Wie man Kompetenzen erwirbt
Vom Novizen zum Exerten: Die Wissenschaft des Lernens
Zentrale Erkenntnisse
- Expertise erfordert schrittweisen Kompetenzaufbau durch schwache → starke Methoden
- Kognitive Anstrengung ist kein Fehler, sondern die Funktion, die Lernen durch Vorhersagefehler ermöglicht
- Offloading an KI umgeht genau die Anstrengungen, die dauerhafte Fähigkeiten aufbauen
- Expertenmethoden schaden Anfängern aktiv, indem sie kognitive Überlastung und Abhängigkeit erzeugen
- Echtes Verständnis entsteht durch tausende anstrengende Übungszyklen mit Vorhersagefehlern
- Wähle deine Werkzeuge mit Bedacht: Nutze KI, um irrelevante kognitive Belastung zu reduzieren, nicht um essentielles Lernen zu überspringen
Die Reise vom Anfänger zum Experten
Wenn wir neue Fähigkeiten erlernen, durchläuft unser Gehirn eine bemerkenswerte Transformation. Das Verständnis dieses Prozesses hilft uns zu erkennen, warum das Auslagern kognitiver Prozesse an KI die Entwicklung echter Expertise verhindern kann – und warum Expertenwerkzeuge Anfängern aktiv schaden können.
Die Progression von schwachen zu starken Methoden
Nach John Andersons ACT-R-Theorie (Anderson 1982, 2007) entwickelt sich Expertise durch eine vorhersehbare Progression:
1. Schwache Methoden (Anfänger-Stadium)
Schwache Methoden sind domänenübergreifende Problemlösungsstrategien, die Anfänger verwenden, wenn ihnen spezifisches Wissen fehlt:
- Mittel-Ziel-Analyse:
Was ist der Unterschied zwischen meinem aktuellen Stand und dem Ziel? - Rückwärtsarbeiten:
Vom Ziel zurĂĽck zum Ausgangszustand gehen - Analogie:
Das erinnert mich an...(oft basierend auf Oberflächenmerkmalen) - Versuch und Irrtum:
Ich probiere Verschiedenes aus, bis etwas funktioniert - Bergsteigen:
Immer in Richtung dessen bewegen, was besser erscheint
2. Prozeduralisierung (Fortgeschrittenen-Stadium)
- Wiederkehrende Muster werden zu Prozeduren
- Immer noch bewusst, aber flĂĽssiger
- Geringere kognitive Belastung
- Schneller mit weniger Fehlern
- Beispiel: Nutzung des Einmaleins aus dem Gedächtnis
In dieser Phase beginnen sich Produktionsregeln zu bilden. Das sind WENN-DANN-Bedingungs-Aktionspaare:
WENNich “3 × 4” seheDANNantworte “12”WENNeine Gleichung die Form \(ax + b = c\) hatDANNsubtrahiere b von beiden SeitenWENNder Code nicht kompiliertDANNprüfe zuerst auf Syntaxfehler
3. Kompilierung (Experten-Stadium)
- Wissen wird durch zahlreiche Übungsdurchläufe automatisch
- Mustererkennung dominiert
- Minimale kognitive Belastung
- Schnell und fehlerfrei
- Kann die Schritte nicht mehr erklären!
Produktionsstärke bestimmt, welche Regeln ausgelöst werden: Häufig erfolgreiche Regeln werden stärker und schneller aktiviert. Deshalb verbessert Übung sowohl die Geschwindigkeit ALS AUCH die Genauigkeit – stärkere Produktionen setzen sich gegen schwächere Alternativen durch.
Warum kognitive Anstrengung zählt: Die Biologie des Lernens
Das Vorhersagefehler-Lernsystem
Das menschliche Gehirn lernt durch ein ausgefeiltes Vorhersagefehler-System, das leicht umgangen werden kann, wenn die kognitive Verarbeitung ausgelagert wird. Diese biologische Realität erklärt, warum Anstrengung für das Lernen unerlässlich ist.
