Einleitung

Gamification in der Bildung beinhaltet die Verwendung von Spielelementen und -merkmalen wie Punkten, Ranglisten, Fantasiefiguren oder geheimnisvollen Themen zur Förderung des Lernens und der Beteiligung der Lernenden im Unterricht (Landers, 2014). Ähnlich wie beim spielbasierten Lernen, bei dem mehrere Spielfunktionen vollständig in ein eigenständiges Lernspiel integriert werden (siehe Kurzreview 3 zu DGBL von Wouters et al., 2013), werden bei Gamification ein oder mehrere Spielelemente flexibler in Nicht-Spielkontexte wie Lernaufgaben oder Schülerprojekte eingebunden.

Dieser Aspekt erleichtert die Gestaltung und Entwicklung im Vergleich zu einem kompletten Spiel. Darüber hinaus deuten frühere Untersuchungen darauf hin, dass Gamification im Gegensatz zu traditionellen Ansätzen zu einem verbesserten Lernerfolg führt (siehe z. B. Kurzreview 30 zu Gamification von Bai et al., 2020). Es ist jedoch noch unklar, wie sich Gamification auf verschiedene Arten von Lernergebnissen auswirkt und welche Kombinationen von Gamification-Elementen das Lernpotenzial maximieren. Ebenso ist unklar, ob Gamification in verschiedenen Fachbereichen, Lernphasen oder bei unterschiedlicher Anwendungsdauer ähnliche Vorteile bietet.

Worum geht es in dieser Studie?

Die Metaanalyse von Dai und Kollegen (2025) untersucht die Auswirkungen von Gamification im Vergleich zu traditionellem Lernen auf die kognitiven (z.B. Wissen, Wissenstransfer), kompetenzbezogenen (z.B. technische Fähigkeiten) und affektiven Ergebnisse (z.B. Einstellungen, Überzeugungen) von Lernenden. Dabei wird genauer betrachtet, welche die effektivsten Kombinationen von Spielelementen für das Lernen sind und ob sich die Auswirkungen von Gamifizierung je nach Fachbereich, Lernphase oder Implementierungsdauer unterscheiden.

Dafür analysieren die AutorInnen 37 (quasi-)experimentellen Studien, die zwischen 2013 und 2023 veröffentlicht wurden und insgesamt 182 Effektgrößen berichteten. Die eingeschlossenen Studien mussten die Ergebnisse der Lernenden zwischen einer Kontrollgruppe ohne und einer Interventionsgruppe mit Gamification-Elementen vergleichen, wobei ein oder mehrere Spielelemente in die Intervention integriert wurden.

Die Spielelemente in jeder der Studien wurden gemäß dem Modell von Garris und Kollegen (2002) in Gamification-Kategorien unterteilt:

Die Studien wurden dann in vier Gruppen eingeteilt, je nach Kombination der eingesetzten Gamification-Elemente:

• Nur Regeln/Ziele (4 Studien)
• Regeln/Ziele + Herausforderung (18 Studien)
• Regeln/Ziele + Herausforderung + Fantasie (10 Studien)
• Regeln/Ziele + Herausforderung + Geheimnis (5 Studien)

Für jede Studie wurden außerdem die Bildungsstufe (K-12 oder höhere Bildung), das Fachgebiet (Mathematik, Ingenieurwesen, Kunst und Geisteswissenschaften, Sozialwissenschaften oder andere) und die Dauer des Einsatzes von Gamification (von „innerhalb eines Tages“ bis „innerhalb eines Jahres“) notiert.

Was findet diese Studie heraus

Die Ergebnisse zeigten, dass Gamification insgesamt einen signifikanten positiven Effekt auf die Lernergebnisse hatte (d= 0.57) im Gegensatz zu ähnlichen Lernaufgaben ohne Gamification. Die Effekte auf kognitive Ergebnisse (d = 0.61) waren etwas größer als auf kompetenzbasierte Ergebnisse (d = 0.55) und affektive Ergebnisse (d = 0.44).

Besonders deutlich wurden die Unterschiede bei den eingesetzten Spielelementen: Interventionen, die ausschließlich auf „Regeln/Ziele“ setzten, zeigten keine Wirkung. Wurden zusätzlich „Herausforderungs“-Elemente integriert, stieg der Effekt signifikant an (d = 0.49). Die besten Ergebnisse erzielten Kombinationen aus drei verschiedenen Kategorien: „Regeln/Zielen“, „Herausforderung“ und „Fantasie“ (d = 0.50) bzw. „Geheimnis“ (d = 0.52). Diese Ergebnisse deuten darauf hin, dass die Kombination von Gamification-Elementen aus verschiedenen/mehreren Kategorien die Lernergebnisse deutlich verbessert hat, im Vergleich zum alleinigen Einsatz von Elementen der Kategorie „Regeln/Ziele“.

Mit Hilfe einer Moderationsanalyse stellten die AutorInnen fest, dass sich die Gamification-Effekte je nach Fachgebiet und Dauer des Gamification-Einsatzes unterschieden, jedoch keine signifikanten Unterschiede zwischen den Bildungsstufen aufwiesen. In Bezug auf das Fachgebiet hatte Gamification zwar in allen Fächern einen positiven Effekt, jedoch waren die Effekte in den MINT-Fächern (Mathematik: d = 0.58, Ingenieurwissenschaften: d = 0.50) signifikant höher. Die Dauer des Einsatzes zeigte signifikante positive Effekte für alle Zeitspannen mit Ausnahme von „innerhalb einer Woche“. Die größten Effekte wurden für „innerhalb eines Tages“ (d = 0.63) und „innerhalb eines Jahres“ (d = 0.61) und geringere Effekte für „innerhalb eines halben Jahres“ (d = 0.39) gefunden. 

