KI & Lernen

Was bedeuten die Erkenntnisse aus der Lernforschung für den Einsatz von KI in der Lehre? In diesem Teil wenden wir die kognitive Architektur auf die zentrale Frage an: Wann unterstützt KI das Lernen, und wann verhindert sie es?

Active-processingGedächtnis-Aktivierung (5 Min)

Bevor wir weitergehen: Schreibe 3 zentrale Konzepte aus Teil 1 auf, ohne Notizen. Ergänze bei jedem Konzept in einem Satz, warum es für den KI-Einsatz in der Lehre relevant ist.

Lücken sind willkommen: Sie zeigen dir, wo du beim Weiterhören besonders aufmerksam sein kannst.

Dann (2 Min): Vergleicht zu zweit eure Konzepte. Wo sind die grössten Unterschiede? Was war überraschend schwierig zu erinnern?

Diese Übung demonstriert genau das Prinzip, das sie testet: Abrufpraxis nach einer Verzögerung. Dass es sich anstrengend anfühlt, signalisiert, dass Abrufprozesse aktiv sind, und genau diese Prozesse festigen das Gelernte.

Was bedeutet das für KI?

View slides in full screen

Präsentiere die Slides. Kernbotschaften: Offloading vs. Outsourcing, Evaluationsparadox, Lernen ≠ Leisten, “The Beach, Not the Ant”, Equity, 5-Fragen-Framework. Nach den Slides kurz die 3 Diagnose-Fragen zeigen (Tabelle unten) und die Aktivität durchführen, dann direkt zum Worked Example übergehen.

Wie erkennt man, wo auf dem Spektrum man steht?

Das 5-Fragen-Framework (→ Teil 3) hilft beim Gestalten von Aufgaben. Aber wie prüft man im Lehralltag, ob das Denken tatsächlich bei den Studierenden geblieben ist? Drei Diagnose-Fragen, die den Versuch-dann-Prüfe-Bogen abbilden:

Zeitpunkt Frage an Studierende Was sie zeigt
Vorher “Was hast du versucht, bevor du KI gefragt hast?” Gab es einen eigenen Versuch?
Während “Wo hat dich die KI überrascht, und warum?” War das interne Modell aktiv?
Nachher “Was machst du nächstes Mal anders, ohne KI?” Hat sich das Verständnis aktualisiert?

Wer outsourct, hat auf Frage 2 keine Antwort: Es gab keine spezifischen Erwartungen, die überrascht werden konnten. Wer das Denken selbst geleistet hat, kann konkrete Überraschungsmomente benennen. → Ausführliche Anleitung mit Beispielen

PairDie 3 Diagnose-Fragen ausprobieren (1 Min)

Wähle eine der 3 Fragen. Wie würdest du sie in deiner Lehre konkret einsetzen? Formuliere eine Beispielfrage für dein Fach und tausche sie mit deinem Nachbarn aus.

Worked Example: Das Framework in Aktion

Dieses Beispiel Schritt für Schritt gemeinsam durcharbeiten. Jeden Schritt vorlesen oder zusammenfassen, dann kurz Reaktionen abfragen. Vor dem Redesign PAUSE für die Selbsterklärung (2 Min). Dann das Redesign zeigen und die drei Erkenntnisse besprechen.

Bevor ihr das Framework auf eure eigenen Aufgaben anwendet, schauen wir uns gemeinsam an, wie eine Analyse Schritt für Schritt aussieht.

Die Aufgabe: “Annotierte Bibliografie”

Studierende suchen 5 relevante Quellen zu einem vorgegebenen Thema, fassen jede in 150 Wörtern zusammen und verfassen eine einseitige Synthese zum aktuellen Forschungsstand.

Eine Aufgabe, die in vielen Disziplinen vorkommt, von Sozialarbeit über Wirtschaft bis Informatik. Analysieren wir sie mit dem 5-Fragen-Framework.

Schritt-für-Schritt-Analyse

Frage 1: Geht es primär ums Lernen?

Ja, es ist eine Kursaufgabe, kein professionelles Produkt. Die Studierenden sollen lernen, Literatur zu finden, zu bewerten und zu synthetisieren.

Outsourcing muss verhindert werden.

Frage 2: Werden noch Grundlagen aufgebaut?

