Warum Lernen (manchmal mehr, manchmal weniger) anstrengend ist

von Maria Wirzberger

Vor einem Test oder einer Klausur mit hochrotem Kopf über den Büchern zu sitzen, diese Erfahrung ist vielen von uns bestens vertraut. Aber warum müssen wir uns eigentlich so sehr anstrengen, um neues Wissen in unseren Kopf zu bekommen? Bildgebende Verfahren in Verbindung mit mathematischen Modellen ermöglichen es, durch Computersimulationen Einblick in die Prozesse zu erhalten, die im Gehirn ablaufen. Damit lässt sich feststellen, welche Faktoren beim Lernen besonders viele Ressourcen verbrauchen.

Bild1: Warum müssen wir uns eigentlich so sehr anstrengen, um neues Wissen in unseren Kopf zu bekommen?

Lernen ist anstrengend. Das kennen wir nur zu gut aus eigener Erfahrung. Allerdings müssen wir uns nicht immer gleichermaßen anstrengen und manchen von uns fällt das Lernen generell leichter als anderen. Eine Lehrkraft, die vor einer Klasse steht und bemerkt, dass sich bestimmte SchülerInnen besonders schwertun, möchte diese in aller Regel so gut wie möglich unterstützen. Dazu ist es allerdings notwendig zu wissen, ob und wie stark sich jemand gerade anstrengen muss, um eine bestimmte Lernaufgabe zu meistern. Wie lässt sich dies feststellen? Aus der psychologischen Forschung wissen wir, dass Lernen zwar im Gehirn passiert, aber doch unseren gesamten Körper beeinflusst. Strengen wir uns sehr an, um beispielsweise fremdsprachige Vokabeln in unseren Wortschatz aufzunehmen, können wir vielleicht manche der folgenden Veränderungen an uns beobachten: Unser Herz schlägt schneller, wir fangen an zu schwitzen, wir machen häufigere und längere Sprechpausen und sprechen langsamer, wenn wir uns die neuen Wörter vorsagen (Müller, Großmann-Hutter, Jameson, Rummer, & Wittig, 2001).

Warum ist Lernen überhaupt so anstrengend und warum unterscheiden sich Menschen darin, wie viel Anstrengung sie dafür aufbringen müssen? Schauen wir uns den Lernprozess als solches genauer an dann stellen wir fest, dass in unserem Kopf eine ganze Reihe von Prozessen ablaufen, wenn wir neues Wissen erwerben. So nehmen unsere Sinnesorgane eine unglaubliche Menge an Informationen auf, wir müssen aus dieser Flut die wichtigen Inhalte herausfiltern, einen Sinn dahinter erkennen und diesen mit bereits vorhandenem Wissen abgleichen. Vielleicht gibt es schon Strukturen in unserem Kopf, in die wir das neue Wissen einbetten können. Ist dem nicht so, dann müssen wir neue Strukturen schaffen. All diese Prozesse brauchen Ressourcen, bei einem Computer würden wir von Rechenleistung sprechen. Für diese Rechenleistung gibt es keine Einheitsgröße, die für alle Menschen und Aufgaben gleich ist, sondern wir unterscheiden uns zum Teil ganz erheblich voneinander (z.B. Unsworth & Engle, 2007). Ebenfalls gibt es Unterschiede darin, wie gut unsere Sinnesorgane funktionieren und ob das Filtern und Interpretieren der Informationen erfolgreich ist. Die Ressourcen, die uns für die Prozesse in unserem Kopf zur Verfügung stehen, sind allerdings nicht nur individuell unterschiedlich, sondern in der Regel auch begrenzt (Cowan, 2010). Daher müssen wir sie sinnvoll und überlegt einsetzen. Stehen keine Ressourcen mehr zur Verfügung oder werden die verfügbaren Ressourcen ungünstig verteilt, führt dies zu einer Überlastung. Insbesondere bei komplexen Aufgaben treten dann häufiger Fehler im Lernprozess auf (Paas, Tuovinen, Tabbers, & van Gerven, 2003).

