Die Lernregel, die der Versuchsaufbau erfunden hatte

Lernen gilt oft als abgeschlossen, sobald jemand die richtige Antwort auf eine Frage produzieren kann. Wer ein Wortpaar einmal richtig abgerufen hat, soll es nach verbreiteter Überzeugung aus dem weiteren Üben streichen und seine Kraft auf das noch nicht Gekonnte richten. Ob dieser Rat trägt, prüften Karpicke und Roediger 2008 in einem Experiment, dessen Ergebnisse als einflussreich gelten.

Das Material war denkbar schlicht. Alle Teilnehmenden begannen damit, eine Liste von 40 Suaheli-Englisch-Wortpaaren zu lernen. Ein Wortpaar ist nichts weiter als eine Vokabel samt ihrer Übersetzung, etwa mashua und boat. Gelernt wurde in Lern-Test-Zyklen. Dahinter steckt das Standardverfahren der Gedächtnisforschung, bei dem den Versuchspersonen das Material in einer Lernphase vorgelegt und in einer anschließenden Testphase abgefragt wird. Genau diesem Standardablauf aus wiederholten Lern- und Testdurchgängen folgte auch dieser Versuch. Vier solcher Lern-Test-Zyklen durchliefen die Teilnehmenden. Die erste Lernrunde und die erste Abfrage liefen dabei für alle Gruppen gleich ab.

Erst danach trennten sich die Wege. Sobald ein Wortpaar zum ersten Mal richtig abgerufen war, wurde es je nach Gruppe weiter gelernt, aber nicht mehr abgefragt, weiter abgefragt, aber nicht mehr gelernt, oder ganz aus dem Verkehr gezogen. In der Standardgruppe dagegen blieb die gesamte Liste bis zum Schluss in jeder Lern- und jeder Testrunde. Die Gruppe, die einmal gekonnte Paare ganz fallen ließ, verkörperte genau das, was der verbreitete Rat und viele Lehrende Lernenden nahelegen. Etwas so lange lernen, bis man es abrufen kann, und es dann aus dem weiteren Üben nehmen.

Am Ende der Lernphase sollten alle schätzen, wie viele Paare sie in einer Woche in einem Abschlusstest noch abrufen würden. Dann wurden sie entlassen und kehrten eine Woche später für diesen Abschlusstest zurück. Bis dahin sah es nach vier gleichwertigen Wegen aus. Die Leistung war am Ende der Lernphase nahezu perfekt. Fast alle Teilnehmenden hatten sämtliche 40 englischen Zielwörter abgerufen. Und vor allem unterschieden sich die Lernkurven der vier Bedingungen nicht.

Auch in dem, was die Teilnehmenden sich selbst zutrauten, lagen die vier Gruppen gleichauf. Damit war die Ausgangslage vor dem Abschlusstest so aufgeräumt, wie man es sich nur wünschen kann.

Manche Lernfrage sieht so aus, als wäre sie längst beantwortet: Was soll man mit einer Vokabel tun, die man schon beherrscht? Die naheliegende Antwort lautet, sie beiseitezulegen und die Zeit in das zu stecken, was noch hakt. Genau dieses Fallenlassen bereits gekonnter Inhalte wird in vielen populären Lernratgebern ausdrücklich empfohlen. Ein Experiment hat diese Selbstverständlichkeit geprüft: Studierende lernten eine Liste von 40 Suaheli-Englisch-Wortpaaren, und erst wenn ein Paar einmal richtig erinnert worden war, wurde es in den vier Bedingungen unterschiedlich behandelt.

Der entscheidende Test folgte eine Woche später. In den Bedingungen mit wiederholtem Abrufen erinnerten die Studierenden im Abschlusstest rund 80 Prozent der Paare; wo die gekonnten Paare aus dem Abfragen genommen worden waren, waren es 36 und 33 Prozent. Wiederholtes Lernen nach einem einmal gelungenen Abruf brachte keinen messbaren Lernzuwachs. Fasst man die Bedingungen paarweise zusammen, steigerte wiederholtes Abrufen den Abruf im Abschlusstest um vier Standardabweichungen.

