Was ist „Cognitive Offloading“ (kognitive Entlastung) und wie beeinflusst KI das Lernen?

Ein Lernender erhält eine Aufgabe, lässt sie von einer KI lösen und liest sich die Erklärung aufmerksam durch. Alles scheint klar zu sein. Doch bei der nächsten, ähnlichen Aufgabe – diesmal ohne Hilfestellung – treten erneut Schwierigkeiten auf. Die Logik einer bereits ausgearbeiteten Lösung nachzuvollziehen, ist etwas anderes, als selbstständig einen Handlungsschritt zu wählen. Wenn eine Technologie kontinuierlich genau die Schritte übernimmt, die die Lernenden eigentlich beherrschen sollten, findet möglicherweise kein echter Lernprozess statt – selbst wenn das Endergebnis korrekt aussieht und die Lernenden den Zeitaufwand subjektiv als nützlich empfinden.

Dennoch ist externe Unterstützung ein ganz normaler Bestandteil unseres Denkens. Wir nutzen Notizen, Kalender oder Nachschlagewerke, um nicht alles im Gedächtnis behalten zu müssen. Risko und Gilbert untersuchen „Cognitive Offloading“ als eigenständiges Forschungsthema mit vielfältigen Mechanismen und Konsequenzen. Anstatt jegliche Unterstützung pauschal zu verbieten, sollten Kursentwickler genau abwägen: Welche Teile einer Aufgabe können extern bearbeitet werden, und welche Schritte sollten zwingend vom Lernenden selbst ausgeführt werden?

Das Lernziel bestimmt, was an ein Werkzeug delegiert werden kann

Wenn es in einem Kurs darum geht, Schlussfolgerungen zu begründen, kann eine automatisierte Formatierung Aufmerksamkeit für die inhaltliche Arbeit freisetzen. Besteht das Lernziel hingegen darin, genau diese Formatierungsmethode zu erlernen, so entzieht die Automatisierung dem Lernenden genau den Schritt, den er eigentlich üben sollte. Es gibt keine allgemeingültige Liste von „hilfreichen“ oder „schädlichen“ Funktionen – alles hängt vom jeweiligen Lernkontext ab. Definieren Sie zunächst das angestrebte Lernergebnis und analysieren Sie dann, welche Funktion die KI übernimmt. Was in einem beruflichen Kontext eine sinnvolle Unterstützung sein kann, ist für eine einführende Übung zum selben Thema möglicherweise eine schlechte Wahl.

Unterteilen Sie Aufgaben in inhaltliche Einzelschritte – etwa das Verstehen der Rahmenbedingungen, die Wahl einer Methode, Berechnungen, das Überprüfen von Annahmen oder das Erläutern von Schlussfolgerungen. Markieren Sie dabei den jeweils angestrebten Lernschritt. Ein Anfänger benötigt möglicherweise Unterstützung bei mehreren Schritten, während ein erfahrener Lernender vielleicht nur bei einer komplexen Entscheidungshürde Hilfe braucht. Eine solche Strukturierung ermöglicht es, präzise Regeln für den Einsatz von KI festzulegen. Lernende erkennen den Grund für eine solche Einschränkung: Eine bestimmte Handlung bleibt in ihrem Verantwortungsbereich, da sie lernen müssen, diese selbstständig auszuführen und zu überprüfen.

Verwechseln Sie die Reduzierung unnötiger Belastung nicht mit einer Vereinfachung des Lernstoffs. Komplexe Anweisungen klarer zu formulieren, kann den Zugang zu einer Aufgabe erleichtern. Die Bereitstellung einer bereits ausgearbeiteten Analyse verändert den Übungsprozess selbst. Das Suchen nach Dateien oder das Entschlüsseln unklarer Anforderungen stellt nicht zwangsläufig eine „nützliche“ Schwierigkeit dar. Beseitigen Sie organisatorische Hürden, während Sie die kognitive Arbeit, die für das Erreichen der Lernziele erforderlich ist, beibehalten – im Gegensatz zu rein formalen Aspekten der Aufgabenpräsentation.

Ein Gefühl der Leichtigkeit spiegelt nicht das gesamte Lernergebnis wider.

