Adaptives Lernen passt Inhalt, Reihenfolge und Schwierigkeit einer Lerneinheit automatisch an den Wissensstand der lernenden Person an, gesteuert durch Daten aus dem laufenden Lernprozess. Sitzt eine Aufgabe sicher, entfällt die Wiederholung. Sitzt sie nicht, folgt der Zwischenschritt, den eine normale Pflichtschulung mit festem Ablauf für alle nicht vorsieht.
Im Unternehmen entscheidet das z.B. darüber, wie lange ein Fachhändler oder ein Servicetechniker an einem Kurs sitzt, bevor der Nachweis steht.
Was ist adaptives Lernen?
Adaptives Lernen ist ein Verfahren, bei dem eine Lernplattform den weiteren Verlauf einer Schulung anhand der Antworten und des Verhaltens der lernenden Person verändert. Im Englischen heißt es adaptive learning. Grundlage sind drei Zutaten: ein Modell des Lernstoffs, laufend erhobene Leistungsdaten und eine Regel, die aus beidem den nächsten Schritt ableitet.
Der Gedanke ist älter als jede Software. Benjamin Bloom stellte 1984 in „The 2 Sigma Problem“ Einzelbetreuung und Lernen im Klassenverband gegenüber und formulierte daraus die Frage, die die Fachdiskussion seither trägt: Wie lässt sich der Vorteil der Einzelbetreuung erreichen, ohne für jede Person einen Tutor zu stellen? Die Befunde dahinter stammen aus der Schulforschung, mit kurzer Unterrichtsdauer und begrenzten Stichproben; auf betriebliche Weiterbildung übertragen ist das eine Analogie, eine Studie dazu gibt es nicht. Adaptives Lernen ist einer der Versuche, auf Blooms Frage zu antworten.
Adaptives Lernen wirkt auf zwei Ebenen.
1. Auf der Makroebene
Auf der Makroebene steuert das System, welche Bausteine jemand überhaupt sieht. Beispiel: In einer Produktschulung für ein Händlernetz beantworten alle Fachhändler dieselben Einstiegsfragen. Bei sicheren Antworten zur Preislogik entfällt das Kapitel dazu. Bei Fehlern kommen ein Rechenbeispiel und eine zweite Übung dazu. Am Ende haben alle denselben Wissensstand, aber nicht dieselbe Zeit investiert.
2. Auf der Mikroebene
Auf der Mikroebene verändert sich der Inhalt selbst, während jemand ihn bearbeitet. Das lässt sich sehr gut an einem verzweigten Szenario zeigen.
Ein Beispiel aus dem Partnertraining: das Verkaufsgespräch, das anders weitergeht
Ein Verkaufstraining für Vertriebspartner startet mit einer Situation: Eine Kundin sagt im Gespräch, das Angebot sei zu teuer. Die lernende Person wählt aus drei Reaktionen.
Wer sofort einen Rabatt anbietet, bekommt eine Kundin, die zustimmt und beim nächsten Termin sofort wieder nach einem Nachlass fragt. Das Szenario führt zwei Schritte weiter und zeigt, was der schnelle Abschluss gekostet hat.
Fragt der Partner nach dem Vergleichsangebot, nennt die Kundin einen Wettbewerber. Der Weg führt in eine Sequenz zum Umgang mit Vergleichspreisen, mit einer zweiten Entscheidung darin.
Wer nach dem Budget fragt, bekommt heraus, dass das Budget steht und allein der Zeitpunkt der Rechnungsstellung klemmt. Dieser Weg ist der kürzeste und endet mit einem Abschluss ohne Nachlass.
Alle drei Wege sind fachlich richtig. Was sie unterscheidet, ist die Konsequenz. Genau das ist der Punkt: Die lernende Person erlebt die Folge ihrer Entscheidung interaktiv im Gespräch. Ein Häkchen für richtig oder falsch gibt es nicht.
Für die Produktion heißt das: Jede Weiche vervielfacht die benötigten Lerninhalte. Viele dieser zusätzlichen Inhalte wird ein einzelner Mitarbeitender gar nicht sehen. Künstliche Intelligenz (KI) wie z.B. der Articulate AI Assistant kann helfen, solche zusätzlichen Lerninhalte für das adaptive Lernen zu erstellen.
Was ist der Unterschied zwischen adaptivem und personalisiertem Lernen?
Personalisiertes Lernen richtet sich nach Merkmalen der Person, adaptives Lernen nach ihrer gemessenen Leistung. Das klingt nach einer Feinheit, entscheidet aber darüber, welche Daten ein System überhaupt braucht.
| Personalisiertes Lernen | Adaptives Lernen |
|---|
| Steuergröße | Rolle, Abteilung, Vorkenntnis, Ziel | Antworten und Verhalten im laufenden Kurs |
| Zeitpunkt der Entscheidung | vor dem Start | während des Lernens, laufend |
| Datenbedarf | Stammdaten aus HR oder LMS | Ergebnisdaten pro Aufgabe |
| Typische Umsetzung | Lernpfad je Zielgruppe | Verzweigung nach Testergebnis |
In der Praxis kommen beide zusammen: Die Rolle bestimmt, welcher der hinterlegten Lernpfade zugewiesen wird, die Leistung bestimmt den Weg durch diesen Pfad. Personalisierte Lernpfade sortieren also vor, während die adaptive Steuerung flexibel den Lerninhalt anpasst. Reine Personalisierung sortiert Menschen in Gruppen und lässt es dabei bewenden. Reine Adaption übersieht, dass eine Vertriebspartnerin und ein Servicetechniker unterschiedliche Fragen an dasselbe Produkt haben.
Was brauchen adaptive Lernplattformen im Unternehmen technisch?
Zwei Wege führen zu adaptivem Lernen, und beide kommen ohne besonderes Exportformat aus: Der Kurs verzweigt selbst, oder die Plattform steuert über Lernpfad und Zuweisung.
Adaption im Kurs. In einem Autorentool wie Storyline werden die Antworten in Variablen gehalten und steuern den weiteren Verlauf, die Lernplattform bekommt am Ende nur das Ergebnis gemeldet. Alles, was innerhalb einer Sitzung entschieden wird, lässt sich so bauen, einschließlich verzweigter Szenarien.
Steuerung über Lernpfad und Zuweisung. Die Plattform entscheidet auf der gröberen Ebene: welcher Lernpfad zugewiesen wird, welches Zusatzmodul nach einem nicht bestandenen Test dazukommt, wann eine Auffrischung fällig ist. Das ist keine Adaption in Echtzeit, deckt aber ab, was zwischen zwei Sitzungen entschieden wird. Welche Steuerungsregeln eine Plattform dafür mitbringen muss, steht auf der Seite zur LXP-Plattform.
Eine Grenze gibt es. Soll die Plattform sitzungsübergreifend auf einzelne Antworten reagieren, also den Verlauf der nächsten Woche aus den Fehlern von heute ableiten, reicht das verbreitetste Exportformat nicht: SCORM 1.2 meldet im Kern einen Gesamtscore und einen Abschlussstatus, welche Frage jemand falsch beantwortet hat, steht dort nicht. Dafür braucht es ein Format, das feiner berichtet, also xAPI oder cmi5.
Braucht es dafür maschinelles Lernen (KI)? Meistens nicht. Eine regelbasierte Verzweigung kommt ohne aus: Ergebnis unter einem Schwellenwert, also Zusatzmodul. Maschinelles Lernen kommt dort ins Spiel, wo die Verzweigung nicht vorab festgelegt werden soll, etwa bei generierten Zusatzerklärungen oder bei der Vorhersage, welche Wiederholung im richtigen Moment kommt.
Vor- und Nachteile: Wo lohnt sich adaptives Lernen?
Vorteile
- Bei großen Gruppen mit unterschiedlichem Vorwissen zum selben Stoff: Zertifizierung von Servicetechnikern, Produktschulung im Fachhandel vor Markteinführung, jährliche Unterweisung im Schichtbetrieb, Onboarding über mehrere Standorte
- Macht den Durchlauf effizienter, ohne das Lernziel zu verändern: Erfahrene verlieren keine Zeit, Neue werden nicht zurückgelassen
- Alternative auf niedrigerer Stufe: Microlearning, das passend zur Erfahrung zugewiesen wird
- Auf der Mikroebene besonders geeignet für Stoff ohne eindeutig richtige Antwort, der sich als Entscheidung üben lässt, etwa das Verkaufsgespräch im Partnertraining
- Günstigster Einstieg auf der Makroebene: ein Einstiegstest, der ein Kapitel überspringbar macht, kostet nur ein zusätzliches Modul und wirkt sofort
- Verzweigte Szenarien lohnen sich, wo eine Entscheidung trainiert werden soll: im Verkaufsgespräch mit Händlern, in der Eskalation im Servicefall
Nachteile
- Bei kleinen Gruppen
- Bei Inhalten, die alle vollständig durchlaufen müssen
- Auf der Makroebene bei Stoff, der sich nicht in prüfbare Zwischenschritte zerlegen lässt, etwa Gesprächsführung: Es gibt keine richtige Antwort, an der ein Einstiegstest ein Kapitel überspringbar machen könnte
- Höherer Aufwand: Ein adaptiver Kurs braucht mehr Inhalt, als eine einzelne Person je zu sehen bekommt
- Verzweigte Szenarien sind der teuerste Ausbaugrad. Sie lohnen sich nur, wenn wirklich eine Entscheidung geübt werden soll, nicht als Standardlösung
Häufig gestellte Fragen (FAQ)
Wie sich Lernziele so formulieren lassen, dass eine adaptive Verzweigung eine Entscheidungsgrundlage hat, steht im Beitrag zur Bloomschen Taxonomie. Welche Formate sich für kurze, abgeschlossene Lerneinheiten eignen, klärt der Eintrag zu Microlearning.
