Bildung: Mehr Input

Mithilfe von Digitalisierung und künstlicher Intelligenz versprechen immer mehr Unternehmen, eine Art Turbogang für Schulen und Universitäten zu schaffen. Aber ist mehr Technik in der Bildung tatsächlich die Lösung?

Lesezeit: 5 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen 3 Beiträge
Von
  • Wolfgang Stieler
  • Boris Hänßler
Inhaltsverzeichnis

In 500 Schulen in China messen Forscher der Jiao Tong University Shanghai mit Kamera und Software, ob sich die Kinder langweilen. An der Software mitgearbeitet hat das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI). "Im Fokus der chinesichen Kollegen steht, welche Lernkompetenzen ein Kind hat, wie es seine Aufgaben löst und was ihm Schwierigkeiten bereitet", sagt Christoph Igel vom DFKI in Berlin.

Sobald die Gesichtserkennung registriert, dass ein Kind gelangweilt aussieht, bekommt es auf seinem Rechner neue Aufgaben zugewiesen. Ist das Kind hingegen überfordert, erhält es vom System weitere Hilfsangebote. "Methoden der künstlichen Intelligenz können in solchen Fällen eine Unterstützung ermöglichen, die Lehrer sich in großen Schulklassen ohne Technik niemals leisten könnten", sagt der Leiter des Educational Technology Lab in Berlin.

Mehr Infos

Was Igel nüchtern als "adaptive Lernsoftware" beschreibt, ist der neuste Schrei in einem Sektor, der sich stürmisch entwickelt: "EdTech", kurz für "Educational Technologies". War Bildung lange Pflicht und Privileg staatlicher Institutionen, schießen hier mittlerweile Hunderte von privaten, gewinnorientierten Start-ups aus dem Boden, vom YouTube-Erklärer über Online-Kursangebote renommierter Universitätsdozenten – und eben bis hin zum vollautomatischen Tutor auf der Basis von künstlicher Intelligenz. Ob bei dieser digitalen Umwälzung der Bildung die Vorteile oder die Nachteile überwiegen, ist noch völlig unklar. Sicher ist nur, dass der Umbruch ähnlich dynamisch verlaufen wird wie der Wandel der Arbeitswelt durch die Digitalisierung.

Das Silicon Valley ist ganz vorn mit dabei. Mark Zuckerberg etwa hat mit seiner Chan Zuckerberg Initiative (CZI) 50 Millionen Dollar in das indische EdTech-Unternehmen BYJU gesteckt. Der ehemalige Google-Manager Max Ventilla hat im Silicon Valley mehr als 130 Millionen Dollar für seine Initiative AltSchool eingesammelt, die voraussichtlich 2018 eine komplett neue Grundschule auf der Basis von individualisiertem Lernen eröffnen will. Kein Wunder, denn der EdTech-Markt ist hochinteressant: 2011 betrug der weltweite Umsatz mit E-Learning-Tools 35,6 Milliarden Dollar, 2016 waren es nach Angaben von Forschern der Universität Essex bereits rund 51 Milliarden. 2020 könnte der Umsatz nach Schätzungen des US-Wirtschaftsmagazins "Forbes" auf 252 Milliarden Dollar klettern.

An Deutschland läuft der Trend – noch – vorbei, sagt DFKI-Experte Igel. Ein Projekt wie in China wäre hier völlig unrealistisch. Datenschutz und langwierige Prozesse bei der Einführung von Innovationen in der Schule stünden dem entgegen. In Deutschland bräuchten neue Lernkonzepte rund 15 Jahre, bis sie in einer Schule verankert werden. "Vorher wird das Konzept rauf und runter diskutiert, von Eltern, Lehrern, Schulleitung und Gewerkschaften, bis die Technik schon wieder veraltet ist." Als Folge finde Bildung hierzulande immer öfter im "informellen Sektor" statt – etwa auf YouTube oder anderen Lernplattformen, die ein für Smartphones optimiertes, häppchenweises Lernen in Videoform anbieten. Alexander Giesecke von TheSimpleClub beispielsweise begann, mit seinem Schulfreund Nicolai Schork Videos für YouTube zu drehen.

TR 10/2017

(Bild: 

Technology Review 10/2017

)

Dieser Artikel stammt aus der Oktober-Ausgabe von Technology Review. Das Heft war ab dem 14. September 2017 im Handel und ist im heise shop erhältlich.

