Wie Menschen lernen

Cognitive effort isn’t a bug—it’s the feature

Andrew Ellis

12 November, 2025

KI kann uns produktiver machen

• Wichtige Erkenntnisse aus der Forschung:
  • Dell’Acqua et al. (2023) erforschen die Möglichkeiten, mit KI-Unterstützung kognitive Aufgaben zu verbessern. Fazit: KI kann Produktivität und Qualität steigern, aber auch neue Herausforderungen ergeben.
  • Toner-Rodgers (2025) diskutiert die Implikationen von KI für die Forschung und betont die Balance zwischen menschlicher und maschineller Intelligenz.
  • Cui et al. (2024) analysieren die Auswirkungen von generativer KI auf Software Engineering und hebt sowohl Chancen als auch Herausforderungen hervor.
• Erkenntnisse:
  • Automatisierung von routinemässigen kognitiven Aufgaben ist möglich
  • Unterstützung kreativer Arbeit ist möglich
  • Deskilling: Gefahr, bei ständiger KI-Unterstützung eigene Fähigkeiten zu verlieren
  • Ohne Training: KI-Tools werden oft für ungeeignete Aufgaben eingesetzt

Aber halt…

🤔

Sollten Lernende überhaupt produktiver sein?

Was ist, wenn Anstrengung beim Lernen wichtig ist als das Ergebnis?

Warum existieren Schulen?

Wir unterscheiden zwischen:

Biologisch primärem Wissen:

• Wofür wir evolutionär angepasst sind
• Lernen geschieht mühelos und automatisch
• Beispiele: Sprechen lernen, Gesichter erkennen, soziale Interaktion

Biologisch sekundärem Wissen:

• Kulturelle Errungenschaften ohne evolutionäre Anpassung
• Erfordert bewusste Anstrengung und Instruktion
• Beispiele: Lesen, Schreiben, Mathematik, Programmieren

Primäres Wissen kann durch natürliche Entdeckung (discovery) erlernt werden, während akademische Fähigkeiten explizite Anleitung und strukturiertes Üben erfordern.

Experten vs. Anfänger

Experten haben eine neuronale Architektur, die Anfänger erst entwickeln müssen.

Zwei verschiedene Betriebssysteme

Dimension	Anfänger	Experten
Sehen	• Einzelne Teile	• Bedeutungsvolle Muster
Verarbeiten	• Schritt-für-Schritt-Denken • Deliberativ • Bewusste Anstrengung	• Automatische Prozeduren • Intuitiv • Unbewusst
Neural	• Schwache Verbindungen • Bahnen noch im Aufbau	• Myelinisierte neuronale Bahnen • Tausende Stunden geübt

Cognitive Load Theory

Warum Anfänger anders lernen müssen als Experten

Arbeitsgedächtnis

• Begrenzt: Wenige Elemente gleichzeitig
• Flüchtig: Sekunden bis Minuten
• Bottleneck: Hier findet aktives Lernen statt
• Problem: Schnell überlastet bei komplexen Aufgaben

Langzeitgedächtnis

• Unbegrenzt: Keine bekannte Obergrenze
• Dauerhaft: Jahre bis lebenslang
• Organisiert: Schemata und Chunks
• Lösung: Automatisierte Prozesse belasten Arbeitsgedächtnis nicht

Kernprinzip: Lernen = Transfer vom Arbeits- ins Langzeitgedächtnis durch Schemabildung (Wissensstrukturen)

Die drei Arten kognitiver Belastung

Art	Definition	Beispiel	Gestaltbar?
Intrinsisch	Komplexität des Lernstoffs selbst	Quantenphysik hat höhere intrinsische Last als Addition	❌ Nur durch Sequenzierung
Extrinsisch	Wie Material präsentiert wird	Text und Grafik getrennt vs. integriert	✅ Durch gutes Design minimierbar
Lernrelevant	Mentaler Aufwand für Schemabildung	Verbindungen herstellen, Muster erkennen	✅ Sollte maximiert werden

Das Lerndilemma:

• Gesamtlast darf Arbeitsgedächtnis nicht überfordern
• Aber: Lernrelevanter cognitive load ist essentiell für Expertise-Entwicklung
• Lösung: Extrinsische Last minimieren, um Raum für lernrelevante Last zu schaffen

CLT-Prinzipien für effektives Lernen

Prinzip	Für Anfänger	Für Fortgeschrittene	Implikation
Worked Examples	✅ Reduziert kognitive Last durch Beispiele	❌ Langweilt und hemmt	Scaffolding anpassen
Problem Solving	❌ Überfordert das Arbeitsgedächtnis	✅ Fördert Schemabildung	Timing ist kritisch

Der Expertise Reversal Effect

Was Experten hilft, kann Anfängern schaden—und umgekehrt. Lernumgebungen müssen sich an das Niveau anpassen.