Weitere Details und Einzelbefunde sind der Gesamtübersicht zu entnehmen.

Studienbeispiel

Die Studie von Hsiao und Kollegen (2023) untersuchte den Einsatz von Gamification-Elementen zur Förderung der Lernergebnisse in einem Programmierkurs für die 10. Klasse in Taiwan. Dabei entwickelten 132 SchülerInnen in einem 12-wöchigen MINT-Projekt mit Hilfe praktischer Aktivitäten (z.B. Programmierung, physikalische Sensoren) ein „Smart House”. Ziel der Studie war es, die Auswirkungen verschiedener Lernstrategien für das Projekt zu vergleichen, indem die SchülerInnen in drei Gruppen eingeteilt wurden:

Die Kontrollgruppe arbeitete mit Hilfe einer 6-stufigen Problemlöseaktivität nach der traditionellen Lernmethode der Softwareentwicklung an dem Projekt. Dazu gehörten Phasen wie Problemdefinition, Entwicklung und Testen des Endprodukts. 

Die erste Experimentalgruppe führte das Projekt mit der 6E-Methode (ein ingenieurwissenschaftlichen Lernansatz mit sechs Phasen) durch. Zu der Projektkonzeption und -entwicklung dieser Strategie gehörten beispielsweise Erkundung, Konstruktion und Bewertung, jedoch ohne Gamification. 

Die zweite Experimentalgruppe arbeitete ebenfalls mit der 6E-Methode, jedoch wurden jeder Phase Gamification-Elemente hinzugefügt: Zu Beginn übernahmen die SchülerInnen fiktive Rollen als Bauunternehmerteams („Fantasie“). In den nächsten Phasen konnten die Teams gegeneinander antreten, indem sie Punkte für Quizze, Herausforderungen und soziales Verhalten (bspw. das Helfen anderer) sammelten („Regeln/Ziele“, „Herausforderung“). Und zuletzt konnten die Teams eine Rangliste der Teamleistungen einsehen („Herausforderung“).

Hsiao und Kollegen (2023) verglichen die drei Gruppen hinsichtlich kognitiver, kompetenzbezogener und affektiver Lernergebnisse. Sie stellten fest, dass die zweite experimentelle Gruppe, die das Projekt mit der 6E-Methode in Kombination mit Gamification durchführte, bei allen Ergebnissen die beste Leistung erzielte: Sie zeigte höhere kognitive Lerngewinne und bessere praktische Leistungen im Projekt gegenüber der Kontrollgruppe und im Vergleich zur ersten Experimentalgruppe. Diese Studie zeigt, dass eine gezielte Kombination aus Gamification zusammen mit der 6E-Lernmethode den SchülerInnen helfen kann, über die traditionellen Problemlösungsaktivitäten hinauszugehen und den MINT-Unterricht unterstützen kann. 

Wie bewertet das Clearing House Unterricht diese Studie?

Die Clearing House Unterricht Research Group bewertet die Metaanalyse anhand der folgenden fünf Fragen und orientiert sich dabei an den Abelson-Kriterien (1995):

Wie substanziell sind die Effekte?

Für Gamification wurde ein signifikanter Gesamteffekt von Cohen‘s d = 0.57 gefunden. Ein Effekt dieser Stärke bedeutet, dass circa 70% der Lernenden, die mit Gamification-Elementen lernten, eine höhere Lernleistung erbrachten als der Durchschnitt der Lernenden, die ohne solche Elemente lernten. Dieser Effekt repliziert frühere Ergebnisse (g = 0.50) aus der Gamification-Metaanalyse von Bai und Kollegen (2020) (siehe KR 30), was auf einen recht stabilen Effekt für Gamification hindeutet. Dai und Kollegen unterscheiden darüber hinaus zwischen kognitiven, kompetenzbasierten und affektiven Ergebnissen, wobei die kognitiven Effekte am größten waren (d = 0.61).

Von den verschiedenen Kombinationsmöglichkeiten der Gamification-Elemente zeigte das Zusammenspiel von drei Kategorien die größten Effekte („Regeln/Ziele“ + „Herausforderung“ + „Geheimnis“ oder „Fantasie“). Allerdings zeigte bereits die Kombination aus zwei Kategorien, nämlich „Regeln/Ziele“ + „Herausforderung“, ähnliche Effekte, während die alleinige Umsetzung von „Regeln/Zielen“ keinen Vorteil erkennen ließ. Dies legt nahe, dass Lehrkräfte mindestens die beiden Kategorien „Regeln/Ziele“ + „Herausforderung“ umsetzen sollten, um die Vorteile der Gamification nutzen zu können.

Erfahren Sie mehr über die Einschätzung von Effektstärken in unserem Handout.

Wie differenziert sind die Ergebnisse dargestellt?

In der Metaanalyse wurden drei abhängige Variablen berichtet: kognitive, kompetenzbasierte und affektive Lernergebnisse. In der Moderatoranalyse wurden zusätzlich Gamification-Effekte für verschiedene Fächer, Bildungsstufen und Interventionsdauer untersucht: 

Dabei zeigte sich, dass die Effekte je nach Fach variierten und in den MINT-Fächern (Mathematik und Ingenieurwesen) größer waren. In Bezug auf die Bildungsstufe unterschied die Metaanalyse zwischen den Auswirkungen auf SchülerInnen der Klassenstufen K-12 und Studierende im Hochschulbereich und stellte für beide Gruppen ähnliche Auswirkungen fest. Die AutorInnen unterschieden jedoch nicht weiter zwischen Grundschul- und SekundarschülerInnen, sodass keine Schlussfolgerungen zu diesen Gruppen gezogen werden können.