Cognitive Load Theory verstehen
Die evolutionäre Grundlage des Lernens
Die Cognitive Load Theory (CLT) (Sweller 2023) beschäftigt sich speziell damit, wie Menschen biologisch sekundäres Wissen erwerben – das akademische Wissen, das Schulen vermitteln sollen. Das Verständnis dieses Unterschieds ist entscheidend, um zu begreifen, warum KI das Lernen so tiefgreifend stören kann.
Biologisch primäres vs. sekundäres Wissen
| Wissenstyp | Beispiele |
|---|---|
| Biologisch primär (wir sind dafür evolutionär angepasst) | • Gesichter und Stimmen erkennen • Soziale Interaktionen verstehen • Gesprochene Sprache lernen • Räumliche Orientierung • Gefahr und Sicherheit erkennen |
| Biologisch sekundär (wir sind NICHT dafür evolutionär angepasst) | • Lesen und Schreiben • Mathematik und Algebra • Programmieren und Datenanalyse • Wissenschaftliches Denken • Historische Analyse |
Die kognitive Architektur des Lernens
CLT basiert darauf, wie die menschliche Kognition Informationen verarbeitet und nutzt eine Architektur, die die Evolution durch natĂĽrliche Selektion widerspiegelt (Sweller 2023):
Zwei Wege fĂĽr neue Informationen
Menschen können neues biologisch sekundäres Wissen auf zwei Arten erwerben:
- Entdeckung durch Problemlösen: Eigenständiges Durcharbeiten von Herausforderungen
- Lernen von anderen: Aufnahme von Informationen durch Instruktion
Entscheidend: Beide Erwerbsarten sind selbst biologisch primär – wir sind hervorragend darin, Dinge zu entdecken und von anderen zu lernen. Deshalb dominieren Menschen die Säugetierwelt.
Die Engstelle der Verarbeitung
Sobald Information durch einen der beiden Wege erworben wurde, muss sie verarbeitet werden durch:
Arbeitsgedächtnis:
- Stark begrenzte Kapazität (Millers 7±2, neuer: Cowans 4±1 Chunks)
- Stark begrenzte Dauer (15–30 Sekunden ohne Wiederholung)
- Die Engstelle, in der alles bewusste Lernen stattfindet
Langzeitgedächtnis:
- Keine bekannten Begrenzungen für Kapazität oder Dauer
- Hier lebt die Expertise durch fachspezifische Informationsspeicherung
- Das Ziel aller Instruktion
Wie Expertise wirklich entsteht
Wie De Groot 1965 erstmals zeigte (Groot and Groot 1978; Sweller 2024), ist Expertise fächerspezifisch und resultiert aus riesigen Mengen fachspezifischer Informationen im Langzeitgedächtnis. Das ist nicht einfach “mehr Fakten wissen”, sondern organisierte Wissensstrukturen (Schemata), die Experten ermöglichen:
- Mehrere Elemente zu Chunks bĂĽndeln
- Muster automatisch erkennen
- Prozeduren ohne bewusste Anstrengung abrufen
- Das Arbeitsgedächtnis für höheres Denken freimachen
Das KI-Bypass-Problem
Wie KI die kognitive Architektur stört
Das Auslagern kognitiver Prozesse an KI kann das gesamte Lernsystem kurzschlieĂźen:
- Umgeht Verarbeitung im Arbeitsgedächtnis: Keine kognitive Anstrengung bedeutet keine Kodierung
- Verhindert Speicherung im Langzeitgedächtnis: Unverarbeitete Informationen werden nicht gespeichert
- Eliminiert Schemabildung: Lernende erhalten Antworten, ohne Wissensstrukturen aufzubauen
- Blockiert den Übergang vom Anfänger zum Experten: Kein Weg von begrenztem zu unbegrenztem Wissen
Pädagogische Implikationen
Die Experten-Anfänger-Unterrichtsfalle
Der gefährlichste Fehler in der Bildung ist anzunehmen, dass Anfänger so lernen sollten, wie Experten arbeiten. Das führt zu dem, was Kirschner (Kirschner, Hendrick, and Heal 2022) als Verwechslung der „Epistemologie des Experten mit der Pädagogik für Lernende“ bezeichnet.
