Je besser KI wird, desto schwieriger wird es, Lernen zu messen

Ein Schüler macht drei Geometrie-Aufgaben hintereinander richtig. Statt weitere ähnliche Aufgaben zu bekommen, wechselt die automatische Lernplattform zu einer schwierigeren Aufgabe. Wenn ein Schüler Fehler macht, senkt das System die Schwierigkeit und gibt mehr Hinweise.

Bei dem Beispiel des digitalen Schulbuches mit KI in Südkorea, das in dem Buch "Lernen im KI-Zeitalter" des Autors Nguyễn Thanh Tùng beschrieben wird, kann das System sogar die Bediengeschwindigkeit, die Verweilzeit in einzelnen Inhalten und die Anzahl der Zögern zwischen Antworten aufzeichnen, um den Lernweg individuell anzupassen.

Diese Situation zeigt eine bemerkenswerte Veränderung. KI in der Bildung taucht nicht mehr nur auf, wenn Schüler aktiv einen Chatbot öffnen und Fragen stellen. Sie ist bereits in Suchmaschinen, Empfehlungssystemen, adaptiven Lernplattformen enthalten und bestimmt sogar, welchen Inhalt der Lernende als nächstes sieht. Die Frage ändert sich daher langsam von "Wie nutzen Schüler KI?" zu einer schwierigeren: Wenn Maschinen an vielen Schritten des Denkens beteiligt sind, wie müssen Lernende ihren Lernprozess selbst verstehen und organisieren?

Das zeigt sich deutlich im Teil des Buches über die Aufgabenverteilung zwischen Mensch und KI. Für geistige Arbeiten, die früher als relativ zusammenhängende Kette von einer Person ausgeführt wurden, kann KI nun an vielen Punkten eingreifen: Daten finden und verarbeiten, zusammenfassen, ordnen und Entwürfe erstellen... Deshalb müssen Lernende entscheiden, welche Aufgaben an die Maschine abgegeben werden können, welche zurückbehalten werden müssen, welche Ergebnisse überprüft werden müssen und an welchen Punkten zu Daten oder Realität zurückgekehrt werden muss.

Aber die Fähigkeit zur Aufgabenverteilung stößt bald an eine andere Grenze: Kann man einer Aufgabe ein System anvertrauen, das man nur sehr wenig versteht?

Ein kleines Beispiel im Buch zeigt, warum dieses Verständnis wichtig ist. Wenn Schüler ein visuelles Modell verwenden, um Hunde, Katzen und Kaninchen zu klassifizieren, erkennt das System ständig falsch. Das Problem wurde dann zum Datensatz zurückverfolgt: Hundefotos waren meistens große Hunde im Freien, Katzenfotos wurden hauptsächlich drinnen aufgenommen, und es gab viel zu wenige Kaninchenfotos. Die Maschine hatte den Kontext der Fotos gelernt, anstatt der Merkmale, die die Schüler dachten, sie würde erkennen.

Hier geht die Frage über "KI macht manchmal Fehler" hinaus. Wichtiger ist, dass ein Maschinenergebnis Entscheidungen widerspiegeln kann, die auf einer Ebene stattfinden, die der Benutzer nicht sieht. Wenn Lernende nur die Benutzeroberfläche nutzen und die Ausgabe lesen, liegt der wichtigste Teil des Systems noch immer außerhalb ihres Verständnisses.

Zu wissen, wie eine Anwendung funktioniert, ist nicht genug; Lernende müssen verstehen, wo Daten gespeichert sind, wem Rechte übertragen werden, welche Regeln eine Entscheidung erzeugen und welche Risiken übersehen werden.

Die drei letzten Praxiskapitel des Buches folgen derselben Logik. Ein Produkt wird nicht mit einem großen Befehl erstellt und am Ende bearbeitet. Es entsteht durch mehrere Zyklen: Problem aufteilen, einen Teil bauen, testen, nachlesen, Funktionen ergänzen und weiter testen. Dieser Arbeitsfluss macht den Denkfluss sichtbar und erzeugt eine nachverfolgbare Geschichte.

Der Autor stellt eine ähnliche Idee im Teil des Buches über Kreativität mit Bildgeneratoren wie Midjourney oder DALL-E vor. Die ersten Produkte können sehr glänzend sein, aber leicht in den durchschnittlichen Ästhetiken des Internets verfallen. Das Buch schlägt eine Bewertung vor, die den Fokus weg vom letzten Bild hin zu einem "Ko-Kreativ-Tagebuch" verlagert, in dem Lernende zeigen müssen, welches Material sie recherchiert haben und wie sie die Fehler der Maschine korrigiert haben.

Deshalb betont der Autor Nguyễn Thanh Tùng in seinem angewandten Bildungsbuch sehr das projektorientierte Lernen. Ein Projekt, das lang genug dauert, ermöglicht es Lehrern, viele Zwischenzustände zu sehen, nicht nur das Endergebnis. Wenn KI schnell Produkte erstellen kann, werden diese Zwischenzustände zu einem wichtigen Beweis für das Lernen.

Der Autor vergisst nicht zu betonen: Wenn Schüler KI benutzen, um den Prozess des Auswendiglernens und Verstehens zu umgehen, fehlt ihnen das notwendige Material, um die von der Maschine erzeugten Ergebnisse zu überprüfen. KI macht nicht einfach niedrigere kognitive Fähigkeiten überflüssig, sie verändert den Zweck des Wissensaufbaus. Man merkt sich nicht mehr nur, um eine Antwort wiederzugeben; man braucht Wissen im Kopf, um zu erkennen, wenn die Antwort der Maschine Probleme hat. Je mehr man die Antwortproduktion an die Maschine abgibt, desto mehr hängt die menschliche Urteilsfähigkeit von dem Wissen ab, das sie tatsächlich besitzen.

KI stellt daher eine schwierigere Anforderung als "ein Werkzeug zu kennen". Lernende müssen ihren kognitiven Prozess sichtbar, nachverfolgbar und erklärbar halten, selbst wenn ein Teil dieses Prozesses innerhalb der Maschine stattgefunden hat.

Und vielleicht ist dies die bedeutende Herausforderung der Bildung im KI-Zeitalter: Wenn Technologie immer besser darin wird, Informationen zu organisieren, Aufgaben auszuführen und Produkte zu erstellen, wie misst man dann genau die Fähigkeiten des Lernenden?

Nach der revidierten Bloom'schen Taxonomie reichen kognitive Aktivitäten von grundlegenden bis zu fortgeschrittenen Stufen: Erinnern, Verstehen, Anwenden bis hin zu Analysieren, Bewerten und Erschaffen. KI