Was Deeper Learning eigentlich meint - und wie KI dabei hilft
Der Begriff läuft gerade durch jede zweite Fortbildung, und wer ihn benutzt, meint selten dasselbe. Mal steht er für Projektunterricht, mal für Kompetenzorientierung, mal einfach für guten Unterricht mit anderem Etikett. Dabei hat Deeper Learning eine genaue Herkunft, eine belastbare Definition und empirische Befunde, die nicht nur schmeicheln. Und einen Zusammenhang mit Künstlicher Intelligenz, der über das gemeinsame Auftreten in Fortbildungen hinausgeht.
Die Herkunft: sechs Kompetenzen
Der Begriff stammt aus der amerikanischen Stiftungswelt. Die William and Flora Hewlett Foundation in Kalifornien legte 2013 eine Definition vor, die bis heute den Kern bildet. Deeper Learning heißt danach, dass Schüler sechs Dinge lernen:
- Fachliche Inhalte wirklich beherrschen, also Prinzipien und Zusammenhänge verstehen und auf neue Situationen anwenden können
- Kritisch denken und komplexe Probleme lösen, wozu ausdrücklich auch das Finden von Problemen gehört, nicht nur das Lösen vorgelegter
- Zusammenarbeiten, also im Team auf ein gemeinsames Ziel hinarbeiten
- Wirksam kommunizieren, schriftlich wie mündlich, mit geordneten Daten und Gedanken
- Lernen lernen, im Sinne von Metakognition und Selbststeuerung
- Ein tragfähiges akademisches Selbstbild entwickeln, also die Überzeugung, dass die eigene Anstrengung etwas bewirkt
Der erste Punkt wird beim Zitieren gern übersprungen. Die Liste beginnt mit Fachwissen, ohne Relativierung. Wer Deeper Learning gegen Wissensvermittlung ausspielt, hat die Definition nicht gelesen.
Die zweite Fassung: Fullans 6Cs
Parallel dazu baute Michael Fullan, der kanadische Schulentwicklungsforscher, mit Joanne Quinn ein internationales Schulnetzwerk auf: New Pedagogies for Deep Learning. Dort wurde die Liste umformuliert zu sechs Wörtern, die sich besser merken lassen und heute in den meisten Präsentationen auftauchen: Charakter, Bürgersinn, Zusammenarbeit, Kommunikation, Kreativität und kritisches Denken.
Der Unterschied zur Hewlett-Liste ist kein kosmetischer. Fullan nimmt Charakter und Bürgersinn dazu, also normative Ziele, und lässt das Fachwissen als eigene Kategorie fallen. Deshalb klingen die 6Cs stärker nach Persönlichkeitsbildung, während die ursprüngliche Definition näher am Unterrichtsfach bleibt. Wer die beiden Fassungen durcheinanderwirft, redet in Diskussionen schnell aneinander vorbei.
Der Realitätscheck
Die aufschlussreichste Arbeit zum Thema stammt von zwei Leuten, die nachgesehen haben, ob es tiefes Lernen im Schulalltag überhaupt gibt. Jal Mehta und Sarah Fine verbrachten sechs Jahre in dreißig amerikanischen High Schools, sammelten 750 Stunden Unterrichtsbeobachtung und veröffentlichten 2019 In Search of Deeper Learning.
Sie fanden es. Nur meistens nicht dort, wo sie gesucht hatten. Die dichtesten Momente entstanden in Wahlkursen und außerhalb des Stundenplans: Robotik, Debattierclub, Theater, Schülerzeitung. Im Kernunterricht der Hauptfächer blieb es die Ausnahme. Mehtas Erklärung dafür ist unbequem: Am Rand der Schule war die Verbindung zwischen dem, was Schüler tun, und dem, was Fachleute draußen tatsächlich tun, viel enger.
Der Befund ist deshalb hart, weil er nicht von schlechtem Unterricht handelt. Viele der beobachteten Stunden waren solide gemacht. Sie hatten nur keine Adressaten außerhalb des Raums.
Tiefes Lernen fand sich in der Theater-AG und im Debattierclub, nicht im Mathematikunterricht. Nicht weil dort schlechter unterrichtet wurde, sondern weil die Arbeit dort für jemanden bestimmt war.
Was die Wirkungsforschung zeigt
Die Zahlen dazu werden selten vollständig zitiert. Die American Institutes for Research untersuchten 2014 dreizehn Schulen aus dem Deeper Learning Network und stellten ihnen jeweils eine vergleichbare Schule ohne dieses Profil gegenüber. Alles öffentliche High Schools mit einer Schülerschaft, die im amerikanischen System als benachteiligt gilt.
Die kurzfristigen Ergebnisse fallen deutlich aus. Die Netzwerkschulen lagen bei der pünktlichen Abschlussquote acht bis neun Prozentpunkte höher, ihre Schüler erreichten bessere Werte in standardisierten Tests und schrieben sich häufiger an vierjährigen Colleges ein. Der Effekt auf den Abschluss zeigte sich unabhängig vom Geschlecht und vom Leistungsstand beim Eintritt, was für die Frage der Chancengerechtigkeit das eigentlich starke Ergebnis ist.
