Lernstrategien aus Make it Stick
Kernprinzip
Effortful Learning ist effektiver: Wenn Lernen sich anstrengend anfühlt, signalisiert das oft, dass lernrelevante Prozesse (Abruf, Elaboration, Schemabildung) aktiv sind. Schwieriges Lernen führt zu tieferem, dauerhafterem Wissen (Brown, III, und McDaniel 2014).
Die folgenden 8 Strategien stammen aus Make it Stick von Brown, Roediger und McDaniel, einer praxisorientierten Zusammenfassung der kognitionspsychologischen Forschung zu effektivem Lernen. Es gibt andere Synthesen derselben Forschungsliteratur (z.B. Dunlosky u. a. 2013; Weinstein, Sumeracki, und Caviglioli 2019), die zu ähnlichen Kernprinzipien kommen, aber andere Kategorisierungen und Schwerpunkte setzen. Diese Liste ist also keine kanonische Taxonomie, sondern ein nützliches Ordnungsraster.
Die 8 Strategien sind nicht unabhängig, sondern sie überlappen und verstärken sich:
- Wünschenswerte Schwierigkeiten (Nr. 5) ist das übergeordnete Prinzip
- Abrufpraxis (Nr. 1), Spacing (Nr. 2) und Interleaving (Nr. 3) sind konkrete Instanzen davon
- Variation (Nr. 4) ändert den Kontext (verschiedene Anwendungen), Interleaving (Nr. 3) ändert die Sequenz (Konzepte durchmischen). Beide fördern Transfer, aber auf unterschiedliche Weise
In der Praxis nutzt du oft mehrere Strategien gleichzeitig.
Dieses Handout präsentiert die 8 Strategien in geblockter Reihenfolge (1, 2, 3, …), obwohl Interleaving (Nr. 3) genau das Gegenteil empfiehlt. Im Workshop werden die Strategien tatsächlich verschränkt eingesetzt: Abrufpraxis nach der Pause, Generierung beim Einstieg, Variation durch verschiedene Fallstudien. Das Handout dient als Nachschlagewerk, nicht als Lernsequenz.
Die 8 bewährten Lernstrategien
1. Abrufpraxis (Retrieval Practice)
Prinzip: Aktives Erinnern statt passives Wiederlesen
Warum effektiv?
- Jeder Abruf stärkt die neuronalen Verbindungen
- “Testing Effect”: Abrufen verstärkt Gedächtnis mehr als erneutes Studieren
Praktische Umsetzung:
- Selbsttests, Karteikarten, Übungsfragen
- Ohne Notizen erklären können
- Regelmässige Low-Stakes-Tests
Würde ein KI-Agent hier helfen oder die produktive Abrufanstrengung eliminieren? Wenn ein Agent die Fragen generiert: Wer entscheidet, wann der Abruf “schwierig genug” ist, der Agent oder die Lernenden?
2. Verteiltes Lernen (Spacing)
Prinzip: Über Zeit verteilen statt Pauken
Warum effektiv?
- Grössere Anstrengung nach Vergessen als Lernhilfe
- Gegen die Intuition: Schwieriger → Besser für Langzeitretention (Konsolidierung)
Praktische Umsetzung:
- Warten bis Vergessen eingesetzt hat, dann wiederholen
- Verteilte Übung über Wochen/Monate
- Spaced Repetition Systeme (z.B. Anki)
Ein Agent könnte Wiederholungsintervalle optimieren. Aber: Gehört die Planung der eigenen Lernzeit zur Kompetenz, die aufgebaut werden soll? Wann ist Zeitplanung Offloading, wann Outsourcing?
3. Abwechslung (Interleaving)
Prinzip: Verschiedene Aufgaben/Themen mischen statt blockweise üben
Warum effektiv?
- Trainiert flexible Anwendung
- Erhöht Anstrengung → Besserer Transfer zwischen Konzepten
Praktische Umsetzung:
- Verschiedene Aufgabentypen mischen
- Beispiel Mathe: Addition, Multiplikation, Brüche durchmischen
- Nicht alle gleichartigen Aufgaben hintereinander lösen lassen
Ein Agent könnte Aufgaben intelligent mischen. Welche Voraussetzung müssen Studierende erfüllen, damit sie den Nutzen der Mischung überhaupt bewerten können? (Hinweis: Evaluationsparadox)
4. Variation
Prinzip: In unterschiedlichen Kontexten üben
Warum effektiv?
- Fördert Transfer auf neue Situationen
- Macht Wissen weniger abhängig vom ursprünglichen Lernkontext
Praktische Umsetzung:
- Verschiedene Beispiele, Umgebungen, Anwendungen
- Gleiche Konzepte in unterschiedlichen Situationen
- Vielfältige Übungsformate
Kontextvariation lässt sich gut automatisieren. Aber wer wählt die relevanten Variationsdimensionen aus? Wenn der Agent variiert, welche kognitive Arbeit bleibt bei den Studierenden?