Diese Maßzahl bleibt abstrakt, solange man nicht danebenlegt, wie sich die einzelnen Ergebnisse verteilten: Die Verteilungen der Ergebnisse beider Gruppen überschnitten sich nicht. In den Bedingungen, in denen gekonnte Paare aus dem Test fielen, reichte der Abruf von 10 bis 60 Prozent, in den wiederholt getesteten von 63 bis 95 Prozent — der beste Wert der einen Gruppe blieb also unter dem schlechtesten der anderen.

Der eigentlich beunruhigende Teil des Befundes steckt aber nicht in den Prozentzahlen. Die Lernenden zeigten kein Bewusstsein für die Gedächtniswirkung des Abrufens. Sie sagten nicht vorher, dass sie mehr erinnern würden, wenn sie die Liste wiederholt abgerufen hätten. Ihre Vorhersagen über die eigene Leistung hingen nicht mit der tatsächlich erbrachten Leistung zusammen. Selbst Studierende an Universitäten schienen von dieser Tatsache nichts zu wissen.

Für die Autoren war der Schluss entsprechend eindeutig. Ihre Untersuchung, schreiben sie, zeige die kraftvolle Wirkung des Testens auf das Lernen. Die in der Bildung verbreitete und in vielen Lernratgebern ausgedrückte Alltagsweisheit sei damit falsch. Die Vergessensrate war nicht notwendig durch die Lerngeschwindigkeit bestimmt, sondern stark durch die Art der Übung.

Bevor man einem Lernbefund glaubt, lohnt eine schlichte Frage: Wie war der Versuch eigentlich gebaut? Sie klingt nach Kleingedrucktem — und führt doch mitten in die Sache.

Die Gedächtnisforschung kennt dazu eine Mahnung: Man muss sich um Unterschiede in der Schwierigkeit einzelner Lernitems sorgen, die sich mit der Schwierigkeit der Bedingung vermengen. Findet man zwischen zwei Lernbedingungen einen Unterschied im späteren Behalten, kann dieser Unterschied schlicht Unterschiede in der Schwierigkeit der Items widerspiegeln. Nicht die Methode wäre dann die bessere gewesen, sondern der Stoff der leichtere.

Genau an diesem Punkt trennen sich zwei Bauweisen. Der Verdacht, dem die Überprüfung nachging, war, dass das Ausbleiben eines Nutzens des Wiederholens den Abstandsunterschieden zwischen den Items im Gruppendesign zuzuschreiben sein könnte. Der erste der beiden Versuche war eine direkte Replikation des ursprünglichen Experiments und übernahm dessen Bauweise: In Experiment 1 wurde ein Between-Subjects-Design verwendet. Jeder der vier Lernbedingungen wurde eine eigene Gruppe von sechzehn Personen zugewiesen. Das ist der Gruppenvergleich: Wer in der einen Bedingung lernte, kam in den drei anderen nicht vor. Was unterscheidet diese vier Gruppen dann noch außer der Bedingung, die man prüfen wollte?

In Experiment 2 glichen Design, Material und Ablauf dem ersten Versuch, nur wurde die Lernbedingung diesmal innerhalb der Personen variiert. Die vierzig Wortpaare wurden gleichmäßig aufgeteilt, und jeder Itemtyp wurde von jeder Versuchsperson erlebt. Das ist der Selbstvergleich: Dieselbe Person durchlief alle vier Bedingungen und wurde mit sich selbst verglichen.

