Mehr Leistung, weniger Zeitdruck: Wie proaktive Lernstrukturen und KI Lehrkräften und Schülern Zeit zurückgeben

Das Anwendungs-Paradoxon im Schulalltag

Schülerinnen und Schüler lernen stundenlang, beherrschen die Lehrbuch-Theorie und schneiden in der Klausur trotzdem deutlich schlechter ab als erwartet. Es fehlt dabei selten am Fleiß. So schätzt der Performance-Coach für Mathematik und Physik Paul Krümming die oft herrschende Realität ein. Was fehlt, ist die Fähigkeit zur Wissensanwendung und das Verständnis der konkreten Bewertungskriterien: Was gibt eigentlich die volle Punktzahl? Wie muss ein Rechenweg mathematisch korrekt aufgeschrieben werden? Genau hier setzt dieser Beitrag an, mit einem Plädoyer für den Wechsel vom reinen „Stoff einsaugen“ hin zu einer proaktiven, ergebnisorientierten Lernstruktur, die Probleme erkennt, bevor es in der Klausur zu spät ist. Genau hier kann KI der Hebel sein, sowohl für Schülerinnen und Schüler als auch für Lehrkräfte.

Warum Ergebnisorientierung den Druck senkt

Häufig heißt es, ein Fokus auf gute Noten erhöhe den Leistungsdruck. Das Gegenteil ist plausibel: Wer ziellos lernt, investiert viele Stunden ohne sichtbaren Ertrag. Das frustriert und erzeugt erst recht Druck. Das Ziel sollte daher sein, mit minimalem Zeiteinsatz einen maximalen Ertrag zu erreichen. Das bedeutet mehr Freizeit und mehr Freude am Lernen, und damit weniger Druck.

Theoretisch gut begründet ist das durch die Selbstbestimmungstheorie: Das Erleben von Kompetenz, das Gefühl, dass das eigene Handeln sichtbar zu Ergebnissen führt, zählt zu den Grundvoraussetzungen intrinsischer Motivation (Deci und Ryan 2000: 227). Ergebnisorientiertes Lernen füttert genau dieses Bedürfnis. Hinzu kommt der Befund aus der Lernforschung, dass regelmäßige Rückmeldung über den Leistungsstand zu den stärksten Einflussfaktoren auf den Lernerfolg gehört (Hattie 2009). Proaktives Testen ist nichts anderes. Wer dagegen nur reaktiv Inhalte aus dem Buch abschreibt, bekommt dieses Feedback gar nicht erst.

Lernende-Perspektive: Proaktives Testen statt reaktives Hoffen

Der Kerngedanke ist einfach: Nicht erst handeln, wenn die Fünf auf dem Tisch liegt, sondern schwachen Leistungen durch simulierte Ernstfälle vorbeugen. Konkret bedeutet es auf Basis des aktuellen Stoffs maßgeschneiderte Übungsklausuren zu erstellen, sie unter realem Zeitdruck zu schreiben, was wichtig fürs Stressmanagement ist und im Anschluss eine KI-gestützte Fehleranalyse durchzuführen. Ja, es braucht Überwindung, sich dafür ein paar Stunden konzentriert hinzusetzen, doch am Ende spart es bei der Prüfungsvorbereitung massiv Zeit.

Entscheidend ist die Reihenfolge: Die KI wird erst nach dem eigenen Lösungsversuch befragt. Sie ist Korrektor und Coach, nicht der Ghostwriter. Das deckt sich mit zwei gut belegten Lernprinzipien. Aktives Abrufen durch Tests und Probeklausuren führt langfristig zu deutlich besseren Leistungen als bloßes Wiederholen oder passives Durchlesen (Roediger und Karpicke 2006: 249) und Lernen darf anstrengend sein: Eine eigene Lösung vor dem Blick in die Musterlösung oder die KI zu erarbeiten, verankert Wissen tiefer (Bjork und Bjork 2011: 56).