Eine gut verfasste Analyse zu lesen, ist oft einfacher, als sie selbst zu erstellen. Dies kann zu einem übermäßigen Vertrauen in die eigene Handlungsfähigkeit führen. Stellen Sie mehr Fragen als nur: „Ist es verständlich?“ – geben Sie ein neues Beispiel vor und bitten Sie die Lernenden, einen Schritt auszuwählen und diesen zu begründen. So können Lehrende erkennen, welche neuen Kompetenzen entstanden sind. Beurteilen Sie die Fähigkeiten einer Person nicht anhand eines einzelnen Fehlers; erforderlich sind stattdessen angemessene Übungsmöglichkeiten, ein passender Schwierigkeitsgrad sowie Gelegenheiten für präzises Feedback.

In der Studie von Bastani und Kollegenunterschieden sich die Ergebnisse während einer durch generative KI unterstützten Übungsphase von der späteren Leistung ohne diese Unterstützung. Dieses Beispiel aus dem schulischen Mathematikunterricht verdeutlicht, warum die Gestaltung von Unterstützung entscheidend ist. Es beweist keineswegs, dass jeder Einsatz von KI zwangsläufig zu einer Schwächung von Kompetenzen führt. Eine präzisere praktische Fragestellung lautet: Hilft das Werkzeug den Lernenden dabei, die notwendige Anstrengung zu erbringen, oder ersetzt es diese systematisch durch vorgefertigte Antworten? Überprüfen Sie dies anhand einer geeigneten Aufgabe, anstatt lediglich auf die Zeitersparnis zu schließen.

Auch Umfragen unter Mitarbeitenden zum Thema „Anstrengung“ erfordern eine sorgfältige Interpretation. Der Beitrag von Lee und Kollegen für die CHI 2025 Dies stützt sich auf Selbsteinschätzungen zum kritischen Denken bei der Arbeit mit generativer KI (GenAI). Betrachten Sie dies nicht als direkten experimentellen Beweis für eine langfristige Verschlechterung des Denkvermögens bei jedem Nutzer. Für ein Lernprogramm ist es wertvoller, die angestrebten Lernhandlungen und die Bedingungen für deren erfolgreiche Ausführung zu erfassen, anstatt eine reißerische Schlagzeile pauschal auf jede Form der Unterstützung für Lernende zu übertragen.

Der erste Lösungsversuch als Grundlage für Hilfestellungen

Bitten Sie die Lernenden zunächst, ihren Ansatz darzulegen: Welche Methode haben sie gewählt, an welchem ​​Punkt sind sie nicht weitergekommen, und was ist ihnen unklar? Dies kann in Form einer kurzen Notiz, eines Diagramms oder eines ersten Lösungsansatzes geschehen. Vermeiden Sie es, Lernende dazu zu drängen, über längere Zeit ohne Unterstützung erfolglos an einer Aufgabe zu arbeiten. Der erste Versuch sollte den Denkprozess sichtbar machen und als Basis für eine gezielte Hilfestellung dienen. Fehlt den Lernenden lediglich eine notwendige Voraussetzung, benötigen sie eine Erläuterung – keine formale Aufforderung, weiter nach einer Antwort zu suchen, für die ihnen die Grundlagen fehlen.

Bitten Sie die KI anschließend, eine klärende Frage zu stellen oder lediglich den nächsten Schritt aufzuzeigen. Die Lernenden führen diesen Schritt aus und überprüfen das Ergebnis. Auf diese Weise bleibt ein Teil der kognitiven Arbeit bei den Lernenden selbst. Doch allein der Grundsatz „Gib nicht die Antwort vor“ garantiert noch keine pädagogische Qualität. Überprüfen Sie die tatsächlichen Interaktionen: KI-Tools könnten Lösungen indirekt verraten oder sich in allgemeinen Floskeln verlieren. Definieren Sie Beispiele und Kriterien für Hilfestellungen, die den Lernprozess tatsächlich voranbringen – anstatt lediglich freundlich zu klingen.

