Wie Menschen lernen
Warum sich effektives Lernen oft anstrengend anfühlt
Andrew Ellis
20 Februar, 2026
KI steigert Produktivität
KI verbessert Leistung bei kognitiven Aufgaben
- Routineaufgaben werden schneller erledigt
- Kreative Arbeit wird unterstützt
- Qualität steigt (bei Expert:innen)
Aber es gibt Nebenwirkungen
Fähigkeitsatrophie: Eigene Fähigkeiten verkümmern bei dauerhafter KI-Nutzung
Ohne Training setzen Menschen KI für ungeeignete Aufgaben ein
Sollten Lernende überhaupt produktiver sein?
Was ist, wenn der kognitive Prozess beim Lernen wichtiger ist als das Ergebnis?
Warum existieren Schulen?
Wir unterscheiden zwischen (Geary 2008; Sweller 2023):
Biologisch primär
- Entwickelt sich natürlich
- Keine formale Instruktion nötig
Beispiele: Sprechen, Gesichtserkennung, soziale Interaktion
Biologisch sekundär
- Kulturelle Errungenschaften
- Erfordert bewusste Anstrengung
Beispiele: Lesen, Schreiben, Mathematik, Programmieren
Akademische Fähigkeiten profitieren typischerweise stark von expliziter Anleitung und strukturiertem Üben (Kirschner, und and Clark 2006). Wie viel Anleitung optimal ist, hängt vom Expertise-Niveau ab (→ Expertise Reversal Effect).
Experten vs. Anfänger
Experten haben besser organisierte Wissensstrukturen (Schemata), die Anfänger erst aufbauen müssen. Die kognitive Architektur (Arbeitsgedächtnis, Langzeitgedächtnis) ist bei allen Menschen gleich (Sweller 2023).
Gleiche Hardware, unterschiedliche Software
| Dimension | Anfänger | Experten |
|---|---|---|
| Sehen | Einzelne Teile | Bedeutungsvolle Muster |
| Verarbeiten | Schritt-für-Schritt | Automatische Prozeduren |
| Wissen | Isolierte Fakten | Vernetzte Schemata |
Gleiche Hardware, unterschiedliche Software
Was organisierte Schemata ermöglichen
Gut vernetzte Schemata ermöglichen Transfer: Wissen auf neue, unbekannte Situationen anwenden.
Anfänger sehen Oberflächenmerkmale. Experten erkennen die Tiefenstruktur und können Wissen auf neue Probleme übertragen.
Transfer ist das eigentliche Ziel von Hochschulbildung. Wir unterrichten nicht, damit Studierende bekannte Aufgaben lösen. Wir unterrichten, damit sie mit unbekannten Situationen umgehen können.
Das Nadelöhr des Lernens
Cognitive Load Theory (Sweller 2023)
Kernprinzip: Lernen erfordert Transfer vom Arbeits- ins Langzeitgedächtnis durch Schemabildung.
Zwei Quellen kognitiver Belastung
Intrinsisch
Komplexität des Lernstoffs selbst (Elementinteraktivität) Begrenzt steuerbar (z.B. durch Sequenzierung)
Extrinsisch Wie Material präsentiert wird
Durch Design minimierbar
Das Ziel: Raum schaffen für germane processing, die lernrelevante Verarbeitung, die Schemata aufbaut.
Verteilung der kognitiven Belastung
Abbildung 1: Schematische Darstellung: Die Gesamthöhe repräsentiert die fixe Arbeitsgedächtniskapazität. Die Prozentwerte sind illustrativ, nicht empirisch gemessen. Entscheidend ist, wie viel Raum für lernrelevante Verarbeitung bleibt.
Das Lerndilemma
Die Gesamtlast darf das Arbeitsgedächtnis nicht überfordern.
Aber: Lernrelevante Verarbeitung (germane processing) ist essentiell für Expertise-Entwicklung.
