Lernen oder überspringen? Wie generative KI Lernwiderstände verstärken kann

Text: Stefanie Dernbach-Stolz und Dominic Hassler

In der (zunehmend digitalen) Bildungswelt scheint Effizienz das oberste Ziel zu sein: Inhalte werden komprimiert, Lernpfade automatisiert und ganze Fähigkeiten per «Skill Skipping» übersprungen. Warum werden beim Lernen Abkürzungen genommen? Wie entwickeln sich Lernwiderstände? Und was hat das mit generativer KI zu tun?  

Menschen neigen laut der «Cognitive Miser Theory» dazu, kognitiven Aufwand zu vermeiden (Fiske & Taylor 2013). Lernende haben das schon früher getan – etwa durch Abschreiben. Mit KI-Tools wie Chat-GPT ist das heutzutage einfacher denn je.

Heute können wir in vielen Schulzimmern und Weiterbildungskursen beobachten, dass Lernende Aufgaben direkt mit Chat-GPT lösen. Nuxoll (2024) nennt das «Skill Skipping»: Es wird ein Resultat abgegeben, aber kein Lernprozess durchlaufen. Doch Lernen entsteht nicht durch richtige Antworten, sondern durch eigenständiges Denken.

Es entbehrt nicht einer gewissen Ironie, dass Aufgaben so zu lösen als kompetenzorientiert ausgelegt werden kann. Tatsächlich dürfte es in vielen beruflichen Situationen sinnvoll sein, Aufgaben wie bspw. das Verfassen einer E-Mail mit einem KI-Sprachmodell zu erledigen. Trotzdem ist es in einem Bildungssetting nicht zielführend das zu tun, da das Schreiben (und damit verbunden auch das Lesen) weniger effektiv erworben wird.

Eine Metapher hilft uns, dies zu verdeutlichen: Es ist allen klar, wie absurd es wäre, einen Roboter ins Fitnesscenter zu schicken, wenn man seinen Körper trainieren möchte. Weniger offensichtlich, aber genau gleich absurd sollte es sein, in Bildungskontexten eine Lernaufgabe mit Chat-GPT zu lösen. Denn Bildungsinstitutionen sind die Fitnesscenter für das Gehirn. Wenn man nicht hingeht und die grauen Zellen bei den Übungen selbst anstrengt, gibt es keinen Trainingseffekt bzw. Lernzuwachs.

Zwei Roboter trainieren im Fitnesscenter. Quelle: leonardo.ai

Betrachtet man das «Skill Skipping» aus der Perspektive des Lernwiderstandes, stellt sich die Frage, warum Lernen nicht positiv konnotiert ist. Häufig wird das Lernen in Bildungskontexten als Zumutung wahrgenommen, was Widerstände und Vermeidungsstrategien erzeugt (man denke da nur an die eigene Schulzeit zurück). Dabei ist es ein zentrales Ziel von Lehrpersonen, Dozierenden und Erwachsenenbildner:innen, gelingendes oder erfolgreiches Lernen zu ermöglichen. Entsprechend stellt sich die Frage, wie und warum Lernwiderstände entstehen. Gemäss der subjektwissenschaftlichen Lerntheorie entstehen Lernwiderstände dann, wenn die Lernenden keinen subjektiven Sinn in einer Lernsituationen erkennen können oder sich gezwungen fühlen zu lernen – ohne dass es ihnen einen persönlichen Nutzen erbringt. Dies führt dazu, dass sie sich verweigern, unmotiviert sind oder nur oberflächlich lernen (Holzkamp 1993). Dabei kann man zwischen zwei grundlegenden Lernformen unterscheiden:

(Abb. 2. Quelle: Foucault 1993)