Die Interventionsdauer wurde in fünf Bereiche unterteilt: innerhalb eines Tages, innerhalb einer Woche, innerhalb eines Monats, innerhalb eines halben Jahres und innerhalb eines Jahres. Die Moderatoranalyse zeigt, dass die Auswirkungen der Gamification am größten sind, wenn sie einen Tag lang (d = 0.63) oder ein Jahr lang (d = 0.61) umgesetzt wird. Dai und Kollegen vermuten, dass die kurzfristigen Effekte auf den Neuigkeitseffekt zurückzuführen sein könnten, während längere Einsatzdauern möglicherweise tieferes Lernen fördern.

Wie verallgemeinerbar sind die Befunde?

In Bezug auf die Verallgemeinerbarkeit zeigt die Metaanalyse positive Effekte von Gamification für mehrere Lernergebnisse, über verschiedene Fachbereiche hinweg und während der gesamten Schul- und Universitätslaufbahn.

Die Auswirkungen von Gamification im Gegensatz zu keinen Elementen waren bei allen drei Lernergebnissen positiv. Darüber hinaus ergab die Metaanalyse ähnliche Auswirkungen für die K-12- und die Hochschulbildung, was darauf hindeutet, dass Gamification in allen Lernphasen positive Ergebnisse fördern kann. Obwohl Gamification in den MINT-Fächern größere Auswirkungen zeigte, stellten die Autoren positive Auswirkungen für alle Fächer fest, was für ihre Verallgemeinerbarkeit spricht. In Bezug auf die Kombinationen von Gamification-Kategorien ergab die Metaanalyse signifikante positive Effekte für alle Kombinationen von zwei oder mehr Kategorien. Dies deutet auf die Verallgemeinerbarkeit der Wirksamkeit hin, wenn Gamification über die Umsetzung von „Regeln/Zielen“ hinausgeht. 

Diese Metaanalyse untersuchte jedoch nicht die Auswirkungen unterschiedlicher Arten der Messung von Lernergebnissen oder kultureller Einflüsse. Bai und Kollegen (KR 30) fanden keine Auswirkungen methodischer Faktoren, stellten jedoch fest, dass Gamification in Studien aus Asien deutlich größere Effekte hatte.

Was macht die Metaanalyse wissenschaftlich relevant?

Diese Metaanalyse ist wissenschaftlich bedeutsam, da sie ähnliche Ergebnisse aus früheren Studien repliziert und darüber hinaus einen theoretisch fundierten Ansatz zur Analyse von Kombinationen von Gamification-Kategorien verfolgt. Sie bestätigt nicht nur den von Bai und Kollegen (2020) (KR 30) berichteten Haupteffekt der Gamification, sondern unterscheidet zudem zwischen kognitiven, kompetenzbezogenen und affektiven Lernergebnissen. Diese Ergebnisse spiegeln ähnliche metaanalytische Befunde wider, die darauf hindeuten, dass Gamification den größten Einfluss auf kognitive Ergebnisse und weniger auf affektive Ergebnisse hat (z. B. Sailer & Homner, 2019).

Besonders hervorzuheben ist die theoretisch fundierte Kategorisierung der eingesetzten Gamification-Elemente: Anhand des Modells von Garris et al. (2002) werden die Elemente nach ihrer Funktion geordnet. Zudem werden die verschiedenen Kombinationsmöglichkeiten genauer betrachtet. Dieser Ansatz liefert Impulse für die Weiterentwicklung theoretischer Modelle.

Wie methodisch verlässlich sind die Befunde?

Die Darstellung des methodischen Vorgehens entspricht nur zum Teil den Kriterien gängiger Anforderungskataloge (z. B. APA Meta-Analysis Reporting Standards). Die Transparenz der Berichterstattung zur Datenextraktion und statistischen Analyse wird nur teilweise detailliert dargestellt. Beispielsweise werden die Merkmale der Kontrollbedingung nicht explizit dokumentiert. Darüber hinaus fehlen in der Studie Informationen zu den statistischen Verfahren für die Moderationsanalyse.

Weitere Informationen zur Beurteilung des methodischen Vorgehens finden Sie in unserem Rating Sheet.

Fazit für die Unterrichtspraxis

Insgesamt liefert die Metaanalyse von Dai und Kollegen (2025) weitere Hinweise für die positiven Auswirkungen von Gamification, insbesondere auf kognitive Lernergebnisse.

Die AutorInnen stellten fest, dass Gamification vor allem dann wirksam ist, wenn verschiedene Gamification-Elemente sinnvoll kombiniert werden. Elemente der Kategorie „Regeln/Ziele”, wie Punkte, Abzeichen und Fortschrittsbalken, können den SchülerInnen zwar Feedback geben, reichen aber möglicherweise nicht aus, um tieferes Lernen zu fördern. Wird zusätzlich der Schwierigkeitsgrad gesteigert oder ein Wettbewerbselement hinzugefügt („Herausforderungen”), kann das kognitive Engagement steigen. Eine Metaanalyse von Sailer und Homner (2019) zeigte beispielweise die größten Effekte für Gamification mit kollaborativen Wettbewerb (z.B. Teams gegen Teams). Darüber hinaus kann das Hinzufügen fantasievoller Rollenspiele oder überraschender Handlungselemente („Fantasie“, „Geheimnis“) emotionale Beteiligung oder Neugier fördern. 

Die Studie zeigte zudem, dass Gamification besonders für stark strukturierte Bereiche wie Mathematik und Ingenieurwesen von Vorteil zu sein scheint. Dabei war der Einsatz sowohl bei SchülerInnen als auch bei Studierenden hilfreich – allerdings sollten die Elemente an das kognitive Niveau der Lernenden angepasst sein. 

