Wo ergibt KI im Lern-Lehr-Prozess eigentlich Sinn?

Die Debatte über künstliche Intelligenz in der Schule läuft fast immer als Grundsatzstreit: Teufelszeug oder Heilsversprechen, Verbot oder Pflichtfach. Beide Seiten behandeln KI als einen einzigen Block. Unterrichten besteht aber aus Schritten, die wenig miteinander zu tun haben: planen, erklären, üben, diagnostizieren, bewerten, nachsteuern. Die ehrlichere Frage lautet deshalb nicht ob, sondern wo. An welcher Stelle hilft eine Maschine wirklich, und wo ist sie überflüssig oder schädlich? Geht man den Prozess durch, trennt sich das überraschend sauber.

Planen: die Buchhaltung abgeben

Am Anfang steht der Jahresplan. Er entsteht aus drei Zutaten, die alle schon vorliegen: dem Rahmenplan, dem Schuljahreskalender mit seinen Ferien und Feiertagen und dem Stundenplan mit seinen realen Terminen. Aus diesen Zutaten einen datumsgenauen Plan für jede Klasse zu rechnen, ist stumpfe Arbeit, und sie veraltet in dem Moment, in dem die erste Stunde ausfällt. Genau solche Arbeit nimmt eine Maschine zuverlässig ab: den Entwurf aufstellen, bei Ausfall nachziehen, melden, wenn eine Klassenarbeit in die Quere kommt.

Abgenommen wird dabei die Buchhaltung. Die didaktische Entscheidung, welches Ziel Kern ist und welche Reihenfolge trägt, ohne eine Voraussetzung zu zerreißen, bleibt beim Menschen. Die Maschine schlägt vor und begründet ihren Vorschlag. Entscheiden darf sie nicht.

Erklären: die teuerste Sache der Welt, plötzlich bezahlbar

Der zweite Schritt ist der, an dem KI am meisten kann. Seit Benjamin Bloom 1984 das sogenannte Zwei-Sigma-Problem formulierte, kennt die Pädagogik ihren eigenen unbezahlbaren Goldstandard: Ein Kind, das einzeln betreut wird, lernt rund zwei Standardabweichungen besser als im normalen Klassenunterricht. Es liegt damit über 98 Prozent einer gewöhnlichen Klasse. Bezahlen konnte das bloß nie jemand. Dreißig Kinder, dreißig Privatlehrer, das geht nicht. Seit es Sprachmodelle gibt, rückt diese Eins-zu-eins-Betreuung im Ansatz in Reichweite: eine Maschine, die denselben Sachverhalt zum zwanzigsten Mal ohne Seufzen erklärt, mehr Darstellungen kennt als jeder Mensch und das Tempo jedem Kind einzeln anpasst.

Hier ist allerdings doppelte Vorsicht geboten, sonst kippt der Nutzen ins Gegenteil. Erstens: Eine Erklärung anzuschauen fühlt sich nach Lernen an. Wiedererkennen ist aber kein Abrufen. Die Lernforschung nennt das die Fluency-Illusion, und ein Video, das man nur konsumiert, ist eine der schwächeren Lernformen. Zweitens: Damit eine Erklärung trägt, muss das Kind sie steuern können. Richard Mayers Forschung zum Lernen mit Medien zeigt, dass Menschen besser lernen, wenn der Stoff in selbst gesteuerten Häppchen kommt statt in einem durchlaufenden Strom. Pausieren, zurückspulen, das eigene Tempo bestimmen: Genau das fehlt dem Kind, dem es im Klassenzimmer zu schnell geht.

Üben und Differenzieren: hier wird es echt

Beim Üben verändert KI, wie viel hängen bleibt. Zwei der bestbelegten Hebel der Lernforschung treffen hier zusammen. Der eine ist die Abrufübung: Sich selbst abfragen statt noch einmal zu lesen, schlägt das Wiederholen langfristig deutlich, der sogenannte Testing-Effekt. Der andere ist sofortiges Feedback. Beides scheitert im Klassenraum an der Menge. Keine Lehrkraft kann dreißig Kindern zu jeder Aufgabe sofort eine eigene Rückmeldung geben. Eine Maschine kann das, ohne müde zu werden.

Wichtig ist nur, dass die Differenzierung auf der richtigen Achse passiert. Das hartnäckigste Missverständnis der Schule ist der Glaube an Lernstile, die Idee, man müsse den visuellen Typ visuell und den auditiven auditiv bedienen. Die große Übersichtsarbeit von Pashler und Kollegen hat dafür keine tragfähige Evidenz gefunden. Was zählt, ist das Niveau: Wer braucht zuerst die fehlende Voraussetzung, wer ist reif für die schwere Variante, wer braucht einen zweiten Anlauf? Auf dieser Achse kann eine KI differenzieren, und das ist etwas anderes als eine bunte Verpackung desselben Stoffs.

