Von der Tutorial-Hölle zur echten Fähigkeit: Die projektbasierte Lernleiter

Kurzfassung. Die Tutorial-Hölle entsteht, wenn eine Methode, die für Anfänger richtig ist, über den Punkt hinaus beibehalten wird, an dem sie noch wirkt. Lösungsbeispiele helfen Neulingen (eine Metaanalyse von 2023 über 55 Mathematikstudien bezifferte den durchschnittlichen Effekt auf g = 0.48), doch der Vorteil schwindet und kehrt sich dann um, wenn das Wissen wächst. Das Gefühl des Fortschritts schwindet nicht mit. In einem Physikexperiment in Harvard schnitten Studierende in aktiven Lehrveranstaltungen um 0,46 Standardabweichungen besser ab und hatten zugleich das Gefühl, um 0,56 Standardabweichungen weniger gelernt zu haben (Deslauriers und Kollegen, 2019). Studierende, die einen Text etwa 14-mal wiederholt lasen, erinnerten eine Woche später 40 Prozent davon, gegenüber 61 Prozent bei Studierenden, die ihn etwa 3-mal lasen und sich selbst testeten (Roediger und Karpicke, 2006). Der umgekehrte Fehler, der direkte Sprung in ein Projekt ohne Anleitung, ist ebenfalls nicht belegt: Die projektbasierten Programme mit positiven Studienergebnissen waren stark strukturiert und wurden von Lehrkräften geleitet. KI fügt eine schnellere Version derselben Falle hinzu. Schüler, die einen gewöhnlichen Chatbot erhielten, steigerten ihre Übungsergebnisse um 48 Prozent und schnitten anschließend in einer Prüfung ohne Hilfe um 17 Prozent schlechter ab (Bastani und Kollegen, 2025), und Entwickler, die eine neue Bibliothek mit KI-Hilfe lernten, erreichten in einem Verständnisquiz im Schnitt 50 Prozent gegenüber 67 Prozent ohne sie (Shen und Tamkin, 2026). Die projektbasierte Lernleiter, ein CEOtudent-Framework, übersetzt diese Evidenz in sechs Sprossen mit je einem Ausstiegstest: ein Beispiel studieren, eines vervollständigen, eines verändern, es aus dem Gedächtnis nachbauen, es auf eine neue Spezifikation erweitern und dann ein eigenes Projekt ausliefern und Feedback einholen. Der CEO-Zug besteht darin, die Zahl der Tutorials in Arbeit auf eins zu begrenzen. Der Lernenden-Zug besteht darin, jeden Ausstiegstest als die eigentliche Lektion zu behandeln.

Dieser Artikel ist das praktische Begleitstück zu bewusstem Üben im Zeitalter der KI. Jener Beitrag fragt, wohin Ihre Übungswiederholungen fließen sollten. Dieser liefert die Treppe, die Sie vom bloßen Mitmachen zum eigenständigen Bauen führt.

Was ist die Tutorial-Hölle, und warum fühlt sie sich wie Fortschritt an?

“Tutorial-Hölle” ist ein Begriff aus der Community, kein Forschungsbegriff. Er beschreibt Lernende, die ein Tutorial nach dem anderen abschließen, jedem einzelnen erfolgreich folgen können und trotzdem ohne Tutorial nichts bauen können. Der Begriff stammt aus der Programmierung, aber das Muster ist in Design, Datenanalyse, Sprachen oder Musik dasselbe: flüssig unter Anleitung, festgefahren, sobald die Anleitung wegfällt.

Sie hält sich so hartnäckig, weil sich die Erfahrung wie Lernen anfühlt. Drei Experimente zeigen, wie unzuverlässig dieses Gefühl ist.

Ein flüssiger Vortrag steigert die Zuversicht, nicht die Erinnerung. Carpenter, Wilford, Kornell und Mullaney (2013, Psychonomic Bulletin and Review) zeigten Studierenden denselben kurzen Vortrag, den dieselbe Person entweder flüssig oder stockend hielt. Im ersten Experiment (42 Studierende) sagten diejenigen, die die flüssige Version gesehen hatten, voraus, sich an deutlich mehr zu erinnern (d = 1.03), doch die tatsächliche Erinnerungsleistung unterschied sich nicht, sodass die Selbstüberschätzung nach dem flüssigen Video bei .22 lag, gegenüber .03 nach dem stockenden. Ein zweites Experiment mit 70 Studierenden fand erneut keinen signifikanten Unterschied bei den Testergebnissen (.44 gegenüber .40).

Anstrengung wird als Scheitern missdeutet. Deslauriers und Kollegen (2019, PNAS) vermittelten 149 Physikstudierenden in Harvard denselben Stoff auf zwei Arten, wobei alle Studierenden beide Varianten erlebten. Nach aktiven Sitzungen schnitten die Studierenden in einem Lerntest um 0,46 Standardabweichungen besser ab, bewerteten ihren gefühlten Lernerfolg aber um 0,56 Standardabweichungen niedriger als nach ausgefeilten passiven Vorlesungen. Die Erklärung der Autoren: Die Verwirrung und Anstrengung aktiver Arbeit wird als Zeichen schlechten Lernens gewertet, obwohl sie das Gegenteil anzeigt.