Was Experten tun (Wissen produzieren):
- Arbeiten von automatisierten Prinzipien aus vorwärts
- Erkennen tiefe Muster sofort
- Wenden starke, fachspezifische Methoden an
- Erschaffen und entdecken neues Wissen
- Verarbeiten mehrere Elemente gleichzeitig
Was Anfänger brauchen (Wissen lernen):
- Rückwärtsarbeiten mit Mittel-Ziel-Analyse
- Grundlegende Mustererkennung durch Ăśbung aufbauen
- Mit schwachen, allgemeinen Methoden beginnen
- Vorhandenes Wissen rekonstruieren und verstehen
- Elemente nacheinander verarbeiten, um Ăśberlastung zu vermeiden
Warum Expertenmethoden Anfängern aktiv schaden
Anfängern Expertenwerkzeuge zu geben, ist nicht nur ineffektiv – es ist aktiv schädlich für das Lernen:
1. Mismatch der kognitiven Belastung (cognitive load)
- Experten können viele Elemente verarbeiten, weil sie diese zu Mustern gebündelt haben
- Anfänger werden mit derselben Komplexität überfordert
- Ergebnis: Kognitive Ăśberlastung verhindert jegliches Lernen
2. Störung der Produktionsregeln
- Experten haben starke, erfolgreiche Produktionsregeln, die automatisch feuern
- Anfänger müssen diese Regeln durch wiederholte Anwendung schwacher Methoden aufbauen
- KI-Abkürzungen verhindern die notwendige Wiederholung zur Stärkung der Regeln
- Ergebnis: Schwache Regeln entwickeln sich nie, dauerhafte Abhängigkeit bleibt
3. Schemabildungs-Bypass
- Experten haben reichhaltige Schemata, aufgebaut durch Erfahrung
- Anfänger müssen diese Schemata Element für Element konstruieren
- KI-Antworten liefern das Ergebnis ohne den Konstruktionsprozess
- Ergebnis: Es entstehen keine Schemata, Transfer auf neue Situationen ist unmöglich
4. Metakognitive Schädigung
- Experten wissen, wann und warum sie verschiedene Strategien anwenden
- Anfänger entwickeln dieses Bewusstsein durch Überwachung des eigenen Denkens
- KI-Abhängigkeit beseitigt die Notwendigkeit zur Selbstüberwachung
- Ergebnis: Lernende können ihr eigenes Verständnis nicht mehr bewerten
Lehren im Einklang mit dem Gehirn
Prinzip 1: Die Entwicklungssequenz respektieren
- Schwache Methoden müssen zuerst kommen – sie sind keine Fehler, sondern notwendig
- Prozeduralisierung erfordert umfangreiche Ăśbung mit ĂĽberlegten Prozessen
- Kompilierung geschieht automatisch nach ausreichender Wiederholung
Prinzip 2: Kognitive Belastung kalibrieren
- Anfänger brauchen vereinfachte, sequenzielle Darstellung
- Experten können komplexe, parallele Verarbeitung bewältigen
- Dasselbe Material muss je nach Expertenniveau unterschiedlich präsentiert werden
Prinzip 3: Das „Struggle Window“ schützen
- Genügend Zeit für eigenständiges Ringen vor KI-Konsultation geben
- Denkprozesse dokumentieren, bevor externe Hilfe gesucht wird
- Mehrere Versuche, bevor Lösungen zugänglich sind
Prinzip 4: Scaffolding statt Substitution
- KI nutzen, um irrelevante kognitive Belastung zu reduzieren, nicht jede Anstrengung zu eliminieren
- Durchgearbeitete Beispiele liefern, die den Prozess zeigen, nicht nur die Antworten
- UnterstĂĽtzung schrittweise abbauen, sobald Kompetenz entsteht (Scaffolding)
Wie Vorhersagefehler Lernen antreiben