Interessant ist auch: Die Wirksamkeit kann sich im Laufe der Zeit verändern. Die AutorInnen vermuten, dass die Auswirkungen zunächst mit einer starken (kurzlebigen) extrinsichen Motivation beginnen, die jedoch bald nachlässt. Wenn Gamification aber über einen Zeitraum von einem Jahr eingesetzt wird, fördert ein allmähliches, tieferes Lernen vermutlich eine nachhaltigere intrinsische Motivation, was wiederum zu größeren Auswirkungen von Gamification führt.

Referenzen und Links

Downloads

Einleitung

Möglichst allen SchülerInnen innerhalb der Klasse tiefergehendes Wissen und eingehendes Verständnis von Inhalten zu vermitteln, ist das Idealziel von LehrerInnen. Doch wie soll eine einzelne Lehrkraft häufig mehr als 30 SchülerInnen gleichzeitig und individuell nach ihren Fähigkeiten unterstützen? Dafür müssten SchülerInnen jeweils zur richtigen Zeit den richtigen Impuls bekommen und unmittelbar Rückmeldung auf ihre Antworten erhalten. Diese Rückmeldungen sollten im besten Fall über richtig oder falsch hinausgehen und mit einem Hinweis auf die nächsten Schritte oder Aufgaben verbunden sein. In den meisten Klassenzimmern ist dies kaum umsetzbar. Will man jedoch am Ziel festhalten, SchülerInnen individuell zu unterstützen, muss diese Unterstützung auf andere Weise realisiert werden.

Adaptive Lernsoftware (engl.: automated adaptive guidance) bietet hier eine reale Alternative und Ergänzung zum Lehrerhandeln: Sie bewertet Schülerantworten automatisiert und unterstützt SchülerInnen adaptiv. Bisher wurden die Potenziale derartiger Lernsoftware vorwiegend bei Studierenden untersucht. Die Metaanalyse von Gerard und KollegInnen nimmt ihre Wirksamkeit nun bei SchülerInnen der Sekundarstufe umfassend in den Blick.

Worum geht es in dieser Studie?

Die vorliegende Metaanalyse untersucht zwei unterschiedliche Fragestellungen und enthält zwei verschiedene statistische Analysen. Die erste Fragestellung bezieht sich generell darauf, ob adaptive Lernsoftware einen Mehrwert gegenüber Unterricht ohne adaptive Lernsoftware bietet (24 experimentelle Vergleiche). Die Studien vergleichen die Lernleistungen von SchülerInnen, die mit adaptiver Lernsoftware arbeiten, mit denen von SchülerInnen, die die gleichen Inhalte ohne diese Art von Software lernten – z.B. durch lehrergeführten Unterricht und/oder Arbeitsblätter, durch nicht adaptive Lernsoftware, anhand von Multiple-Choice-Tests oder anhand von offenen Aufgaben.

Die zweite Fragestellung bezieht sich auf die Wirksamkeit spezieller Designelemente (Features) adaptiver Lernsoftware. In den entsprechenden experimentellen Studien werden erweiterte Versionen von adaptiver Lernsoftware, die ein bestimmtes Feature enthalten, verglichen mit einfacheren Versionen, die dieses Feature nicht enthalten (29 Einzelvergleiche).

In beiden Analysen wird zudem der Einfluss verschiedener sogenannter Moderatoren untersucht (siehe Tabelle 1). Grundlage der Metaanalyse sind 53 Vergleiche aus 42 Veröffentlichungen, die zwischen 2000 und 2014 erschienen sind. Über 70 % der Vergleiche stammen aus dem mathematisch-naturwissenschaftlichen Fachbereich, der Rest aus sprachlich-gesellschaftswissenschaftlichen Fächern.

Tabelle 1. Übersicht über die untersuchten Moderatoren.

Was findet diese Studie heraus?

Die Analysen zur ersten Fragestellung ergeben einen signifikanten kleinen Gesamteffekt zugunsten adaptiver Lernsoftware (g = 0.34). Dieser Effekt zeigt sich unabhängig von der Art der Vergleichsbedingung, d.h., ob nicht-adaptive Lernsoftware, Arbeitsblätter ohne Unterstützung oder unterstützende Lehrerinstruktion in der Kontrollgruppe eingesetzt wurden. Von allen getesteten Moderatoren hat nur das unterschiedliche Vorwissen der SchülerInnen einen signifikanten Effekt: Während SchülerInnen mit geringem oder mittlerem Vorwissen von der Unterstützung der Software profitieren, ist dies bei SchülerInnen mit hohem Vorwissen nicht der Fall.

Die Analysen zur zweiten Fragestellung ergeben ebenfalls einen signifikanten kleinen Gesamteffekt – zugunsten der erweiterten adaptiven Lernsoftware (g = 0.27). Das bedeutet, dass die Integration bestimmter Features die Effektivität der Software erhöhen kann. Zu diesen Features gehören inhaltliche Hinweise zur Förderung eines tieferen konzeptuellen Verständnisses oder Hinweise zum selbstregulierten Lernen z.B. zum Monitoring der eigenen Lernaktivität. Versionen, die solche Features beinhalten, sind einfacheren Versionen der Lernsoftware, die lediglich Feedback zur Korrektheit der Schülerantwort anbieten, überlegen. Insbesondere wenn Schülerinnen bei komplexeren Aufgaben – beispielsweise beim Erstellen von Diagrammen oder Concept Maps (siehe Kurzreview 19) – unterstützt wurden, führten Versionen mit Features zu besseren Leistungen. Auch hier zeigte sich, dass ausschließlich SchülerInnen mit geringem oder mittlerem Vorwissen davon profitieren.