Eigenständige Lösungsversuche können auch im Anschluss an eine vollständige Erklärung erfolgen. Schließen Sie die Erklärungsphase ab und fordern Sie die Lernenden auf, den zentralen Schritt anhand neuer Daten nachzuvollziehen. Gelingt dies nicht, sollte das zugrunde liegende Prinzip noch einmal aufgegriffen werden. Dies ist aufschlussreicher, als denselben Text erneut zu lesen, ohne die eigentliche Lernhandlung anzupassen. Übungsaufgaben sollten nicht als „Strafe“ für die Nutzung eines Hilfsmittels dienen. Erklären Sie stattdessen den Zweck: Es geht darum zu überprüfen, ob die Unterstützung dazu beigetragen hat, einen Lösungsansatz zu entwickeln, der auch ohne weitere Hilfe Bestand hat.

Die Rolle von Hilfestellungen sollte sich schrittweise wandeln

Zu Beginn kann ein detailliertes, vollständig ausgearbeitetes Beispiel erforderlich sein. Später sollten die Lernenden einzelne Schritte selbst übernehmen, bis sie schließlich in der Lage sind, eine neue Aufgabe ohne die ursprüngliche Unterstützung zu bewältigen. Lernprinzipien der Carnegie Mellon University Verknüpfen Sie die Beherrschung einer Fähigkeit mit den dazugehörigen Teilfertigkeiten, deren Integration sowie dem Verständnis dafür, wann diese jeweils anzuwenden sind. Gestalten Sie diesen Lernprozess gezielt; gehen Sie nicht davon aus, dass das bloße Lesen zahlreicher KI-generierter Antworten automatisch die gewünschte Kompetenz vermittelt.

Reduzieren Sie Unterstützung nicht pauschal für alle Lernenden, ohne deren tatsächliche Leistung zu berücksichtigen. Während ein Lernender einen bestimmten Schritt bereits sicher beherrscht, benötigt er bei einem anderen möglicherweise weiterhin Unterstützung. Bewerten Sie die Qualität der ausgeführten Handlung, nicht die Anzahl der ausgetauschten Nachrichten. Dient die Unterstützung als dauerhaftes professionelles Hilfsmittel, muss sie nicht zwingend entfernt werden. Das Lernziel kann durchaus den korrekten Einsatz solcher Hilfsmittel sowie die Überprüfung der Ergebnisse umfassen. Benennen Sie klar, was das Endergebnis tatsächlich widerspiegelt: eigenständige Entscheidungen oder eine kompetente Leistung unter Nutzung vereinbarter Hilfsmittel.

Lernende profitieren von unterschiedlichen Erklärungsansätzen: etwa durch den Hinweis auf ein grundlegendes Prinzip, die Erläuterung eines Teilschritts, ein Gegenbeispiel oder eine umfassende Analyse. Wählen Sie den Ansatz passend zur jeweiligen Hürde. Manchmal ist eine gezielte kurze Frage hilfreicher als ein langer Vortrag – in anderen Fällen ist ein vollständiges Beispiel erforderlich. Wenden Sie die sokratische Methode nicht schematisch auf jede Situation an. Stellen Sie sicher, dass Ihre Hinweise zum Wissensstand der Lernenden passen und sie tatsächlich dem Lernziel näherbringen, anstatt lediglich ein endloses Gespräch ohne erkennbaren Lernfortschritt aufrechtzuerhalten.

Eine fertige Antwort zum Gegenstand einer Analyse machen

Fordern Sie die Lernenden dazu auf, Annahmen zu identifizieren, Zahlen zu überprüfen, Methoden zu vergleichen oder aufzuzeigen, an welchen Stellen Schlussfolgerungen über die vorliegenden Daten hinausgehen. Auf diese Weise werden KI-Antworten zu Übungsmaterial. Hierfür ist ein fachspezifischer Lösungsschlüssel oder eine verlässliche Grundlage zur Überprüfung erforderlich. Fehlen den Lernenden Kriterien für die Richtigkeit, ist die Aufforderung „Bewerten Sie die Antwort“ möglicherweise zu vage. Zeigen Sie zunächst auf, welche Aspekte untersucht werden sollten, und übertragen Sie die Aufgabe dann schrittweise an die Lernenden – wobei die Möglichkeit bestehen bleiben sollte, schwierige Fälle gemeinsam mit den Lehrenden zu klären.