Wie Vorhersagefehler Lernen antreiben
Schritt 1: Bildung einer Vorhersage
Beim Auftreten eines Problems prognostiziert das Gehirn automatisch, was passieren sollte – basierend auf dem aktuellen Wissen:
- „Wenn ich 5 von beiden Seiten subtrahiere, komme ich näher an \(x\) heran“
- „Wenn ich diese Formel anwende, sollte ich das richtige Ergebnis bekommen“
- „Diese Code-Struktur sollte kompilieren“
Schritt 2: Realitätsabgleich
Man versucht eine Lösung und vergleicht das tatsächliche Ergebnis mit der Vorhersage:
- Positiver Vorhersagefehler: „Das lief besser als erwartet!“
- Negativer Vorhersagefehler: „Das hat nicht wie gedacht funktioniert“
- Null-Fehler: „Es lief genau wie vorhergesagt“
Schritt 3: Neuronales Update
Das Gehirn nutzt diese Fehler zur Anpassung des Wissens:
- Dopamin-AusschĂĽttung markiert Vorhersagefehler als wichtige Lernmomente
- Eligibility Traces markieren beteiligte neuronale Pfade zur Stärkung
- Synaptische Gewichte werden je nach Fehlergröße angepasst
- Konsolidierung im Schlaf macht diese Ă„nderungen dauerhaft
Warum das Auslagern kognitiver Prozesse an KI das Lernsignal eliminiert
KI liefert sofort perfekte Antworten:
- Keine Vorhersagephase (Lernende generieren keine Erwartungen)
- Keine Versuch-Phase (es werden keine Lösungen ausprobiert)
- Keine Fehlerphase (kein Vergleich zwischen Erwartung und Realität)
- Ergebnis: Null Vorhersagefehler = kein Lernsiganl
Das Gehirn hat buchstäblich nichts, woraus es lernen kann, weil der Vorhersagefehler-Zyklus nie stattfindet.
Das erklärt, warum Lernende hunderte Beispiele anschauen oder tausende korrekte KI-Antworten bekommen und trotzdem nicht lernen. Lernen braucht Fehler, nicht Perfektion.
Das Prinzip der “Desirable Difficulties”
Lernen erfordert sogenannte “desirable difficulties” (Bjork and Bjork 2011) – Herausforderungen, die sich schwierig anfühlen, aber das langfristige Behalten fördern:
- Abrufübung: Abrufen aus dem Gedächtnis stärkt es
- Verteiltes Wiederholen: Vergessen und erneutes Lernen schafft dauerhaftes Wissen
- Interleaving: Verschiedene Problemarten mischen fördert Unterscheidungsfähigkeit
- Generierung: Selbst Antworten erstellen (auch falsche) ist besser als Konsum
Der Kompilierungsprozess
Echte Expertise entsteht durch tausende Ăśbungszyklen:
Problem begegnen → Vorhersage treffen → Lösung versuchen → Mit Vorhersage vergleichen → Feedback bekommen → Neuronale Anpassung
↓
Neuronaler Pfad wird gestärkt
↓
Muster wird automatischJeder Zyklus:
- Stärkt neuronale Verbindungen durch Vorhersagefehler
- Verringert die Bearbeitungszeit durch Wiederholung
- Entlastet das Arbeitsgedächtnis für höheres Denken
- Ermöglicht kreatives Problemlösen durch starke Grundlagen
So funktioniert Expertise wirklich: Bei einem Problem konkurrieren mehrere Produktionsregeln. Die Regel mit dem höchsten „Nutzen“ (basierend auf vergangenem Erfolg durch Vorhersagefehler) setzt sich durch. Jede erfolgreiche Anwendung stärkt diese Regel, wodurch sie künftig wahrscheinlicher gewinnt. Deshalb wirken Experten, als „wüssten sie es einfach“ – ihre stärksten Produktionen feuern automatisch.