Wie bewertet das Clearing House Unterricht diese Studie?

Die Clearing House Unterricht Research Group bewertet die Metaanalyse anhand der folgenden fünf Fragen und orientiert sich dabei an den Abelson-Kriterien (1995):

Wie substanziell sind die Effekte?

Nach der gängigen Kategorisierung nach Cohen (1988) sind die Gesamteffekte beider Analysen als klein einzustufen. Veranschaulicht bedeutet der Effekt von g = 0.34, dass ca. 64 % der SchülerInnen mit adaptiver Lernsoftware eine höhere Lernleistung aufweisen als der Durchschnitt der VergleichsschülerInnen.

Dabei ist zu berücksichtigen, dass diese Effekte unter strengen Bedingungen erzielt werden. Zum einen bezieht sich der Effekt immer auf den Mehrwert der adaptiven Software (Fragestellung 1) oder erweiterter Versionen (Fragestellung 2) im Vergleich zu ähnlichen Angeboten. Das heißt, auch in der Vergleichsbedingung erhalten SchülerInnen Aufgaben zur Förderung ihres Verständnisses bzw. einfachere Formen der Unterstützung. Zum anderen erfassen die meisten Studien den tatsächlichen Lernfortschritt der SchülerInnen indem sie den Lernstand nach der Intervention mit dem Lernstand vor der Intervention vergleichen (Prä-Post-Studien). Wie die Moderatoranalysen im Hinblick auf das Vorwissen und die Komplexität der Aufgaben gezeigt haben, können die Effekte adaptiver Software unter bestimmten Bedingungen noch größer ausfallen.

Wie differenziert sind die Ergebnisse dargestellt?

Die Effekte werden differenziert nach Fachbereichen (Mathematik, Naturwissenschaften, Sprachen) und nach Altersstufen (6.-8. Klasse und 9.-12. Klasse) dargestellt. Auch um die Lernleistung zu ermitteln, werden unterschiedliche Maße herangezogen: Unterschieden wird, ob Schülerlnnen korrekt aus verschiedenen Optionen auswählen können (Selektionsaufgaben), ob sie selbst korrekte Problemlösungen durchführen oder eigene Antworten mit korrektem Aufbau erstellen können (generative Aufgaben). Für keine dieser Differenzierungen ergeben sich bedeutsame Unterschiede. 

Wie verallgemeinerbar sind die Befunde?

In beiden Analysen zeigt sich, dass sich die Effektstärken der verschiedenen Studien durchaus unterscheiden. Jedoch zeigen die meisten Moderatoren, die als Erklärung für diese Unterschiede getestet werden, keine signifikanten Effekte (Ausnahme: Vorwissen). Auch wenn dies auf den ersten Blick für eine hohe Generalisierbarkeit spricht, stehen den einzelnen Moderatorentests jeweils nur eine geringe Anzahl an Studien zur Verfügung. Aufgrund der wenigen Einzelvergleiche sind diese Ergebnisse als vorläufig zu sehen und nur eingeschränkt belastbar, da neue Studien diese Trends verändern könnten.

Zukünftige Forschung sollte dementsprechend den Einfluss von Moderatorvariablen weiter prüfen, um belastbarere Ergebnisse in Bezug auf den Einfluss der hier getesteten und gegebenenfalls auch weiterer Moderatorvariablen zu generieren: So ist z.B. auch denkbar, dass sich die Effekte unterscheiden – je nachdem, in welcher Weise die Lernsoftware in den Unterricht eingebettet wird, in welchem kulturellen Kontext die Studie durchgeführt wurde und ob dabei längerfristig Unterschiede gemessen wurden (nachhaltiges Lernen).

Was macht die Metaanalyse wissenschaftlich relevant?

Wissenschaftlich bedeutsam ist diese Metaanalyse, da sie eine spezielle Form der Lernsoftware erstmals exklusiv bei SchülerInnen der Sekundarstufe untersucht. Sie kombiniert dabei Analysen, die einerseits den Mehrwert adaptiver Lernsoftware gegenüber Unterricht ohne solche Software ermitteln, mit Analysen, die die Effektivität bestimmter Erweiterungen der Lernsoftware bestimmen. Dies lässt differenzierte Aussagen zum Forschungsstand und zu weiterführenden Forschungsfragen zu.

Wie methodisch verlässlich sind die Befunde?

Die Transparenz und Begründung des methodischen Vorgehens entspricht teilweise den Kriterien gängiger Anforderungskataloge (z.B. APA Meta-Analysis Reporting Standards). Zwar erfüllen die Angaben zur Suche und Analyse der Primärstudien weitgehend alle Ansprüche, jedoch fehlen Informationen, die die Auswahl und vor allem die genaue Kodierung der Primärstudien betreffen. Genauere Informationen zur Beurteilung des methodischen Vorgehens finden Sie in unserem Rating Sheet.

Fazit für die Unterrichtspraxis

SchülerInnen der Sekundarstufe unterscheiden sich in vielfältiger Weise voneinander und benötigen deshalb auch unterschiedliche Unterstützung, um gute Lernergebnisse zu erzielen. Optimale individualisierte Unterstützung können Lehrkräfte im täglichen Unterricht kaum leisten. Die vorliegende Metaanalyse – deren Studien alle im Schulkontext durchgeführt wurden – zeigt, dass adaptive Lernsoftware diese Funktion effektiv übernehmen und Lehrkräfte bei ihrer Arbeit entlasten kann. Gerade SchülerInnen mit geringem Vorwissen, die mehr Unterstützung brauchen, können von adaptiver Lernsoftware profitieren. Zudem zahlt sich der Einsatz solcher Software vor allem bei komplexeren Aufgaben aus; sie fördern das tiefere Verständnis von Sachverhalten besonders.

