Agent-Beispiele: Lernstrategien illustriert
Konzeptillustrationen, keine fertigen Werkzeuge
Was mit “Agent” gemeint ist und wann ein Agent pädagogisch Sinn ergibt, findest du auf der Seite Agent-Template: Analyse & Anpassung.
Wie diese Beispiele nutzen
Jedes Beispiel zeigt das Zusammenspiel von Lernstrategie und Agent-Design:
- Lehrthema & Problem
- Gewählte Make-it-Stick-Strategie
- Agent-Design (Was tut der Agent?)
- Lernende-Aktivität (Was bleibt beim Lernenden?)
- Warum es funktioniert
Die drei Beispiele sind als Fading-Sequenz aufgebaut: Das erste ist vollständig ausgearbeitet, das zweite teilweise, das dritte gibt nur den Kontext vor. Diese Struktur spiegelt den Lernprozess vom Worked Example zur eigenständigen Generierung.
Diese Beispiele illustrieren, wie Lernstrategien in Agent-Designs übersetzt werden können. Sie sind Konzeptillustrationen, keine einsatzbereiten Werkzeuge.
Wichtig zu verstehen:
- Ein System-Prompt beschreibt gewünschtes Verhalten, er garantiert es nicht. LLMs können Anweisungen ignorieren, kreativ uminterpretieren oder in unvorhergesehenen Situationen anders reagieren als beabsichtigt.
- Einige beschriebene Fähigkeiten (z.B. “berechnet optimale Wiederholungsintervalle”, “sendet personalisierte Erinnerungen”, “trackt Fortschritt über Zeit”) gehen über das hinaus, was ein System-Prompt allein leisten kann. Sie erfordern zusätzliche technische Infrastruktur.
- Vom Konzept zum funktionierenden Agent ist es ein Weg, der iteratives Testen, Qualitätsbewertung und laufendes Monitoring erfordert.
Der Wert dieser Beispiele liegt darin, das Zusammenspiel von Lernstrategie und Agent-Rolle zu durchdenken, nicht darin, sie unverändert einzusetzen.
Jeder Agent muss explizit signalisieren, worauf Lernende achten sollen. Ohne klare Signale verarbeiten Lernende zufällige Merkmale: Sie bemerken die Länge eines KI-Textes statt der Argumentationsstruktur, oder die Formulierung statt der Logik (Engelmann und Carnine 2016).
In der Praxis:
- Der Agent stellt gezielte Vergleichsfragen (“Vergleiche die kausale Kette deiner Lösung mit der KI-Lösung”)
- Aufgabenstellungen benennen die relevanten Merkmale explizit (“Achte auf die Annahmen, nicht auf den Schreibstil”)
- Feedback fokussiert auf die zu lernenden Aspekte, nicht auf Oberflächenmerkmale
Ohne Signale ist Lernen dem Zufall überlassen. Mit Signalen wird es steuerbar.
1. Abrufpraxis (Retrieval Practice)
Vollständig ausgearbeitetes Beispiel
Beispiel: Statistik-Tutor
- Lehrthema: Inferenzstatistik (Hypothesentests)
- Problem: Studierende können Konzepte erkennen, aber nicht aktiv anwenden
Agent macht:
- Generiert personalisierte Übungsaufgaben
- Analysiert Fehlermuster und passt Schwierigkeit an
- Erstellt adaptive Quizzes ohne Mehrfachwahl
- Tracking von Abruf-Erfolg über Zeit
Lernende tun:
- Versuch: Lösen Aufgaben ohne Nachschlagen, erklären ihren Lösungsweg
- Prüfe: Agent zeigt Musterlösung, Lernende vergleichen Argumentation
- Reflektieren: Wo wich die eigene Logik ab? Flüchtigkeitsfehler oder Konzeptfehler?
- Selbsteinschätzung: Eigenes Verständnis bewerten, bevor das nächste Feedback kommt
Warum es funktioniert: Agent generiert die Übung, aber Lernende müssen aktiv abrufen und denken. Die Versuch-dann-Prüfe-Struktur bewahrt den Generierungseffekt: Lernende aktivieren erst ihr eigenes Wissen, dann vergleichen und erklären sie die Diskrepanz.
2. Abwechslung (Interleaving)
Teilweise ausgearbeitet: “Warum es funktioniert” als Selbsterklärung
Beispiel: Programmier-Mentor
- Lehrthema: Algorithmen und Datenstrukturen
- Problem: Können isolierte Konzepte, aber nicht entscheiden wann welches
Agent macht:
- Mischt verschiedene Problemtypen intelligent
- Erstellt gemischte Übungseinheiten
- Vermeidet vorhersagbare Muster
- Analysiert welche Kombinationen am besten funktionieren
Lernende tun:
- Versuch: Identifizieren Algorithmus/Datenstruktur und erstellen eine Skizze
- Implementieren: Ersten Lösungsansatz programmieren
- Prüfe: Agent zeigt Alternativen, Lernende vergleichen Effizienz und Lesbarkeit
- Reflektieren: Warum ist Ansatz X hier besser? Pattern-Recognition entwickeln
Formuliere in eigenen Worten: Welches Lernprinzip aus Teil 1 wird hier konkret angewendet? Und wo liegt die Grenze, an der der Agent die wünschenswerte Schwierigkeit eliminieren statt bewahren könnte?