Was wir verlieren, wenn wir die Anstrengung ĂĽberspringen
Die Expertise-Illusion
Das Auslagern kognitiver Prozesse an KI erzeugt eine gefährliche Illusion:
- Oberflächenflüssigkeit: Perfekte Antworten ohne Verständnis
- Falsches Selbstvertrauen: Glauben, es „verstanden zu haben“ ohne Übung
- Fragiles Wissen: Bricht ohne KI-UnterstĂĽtzung zusammen
- Begrenzter Transfer: Kann nicht auf neue Situationen angewandt werden
Forschungsergebnisse: Die Kosten des kognitiven Auslagerns
Aktuelle Studien zeigen alarmierende Auswirkungen von KI-Nutzung auf das Lernen:
- 68% weniger kritisches Denken bei Wissensarbeitenden mit hoher KI-VertrauenswĂĽrdigkeit (Lee et al. 2025)
- Nur oberflächliches Lernen bei Programmierstudierenden mit ChatGPT (Yang, Hsu, and Wu 2025)
- Verminderte Problemlösefähigkeiten bei Mathematiklernenden mit KI-Tools (Bastani et al. 2024)
- „Die Fluency-Illusion“: KI-Kompetenz wird mit eigenem Können verwechselt
Die biologische Realität des Lernens
Lernen ist nicht nur ein kognitiver, sondern ein biologischer Prozess, der das Gehirn physisch verändert (Oakley et al. 2025):
Schlafkonsolidierung ist essenziell
Lernen endet nicht mit dem Ăśben:
- Sharp wave ripples im Schlaf spielen Erlebtes erneut ab
- Das Gehirn entscheidet, was bleibt und was gelöscht wird
- Erinnerungen wandern vom Hippocampus in den Kortex
- Neue neuronale Verbindungen festigen sich
Man kann Schlaf nicht herunterladen – genauso wenig wie Expertise!
Das „Grokking“-Phänomen
Sogar maschinelle Lernmodelle zeigen dieses Muster:
- Lange Plateauphase ohne sichtbaren Fortschritt
- Plötzlicher Sprung zur Generalisierung
- Früher als „Überanpassung“ missverstanden
- Heute als tiefes Musterlernen erkannt
Das Gedächtnisparadoxon
Echte Expertise aufbauen
Schnellreferenz: Wie Theorien zusammenwirken
| Schwache Methoden (Anfänger) | Starke Methoden (Experten) |
|---|---|
| Mittel-Ziel-Analyse | Mustererkennung |
| Rückwärtsarbeiten vom Ziel | Vorwärtsverkettung aus Prinzipien |
| Versuch und Irrtum | Automatisierte Prozeduren |
| Oberflächenanalogien | Tiefenstruktur |
| Schrittweise bewusst | Automatisch gechunkt |
| Stadium | Was passiert | Didaktische Implikation |
|---|---|---|
| Deklarativ | Auswendig gelernte Regeln befolgen | Klare durchgearbeitete Beispiele geben |
| Kompilierung | Wiederholte Sequenzen werden zu Chunks | Viele ähnliche Übungsaufgaben |
| Prozedural | Automatisierte Expertise | Bereit fĂĽr komplexe Anwendungen |
Achte auf diese Anzeichen fĂĽr kognitives Auslagern:
- Glatte Leistung ohne Erklärungsfähigkeit
- Unfähigkeit, Problemvarianten zu lösen
- Kein Fortschritt trotz Ăśbung
- Abhängigkeit von KI bei Grundaufgaben
- KI-Ausgabe wird mit eigenem Verständnis verwechselt
- Sofortige KI-Konsultation ohne eigenen Versuch
- Keine Vorhersagefehler (immer „richtige“ Antworten)
References
Reuse
Citation
@online{ellis,
author = {Ellis, Andrew},
title = {Wie Man {Kompetenzen} Erwirbt},
url = {https://virtuelleakademie.github.io/cas-hochschuldidaktik/02-wie-menschen-lernen/kompetenz-erwerben/},
langid = {en}
}