Ob nun die Unterstützung von der Lehrkraft oder von der Software kommt, muss kein »entweder-oder« sein. Vielmehr erhält die Lehrkraft durch die Software mehr Freiraum, um sich um einzelne SchüIerInnen kümmern zu können, während die MitschülerInnen parallel weiterarbeiten können.

Studienbeispiel

Einen besonders großen Effekt (d = 1.43) erzielt die adaptive Lernsoftware „Betty’s Brain“ in der Studie von Leelawong & Biswas (2008). Die Software verfolgt den Ansatz, dass SchülerInnen durch Lehren lernen. Für die Studie hatten SchülerInnen die Aufgabe, der Cartoonfigur „Betty“ mithilfe von Concept Maps grundlegende Zusammenhänge über das Ökosystem von Flüssen beizubringen. Für die Concept Maps müssen die SchülerInnen eigenständig notwendige Informationen über ökologische Zusammenhänge recherchieren.

Wenn sie danach ihre Ergebnisse in eine Concept Map übersetzen, gibt die Software dazu inhaltliche Rückmeldungen. Um sicherzustellen, dass Betty (und dadurch auch sie selbst) die Zusammenhänge richtig verstanden hat, müssen die SchülerInnen Betty regelmäßig testen. Wenn sich Betty schlecht vorbereitet fühlt oder im Test schlecht abschneidet, gibt sie klare Tipps, wie man sie besser unterstützen kann und fordert diese Unterstützung lautstark ein (Impulse zum Self-Monitoring).

In der Studie arbeiteten 15 SchülerInnen der fünften Jahrgangsstufe fünf Unterrichtsstunden lang mit dieser erweiterten Version adaptiver Lernsoftware. Es zeigten sich große Zuwächse im Wissen der SchülerInnen, die dieses Wissen und erworbene Strategien des Self-Monitorings auch auf neue Problemstellungen übertragen konnten. SchülerInnen zweier Kontrollgruppen, die ohne Self-Monitoring-Elemente arbeiteten bzw. nicht in der Rolle der Lehrenden waren, verzeichneten zwar ebenfalls Lernzuwächse – jedoch in geringerem Umfang. Insgesamt demonstriert die kleine Studie die Effektivität von adaptiver Lernsoftware und liefert Hinweise auf effektive Features wie den „Lernen durch Lehren“ Ansatz und erweiterte Features anhand des Self-Monitorings.

Referenzen und Links

Podcast

Downloads

Einleitung

Concept Maps visualisieren Begriffe und Zusammenhänge zu einem Thema oder Themengebiet in Form eines Netzes. Während die Knoten des Netzes wichtige Begriffe oder Inhalte darstellen, zeigen die Verbindungslinien oder Pfeile deren Beziehung bzw. Zusammenhänge an (siehe Abb. 1). Die Lehr-Lernforschung nimmt an, dass die Arbeit mit Concept Maps ein tieferes Verständnis von Inhalten und Zusammenhängen fördert – unabhängig davon, ob Lernende die Concept Maps selbst erstellen, oder ob sie mit vorgefertigten Maps arbeiten. Gleichzeitig können Concept Maps helfen, Lernen aktiv zu gestalten: Sie animieren Lernende dazu, sich neue Inhaltsgebiete mit Schwerpunkt auf ihre Grundstrukturen zu erarbeiten und neue Informationen mit bestehendem Wissen zu verbinden.

Seit den 1970er Jahren werden daher Concept Maps strategisch zum Lernen und Lehren eingesetzt. Kontinuierlich entstehen neue Studien, die zunehmend auch interaktive (digitale) Formen dieser Lehrstrategie testen. Die Metaanalyse analysiert sämtliche Studien, die seit den ersten Einsätzen der Methode erschienen sind und vergleicht das Arbeiten mit Concept Maps mit weiteren Lernaktivitäten, um zu ermitteln, wie wirksam sie sind und unter welchen Umständen sich der Einsatz von Concept Maps lohnt.

Abbildung 1. Eine Concept Map erklärt mit den Mitteln einer Concept Map.

Worum geht es in dieser Studie?

Auf Basis von Studien im Zeitraum von 1972 bis 2014 untersucht die Metaanalyse, wie effektiv der Einsatz von Concept Maps für den Lernerfolg ist. Als Maß für Lernerfolg dienen den Autoren die in den Primärstudien durchgeführten Wissenstests.

Bei der Auswahl der Studien konzentrieren sich die Autoren ausschließlich auf experimentelle Studien, die Lernaktivitäten mit Concept Maps mit unterschiedlichen Lernaktivitäten ohne Concept Maps vergleichen. Die Metaanalyse lässt nur Studiendesigns zu, die gewährleisten, dass sich die Studienteilnehmer in den unterschiedlichen Untersuchungsbedingungen nicht bereits vor den Lerneinheiten systematisch unterscheiden.

Insgesamt können die Autoren auf 63 Studien mit 142 unabhängigen Effektstärken zurückgreifen. Ein großer Teil der Studien stammt aus den MINT-Fächern (78 %) und aus der Sekundarstufe (41 %). Zusätzlich ermitteln die Autoren im Rahmen von Moderatoranalysen, wie sehr die Effektivität von verschiedenen Faktoren beeinflusst wird. Die Moderatorvariablen sind in Tabelle 1 dargestellt und beschrieben.

Tabelle 1. Moderatorvariablen und deren Beschreibung.

Was findet diese Studie heraus?