Wiederholtes Lesen gewinnt heute und verliert nächste Woche. Roediger und Karpicke (2006, Psychological Science) ließen Studierende einen Textabschnitt entweder wiederholt lernen oder ihn einmal lernen und anschließend aus dem Gedächtnis abrufen. Fünf Minuten später lag das wiederholte Lernen vorn (83 Prozent gegenüber 71 Prozent). Eine Woche später hatte sich die Reihenfolge umgekehrt: 40 Prozent beim wiederholten Lernen gegenüber 61 Prozent beim Lernen mit drei anschließenden Abruftests. Die Gruppe mit wiederholtem Lernen hatte den Abschnitt im Durchschnitt 14,2-mal gelesen, die Testgruppe 3,4-mal, und die Gruppe mit wiederholtem Lernen war die zuversichtlichere von beiden.

Ein Tutorial ist ein gut produziertes Lösungsbeispiel mit einer flüssig vortragenden Person. In allen drei Punkten ist es darauf angelegt, sich wirksam anzufühlen.

Ist es ein Fehler, Tutorials anzusehen?

Nein. Für Anfänger ist es der richtige erste Schritt, und ihn zu überspringen ist ein Fehler eigener Art.

Kirschner, Sweller und Clark (2006, Educational Psychologist) sichteten die Evidenz zu Unterricht mit minimaler Anleitung und kamen zu dem Schluss, dass Neulinge daraus weniger lernen, und das weniger effizient, als aus stark angeleitetem Unterricht. Anfängern fehlt im Langzeitgedächtnis noch das Wissen, das offenes Problemlösen produktiv macht. Die am besten untersuchte Form der Anleitung ist das Lösungsbeispiel. Eine Metaanalyse von 2023 über 55 Studien und 181 Effektstärken in der Mathematik (Barbieri und Kollegen, Educational Psychology Review) ergab einen mittleren durchschnittlichen Effekt von g = 0.48 für das Lernen aus Lösungsbeispielen. Dieselbe Analyse ergab, dass Beispiele korrekter Lösungen besser wirkten als fehlerhafte oder gemischte und dass zusätzliche Aufforderungen zur Selbsterklärung den Effekt im Durchschnitt verringerten. Uns war nur das Abstract zugänglich.

Der Haken steckt in der zweiten Hälfte desselben Forschungsprogramms. Kirschner und Kollegen halten fest, dass der Vorteil der Anleitung zurückgeht, sobald Lernende genug Vorwissen haben, um sich selbst anzuleiten, und dass der Lösungsbeispiel-Effekt mit wachsender Expertise zunächst verschwindet und sich dann umkehrt. Kalyuga, Ayres, Chandler und Sweller (2003) nannten dies den Expertise-Umkehr-Effekt: Methoden, die bei unerfahrenen Lernenden gut funktionieren, können ihre Wirkung verlieren und sogar nach hinten losgehen, sobald die Lernenden mehr wissen. Renkl und Atkinson (2003) zogen die praktische Konsequenz: früh Beispiele, später Problemlösen, dazwischen ein Fading-Verfahren, bei dem die Lernenden Schritt für Schritt mehr von jeder Lösung selbst übernehmen.

So gelesen ist die Tutorial-Hölle kein Charakterfehler. Sie ist ein Expertise-Umkehr-Problem (unsere Lesart der Forschung, kein Begriff der Autoren): Die Lernenden sind dem Format entwachsen und haben es trotzdem weiter genutzt.

Das Format ist zudem der Standard. In der Stack Overflow Developer Survey 2025 (49.009 Antworten; 33.454 beantworteten diese Frage) nannten Befragte, die im vergangenen Jahr Programmieren gelernt hatten, am häufigsten technische Dokumentation (67,8 Prozent), andere Online-Ressourcen (58,7 Prozent), Stack Overflow selbst (51,4 Prozent), Videos (50 Prozent) und KI-Tools (44 Prozent). Unter den Befragten im Alter von 18 bis 24 Jahren erreichten Videos 55,2 Prozent. Die Stichprobe ist selbstselektiert und besteht überwiegend aus berufstätigen Entwicklern (76,2 Prozent sind Profis; 5,2 Prozent geben an, Programmieren zu lernen), sie beschreibt also eher, wie Entwickler weiterlernen, als wie Anfänger beginnen.

Was sagt die Evidenz über Tun gegenüber Zuschauen?

Zwei große Datenbestände weisen in dieselbe Richtung, mit unterschiedlicher Beweiskraft.

In einem Coursera-Psychologiekurs mit eingebauten interaktiven Übungen modellierten Koedinger und Kollegen (2015), was bei den 939 Teilnehmenden, die die Abschlussprüfung ablegten, die Quizergebnisse vorhersagte. Ein Anstieg der bearbeiteten Übungen um eine Standardabweichung ging mit einem Zuwachs von 0,44 Standardabweichungen einher; derselbe Anstieg bei angesehenen Videos oder gelesenen Seiten ging mit jeweils etwa .065 einher, was die Autoren als mehr als den sechsfachen Nutzen des Tuns zusammenfassen. Die Daten sind korrelativ und stammen von Teilnehmenden, die selbst entschieden, wie sie lernten, und nur 4 Prozent der 27.720 angemeldeten Personen legten die Abschlussprüfung überhaupt ab.

