Adaptives Lernen

Wie KI-gesteuerte adaptive Lernsysteme funktionieren — von der Lernstandsanalyse bis zum Empfehlungssystem.

Was ist adaptives Lernen?

Adaptives Lernen beschreibt Lernsysteme, die sich automatisch an den individuellen Lernenden anpassen — in Echtzeit, basierend auf Daten. Im Gegensatz zu statischen Lernpfaden, bei denen ein Instruktionsdesigner die Pfadlogik vorab festlegt, treffen adaptive Systeme ihre Entscheidungen dynamisch auf Grundlage des beobachteten Lernverhaltens.

Die Anpassung kann verschiedene Dimensionen betreffen:

  • Was gelernt wird (Inhalt und Themenauswahl)
  • Wie gelernt wird (Format, Medienwahl, Abstraktionsgrad)
  • Wann wiederholt wird (Zeitpunkt der Wiederholung)
  • Wie schwer die nächste Aufgabe ist (Schwierigkeitsgrad)

Abgrenzung: Adaptiv vs. Personalisiert vs. Individuell

Diese Begriffe werden oft synonym verwendet, beschreiben aber unterschiedliche Konzepte:

KonzeptAnpassung durchBeispiel
IndividuellKursersteller oder LernenderLernende wählen aus einem Katalog
PersonalisiertRegeln basierend auf ProfildatenPfad abhängig von Rolle, Vorwissen
AdaptivAlgorithmus basierend auf EchtzeitdatenSystem reagiert auf jede einzelne Antwort

Adaptives Lernen ist die höchste Stufe der Individualisierung: Das System lernt über den Lernenden und passt sich kontinuierlich an.

Wie adaptive Systeme funktionieren

Lernstandsanalyse

Das System muss den aktuellen Wissensstand des Lernenden modellieren. Dafür gibt es verschiedene Ansätze:

Knowledge Tracing — Das System schätzt basierend auf Antwortmustern, welche Konzepte ein Lernender beherrscht. Bayesian Knowledge Tracing (BKT), 1994 von Corbett und Anderson vorgestellt, ist einer der am häufigsten eingesetzten Algorithmen.

Item Response Theory (IRT) — Modelliert die Beziehung zwischen Personenfähigkeit und Aufgabenschwierigkeit. Wird in adaptiven Tests (z. B. GMAT) eingesetzt.

Deep Knowledge Tracing (DKT) — Nutzt neuronale Netze (RNNs/LSTMs), um aus Sequenzen von Lernerinteraktionen zukünftige Leistung vorherzusagen. Piech et al. (2015, Stanford) zeigten, dass DKT traditionelle Methoden in der Vorhersagegenauigkeit übertreffen kann.

Inhaltliche Anpassung

Basierend auf dem Wissensmodell wählt das System den nächsten Inhalt:

  • Wissenslücke erkannt → Zusätzliches Lernmaterial oder einfachere Erklärung anbieten
  • Thema beherrscht → Überspringen und zum nächsten Thema
  • Teilweise verstanden → Gezielte Übungen zum Schwachpunkt

Schwierigkeitsanpassung

Der Schwierigkeitsgrad wird so gewählt, dass er im Bereich der Zone der proximalen Entwicklung liegt — ein Konzept von Vygotsky (1978): anspruchsvoll genug, um Lernfortschritt zu erzeugen, aber nicht so schwer, dass Frustration entsteht.

In der Praxis bedeutet das: Der Algorithmus zielt auf eine Erfolgsquote von etwa 70-85 % — genug Herausforderung für Lerneffekt, genug Erfolg für Motivation.

Empfehlungssysteme im E-Learning

Konzept

Ähnlich wie Netflix Filme empfiehlt, können Lernplattformen Lerninhalte empfehlen — basierend auf dem individuellen Profil und dem Verhalten ähnlicher Lernender.

Ansätze

Content-Based Filtering: Empfiehlt Inhalte, die dem ähneln, was der Lernende bisher erfolgreich bearbeitet hat. „Du hast Modul A gut abgeschlossen — Modul B behandelt ein verwandtes Thema.”

Collaborative Filtering: Analysiert, was Lernende mit ähnlichem Profil als hilfreich empfunden haben. „Lernende mit ähnlichem Wissensstand haben von Modul C profitiert.”

Wissensbasierte Empfehlung: Verwendet ein explizites Modell der Fachdomäne (Knowledge Graph), um logische nächste Schritte zu empfehlen.

Grenzen

  • Kaltstartproblem: Für neue Lernende oder neue Inhalte liegen keine Daten vor
  • Filter-Bubble: Lernende werden nur mit Inhalten konfrontiert, die zum bisherigen Muster passen
  • Erklärbarkeit: Lernende und Trainer sollten nachvollziehen können, warum eine Empfehlung gegeben wird

Adaptives Lernen in der Praxis

Spaced Repetition als einfachste Form

Die am weitesten verbreitete Form adaptiven Lernens: Spaced-Repetition-Algorithmen wie SM-2 oder FSRS passen Wiederholungsintervalle individuell an. Das ist adaptives Lernen — in der elementarsten, aber nachweislich wirksamen Form.