"Wir haben in der Schule festgestellt, dass unsere Mitschüler immer bei YouTube nachschauten, wenn sie im Unterricht nichts verstanden haben", sagt er. "Aber es gab zu wenig gute Angebote." So entstanden mittlerweile 1500 Videos, nicht nur für Mathe, sondern auch für Bio, Physik, Chemie oder Geschichte. Inzwischen hat sich das Unternehmen von YouTube gelöst und ist auf eine eigene Seite umgezogen. Die Videos sind nach wie vor kostenlos und durch Werbung finanziert. Für darüber hinausgehende interaktive Übungsaufgaben müssen Nutzer jedoch 9,99 Euro im Monat bezahlen.

Derzeit arbeitet das TheSimpleClub-Team daran, adaptive Lerntools mit rudimentärer KI-Unterstützung zu entwickeln. "Wir haben uns gedacht, wenn Spotify es schafft, Playlists vorzuschlagen, die ihre User gut finden, dann kann das für unsere Videos doch auch nicht so schwer sein", sagt Giesecke. Das System, das am 14. September online gehen soll, schlägt auf Basis der Userdaten eine Zusammenstellung aus dem Fundus vor. Dabei soll es auch lokale Gegebenheiten wie unterschiedliche Lehrpläne in verschiedenen Bundesländern berücksichtigen.

Auf den ersten Blick sieht diese Aufgabe recht einfach aus: Nachdem die Lernsoftware den Lernenden ihre vorbereiteten Inhalte vorgespielt hat – in Form von Videos, Text oder Animationen –, folgt eine "Evaluationsphase", in der die Software versucht herauszufinden, wie viel von dem dargebotenen Stoff tatsächlich angekommen ist. In der Regel sind es mehr oder weniger komplexe Test, die der Lernende nach jeder Lektion ausfüllen muss. Manche Systeme probieren aber auch, wie im Fall des chinesischen Feldversuchs, die Messung von Emotion und Aufmerksamkeit der Schüler einzubeziehen. Ist der Stoff erfolgreich vermittelt, folgt automatisch die nächste Lektion.

Die EdTech-Branche kann dabei auf lange Jahre der Forschung aufsetzen. Bereits Ende der 1980er entwickelten KI-Wissenschaftler, beispielsweise an der Carnegie Mellon University, sogenannte "kognitive Tutoren". Sie setzen auf regelbasierten Systemen auf, die zum Beispiel algebraische Gleichungen selbstständig lösen können. Die kognitiven Tutoren können aber mehr. Sie kennen nicht nur einen Lösungsweg, sondern viele verschiedene, erklärt Ulrich Hoppe von der Universität Duisburg-Essen, der bereits seit den 1990er-Jahren an intelligenten Unterrichtssystemen forscht. Stellt solch ein System also dem Schüler eine Mathematikaufgabe, kann es bei jeder Eingabe erkennen, ob dieser Schritt zu einer Lösung führt. Andere "Constraint based"-Systeme kennen zwar nicht den richtigen Lösungsweg, können aber schon frühzeitig erkennen, wenn ein vom Schüler vorgeschlagener Lösungsweg in die Irre läuft.

Fortschritte in der Verarbeitung natürlicher Sprache haben zudem zur Entwicklung agentenbasierter Dialogsysteme geführt, sagt Hoppe. Schon mit einfachen Mitteln ließen sich hier interessante Ergebnisse erzielen. So hätten Studenten von ihm ein System entwickelt, das angehende Allgemeinmediziner schulen soll. Die Patienten werden in diesem Fall von Chatbots "gespielt" und reagieren auf das Verhalten der angehenden Mediziner. "Ein Chatbot spielt zum Beispiel eine alte Dame, die nicht gern über ihre Herzinsuffizienz sprechen möchte, weil sie Angst hat, ins Pflegeheim zu kommen", sagt Hoppe. Die Übenden müssten lernen, ein Vertrauensverhältnis zu diesem Bot aufzubauen. Nur dann bekämen sie die nötigen Informationen für ihre Diagnose.

Die Schwierigkeit in all diesen KI-Lehrern liegt allerdings im Detail. Wie bewertet man Lernfortschritt? Ist eine falsche Antwort ein zufälliger Ausrutscher, oder deutet sie auf eine grundlegende Wissenslücke hin? Zudem sind nicht alle Fragen immer gleich schwer. Spricht aber die Lösung von einer sehr schwierigen Aufgabe für mehr Lernfortschritt als die Lösung von drei mittleren Aufgaben in derselben Zeit? Hat der Lernende bei einem Multiple-Choice-Test das richtige Ergebnis vielleicht zufällig geraten? Aus Lernfortschritt, Sensordaten und Testergebnissen muss die Software ein möglichst präzises Modell des Lernenden und seiner Fortschritte erstellen. "Die Effizienz eines adaptiven Lernsystems hängt zentral davon ab, wie gut diese Modelle sind", sagt DFKI-Forscher Igel.

