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. Beides führt nicht weit, weil beides die KI als einen einzigen Block behandelt. Unterrichten ist aber kein Block, sondern ein Prozess aus vielen 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 dieses Prozesses hilft eine Maschine wirklich, und an welcher ist sie überflüssig oder sogar schädlich? Geht man den Prozess Schritt für Schritt durch, trennt sich das überraschend sauber.

Planen: die Buchhaltung, nicht das Denken

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.

Was sie hier abnimmt, ist allerdings nicht das Denken, sondern die Buchhaltung. Die didaktische Entscheidung, welches Ziel Kern ist und welches verzichtbar, welche Reihenfolge trägt und welche eine Voraussetzung zerreißt, bleibt beim Menschen. Die sinnvolle Rolle der Maschine ist hier die einer Entwurfshilfe, die vorschlägt und begründet, nicht die einer Instanz, die still entscheidet.

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. Das Problem war nie, dass man das nicht wüsste, sondern dass es niemand bezahlen kann. Dreißig Kinder, dreißig Privatlehrer, das geht nicht. Zum ersten Mal gibt es einen Kandidaten, der diese Eins-zu-eins-Betreuung im Ansatz bezahlbar macht: eine Maschine, die unendlich geduldig ist, denselben Sachverhalt zum zwanzigsten Mal ohne Seufzen erklärt, mehr Beispiele und 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, ist aber keins. Wiedererkennen ist nicht 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: Das ist genau das, was dem Kind fehlt, dem es im Klassenzimmer zu schnell geht. Erklären durch KI ergibt also Sinn, aber unter einer Bedingung, und die führt direkt zum nächsten Schritt.

Üben und Differenzieren: hier wird es echt

Beim Üben ist KI nicht nur bequem, sondern verändert tatsächlich, 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 einzelnen Aufgabe sofort eine individuelle Rückmeldung geben. Eine Maschine kann das, geduldig und ohne Ende.

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 wirklich zählt, ist nicht der Kanal, sondern das Niveau: Wer braucht zuerst die fehlende Voraussetzung, wer ist reif für die schwere Variante, wer braucht noch einen zweiten Anlauf? Genau auf dieser Achse kann eine KI sinnvoll differenzieren, und das ist etwas anderes als 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 es gehört entsprechend behandelt: sparsam, pseudonym, der Schlüssel beim Menschen, nicht achtlos in irgendeiner Cloud. Sinnvoll ist KI hier, solange die Diagnose dem Lernen dient und nicht zur Überwachung wird.

Bewerten: die Maschine entwirft, der Mensch unterschreibt

Beim Bewerten kann KI die Rückmeldung skalieren, die sonst aus Zeitgründen unter den Tisch fällt: Statt eines roten Strichs bekommt jeder Fehler einen Kommentar, jede Lösung einen Hinweis, wie es weitergeht. Das ist ein echter Gewinn, gerade bei Stapeln von Klassenarbeiten.

Die Note selbst aber ist ein Urteil mit pädagogischer und rechtlicher Verantwortung. In Mecklenburg-Vorpommern gibt es dafür sogar eine Kennzeichnungspflicht. Die sinnvolle Arbeitsteilung ist hier klar: 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. Und sie kann erst recht nicht das, worum es am Ende geht, nämlich jemanden in die Mündigkeit zu entlassen, ein eigenes Urteil vorzuleben, Widerspruch auszuhalten, den Mut zu wecken, eine Aufgabe selbst zu stellen, statt sie nur zu lösen, auch gegen die Maschine.

Das ist keine Schwäche, die man wegprogrammieren wird, sondern die Stelle, an der die Arbeit der Lehrkraft erst anfängt. Je mehr die Maschine das Erklärbare übernimmt, desto sichtbarer wird, dass der Kern des Berufs woanders liegt.

Der Prozess auf einen Blick

Der eigentliche Punkt

Wer die Liste durchgeht, bemerkt etwas: 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 deshalb nicht in einem besseren Modell, sondern in einem System, in dem alle diese Schritte dasselbe Bild des Prozesses teilen, sodass jeder Schritt dem nächsten zuarbeitet.

Der Unterschied liegt nicht im Modell, sondern darin, dass es etwas zu wissen hat.

So gelesen ist die Antwort auf die Ausgangsfrage gar nicht eine Liste von Einzelfunktionen, sondern eine Bauanleitung: KI ergibt im Lern-Lehr-Prozess dort Sinn, wo sie in den ganzen Prozess eingebettet ist und nicht daneben steht.

Nichts davon ist Science-Fiction. Die einzelnen Teile gibt es längst, erste Untersuchungen aus echten Klassenzimmern deuten an, dass KI-gestütztes Üben messbar tragen kann, und der Rest ist Fleißarbeit, kein Wunder. Es ist eigentlich nur eine Frage der Zeit, bis diese Schritte zu einem System zusammenlaufen, das den ganzen Lehr-Lern-Prozess kennt statt nur einen Ausschnitt. 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.