Die Metaanalyse ergab einen positiven Gesamteffekt mittlerer Größe (g = 0.58). Damit schneiden die Lernenden, die mit Concept Maps lernten, insgesamt besser ab als die Vergleichsgruppe. Ein sogenannter Heterogenitätstest zeigt, dass sich die Effektstärken zwischen den Primärstudien bedeutsam unterscheiden. Die Moderatoranalysen zeigen, inwiefern die oben beschriebenen Moderatorvariablen diese Unterschiede aufklären können: Concept Maps wirken sich sowohl in MINT-Fächern als auch in Nicht-MINT-Fächern positiv auf den Lernerfolg aus – hier besteht kein signifikanter Unterschied. Auch die Art der Concept Map und die Unterscheidung zwischen individuellem Lernen oder Gruppenarbeit hatten keinen Einfluss auf den Lernerfolg.

Signifikante Befunde zeigen sich aber im Hinblick auf die Einsatzform und die jeweilige Vergleichsaktivität: Der Vergleich mit ähnlichen Lernaktivitäten wie der Arbeit mit Kurzzusammenfassungen, Listen und Texten ergibt geringere Effekte (0.29 < g < 0.48) als der Vergleich mit Vorlesungen/Diskussionen (g = 1.05). Und wenn Lernende Maps selbst erstellen, zeigen sich im Durchschnitt höhere Effekte (g = 0.72), als wenn sie mit bereits bestehenden Maps arbeiten (g = 0.43).

Während das Erstellen von Maps in allen Altersgruppen gleich effektiv ist, zeigt sich, dass die Arbeit mit bestehenden Maps in der Sekundarstufe effektiver ist (Jahrgangsstufe 4-8: g = 0.82: Jahrgangsstufe 9-12: 1.24) als bei Studierenden (g = 0.32). Eine kürzere Einsatzdauer (unter einer Woche) geht mit kleineren Effekten (g = 0.36) einher, als wenn die Maps mehr als eine oder mehr als vier Wochen eingesetzt wurden (g = 0.68/0.72).

Die Effektstärken unterscheiden sich zudem nach den Ländern, in denen die Studien durchgeführt wurden: Mittlere bis große Effektstärken erzielt die Arbeit mit Maps in Asien, Europa und im Mittleren Osten (0.46 < g < 1.04) und kleine bis mittlere Effektstärken in den USA und in Kanada (g = 0.25/0.49). Eine Übersicht über sämtliche Einzelbefunde ist im Begleitmaterial verfügbar.

Wie bewertet das Clearing House Unterricht diese Studie?

Die Clearing House Unterricht Research Group bewertet die Metaanalyse anhand der folgenden fünf Fragen und orientiert sich dabei an den Abelson-Kriterien (1995):

Wie substanziell sind die Effekte?

Der mittelgroße Gesamteffekt (nach Cohen) von g = 0.58 zeigt, dass das Lernen mit Concept Maps im Schnitt effektiver ist als die untersuchten alternativen Lernaktivitäten. Diese Effektstärke lässt sich folgendermaßen veranschaulichen: Wenn 100 Personen mit Concept Maps lernen, erzielen ca. 20 davon ein besseres Lernergebnis, als wenn sie mit Alternativen lernen.

Das Design der ausgewählten Studien gewährleistet, dass die gemessenen Veränderungen auch tatsächlich auf den unterschiedlichen Lernbedingungen beruhen, da sie unterschiedliche Voraussetzungen von Lernenden berücksichtigen. Der positive Effekt ist auch gegenüber vergleichbaren Lernaktivitäten wie dem Lernen mit Texten oder Zusammenfassungen und Listen relativ robust und zeigt sich nicht nur gegenüber lehrerzentrierten Formaten.

Ein für die Einordnung der Befunde wesentlicher Aspekt wird allerdings nicht beleuchtet: Es bleibt unklar, wie die Lerneffekte im Detail gemessen wurden. Aus bisheriger Forschung (Cheung & Slavin, 2016; Slavin & Madden, 2011) ist jedoch bekannt, dass es eine bedeutende Rolle spielen kann, ob standardisierte oder nicht standardisierte Tests verwendet wurden. Da hier nähere Informationen fehlen, ist zum Beispiel nicht auszuschließen, dass durch den Einsatz von nicht-standardisierten Messverfahren die Interventionsgruppe begünstigt wurde und Effekte damit tendenziell überschätzt sind.

Wie differenziert sind die Ergebnisse dargestellt?

Die Metaanalyse geht in Bezug auf Schulfächer und Jahrgangstufen differenziert vor und zeigt, dass zwischen großen Fächerkategorien (MINT vs. Nicht-MINT) keine Unterschiede bestehen und sich die Effekte im Bereich der Jahrgangstufen nur dann bedeutsam unterscheiden, wenn mit bereits vorgegebenen Concept Maps gearbeitet wird. In Bezug auf das Erfolgskriterium geben die Autoren zwar an, dass sie bei der Suche auch Studien zugelassen haben, die Effekte auf Einstellungen, Interesse, Transfer etc. berücksichtigen. Die Effektstärken, die anschließend in die Analysen eingehen, beziehen sich jedoch ausschließlich auf den Wissenserwerb.

Wie verallgemeinerbar sind die Befunde?

Die Autoren testen eine Reihe wichtiger Moderatorvariablen, um zu sehen, inwiefern der Gesamteffekt für unterschiedliche Bedingungen generalisierbar ist. Es zeigt sich – wie oben im Detail dargestellt –, dass der Gesamteffekt zum Teil eine gute Orientierung bietet, was etwa für die unterschiedlichen Fachbereiche oder unterschiedliche Arten von Concept Maps gilt. Geht es um Bedingungen wie die Jahrgangstufe der Lernenden oder die Einsatzdauer, so unterscheiden sich die Befunde bedeutsam und die spezifischen Werte für die einzelnen Moderatorstufen (z. B. Hochschulbereich oder Sekundarstufe) stellen einen zuverlässigeren Orientierungswert dar als der Gesamteffekt.

