Kurz gesagt: Ein gutes Lernziel beschreibt, was Lernende nach einer Einheit können: mit einem beobachtbaren Verb, einem Inhalt und, wo nötig, einer Bedingung und einem Maßstab. „Die Teilnehmenden verstehen Datenbanken“ ist kein Lernziel in diesem Sinn. Je klarer das Ziel, desto besser passen Inhalte, Aufgaben und auch die Ergebnisse einer KI dazu.
Warum vage Lernziele teuer werden
Aus einem vagen Ziel lässt sich weder eine passende Übung noch eine faire Prüfungsfrage ableiten. Lehrende, Lernende und eine KI lesen dann jeweils etwas anderes hinein. Hochschuldidaktische Leitfäden empfehlen deshalb ein Verb und einen präzisen Satz pro Lernergebnis und für ein Modul vier bis sechs solcher Sätze (Universität Bremen).
Die Vorlage in vier Teilen
Der amerikanische Psychologe Robert F. Mager beschrieb schon 1962 drei Bestandteile eines guten Lernziels: das beobachtbare Verhalten, die Bedingungen, unter denen es gezeigt wird, und den Maßstab, ab dem es genügt (Robert F. Mager). Daraus ergibt sich eine einfache Vorlage:
„Nach dieser Einheit können die Teilnehmenden [Operator] [Inhalt], [Bedingung], [Maßstab].“
Operator: ein Verb, dessen Ergebnis man sehen oder hören kann, etwa nennen, berechnen, begründen oder entwerfen. „Verstehen“ und „wissen“ lassen sich nicht beobachten.
Inhalt: woran sich das Können zeigt, zum Beispiel „einen Primärschlüssel für eine Kundentabelle“.
Bedingung: in welcher Situation oder mit welchen Hilfsmitteln, etwa „anhand eines Tabellenentwurfs“ oder „ohne Unterlagen“.
Maßstab: woran man erkennt, dass es reicht, etwa „mit einer Begründung in zwei Sätzen“ oder „in acht von zehn Fällen richtig“.
Bedingung und Maßstab sind nicht in jedem Lernziel nötig. Wichtig sind sie dort, wo sie die Prüfung verändern: Eine Formel im Kopf anwenden ist etwas anderes als mit Formelsammlung.
Beispiele vom Erinnern bis zum Entwerfen
Dasselbe Thema, die Einführung in Datenbanken, auf den Stufen der Taxonomie nach Anderson und Bloom:
Erinnern: „… können die Aufgaben eines Datenbanksystems nennen.“
Verstehen: „… können mit eigenen Worten erklären, warum eine Tabelle einen Primärschlüssel braucht.“
Anwenden: „… können für eine gegebene Kundentabelle einen geeigneten Primärschlüssel bestimmen und ihre Wahl begründen.“
Analysieren: „… können in einer vorgegebenen Tabelle doppelt gespeicherte Daten finden und beschreiben, welche Fehler sie bei Änderungen verursachen.“
Bewerten: „… können zwei Datenbankentwürfe für eine Vereinsverwaltung vergleichen und begründet empfehlen, welcher besser passt.“
Erschaffen: „… können für eine kleine Bibliothek ein Tabellenmodell mit Schlüsseln entwerfen.“
Wie sich die Stufen in Lernaufgaben übersetzen lassen, zeigt der Beitrag Umsetzung von IHK-Taxonomien in E-Learning.
Was eine KI zusätzlich wissen muss
Ein Sprachmodell füllt Lücken mit Annahmen. Fehlt die Zielgruppe, schreibt es für ein Durchschnittspublikum; fehlt die Quelle, nimmt es sein Allgemeinwissen. Neben den Lernzielen gehören deshalb in jede Anweisung:
Zielgruppe und Vorwissen: etwa „Auszubildende im ersten Lehrjahr ohne Datenbank-Kenntnisse“.
Niveau: etwa DQR 4 für eine dreijährige Ausbildung.
Quelle: welche Unterlagen genutzt werden sollen und welche nicht.
Format: Umfang, Kartentypen, Anzahl der Übungsfragen.
Abgrenzung: was ausdrücklich nicht vorkommen soll, weil es später behandelt wird.
Ein vollständiges Beispiel: „Erstelle eine Lerneinheit für Auszubildende in einem IT-Beruf im ersten Lehrjahr (DQR 4) ohne Datenbank-Vorkenntnisse. Lernziele: Die Teilnehmenden können die Aufgaben eines Datenbanksystems nennen, erklären, warum eine Tabelle einen Primärschlüssel braucht, und für eine gegebene Kundentabelle einen Primärschlüssel bestimmen und begründen. Nutze nur das Skript ‚Einführung in Datenbanken‘. Höchstens acht Karten, davon zwei Übungsfragen. SQL kommt erst in der nächsten Einheit.“
So arbeitet Tarsus mit Lernzielen
In Tarsus kann ein Nugget mit einer Zielkarte beginnen, die auflistet, was die Lernenden darin lernen. Beim automatischen Erstellen eines Nuggets geben Kursverantwortliche die Lernziele ein und können weitere Anweisungen ergänzen, zum Beispiel wie viele Textkarten entstehen sollen oder dass vor allem Audiokarten gewünscht sind. Tarsus nutzt dafür die indexierten Inhalte des Arbeitsbereichs oder nur ausgewählte Nuggets als Grundlage und setzt die Anweisungen so gut wie möglich um. Die Eingabe lässt sich speichern und über „Lernziele laden“ wiederverwenden, und das fertige Nugget öffnet sich direkt zur Bearbeitung. Auch bei einzelnen KI-generierten Fragen zeigt Tarsus auf Wunsch, welches Lernziel sie prüfen.
Häufige Fragen
Was ist der Unterschied zwischen Lernziel und Lernergebnis?
Ein Lernziel beschreibt aus Sicht der Lehrenden, was erreicht werden soll. Ein Lernergebnis beschreibt aus Sicht der Lernenden, was sie nach der Einheit wissen, verstehen und tun können. In der Praxis werden beide Begriffe oft gleich verwendet.
Welche Verben eignen sich für Lernziele?
Verben, deren Ergebnis sich beobachten lässt: nennen, beschreiben, erklären, berechnen, anwenden, vergleichen, beurteilen, entwickeln. Sie lassen sich den Taxonomiestufen zuordnen. „Verstehen“, „kennen“ und „wissen“ sind dagegen zu ungenau, um daraus eine Aufgabe abzuleiten.
Wie viele Lernziele braucht eine Lerneinheit?
Für ein Modul gelten vier bis sechs Lernergebnisse als Richtwert. Für eine kurze Lerneinheit von wenigen Minuten reichen oft eines bis drei.
Was bedeutet SMART bei Lernzielen?
SMART steht für spezifisch, messbar, angemessen, relevant und terminiert. Die Abkürzung hilft beim Prüfen, ersetzt aber nicht die Frage, mit welcher Aufgabe sich das Ziel überprüfen lässt.