Fügen Sie auch korrekte Beispiele hinzu. Wenn jede Übungsantwort absichtlich falsch ist, lernen die Lernenden, unabhängig vom Inhalt nach Fehlern zu suchen. In der Praxis ist es jedoch wichtig, zwischen korrekten, unvollständigen und ungeeigneten Lösungen zu unterscheiden. Geben Sie Gründe für Akzeptanz und Kritik. Die Teilnehmenden sollten erläutern, warum eine Schlussfolgerung brauchbar ist, was klärungsbedürftig ist und wo Entscheidungen auf Daten beruhen, die im verfügbaren Material oder in der ursprünglichen Aufgabenstellung fehlen.

Bewahren Sie für Schreibübungen einen ersten Entwurf auf und vergleichen Sie ihn mit der KI-Bearbeitung. Welche Änderungen verbessern die Verständlichkeit, verändern die Bedeutung oder sollten abgelehnt werden? Dies unterstützt die Entscheidungen der Autor*innen; die Annahme aller Überarbeitungen nimmt diese Möglichkeit. Wenn der Kurs auf der WeStudy-LMS-Plattform stattfindet, stellen Sie einen barrierefreien Aufgabenpfad und eine Erläuterung der Kriterien bereit. Prüfen Sie, wie Versionen in den aktuellen Einstellungen eingereicht werden können, anstatt von einer speziellen Vergleichsfunktion auszugehen.

Schreiben unter Wahrung der Entscheidungen der Autor*innen

In einer hypothetischen Übung verfassen die Teilnehmenden einen kurzen argumentativen Text. Zunächst formulieren die Studierenden eine These, wählen zwei Belege aus und erläutern deren Zusammenhang. Die KI kann unklare Passagen identifizieren oder alternative Interpretationen vorschlagen. Eine fertige Überarbeitung ist nicht das Hauptziel: Die Studierenden sollen lernen, Argumente zu entwickeln. Daher überlassen die Dozenten die Wahl von These und Belegen den Studierenden und nutzen das Tool, um die Verständlichkeit zu überprüfen und mögliche Fragen der Leserschaft zu ihren ursprünglichen Ideen zu identifizieren.

Nach der Rückmeldung wählen die Studierenden eine vorgeschlagene Änderung aus und begründen ihre Zustimmung oder Ablehnung. Jede neue Information, die die KI hinzufügt, muss separat überprüft werden. Eine flüssige Formulierung kann fehlende Belege nicht ersetzen. Beachten Sie die Bedeutungsänderungen, bevor Sie sie akzeptieren. Das Überarbeiten wird so zu einer Übung in bewusster Entscheidungsfindung. Die Teilnehmenden müssen dem Tool nicht zustimmen; sie sollten ihre Argumentation erläutern und eine Version behalten, für deren Inhalt sie selbstständig die Verantwortung übernehmen können.

Anschließend verfassen die Teilnehmenden einen weiteren kurzen Text ohne automatische Bearbeitung oder mit klar definierter Unterstützung. Die Dozenten prüfen den Argumentationsaufbau und nicht die Ähnlichkeit zum vorherigen KI-Text. Falls das Prinzip fehlt, sollten kontrastierende Beispiele erneut betrachtet werden. Dies sind Lerninformationen und kein Grund, jeden Assistenten des Fehlverhaltens zu bezichtigen. Ermitteln Sie, welcher Schritt für die Teilnehmenden noch nicht zugänglich ist, und welche Übung zu ihrem aktuellen Kenntnisstand passt, um ihnen bei der Bewältigung dieses Schrittes zu helfen.

Erfahrene Autorinnen und Autoren verfolgen möglicherweise ein anderes Ziel: Sie möchten zügig einen brauchbaren Text erstellen und überprüfen. Eine umfassendere redaktionelle Bearbeitung ist dann sinnvoll, wenn sie die inhaltliche Kontrolle behalten. Dasselbe Werkzeug erfüllt in diesen Situationen unterschiedliche Funktionen. Verknüpfen Sie Regeln mit konkreten Aufgaben, anstatt bestimmte Funktionen pauschal zu sperren. So erkennen die Teilnehmenden, wo sie den Aufbau eigener Argumente üben und wo sie professionelle Unterstützung für ein Endergebnis nutzen können – wobei die Verantwortung für dessen Richtigkeit weiterhin bei ihnen liegt.