Die experimentelle Evidenz kommt aus dem Hörsaal. Freeman und Kollegen (2014, PNAS) fassten 225 Studien zu grundständigen Lehrveranstaltungen in Naturwissenschaften, Ingenieurwesen und Mathematik zusammen. Aktives Lernen steigerte die Prüfungsleistung um 0,47 Standardabweichungen, und die durchschnittlichen Durchfallquoten lagen bei 21,8 Prozent mit aktivem Lernen gegenüber 33,8 Prozent bei traditionellen Vorlesungen, ein Abstand von 12 Prozentpunkten.

Und Abruf schlägt den erneuten Kontakt mit dem Stoff, selbst im Vergleich mit einer angesehenen Lerntechnik. Karpicke und Blunt (2011, Science) verglichen das Abrufen eines naturwissenschaftlichen Textes aus dem Gedächtnis mit dem Zeichnen von Concept-Maps dazu. Eine Woche später erreichte die Abrufgruppe 0,67 gegenüber 0,45. Im zweiten Experiment schnitten 101 von 120 Studierenden (84 Prozent) nach der Abrufübung besser ab, obwohl 90 der 120 (75 Prozent) vorhergesagt hatten, dass Concept-Mapping mindestens ebenso gut sein würde.

Die Fluency-Falle: Was sich besser anfühlte und was im Test besser abschnitt

Die Tabelle ist eine CEOtudent-Synthese. Sie ordnet sechs Experimente, vier aus der Zeit vor generativer KI und zwei mit ihr, nach denselben zwei Fragen: Welche Bedingung wirkte oder fühlte sich im Moment besser an, und welche schnitt in einem späteren Test ohne Hilfe besser ab?

Experiment	Wirkte oder fühlte sich im Moment besser an	Schnitt im späteren Test besser ab
Carpenter und Kollegen, 2013 (42 Studierende)	Flüssiger Vortrag: deutlich höhere vorhergesagte Erinnerung (d = 1.03)	Keine von beiden; die tatsächliche Erinnerung unterschied sich nicht
Deslauriers und Kollegen, 2019 (149 Studierende)	Passive Vorlesung: gefühlter Lernerfolg 0,56 SD höher	Aktive Lehrveranstaltung: 0,46 SD höher
Roediger und Karpicke, 2006 (180 Studierende)	Wiederholtes Lernen: 83 Prozent gegenüber 71 Prozent nach 5 Minuten, dazu höhere Zuversicht	Wiederholtes Testen: 61 Prozent gegenüber 40 Prozent nach 1 Woche
Karpicke und Blunt, 2011 (120 Studierende)	Concept-Mapping: 75 Prozent erwarteten, dass es ebenso gut oder besser sei	Abrufübung: 84 Prozent der Studierenden schnitten damit besser ab
Bastani und Kollegen, 2025 (fast 1.000 Schüler)	Gewöhnlicher Chatbot: Übungsergebnisse um 48 Prozent höher	Kontrollgruppe: Die Chatbot-Gruppe schnitt um 17 Prozent schlechter ab
Shen und Tamkin, 2026 (52 Entwickler)	KI-Unterstützung: Aufgabe etwa zwei Minuten früher beendet (nicht signifikant)	Programmieren von Hand: 67 Prozent gegenüber 50 Prozent im Quiz

In jeder Zeile war die Bedingung, die sich im Moment besser anfühlte oder besser aussah, nicht diejenige, die mehr Lernen hervorbrachte. Die Gruppe mit wiederholtem Lernen im Experiment von 2006 ist das klarste Beispiel: etwa viermal so viel Kontakt mit dem Stoff (14,2 Lesedurchgänge gegenüber 3,4) für rund zwei Drittel der Behaltensleistung (40 Prozent gegenüber 61 Prozent). Das ist die Arithmetik der Tutorial-Hölle.

Warum scheitert “Bau einfach ein Projekt” auch bei Anfängern?

Weil die Forschung, die Projekte stützt, keine Projekte ohne Anleitung getestet hat.

Das stärkste Argument dafür, sich zuerst selbst abzumühen, ist die Literatur zum Problemlösen vor der Instruktion. Sinha und Kapur (2021, Review of Educational Research) fassten 53 Studien mit 166 Vergleichen zusammen und fanden einen moderaten Vorteil dafür, sich an Problemen zu versuchen, bevor der Stoff vermittelt wird (g = 0.36, 95-Prozent-Konfidenzintervall 0.20 bis 0.51), der auf 0.37 bis 0.58 stieg, wenn das Design originalgetreu umgesetzt wurde. Zwei Bedingungen sind wichtig. Auf das Abmühen folgte immer Instruktion, und bei jüngeren Lernenden (Zweit- bis Fünftklässler) sowie bei domänenübergreifenden Fähigkeiten verlief das Muster umgekehrt: Dort schnitt es besser ab, mit der Instruktion zu beginnen.