Praktische Regel: Beginne mit hoher Unterstützung (Scaffolding) und reduziere sie graduell mit wachsender Expertise.

CLT und KI: Cognitive Offloading

Das Lernparadox: KI optimiert für Produktion statt Lernen

Kognitive Last	Ohne KI	Mit KI	Konsequenz
Intrinsisch	Bleibt konstant	Scheint reduziert	Komplexität wird versteckt, nicht bewältigt
Extrinsisch	Variabel	✅ Minimiert	Gut für Effizienz
Lernrelevant	Wird aufgebracht	❌ Eliminiert	Keine Schemabildung

CLT und KI: Cognitive Offloading

Drei kritische Lernmechanismen werden ausgeschaltet:

Mechanismus	Normal	Mit KI-Offloading
Vorhersagefehler	Lücke zwischen Erwartung & Realität = Lernsignal	Keine Erwartungen → kein Lernen
Gedächtniskonsolidierung	Aktive Verarbeitung → Speicherung	Passive Konsumption → Vergessen
Prozedurale Entwicklung	Tausende Wiederholungen → Automatismen	Überspringen → keine Expertise

Die CLT-Perspektive: Schwierigkeit ist kein Bug—sie ist das zentrale Feature für Expertise-Entwicklung

Wie Expertise entwickelt wird

Von Fakten zu automatisierten Prozeduren

Gedächtnissystem	Beschreibung	Eigenschaften	Beispiel
Deklaratives Gedächtnis	“Wissen dass”	• Fakten, Regeln • Bewusst, langsamer Abruf	“Um \(3x + 5 = 20\) zu lösen, \(5\) von beiden Seiten subtrahieren.”
Prozedurales Gedächtnis	“Wissen wie”	• Automatisierte Prozesse • Schnelle, mühelose Ausführung	\(3x + 5 = 20\) sehen → direkt wissen: \(x = 5\)

Der Weg zur Expertise

Deklarative Fakten → Tausende Übungszyklen → Prozedurale Automatismen

Abbildung von Scott H Young

Das Lernparadox: Gefühl ≠ Realität

Situation	Wie es sich anfühlt	Was tatsächlich passiert	Der Trugschluss
Beim Kämpfen mit einem Problem	• Frustration 😣 • “Ich kann das nicht” • Langsamer Fortschritt • Unsicherheit	• Neue neuronale Verbindungen entstehen • Tiefes Verständnis bildet sich • Langzeitgedächtnis wird aktiviert • Echtes Lernen 🧠	“Wenn es schwer ist, lerne ich nicht” ❌
Beim Produzieren mit KI-Hilfe	• Erfolgsgefühl 😊 • “Ich bin produktiv” • Schnelle Ergebnisse • Selbstvertrauen	• Oberflächliche Verarbeitung • Keine neuen Verbindungen • Arbeitsgedächtnis nur kurz aktiv • Illusion des Lernens 🃏	“Wenn ich etwas produziere, lerne ich” ❌

Die gefährliche Umkehrung

Unser Gehirn belügt uns: Was sich wie Lernen anfühlt (mühelose Produktion) ist oft das Gegenteil von Lernen.

Die Wahrheit: Echter Lernfortschritt fühlt sich wie Scheitern an.

“Cognitive effort isn’t a bug—it’s the feature.”

Bibliographie

Cui, Zheyuan (Kevin), Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, and 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. September 3, 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, and 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.

Toner-Rodgers, Aidan. 2025. “Artificial Intelligence, Scientific Discovery, and Product Innovation.” May 20, 2025. https://doi.org/10.48550/arXiv.2412.17866.