Berechnungen mit nachvollziehbarer Methodenwahl

Stellen Sie sich eine Aufgabe vor, bei der die zentrale Herausforderung in der Wahl der Berechnungsmethode besteht. Ein Taschenrechner oder eine KI kann zwar schnell ein Ergebnis liefern, doch für die Lehrenden ist es entscheidend zu sehen, ob die Lernenden die zugrunde liegenden Bedingungen erkannt haben. Lassen Sie die Lernenden daher zunächst die Methode benennen und das Merkmal erläutern, das diese Wahl rechtfertigt. Erlauben Sie anschließend – nach vorheriger Absprache – technische Unterstützung bei der eigentlichen Berechnung, sofern diese nicht das primäre Lernziel der Übung darstellt. Auf diese Weise wird die Aufmerksamkeit auf die erforderliche Entscheidung gelenkt, ohne dass die eigentliche Lernaufgabe entfällt.

Bieten Sie im nächsten Schritt zwei ähnliche Beispiele mit unterschiedlichen Rahmenbedingungen an. Eine KI kann dabei helfen, Aufgaben für einen Vergleich zu erstellen; die Lernenden müssen jedoch selbst erklären, worin der Unterschied besteht. Überprüfen Sie die Beispiele vorab: Fehlende Angaben oder rein oberflächliche Unterschiede würden das didaktische Konzept untergraben. Lehrende sollten das erwartete Ergebnis sowie dessen Begründung kennen. Andernfalls droht die Diskussion in ein rein rhetorisches Gespräch abzudriften, bei dem der nachvollziehbare Zusammenhang zwischen den gegebenen Bedingungen und der fachlich korrekten Wahl verloren geht.

Nach der Unterstützung sollte ein neuer Fall präsentiert werden. Das Prinzip bleibt erhalten, jedoch werden die Zahlen und der inhaltliche Kontext angepasst. Die Begründung der Wahl liefert andere Belege als das bloße Kopieren einer fertigen Lösung. Rechenfehler müssen von Methodenfehlern getrennt werden, um den nächsten Schritt festzulegen. Es ist nicht erforderlich, für ein eng begrenztes Problem ein ganzes Modul zu wiederholen oder die Beherrschung des Fachgebiets allein deshalb zu erklären, weil ein Tool das richtige Ergebnis liefert, ohne die gewählte Vorgehensweise nachvollziehbar zu begründen.

Ein verifiziertes Berechnungstool kann ein normaler Bestandteil beruflicher Kompetenz sein. In den Kursen wird daher auch die Überprüfung von Eingaben, Einheiten und Plausibilität vermittelt. Dies ist genauso substanziell wie eine manuelle Berechnung, sofern sie der beruflichen Aufgabe entspricht. Es sollte jedoch separat benannt und bewertet werden. Die Verwendung eines fertigen Modells beweist nicht automatisch das Verständnis aller seiner internen Methoden, und die Kenntnis einer Formel garantiert nicht die korrekte Anwendung des Tools bei unvollständigen realen Daten.

Programmieren mit Verständnisprüfung

Anfänger erhalten möglicherweise einen größeren, fertigen Codeabschnitt von einer KI, ohne dessen Funktionsweise zu verstehen. Die Lernaufgabe sollte daher eingeschränkt werden: Eine Funktion erklären, eine Ausgabe vorhersagen oder die Fehlerursache finden. Die Lernenden formulieren zunächst das erwartete Verhalten und einen kurzen Plan. Tools können bei der Syntax helfen, wenn ein anderes Lernziel überprüft wird. Ist die Syntax selbst Gegenstand der Übung, kann die automatische Vervollständigung notwendige Übung überflüssig machen. Die Unterstützung richtet sich nach dem konkreten Ergebnis und nicht nach der Bezeichnung der Disziplin.