Adaptive Prüfungsvorbereitung

Ein System für die Prüfungsvorbereitung könnte so arbeiten:

  1. Diagnostikphase: Einstufungstest über alle Prüfungsbereiche (20-30 Fragen)
  2. Wissensmodell erstellen: Stärken und Schwächen pro Thema identifizieren
  3. Lernplan generieren: Fokus auf Schwachstellen, Stärken nur auffrischen
  4. Laufende Anpassung: Nach jeder Übung wird das Wissensmodell aktualisiert
  5. Prognose: „Basierend auf deinem aktuellen Stand hättest du 72 % in der Prüfung”

Beispiele aus der Praxis

  • Duolingo: Passt Lektionsinhalt und -schwierigkeit basierend auf Fehlern und Antwortzeiten an (Settles & Meeder, 2016)
  • ALEKS (McGraw-Hill): Nutzt Knowledge Space Theory, um den Wissensstand in Mathematik zu modellieren
  • Knewton (Wiley): Adaptive Plattform für Hochschulkurse mit Millionen von Datenpunkten
  • Smart Sparrow (Pearson): Adaptive Lernpfade mit Echtzeit-Dashboards für Lehrende

Datengrundlage und Datenschutz

Welche Daten adaptive Systeme nutzen

  • Antwortdaten: Korrektheit, Antwortzeit, gewählte Distraktoren
  • Lernverhalten: Zeitpunkt, Dauer, Frequenz, Abbrüche
  • Navigationsdaten: Welche Inhalte werden aufgerufen, übersprungen, wiederholt?
  • Selbsteinschätzung: Confidence Ratings nach jeder Antwort
  • Kontextdaten: Gerät, Tageszeit, Lernumgebung

Datenschutzaspekte

Adaptive Systeme sammeln zwangsläufig detaillierte Daten über das Lernverhalten. Unter der DSGVO erfordert dies:

  • Zweckbindung: Daten nur zur Lernoptimierung nutzen, nicht für andere Zwecke
  • Datenminimierung: Nur die tatsächlich benötigten Daten erheben
  • Transparenz: Lernende informieren, welche Daten erhoben und wie sie verwendet werden
  • Löschfristen: Daten nach Kursende oder Vertragslaufzeit löschen
  • Kein Profiling ohne Einwilligung: Wenn Daten zu umfassenden Lernerprofilen zusammengeführt werden

Herausforderungen und Limitierungen

Datenbedarf

Adaptive Systeme werden besser, je mehr Daten sie haben. Für kleine Kurse oder neue Plattformen fehlt diese Datenbasis oft — das Kaltstartproblem.

Erklärbarkeit

Lernende und Lehrende sollten verstehen, warum das System bestimmte Entscheidungen trifft. „Black Box”-Algorithmen werden weniger akzeptiert als transparente Empfehlungen.

Pädagogische Kontrolle

Lehrende befürchten Kontrollverlust, wenn ein Algorithmus den Lernpfad bestimmt. Gute adaptive Systeme ermöglichen daher Guardrails: Lehrende definieren Rahmenbedingungen, der Algorithmus optimiert innerhalb dieser Grenzen.

Kosten und Komplexität

Die Entwicklung adaptiver Systeme ist deutlich aufwendiger als statischer E-Learning-Content. Der Mehrwert muss den Mehraufwand rechtfertigen — was bei großen Lernerzahlen und standardisierbaren Inhalten eher gegeben ist als bei Nischenthemen.

Fazit

Adaptives Lernen ist keine Science Fiction mehr — von Spaced Repetition bis hin zu KI-gesteuerten Lernpfaden existieren praxiserprobte Lösungen. Die Herausforderung liegt weniger in der Technologie als in der sorgfältigen Umsetzung: genug Daten, transparente Algorithmen, pädagogische Kontrolle und konsequenter Datenschutz.

Quellen und weiterführende Informationen:

  • Corbett, A.T. & Anderson, J.R. (1994): „Knowledge Tracing: Modeling the Acquisition of Procedural Knowledge.” User Modeling and User-Adapted Interaction, 4(4), S. 253-278.
  • Piech, C. et al. (2015): „Deep Knowledge Tracing.” Advances in Neural Information Processing Systems (NIPS), 28.
  • Vygotsky, L.S. (1978): Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
  • Settles, B. & Meeder, B. (2016): „A Trainable Spaced Repetition Model for Language Learning.” Proceedings of ACL, S. 1848-1858.
  • Plass, J.L. & Pawar, S. (2020): „Toward a taxonomy of adaptivity for learning.” Journal of Research on Technology in Education, 52(3), S. 275-300.
← Zurück zu Lernpfade & Personalisierung