Viele Kinder und Jugendliche greifen zum Chatbot, sobald eine Aufgabe schwierig wird. Das fühlt sich effizient an. Die Lernforschung zeigt aber, dass ausgerechnet der Moment davor wertvoll ist: der eigene, oft falsche Versuch. Daraus lässt sich eine einfache Regel ableiten, die Forschende auf Englisch „Struggle First, Prompt Later“ nennen. Frei übersetzt: erst selbst abmühen, dann die KI fragen.
Was die Forschung zeigt
Das Phänomen heißt Pretesting-Effekt, manchmal auch Prequestioning. Mehrere Studien haben es untersucht:
- Raten hilft: Wer vor dem Lesen eines Textes rät, was darin steht, behält den Stoff besser als jemand, der den Text zweimal liest.
- Auch falsches Raten hilft: Der Vorteil bleibt, obwohl beim Raten fast alles falsch ist .
- Auch ohne Vorwissen: Selbst wer noch gar nichts über ein Thema weiß, profitiert vom eigenen Fehlversuch.
- Mit KI vor allem bei kniffligen Aufgaben: Kombiniert man den eigenen Versuch mit KI-Unterstützung, wirkt das vor allem bei komplexen Aufgaben, kaum beim reinen Rechnen.
Die erstaunlichste Aussage ist die zweite. Warum sollte es helfen, etwas falsch zu raten? Die Erklärung in einem Satz: Der Fehlversuch macht die Lücke spürbar, und die Erklärung hat danach etwas, woran sie andocken kann.
Merke: Fehlversuche sind kein Zeitverlust, sondern Vorbereitung (wenn auch immer eine Herausforderung für die Frustrationstoleranz :-))
So geht das mit KI
Übertragen auf den Alltag mit einem Chatbot heißt das:
- Zuerst zwei Minuten selbst versuchen, auch mit Fehlern.
- Den eigenen Versuch oder die eigenen Gedanken aufschreiben und der KI geben: „Das ist mein Ansatz. Wo liegt der Fehler?“
- Sich erklären lassen und es danach noch einmal ohne KI versuchen.
Sofort die Lösung zu holen spart Zeit, kostet aber das Verständnis.
Der sokratische Tutor: eine Abfragemaschine
Wie sieht eine KI aus, die diese Reihenfolge unterstützt, statt sie abzukürzen? Eine Antwort ist der sokratische Tutor.
Die sokratische Methode ist eine Form des ergebnisoffenen, fragenden Gesprächs. Das Gegenüber wird durch gezielte Fragen dazu gebracht, eigenes Scheinwissen oder Denkfehler selbst zu erkennen und eigene Einsichten zu entwickeln. Eine KI, die so eingestellt ist, liefert keine Lösungen. Sie fragt nach. Sie ist keine Antwortmaschine, sondern eine Abfragemaschine, und damit fällt das Auslagern der Denkarbeit weg.
Die Studien von Kestin u. a. (Harvard, Physik) und Bastani u. a. (Türkei, Mathematik) sprechen für diesen Ansatz. Ein sokratischer Tutor mit Leitplanken bietet mehrere Vorteile:
- Feedback in Echtzeit: Das Kind bekommt sofort eine individuelle Rückmeldung.
- Lernprotokoll: Der Fortschritt wird sichtbar und messbar.
- Geschützter Raum: Hemmungen fallen weg, es gibt keine dummen Fragen. Viele Kinder fragen eine KI, was sie im Unterricht nie fragen würden.
- Zwang zum Formulieren: Wer eine Antwort in Worte fassen muss, merkt selbst, wo das eigene Verständnis endet.
- Motivation: In der Harvard-Studie waren die Studierenden motivierter als im Präsenzunterricht.
- Geduld: Die Geduld der KI ist unbegrenzt, und diese Nachhilfe kostet nichts.
- Weniger Schmeichelei: Ein Tutor, der fragt, lobt seltener. Mehr dazu im Beitrag Der Ja-Sager-Effekt.
- Mehr KI-Kompetenz: Das Kind übt, gute Fragen zu stellen und Wissen zu prüfen.
Eine Grenze gehört dazu: Ein KI-Tutor ersetzt weder die Lehrkraft noch die Mitschülerinnen und Mitschüler.
Drei Muster, bei denen KI beim Lernen hilft
Es lassen sich drei Arten der Nutzung ableiten, bei denen KI das Lernen unterstützt:
- Feedback-Muster: Das Kind schreibt selbst etwas, die KI prüft es nach vorgegebenen Kriterien. Das passt für Erörterungen, Zusammenfassungen und Lernzettel.
- Abfrage-Muster: Die KI stellt Aufgaben, das Kind antwortet, Falsches wird erneut abgefragt. Das passt für Sprachen, Jahreszahlen, Definitionen, Formeln und Rechenaufgaben.
- Sparring-Muster: Die KI vertritt bewusst die Gegenposition, und das Kind verteidigt seine Argumente. Hier wird die Neigung der KI zur Zustimmung gezielt ausgehebelt.
Bei allen drei Mustern gilt dieselbe Reihenfolge: Das Kind produziert zuerst, die KI reagiert danach. Leistung und Verantwortung bleiben beim Kind.
Quellen
- Richland, Kornell & Kao: The pretesting effect – Do unsuccessful retrieval attempts enhance learning?, Journal of Experimental Psychology: Applied 2009
- Kornell, Hays & Bjork: Unsuccessful retrieval attempts enhance subsequent learning, Journal of Experimental Psychology: Learning, Memory, and Cognition 2009
- Potts & Shanks: The benefit of generating errors during learning, Journal of Experimental Psychology: General 2014
- Akgun & Toker: Struggle First, Prompt Later – How task complexity shapes learning with GenAI-assisted pretesting, arXiv-Preprint 2025 (nicht begutachtet), arxiv.org/abs/2504.10249
- Kestin, Miller, Klales, Milbourne, Ponti: AI tutoring outperforms in-class active learning, Scientific Reports 2025, doi.org/10.1038/s41598-025-97652-6
- Bastani u. a.: Generative AI without guardrails can harm learning, PNAS 2025, doi.org/10.1073/pnas.2422633122