Defensives Lernen: Bei dieser Form findet Lernen unter Druck oder Zwang statt. Die Lernenden lernen, weil sie lernen müssen, um etwa eine Prüfung zu bestehen oder um Sanktionen zu vermeiden. Bildlich überspitzt kann man dies in der Grafik (Abb. 2) sehen, die eine Gefängnisszene darstellt, bei der die Insassen einem Vortrag zu den Folgen von Alkoholismus zuhören müssen. Bei dieser Form des Lernens entstehen häufig Lernwiderstände, da das Lernen nicht aus innerem Antrieb stattfindet. Expansives Lernen: Bei dieser Form geschieht Lernen aus eigenem Interesse und zur Erweiterung der eigenen Handlungsmöglichkeiten. Dadurch wird das Lernen als sinnvoll erlebt, weil es in einem Zusammenhang mit den eigenen Zielen, Interessen und Lebenszusammenhängen steht. In solchen Fällen treten kaum Lernwiderstände auf. (Holzkamp 1993)

Die Unterscheidung dieser zwei Lernformen ist für die Erklärung von Lernwiderständen wesentlich. Dennoch lassen sich Lernwiderstände nicht allein durch das Anwenden von expansiven Lernformen auflösen.

Einerseits sind die Gründe und Ursachen für Lernwiderstände vielfältig. Dazu gehören u.a. die fehlende Relevanz des Lerngegenstandes oder der mangelnde praktische Nutzen, bestehende (Bildungs-) Erfahrungen und Einstellungen und Wertehaltungen als auch die persönliche Lebenssituation (soziale Herkunft, Alter, Familie, etc.) die dem Lernen im Wege stehen können (Faulstich/Grell 2004).

Andererseits lassen sich Prüfungen o.ä. nicht immer umgehen. Die effizienzorientierte bzw. defensive Lernperspektive betont jedoch vor allem Standardisierung, Vergleichbarkeit und Messbarkeit. Das widerspricht expansivem Lernen. Wenn Aufgaben oder Lernpfade zu weit von der Lebenswelt der Lernenden entfernt sind und nicht als bedeutsam erlebt werden, reagieren diese oft defensiv – etwa mit automatisiertem Durchklicken oder KI-Nutzung. In diesem Fall setzen die Lernenden sich nicht tiefergehend mit Inhalten auseinander und haben keine Möglichkeit, eigene Lerninteressen zu verfolgen oder eigene Fragen zu entwickeln. Dies führt dazu, dass Lernen noch stärker als fremdbestimmt erlebt wird, was noch mehr Lernwiderstände auslösen kann. Ein Teufelskreis.

Was können Lehrende tun? – Anregungen zum expansiven Lernen

KI kann selbstgesteuertes Lernen untergraben. Sinnstiftendes Lernen braucht Zeit und Subjektivität – nicht nur Technik. Zentral ist, dass Lehrende unreflektierte Anwendungen von KI erkennen und handeln. Hier einige Anregungen:

Mit den Lernenden über das Lernen sprechen. Dadurch entstehen Reflexionsräume, in denen ein Bewusstsein geschaffen werden kann, wodurch die subjektive Relevanz gestärkt wird. Das braucht Zeit für Fragen, Irritationen und Selbstverortung. Und die Lehrenden erhalten ein besseres Verständnis für den Ursprung der Lernwiderstände, was sie wiederum handlungsfähig macht. Naheliegend wäre etwa die Lernenden in Gruppen über das Bild der beiden Roboter (Sie dürfen es gerne verwenden) diskutieren zu lassen und dabei gleich Transparenz zu schaffen: «Sie können (fast) alle Aufgaben im Unterricht mit KI lösen. Wollen Sie das – und warum?». So wird das Bewusstsein für den Lernprozess gefördert.

Von der Kultur des richtigen Resultats zur Kultur des Lernprozesses. Wenn Lehrende dem richtigen Resultat eine hohe Bedeutung zumessen, bspw. indem sie nur die Lösungen der Lernenden auf Richtigkeit kontrollieren, geben sie den Lernenden unbewusst einen Anreiz, KI für all diese Aufgaben zu nutzen. Stattdessen ist es zielführender, ein Bewusstsein dafür zu schaffen, dass ein richtiges, KI-generiertes Resultat für das Lernen weitestgehend wertlos ist. Der Weg zum Resultat, also der Lernprozess, ist zentral, ebenso die dabei gemachten Fehler. Aus diesen lässt es sich hervorragend Lernen. Bewertungen dokumentieren in diesem Sinne die Lernfortschritte und nicht das Resultat. Für manche Lehrende ist das ein grosser, aber essenzieller Kulturwandel.