Diagnostizieren: das Signal, für das nie Zeit war

Wer differenzieren will, muss wissen, wo jedes Kind steht. Dieses Signal hat adaptiver Unterricht immer gebraucht und nie gehabt, weil es niemand pro Schüler von Hand ausrechnen kann. Aus den Antworten eines Kindes herauszulesen, welches Ziel sitzt und welche typische Fehlvorstellung dahintersteckt, ist eine Mustererkennung, die eine Maschine gut leistet.

Das ist zugleich der heikelste Schritt. Ein Kompetenzprofil pro Kind ist sensibler als eine einzelne Note und gehört entsprechend behandelt: sparsam, pseudonym, der Schlüssel beim Menschen. Solange die Diagnose dem Lernen dient, ist KI hier am richtigen Platz.

Bewerten: die Maschine entwirft, der Mensch unterschreibt

Beim Bewerten kann KI die Rückmeldung skalieren, die sonst aus Zeitgründen unter den Tisch fällt. Jeder Fehler bekommt einen Kommentar statt eines roten Strichs, jede Lösung einen Hinweis, wie es weitergeht. Bei einem Stapel von dreißig Klassenarbeiten ist das viel wert.

Die Note selbst aber ist ein Urteil mit pädagogischer und rechtlicher Verantwortung. In Mecklenburg-Vorpommern gibt es dafür sogar eine Kennzeichnungspflicht. Die Maschine entwirft, der Mensch prüft und unterschreibt. Verantwortung lässt sich nicht an Software delegieren.

Wo KI nichts verloren hat

Und dann gibt es den Teil, der sich der Maschine ganz entzieht. Wie an anderer Stelle ausgeführt, ist eine KI erstaunlich gut im Erklären, Üben-Lassen und Rückmelden, also genau in dem, was sich als Handwerk beschreiben lässt. Was sie nicht kann, ist der pädagogische Bezug: ein anwesender Mensch, der dieses Kind kennt, dem es etwas bedeutet, ob es weiterkommt, und dem das Kind deshalb etwas zutraut. Erst recht kann sie niemanden in die Mündigkeit entlassen. Ein eigenes Urteil vorleben, Widerspruch aushalten, den Mut wecken, eine Aufgabe selbst zu stellen statt sie nur zu lösen: dafür braucht es jemanden im Raum.

An dieser Stelle fängt die Arbeit der Lehrkraft erst an. Je mehr die Maschine das Erklärbare übernimmt, desto sichtbarer wird der Kern des Berufs.

Der Prozess auf einen Blick

Der eigentliche Punkt

An jeder Stelle, an der KI hilft, hilft sie nur, wenn sie den Zusammenhang kennt. Der Plan ist erst nützlich, wenn die Maschine den Rahmenplan, den Kalender und den Stundenplan kennt. Die Erklärung trifft nur, wenn sie zum geplanten Ziel passt. Die Übung wirkt nur, wenn sie genau die Lücke trifft, die die Diagnose gefunden hat. Und die Diagnose ist nur etwas wert, wenn sie zurück in den Plan fließt.

Ein Chatbot, der auf Zuruf ein Arbeitsblatt schreibt, weiß von all dem nichts. Er bleibt ein isolierter Helfer für einen einzelnen Schritt, abgeschnitten von allem davor und danach. Der Sprung liegt in einem System, in dem alle diese Schritte dasselbe Bild des Prozesses teilen und jeder Schritt dem nächsten zuarbeitet.

Ein Chatbot formuliert alles und weiß nichts über diese Klasse.

Nichts davon ist Science-Fiction. Die einzelnen Teile gibt es längst, erste Untersuchungen aus echten Klassenzimmern deuten an, dass KI-gestütztes Üben messbar trägt, und der Rest ist Fleißarbeit. Bis diese Schritte zu einem System zusammenlaufen, das den ganzen Lehr-Lern-Prozess kennt, ist es eine Frage der Zeit. Ich arbeite gerade daran.

Quellen

• 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 (Eins-zu-eins-Betreuung rund zwei Standardabweichungen über dem Klassenunterricht).
• Roediger, H. L. & Karpicke, J. D. (2006): Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science, 17(3), 249–255 (Abrufübung schlägt Wiederholen langfristig deutlich, der Testing-Effekt).
• Pashler, H., McDaniel, M., Rohrer, D. & Bjork, R. (2008): Learning Styles: Concepts and Evidence. Psychological Science in the Public Interest, 9(3), 105–119 (keine tragfähige Evidenz für das Bedienen von Lernstilen).
• Mayer, R. E. (2009/2021): Multimedia Learning. Cambridge University Press (Lernen in selbst gesteuerten Häppchen statt im durchlaufenden Strom, das Segmentierungsprinzip).

Erstellt von Johannes Hohls.