Ja. Studierende lernen erst, wie man Quellen bewertet. Sie haben noch keine Schemata für: “Ist diese Quelle relevant? Methodisch solide? Aktuell genug?”

Die interne Verarbeitung, also das eigene Urteil, ist der Lerninhalt.

Frage 3: Muss internes Wissen nachgewiesen werden?

Eigentlich ja, aber das aktuelle Design erzwingt es nicht. Die Zusammenfassungen und die Synthese könnten vollständig von KI stammen. Es gibt keinen Moment, in dem die Studierenden zeigen müssen, dass sie die Quellen gelesen und bewertet haben.

Hier liegt die kritische Lücke.

Frage 4: Kann KI die Aufgabe ohne Denkarbeit erledigen?

Ja. “Finde 5 Quellen zu X und fasse sie zusammen” ist ein einfacher Prompt. KI liefert sogar plausible Synthesen mit korrekten Zitationsformaten.

Die Aufgabe testet ein Produkt, das KI mühelos produzieren kann.

Frage 5: Gibt es eine Versuch-dann-Prüfe-Struktur?

Nein. Es gibt keine eingebaute Phase, in der Studierende zuerst selbst suchen, bewerten und synthetisieren, bevor sie KI konsultieren.

Hier liegt die Redesign-Möglichkeit.

Die Diagnose

Das Framework zeigt: Die kognitive Arbeit steckt nicht im Produkt (Zusammenfassungen + Synthese), sondern im Prozess (Suchen, Bewerten, Entscheiden). Die aktuelle Aufgabe prüft das Produkt, und genau das kann KI liefern. Das Lernen wird umgangen, nicht unterstützt.

Active-processingSelbsterklärung (2 Min)

Bevor ihr das Redesign seht: Notiert basierend auf der Diagnose, wie würdet ihr diese Aufgabe umgestalten? Was müsste sich ändern, damit der Denkprozess geschützt ist?

Eigene Ideen zu generieren, bevor man eine Lösung sieht, ist informativer als passive Rezeption. Genau das Prinzip, das wir gerade besprochen haben.

Ein mögliches Redesign

Phase Was Studierende tun Rolle der KI
1. Suchprotokoll Dokumentieren ihre Suchstrategie: Welche Datenbanken? Welche Begriffe? Warum diese Eingrenzung? Keine
2. Bewertungsnotizen Für jede Quelle: Warum aufgenommen oder verworfen? Was ist die zentrale Argumentation? Keine
3. Synthese in der Lehrveranstaltung Einseitige Synthese vor Ort, nur mit eigenen Notizen, ohne KI und ohne Internet Keine
4. Qualitätsprüfung KI prüft Zitationsformat und sprachliche Korrektheit Offloading (extrinsische Last)

Was sich ändert: Die Studierenden müssen den Prozess durchlaufen. Das Produkt allein reicht nicht mehr, denn die Denkarbeit wird sichtbar und geschützt.

Was zeigt dieses Beispiel?

Drei Erkenntnisse für die eigene Praxis:

  1. Produkt ≠ Prozess: Wenn KI das Produkt erzeugen kann, muss die Aufgabe den Prozess prüfen
  2. Offloading am richtigen Punkt: KI für Zitationsformat (extrinsische Last) ist sinnvoll. KI für die Synthese (lernrelevante Verarbeitung) eliminiert das Lernen. Warum gerade die Synthese? Weil sie hohe Elementinteraktivität hat: Studierende müssen gleichzeitig mehrere Quellen, deren Argumente und die Beziehungen zwischen ihnen verarbeiten. Ohne die Schemas, die diese Komplexität organisieren, ist die intrinsische Last hoch. Genau deshalb ist KI-Outsourcing hier so schädlich: Es verhindert den Aufbau der Schemas, die später die Last reduzieren würden
  3. Versuch-dann-Prüfe als Designprinzip: Die Reihenfolge entscheidet: zuerst selbst denken, dann KI konsultieren. Dieses Prinzip ist theoretisch gut fundiert durch die Forschung zu Abrufeffekten und Vorhersagefehlern, aber die empirische Forschung zur spezifischen Anwendung mit KI-Tools ist noch in einem frühen Stadium
Abbildung 1
Active-processingGedächtnis-Aktivierung (1 Min)

Bevor wir weitergehen, notiere in Stichworten:

  • Was ist der Unterschied zwischen Offloading und Outsourcing?
  • Was ist das Evaluationsparadox in einem Satz?