Abb. 3
(Quelle: LinkedIn)

Verantwortung an Lernende übergeben. Viele Lehrende möchten nicht ständig mit dem Zeigefinger darauf hinweisen, dass die Lernenden keine KI für das Lösen der Aufgaben verwenden sollen. Zudem gibt es manchmal durchaus Aufgaben, bei denen KI-Unterstützung hilfreich sein kann. Folgende Idee stammt von Tobias Seidl: Aufgaben, bei denen es zur Erreichung der Lernziele wichtig ist, dass zunächst selbst nachgedacht wird, werden mit einem Warnhinweis markiert (Abb. 3). Dadurch können Lehrende sich dem traditionellen Katz-und-Maus-Spiel entziehen. Die Lernenden fühlen sich ernst genommen und die Verantwortung für ihr Lernen und den KI-Einsatz geht subtil auf sie über.

Wenn Bildungsinstitutionen als «Fitnesscenter für das Gehirn» verstanden werden, darf der «Trainings»lernprozess nicht ausgelagert oder automatisiert werden. Gerade in einer von KI geprägten Welt ist es entscheidend, dass Lernende selbst denken, reflektieren und ihre Handlungsmöglichkeiten erweitern. Lehrpersonen und Bildungsverantwortliche sind deshalb gefordert, Lernsettings so zu gestalten, dass sie expansive Lernprozesse ermöglichen, statt defensive Vermeidungsstrategien befördern.

INFOBOX

Lehrgänge

In den folgenden Lehrgängen können Sie sich vertieft mit der Gestaltung von Lernprozessen in einer von KI geprägten Welt auseinandersetzen:
- CAS Unterricht gestalten mit digitalen Medien, ab 13. Januar 2026
- CAS Weiterbildungsdesign, ab 4. Februar 2026

Module

Die folgenden Module können einzeln gebucht und als Wahlmodul in verschiedenen CAS-Lehrgängen angerechnet werden:
- Lernen und Lehren mit künstlicher Intelligenz (KI), ab 19. August 2025
- Lernen und Weiterbildungsteilnahme Erwachsener, ab 3. März 2026

Zu den Autor:innen

Stefanie Dernbach-Stolz ist Dozentin an der PH Zürich und arbeitet im Zentrum Berufs- und Erwachsenenbildung. Sie ist Leiterin des CAS Weiterbildungsdesign.

Zwischen Messgerät und Schreibblock – Labore lernwirksam gestalten

Text: Wolfgang Bührer

Beim Ausmisten fielen mir meine Protokolle des Anfängerlabors Physik aus dem Grundstudium in die Hände: handschriftlich angefertigt, Korrekturkommentare à la «das ist nicht das erwartete Ergebnis, Wiederholungsmessung»… Vor 25 Jahren hatte ich verzweifelt versucht, zu verstehen, was ich falsch gemacht hatte, und hoffte bei jedem Versuchsprotokoll aufs Neue, dass es im ersten Lauf akzeptiert wird. Gleichzeitig fragte ich mich, was ich, abgesehen von der Reproduktion schon längst bekannter Ergebnisse, auf die es scheinbar ankam, lernen soll. Willkommen Frustration – meine Begleiterin im Anfängerlabor.

Labore sind komplexe Lernumgebungen

Labore sind in den MINT-Fächern, vor allem in den Ingenieurs- und Naturwissenschaften, unverzichtbare Bestandteile der Hochschullehre. Dabei haben sich unterschiedliche Laborformen wie zum Beispiel das Mini-Labor, das Anfängerlabor, das integrierte Labor oder auch Maker Spaces (May u.a. 2023) entwickelt, um nur einige aufzuzählen. So vielfältig wie die Laborformen sind auch die Wissensanforderungen an die Studierenden im Labor: Beispielsweise muss man Messgeräte korrekt einsetzen und bedienen, einen Aufbau planen und ausführen, sauber dokumentieren, Sicherheitsvorschriften kennen und einhalten, Daten auswerten oder die Ergebnisse auf Plausibilität prüfen können. Neben diesen prozeduralen Fähigkeiten wird in der Regel zusätzlich Fachwissen zum jeweiligen Laborversuch benötigt.