Dabei kommt ein ganzer Zoo von Methoden zum Einsatz: Hidden-Markov-Modell, Bayes-Netzwerke oder Entscheidungsbäume. Tiefe neuronale Netze, wie sie zum Beispiel den Go-Weltmeister schlugen, sind jedoch eher selten zu finden, denn die neuen Methoden des maschinellen Lernens, die zum Beispiel auch bei autonom fahrenden Autos verblüffend schnell Fortschritte erzielen, haben eine Achillesferse: Sie sind eine Black Box, die Wege zu ihren Entscheidungen oft unergründlich. Dabei ist genau diese Information wichtig. "Man will ja wissen, warum ein Lernender eine bestimmte Aufgabe nicht lösen kann – und wie man das ändern kann", sagt Ulrich Hoppe. "Diesen Zusammenhang kann ich bei einem mit Deep Learning erstellten neuronalen Netz nicht herstellen."

Auch das DFKI setzt daher nicht auf die neuen Technologien des Maschinenlernens. Es programmiert im Kern Expertensysteme, die das Wissen von Pädagogen und Psychologen in Regeln abbilden: Wenn der Schüler sich langweilt, muss man ihn durch schwierigere Aufgaben fordern. "Das, was die Software dann empfiehlt, ist allerdings oft sehr holzschnittartig", räumt Igel ein. "Denn oft bekommen wir von den Experten auch die Antwort: Was man in diesem Fall am besten tut, ist stark vom Einzelfall abhängig. Und das können wir mit regelbasierten Systemen nur unzureichend abbilden."

Entsprechend kontrovers diskutieren Experten, wie gut die technische Lernhilfe funktioniert. Die zurzeit umfangreichste Metastudie zur Wirksamkeit von adaptiven Lernsystemen hat Maya Escueta von der Columbia University gemeinsam mit US-Kollegen im Auftrag des National Bureau of Economic Research durchgeführt.

Die Wissenschaftler führen 29 Forschungsarbeiten in Entwicklungsländern auf, bei denen die Effekte von adaptiver Lernsoftware unter wissenschaftlich sauberen Bedingungen – also mithilfe randomisierter Kontrollstudien – evaluiert wurden. Die übergroße Zahl konzentrierte sich auf die Vermittlung von Mathematik und Sprachen. "Von den 29 Studien zeigen nur acht keinen Effekt und eine negative Auswirkungen", schreiben die Forscher. "Die Mehrheit aller Studien zeigen positive Effekte."

Gemessen haben die Forscher allerdings vorwiegend den reinen Wissenserwerb. Dabei bedeute selbst das Mathematiklernen "mehr als nur ein paar Regeln für Bruchrechnen zu wissen", sagt Hoppe. "Lernen bedeutet auch Persönlichkeitsentwicklung, es hat auch eine ganz starke soziale Komponente."

Seine eigenen Forschungsarbeiten konzentrieren sich daher in letzter Zeit mehr darauf, Gruppenarbeit von Studierenden zu unterstützen und zu fördern, etwa indem das Lernsystem eine optimale Zusammensetzung von Lerngruppen vorschlägt. "Letztendlich wissen wir immer noch zu wenig darüber, wie Lernen wirklich funktioniert", sagt DFKI-Forscher Igel. Empirisch belegt sei lediglich, dass Lernende, die gut organisiert und in hohem Maße intrinsisch motiviert sind, adaptive Lerntechnologien häufig nutzen.

"Aber gerade diejenigen, die Unterstützung bräuchten, sind oft sehr wenig motiviert, intelligente Lernsysteme zu benutzen", sagt Igel. "Gemessen an Wissenserwerb und Gedächtnisausprägung funktionieren adaptive Lernsysteme so gut oder so schlecht wie andere Lernmittel auch." Ein Fazit, das auch Escueta und Kollegen ziehen: Verkleinerung der Klassen, direkte Zuwendung und Coaching von Schülern bringe vergleichbare Verbesserungen wie computerunterstützes Lernen, schreiben sie. Das Problem ist nur: Die derzeitige Bildungspolitik macht keines von beiden.

(wst)