Die randomisierten Studien zum projektbasierten Lernen erzählen dieselbe Geschichte über Struktur. In 46 Schulen in Michigan mit 2.371 Drittklässlern steigerte ein projektbasierter naturwissenschaftlicher Lehrplan die Ergebnisse in standardisierten Tests um 0,277 Standardabweichungen (Krajcik und Kollegen, 2023); die Intervention umfasste vier ausgearbeitete Einheiten, Materialien, Fortbildung für Lehrkräfte und Leistungserhebungen nach jeder Einheit. In einer Studie mit 3.645 Schülern an 68 randomisierten Schulen erhöhte eine projektbasierte Version zweier Advanced-Placement-Kurse den Anteil derjenigen, die ein qualifizierendes Prüfungsergebnis erreichten, insgesamt um 4 Prozentpunkte und unter denjenigen, die die Prüfung ablegten, um 7,6 Punkte, von 37,2 auf 44,8 Prozent (Saavedra und Kollegen, 2021). Die Lehrkräfte in diesem Programm erhielten ein viertägiges Sommerinstitut, vier weitere ganze Tage im Laufe des Jahres und Coaching auf Abruf. Die Autoren geben außerdem zu bedenken, dass das Ausscheiden von Schulen nach der Randomisierung die Kausalaussage schwächt.

Projekte funktionieren, wenn sie auf einem Gerüst stehen. Wer als Anfänger hört, man solle “einfach etwas bauen”, bekommt die letzte Sprosse einer Leiter gereicht, deren untere Sprossen entfernt wurden.

Was ändert sich, wenn KI im Spiel ist?

KI kann das schnellste Tutorial sein, das je gemacht wurde, oder ein Tutor. Die Evidenz trennt beides scharf.

Als Antwortmaschine vertieft sie die Falle. Bastani und Kollegen (2025, PNAS) führten ein Feldexperiment mit fast 1.000 Schülern der Klassen 9 bis 11 an einer weiterführenden Schule in der Türkei durch, verteilt auf vier 90-minütige Mathematiksitzungen. Ein gewöhnlicher GPT-4-Chatbot steigerte die Ergebnisse bei Übungsaufgaben um 48 Prozent; eine Version, die angewiesen war, Hinweise statt Antworten zu geben, steigerte sie um 127 Prozent. In der späteren Prüfung ohne KI schnitt die Gruppe mit dem gewöhnlichen Chatbot um 17 Prozent schlechter ab als Schüler, die nur mit Lehrbüchern geübt hatten, während der Hinweise gebende Tutor den Schaden beseitigte, ohne einen Zugewinn zu bringen. Die Schüler in der Gruppe mit dem gewöhnlichen Chatbot nahmen nicht wahr, dass sie schlechter abgeschnitten hatten. Der Chatbot selbst gab nur in 51 Prozent der Fälle eine richtige Antwort.

Dasselbe gilt für berufstätige Entwickler. Shen und Tamkin (2026, ein Preprint von Anthropic) baten 52 Softwareentwickler, überwiegend auf Junior-Niveau, eine ihnen unbekannte Python-Bibliothek zu erlernen, und wiesen sie per Zufall der Arbeit mit oder ohne KI-Assistenten zu. Die KI-Gruppe erreichte in einem Verständnisquiz im Schnitt 50 Prozent gegenüber 67 Prozent in der Gruppe, die von Hand programmierte (d = 0.738, p = 0.010), ein Abstand von 17 Punkten, mit den größten Unterschieden bei Fragen zum Debugging. Die KI-Gruppe war etwa zwei Minuten früher fertig, was statistisch nicht signifikant war. Entscheidend war, wie der Assistent genutzt wurde: Teilnehmende, die den Code delegierten, sich im Verlauf der Aufgabe zunehmend auf den Assistenten stützten oder ihn zum iterativen Debuggen einsetzten, lagen im Schnitt unter 40 Prozent, während diejenigen, die konzeptionelle Fragen stellten, sich zum Code Erklärungen geben ließen oder Code generieren ließen und sich dann darum bemühten, ihn zu verstehen, im Schnitt 65 Prozent oder mehr erreichten. Diese Gruppen umfassen jeweils 2 bis 7 Personen, das Muster ist also deskriptiv.

Als strukturierter Tutor kann sie helfen. In einer randomisierten Studie mit 194 Physikstudierenden in Harvard (Kestin und Kollegen, 2025, Scientific Reports) erzielte ein sorgfältig gestalteter KI-Tutor im Nachtest einen Median von 4,5 gegenüber 3,5 in einer Lehrveranstaltung mit aktivem Lernen, und das in einer medianen Zeit von 49 Minuten. Dieselben Autoren warnen davor, KI dort einzusetzen, wo Studierende sie voraussichtlich als Krücke behandeln.

Daraus folgt die Regel: Auf der Leiter darf KI erklären, Hinweise geben, abfragen und begutachten. Sie darf nicht das herstellen, was Sie auf der jeweiligen Sprosse selbst herstellen sollen. Die breitere Evidenz finden Sie im Beitrag Macht KI Sie schlechter im Denken.