5. Wünschenswerte Schwierigkeiten (Desirable Difficulties)
Prinzip: Fehler, Anstrengung und Herausforderungen nutzen
Warum effektiv?
- Vertieft Verständnis durch kognitive Anstrengung
- Kurzfristig schwieriger, langfristig mehr Retention
Praktische Umsetzung:
- Tests ohne Ankündigung
- Variation in der Übung
- Forcing functions1 die zum Nachdenken zwingen
- Erst raten, dann lernen
Das ist die entscheidende Frage: Kann ein Agent “wünschenswerte Schwierigkeiten” erzeugen, ohne sie gleichzeitig aufzulösen? Wann würde ein Agent die Schwierigkeit eliminieren statt bewahren?2
6. Verstehen vs. Vertrautheit
Prinzip: In eigenen Worten erklären = echtes Verständnis
Warum effektiv?
- Unterscheidet echtes Wissen von Fluency-Illusion
- Zwingt zu aktiver Verarbeitung und Verknüpfung
Praktische Umsetzung:
- Erklären, als ob man es jemand anderem beibringt
- Verbindungen zu Vorwissen herstellen
- Selbst Antworten generieren vor dem Lernen der Lösung
Die Feynman-Technik lebt davon, dass Lernende ihre eigenen Verständnislücken entdecken. Wenn ein Agent Lücken identifiziert: Überspringt das den Entdeckungsmoment, der das Lernen auslöst?3
7. Feedback & Reflexion
Prinzip: Korrektur und bewusstes Nachdenken
Warum effektiv?
- Korrektes Feedback sorgt dafür, dass richtige Informationen verankert werden
- Reflexion fördert Metakognition und Selbstregulation
Praktische Umsetzung:
- Nach Lernsitzung fragen: “Was habe ich gelernt?”
- Über Lernprozess und -strategien reflektieren
- Regelmässiges, konstruktives Feedback holen
Personalisiertes Feedback ist einer der vielversprechendsten Einsatzbereiche für KI-Agents. Die Frage ist: Auf welcher Ebene gibt der Agent Feedback? Wenn er inhaltliche Fehler korrigiert, setzt das die Fachkompetenz voraus, die Studierende erst aufbauen.
8. Anwendung
Prinzip: Wissen in verschiedenen Kontexten einsetzen
Warum effektiv?
- Entwickelt Transferfähigkeit
- Macht abstraktes Wissen konkret anwendbar
Praktische Umsetzung:
- Reale Probleme aus dem Fachgebiet bearbeiten
- Konzepte auf neue, unbekannte Situationen übertragen
- Theorie an konkreten Praxisbeispielen prüfen
Szenario-Generierung ist ein starker Anwendungsfall. Aber: Wenn der Agent auch die Stakeholder-Perspektiven liefert, was bleibt als eigene Denkleistung der Studierenden? Wo verläuft die Grenze zwischen Kontextvariation (Offloading) und Analyseübernahme (Outsourcing)?
KI-Tool Design Prinzipien
Gute KI-Unterstützung
- Fördert die 8 Strategien
- Erhält lernrelevante Anstrengung
- Unterstützt ohne zu ersetzen
- Personalisiert den Lernprozess
Problematische KI-Nutzung
- Eliminiert kognitive Anstrengung
- Übernimmt das Denken
- Erzeugt Illusion of Knowing
- Macht Lernen nur einfacher, nicht besser
Leitfragen für Agent-Entwicklung
- Welche der 8 Strategien wird gefördert?
- Was tut der Agent? Was tut der Lernende?
- Bleibt die gewünschte Schwierigkeit erhalten?
- Macht der Agent das Lernen besser oder nur einfacher?
- Wie wird echter Lernfortschritt messbar?
Diese Leitfragen sind eine Kurzversion der 5 Leitfragen zur Aufgabengestaltung, die einen systematischeren Entscheidungsweg bieten.
Literatur
Fußnoten
Forcing Functions sind Design-Entscheidungen oder Einschränkungen, die bestimmte Verhaltensweisen erzwingen und unerwünschte Aktionen verhindern. Prinzip: Das System macht es unmöglich, einen Fehler zu machen.↩︎
Productive Struggle implementiert mehrere der 8 Strategien gleichzeitig: Retrieval Practice, Elaboration, Generation, Reflection.↩︎
Eine Methode zum Test des eigenen Verständnisses, benannt nach dem Physiker Richard Feynman. Die Technik hat vier Schritte: (1) Wähle ein Konzept, (2) Erkläre es in einfachster Sprache, als würdest du es einem Kind beibringen, (3) Identifiziere Lücken und kehre zum Quellmaterial zurück, (4) Vereinfache und verwende Analogien. Der Kern: Wenn du etwas nicht einfach erklären kannst, verstehst du es nicht wirklich. Die Technik funktioniert als Forcing Function, denn sie zwingt zur Übersetzung von Fachwissen in Alltagssprache und deckt dabei Verständnislücken schonungslos auf.↩︎