Wie können wir geistige Anstrengung messen?

Die zentrale Frage besteht nun darin, wie Lernsituationen gestaltet sein sollten, um die begrenzten Ressourcen im Kopf der Lernenden möglichst effektiv zu nutzen. Möchten wir zu jedem Zeitpunkt in der Lage sein, Lernende optimal zu unterstützen, müssen wir verstehen, welche Ressourcen überhaupt für das Lernen verfügbar sind und wie stark diese gerade in Anspruch genommen werden (Paas et al., 2003). Um die momentane Ressourcenbeanspruchung zu verstehen reicht es allerdings in aller Regel nicht aus, allein die Leistung der Lernenden zu betrachten. Ein Blick auf die Prozesse, die im Gehirn ablaufen, zeigt, welche Faktoren beim Lernen besonders stark um unsere begrenzten Ressourcen kämpfen (Sweller, Ayres & Kalyuga, 2011): Hat eine Person bisher nur wenig Vorwissen zu einem Thema, dann strengt es sie sehr an, viele neue und miteinander verbundene Informationseinheiten gleichzeitig zu lernen. Ebenfalls steigt die Anstrengung, wenn miteinander verbundene Informationen im Lernmaterial in sehr großem räumlichem Abstand zueinander dargestellt werden, oder wenn in einer Lernsituation sehr viele Ablenkungen vorhanden sind. Bild 2: Soziale Medien stellen eine häufige Ablenkung dar.

Im Zeitalter sozialer Medien und mobiler Endgeräte sind Ablenkungen unter anderem in Form von Textmitteilungen, Anrufen oder Werbemeldungen überall vertreten. Zusätzlich müssen wir auch die Veränderungen berücksichtigen, die durch das Lernen selbst passieren, um das richtige Maß an Unterstützung zu geben. So hat sich beispielsweise gezeigt, dass Lernende durch zusätzliche Erklärungen unnötig belastet werden können, wenn sie schon gut mit dem Thema vertraut sind (Sweller et al., 2011). Gerade wenn es darum geht, solche möglicherweise anstrengenden Faktoren in einer Lernsituation präzise zu erfassen, sind trotz vielfältiger Messansätze (z.B. Chen, Zhou, Wang, Yu, Arshad, Khawaji, & Conway, 2016) noch viele Fragen offen: Wie wirken unterschiedliche Faktoren der Ressourcenbeanspruchung zusammen? Welche Verarbeitungsmechanismen liegen diesen zugrunde? Wie sehen die zeitlichen Veränderungen der Ressourcennutzung im Lernprozess genau aus?

Ich habe mich mit meinen KollegInnen mit dieser Problemstellung auseinandergesetzt und zu diesem Zweck eine Reihe von Untersuchungen mit verschiedenen Lernaufgaben durchgeführt (Wirzberger, Esmaeili Bijarsari & Rey, 2017; Wirzberger, Herms, Esmaeili Bijarsari, Eibl & Rey, 2018). Mit einer Kombination verschiedener Maße erforschten wir, wie anstrengend eine Aufgabe in einer bestimmten Situation für die lernende Person ist. In unseren Untersuchungen setzten wir klar strukturierte und gut kontrollierbare Lernmaterialien aus der Grundlagenforschung der Kognitionswissenschaft ein. Eine solche Aufgabe bestand beispielsweise aus Symbolkombinationen, bei denen der erste Teil gezeigt wurde, beispielsweise ein Kreis und ein Dreieck, und der zweite Teil die Antwort darauf bildete, beispielsweise ein Bild 3: Eine typische Symbolaufgaben in der von der Autorin durchgeführten Untersuchung. Stern. Diese und ähnliche Kombinationen sollten sich Testpersonen über eine Reihe von Durchgängen hinweg merken. Der Vorteil solcher abstrakten Lernaufgaben besteht darin, dass sich schon vor der Aufgabe präzise einschätzen lässt, welche Charakteristika der Aufgabe die Ressourcen einer Person wie stark in Anspruch nehmen (Beckmann, 2010). Die Logik dahinter ist ganz einfach: Mit jedem Symbol, das hinzugefügt wird, steigt der Ressourcenbedarf und das Lernen fällt schwerer. Das Wissen um diese Grundmechanismen lässt sich später auf komplexere Aufgaben mit der gleichen Struktur übertragen.

Um sich die Auswirkungen dieser Variationen anzuschauen, untersuchten wir, wie häufig und wie schnell die richtige Antwort gegeben wurde, wie schnell das Herz schlug, wie aktiv die Schweißdrüsen arbeiteten, oder wie schnell und flüssig gesprochen wurde (Wirzberger et al., 2018). Auch die Auswirkungen zusätzlicher Anforderungen in einer Lernsituation wurden betrachtet. Wenn man versucht, eine zweite Aufgabe parallel zu erledigen, wird der Lernprozess dadurch immer wieder unterbrochen. Gerade beim Lernen am Computer kommt dies bekanntermaßen häufig vor. Die zusätzliche Anforderung bestand beispielsweise darin, sich immer wieder neue Zahlenreihen zu merken und diese laut aufzusagen, während man Symbolkombinationen lernt.

Die Ergebnisse zeigten, dass der Herzschlag der Testpersonen mit zunehmender Zeit langsamer wurde und sie weniger schwitzten. Dies legt nahe, dass sie sich im Verlauf der Untersuchung weniger anstrengen mussten, um beide Aufgaben gleichzeitig zu bewältigen. Auch traten im Sprechfluss beim Aufsagen der Zahlenreihen immer weniger Pausen auf, die Dauer der Pausen wurde kürzer und die Sprechgeschwindigkeit nahm zu. Die Leistung in beiden Aufgaben stieg kontinuierlich an, was in Kombination mit den anderen Maßen nahelegt, dass zunehmend mehr Kapazitäten für beide Aufgaben zur Verfügung standen. Ganz generell deutet ein solches Muster darauf hin, dass eine Aufgabe weniger anstrengend wird, wenn wir schon auf vorhandene Wissensstrukturen zurückgreifen und diese nutzen können. Dies gibt uns dann auch die nötigen Ressourcen, besser mit Nebenaufgaben umzugehen. Ein solches prozessbezogenes Ergebnismuster erinnert ein wenig an den Bau eines Hauses, bei dem zu Beginn mühsam eine Baugrube ausgehoben, das Fundament gegossen, das Mauerwerk und die Zwischenwände der einzelnen Wohnungen und Zimmer errichtet und das Dach gedeckt werden müssen. Dies kostet große Anstrengung und braucht Muskelkraft und viele helfende Hände. Ist der Neubau erst einmal fertig gestellt, sind die später folgenden Arbeiten zur Einrichtung der Zimmer sowie ggf. notwendige Renovierungen in der Regel weit weniger aufwändig.

Was Computermodelle uns verraten können

Weil Lernen im Kopf passiert, ist es natürlich spannend, während des Lernens in den Kopf zu blicken und dem Gehirn gewissermaßen bei der Arbeit zuzuschauen. Dies ist heutzutage mit neurophysiologischen und bildgebenden Verfahren, wie EEG oder fMRT, möglich. Ein anderer Weg, diesem Ziel näher zu kommen, sind Computersimulationen. Diese nutzen für gewöhnlich mathematische Formeln, um zu beschreiben, wie unser Gehirn aufgebaut ist und welche Prozesse darin ablaufen. Im Feld dieser sogenannten kognitiven Modelle gibt es verschiedene Ansätze. Ein besonders gut fundierter und viel genutzter Ansatz sind kognitive Architekturen, wie beispielsweise ACT-R von John R. Anderson (2007).

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.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.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

Wirzberger, M., Borst, J. P., Krems, J. F., & Rey, G. D. (2020). Memory-related cognitive load effects in an interrupted learning task: A model-based explanation. Trends in Neuroscience and Education, 20, 100139. https://doi.org/10.1016/j.tine.2020.100139