Bitten Sie die Teilnehmenden um ein Beispiel, das das Verhalten einer Funktion testet, und um eine Erklärung der erwarteten Ausgabe. Ausführbarer Code löst die Aufgabe nicht immer; Annahmen können falsch sein oder ein Fall fehlt. Die Lernenden müssen diesen Unterschied erkennen. Eine komplexe Testinfrastruktur ist für jede kleine Übung unnötig. Eine sinnvolle Handlung, die Verständnis zeigt, genügt: Vorhersage, Erklärung, Korrektur oder Weiterleitung zu einem anderen Beispiel unter vereinbarten Unterstützungsbedingungen.

Nach einem KI-Hinweis ändern Sie eine Eingabe oder fügen eine kurze Anforderung hinzu. Können die Teilnehmenden die Konsequenz vorhersehen und den relevanten Teil modifizieren? Dies unterscheidet das Verstehen vom bloßen Abschreiben eines fertigen Fragments. Dennoch sollte eine mündliche Wiedergabe nicht als alleiniger Beweis für alle gelten. Bieten Sie zugängliche schriftliche oder praktische Erklärungen an, die den Fokus auf die eigentliche Lernhandlung beibehalten. Die Leistungsbewertung sollte Wissen fair prüfen, ohne dabei einseitig von einer bestimmten Ausdrucksweise oder der Geschwindigkeit der Antwort abhängig zu sein.

Für erfahrene Fachkräfte kann die Generierung von Standard-Code eine produktive Unterstützung sein. Entscheidend sind dann die anschließende Überprüfung, die Einordnung in den Kontext und die Verifizierung. Lernprogramme sollten diesen Modus klar vom Prozess des ursprünglichen Erlernens abgrenzen. Schließen Sie nicht allein daraus, dass ein Ergebnis funktioniert – und unter unbekanntem Ausmaß an Unterstützung entstanden ist –, dass eine Person „programmieren kann“. Eine präzisere Einschätzung erfordert Angaben dazu, welche Teile selbst erstellt oder überprüft wurden und unter welchen Bedingungen die Person das Verhalten der Lösung erklären oder anpassen konnte.

Regeln für die KI-Unterstützung festlegen, statt gegen das Werkzeug zu arbeiten

Halten Sie vor Beginn einer Übung fest, was erlaubt ist, was die Teilnehmenden eigenständig erbringen müssen und warum dies so ist. Ein unbekannter Fachbegriff darf beispielsweise erklärt werden, während die Auswahl der Argumente in der Verantwortung der Lernenden bleibt. Formulieren Sie die Regeln so präzise, ​​dass keine Unklarheit über die Grenzen besteht. Falls unterschiedliche Stufen der Unterstützung zulässig sind, benennen Sie diese und legen Sie fest, wie diese offengelegt werden sollen. Dies fördert das Vertrauen und liefert Lehrenden einen Kontext für die Bewertung – anstatt sie dazu zu zwingen, im Schreibstil nach versteckten Hinweisen auf eine KI-Generierung zu suchen.

Verlangen Sie nicht für jede Interaktion umfangreiche technische Berichte. Oft genügt eine kurze Erläuterung dazu, welche Hilfsmittel genutzt und welche Aspekte von den Lernenden überprüft wurden. Die Dokumentation sollte dem Lernziel angemessen sein. Erfordert sie mehr Aufwand als die eigentliche Übung, sollte das Vorgehen überdacht werden. Im Mittelpunkt muss die Lernhandlung stehen; das bloße Sammeln von Screenshots ist nicht das Ziel. Die Teilnehmenden sollten wissen, welche Nachweise den Lehrenden helfen, ihre Arbeit zu verstehen – und warum diese für eine fundierte Einschätzung der Lernergebnisse notwendig sind.

Wo es das Lernziel zulässt, sollten Aufgaben auch ohne einen bestimmten externen Dienst bearbeitet werden können. Lernende haben unterschiedliche Voraussetzungen und Bedürfnisse. Wenn ein spezifisches Werkzeug für den Kurs unerlässlich ist, sollten die Anforderungen vorab kommuniziert werden. Es ist wichtig, das Fehlen eines Abonnements nicht mit einem Mangel an Wissen gleichzusetzen. Unterscheiden Sie zwischen der Kompetenz im Umgang mit Werkzeugen, der fachlichen Leistung und technischen Hürden, damit Unterstützung und Bewertung gezielt an der tatsächlichen Ursache für die Schwierigkeiten eines Teilnehmenden ansetzen können.