Der Umbau war kein Selbstzweck. Mit dem Within-Subjects-Design ließ sich besser kontrollieren, wie viel vor den Lernphasen getestet worden war. Weil die vier Itemtypen innerhalb jeder Lernphase gemischt waren, fiel die Menge des Testens vor dem Lernen für die vier Itemtypen ähnlich aus. Der Abstand, den die Testphasen erzeugten, begünstigte damit keinen Itemtyp gegenüber einem anderen. Damit hängt am Bauplan mehr, als er auf den ersten Blick verspricht.

Wenn zwei Gruppen am Ende unterschiedlich gut abschneiden, liegt der Verdacht nahe, dass es an genau der Sache lag, die der Versuch verändern wollte. Soderstrom, Kerr und Bjork sahen sich die Anordnung von 2008 aber noch einmal daraufhin an, was dort sonst noch mitgelaufen sein könnte — und wurden fündig: Die auffälligen Unterschiede könnten auch daher rühren, dass jede Bedingung von einer eigenen Gruppe von Versuchspersonen bearbeitet wurde.

Dafür muss man wissen, was in diesem Aufbau ein Testdurchgang ist. Gelernt wurden 40 Swahili-Englisch-Wortpaare. Sie kamen über vier Lern-Test-Zyklen hinweg dran, also über acht abwechselnde Lern- und Testphasen. In einer Testphase erschien jedes Swahili-Wort einzeln für acht Sekunden auf dem Bildschirm, und die Versuchsperson tippte in dieser Zeit die englische Übersetzung ein; ein einzelner solcher Abrufversuch ist ein Testdurchgang. Wie viele Testdurchgänge eine Testphase umfasste, hing also daran, wie viele Paare überhaupt noch auf der Liste standen.

Genau hier trennten sich die Bedingungen. In der Standardbedingung wurde weiter über die gesamte Liste gelernt und abgefragt, in anderen fielen einmal richtig erinnerte Paare aus dem weiteren Testen heraus. In den beiden Bedingungen, die am Ende die höchste Erinnerungsleistung brachten, gingen nach der ersten Lernphase allen folgenden Lernphasen stets 40 Testdurchgänge voraus. In den beiden anderen nahm die Menge des Testens, die einer Lernphase vorausging, über die Zyklen hinweg deutlich ab.

Für sich genommen klingt das nach Buchhaltung. Es ist aber die Stelle, an der die Deutung kippt. Fachleute nennen den Abstand zwischen wiederholten Lerngelegenheiten spacing, und eine umfangreiche Literatur dazu spricht dafür, dass verteiltes Wiederholen das Lernen stärker fördert als geballtes. Zwischen den Bedingungen unterschieden sich die Abstände zwischen den Lernphasen aber klar. Damit passen auf dieselben Daten zwei Erklärungen: Das wiederholte Abrufen wirkt selbst — oder die ungleichen Abstände zwischen den Lernphasen haben dazu beigetragen, dass die Lerndurchgänge so wirkungslos aussahen.

Und dieses Ungleichgewicht ist nicht erst in der Nachprüfung entstanden: Genauso verhielt es sich mit den Abständen im Versuch von Karpicke und Roediger. Dort war die kumulative Lernleistung in allen vier Bedingungen identisch, während die Gesamtzahl der Durchgänge weit auseinanderging. Die Standardbedingung kam auf die meisten Durchgänge, nämlich 320. Am wenigsten waren es dort, wo gekonnte Paare ganz aus dem Training fielen: im Schnitt 154,8. Genau daran setzten die Autoren an: Wenn solche Abstände für den Nutzen des wiederholten Lernens wichtig sind, muss sich das an einem anders gebauten Versuch zeigen lassen.

Wenn zwei Bauweisen desselben Versuchs zu verschiedenen Antworten führen können, dann hilft nur eines: beide bauen und nachsehen. Genau das taten die Forschenden, und sie formulierten dazu eine Erwartung. Läge es tatsächlich an den Abständen, so ihre Überlegung, dann sollte wiederholtes Lernen im Gruppendesign kaum einen Nutzen bringen. Im Selbstvergleich dagegen sollte es deutliche Vorteile bringen.