Lösung: Extrinsische Last minimieren, um Raum für lernrelevante Verarbeitung zu schaffen.
Schwierig ≠ Komplex
Nicht jede schwierige Aufgabe ist komplex (Chen, Paas, und Sweller 2023)
| Schwierig, nicht komplex | Komplex | |
|---|---|---|
| Elementinteraktivität | Niedrig | Hoch |
| Was passiert | Viele Elemente, die unabhängig gelernt werden | Wenige Elemente, die alle gleichzeitig verarbeitet werden müssen |
| Beispiel | Fachvokabular, Periodensystem, Quellenformate | Argumentation aufbauen, Gleichung lösen, Fall analysieren |
| KI-Empfehlung | Offloading möglich | Outsourcing verhindern |
Die Konsequenz: Schütze die komplexen Aufgabenanteile (hohe Elementinteraktivität) vor KI-Outsourcing. Die schwierigen Routineanteile (niedrige Elementinteraktivität) können delegiert werden.
Der Expertise Reversal Effect
Was Anfängern hilft, schadet Experten, und umgekehrt (Kalyuga 2009)
| Prinzip | Für Anfänger | Für Fortgeschrittene |
|---|---|---|
| Worked Examples | Reduziert kognitive Last | Redundante Information erzeugt extrinsische Last |
| Problem Solving | Überfordert Arbeitsgedächtnis | Verfeinert und vernetzt bestehende Schemata |
Praktische Regel: Beginne mit hoher Unterstützung und reduziere sie graduell mit wachsender Expertise (Fading).
Wie Expertise entwickelt wird
Von Fakten zu automatisierten Prozeduren (Anderson 1982)
| Gedächtnissystem | Beschreibung | Beispiel |
|---|---|---|
| Deklarativ (“Wissen dass”) | Fakten, Regeln; bewusster Abruf | \(x + 5 = 12\) → Regel abrufen: “5 von beiden Seiten subtrahieren” → \(x = 7\) |
| Prozedural (“Wissen wie”) | Automatisiert; schnelle Ausführung | \(x + 5 = 12\) → sofort sehen: \(x = 7\) |
Der Weg zur Expertise
Deklarativ → Übungszyklen mit Feedback → Prozedural
Warum Abrufpraxis funktioniert
Abruf (Retrieval) ist eine der wirksamsten Formen dieser Übungszyklen, denn Abruf misst nicht nur Lernen, er erzeugt Lernen (Roediger und Butler 2011)
| Mechanismus | Wirkung |
|---|---|
| Stärkt Abrufrouten | Jeder erfolgreiche Abruf macht die Erinnerung zugänglicher |
| Identifiziert Lücken | Scheitern beim Abruf zeigt, was man nicht weiss |
| Fördert Elaboration | Rekonstruktion aktiviert verwandtes Wissen |
| Aktualisiert Kontext | Neue Abrufkontexte machen Wissen transferierbarer |
Deshalb funktionieren die Gedächtnis-Aktivierungen im Workshop: Nicht die Anstrengung selbst, sondern die durch den Abruf ausgelösten Prozesse festigen das Gelernte.
Drei verbreitete Missverständnisse
“Wenn es schwer ist, lerne ich nicht.”
“Wenn ich etwas produziere, lerne ich.”
“KI macht mich produktiver, also lerne ich mehr.”