Die projektbasierte Lernleiter

Die Leiter ist ein redaktionelles CEOtudent-Framework. Sie ordnet die obigen Befunde in sechs Sprossen mit abnehmender Anleitung. Als Gesamtpaket wurde sie nicht getestet; jede Sprosse nennt die Forschung, auf die sie sich stützt, und jede hat einen Ausstiegstest, den Sie ohne Hilfe bestehen müssen, bevor Sie weitersteigen.

Sprosse	Was Sie tun	Evidenz, auf die sie sich stützt	Ausstiegstest	Erlaubte KI-Nutzung
1. Studieren	Ein vollständiges Beispiel durcharbeiten und beschriften, wozu jeder Schritt dient	Lösungsbeispiele (g = 0.48 in der Mathematik); Anleitung für Neulinge	Sie können in einfachen Worten sagen, was jeder Schritt tut und warum	Schritte erklären
2. Vervollständigen	Eine teilweise gebaute Version fertigstellen: Lücken füllen oder durcheinandergebrachte Schritte ordnen	Vervollständigungsaufgaben brauchten ein Drittel weniger Zeit als das Schreiben von Grund auf, bei ähnlichem Lernerfolg; Fading	Sie stellen sie bei geschlossenem Beispiel fertig	Hinweise, keine Lösungen
3. Verändern	Eine funktionierende Version ändern und das Ergebnis vorhersagen, bevor Sie sie ausführen	Unterricht nach dem Muster Vorhersagen, Ausführen, Verändern an 13 Schulen	Ihre Vorhersagen stimmen meistens	Eine Vorhersage prüfen, nachdem Sie sie getroffen haben
4. Nachbauen	Das gesamte Beispiel Tage später aus dem Gedächtnis neu erstellen	Abrufübung: 61 Prozent gegenüber 40 Prozent nach einer Woche	Es funktioniert, während sämtliche Vorlagen geschlossen bleiben	Keine, bis Sie fertig sind, danach Begutachtung
5. Erweitern	Eine Funktion hinzufügen, die das Beispiel nie behandelt hat, und es zuerst selbst versuchen, bevor Sie etwas nachschlagen	Problemlösen vor der Instruktion (g = 0.36), gefolgt von Instruktion	Die Erweiterung funktioniert, und Sie können den Teil erklären, den Sie nachschlagen mussten	Erklärung nach dem eigenen Versuch
6. Ausliefern	Etwas Eigenes für einen echten Nutzer bauen und konkretes Feedback einholen	Strukturierte Projekte (0,277 SD; 4 Punkte); informationsreiches Feedback (d = 0.99)	Ein Nutzer oder Reviewer hat reagiert, und Sie haben eine Überarbeitung ausgeliefert	Begutachtung und Kritik Ihrer Arbeit

Sprosse 1, studieren. Ein gutes Beispiel schlägt fünf überflogene. Margulieux, Morrison und Decker (2020) gaben der Hälfte von 265 Studierenden eines Java-Einführungskurses Lösungsbeispiele, deren Schritte mit ihrem Zweck beschriftet waren. Im ersten Quiz erreichten 68 Prozent dieser Gruppe die beiden obersten Stufen beim Erklären von Code in einfachem Englisch, gegenüber 37 Prozent der Kontrollgruppe. Die Gruppe mit beschrifteten Beispielen schnitt in Quizzen besser ab, nicht aber in Prüfungen, und weniger von ihnen brachen den Kurs ab oder fielen durch. Beschriften Sie die Schritte selbst, wenn das Tutorial es nicht tut.

Sprosse 2, vervollständigen. Ericson, Margulieux und Rick (2017) ließen 135 Studierende eines ersten Python-Kurses üben, indem sie entweder durcheinandergebrachte Codezeilen zu einem korrekten Programm anordneten, fehlerhaften Code reparierten oder den Code von Grund auf schrieben. Die vier Übungsaufgaben dauerten im Durchschnitt 473 Sekunden als Anordnungsaufgaben, 679 Sekunden als Reparaturaufgaben und 714 Sekunden als Schreibaufgaben, und beim Lernerfolg gab es weder unmittelbar danach noch eine Woche später, unter den 82 Studierenden, die wiederkamen, einen signifikanten Unterschied. Die Zeitangaben stammen aus dem Kapitel von Ericsons Dissertation zur selben Studie, und die Autoren merken an, dass die Gleichwertigkeit einer Replikation bedarf.

Sprosse 3, verändern. Der PRIMM-Ansatz (Predict, Run, Investigate, Modify, Make: vorhersagen, ausführen, untersuchen, verändern, erstellen) wurde an 13 Schulen mit 493 Schülern im Alter von 11 bis 14 Jahren über 8 bis 12 Wochen neben einer Kontrollgruppe evaluiert (Sentance, Waite und Kallia, 2019). Das Abstract berichtet bessere Ergebnisse der PRIMM-Gruppe im Nachtest, ohne eine Effektstärke anzugeben, und die Lernenden waren Schüler; behandeln Sie diese Sprosse daher als die am schwächsten belegte.

