Warum Lernen (manchmal mehr, manchmal weniger) anstrengend ist

Man kann sich die Struktur vorstellen wie eine Wohnung, die aus mehreren Zimmern besteht, welche alle von einem Flur in der Mitte abgehen. Jedes Zimmer hat einen ganz bestimmten Inhalt und ist Bild 4: Wie eine Wohnung mit Zimmern und Türen: Mit einer kognitiven Architektur lässt sich beschreiben, wie unser Gehirn aufgebaut ist und funktioniert.Bild 4: Wie eine Wohnung mit Zimmern und Türen: Mit einer kognitiven Architektur lässt sich beschreiben, wie unser Gehirn aufgebaut ist und funktioniert.durch eine Tür mit dem Flur verbunden. Durch diese Tür passt immer nur ein einziger Informationsbaustein auf einmal. Die Zimmer stehen für Module mit klar definierten Aufgaben, beispielsweise dem Abruf von Informationen aus dem Gedächtnis, der Überwachung der Aufgabenziele, dem Ausführen von Bewegungen der Hand oder der Informationsaufnahme über die Augen. All diese Module sollen bestimmte Regionen im Gehirn darstellen, die genau diese Aufgaben übernehmen. Diese Zusammenhänge wurden vielfach mit bildgebenden Verfahren untersucht und bestätigt (z.B. Anderson, 2007; Borst et al., 2015). Dem Flur in der Mitte kommt die wichtige Aufgabe zu, herauszufinden, welche Inhalte sich zu einer bestimmten Zeit in den Zimmern befinden, um dann entsprechend darauf zu reagieren. Dies passiert über „Wenn-Dann“-Regeln, mit denen immer dann bestimmte Aktionen ausgeführt werden können, wenn die dazu passenden Bedingungen gegeben sind. Sehen wir beispielsweise eine rote Fußgängerampel, fällt es uns vermutlich leicht, das Wissen abzurufen, dass wir die Straße erst bei einem grünen Signal überqueren dürfen. Mit diesem Wissen ausgestattet, können wir im nächsten Schritt die Ampeltaste drücken, damit unser Ampelsignal bald von Rot nach Grün wechselt und wir die Straße sicher überqueren können.

Für jedes der Module lässt sich durchgehend aufzeichnen, was es tut und wann und wie lange es aktiv ist. Wie Borst und Anderson (2017) zeigen, kann aus diesen Informationen über eine mathematische Umformung die Blutsauerstoff-Konzentration in den zugrunde liegenden Gehirnregionen simuliert werden. Rufen wir beispielsweise Wissen aus unserem Gedächtnis ab, wird dies unter anderem (wenn auch nicht ausschließlich) mit dem präfrontalen Kortex verknüpft, einem Teil der Großhirnrinde an der Stirnseite unseres Gehirns (Scimeca & Badre, 2012). Dieses Verfahren nutzten wir (Wirzberger, Borst, Krems & Rey, 2020) und konnten so beispielsweise feststellen, dass bei Gedächtnisabrufen die simulierte Blutsauerstoff-Konzentration im präfrontalen Kortex im ersten Drittel der Durchgänge der beschriebenen Symbol-Lernaufgabe deutlich stärker anstieg. Im mittleren und letzten Drittel der Durchgänge fiel dieser Anstieg im Vergleich dazu sichtbar schwächer aus. Daraus lässt sich schließen, dass es im Laufe des Lernprozesses immer weniger anstrengend wird, auf diejenigen Informationen zuzugreifen, die mit der Aufgabe verbunden sind.

Woher kommt dieses Muster? Wie bereits erwähnt werden im Laufe des Lernprozesses Wissensstrukturen in unserem Gehirn geschaffen. Sind diese Strukturen bereits vorhanden und wurden häufig genutzt, erhalten wir schnelleren Zugang zu den korrekten Informationen. Gerade so, wie wir den Weg vom Schlafzimmer ins Badezimmer nach einigen Monaten auch im Dunkeln automatisch und ohne Nachzudenken finden, ist dies deutlich weniger mühsam, als diesen Weg direkt nach dem Einzug erst zu lernen. Zusätzlich wurde untersucht, welchen Einfluss die Schwierigkeit einer Aufgabe hat. Die Computersimulation zeigte, dass schwierigere Aufgaben durchgängig mehr Anstrengung erforderten, um Informationen aus dem Gedächtnis abzurufen. Aber auch hier waren über den Lernprozess hinweg immer weniger Ressourcen erforderlich, um die Anforderungen zu meistern. Gab es im Lernprozess Unterbrechungen, beispielsweise durch eine weitere Aufgabe, verursachte dieser Aufgabenwechsel genauso ein Mehr an Anstrengung. Wie die eigentlich vertrauten Wege in der Wohnung nach einer längeren Abwesenheit wieder Gewöhnung erfordern, sind die Wissensstrukturen der eigentlichen Aufgabe nach einer Unterbrechung wieder schwerer zugänglich, was zusätzliche Ressourcen verbraucht. Genau dieses Muster wird im Erklärungsmodell von Altmann und Trafton (2002) beschrieben: Je länger eine Person abwesend von ihrer eigentlichen Aufgabe ist, um sich mit der Unterbrechung zu beschäftigen, desto stärker sind die ursprünglichen Ziele aus dem Blick geraten.

Der Blick in die simulierten Daten zeigte ein ähnliches Bild: Im Vergleich zu Phasen vor einer Unterbrechung fiel die simulierte Blutsauerstoff-Konzentration bei Gedächtnisabrufen nach einer Unterbrechung deutlich höher aus. Diese Vorhersagen des Modells können im nächsten Schritt mit realen menschlichen Gehirnaktivitätsdaten verglichen werden. So lässt sich feststellen, wie genau das Modell ist, um es dann gezielt verbessern.

Und wofür braucht man das?

Bild 5: Apps und andere intelligente Medien können das Lernen wirksam unterstützen.Bild 5: Apps und andere intelligente Medien können das Lernen wirksam unterstützen.Wir leben in einem digitalen Zeitalter, was auch unser Lernen beeinflusst und verändert. Für die Bildungspolitik ist beispielsweise der Ausbau der Digitalisierung an Schulen ein wichtiges Thema geworden – gerade in Zeiten von COVID-19. Computer- und internetgestützte Lernwelten können gesellschaftliche Teilhabe und Chancengleichheit besonders für Lernenden mit Einschränkungen ermöglichen, weil sie eine Fülle von Anpassungsmöglichkeiten bieten. Andererseits kann auch gerade die Vielfalt zusätzlicher Gestaltungs- und Interaktionsmöglichkeiten die Ressourcen der Lernenden überfordern. Besonders wirksam sind digitale (Lern-)Systeme daher, wenn sie allen Lernenden genau das richtige Maß an Hilfe in angemessener Weise geben, um übermäßige Anstrengung und Überforderung zu vermeiden (Sweller et al., 2011). Dazu bedarf es zuverlässiger Modelle davon, wie stark die Ressourcen im Kopf einer lernenden Person in einem bestimmten Zeitabschnitt einer Aufgabe in Anspruch genommen werden und welche Faktoren darauf Einfluss nehmen. Solche Modelle können dann als Grundlage für intelligente Bildungstechnologien verwendet werden, die unsere Ressourcen entlasten und verhindern, dass wir uns beim Lernen überanstrengen. Eine App zum Lernen von Fremdsprachen könnte eine solche Funktionalität in Zukunft beispielsweise nutzen, um anhand von Sprachmustern einzuschätzen, wie anstrengend eine Übung für die Person gerade ist. Infolgedessen könnten zusätzliche Erklärungen gegeben oder der Schwierigkeitsgrad der Übungen gezielt reduziert werden, um die Anstrengung zu verringern. Mit einem solchen Ansatz könnten alle Lernenden wirksam dabei unterstützt werden, ihre Potenziale zu jeder Zeit optimal zu entfalten.

Literaturverzeichnis

Altmann, E. M., & Trafton, J. G. (2002). Memory for goals: An activation-based model. Cognitive Science, 26, 39–83. https://doi.org/10.1207/s15516709cog2601_2

Anderson, J. R. (2007). How can the human mind occur in the physical universe? New York, NY, USA: Oxford University Press.

Beckmann, J. F. (2010). Taming a beast of burden - On some issues with the conceptualisation and operationalisation of cognitive load. Learning and Instruction, 20, 250-264. https://doi.org/10.1016/j.learninstruc.2009.02.024

Borst, J. P., & Anderson, J. R. (2017). A step-by-step tutorial on using the cognitive architecture ACT-R in combination with fMRI data. Journal of Mathematical Psychology, 76, 94–103. https://doi.org/10.1016/j.jmp.2016.05.005

Borst, J. P., Nijboer, M., Taatgen, N. A., van Rijn, H., & Anderson, J. (2015). Using data-driven model-brain mappings to constrain formal models of cognition. PLoS ONE, 10, e0119673. https://doi.org/10.1371/journal.pone.0119673

Cowan, N. (2010). The magical mystery four: How is working memory capacity limited, and why? Current Directions in Psychological Science, 19, 51–57. https://doi.org/10.1177/0963721409359277

Chen, F., Zhou, J., Wang, Y., Yu, K., Arshad, S. Z., Khawaji, A., & Conway, D. (2016). Robust multimodal cognitive load measurement. Bern, Switzerland: Springer International Publishing.

Müller, C., Großmann-Hutter, B., Jameson, A., Rummer, R., & Wittig, F. (2001). Recognizing time pressure and cognitive load on the basis of speech: An experimental study. In International Conference on User Modeling (pp. 24–33). New York: Springer Science + Business Media.

Paas, F., Tuovinen, J. E., Tabbers, H., & van Gerven, P. W. M. (2003). Cognitive load measurement as a means to advance cognitive load theory. Educational Psychologist, 38, 63–71. https://doi.org/10.1207/S15326985EP3801_8

Scimeca, J. M., & Badre, D. (2012). Striatal contributions to declarative memory retrieval. Neuron, 75, 380–392. http://dx.doi.org/10.1016/j.neuron.2012.07.014

Sweller, J., Ayres, P. & Kalyuga, S. (2011). Cognitive load theory. New York: Springer Science + Business Media. https://10.1007/978-1-4419-8126-4

Unsworth, N., & Engle, R. W. (2007). The nature of individual differences in working memory capacity: Active maintenance in primary memory and controlled search from secondary memory. Psychological Review, 114, 104–132. https://doi.org/10.1037/0033-295X.114.1.104

Wirzberger, M., Esmaeili Bijarsari, S., & Rey, G. D. (2017). Embedded interruptions and task complexity influence schema-related cognitive load progression in an abstract learning task. Acta Psychologica, 179, 30–41. https://doi.org/10.1016/j.actpsy.2017.07.001

Wirzberger, M., Herms, R., Esmaeili Bijarsari, S., Eibl, M., & Rey, G. D. (2018). Schema-related cognitive load influences performance, speech, and physiology in a dual-task setting: A continuous multi-measure approach. Cognitive Research: Principles and Implications, 3:46. https://doi.org/10.1186/s41235-018-0138-z

AutorInnen

Facebook