Die Metaanalyse beleuchtet darüber hinaus auch größere kontextuelle Bedingungen wie Länderkontexte. Auch wenn hier ein Großteil der Studien in den USA oder in Kanada durchgeführt wurde, liefert die Metaanalyse erste Anhaltspunkte dafür, dass die Methode nicht in allen Ländern gleich effektiv eingesetzt wird.

Was macht die Metaanalyse wissenschaftlich relevant?

Die vorliegende Metaanalyse ist insofern bedeutsam, als sie ein notwendiges Update zu einer früheren Analyse aus dem Jahr 2006 darstellt (siehe Nesbit und Adesope, 2006). In der Zwischenzeit sind zahlreiche Primärstudien erschienen, die weitere Einsatzkontexte und Merkmale von Concept Maps (z.B. animierte Maps) sowie unterschiedliche Vergleichsbedingungen untersuchen. Somit kann die aktuelle Analyse über die 67 Effektstärken der damaligen Analyse hinaus noch 75 weitere Effektstärken hinzunehmen, sodass insgesamt 142 unabhängige Effektstärken in die Metaanalyse einfließen.

Darüber hinaus vermag die Metaanalyse jedoch keinen – z.B. theoriebezogenen – Beitrag liefern, da in den vorliegenden Primärstudien kaum theoretische Annahmen gezielt überprüft wurden. Die Autoren unterbreiten deshalb konkrete Vorschläge, wie eine solche Überprüfung künftig umgesetzt werden kann.

Wie methodisch verlässlich sind die Befunde?

Die Offenlegung und Begründung des methodischen Vorgehens entspricht weitgehend den Kriterien gängiger Anforderungskataloge (z.B. APA Meta-Analysis Reporting Standards). Einzelne Schritte des Erstellungsprozesses wie die Recherche relevanter Primärstudien und die Studienauswahl entsprechen diesen Kriterien in vollem Umfang. Bei den Angaben zur Nachvollziehbarkeit der Kodierung und den statistischen Analysen hätten einige Entscheidungen noch präziser dargestellt und transparent gemacht werden können. Eine detaillierte Beurteilung finden Sie in unserem Rating Sheet.

Fazit für die Unterrichtspraxis

Lernen aktiv zu gestalten, heißt Lernende zum Nachdenken über Inhalte, Strukturen und Zusammenhänge zu animieren. Sie sollen also kognitiv elaborieren, anstatt Lerninhalte bloß zu memorieren. Concept Maps stellen eine ganz konkrete Möglichkeit dar, diese kognitiven Prozesse gezielt zu unterstützen und Lernenden dabei zu helfen, sich auf die wesentlichen Grundstrukturen von Lerninhalten zu konzentrieren.

Auch wenn diese Metaanalyse derartige Prozesse nicht im Detail untersucht, so unterstreichen die Befunde aus über 40 Jahren Forschung die Effektivität von Concept Maps. Sie zeigen, dass es sich durchaus lohnen kann, Lernaktivitäten mit Concept Maps ab und zu anstelle eines Lehrervortrags oder der Arbeit mit Texten und Zusammenfassungen in den Unterricht aufzunehmen.

Dies gilt unabhängig von den MINT-Fächern und kann gerade in der Sekundarstufe zu guten Lernergebnissen führen. Die Befunde zeigen auch, dass es sich auszahlt, wenn dafür etwas mehr Zeit zur Verfügung steht und Lernende mehr als eine Woche mit ihren Concept Maps arbeiten können.

Studienbeispiel

Die in Deutschland durchgeführte Studie von Haugwitz, Nesbit und Sandmann (2010) vergleicht zwei alternative Lehrstrategien: den Einsatz von Concept Maps und das Schreiben kurzer Essays. Beide Alternativen animierten SchülerInnen aktiv zu lernen und in Kleingruppen Zusammenfassungen von Informationen zu erstellen.

Die Studie wurde im Biologieunterricht zum Thema „Herz und Kreislaufsystem“ mit 248 SchülerInnen aus sieben Gymnasien durchgeführt. Die SchülerInnen konnten sich frei zu kleinen Lerngruppen von drei bis fünf SchülerInnen zusammenschließen und wurden dann per Zufall einer der beiden Alternativen zugeordnet.

In fünf Lernsessions erarbeiteten sich die Schülerinnen die Inhalte mit verschiedenen Lernmaterialien und fassten sie entweder in Concept Maps oder in kurzen Essays zusammen. Zentrale Begriffe waren dabei vorgegeben, die Zusammenhänge mussten sich die Gruppen selbst erschließen. Die Sessions schlossen jeweils mit einem kurzen Wissenstest zu den Inhalten des Tages. Die SchülerInnen der Concept Map-Bedingung erhielten vor Beginn noch ein kurzes Training zum Erstellen von Concept Maps (15 min).

Die Ergebnisse zeigen, dass SchülerInnen in der Concept Map-Bedingung deutlich mehr Verbindungen zwischen den verschiedenen Lerninhalten herstellten und höhere Leistungen in den nachfolgenden Wissenstests erzielten als in der Kontrollbedingung, d.h. bei SchülerInnen, die Essays verfassten. Die Studie zeigt auch, dass insbesondere SchülerInnen mit geringen Fähigkeiten vom Erstellen der Concept Maps profitieren, selbst wenn sie mit anderen leistungsschwachen SchülerInnen zusammenarbeiteten.

Referenzen und Links

Podcast

Downloads