Langfristig wird das Bild dünner. Beim tatsächlichen Studienabschluss fand die Studie keine durchgehenden Unterschiede mehr, und regional lief es auseinander: In New York City positiv, in Kalifornien negativ. Die Forscher selbst nennen dafür mehrere Gründe, unter anderem dass die kalifornischen Vergleichsschulen mehr Advanced-Placement-Kurse anboten und dass die Netzwerkschulen die Studienberatung vernachlässigten. Bis zum Schulabschluss trägt der Effekt, danach wird es dünn.
Die deutsche Fassung
Nach Deutschland gebracht haben das Anne Sliwka, Erziehungswissenschaftlerin in Heidelberg, und Britta Klopsch vom KIT, 2022 mit einem Buch bei Beltz. Ihr Beitrag ist eine brauchbare Form. Aus der amerikanischen Programmsprache machen sie ein Modell mit drei Phasen, mit dem eine Lehrkraft am Montag etwas anfangen kann.
| Phase | Was darin passiert |
|---|---|
| Instruktion und Aneignung | Lehrergesteuert und kompakt: Fachbegriffe, Verfahren, das Grundgerüst des Themas. Diese Phase bleibt, sie wird nur kürzer. |
| Ko-Konstruktion und Ko-Kreation | Die Schüler bearbeiten in Gruppen eine Aufgabe, die groß genug für mehrere Lösungswege ist, und vertiefen dabei das Gelernte. |
| Authentische Leistung | Das Ergebnis geht an ein echtes Publikum statt in den Ordner. Der Leistungsnachweis verschiebt sich von der Klausur zum Produkt. |
Sliwka besteht auf der ersten Phase, und dieser Punkt ist wichtiger als er klingt. Wissen ist bei ihr der Rohstoff für Problemlösen und Kreativität, ohne ihn wird die zweite Phase Beschäftigungstherapie. Das unterscheidet den Ansatz von der Projektwoche, in der alle etwas basteln und niemand hinterher etwas kann.
Warum der Begriff gerade jetzt zurückkommt
Deeper Learning ist gut zehn Jahre älter als ChatGPT, aber die Dringlichkeit ist neu. Was schulische Prüfungen typischerweise abfragen, also Definitionen wiedergeben, ein Verfahren anwenden, einen Sachverhalt zusammenfassen, erledigt ein Sprachmodell in Sekunden. Ein Referat, zu Hause vorbereitet, sagt seit zwei Jahren wenig über den aus, der es hält.
Das macht die dritte Phase praktisch. Eine Leistung, die im Raum entsteht und vor einem Publikum verteidigt werden muss, lässt sich schwer delegieren. Das Argument ist prüfungspraktisch und vermutlich der Grund, warum das Konzept gerade überall auftaucht.
Damit ist die halbe Geschichte erzählt. Die andere Hälfte wird selten mitgedacht. Dieselbe Technik, die die alten Prüfungsformate entwertet, macht Deeper Learning im Regelunterricht zeitlich erst machbar.
Der Engpass ist die erste Phase
Wer das Drei-Phasen-Modell ernsthaft umsetzen will, stößt sofort auf ein Rechenproblem. Eine Einheit hat acht oder zehn Stunden, und die erste Phase frisst davon den größten Teil. Erklären, üben, nachüben, prüfen wer es kann, mit denen nochmal von vorn, die es nicht können. Was übrig bleibt, reicht für ein Plakat am letzten Tag.
Diese erste Phase ist der Teil des Unterrichts, den Maschinen am besten können. Adaptives Üben, sofortige Rückmeldung auf einen Rechenweg, eine Diagnose darüber, wer den Dreisatz noch nicht sicher hat, all das gibt es und funktioniert. Benjamin Blooms berühmter Befund von 1984, dass Einzelunterricht den Klassenunterricht um zwei Standardabweichungen schlägt, blieb folgenlos, weil niemand dreißig Hauslehrer bezahlen kann. An dieser Lücke ändert die Technik gerade etwas.
Der Hebel liegt damit in der ersten Phase. Mit KI die Instruktion verkürzen, die gewonnenen Stunden in Ko-Konstruktion und Produkt stecken. Im Alltag scheitert tiefes Lernen selten an der Idee, meistens an den Stunden, die vorher draufgehen.
Was KI in den drei Phasen tut
Legt man das Modell und die Technik nebeneinander, ergibt sich eine Arbeitsteilung, samt der Stellen, an denen sie kippt.