Die (bei weitem nicht vollständige) Aufzählung macht deutlich, dass aufgrund der vielfältigen Wissensanforderungen die Gefahr besteht, Studierende in Laborsettings zu überfordern, zumal jede einzelne dieser Anforderungen auch ein potenzielles Lernziel sein kann. Labore als Lernumgebungen stellen Dozierende somit vor ein Dilemma: Sie sind unverzichtbar für praxisnahes Lernen, gleichzeitig aber ein Ort potenzieller kognitiver Überlastung. Wie können wir mit dieser Zwickmühle umgehen?

Ein Praxisbeispiel: Zwei meiner Studierenden aus dem 1. Semester Elektrotechnik, nennen wir sie Julia und Jens, sitzen im Labor und verzweifeln an der Bedienung und dem korrekten Ablesen des Oszilloskops, mit dem sie einen elektrischen Schwingkreis vermessen sollen. Dabei entgehen ihnen die physikalischen Zusammenhänge, die das eigentliche Lernziel gewesen sind. Ich wundere mich später über ihr mangelhaftes Protokoll. Ein Paradebeispiel für kognitive Überlastung.

Kognitive Last

Die Entdeckung der «Cognitive Load Theory» (Sweller 1988) war für mich ein Augenöffner: Ich verstand nun , warum sowohl meine eigenen Laborerfahrungen als auch die meiner Studierenden frustrierend waren. Der Ansatz gab mir Werkzeuge zur Verbesserung der Situation in die Hände. Denn die «Cognitive Load Theory» besagt, dass das Arbeitsgedächtnis grundsätzlich begrenzt ist und unterscheidet drei Formen von kognitiven Belastungen bei Lernprozessen:

  • Intrinsische kognitive Belastung: Diese ergibt sich aus der Komplexität des Lernstoffs. Hier können gezielte Reduktionen die Belastung senken.
  • Extrinsische (englisch: «extraneous») kognitive Belastung: Diese Belastung entsteht beispielsweise durch unklare Anweisungen oder durch für das eigentliche Lernziel irrelevante Informationen, welche das Arbeitsgedächtnis zusätzlich belasten. Durch sorgfältige Formulierung und Gestaltung von Materialien und Planung kann man diese reduzieren.
  • Lernbezogene kognitive Belastung: Damit ist die Belastung gemeint, die lernzielrelevant und direkt mit dem Lernprozess verknüpft ist. Diese Art kognitiver Belastung ist in Bezug auf das Lernen gewünscht.

Überträgt man diese Formen auf das Beispiel von Julia und Jens, so war die aufgrund des Versuchs gegebene intrinsische kognitive Belastung beim Umgang mit dem Messgerät so hoch, dass sie die eigentlich gewünschte lernbezogene kognitive Belastung, nämlich die Messung mit physikalischen Grundprinzipien zu verknüpfen, vermutlich aus dem Arbeitsgedächtnis verdrängt hat.

Schematische Darstellung der Cognitive Load Theory nach Sweller (1988)

Weniger ist mehr: Lernzielfokus und Entlastung

Aus diesem Gedankengang ergibt sich ein Vorgehen für die didaktische Optimierung von Laboren: Zunächst ist zu klären, was für den jeweiligen Laborversuch das Lernziel sein soll. Danach listet man alle Wissensanforderungen auf, um auf dieser Basis intrinsische und extrinsische kognitive Belastungen gezielt dort zu senken, wo sie nicht direkt lernzielrelevant sind. In manchen Fällen genügt ein schriftlicher Info-Kasten in den Versuchsunterlagen. Bei prozeduralen Themen könnten kurze Videos entlasten, und bei jeder Information in den Praktikumsunterlagen soll geprüft werden, ob sie wirklich lernzielrelevant ist – wenn nicht, streichen. Gleichzeitig darf lernzielrelevante kognitive Belastung durchaus eingefordert werden.