3. Feedback & Reflexion
Nur Kontext gegeben: Agent- und Lernende-Rollen selbst gestalten
Beispiel: Schreibtrainer-Coach
- Lehrthema: Akademisches Schreiben
- Problem: Wenig Bewusstsein für eigene Schreibprozesse und -qualität
Anhand der Muster aus den ersten beiden Beispielen:
- Agent-Rolle: Was sollte der Agent tun, und was explizit nicht? Wie bleibt die Versuch-dann-Prüfe-Struktur erhalten?
- Lernende-Aktivität: Was bleibt bei den Studierenden? In welcher Reihenfolge?
- Grenze: In welcher Situation würde dieser Agent das Evaluationsparadox verschärfen statt abmildern?
Die folgenden Beispiele sind zur Vertiefung gedacht. Sie folgen demselben Versuch-dann-Prüfe-Muster wie die Beispiele oben. Jedes Beispiel entspricht einer der 8 Make-it-Stick-Strategien.
Verteiltes Lernen (Spacing)
Beispiel: Anatomie-Coach
- Lehrthema: Medizin, Anatomische Strukturen
- Problem: Bulimie-Lernen vor Prüfungen, schnelles Vergessen
Agent macht:
- Berechnet optimale Wiederholungsintervalle
- Sendet personalisierte Erinnerungen
- Passt Timing basierend auf individuellem Vergessen an
- Visualisiert Lernfortschritt über Zeit
Lernende tun:
- Anatomie aktiv benennen (ohne Hilfe)
- Strukturen zeichnen und beschriften
- Verbindungen zwischen Systemen erklären
- Langzeit-Commitment zum regelmässigen Üben
Warum es funktioniert: Agent optimiert wann gelernt wird, aber nicht was und wie.
Variation
Beispiel: Physik-Simulator
- Lehrthema: Newtonsche Mechanik
- Problem: Können Formeln anwenden, aber nicht in neuen Kontexten
Agent macht:
- Generiert vielfältige Anwendungsszenarien
- Variiert Parameter, Kontexte, Darstellungsformen
- Erstellt realitätsnahe Problemsituationen
Lernende tun:
- Physikalische Prinzipien in verschiedenen Situationen erkennen
- Abstrakte Formeln auf konkrete Anwendungen übertragen
- Problem-Situationen selbst analysieren und modellieren
- Gelerntes auf völlig neue Bereiche anwenden
Warum es funktioniert: Agent variiert die Kontexte, Lernende müssen Prinzipien erkennen und anwenden.
Wünschenswerte Schwierigkeiten
Beispiel: Sozialpsychologie-Challenger
- Lehrthema: Kognitive Verzerrungen und Biases
- Problem: Oberflächliches Verständnis, keine kritische Anwendung
Agent macht:
- Erstellt mehrdeutige Situationen
- Präsentiert widersprüchliche Evidenz
- Generiert Szenarien für produktive Anstrengung
- Gibt delayed und minimales Feedback
Lernende tun:
- Versuch: Eigene Hypothesen aufstellen und begründen, welche Biases wirken
- Prüfe: Agent präsentiert widersprüchliche Evidenz oder Alternativen
- Ringen: Mit Unsicherheit umgehen, denn es gibt keine einfache “richtige Antwort”
- Reflektieren: Biases in eigenen Denkprozessen entdecken
Warum es funktioniert: Agent erzeugt Struggle, Lernende müssen durch die Schwierigkeit durcharbeiten. Die Versuch-dann-Prüfe-Struktur sorgt dafür, dass Lernende zuerst selbst denken.
Verstehen vs. Vertrautheit
Beispiel: Erklärungs-Coach (Feynman-Technik)
- Lehrthema: Computernetzwerke (TCP/IP-Protokoll)
- Problem: Können Fachbegriffe verwenden, aber nicht einfach erklären was passiert
Agent macht:
- Fordert Erklärungen für 8-Jährige (“Erkläre TCP so, dass es ein Kind versteht”)
- Identifiziert verwendete Fachbegriffe und verlangt Übersetzung
- Generiert Analogie-Aufgaben (“TCP ist wie…”)
- Testet Verständnis durch Vereinfachungs-Challenges
Lernende tun:
- Komplexe Konzepte ohne Jargon erklären
- Eigene Analogien entwickeln und testen
- Verständnislücken selbst entdecken beim Erklärungsversuch
- Konzepte in verschiedenen Abstraktionsebenen darstellen
Warum es funktioniert: Agent zwingt zur Vereinfachung ohne Bedeutungsverlust, die ultimative Verstehens-Prüfung.
Anwendung
Beispiel: Case-Study-Generator
- Lehrthema: Betriebswirtschaft, Strategisches Management
- Problem: Theoretisches Wissen kann nicht auf reale Situationen übertragen werden
Agent macht:
- Erstellt realistische, komplexe Unternehmensszenarien
- Simuliert Stakeholder-Perspektiven
- Generiert “What-if” Szenarien
- Sammelt aktuelle Business Cases
Lernende tun:
- Versuch: Eigene Analyse durchführen, strategische Entscheidung treffen und begründen
- Prüfe: Agent präsentiert Stakeholder-Perspektiven und “What-if”-Szenarien
- Vergleichen: Wie unterscheiden sich die Annahmen? Welche Konsequenzen?
- Synthetisieren: Trade-offs und langfristige Konsequenzen durchdenken
Warum es funktioniert: Agent erstellt realistische Szenarien, Lernende müssen anwenden und entscheiden. Die Versuch-dann-Prüfe-Struktur bewahrt die eigenständige Analyse.