Bewertung der erforderlichen Handlung nach Inanspruchnahme von Unterstützung

Ein neues Beispiel sollte das gleiche Prinzip erfordern, ohne dass eine bereits fertige Lösung einfach übernommen werden kann. Erläutern Sie, welche Unterstützung zulässig ist, und halten Sie an diesen Rahmenbedingungen fest. Sollte die Leistung schwächer ausfallen, untersuchen Sie die Ursachen: Fehlen grundlegende Voraussetzungen? Hat ein Hinweis zu früh zu viel verraten? Oder misst die Aufgabe möglicherweise etwas anderes als beabsichtigt? Schließen Sie nicht vorschnell von einem Einzelfall auf ein generelles technisches Problem. Vergleiche müssen aussagekräftig sein und sich auf die jeweilige Fragestellung beziehen. Um fundierte kausale Schlussfolgerungen zu ziehen, bedarf es eines entsprechenden Forschungsdesigns; für die Kursanpassung reicht es hingegen oft aus, eine Hürde zu identifizieren und anschließend zu überprüfen, ob die Anpassung wirksam war.

Verdeutlichen Sie den Unterschied zwischen Produktivität und Lernen. Im beruflichen Kontext kann es sinnvoll sein, schnell ein fertiges Ergebnis zu erhalten und zu überprüfen. Beim Üben hingegen kann es hilfreich sein, einen bestimmten Arbeitsschritt selbst auszuführen. Die UNESCO betont die Bedeutung der menschlichen Eigenverantwortung beim Einsatz generativer KI in der Bildung. In der Praxis bedeutet dies, die Rolle der Unterstützung bewusst zu wählen. Wenn die LMS-Plattform WeStudy Teil des Programms ist, sollten diese Regeln direkt bei den Übungen hinterlegt werden, damit die Teilnehmenden sie vorab sehen und den pädagogischen Grund für die Bedingungen verstehen.

Fragen Sie die Teilnehmenden nach einigen Kurseinheiten, welche Aufgaben sie nun eigenständig bewältigen können und wo sie weiterhin Unterstützung benötigen. Vergleichen Sie diese Selbsteinschätzungen mit der tatsächlichen Praxis. Die Selbsteinschätzung bietet einen guten Ausgangspunkt für Gespräche, ersetzt jedoch nicht die praktische Demonstration. Eine Diskrepanz zwischen Selbstvertrauen und tatsächlicher Leistung deutet darauf hin, dass der nächste Lernschritt angepasst werden sollte. Lernende verstehen möglicherweise Erklärungen, erkennen aber noch nicht, wann sie diese anwenden müssen. Andere handeln zwar korrekt, benötigen aber möglicherweise mehr Bestätigung, um auf ihre eigenen, fundierten Entscheidungen vertrauen zu können.

Berücksichtigen Sie diese Unterscheidung auch in Ihrem Feedback. Bezeichnen Sie die Nutzung von Unterstützung nicht pauschal als Abhängigkeit und betrachten Sie die Geschwindigkeit der Bearbeitung nicht als alleinigen Indikator für den Lernfortschritt. Entscheidend ist, dass die erforderliche Handlung tatsächlich ausgeführt, ihre Grenzen erläutert und Unterstützung bewusst in Anspruch genommen wird. Technologie kann hierbei das Lerndesign unterstützen: Sie kann unnötige Anforderungen, die den Lernprozess stören, beseitigen, während jene Übungselemente erhalten bleiben, für die die Aufgabe sowie die Interaktion mit Lehrenden und Kursmaterialien ursprünglich konzipiert wurden.

Quellen

1. Risko, Gilbert: Kognitive Entlastung (Cognitive Offloading).

2. Bastani und Kollegen: Generative KI und eigenständige Leistung.

3. Lee und Kollegen: Selbsteinschätzungen zum kritischen Denken, CHI 2025.

4. Carnegie Mellon University: Prinzipien des Lernens.

5. UNESCO: Leitfaden für generative KI in Bildung und Forschung.