Du hast beides gerade im Worked Example gesehen. Wenn du es jetzt abrufen kannst, bleibt es haften.

TippÜberleitung zur Praxis

Im Worked Example habt ihr gesehen, wie das 5-Fragen-Framework eine Aufgabe Schritt für Schritt analysiert. Jetzt wendet ihr dasselbe auf eure eigene Aufgabe an. Danach diagnostiziert ihr das Redesign einer Kollegin oder eines Kollegen. Am Ende von Teil 3 habt ihr:

  • Eine konkrete Analyse eurer eigenen Aufgabe
  • Kollegiales Feedback auf euer Redesign
  • Einen 1-Satz-Redesign-Plan, den ihr sofort umsetzen könnt

5-Fragen-Framework: Handout

Zum Nachlesen

Die folgenden Abschnitte vertiefen die Konzepte aus den Slides. Sie sind als Nachlese-Material für das Selbststudium gedacht.

Die Slides behandeln Offloading und Outsourcing als Kernunterscheidung. Hier die vertiefte Erklärung mit Beispielen und Visualisierung.

Die entscheidende Frage: Wie aktiv ist das interne Modell der Lernenden, wenn sie KI-Output begegnen?

Offloading und Outsourcing markieren die Endpunkte eines Spektrums:

Cognitive Offloading Cognitive Outsourcing
Definition Tool reduziert Arbeitsgedächtnis-Last, während die Person denkt Tool übernimmt das Denken
Beispiel Taschenrechner bei Problemlösung KI schreibt den Aufsatz
Lernrelevante Verarbeitung Bleibt erhalten Wird eliminiert
Expertise-Entwicklung Wird unterstützt Wird verhindert

Die interessanten und schwierigen Fälle liegen in der Mitte: Ein Student, der einen KI-generierten Entwurf gründlich überarbeitet; eine Studierende, die nach eigenem Versuch gezielt eine Frage an die KI stellt. Die entscheidende Variable ist nicht, ob KI genutzt wird, sondern wie viel eigene Denkarbeit die Lernenden geleistet haben, bevor sie dem KI-Output begegnen. Je aktiver das interne Modell, desto informativer das Feedback.

Outsourcing eliminiert die lernrelevante kognitive Verarbeitung (Schemabildung, Abruf, Elaboration). Das ist keine Nebenwirkung, sondern das Kernproblem.

Erinnere dich an die Unterscheidung zwischen biologisch primärem und sekundärem Wissen aus Teil 1: Akademische Kompetenzen (Lesen, Schreiben, fachliches Denken) sind biologisch sekundär. Sie erfordern bewusste, aktive Verarbeitung. Outsourcing umgeht genau die Prozesse, die für diesen Erwerb nötig sind.

Viele KI-Policies scheitern, weil sie diese Unterscheidung nicht machen. Die Frage ist nicht “Dürfen Studierende KI nutzen?”, sondern “Wird das Denken ausgelagert oder nur unterstützt?” Hier braucht es das Urteil der Lehrperson.

Abbildung 2

Ein verbreiteter Vorschlag: “Studierende müssen lernen, KI-Outputs kritisch zu bewerten.”

Das Problem: Um KI-Outputs beurteilen zu können, braucht man genau die Fachkompetenz, die das Lernen erst entwickeln soll. Evaluation ist selbst eine Form von Inferenz. Man muss das eigene interne Modell aktivieren und prüfen, ob der KI-Output damit konsistent ist. Ohne hinreichend entwickeltes Modell fehlt die Grundlage für diese Prüfung.

  • Expert:innen haben unabhängige Bewertungskriterien und erkennen Fehler sofort
  • Anfänger:innen fehlen diese Kriterien, sodass “kritische Bewertung” zu oberflächlichem Prüfen wird
  • Kompetente Nutzung setzt Kompetenz voraus

Die Expert:innen-Anfänger:innen-Asymmetrie aus Teil 1 wirkt hier direkt: Expert:innen können KI als Verstärker nutzen. Anfänger:innen riskieren dauerhafte Abhängigkeit.