Experiment 1 war der Nachbau des Originals, gebaut als Versuch mit dem Gruppendesign. Die Teilnehmenden lernten 40 Swahili-englische Wortpaare. Am Ende stand dasselbe Bild wie 2008: Wiederholtes Testen, nicht wiederholtes Lernen, erschien als die entscheidende Zutat für das Lernen. Das Muster von Karpicke und Roediger war damit repliziert. Dieser Zwischenstand verdient einen Moment Aufmerksamkeit. Der Befund war nicht verschwunden, er kam unverändert wieder heraus, als direkte Replikation des Experiments von 2008.

Experiment 2 stellte dieselbe Frage im Selbstvergleich, indem die Lernbedingungen innerhalb jeder Person variiert wurden. Weil die vier Itemtypen innerhalb jeder Lernphase gemischt waren, fiel vor den Lernphasen für alle Typen ähnlich viel Testen an. Die Abstände, die durch die Testphasen entstanden, bevorzugten damit keinen Itemtyp mehr.

Und damit änderte sich das Ergebnis. Das wiederholte Testen blieb wirksam für das langfristige Behalten. Doch nun wirkte auch das wiederholte Lernen: Wortpaare, die weiter gelernt, aber nicht weiter getestet wurden, wurden besser erinnert als jene, bei denen beides entfiel. Wiederholtes Lernen half also dort, wo nicht ohnehin wiederholt getestet wurde. Wo zusätzlich weiter getestet wurde, brachte es keinen zusätzlichen Gewinn.

Was sich damit als Artefakt zu erkennen gab, war nicht der Testeffekt, sondern die scheinbare Wirkungslosigkeit des Wiederholens. Sie ließ sich zumindest teilweise auf die Abstandsunterschiede zwischen den Lernphasen zurückführen, die im Gruppendesign von Karpicke und Roediger angelegt waren. Das ist ein feiner Unterschied, und genau an ihm hängt, was man aus dem Befund für das eigene Lernen mitnimmt.

Eine bessere Versuchsanordnung beantwortet die Frage, die sie stellt — größer macht sie die Frage nicht. Bevor man aus einem Laborbefund einen Rat für das eigene Lernen ableitet, lohnt deshalb der nüchterne Blick darauf, was in diesem Labor überhaupt stattgefunden hat. Die folgenden Angaben sind keine Einwände, sondern schlicht der Versuchsaufbau — die Einordnung steuert dieser Artikel bei.

Da ist zuerst die Zahl der Beteiligten. Am ersten Experiment nahmen 64 Studierende teil, am zweiten 36. Beide Male waren es Undergraduates der University of California, Los Angeles, die für eine Teilanrechnung auf ihren Kurs mitmachten.

Dann der Lernstoff. Gelernt wurden 40 Suaheli-Englisch-Wortpaare, und auch im zweiten Experiment waren es dieselben 40 Paare, nur gleichmäßig auf die Bedingungen verteilt. Auf dem Bildschirm erschien ein Suaheli-Wort, die englische Übersetzung sollte eingetippt werden, und eine Rückmeldung, ob sie stimmte, gab es in den Testdurchgängen nicht. Vorgeführt wurde dabei ein Paar nach dem anderen, jedes für fünf Sekunden. Im natürlichen Sprachgebrauch stützen sich Wörter, die im Zusammenhang eines Satzes gelernt werden, gegenseitig. Wörter außerhalb jedes Zusammenhangs abzurufen gilt dagegen als sehr künstliche und deutlich schwerere Aufgabe.

Und schließlich die Zeit. Die Teilnehmenden kamen nach einer Woche für den Abschlusstest zurück. Damit steht diese Anordnung nicht allein, denn viele Studien führten einen Retentionstest nach einem Zeitraum von einer Woche durch. Nur müssen Inhalte in der Realität länger als eine Woche behalten werden; angeraten wurde deshalb, den Retentionstest nach mehreren Monaten durchzuführen.