Sprosse 4, nachbauen. Das ist die Sprosse, die die Tutorial-Hölle überspringt, und zugleich diejenige, die experimentell am besten belegt ist. Schließen Sie alles und erstellen Sie das Projekt neu. Es wird sich schlechter anfühlen als erneutes Ansehen. Die oben genannten Behaltensdaten sagen, dass es mehr wert ist.

Sprosse 5, erweitern. Versuchen Sie es zuerst, und schlagen Sie dann genau das nach, was Sie aufgehalten hat. Die Reihenfolge zählt: Der Nutzen in der Forschung gehört zu Versuchen, auf die Instruktion folgt, nicht zu einem Abmühen, das ungelöst bleibt.

Sprosse 6, ausliefern. Feedback ist der Sinn des Auslieferns. Wisniewski, Zierer und Hattie (2020) fassten 435 Studien zusammen und fanden für Feedback einen durchschnittlichen Effekt von d = 0.48 auf das Lernen, doch die Art zählte mehr als der Durchschnitt: Informationsreiches Feedback erreichte 0.99, einfache Verstärkung oder Bestrafung 0.24, und 17 Prozent aller Effekte waren negativ. Ericsson, Krampe und Tesch-Römer (1993) machten unmittelbares, informatives Feedback zu einer definierenden Bedingung bewussten Übens. Fragen Sie Reviewer, was falsch ist und wie es sich beheben lässt, nicht, ob es ihnen gefällt. Mehr dazu, was Üben bringt und was nicht, steht im Beitrag zum 10.000-Stunden-Mythos.

Wie finden Sie Ihre Sprosse, und wie nutzen Sie die Leiter Woche für Woche?

Finden Sie Ihre Sprosse mit einem einzigen Test. Nehmen Sie das letzte Tutorial, das Sie abgeschlossen haben, und versuchen Sie Sprosse 4: Bauen Sie es bei geschlossenen Unterlagen nach. Wenn es gelingt, beginnen Sie auf Sprosse 5. Wenn nicht, steigen Sie mit demselben Material auf Sprosse 2 oder 3 hinab, statt ein neues Tutorial zu beginnen.

Der CEO-Zug: laufende Arbeit steuern.

1. Ein Tutorial in Arbeit. Beginnen Sie kein weiteres, bevor das aktuelle Sprosse 4 bestanden hat. Diese eine Beschränkung verwandelt Konsum in einen Bestand, den Sie tatsächlich nutzen können.
2. Wählen Sie das Projekt vor dem Tutorial. Legen Sie fest, was Sprosse 6 sein wird, und wählen Sie dann die Anleitung, die diesem Ziel dient. Für die Wahl der Fähigkeit selbst nutzen Sie die Entscheidungsmatrix mit 4 Faktoren.
3. Zählen Sie Ausstiege, nicht Stunden. Halten Sie fest, wie viele Sprossen Sie diese Woche geschafft haben, nicht wie lange Sie zugesehen haben. Realistische Zeitrahmen für konkrete Fähigkeiten finden Sie in Zeit bis zur Kompetenz für 20 Fähigkeiten.
4. Sichern Sie sich Feedback frühzeitig. Organisieren Sie den Nutzer, den Reviewer oder die Community für Sprosse 6 gleich zu Beginn, damit das Ausliefern ein Ziel hat.

Der Lernenden-Zug: den Test zur Lektion machen.

• Erst vorhersagen, dann ausführen. Schreiben Sie auf, was Sie erwarten, bevor Sie irgendetwas ausführen, kompilieren, rendern oder einreichen.
• Führen Sie ein Fehlerprotokoll. Eine Zeile pro Fehler: was Sie erwartet haben, was passiert ist, was Sie jetzt wissen. Das ist Ihr eigenes informationsreiches Feedback.
• Bauen Sie zeitversetzt nach. Wiederholen Sie Sprosse 4 eine Woche später für alles, was Sie behalten wollen. Den Plan, der das Verblassen verhindert, finden Sie in Kompetenzverfall und Wartungsplan, und die Rangliste der Techniken dahinter in 12 Lerntechniken im Ranking.
• Nutzen Sie KI als Tutor, nicht als Autor. Bitten Sie die KI, zu erklären, Sie abzufragen und zu kritisieren, was Sie gebaut haben. Wie das geht, beschreibt das 20-Stunden-KI-Tutor-Protokoll.

Wann ist die Leiter das falsche Werkzeug?

• Wenn Sie ganz am Anfang stehen. Bleiben Sie ohne jedes Vokabular länger auf den Sprossen 1 und 2. In dieser Phase Anleitung zu brauchen ist das, was die Forschung vorhersagt, keine Schwäche.
• Wenn Fehler teuer oder unumkehrbar sind. Bei klinischer, sicherheitskritischer oder finanzieller Arbeit gehören die oberen Sprossen unter Aufsicht, nicht in ein Soloprojekt.
• Wenn die Fähigkeit domänenübergreifend ist oder die Lernenden jung sind. Die Evidenz für das anfängliche Abmühen kehrte sich bei frühen Schuljahrgängen und bei allgemeinen Fähigkeiten um.
• Wenn Sie das Ergebnis brauchen, nicht die Fähigkeit. Wenn eine Aufgabe einmalig ist, ist es eine vernünftige Entscheidung, einem Tutorial zu folgen oder sie zu delegieren. Treffen Sie diese Entscheidung bewusst, und zählen Sie sie nicht als Übung.

