Wie viel Vergessen braucht Lernen?

Nach Folge 7 haben wir uns eine gewisse Leichtigkeit erlaubt. Geübte Teilfertigkeiten dürfen leichter werden. Nicht jede Aufgabe muss sich bis zum Lebensende pädagogisch wertvoll sperrig anfühlen.

Damit entsteht allerdings ein neues Problem.

Was leicht geworden ist, kann wieder verschwinden.

Ich kenne das aus einer besonders zuverlässigen Versuchsanordnung mit einer Stichprobe von n = 1. Ein technischer Befehl, den ich vor einigen Monaten ständig benutzt habe, ist selbstverständlich noch vorhanden. Ich erkenne ihn sofort, sobald ich ihn sehe. Nur leider liegt zwischen „sofort erkennen" und „selbst darauf kommen" manchmal eine erstaunlich geräumige Landschaft.

Also wiederholen.

Aber wann?

Die intuitive Antwort lautet zunächst: bevor man es vergisst. Das klingt vernünftig. Es hat nur einen Haken. Wenn ich etwas wiederhole, solange es noch völlig präsent ist, bekomme ich vor allem eine sehr angenehme Rückmeldung darüber, wie gut ich etwas kann, das ich gerade erst gemacht habe.

Die andere populäre Antwort klingt wissenschaftlicher: erst dann wiederholen, wenn man es fast vergessen hat. Jetzt muss sich das Gedächtnis anstrengen. Schwierigkeit erzeugt Lernen. Wir kennen diese Geschichte inzwischen gut genug, um bei dem Wort „erzeugt" kurz die Handbremse zu ziehen.

Vielleicht braucht Lernen also Vergessen. Nur vermutlich nicht in der Dosierung „möglichst viel".

Die Zeit zwischen zwei Begegnungen

Dass verteiltes Lernen häufig besser hält als geballtes Lernen, gehört zu den robusteren Befunden der Gedächtnisforschung. Cepeda und Kollegen fassten 2006 Hunderte Experimente und Bewertungen zur verteilten Übung zusammen.[1] Der Grundbefund ist wenig spektakulär und gerade deshalb wichtig: Wer Lerngelegenheiten über die Zeit verteilt, erinnert später häufig mehr als jemand, der dieselbe oder eine ähnliche Übung eng zusammendrängt.

Damit ist allerdings noch kein Kalender erfunden.

Denn „verteilt" kann vieles heißen. Zehn Minuten, ein Tag, eine Woche. Und vor allem hängt die sinnvolle Lücke davon ab, wann das Gelernte wieder gebraucht wird.

In einer späteren Studie variierten Cepeda und Kollegen sowohl den Abstand zwischen Lerngelegenheiten als auch den Zeitraum bis zum abschließenden Test.[2] Das Muster war nicht: Je länger die Pause, desto besser. Für weiter entfernte Zielzeitpunkte verschob sich auch ein günstiger Übungsabstand nach hinten.

Das ist ein wesentlich interessanterer Befund als jede Zahl, die sich anschließend in eine Lern-App schreiben ließe.

Der passende Abstand besitzt keinen festen Wohnsitz. Er hängt am Zielhorizont.

Wer morgen eine Prüfung schreibt, befindet sich in einer anderen zeitlichen Landschaft als jemand, der einen technischen Zusammenhang in sechs Monaten noch anwenden möchte. Ein Lernsystem, das beiden denselben „optimalen" Wiederholungstag ausrechnet, wäre immerhin konsequent. Wissenschaftlich wäre es etwas weniger beeindruckend.

Vergessen ist nicht das Trainingsziel

Nun kommt die reizvolle Idee ins Spiel, dass eine Wiederholung gerade dann besonders wertvoll sein könnte, wenn der Abruf schwieriger geworden ist.

Das passt zu dem, was wir in Folge 6 über wünschenswerte Schwierigkeiten gesehen haben. Ein müheloser erneuter Blick auf eine noch frische Information kann weniger bewirken als der Versuch, sie selbst wieder hervorzuholen.

Aber auch hier lohnt sich eine Unterscheidung: Abrufschwierigkeit ist nicht dasselbe wie Abrufunmöglichkeit.

Wenn ich mich anstrengen muss und schließlich selbst auf die Lösung komme, geschieht etwas anderes, als wenn ich minutenlang im mentalen Keller suche und dort nur einen alten Router und drei Kabel finde.

Die Forschung zum Retrieval Practice zeigt, dass eigenständiger Abruf eine Lernintervention sein kann.[3] Sie zeigt aber ebenso, warum ein gescheiterter Abruf nicht einfach als besonders wertvolle Schwierigkeit gefeiert werden sollte. Korrektives Feedback kann nach einem Fehler oder Nichtabruf entscheidend sein.[3]

Damit wird aus „Vergessen ist gut" eine wesentlich unspektakulärere, aber brauchbarere Aussage:

Zwischen zwei Lerngelegenheiten darf genug Zeit liegen, damit erneuter Abruf wieder etwas leisten muss. Aber ein System gewinnt nichts dadurch, Lernende möglichst zuverlässig ins Leere greifen zu lassen.

Vergessen ist also eher eine Randbedingung als ein Lernziel.

Gleichmäßig, immer länger -- oder ganz anders?

Wer Spaced-Repetition-Systeme kennt, kennt häufig auch die Vorstellung wachsender Intervalle. Erst morgen, dann in drei Tagen, dann in einer Woche, später in einem Monat. Das hat eine angenehme geometrische Ordnung und sieht in einer App ausgezeichnet aus.

Nur ist auch diese Ordnung kein Naturgesetz.

Karpicke und Roediger verglichen wachsende mit gleichmäßigeren Abrufabständen. Wachsende Intervalle konnten kurzfristig Vorteile haben, während bei längeren Behaltensintervallen gleichmäßige Abstände mindestens ebenso gut oder besser ausfallen konnten.[5] Weitere Arbeiten sprechen ebenfalls dagegen, aus der relativen Form der Intervalle eine universelle Regel zu machen.[6]

Das bedeutet nicht, dass wachsende Intervalle schlecht wären. Es bedeutet nur, dass die bekannte Kurve auf dem Bildschirm nicht deshalb richtig ist, weil sie elegant aussieht.

Für unser späteres Lernsystem ist das eine wichtige Zumutung: Es darf nicht einfach eine hübsche Wiederholungsphilosophie implementieren und anschließend ihre Eleganz messen.

Es müsste prüfen, was später tatsächlich noch verfügbar ist.

Wenn die KI den nächsten Termin ausrechnet

An dieser Stelle wird es für unsere Reise besonders interessant. Denn genau hier scheint KI wie geschaffen für die Aufgabe.

Ein System könnte beobachten, welche Aufgabe ich richtig löse, wie lange ich brauche, wann ich zuletzt geübt habe und bei welchen Inhalten ich häufiger scheitere. Daraus ließe sich der nächste Wiederholungszeitpunkt individuell schätzen.

Solche Ansätze sind keineswegs erst mit generativer KI entstanden.

Pavlik und Anderson entwickelten ein kognitives Modell, das Übungszeitpunkte anhand von Lern- und Vergessensparametern berechnet.[8] Lindsey und Kollegen untersuchten personalisierte Wiederholung über ein Schuljahr und fanden bei Fremdsprachenmaterial bessere spätere Testleistungen als bei massierter beziehungsweise einheitlich verteilter Wiederholung.[9]

Das ist mehr als eine hübsche Prognosekurve: Hier wurde späteres Lernen tatsächlich verglichen.

Daneben gibt es Systeme, deren Stärke zunächst darin liegt, Erinnerungswahrscheinlichkeiten gut vorherzusagen. Settles und Meeder entwickelten für Duolingo ein trainierbares Modell, das solche Wahrscheinlichkeiten aus Lerndaten schätzt.[10]

Aber genau hier müssen wir die Trennung aus den früheren Folgen wieder hervorholen. Eine bessere Vorhersage ist noch kein Nachweis eines besseren Lernplans.

Ein Algorithmus kann hervorragend prognostizieren, dass ich ein Wort morgen wahrscheinlich vergessen werde. Ob seine Entscheidung, es mir heute um 17:43 Uhr noch einmal vorzulegen, mein langfristiges Lernen stärker verbessert als eine gute einfachere Strategie, ist eine zusätzliche Frage.

Vorhersagegüte und Lernwirkung sind Verwandte. Sie sind nicht dieselbe Person.

Der Fortschrittsbalken bekommt ein Zeitproblem

Unsere Lernwelt hat damit inzwischen ein kleines Problem mit dem Fortschrittsbalken.

In Folge 7 durfte er nicht aus Geschwindigkeit allein auf Kompetenz schließen. Jetzt darf er auch einen heutigen Treffer nicht einfach konservieren.

Ein Lernender beantwortet zehn Aufgaben korrekt. Das System gratuliert. Eine Woche später sind sechs davon noch verfügbar. Einen Monat später vier. Welche Zahl war nun der Lernstand?

Alle drei -- aber zu unterschiedlichen Zeitpunkten und unter unterschiedlichen Bedingungen.

Das macht Lernermodelle weniger bequem. Es macht sie allerdings ehrlicher.

Wenn unser späteres agentenbasiertes System behaupten möchte, etwas über mein Lernen zu wissen, braucht es Zeit als Bestandteil seiner Beobachtung. Ein heutiger Erfolg ist zunächst ein heutiger Erfolg. Für eine Aussage über Behalten muss das System später wiederkommen.

Der Fortschrittsbalken müsste also gelegentlich sagen:

Sieht gut aus. Fragen Sie mich in drei Wochen noch einmal.

Das wäre vermutlich die erste Softwaregeschichte, in der ein Fortschrittsbalken durch Bescheidenheit auffällt.

IT: Der bekannte Fehler kommt nicht zur Prüfung

Beim technischen Troubleshooting wird die Grenze besonders deutlich.

Man kann Standardbefehle, typische Ports, Diagnosewerkzeuge oder häufige Fehlermuster verteilt wiederholen. Es ist plausibel, dass zeitlich verteilte Abrufe auch hier dazu beitragen, Grundlagen verfügbar zu halten.

Nur haben wir keinen belastbaren direkten Befund, aus dem sich ein optimaler Wiederholungsabstand für reale Incidents ableiten ließe.[1][7]

Und die eigentliche Herausforderung beginnt ohnehin später. Wenn ich nach zwei Wochen den bekannten Diagnosebefehl korrekt nenne, zeigt das, dass dieser Befehl verfügbar ist. Es zeigt noch nicht, dass ich bei einem neuen Fehlerbild die richtige Hypothese bilde.

Für unser Lernsystem wären deshalb zwei Fragen auseinanderzuhalten:

Ist das Werkzeug noch verfügbar?

Und erkennt der Lernende, wann und warum er es einsetzen sollte?

Spacing kann die erste Frage unterstützen. Die zweite verlangt wieder eine andere Gegenprobe.

Prüfung: Der Abend davor hat ausgezeichnete Presse

Prüfungen besitzen eine natürliche Neigung zum massierten Lernen. Das liegt unter anderem daran, dass der Prüfungstermin eine gewisse motivationale Klarheit besitzt, die der Dienstag drei Wochen vorher bedauerlicherweise nicht aufbringen kann.

Kurzfristig kann geballtes Lernen auch durchaus funktionieren. Wenn das Ziel lautet, morgen etwas verfügbar zu haben, ist morgen eben der relevante Zielhorizont.

Problematisch wird es erst, wenn wir diese kurzfristige Leistung mit dauerhaftem Lernen verwechseln.

Rohrer und Taylor fanden bei Mathematikwissen Vorteile verteilter gegenüber geballter Übung für spätere Retention.[4] Auch die breitere Forschung zeigt, warum das gute Gefühl am Ende eines langen Lernabends kein besonders zuverlässiges Maß dafür ist, was Wochen später noch selbständig verfügbar sein wird.[1]

Das bedeutet nicht, dass niemand mehr am Abend vor einer Prüfung lernen darf. Die Forschung hat bereits genug Aufgaben.

Sie bedeutet lediglich: Wer langfristiges Behalten behauptet, muss langfristiges Behalten prüfen.

Fremdsprache: Das Wort, das immer einen Tag zu spät kommt

Beim Fremdsprachenlernen ist Spacing fast schon zuhause. Wörter und Formen lassen sich hervorragend in wiederkehrende Abrufgelegenheiten zerlegen.

Eine Meta-Analyse zum Zweitsprachenlernen stützt den Nutzen verteilter Übung auch in dieser Domäne.[12] Lindsey und Kollegen fanden, wie erwähnt, in einem schulischen Fremdsprachenkontext Vorteile personalisierter Wiederholung für spätere Tests.[9]

Damit wissen wir allerdings noch nicht, wann ein französisches Wort im spontanen Gespräch auftaucht, während der Gesprächspartner bereits ungeduldig auf eine Antwort wartet.

Vokabelverfügbarkeit ist ein Teil von Sprachkompetenz. Spontanes Gespräch ist mehr.

Unser Lernsystem dürfte also durchaus versuchen, pourtant rechtzeitig wiederzubringen. Ob ich es später in einem ungeplanten Satz sinnvoll verwende, muss es an einer anderen Aufgabe prüfen.

Der Franzose wird sich auch diesmal nicht an unseren Lehrplan halten.

Was müsste eine KI eigentlich beobachten?

Damit verändert F8 unsere Frage an die KI.

Bisher wollten wir wissen, ob sie erkennt, was ich kann. Jetzt muss sie zusätzlich berücksichtigen, wie lange eine Beobachtung zurückliegt und für welchen zukünftigen Zeitpunkt sie etwas behaupten möchte.

Dafür könnte sie mehrere Signale nutzen: frühere Abrufe, Fehler, Zeitabstände, Itemschwierigkeit, vielleicht Vorwissen. Aber aus keinem dieser Signale entsteht automatisch eine wahre Vergessenskurve eines Menschen.

Modelle sind Schätzungen.

Und bei komplexen Kompetenzen wird die Sache noch schwieriger. Ein einzelnes Vokabelpaar lässt sich relativ sauber als Item behandeln. Eine Fähigkeit wie „einen unbekannten Netzwerkfehler systematisch diagnostizieren" besteht aus Wissen, Routinen, Hypothesenbildung, Werkzeugwahl und Kontextverständnis. Dafür einen einzigen Halbwertszeitwert auszurechnen wäre zumindest ambitioniert.

Vielleicht muss ein gutes Lernsystem deshalb nicht nur besser rechnen. Vielleicht muss es wissen, wo seine Berechnung überhaupt sinnvoll ist.