| Phase | Wobei KI hilft | Wo es kippt |
|---|---|---|
| Instruktion und Aneignung | Adaptives Üben, Diagnose der Basiskompetenzen, differenzierte Aufgabenvarianten in Sekunden, Rückmeldung auf jeden einzelnen Schritt. | Wenn Schüler die Aufgabe erledigen lassen, statt sie zu bearbeiten, wird genau die Wissensbasis hohl, auf der Phase zwei steht. |
| Ko-Konstruktion | Als Sparringspartner der Gruppe: Gegenargumente liefern, einen Ansatz durchrechnen lassen, eine Recherche vorsortieren, formatives Feedback im Moment der Arbeit. | Wenn die Aufgabe so gestellt ist, dass ein Modell sie fertig beantworten kann. Aufgaben mit eigenen Messwerten, lokalen Daten oder echten Adressaten sind immun, allgemeine Rechercheaufträge nicht. |
| Authentische Leistung | Bei der Form: Probelauf mit einem simulierten Publikum, Gliederung schärfen, Text auf Verständlichkeit für Laien prüfen, Grafiken aufbereiten. | Beim Inhalt. Was vor Publikum verteidigt wird, muss die Gruppe selbst durchdrungen haben, sonst bricht die erste Nachfrage alles auf. |
In der dritten Zeile steckt die Pointe. Die authentische Leistung ist derzeit die einzige Prüfungsform, die von Sprachmodellen praktisch unberührt bleibt, weil sie an Anwesenheit gebunden ist. Wer sein Prüfungswesen KI-fest machen will, landet zwangsläufig bei etwas, das dem dritten Schritt von Sliwka und Klopsch sehr ähnlich sieht.
Eine Schule, die das schon durchbuchstabiert hat
Wie das in der Praxis aussieht, kann man sich an einer einzelnen deutschen Schule ansehen. Benjamin Köhler, Schulleiter am Königin-Charlotte-Gymnasium in Stuttgart, betreibt unter tieferlernen.de eine Sammlung, die den Ansatz konsequent mit KI verschraubt: Videoreihen von den Grundlagen neuronaler Netze bis zur Frage, wann man ein Reasoning-Modell braucht, fertige KI-Curricula für einzelne Fächer, eine Nutzungsordnung zum Abschreiben und eine Prompt-Sammlung für den Unterrichtseinsatz.
Seine Reihenfolge ist das Lehrstück. Vor allen didaktischen Einsatzmöglichkeiten steht bei ihm die KI-Prävention, also die Frage, wie man verhindert, dass Schüler sich das eigene Lernen wegautomatisieren. Erst danach kommen Instruktion, formatives Feedback und die Analyse individueller Lernstände. Seinen eigenen Satz dazu würde ich mir über jede Fortbildung schreiben:
KI kann Lernergebnisse und Chancengerechtigkeit massiv verbessern. Sie kann aber auch beides untergraben. Gerade deshalb ist ein strukturierter und entschlossener Umgang mit ihr eine pädagogische wie systemische Pflicht.
Das ist die Arbeit einer einzelnen Schule und keine Forschungslage. Sie belegt nichts. Sie zeigt, dass eine Schule beides zusammendenken kann, ohne dafür ihre Struktur zu sprengen.
Was offen bleibt
Zwei Fragen beantwortet die Literatur nicht, und beide entscheiden darüber, ob aus dem Konzept Unterricht wird.
Die erste ist die Zeit. Deeper Learning setzt längere zusammenhängende Arbeitsphasen voraus. In einem Stundenplan, der ein Fach epochal mit einer Doppelstunde pro Woche vorsieht, liegen zwischen zwei Sitzungen sieben Tage, in denen die Gruppe vergisst, was sie sich vorgenommen hatte. Sliwka nennt Zeit, Raum, Team und Prüfungswesen als die vier Stellschrauben der Schulentwicklung, und die erste davon liegt nicht bei der einzelnen Lehrkraft.
Die zweite ist die Note. Wer vier Wochen Gruppenarbeit macht und am Ende eine Zeugnisnote für ein gemeinsames Produkt vergibt, bekommt in Deutschland zu Recht Ärger. Die Auflösung liegt darin, das Produkt gar nicht benoten zu wollen. Der individuelle Anteil wird getrennt erfasst, das gemeinsame Ergebnis fließt in die mündliche Mitarbeit ein. In den amerikanischen Quellen taucht dieses Problem kaum auf, weil die Bewertungssysteme dort andere sind. Für den deutschen Schulalltag ist es der Punkt, an dem die meisten Kollegen aussteigen, und die Literatur lässt sie damit allein.
Quellen
- William and Flora Hewlett Foundation (2013): Deeper Learning Defined - die sechs Kompetenzen im Wortlaut.
- American Institutes for Research (2014): Study of Deeper Learning: Opportunities and Outcomes - dreizehn Netzwerkschulen mit Vergleichsgruppe, Berichte 1 bis 3.
- Mehta, J. / Fine, S. (2019): In Search of Deeper Learning. The Quest to Remake the American High School. Harvard University Press.
- Fullan, M. / Quinn, J. u.a.: New Pedagogies for Deep Learning, deep-learning.global - Herkunft der 6Cs.
- Sliwka, A. / Klopsch, B. (2022): Deeper Learning in der Schule. Pädagogik des digitalen Zeitalters. Weinheim: Beltz.
- Bloom, B. S. (1984): The 2 Sigma Problem. The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher 13(6), 4-16.
- Köhler, B.: tieferlernen.de - Materialsammlung des Königin-Charlotte-Gymnasiums Stuttgart zu tiefem Lernen und KI, mit Nutzungsordnung, Fachcurricula und Prompt-Sammlung.
Erstellt von Johannes Hohls.