCO-Metaanalyse plädiert für einen am Menschen orientierten Ansatz, in dem das Werkzeug den pädagogischen Zielen untergeordnet bleibt ^[5].

• Abruf vor Generierung: den Lernenden einen Versuch produzieren lassen, bevor jegliche Hilfe kommt.
• Gestufte Hinweise: die Information in Stufen preisgeben, nie die Lösung von vornherein.
• Verteilung und Verschränkung: bereits behandelte Konzepte neu einplanen, die Aufgabentypen mischen.
• Explizierung: den Lernenden bitten zu begründen, umzuformulieren, vorherzusagen – nicht nur zu bestätigen.

Was die KI wirklich verbessern kann

Die KI ist nicht dazu verdammt, das Lernen zu untergraben. Gut gestaltet, macht sie im großen Maßstab Prinzipien praktikabel, die viel menschliche Zeit kosten: sofortige Rückmeldung, spontan erzeugte Abruffragen, Anpassung des Schwierigkeitsgrads. Der AI-Index-Bericht 2025 von Stanford betont die rasche Ausbreitung dieser Anwendungen und weist zugleich auf die Seltenheit strenger, groß angelegter Wirksamkeitsnachweise hin ^[6]. Methodische Vorsicht bleibt angebracht: Viele Studien sind von kurzer Dauer, an kleinen Stichproben, und messen die unmittelbare Leistung statt des Behaltens.

Tiefes Lernen setzt ein wünschenswertes Unbehagen voraus. Die eigentliche Herausforderung der Bildungs-KI besteht darin, die nützliche Anstrengung zu bewahren und zugleich die nutzlose Anstrengung zu beseitigen.

Synthese der wünschenswerten Schwierigkeiten

Für die Gestalter von Bildungssystemen – einschließlich der europäischen und schweizerischen Akteure, die auf Datenschutz und Datenhoheit achten – ist die Aufgabe zweifach: die Metakognition instrumentieren (den Lernenden bewusst machen, was er weiß) und die Falle der Flüssigkeit vermeiden, jene Illusion der Beherrschung, die eine gut formulierte, aber nicht erarbeitete Antwort erzeugt. Die Technologie muss der wünschenswerten Schwierigkeit dienen, nicht sie abschaffen.

Drei kognitive Prinzipien, die es zu instrumentieren gilt

Über den Abruf hinaus verdienen es drei robuste Prinzipien der Lernwissenschaften, von der KI instrumentiert statt kurzgeschlossen zu werden. Das erste ist die Verteilung: Ein Konzept in wachsenden Abständen zu wiederholen, verankert weit besser als geballtes Pauken. Ein System kann diese Wiederholungen automatisch planen, was einer Lehrkraft allein bei dreißig Lernenden schwerfällt. Das zweite ist die Verschränkung: die Aufgabentypen mischen, statt sie in Blöcken zu behandeln, was den Transfer verbessert.

Das dritte ist der Generierungseffekt: Eine Antwort zu produzieren, selbst eine falsche, bevor man die Korrektur erhält, stärkt das Lernen mehr als das passive Lesen der Lösung. Das ist genau das Gegenteil dessen, was ein generativer Assistent ohne Leitplanken anbietet, der die Antwort sofort liefert. Gegen diesen Reflex zu gestalten – erst versuchen lassen, bevor man hilft – verwandelt das Werkzeug von einer Abkürzung in einen Hebel ^[4].

Bleibt die Metakognition, jene Steuerung des eigenen Lernens, die die Studien als erstes Opfer der Entlastung nennen ^[2]. Die KI kann sie im Gegenteil stützen: den Lernenden bitten, seine Zuversicht einzuschätzen, zu erkennen, was er nicht verstanden hat, seine Wiederholung zu planen. Den Lernenden über seinen Wissensstand bewusst zu machen, ist vielleicht die vielversprechendste Anwendung – und die getreueste gegenüber einer am Menschen orientierten Vision ^[5].

Anstrengung und Technologie versöhnen

Die Debatte stellt allzu oft zwei Zerrbilder gegenüber: die KI, die die Bildung rettet, und die KI, die sie beschädigt. Die interessantere Wirklichkeit ist, dass dieselben Werkzeuge je nach Gestaltung dem einen oder dem anderen dienen können. Ein Assistent, der die Antwort liefert, schließt das Lernen kurz; ein Assistent, der zur richtigen Zeit eine Frage stellt, stärkt es. Der Unterschied beruht auf einem feinen Verständnis der kognitiven Mechanismen.

Die vielversprechende Zukunft ist die einer evidenzbasierten pädagogischen Ingenieurskunst, in der die Prinzipien der Lernwissenschaften – Abruf, Verteilung, Generierung, Metakognition – bewusst in die Werkzeuge eingeschrieben sind. Weit davon entfernt, Anstrengung und Technologie gegeneinanderzustellen, geht es darum, die Technologie in den Dienst der nützlichen Anstrengung zu stellen. Das ist ein anspruchsvolles Programm, aber das einzige, das gewährleistet, dass die KI wirklich lernen lässt und nicht nur produzieren.