Was sagen die verifizierten Daten? Die wichtigsten Studien im Überblick

Studie	Design und Stichprobe	Berichtetes Ergebnis
Barbieri und Kollegen, 2023	Metaanalyse, 55 Studien, 181 Effektstärken, Mathematik	Lösungsbeispiele g = 0.48; Aufforderungen zur Selbsterklärung verringerten den Effekt
Deslauriers und Kollegen, 2019	Randomisiertes Crossover-Design, 149 Physikstudierende	Aktive Lehrveranstaltungen 0,46 SD höher im Test, 0,56 SD niedriger beim gefühlten Lernerfolg
Roediger und Karpicke, 2006	Zwei Experimente, 120 und 180 Studierende	Nach 1 Woche 56 gegenüber 42 Prozent (ein Test gegenüber erneutem Lernen) und 61 gegenüber 40 Prozent (drei Tests gegenüber wiederholtem Lernen)
Karpicke und Blunt, 2011	Zwei Experimente, 80 und 120 Studierende	Abruf 0,67 gegenüber Concept-Mapping 0,45; 84 Prozent schnitten mit Abruf besser ab
Freeman und Kollegen, 2014	Metaanalyse, 225 Studien	Prüfungsleistung um 0,47 SD höher; Durchfallquote 21,8 gegenüber 33,8 Prozent
Ericson, Margulieux und Rick, 2017	Experiment, 135 Studierende	Übungszeit 473 Sekunden (Anordnen) gegenüber 714 (Schreiben); kein signifikanter Unterschied im Lernerfolg
Sinha und Kapur, 2021	Metaanalyse, 53 Studien, 166 Vergleiche	g = 0.36 für Problemlösen vor der Instruktion; umgekehrt in den Klassen 2 bis 5
Krajcik und Kollegen, 2023	Cluster-randomisierte Studie, 46 Schulen, 2.371 Schüler	0,277 SD in einem standardisierten Naturwissenschaftstest
Saavedra und Kollegen, 2021	Randomisierte Schulen, 3.645 Schüler	4 Punkte mehr mit qualifizierendem Ergebnis; 7,6 Punkte unter den Prüfungsteilnehmenden
Wisniewski, Zierer und Hattie, 2020	Metaanalyse, 435 Studien	Feedback d = 0.48; informationsreich 0.99; Verstärkung oder Bestrafung 0.24
Bastani und Kollegen, 2025	Feldexperiment, fast 1.000 Schüler	Übungsergebnisse um 48 und 127 Prozent höher; Prüfung ohne Hilfe mit dem gewöhnlichen Chatbot 17 Prozent schlechter
Shen und Tamkin, 2026	Randomisiertes Experiment, 52 Entwickler	Quiz 50 gegenüber 67 Prozent (d = 0.738); keine signifikante Zeitersparnis

FAQ

Was ist die Tutorial-Hölle?
Es ist der Zustand, Tutorials erfolgreich abzuschließen und dennoch ohne eines nichts bauen zu können. Der Begriff stammt aus der Community. Die Forschung dahinter betrifft Fluency-Illusionen und den Expertise-Umkehr-Effekt.

Sind Tutorials schlecht für das Lernen?
Nein. Angeleitete Beispiele sind für Neulinge der effizienteste Einstieg, mit einem durchschnittlichen Effekt von g = 0.48 in der Mathematik. Sie zahlen sich nicht mehr aus, sobald Sie ihnen mühelos folgen können, und das ist der Moment, zum Vervollständigen, Verändern und Nachbauen überzugehen.

Wie viele Tutorials sollte man abschließen, bevor man ein Projekt beginnt?
Die Forschung nennt keine Zahl. Nutzen Sie stattdessen einen Test: Wenn Sie das letzte Tutorial-Projekt aus dem Gedächtnis nachbauen können, sind Sie bereit, es zu erweitern und dann ein eigenes zu beginnen.

Funktioniert projektbasiertes Lernen tatsächlich?
Strukturierte Varianten ja. Randomisierte Studien fanden Zuwächse von 0,277 Standardabweichungen im naturwissenschaftlichen Grundschulunterricht und von 4 Prozentpunkten bei qualifizierenden Prüfungsergebnissen in zwei Highschool-Kursen. Beide Programme brachten ausgearbeitete Materialien und umfangreiche Unterstützung für Lehrkräfte mit.

Ist es in Ordnung, beim Programmierenlernen KI zu nutzen?
Es kommt auf die Nutzung an. Schüler mit einem gewöhnlichen Chatbot schnitten in einer späteren Prüfung ohne ihn um 17 Prozent schlechter ab, und Entwickler, die Code an einen Assistenten delegierten, lagen in einem Verständnisquiz im Schnitt unter 40 Prozent. Nach Erklärungen und Hinweisen zu fragen ging mit Ergebnissen von 65 Prozent oder mehr einher.