Nichts davon ist ein Vorwurf an die Forschenden. Ein Laborversuch muss Bedingungen festlegen, sonst vergleicht er am Ende nichts. Aber jede Festlegung verschiebt, was aus dem Ergebnis folgt: Gezeigt ist, was unter genau diesen Bedingungen geschehen ist. Ob dasselbe für Vorlesungsstoff gilt, der über Monate sitzen soll, ist damit nicht gemessen. Das wäre eine Übertragung — vielleicht eine plausible, aber eben eine, für die dieser Versuch nicht der Beleg ist.

Was von dieser Überprüfung bleibt, ist weniger ein Tipp fürs Lernen als eine Einsicht über das Forschen selbst. Wer wissen will, wie das Gedächtnis arbeitet, muss dafür einen Versuch bauen, und welche Art von Anordnung man zur Untersuchung von Gedächtnisphänomenen wählt, ist dabei keine Formsache.

Warum das so ist, lässt sich am eigenen Fall dieser Arbeit besichtigen. Ihre Befunde zeigen etwas über Between-Subjects-Designs im Allgemeinen, also über jene Bauform, bei der einer eigenen Gruppe von Versuchspersonen jeweils nur eine der Bedingungen zugewiesen wird. Schon vor Jahrzehnten lautete der Rat, den die Autoren aus der älteren Literatur aufgreifen, dass Forschende ein Gedächtnisphänomen mit beiden Bauformen untersuchen sollten, mit der Gruppen- und mit der Selbstvergleichsvariante.

Handfest wird dieser Unterschied genau dort, wo der Befund von 2008 am schärfsten ausfiel: Dort zeigte sich ein auffälliges Ausbleiben jedes Nutzens von wiederholtem Lernen, sobald ein Wortpaar einmal erinnert werden konnte. In der Überprüfung dagegen erwies sich das erneute Lernen bereits erinnerter Inhalte als alles andere als nutzlos. Richtig verteilt, so die Autoren, können Gelegenheiten zum Wiederlernen das Lernen sogar verbessern.

Zitiert wird die Arbeit jedenfalls: Der Titel, The critical importance of retrieval – and spacing – for learning, steht im Literaturverzeichnis einer anderen Fachpublikation, dort als Eintrag 20 zwischen einer Arbeit von 2021 und einer von 2022.

Die Arbeit selbst handelt davon, wie zwei wichtige Faktoren des Lernens zusammenwirken: der durch Tests ausgelöste Abruf und der zeitliche Abstand. Bleibt zum Schluss der Blick aus dem Labor heraus. Anki ist ein quelloffenes Karteikartenprogramm, das auf verteilter Wiederholung beruht. Unter den befragten Medizinstudierenden des ersten Studienjahres zählten sich die meisten zu seinen Nutzern. Solche Apps fragen Inhalte ab und berechnen dabei zugleich den optimalen Zeitpunkt für die nächste Wiederholung. Wer eine Karte sicher weiß, bekommt sie erst in ein paar Tagen wieder vorgelegt.

Genau die beiden Größen also, die das Paper mühsam auseinanderhalten musste, fallen hier in einen einzigen Handgriff zusammen. Das ist eine hübsche Pointe, aber sie illustriert die Lehre, sie ersetzt sie nicht. Und wenn aus alldem eine praktische Folgerung zu ziehen ist, dann eine bescheidene: Wer auf langfristiges Behalten aus ist, sollte damit rechnen, dass die Leistung während des Lernens ein unzuverlässiger Anzeiger für das tatsächliche Lernen sein kann. Wie gut etwas sitzt, entscheidet sich nicht im Moment des Übens, und wie belastbar ein Befund ist, nicht ohne einen Blick auf die Anordnung, die ihn hervorgebracht hat.