Personalisiertes Lernen
20 Ein Hinweis zur Personalisierung
Personalisiertes Lernen
Jede Lehrkraft personalisiert das Lernen; und sei es nur, indem er ein zusätzliches Beispiel hinzufügt oder individuelle Aufmerksamkeit schenkt, wo es nötig ist. In gewissem Sinne ist das Unterrichten selbst ein Akt der Personalisierung, im Gegensatz etwa zu einem Fernseher, der eine standardisierte Sendung ausstrahlt. Die Lehrenden ändern ihren Unterricht, damit die Schülerinnen und Schüler das zu Lernende verstehen können. Sie helfen ihnen, das neue Wissen oder die neuen Fähigkeiten mit dem zu verknüpfen, was sie bereits wissen, mit ihren persönlichen Beobachtungen und sozialen Erfahrungen. Sie helfen den Lernenden, aus dem Gelernten etwas zu machen, was sie wirklich können.
Im Großen und Ganzen geht es beim personalisierten Lernen darum, unterschiedliche Lernumgebungen und -erfahrungen für die verschiedenen Bedürfnisse, Fähigkeiten und kulturellen Kontexte jedes einzelnen Lernenden zu schaffen1. Natürlich variieren dabei Umfang und Grad der Personalisierung. Experten haben sechs Dimensionen der Personalisierung identifiziert: Das Warum, Wie, Was, Wann, Wer und Wo des Lernens2 :
Einzelunterricht ist der Inbegriff der Personalisierung. Benjamin Bloom zeigte bereits in den 1960er Jahren, dass der durchschnittliche Lernende bei individueller Betreuung bessere Leistungen erbringt. Er zeigte auch, dass die individuelle Betreuung die Lernlücke zwischen den leistungsstarken und den leistungsschwachen Schülerinnen und Schülern schließt. In einem realen Klassenzimmer, selbst mit “nur” zehn Lernenden, kann die Anpassung der Inhalte an die Bedürfnisse jedes Einzelnen sehr viel Aufwand erfordern. Eine echte Personalisierung ist praktisch unmöglich. Selbst wenn der Lehrende weiß, dass Lernlücken bestehen, kann es sein, dass er oder sie aus Zeitmangel nicht auf sie eingehen kann. So verliert das System immer wieder Schülerinnen und Schüler, auch wenn sich die Lehrkräfte noch so sehr bemühen.
An dieser Stelle kann die Technologie helfen.
Technologie kann personalisiertes Lernen vereinfachen
Mit Hilfe der Technologie können Sie den Lernprozess in großem oder kleinem Umfang individuell gestalten. Technologie umfasst hier alles von mobilen Apps und Online-Plattformen bis hin zu eigenständigen Lernsystemen2. Diese ist jetzt noch effektiver, da künstliche Intelligenz, der Zugang zu Daten, Mining-Techniken, Cloud Computing und erschwingliche Hardware die Anwendungen nahtlos und praktisch gemacht haben.
Gut durchdachte Technologie kann Ihnen weit mehr als nur helfen, die oben genannten Stolpersteine zu überwinden. Wenn sie in den traditionellen Unterricht integriert werden, können sie den Lernenden helfen, eine Routinefähigkeit zu erwerben und zu üben. Auf diese Weise gewinnen Sie Zeit für Interaktion, persönliche Aufmerksamkeit und Problemlösung im Klassenzimmer. Außerdem können Sie begleiten, was während der Hausaufgaben passiert – beobachten, wie weit die Schüler vorangekommen sind und wo sie Schwierigkeiten haben3.
Gelegentlich kann eine Software für einige Teile einer Lektion tatsächlich bessere Arbeit leisten. Denken Sie an die Visualisierung von drei Dimensionen in der Mathematik, an Ausspracheübungen für jeden einzelnen Lernenden in einem Sprachkurs oder an eine Animation, die die Vorgänge im Inneren einer menschlichen Zelle erklärt.
Alle KI-Lösungen für das Bildungswesen können in unterschiedlichem Maße zur Personalisierung des Lernens eingesetzt werden. In diesem Kapitel besprechen wir den Einsatz von adaptiven Lernsystemen.
1 Groff, J., Personalized Learning: The State of the Field & Future Directions, Center for Curriculum Redesign, 2017.
2 Holmes, W., Anastopoulou, S., Schaumburg, H & Mavrikis, M., Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.
3 Feldstein, M., Hill, P., Personalized Learning: What It Really Is and Why It Really Matters, Educause Review, 2016.
4 Taylor, D., Yeung, M., Bashet, A.Z., Personalized and Adaptive Learning, Innovative Learning Environments in STEM Higher Education pp 17–34, Springer Briefs in Statistics, 2021.