Warum fühlt sich das Nachbauen aus dem Gedächtnis so viel schlechter an als erneutes Ansehen?
Weil Anstrengung leicht mit Scheitern verwechselt wird. In den Behaltensexperimenten brachte die Methode, die sich weniger wirksam anfühlte, eine Woche später mehr Lernen hervor.

Quellen

1. Carpenter SK, Wilford MM, Kornell N, Mullaney KM. Appearances can be deceiving: instructor fluency increases perceptions of learning without increasing actual learning. Psychonomic Bulletin and Review. 2013;20:1350-1356.
2. Deslauriers L, McCarty LS, Miller K, Callaghan K, Kestin G. Measuring actual learning versus feeling of learning in response to being actively engaged in the classroom. PNAS. 2019;116(39):19251-19257.
3. Roediger HL, Karpicke JD. Test-enhanced learning: taking memory tests improves long-term retention. Psychological Science. 2006;17(3):249-255.
4. Karpicke JD, Blunt JR. Retrieval practice produces more learning than elaborative studying with concept mapping. Science. 2011;331(6018):772-775.
5. Kirschner PA, Sweller J, Clark RE. Why minimal guidance during instruction does not work. Educational Psychologist. 2006;41(2):75-86.
6. Barbieri CA, Miller-Cotto D, Clerjuste SN, Chawla K. A meta-analysis of the worked examples effect on mathematics performance. Educational Psychology Review. 2023;35:11. Abstract.
7. Kalyuga S, Ayres P, Chandler P, Sweller J. The expertise reversal effect. Educational Psychologist. 2003;38(1):23-31. Abstract.
8. Renkl A, Atkinson RK. Structuring the transition from example study to problem solving in cognitive skill acquisition. Educational Psychologist. 2003;38(1):15-22. Abstract.
9. Stack Overflow. 2025 Developer Survey, offizielle Ergebnisse (Seiten Developers und Methodology).
10. Koedinger KR, Kim J, Jia JZ, McLaughlin EA, Bier NL. Learning is not a spectator sport: doing is better than watching for learning from a MOOC. Proceedings of the Second ACM Conference on Learning at Scale. 2015:111-120.
11. Freeman S, Eddy SL, McDonough M, Smith MK, Okoroafor N, Jordt H, Wenderoth MP. Active learning increases student performance in science, engineering, and mathematics. PNAS. 2014;111(23):8410-8415.
12. Sinha T, Kapur M. When problem solving followed by instruction works: evidence for productive failure. Review of Educational Research. 2021;91(5):761-798. Abstract.
13. Krajcik J, Schneider B, Miller EA, Chen I-C, Bradford L, Baker Q, Bartz K, Miller C, Li T, Codere S, Peek-Brown D. Assessing the effect of project-based learning on science learning in elementary schools. American Educational Research Journal. 2023;60(1):70-102. Abstract.
14. Saavedra AR, Liu Y, Haderlein SK, Rapaport A, Garland M, Hoepfner D, Morgan KL, Hu A. Knowledge in Action efficacy study over two years. USC Dornsife Center for Economic and Social Research. 2021.
15. Bastani H, Bastani O, Sungu A, Ge H, Kabakci O, Mariman R. Generative AI without guardrails can harm learning: evidence from high school mathematics. PNAS. 2025;122(26):e2422633122.
16. Shen JH, Tamkin A. How AI impacts skill formation. Preprint, Anthropic, 2026.
17. Kestin G, Miller K, Klales A, Milbourne T, Ponti G. AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports. 2025;15:17458.
18. Margulieux LE, Morrison BB, Decker A. Reducing withdrawal and failure rates in introductory programming with subgoal labeled worked examples. International Journal of STEM Education. 2020;7:19.
19. Ericson BJ, Margulieux LE, Rick J. Solving Parsons problems versus fixing and writing code. Proceedings of the 17th Koli Calling International Conference on Computing Education Research. 2017:20-29. Abstract, mit Zeitdaten aus Ericson BJ, Dissertation, Georgia Institute of Technology, 2018.
20. Sentance S, Waite J, Kallia M. Teaching computer programming with PRIMM: a sociocultural perspective. Computer Science Education. 2019;29(2-3):136-176. Abstract.
21. Wisniewski B, Zierer K, Hattie J. The power of feedback revisited: a meta-analysis of educational feedback research. Frontiers in Psychology. 2020;10:3087.
22. Ericsson KA, Krampe RT, Tesch-Romer C. The role of deliberate practice in the acquisition of expert performance. Psychological Review. 1993;100(3):363-406.

Die Tabelle zur Fluency-Falle und die projektbasierte Lernleiter sind CEOtudent-Analysen auf Grundlage der oben genannten Quellen. Alle anderen Zahlen werden so wiedergegeben, wie sie in diesen Quellen abgedruckt sind.

---

Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

This post is also available in: