Die sokratische Prompting-Methode: Wie Sie KI dazu bringen, Sie zu unterrichten, statt die Arbeit für Sie zu erledigen

Kurzfassung: Es gibt inzwischen zwei große randomisierte Studien, die scheinbar in entgegengesetzte Richtungen zeigen, und die Lücke zwischen ihnen ist die gesamte praktische Lehre. Bastani und Kollegen gaben in einer 2025 in PNAS veröffentlichten Arbeit fast tausend türkischen Mathematikschülerinnen und -schülern während des Übens Zugang zu GPT-4. Die Leistung im Üben stieg um 48 Prozent bei einer schlichten ChatGPT-Oberfläche und um 127 Prozent bei einer Version mit Lernschutzmechanismen. Als der Zugang für die Prüfung entfiel, schnitt die Gruppe mit der schlichten Oberfläche 17 Prozent schlechter ab als Lernende ohne jeden Zugang, während die Autoren für die abgesicherte Gruppe berichten, dass der negative Effekt weitgehend abgemildert wurde, ohne dass ein Prüfungsvorteil gegenüber der Kontrollgruppe berichtet wird. Kestin und Kollegen führten in einer 2025 in Scientific Reports veröffentlichten Arbeit eine randomisierte Studie in einem Physikkurs in Harvard durch (N = 194) und fanden, dass ein KI-Tutor mediane Lernzuwächse erzeugte, die mehr als doppelt so hoch waren wie die eines fachkundig geführten Aktivlernen-Unterrichts, in median 49 Minuten gegenüber einer 60-Minuten-Stunde. Unsere abgeleitete Lesart: der wirksame Tutor lieferte rund den 2,3-fachen Lernzuwachs in 18,3 Prozent weniger Zeit, also etwa den 2,9-fachen Zuwachs pro Minute. Was die beiden Ergebnisse trennt, ist nicht das Modell. Es ist, ob die Interaktion die Lernenden zum Erzeugen zwingt oder sie empfangen lässt. Es folgen: die Methode, sieben einsatzfertige Prompt-Vorlagen, ein Substitutionsregister für Ihre üblichen Anfragen und eine Tabelle dazu, was die Evidenz stützt und was nicht.

Sie haben das mit ziemlicher Sicherheit getan. Sie stoßen auf etwas, das Sie nicht verstehen, fügen es in einen Assistenten ein, bekommen eine klare Erklärung zurück und spüren das Klicken des Verstehens.

Dieses Gefühl ist kein Beleg für Lernen. Es ist eine der bestbelegten Illusionen der Kognitionswissenschaft, und sie hat einen Namen.

Rozenblit und Keil zeigten sie 2002 in Cognitive Science über zwölf Studien hinweg. Menschen “haben das Gefühl, komplexe Phänomene mit weit größerer Präzision, Kohärenz und Tiefe zu verstehen, als sie es tatsächlich tun”, und die Illusion ist speziell bei erklärendem Wissen am stärksten, also genau bei der Art von Wissen, die eine KI-Erklärung liefert. Am robustesten ist sie, so ihr Befund, in Umgebungen, die Echtzeit-Erklärungen mit sichtbaren Mechanismen unterstützen. Ein Chatfenster mit einer sofortigen, flüssigen, gut strukturierten Antwort kommt einer eigens dafür gebauten Maschine zur Erzeugung dieser Illusion sehr nahe.

Die Frage ist also nicht, ob KI Sie unterrichten kann. Offensichtlich kann sie das. Die Frage ist, wie die Interaktion aussehen muss, damit das Unterrichten tatsächlich ankommt.

Die beiden Studien und was sie wirklich trennt

Beginnen Sie mit dem Schadensfall, denn er ist der nützlichere.

Bastani, Bastani, Sungu, Ge, Kabakcı und Mariman veröffentlichten im Juli 2025 in den Proceedings of the National Academy of Sciences die Arbeit “Generative KI ohne Leitplanken kann Lernen schädigen: Evidenz aus dem Mathematikunterricht der Oberstufe”. Sie führten ein Feldexperiment mit fast tausend Mathematiklernenden in drei Bedingungen durch: GPT Base, eine standardmäßige ChatGPT-artige Oberfläche; GPT Tutor, dasselbe Modell mit Prompts zum Schutz des Lernens; und eine Kontrollgruppe nur mit Lehrbuch und Notizen.

In den unterstützten Übungssitzungen erzielten GPT-Base-Lernende 48 Prozent und GPT-Tutor-Lernende 127 Prozent höhere Werte als die Kontrollgruppe. Dann wurde die Unterstützung entfernt und alle schrieben die Prüfung. GPT-Base-Lernende schnitten 17 Prozent schlechter ab als die Kontrollgruppe. In der Formulierung der Autoren kann “uneingeschränkter Zugang zu GPT-4 Bildungsergebnisse schädigen”, weil “Lernende versuchen, GPT-4 während der Übungssitzungen als Krücke zu benutzen, und anschließend eigenständig schlechter abschneiden”. Die Schutzmechanismen in GPT Tutor beseitigten diesen negativen Effekt weitgehend.

Nun die Rechnung, die die meiste Berichterstattung auslässt.

Bedingung	Zuwachs während des Übens	Effekt in der unassistierten Prüfung	Anteil des Übungszuwachses, der blieb
GPT Base	+48 %	-17 % gegenüber Kontrolle	-0,35
GPT Tutor	+127 %	Kein messbarer Vorteil gegenüber Kontrolle; negativer Effekt weitgehend abgemildert	~0
Kontrolle	Basislinie	Basislinie	nicht anwendbar

Die Verhältnisspalte ist eine CEOtudent-Ableitung: Prüfungseffekt geteilt durch Übungszuwachs. Sie drückt aus, wie viel des sichtbaren Leistungsschubs bestehen blieb, als das Werkzeug wegfiel.

Keine der KI-Bedingungen erzeugte einen messbaren Prüfungsvorteil. Die Leitplanken auf Prompt-Ebene leisteten etwas Wertvolles, aber Bescheidenes: sie machten aus einem Verlust von 17 Prozent ein Nullsummenergebnis. Wenn Ihr Denkmodell lautete “ein guter Tutor-Prompt macht KI zum Lernbeschleuniger”, stützt diese Studie das nicht. Sie stützt: “ein guter Tutor-Prompt verhindert, dass KI zum Lernverlangsamer wird.”

Nun der Gewinnfall.

Kestin, Miller, Klales, Milbourne und Ponti veröffentlichten im Juni 2025 in Scientific Reports die Arbeit “KI-Tutoring übertrifft Aktivlernen im Unterricht”. In einem Physik-Grundkurs in Harvard (N = 194) wechselten Studierende zwischen einem fachkundig geführten Aktivlernen-Unterricht und einem eigens gebauten KI-Tutor. Der mediane Nachtest-Wert lag in der KI-Bedingung bei 4,5 (N = 142) gegenüber 3,5 in der Unterrichtsbedingung (N = 174), ausgehend von einem kombinierten Vortest-Median von 2,75 (N = 316). Ein Mann-Whitney-Rangsummentest auf die Verteilungen der Nachtestwerte ergab z = -5,6, p < 10 hoch minus 8. Die mediane Bearbeitungszeit in der KI-Bedingung betrug 49 Minuten gegenüber einer 60-minütigen Unterrichtsstunde.

Rechnet man diese Mediane durch, was unsere eigene Berechnung ist und keine, die das Papier berichtet:

Kennzahl	KI-Tutor	Aktivlernen-Unterricht	Verhältnis
Medianer Nachtest	4,5	3,5	–
Medianer Zuwachs gegenüber der Vortest-Basislinie von 2,75	1,75	0,75	2,33x
Mediane Bearbeitungszeit	49 Min.	60 Min.	18,3 % weniger
Zuwachs pro Minute	0,0357	0,0125	2,86x

CEOtudent-Ableitung aus den veröffentlichten Medianen. Mediane lassen sich nicht sauber zerlegen; behandeln Sie den Wert pro Minute daher als Größenordnungsvergleich, nicht als präzise Effektstärke. Die Autoren selbst weisen auf einen Deckeneffekt bei den Nachtestwerten hin.

Also: dieselbe Modellfamilie, dasselbe Jahr, eine Studie findet Schaden und eine einen Zuwachs um etwa das 2,3-Fache. Der Unterschied liegt im Design, und die Kestin-Arbeit dokumentiert ihn ausdrücklich.

Ihr Tutor wurde entlang von sieben pädagogischen Praktiken gebaut: aktives Engagement fördern, kognitive Last steuern, ein Wachstumsdenken fördern, Inhalte scaffolden, Genauigkeit von Information und Rückmeldung sichern, Rückmeldung gezielt und zeitnah geben und Selbststeuerung des Tempos ermöglichen. Entscheidend: sie berichten, dass ein Systemprompt allein “nicht zuverlässig genug Struktur bieten konnte, um mehrteilige Aufgaben zu scaffolden”, weshalb die Plattform die sequenzielle Bearbeitung jedes Aufgabenteils erzwang. Sie speisten dem Modell außerdem detaillierte Schritt-für-Schritt-Lösungen ein, statt es sie erzeugen zu lassen, gerade weil Next-Token-Vorhersage bei komplexer Mathematik unzuverlässig ist. 83 Prozent der Studierenden bewerteten die Erklärungen des Tutors als ebenso gut wie oder besser als die menschlicher Lehrender im Kurs.

Das ist die ehrliche Schlagzeile. Leitplanken auf Prompt-Ebene verhindern Schaden. Strukturelles Design erzeugt Zuwachs. Sie bekommen das Kestin-Ergebnis nicht aus einem einzelnen cleveren Prompt, und wer Ihnen einen verkauft, verspricht zu viel. Was Sie erreichen können, ist deutlich näher am Optimum als die Voreinstellung, und dafür ist die folgende Methode da.

Warum Erzeugen das Empfangen schlägt

Der Mechanismus ist nicht rätselhaft und stammt aus der Zeit lange vor der KI.

Roediger und Karpicke zeigten 2006 in Psychological Science, dass eine Gedächtnisprüfung Wissen nicht nur misst, sondern es festigt. Studierende, die Prosatexte lasen und anschließend Abrufprüfungen ohne Rückmeldung ablegten, übertrafen jene, die dasselbe Material gleich oft erneut lasen, in verzögerten Tests nach zwei Tagen und einer Woche. Bemerkenswert: in einem unmittelbaren Fünf-Minuten-Test schnitt die Wiederholungsgruppe besser ab, und sie war zugleich zuversichtlicher, sich erinnern zu können. Kurzfristige Flüssigkeit und langfristige Behaltensleistung ziehen in entgegengesetzte Richtungen.

Das ist dieselbe Falle wie die Erklärungsillusion, nur anders gekleidet. Eine gute Erklärung zu lesen fühlt sich an wie der Fünf-Minuten-Test. Die Erklärung selbst zu produzieren fühlt sich schlechter an und funktioniert besser.

VanLehns Übersicht von 2011 in Educational Psychologist bezifferte, wie viel Tutoring bringt. Gegenüber keinem Tutoring lag menschliches Tutoring bei einer Effektstärke von d = 0,79 und intelligente Tutorsysteme bei d = 0,76, nah genug, dass der menschliche Vorsprung weitgehend verschwindet, wenn das System auf Schritt- statt auf Antwortebene arbeitet. Dieser letzte Halbsatz ist der operative fürs Prompten. Interaktion auf Antwortebene bleibt hinter den Möglichkeiten zurück. Auf Schrittebene lebt der Effekt.

Es gibt zudem ein vorläufiges neuronales Signal, das mit angemessener Vorsicht erwähnt gehört. Kosmyna und Kollegen am MIT Media Lab zirkulierten 2025 einen nicht begutachteten Preprint, in dem 54 Teilnehmende über drei Sitzungen Essays in einer von drei Bedingungen schrieben: LLM, Suchmaschine oder ohne Werkzeuge. Das EEG zeigte in der Gruppe ohne Werkzeuge die stärkste und am weitesten verteilte Konnektivität, bei Suchmaschinennutzenden mittlere Werte und bei LLM-Nutzenden die schwächste, wobei kognitive Aktivität proportional zur Nutzung externer Werkzeuge abnahm. Die selbstberichtete Urheberschaft an den Essays war in der LLM-Gruppe am niedrigsten, und die Autoren berichten, LLM-Nutzende hätten “Mühe gehabt, ihre eigene Arbeit korrekt zu zitieren”. Behandeln Sie es als Hinweis, nicht als gesichert: es ist ein Preprint mit kleiner Stichprobe. Aber es weist in dieselbe Richtung wie die Verhaltensevidenz.

Die Methode

Die sokratische Prompting-Methode hat eine Regel und fünf Züge. Die Regel lautet:

Lassen Sie das Modell nie einen Schritt abschließen, den Sie selbst versuchen könnten.

Alles Übrige ist Maschinerie, um diese Regel gegen die eigene Ungeduld durchzusetzen.

Zug 1: Erklären Sie den Vertrag, bevor Sie irgendetwas fragen. Das Standardverhalten jedes Assistenten ist maximale Hilfsbereitschaft, und das heißt: antworten. Sie müssen das einmal, ganz oben, außer Kraft setzen und dann durchhalten.

Zug 2: Stellen Sie Ihren eigenen Versuch voran. Sagen Sie zuerst, was Sie denken, wie falsch auch immer. Das ist der Erzeugungsschritt, und genau ihn überspringen die meisten. Ein falscher Versuch, der korrigiert wird, erzeugt dauerhafteres Lernen als eine richtige Antwort, die Sie lesen.

Zug 3: Arbeiten Sie auf Schrittgranularität. Ein Schritt, ein Austausch. Das ist VanLehns Befund in die Praxis übersetzt und genau das, was das Kestin-Team auf Plattformebene erzwingen musste, weil ein Prompt allein es nicht hielt.

Zug 4: Schließen Sie jedes Konzept mit einem Abruftest ab, den Sie nicht geschrieben haben. Bitten Sie das Modell, Sie später aus dem Gedächtnis zu prüfen, bei geschlossenem Material. Das ist Roediger und Karpicke praktisch gemacht.

Zug 5: Erzwingen Sie eine Erklärung bei geschlossener Quelle. Die Erklärungsillusion bricht in dem Moment zusammen, in dem Sie die Erklärung ohne Nachschlagen produzieren müssen. Dieser Zusammenbruch ist die Diagnose.

Sieben einsatzfertige Vorlagen

Das sind die Arbeitswerkzeuge. Jede setzt einen Teil der Methode um. Passen Sie die Klammerteile an.

1. Der Eröffnungsvertrag. Einmal zu Beginn einer Lernsitzung einfügen und darauf zurückkommen, wenn das Modell abdriftet.

Für dieses gesamte Gespräch bist du mein Tutor, nicht mein Assistent. Regeln: Gib mir nie eine vollständige Antwort oder eine fertige Lösung. Arbeite einen Schritt nach dem anderen. Frage mich vor jedem Schritt, was ich für den nächsten halte, und warte auf meine Antwort. Wenn ich falsch liege, korrigiere mich nicht direkt; stelle eine Frage, die mir den Fehler sichtbar macht. Wenn ich dich bitte, es mir einfach zu sagen, erinnere mich einmal an diese Regel und frage dann, ob ich sie außer Kraft setzen will. Halte deine Beiträge unter 120 Wörtern. Beginne damit, mich zu fragen, was ich über [THEMA] bereits weiß.

2. Der Versuch-zuerst-Rahmen. Für jede Aufgabe, die Sie sonst ungefiltert einfügen würden.

Hier ist eine Aufgabe: [AUFGABE]. Hier ist mein möglicherweise falscher Versuch: [IHR VERSUCH, AUCH UNVOLLSTÄNDIG]. Löse sie nicht. Sag mir nur, ob mein erster Schritt tragfähig ist, und wenn nicht, stelle mir eine Frage, die mir hilft, den Fehler selbst zu finden.

3. Das Schritt-Gate. Wenn das Modell vorauseilt.

Stopp. Du hast mir gerade [N] Schritte gegeben. Verwirf alles nach Schritt eins. Frage mich, was Schritt zwei sein sollte, und warte.

4. Der Feynman-Check. Der Illusionsdetektor. Nach dem Gefühl des Verstehens einsetzen.

Ich werde dir [KONZEPT] aus dem Gedächtnis erklären, ohne etwas nachzuschlagen. Hilf mir dabei nicht. Wenn ich fertig bin, nenne nur die Stellen, an denen meine Erklärung vage, zirkulär oder ohne Mechanismus war. Fülle die Lücken nicht; benenne sie nur.

5. Der verzögerte Abruftest. Die wertvollste und am seltensten genutzte Vorlage dieser Liste.

Erkläre jetzt nichts. Schreibe mir fünf Fragen zu [THEMA], die ich morgen aus dem Gedächtnis beantworten können sollte. Eine davon soll verlangen, die Idee auf eine Situation anzuwenden, über die wir nie gesprochen haben. Halte die Antworten zurück, bis ich alle fünf versucht habe.

6. Die Steelman-Umkehrung. Für urteilsbezogenes statt prozedurales Material.

Ich vertrete [IHRE POSITION] zu [THEMA]. Stimme weder zu noch widersprich. Stelle mir nacheinander die drei Fragen, die jemand mit der Gegenposition stellen würde. Warte auf jede Antwort, bevor du die nächste stellst.

7. Die Transfer-Sonde. Der Prüfungssimulator, dem die Bastani-Lernenden im Üben nie ausgesetzt waren.

Gib mir eine Aufgabe zu [THEMA], die strukturell dem ähnelt, was wir gerade bearbeitet haben, aber oberflächlich anders aussieht, sodass oberflächliches Mustererkennen nicht ausreicht. Gib keine Hinweise. Ich versuche sie und füge meine vollständige Herleitung ein; erst dann antworte.

Das Substitutionsregister

Diese Tabelle ist ein redaktioneller Rahmen von CEOtudent. Sie ordnet die Anfragen, die Menschen tatsächlich tippen, einer Tutor-Modus-Umschrift zu und benennt den Lernmechanismus, den jede Umschrift rekrutiert. Die Mechanismen stammen aus der in diesem Beitrag zitierten Literatur; die Zuordnung ist unsere.

Was Sie üblicherweise tippen	Ergebnis im Antwortmodus	Umschrift im Tutor-Modus	Rekrutierter Mechanismus
“Erkläre mir [Konzept]”	Flüssige Erklärung, hohe Zuversicht, geringe Behaltensleistung	“Frage mich, was ich über [Konzept] bereits glaube, und korrigiere nur das Falsche”	Erzeugen vor Rückmeldung
“Löse diese Aufgabe”	Korrekte Lösung, kein Transfer	“Hier ist mein erster Schritt. Ist er tragfähig? Nur eine Frage.”	Tutoring auf Schrittebene
“Fasse diesen Artikel zusammen”	Brauchbare Zusammenfassung, keine Enkodierung	“Ich fasse ihn zusammen. Dann sag mir, was ich übersehen habe.”	Abrufübung
“Schreib den Code für X”	Funktionierender Code, den Sie nicht debuggen können	“Gib mir die Funktionssignatur und die erste Zeile. Den Rest schreibe ich, danach prüfst du.”	Gestützte Produktion
“Ist dieses Argument gut?”	Ein Urteil, das Sie übernehmen	“Stelle mir die drei Fragen, die ein Kritiker stellen würde.”	Selbsterklärung
“Gib mir einen Lernplan”	Ein Plan, den Sie nicht befolgen	“Schreib mir fünf Abruffragen für morgen, Antworten zurückhalten.”	Verteilter Abruf
“Was sind die Hauptpunkte?”	Eine Liste, die Sie vergessen	“Ich liste sie aus dem Gedächtnis. Nenne nur die Lücken.”	Illusionserkennung

Das Muster in der rechten Spalte ist durchgängig: jede Umschrift verlagert die kognitive Arbeit vom Modell zurück zu Ihnen und reserviert das Modell für das, worin es einem Lehrbuch wirklich überlegen ist: gezielte, unmittelbare, selbstgesteuerte Rückmeldung auf Ihren konkreten Fehler. Genau diese Fähigkeit identifizierte VanLehn als Quelle des Tutoring-Effekts, und genau die beiden Fähigkeiten nannte das Kestin-Team als im Klassenraum unmöglich.

Was die Evidenz stützt und was nicht

Diese Tabelle ist ein redaktioneller Rahmen von CEOtudent. Sie bewertet gängige Behauptungen über KI und Lernen gegen den jeweils stärksten veröffentlichten Test nach einer einheitlichen Regel: Gestützt heißt, eine randomisierte oder große Feldstudie hat es direkt geprüft; Teilweise heißt, die Evidenz weist in diese Richtung, aber das Design isoliert die Behauptung nicht; Nicht gestützt heißt, der stärkste Test widerspricht ihr.

Behauptung	Stärkster Test	Ergebnis	Urteil
KI beim Üben verbessert die Übungsleistung	Bastani et al., PNAS 2025, ca. 1.000 Lernende	+48 % Base, +127 % Tutor	Gestützt
Bessere Übungsleistung bedeutet mehr gelernt	Dieselbe Studie, Prüfung ohne Werkzeug	-17 % in der Base-Bedingung	Nicht gestützt
Ein guter Tutor-Prompt macht KI zum Lernbeschleuniger	Dieselbe Studie, GPT-Tutor-Bedingung	Kein Prüfungsvorteil gegenüber Kontrolle berichtet	Nicht gestützt
Ein guter Tutor-Prompt verhindert, dass KI dem Lernen schadet	Dieselbe Studie, GPT Tutor gegen GPT Base	Negativer Effekt weitgehend abgemildert	Gestützt
Ein gut gebauter KI-Tutor kann fachkundigen Unterricht übertreffen	Kestin et al., Scientific Reports 2025, N = 194	Mediane Zuwächse mehr als doppelt, in weniger Zeit	Gestützt
Strukturiertes KI-Tutoring schlägt Unterricht immer	Dieselbe Arbeit, Vorbehalt der Autoren	Für komplexe Synthese und höhere Denkleistungen nicht vorausgesetzt	Nicht gestützt
Interaktion auf Schrittebene zählt mehr als auf Antwortebene	VanLehn, Educational Psychologist 2011	d = 0,76 für schrittbasierte Systeme gegenüber d = 0,79 für menschliches Tutoring	Gestützt
Geprüftwerden schlägt Wiederlesen für langfristiges Behalten	Roediger und Karpicke, Psychological Science 2006	Testen gewinnt nach zwei Tagen und einer Woche; Wiederlesen nach fünf Minuten	Gestützt
Das Gefühl zu verstehen zeigt Verstehen an	Rozenblit und Keil, Cognitive Science 2002	Illusion erklärender Tiefe über zwölf Studien	Nicht gestützt
Starke LLM-Nutzung senkt kognitives Engagement beim Schreiben	Kosmyna et al., Preprint 2025, N = 54	Schwächste EEG-Konnektivität, niedrigste Urheberschaft	Teilweise

Lesen Sie die mittleren Zeilen zusammen. Der teuerste Fehler beim KI-gestützten Lernen ist nicht, das Werkzeug zu nutzen. Es ist, dem Signal aus der Übungssitzung zu trauen. Ihre Leistung bei geöffnetem Werkzeug sagt fast nichts über Ihre Leistung bei geschlossenem, und in der einen Studie, die beides gemessen hat, lief der Zusammenhang in die falsche Richtung.