Wichtige Differenzierung: Das Paradox ist nicht absolut, sondern variiert mit dem Kompetenzniveau. Für echte Anfänger:innen ist es am gravierendsten; fortgeschrittene Studierende mit Grundlagenwissen können bereits grobe Fehler, logische Inkonsistenzen oder fehlende Belege erkennen. Auch können strukturierte Evaluationsaufgaben (z.B. zwei KI-Outputs vergleichen, spezifische Behauptungen gegen Primärquellen prüfen) das Paradox teilweise abmildern, ohne es aufzulösen.

Abbildung 3
Abbildung 4

Warum Schemas den KI-Output umschreiben

Gedächtnis ist nicht reproduktiv, sondern rekonstruktiv. Wenn Studierende sich an etwas erinnern, spielen sie keine Aufnahme ab; sie rekonstruieren aus Fragmenten, ergänzt durch Vorwissen und aktuelle Überzeugungen. Schemas, also organisierte Wissensstrukturen aus Erfahrung, sind dabei gleichzeitig der grösste Vorteil und die systematischste Fehlerquelle des Gedächtnisses.

Für die KI-Nutzung bedeutet das: Wenn Studierende KI-Output lesen, wird dieser durch ihre bestehenden Schemas gefiltert und oft still an Erwartungen angepasst. Korrekte Information, die zum Schema passt, wird gut behalten. Korrekte Information, die dem Schema widerspricht, wird schlecht behalten oder uminterpretiert. Und Schema-konsistente Details werden manchmal hinzufabriziert, obwohl sie nie da waren.

Das erklärt auch, warum Missverständnisse so hartnäckig sind: Einfach korrekte Information zu präsentieren reicht nicht, weil das bestehende Schema die neue Information umschreibt. Stattdessen braucht es den Dreischritt: Aktivieren (Missverständnis explizit machen) → Konflikt (Evidenz zeigen, die das Missverständnis nicht erklären kann) → Auflösen (korrekte Erklärung im Kontrast zum Missverständnis).

Vertiefung: Gedächtnis und Lernen. Rekonstruktives Gedächtnis, Schemas, und warum Abruf Lernen erzeugt

Lernen ≠ Leisten

Studierende können mit KI korrekte Ergebnisse produzieren (leisten), ohne etwas gelernt zu haben. Und das Problem geht tiefer: Wer die Denkarbeit auslagert, baut nicht nur dieses Wissen nicht auf, sondern es fehlt auch die Grundlage, die Wissenstransfer auf neue Situationen ermöglicht. Ohne gut organisierte, tiefe Wissensstrukturen gibt es nichts, was transferiert werden könnte.

Schein-Kompetenz

Studierende produzieren Texte mit allen Oberflächenmerkmalen akademischer Arbeit (Hedging, Zitationen, Fachvokabular), ohne die zugrundeliegende intellektuelle Arbeit. Das Phänomen ist nicht neu: Studierende haben schon vor KI mit Copy-Paste, strategischem Zusammenfassen und oberflächlichem Paraphrasieren akademische Fassaden errichtet. KI macht es nur einfacher und die Fassade überzeugender. Tückischer als Plagiat, weil es Selbsttäuschung ist: Die Studierenden glauben oft selbst, sie hätten gründlich nachgedacht. Das rekonstruktive Gedächtnis erzeugt plausible Erinnerungen an einen Denkprozess, der nie stattfand.

“The Beach, Not the Ant”

Die Lernumgebung bestimmt das Ergebnis mehr als die Motivation der Studierenden.

Herbert Simon beobachtete: Eine Ameise läuft einen komplexen, gewundenen Pfad am Strand entlang. Aber die Komplexität liegt nicht in der Ameise, denn sie folgt einfachen Regeln. Die Komplexität liegt im Strand: in den Hindernissen, Steigungen und Barrieren.

Übertragen auf Lernen: Wenn Studierende den einfachsten Weg nehmen (KI das Denken übernehmen lassen), ist das keine Charakterschwäche. Es ist rationales Verhalten in einer Umgebung, die diesen Weg ermöglicht.

Die richtige Frage ist nicht “Wie verhindern wir, dass Studierende schummeln?” sondern “Wie gestalten wir Umgebungen, in denen produktive Anstrengung der natürliche Weg ist?”

Herbert Simon nannte das zugrundeliegende Prinzip Bounded Rationality (begrenzte Rationalität): Menschen treffen Entscheidungen nicht durch Optimierung aller Möglichkeiten, sondern indem sie die erste akzeptable Lösung wählen (Satisficing). Wenn die Lernumgebung eine akzeptable Lösung ohne kognitive Anstrengung zulässt, werden begrenzt rationale Studierende diese Lösung wählen. Die Konsequenz für die Aufgabengestaltung: Wir müssen Aufgaben so entwerfen, dass die “befriedigende” Lösung die kognitive Anstrengung einschliesst, nicht umgeht.

Die Equity-Dimension

Der Expertise Reversal Effect hat eine direkte Konsequenz für die Gerechtigkeit: Wenn das, was Novizen hilft, sich von dem unterscheidet, was Experten hilft, dann schadet unstrukturierter KI-Einsatz Studierenden mit schwächerem Vorwissen überproportional. Das ist keine empirische Spekulation, sondern eine logische Folge der Theorie, die wir bereits besprochen haben:

  • Stärkere Studierende haben kompensatorisches Vorwissen und können KI-Outputs besser einordnen
  • Schwächere Studierende werden am meisten geschädigt, weil ihnen genau die Grundlage fehlt, die eine kritische Nutzung erfordern würde
  • KI-Policy ist nicht nur eine Frage der akademischen Integrität, sondern eine pädagogische Gerechtigkeitsfrage

Die empirische Evidenzbasis zu KI-spezifischen Equity-Effekten wächst, und die Richtung ist konsistent mit dem “digitalen Matthäus-Effekt” aus der Bildungstechnologie-Forschung: Technologie ohne starke pädagogische Rahmung verstärkt bestehende Unterschiede.

Konkrete Gegenmassnahmen:

  • Differenziertes Scaffolding in der Versuch-Phase: Studierende mit schwächerem Vorwissen erhalten strukturiertere Ausgangspunkte (z.B. teilweise bearbeitete Beispiele), damit der eigenständige Versuch produktiv bleibt statt überfordernd
  • Strategische Paarung in der Prüfe-Phase: Bewusste Zusammensetzung von Tandems, die unterschiedliche Stärken einbringen, damit die Vergleichsphase für alle informativ ist
  • Sprachliche Zugänglichkeit beachten: KI-Tools funktionieren in verschiedenen Sprachen unterschiedlich gut. Für nicht-muttersprachliche Studierende kann die Sprachbarriere die ohnehin schwächere Ausgangsposition verschärfen

Was uns die Geschichte der Bildungstechnologie lehrt

Die Herausforderungen, die wir hier beschreiben (kognitives Outsourcing, Schein-Kompetenz, Equity-Lücken), sind nicht neu. Sie sind die jüngste Ausprägung eines wiederkehrenden Musters: Jede Welle von Bildungstechnologie wurde von Transformationsversprechen begleitet und dann von bestehenden Praktiken domestiziert.

Computer in Schulen sollten in den 1980er Jahren das Lernen revolutionieren. Intelligente Tutoring-Systeme zeigten in den 1990er Jahren beeindruckende Ergebnisse in kontrollierten Studien, scheiterten aber an der Skalierung. MOOCs versprachen 2012 den Zugang zu Bildung zu demokratisieren und produzierten stattdessen massive Matthäus-Effekte. Learning Management Systeme wurden zu digitalen Aktenschränken.

Dieses Muster ist kein Scheitern, sondern die Art, wie Institutionen neue Werkzeuge sinnvoll integrieren (Reich 2020). Die angemessene Reaktion auf KI ist weder unkritische Begeisterung noch pauschale Ablehnung, sondern informierte, kontextbezogene Integration, genau das, was dieses Framework ermöglichen soll.

Ein praktisches Werkzeug für die Aufgabengestaltung:

Frage Wenn ja…
1. Geht es primär ums Lernen? → Outsourcing verhindern
2. Werden noch Grundlagen aufgebaut? → Interne Verarbeitung verlangen
3. Muss internes Wissen nachgewiesen werden? → Outsourcing unmöglich machen
4. Kann KI die Aufgabe ohne Denkarbeit erledigen? → Aufgabe umgestalten
5. Gibt es eine Versuch-dann-Prüfe-Struktur? → KI für die Prüfphase nutzen

Vertiefende Ressourcen

Für das Selbststudium

Zurück nach oben

Literatur

Reich, Justin. 2020. Failure to Disrupt: Why Technology Alone Can’t Transform Education. Cambridge London: Harvard University Press.

Wiederverwendung