Das Lernparadox (1/2)
Beim Kämpfen mit einem Problem
Wie es sich anfühlt:
- Frustration
- “Ich kann das nicht”
- Langsamer Fortschritt
- Unsicherheit
Was tatsächlich passiert (bei angemessener Herausforderung):
- Tiefes Verständnis bildet sich
- Schemata werden aufgebaut
- Langzeitgedächtnis wird aktiviert
- Echtes Lernen
Der Trugschluss: “Wenn es schwer ist, lerne ich nicht”
Das Lernparadox (2/2)
Beim Produzieren mit KI-Hilfe
Wie es sich anfühlt:
- Erfolgsgefühl
- “Ich bin produktiv”
- Schnelle Ergebnisse
- Selbstvertrauen
Was tatsächlich passiert:
- Oberflächliche Verarbeitung
- Keine Schemabildung
- Arbeitsgedächtnis kaum aktiv
- Illusion des Lernens
Der Trugschluss: “Wenn ich etwas produziere, lerne ich”
Das Lernparadox: Die Übersicht
Wir verwechseln Verarbeitungsflüssigkeit (wie leicht sich etwas anfühlt) mit Lernerfolg (Bjork 1994).
Produktive Anstrengung fühlt sich schwierig an, signalisiert aber, dass lernrelevante Prozesse aktiv sind.
Wenn es sich anstrengend anfühlt, ist das meistens ein gutes Zeichen.
Was wir jetzt wissen
Lernen = Schemabildung im Langzeitgedächtnis
Erfordert aktive kognitive Verarbeitung
Fühlt sich anstrengend an (metakognitive Falle)
Ziel: Transfer, also Wissen auf neue Situationen anwenden können
Jetzt die Frage: Was macht KI mit diesen Prozessen?
Bibliographie
Anderson, John R. 1982. „Acquisition of Cognitive Skill“. Psychological Review 89 (4): 369–406. https://doi.org/10.1037/0033-295X.89.4.369.
Bjork, Robert A. 1994. „Memory and Metamemory Considerations in the Training of Human Beings“. In Metacognition: Knowing about Knowing, 185–205. Cambridge, MA, US: The MIT Press. https://doi.org/10.7551/mitpress/4561.001.0001.
Chen, Ouhao, Fred Paas, und John Sweller. 2023. „A Cognitive Load Theory Approach to Defining and Measuring Task Complexity Through Element Interactivity“. Educational Psychology Review 35 (2): 63. https://doi.org/10.1007/s10648-023-09782-w.
Cui, Zheyuan (Kevin), Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, und Tobias Salz. 2024. „The Effects of Generative AI on High Skilled Work: Evidence from Three Field Experiments with Software Developers“. SSRN Scholarly Paper. Rochester, NY. 3. September 2024. https://doi.org/10.2139/ssrn.4945566.
Dell’Acqua, Fabrizio, Edward McFowland, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, und Karim R. Lakhani. 2023. „Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality“. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4573321.
Geary, David C. 2008. „An Evolutionarily Informed Education Science“. Educational Psychologist 43 (4): 179–95. https://doi.org/10.1080/00461520802392133.
Kalyuga, Slava. 2009. „The Expertise Reversal Effect“. In Managing Cognitive Load in Adaptive Multimedia Learning, 58–80. IGI Global Scientific Publishing. https://doi.org/10.4018/978-1-60566-048-6.ch003.
Kirschner, Paul A., Sweller, und Richard E. and Clark. 2006. „Why Minimal Guidance During Instruction Does Not Work: An Analysis of the Failure of Constructivist, Discovery, Problem-Based, Experiential, and Inquiry-Based Teaching“. Educational Psychologist 41 (2): 75–86. https://doi.org/10.1207/s15326985ep4102_1.
Roediger, Henry L., und Andrew C. Butler. 2011. „The Critical Role of Retrieval Practice in Long-Term Retention“. Trends in Cognitive Sciences 15 (1): 20–27. https://doi.org/10.1016/j.tics.2010.09.003.
Sweller, John. 2023. „The Development of Cognitive Load Theory: Replication Crises and Incorporation of Other Theories Can Lead to Theory Expansion“. Educational Psychology Review 35 (4): 95. https://doi.org/10.1007/s10648-023-09817-2.
Toner-Rodgers, Aidan. 2025. „Artificial Intelligence, Scientific Discovery, and Product Innovation“. 20. Mai 2025. https://doi.org/10.48550/arXiv.2412.17866.