Wie Sie es in Ihr tatsächliches Lernen einbauen

Die Methode kostet Zeit. Das ist der Punkt und zugleich der Grund, warum Menschen sie in der dritten Sitzung aufgeben. Drei Wege, damit sie hält.

Trennen Sie die Sitzung ausdrücklich. Assistenzmodus und Tutor-Modus sollten sich kein Fenster teilen. Nutzen Sie den Assistenten, um Material zu sammeln, Quellen zu finden und Logistik wegzuräumen. Öffnen Sie dann ein separates Gespräch, fügen Sie den Eröffnungsvertrag ein und lernen Sie dort. Vermischt man beides, sickert der Antwortreflex in die Lernhälfte.

Budgetieren Sie nach Absicht, nicht nach Thema. Nicht alles lohnt es, gelernt zu werden. Was Sie nie unassistiert produzieren müssen, kann das Modell produzieren. Reservieren Sie den Tutor-Modus für die kleine Menge an Dingen, bei denen Ihre unassistierte Fähigkeit der eigentliche Wert ist. Der Rahmen für diese Entscheidung steht in der Bewertungskompetenz, die weiter gefasste Grenzfrage in was delegieren und was nie automatisieren.

Prüfen Sie nach Zeitplan, nicht nach Gefühl. Die Vorlage für den verzögerten Abruf ist die ganze Methode in einem Prompt. Setzen Sie sie am Ende jeder Sitzung für den nächsten Tag ab und beantworten Sie sie, bevor Sie irgendeine Quelle öffnen. Wenn Sie es nicht können, haben Sie es nicht gelernt, wie sich die Sitzung auch angefühlt hat.

Für den größeren Apparat dazu: was die Evidenz über das Lernen sagt ordnet die Lerntechniken selbst ein, KI-Tutoren 2026 vergleicht, welche Produkte zum Lehren statt zum Antworten gebaut sind, und bewusstes Üben im Zeitalter der KI behandelt die Wiederholungsebene.

Der CEO und der Student

Das ist der klarste Ausdruck der zweiseitigen Linse dieser Publikation.

Ein CEO delegiert aggressiv und tut gut daran. Arbeit, die Ihre Hände nicht braucht, sollte Ihre Hände nicht binden, und Delegation zu verweigern ist keine Sorgfalt, sondern ein selbstgebauter Engpass. Die meiste KI-Nutzung sollte genau das sein: übergeben, Ergebnis prüfen, weitermachen.

Ein Student verweigert die Delegation des einen, das ihm gehört. Nicht das Ergebnis, die Fähigkeit. Denn die Fähigkeit entscheidet, ob Sie das Ergebnis überhaupt prüfen können, und genau deshalb markieren die Bastani-Autoren langfristige Produktivität als das, was auf dem Spiel steht: generative KI “ist fehlbar, und Nutzende müssen ihre Ausgaben prüfen”, und prüfen können Sie nur, was Sie gelernt haben.

Die sokratische Methode ist, wie Sie beide Positionen gleichzeitig halten. Delegieren Sie die Arbeit. Verweigern Sie die Delegation des Lernens. Die Vorlagen oben sind nur die Mechanik, diese Linie jeden Tag neu zu ziehen, in einem Werkzeug, dessen Voreinstellung es ist, sie zu löschen.

Häufig gestellte Fragen

Führt KI-Nutzung tatsächlich dazu, dass man weniger lernt?
Das hängt ganz vom Interaktionsdesign ab. In der PNAS-Studie schnitten Lernende mit einer uneingeschränkten ChatGPT-artigen Oberfläche beim Üben in einer unassistierten Prüfung 17 Prozent schlechter ab als Lernende ohne jeden Zugang. Für Lernende mit einer abgesicherten Version berichten die Autoren, der negative Effekt sei weitgehend abgemildert worden, ohne Prüfungsvorteil gegenüber der Kontrolle. Uneingeschränkte Nutzung erzeugte also messbaren Schaden, abgesicherte nicht.

Was ist sokratisches Prompting?
Eine Art, mit einem KI-Modell zu interagieren, bei der Sie es nie einen Schritt abschließen lassen, den Sie selbst versuchen könnten. Sie legen vorab einen Vertrag fest, reichen Ihren eigenen Versuch ein, bevor Sie etwas fragen, arbeiten einen Schritt pro Austausch und beenden jede Sitzung mit einem verzögerten Abruftest, den Sie nicht geschrieben haben.

Kann ein Prompt ChatGPT wirklich zu einem guten Tutor machen?
Teilweise. Die PNAS-Studie fand, dass Leitplanken auf Prompt-Ebene einen Lernverlust von 17 Prozent weitgehend abmilderten, aber kein Prüfungsvorteil gegenüber der Kontrollgruppe berichtet wurde. Die Harvard-Studie, die große Zuwächse erzeugte, nutzte Sequenzierung auf Plattformebene und vorab bereitgestellte Schritt-für-Schritt-Lösungen, nicht nur einen Systemprompt. Erwarten Sie von einem Prompt zuverlässig Schadensvermeidung und uneinheitlich Zuwächse.

Warum fühlt sich die Erklärung wie Verstehen an, obwohl sie es nicht ist?
Wegen der Illusion erklärender Tiefe, von Rozenblit und Keil über zwölf Studien dokumentiert. Menschen überschätzen konsistent, wie präzise und kohärent sie Mechanismen verstehen, und die Illusion ist genau bei erklärendem Wissen und in Umgebungen mit flüssigen Echtzeit-Erklärungen am stärksten. Der Test ist, die Erklärung bei geschlossener Quelle selbst zu produzieren.

Wie lang sollte eine sokratische Sitzung sein?
Die mediane Bearbeitungszeit in der Harvard-Studie betrug 49 Minuten gegenüber einer 60-minütigen Unterrichtsstunde, wobei 70 Prozent der Studierenden unter einer Stunde blieben. Das ist eine vernünftige Obergrenze für ein Konzept. Die bindende Beschränkung ist nicht die Dauer, sondern ob Sie erzeugt haben, bevor Sie empfangen haben.

Lohnt sich das für alles, was ich lerne?
Nein. Reservieren Sie es für Material, bei dem Ihre unassistierte Fähigkeit der Wert ist, also für Dinge, die Sie später ohne geöffnetes Werkzeug produzieren, beurteilen oder verteidigen müssen. Für alles andere lassen Sie das Modell arbeiten und prüfen das Ergebnis.

Quellen

• Bastani, Bastani, Sungu, Ge, Kabakcı und Mariman, Generative KI ohne Leitplanken kann Lernen schädigen: Evidenz aus dem Mathematikunterricht der Oberstufe, Proceedings of the National Academy of Sciences, Band 122, Heft 26, 2025
• Kestin, Miller, Klales, Milbourne und Ponti, KI-Tutoring übertrifft Aktivlernen im Unterricht: eine randomisierte kontrollierte Studie zu einem neuen forschungsbasierten Design in einem authentischen Bildungssetting, Scientific Reports, Band 15, Artikel 17458, 2025
• VanLehn, Die relative Wirksamkeit von menschlichem Tutoring, intelligenten Tutorsystemen und anderen Tutorsystemen, Educational Psychologist, Band 46, Heft 4, 2011
• Roediger und Karpicke, Test-enhanced learning: Gedächtnisprüfungen verbessern die langfristige Behaltensleistung, Psychological Science, Band 17, Heft 3, 2006
• Rozenblit und Keil, Die missverstandenen Grenzen der Alltagswissenschaft: eine Illusion erklärender Tiefe, Cognitive Science, Band 26, Heft 5, 2002
• Kosmyna und Kollegen, Your Brain on ChatGPT: Aufbau kognitiver Schulden bei Nutzung eines KI-Assistenten für eine Aufsatzaufgabe, arXiv-Preprint, 2025, nicht begutachtet

---

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: