Interessengeleitete Differenzierung
Die Grundidee ist einfach: Jede:r Schüler:in nennt vorab ein Interesse; dieselbe Mathematik wird dann für jede:n in den eigenen Kontext eingekleidet. Aber: Was nach einem netten Trick klingt, ist didaktisch heikler, als es zunächst scheint.
Dieser Bericht zeigt kein fertiges Werkzeug, sondern eine Idee, die gegen Forschung und simulierte Schülerrollen geprüft wurde und dabei gebrochen ist; eben dieser Bruch ist der eigentliche Befund.
Aufgaben in das Interesse von Schüler:innen einzukleiden — Fußball, Pferde, Lieblingsserie — ist gut untersucht; der Effekt ist real, aber moderat und an Bedingungen geknüpft. Walkington und Bernacki sowie eine Metaanalyse von 2024 zeichnen ein präzises Bild: Personalisierung erhöht Interesse und entlastet das Arbeitsgedächtnis, doch der schwächste Effekt liegt ausgerechnet beim Transfer auf neue Situationen.
Effektstärken g = 0,55 für Interesse und g = 0,54 für kognitive Entlastung, aber nur g = 0,36 für Transfer — auf dünner Datenbasis.
Lin et al. 2024 (Metaanalyse)
Bloßes Austauschen von Nomen („Äpfel“ → „Pokémon“) bringt fast nichts. Der Kontext muss die Rechnung tragen, nicht dekorieren.
Walkington 2013 · & Bernacki 2019
Entscheidend ist die Tiefenpassung: Mathematik-ferne Schüler:innen profitieren am meisten, wenn der Kontext echt trägt.
Walkington & Bernacki 2019
Zwei Gefahren sind gut belegt: der seductive-details-Effekt (Harp & Mayer 1998) — unterhaltsame, aber sachfremde Details verschlechtern den Transfer — und das Binden an die Oberfläche (Kaminski, Sloutsky & Heckler 2008): Wissen bindet sich an Oberflächenmerkmale und löst sich später schwerer davon. Der Kontext wird damit selbst zu extraneous load (Sweller 1988) — zusätzlichem Verarbeitungsaufwand, der nichts zum Lernen beiträgt. Wer Bruchdivision nur als Fußball gelernt hat, rechnet sie womöglich nur im Fußball.
Faustregel aus der Evidenz
Streiche das Hobby aus der Aufgabe. Bleibt sie lösbar und sinnvoll? Dann war der Kontext funktional. Fällt sie auseinander oder bleibt nur Deko übrig? Dann schadet er mehr, als er nützt.
Daraus folgt: Der Markt hat Generatoren genug (Khanmigo, MagicSchool, „word problem generators“ für Textaufgaben), die schülergesteuert im Einzeldialog personalisieren. Was fehlt, ist die lehrkraftgesteuerte Kontrolle über die Tiefenstruktur als Klassensatz — ein Generator, der den Kern fixiert, Interesse funktional einbaut, dosiert und den Transfer schützt.
Das Werkzeug ist ein Renderer, kein Aufgabenerfinder. Die Mathematik wird genau einmal definiert und eingefroren; pro Schüler:in wechselt nur die Erzählschicht drumherum. Damit aus diesem Prinzip kein bloßer Wort-Tauscher wird, durchläuft jede einzelne Variante drei Checks. Die Reihenfolge ist entscheidend: Erst muss die Mathematik stimmen, dann der Kontext taugen, dann die Dosis passen. Einzuräumen ist vorab: Nur der erste Check ist hart und mechanisch prüfbar. Der zweite und dritte sind didaktische Urteile — und der zweite hat im Test (Seite 4) eine falsche Entscheidung getroffen.
Aus jeder erzeugten Variante werden Zahlen und Operation zurückgelesen und gegen den eingefrorenen Kern geprüft. Eine abweichende, fehlende oder hinzugedichtete Zahl → Variante verworfen, neu erzeugt. Die Musterlösung gilt für alle, weil die Zahlen für alle gleich sind.
Trägt der Kontext die Operation, oder schmückt er nur? Würde jemand in dieser Situation wirklich so rechnen? Jeder Satz muss eine Zahl oder Operation tragen — sonst fliegt er raus. Das ist der Check, an dem sich entscheidet, ob Personalisierung wirkt oder nur so tut.
Volle Einkleidung dort, wo der Zugang zur Mathematik noch wächst (Niveau 1): Dort liegt laut Evidenz der Nutzen. Auf höheren Niveaus laufen die Aufgaben fast nackt, näher an der Abstraktion. Niemand sieht im Klassenraum, wer welche Fassung hat: gleiches Layout für alle.
Hinzu kommt der Transfer-Schutz: Zu jedem personalisierten Blatt gehört verpflichtend eine abstrakte Kontrollfassung — gleiche Tiefenstruktur, nüchterne Sprache, kein Kontext. Über die ganze Klasse entsteht zudem von selbst Oberflächen-Variation (zehn Geschichten, eine Struktur), was den Transfer begünstigen dürfte: Variierte Beispiele lösen ein Schema eher von seiner Oberfläche. Personalisierung ist hier das Mittel zum Einstieg; das Ziel bleibt das übertragbare Schema.
Die Lehrkraft liefert zwei strikt getrennte Dinge. Erstens den mathematischen Kern als Spezifikation mit festen Zahlen, Operation, Lösung und einer Pflichtangabe je Aufgabe: welche Rolle der Kontext mathematisch spielen muss, damit die Rechnung Sinn ergibt. Zweitens die Interessenliste, pseudonymisiert nach dem Schema 6a-S01 Fußball · Niveau 2 — Pseudonym, Interesse und eine grobe Niveaustufe für die Dosierung. Klarnamen, Noten und alles Weitere bleiben bei der Lehrkraft.
Erprobt an der Einführung der Bruchdivision in einer fiktiven Klasse 6a mit zehn Schüler:innen. Der Kern entwickelt die Kehrwertregel über die Vorstellung „Wie oft passt etwas hinein?“, statt sie zu setzen. Über alle Varianten sind die Zahlen identisch — nachgerechnet und bestätigt.
| Nr. | Aufgabe | Rechnung | Lösung |
|---|---|---|---|
| A | Wie oft passt 14 in 3? — Vorstellung vor Regel, Ergebnis größer als der Dividend (der Aha-Moment). | 3 : 14 | 12 |
| B | Eine Bruchmenge gerecht verteilen — der Nenner wächst. | 34 : 3 | 14 |
| C | Die Regel aus A und B ableiten: geteilt durch einen Bruch = mal dem Kehrwert. Bleibt in allen Varianten abstrakt. | ÷ ab = · ba | — |
| D | Bruch durch Bruch; Kontrolle über 68 : 18. | 34 : 18 | 6 |
| E | Transfer als Umkehrung von D — dieselbe Symmetrie, andere Frage. | 34 : 6 | 18 |
Vier der zehn Blätter im direkten Vergleich. Zwei Interessen kleiden sich mühelos ein, zwei nicht — an diesem Unterschied zeigt sich Check 2.
A3 Bleche Teig, 14 Blech je Plätzchen. Wie viele Plätzchen?12
D34 Blech Glasur, 18 Blech je Keks. Wie viele Kekse?6
E34 Blech Streusel auf 6 Kuchen. Wie viel je Kuchen?18
A3 Eimer Hafer, 14 Eimer je Mahlzeit. Wie viele Mahlzeiten?12
D34 Eimer Möhren, 18 Eimer je Portion. Wie viele Portionen?6
E34 Eimer Leckerlis auf 6 Ponys. Wie viel je Pony?18
A3 m Strecke, alle 14 m ein Ollie. Wie viele Ollies?12
D34 m Grindstange, alle 18 m markiert. Wie viele Markierungen?6
A3 Std Marathon, 14 Std je Folge. Wie viele Folgen?12
D34 Std Lesezeit, 18 Std je Kapitel. Wie viele Kapitel?6
Wie diese Erprobung lief — und was sie nicht ist
Die Erprobung erfolgte mit KI-Subagenten in Schülerrollen, nicht mit echten Kindern. Die Klasse 6a ist fiktiv, die folgenden Stimmen sind generiert, nicht erhoben. Eine solche Simulation macht Stolperstellen früh sichtbar — Wirksamkeit belegen kann sie nicht. Sie illustriert die Theorie, sie überbietet sie nicht.
Bei den portionierbaren Interessen (Backen, Pferde) trug der Kontext: Die simulierte Schüler:in malte den Hafereimer als vier Viertel auf und kam so zur Division — der vorhergesagte Effekt. Bei Skateboard und Anime kippte es; die Simulation brachte den Einwand auf den Punkt, den die Theorie als seductive-details- und Oberflächen-Risiko beschreibt.
Simulierte Schülerstimme„Das ist nicht mein Skateboard, da steht halt das Wort Rampe dran. Beim Skaten misst doch keiner Meter ab.“
Rolle 6a-S05 · Skateboard · Niveau 1
Simulierte Schülerstimme„Das ist kein Anime, das ist 'ne Stoppuhr. Hätte auch Pizza draufstehen können, wär ehrlicher gewesen.“
Rolle 6a-S09 · Anime · Niveau 1
Der zentrale Befund: Der Funktionalitäts-Check erkannte zwar, dass Skateboard und Anime keine teilbaren Mengen hergeben — aber seine „Lösung“, auf Strecke und Zeit herunterzustufen, rettete den Mechanismus und opferte den Wirkstoff. Eine aufgesetzte Messhülle ist schlechter als ein ehrlicher Neutralkontext. Bei nicht-portionierbaren Interessen muss der Check aussteigen statt herunterstufen. Pikant: Beide Ausfälle lagen auf Niveau 1 — der Gruppe, der Personalisierung am meisten nützen soll.
Gesamturteil
Der mathematische Kern trägt. Der Personalisierungs-Mechanismus trägt — bei portionierbaren Interessen. Der Funktionalitäts-Check in seiner jetzigen Form trägt nicht: Wer überall ein Skater-Wort drüberklebt, bricht das Versprechen genau dort, wo es am sichtbarsten ist.
Naheliegende Frage: Wozu ein Werkzeug, wenn jede gute Lehrkraft weiß, dass man Bruchdivision nicht auf Anime klebt? Die Antwort liegt in der Skalierung des unstrittigen Teils: 28 Kinder, 28 tragende Einkleidungen plus Kontrollfassung plus Niveau-Dosierung, in Minuten statt Stunden.
Offen bleibt die schärfste Frage: ob individueller Zuschnitt einem guten gemeinsamen Kontext tatsächlich überlegen ist. Das wäre der nächste Schritt — eine echte Klasse, ein echter Vergleich.
Quellen
Lin, Y. et al. (2024): The Personalized Learning by Interest Effect on Interest, Cognitive Load, Retention, and Transfer: A Meta-Analysis. Educational Psychology Review 36, Art. 119. DOI 10.1007/s10648-024-09933-7 ·
Walkington, C. (2013): Using learning technologies to personalize instruction to student interests. Journal of Educational Psychology 105(4), 932–945 ·
Walkington, C. & Bernacki, M. L. (2019): Personalizing Algebra to Students' Individual Interests in an ITS. Int. Journal of AI in Education 29, 58–88 ·
Harp, S. F. & Mayer, R. E. (1998): How Seductive Details Do Their Damage. Journal of Educational Psychology 90(3), 414–434 ·
Kaminski, J. A., Sloutsky, V. M. & Heckler, A. F. (2008): The Advantage of Abstract Examples in Learning Math. Science 320(5875), 454–455 ·
Sweller, J. (1988): Cognitive Load During Problem Solving. Cognitive Science 12(2), 257–285.