Im Beispiel von Julia und Jens habe ich für das nachfolgende Semester zur Senkung der kognitiven Belastung einige Kurzvideos und Übungsaufgaben zum Umgang mit dem Oszilloskop sowie zum Ablesen der Messwerte als obligatorische Pre-Lab-Vorbereitung zur Verfügung gestellt. Komplett beseitigt war das Problem damit zwar nicht, aber es kam zu keiner Fehlmessung mehr und die Frustration der Studierenden war in meiner Wahrnehmung deutlich geringer.

Teilnehmende des CAS Hochschuldidaktik MINT 24/25 im Teil Labordidaktik

In vielen aktuellen Laborsettings finden ebenfalls Entlastungen der Studierenden in so genannten «Pre-Labs» statt. Dabei bildet sich die Vielfalt der Wissensanforderungen in unterschiedlichen Methoden und Fokussen ab: Es existieren zum Beispiel theorieorientierte Pre-Labs, bei denen es um den theoretischen Hintergrund des Versuchs geht, prozedurale Pre-Labs, bei denen es um praktische Abläufe im Labor geht, oder auch schreibintensive Pre-Labs, bei denen Protokoll- und Dokumentationsfähigkeiten trainiert werden.

Neben der Vorentlastung durch Pre-Labs trägt eine gute Verteilung der Entlastungsmassnahmen dazu bei, den «cognitive load» besser zu dosieren. Agustian und Seery (2017) zum Beispiel empfehlen, fachliche und gerätespezifische Konzepte im Vorfeld bereitzustellen, prozedurale Informationen «just-in-time» im Labor verfügbar zu machen und je nach Bedarf oder Notwendigkeit Fertigkeiten isoliert zu trainieren.

Im CAS Hochschuldidaktik MINT vertiefen wir die Labordidaktik mit prämierten Praxisbeispielen von Gastdozierenden und greifen weitere hochschuldidaktische Themen wie Lernzielformulierung sowie MINT-spezifische Themen auf (siehe Infobox).

Als ich einige meiner alten Protokolle noch einmal durchblätterte, bevor sie in der Papiertonne verschwanden, änderte sich mein Bild des Anfängerpraktikums. Damals empfand ich es als überwiegend sinnlose Fleissarbeit, heute sehe ich, was ich dabei letztlich gelernt habe: Es geht darum, Labore so zu gestalten, dass die Studierenden verstehen, warum sie tun, was sie tun (sollen) und dass wir Lehrende die kognitive Belastung so steuern, dass sie so gut wie möglich auf das Lernziel fokussiert ist.

INFOBOX

CAS HOCHSCHULDIDAKTIK MINT

Lehrgang

Im CAS Hochschuldidaktik MINT lernen Sie die Grundlagen effektiver und innovativer Lehre für aktives Lernen an Hochschulen mit Schwerpunkt auf den MINT-Disziplinen (Mathematik, Informatik, Naturwissenschaften und Technik).
Mehr Informationen und Anmeldung auf der Webseite
Broschüre zum CAS Hochschuldidaktik MINT

Online-Infoveranstaltung
An der Online-Infoveranstaltung zum CAS Hochschuldidaktik MINT 25/26 können Sie mit den Lehrgangsleitenden Mònica Feixas und Wolfgang Bührer ins Gespräch kommen. Sie findet am Montag, 25. August 2025, von 12–13 Uhr statt.
Jetzt anmelden

Module
Die folgenden Module aus dem CAS Hochschuldidaktik MINT 25/26 können auch einzeln gebucht werden:
- Lernziele und Methoden in MINT-Fächern, 22.–23. Januar 2026
- Leiten und Begleiten (mit einem Fokus auf MINT-Fächern), 30.–31. März 2026
- Assessment, Feedback und Evaluation in MINT-Fächern), 1.–2. Juli 2026

Zum Autor

Wolfgang Bührer bildet seit 2013 an der Abteilung Sek I der PH Zürich angehende Lehrpersonen in Physik und Physikdidaktik aus, hat mehrere Jahre an der HTWG Konstanz als Lehrbeauftragter angehende Ingenieure in Physik mitausgebildet und ist Co-Lehrgangsleiter des CAS Hochschuldidaktik MINT.

LINKEDIN
Share
INSTAGRAM