Lehrer-Perspektive: Zeit sparen fürs Wesentliche

Lehrkräfte verbringen viel Zeit mit Administration und Materialerstellung. Zeit, die für Beziehungsarbeit und Unterricht fehlt und größtenteils außerhalb der Unterrichtsstunden anfällt. Eine breit angelegte Untersuchung zeigt, dass Lehrkräfte im Schnitt rund 50 Stunden pro Woche arbeiten, von denen nur etwa die Hälfte auf den eigentlichen Unterricht entfällt. Zwischen 20 und 40 Prozent der Arbeitszeit ließen sich mit vorhandener, oft KI-gestützter Technologie einsparen (Bryant, Heitz, Sanghvi und Wagle 2020). Diese Zeit kann eins zu eins in die individuelle Förderung der Schülerinnen und Schüler fließen.

KI kann im Handumdrehen verschiedene Niveaustufen einer Aufgabe inklusive eines Erwartungshorizontes erzeugen, die Lehrkraft prüft dann die Lösungen final gegen. Passgenaue Grafiken, Arbeitsblätter und Texte entstehen in Minuten statt in Stunden. Dass dies keine Spielerei ist, stützen aktuelle Befunde für Deutschland: Lehrkräfte, die KI zur Materialerstellung nutzen, berichten von spürbarer Entlastung (Vodafone Stiftung Deutschland 2024) und weniger Stress für die Lehrkraft wirkt sich wiederum positiv auf den Unterricht für die Schülerinnen und Schüler aus.

Voraussetzungen und Leitplanken für den Einsatz

Damit der Ansatz trägt, müssen einige Bedingungen erfüllt sein. Erstens braucht es Aufklärung über das Konzept: Wenn Schülerinnen und Schüler den Sinn hinter effektivem Lernen nicht sehen, bringt das beste Werkzeug nichts. Intrinsische Motivation ist die Grundvoraussetzung und sie sollte in der Schule aktiv vermittelt werden. 

Zweitens gilt der Datenschutz: Sensible Schülerinnen- und Schülerdaten gehören nicht in KI-Tools. 

Drittens sind spezialisierte Werkzeuge sinnvoller als generische Chatbots, die die genauen Anforderungen des deutschen Abiturs nicht kennen. NexoraFlow ist ein Beispiel für ein solches abiturspezifisches Tool. Ebenso wichtig sind Fortbildungen, die zeigen, wie Lehrkräfte KI gezielt nutzen können.

Viertens muss KI verstanden und nicht nur bedient werden. Schülerinnen und Schüler nutzen sie ohnehin. Aufgabe der Schule ist es, sie zur richtigen Anwendung zu befähigen, inklusive eines Grundverständnisses, wie diese Modelle arbeiten: Sie sagen das jeweils nächste Wort vorher, verfügen also über kein eigentliches „Wissen“ und können sich irren.

Fazit und Ausblick

Klug genutzt, durchbricht KI den Teufelskreis aus „viel lernen, wenig verstehen, frustriert sein“. Gleichzeitig entlastet sie Lehrkräfte, sodass sie wieder mehr „Lehrkraft“ und weniger „Verwaltungsangestellte“ sein können. Das verlangt Mut zum Umdenken. Je mehr Zeit darauf verwendet werden kann, den Schülerinnen und Schülern wirklich zu helfen und mit ihnen zu sprechen, desto mehr Freude macht die Arbeit. Genau diese Zeit gibt gut eingesetzte KI zurück.

Literaturverzeichnis

Bjork, Elizabeth L. und Robert A. Bjork (2011). „Making Things Hard on Yourself, But in a Good Way: Creating Desirable Difficulties to Enhance Learning“. In: Gernsbacher, Morton Ann u. a. (Hrsg.). Psychology and the Real World. New York: Worth Publishers. 56–64.

Bryant, Jake, Christine Heitz, Saurabh Sanghvi und Dilip Wagle (2020). „How Artificial Intelligence Will Impact K-12 Teachers“. McKinsey & Company. Online: mckinsey.com.

Deci, Edward L. und Richard M. Ryan (2000). „The ‚What‘ and ‚Why‘ of Goal Pursuits: Human Needs and the Self-Determination of Behavior“. In: Psychological Inquiry 11:4. 227–268.

Hattie, John (2009). Visible Learning. A Synthesis of Over 800 Meta-Analyses Relating to Achievement. London: Routledge.

Roediger, Henry L. und Jeffrey D. Karpicke (2006). „Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention“. In: Psychological Science 17:3. 249–255.

Vodafone Stiftung Deutschland (2024). Künstliche Intelligenz in der Schule. Düsseldorf: Vodafone Stiftung. Online: vodafone-stiftung.de.