Wie KI kognitive Last verschiebt – und Urteilskraft stärken kann
Im Rahmen der aktuellen Diskussion um die Vor- und Nachteile der Integration von großen Sprachmodellen (Large Language Models, LLMs), wie ChatGPT, bietet die Cognitive Load Theory einen analytisch hilfreichen Zugang.
Warum Cognitive Load Theory für den Einsatz von KI zentral ist
Um zu verstehen, warum LLMs kritisches Denken fördern oder unterlaufen können, hilft ein Blick auf die Cognitive Load Theory (z.B. Sweller, 2020). Sie stammt aus der Lern- und Kognitionspsychologie und setzt an einer einfachen, aber folgenreichen Annahme an: Das Arbeitsgedächtnis des Menschen ist begrenzt. Lernen gelingt nur dann, wenn diese begrenzte mentale Kapazität sinnvoll genutzt wird.
Die Theorie fokussiert auf die Perspektive: Wofür wird mentale Energie konkret eingesetzt? Wird sie durch Suchen, Strukturieren und formale Hürden gebunden – oder fließt sie in das eigentliche Verstehen, Abwägen und Urteilen? Cognitive Load Theory unterscheidet deshalb nicht nur mehr oder weniger Belastung, sondern fragt nach der Qualität der kognitiven Arbeit. Lernförderlich ist nicht eine möglichst geringe Belastung, sondern eine gezielte Nutzung der verfügbaren Kapazität für lernrelevante Prozesse. Entlastung ist nur dort sinnvoll, wo sie unnötige Umwege reduziert – nicht dort, wo sie Denkprozesse ersetzt.
Gerade hier wird die Theorie für den Einsatz von LLMs produktiv. KI-gestützte Werkzeuge greifen direkt in die Verteilung kognitiver Arbeit ein: Sie können Suche oder Vorstrukturierung übernehmen, verändern damit aber auch, welche Denkprozesse bei den Lernenden verbleiben. Die zentrale Frage lautet daher nicht, ob KI „zu viel“ oder „zu wenig“ fordert, sondern ob sie mentale Kapazität freisetzt, die anschließend in Bewertung, Begründung und Urteil investiert wird – oder ob sie genau diese Prozesse auslagert.
Was zeigt die Forschung? Zwei Studien, ein gemeinsamer Mechanismus
Vor diesem Hintergrund lohnt ein genauerer Blick auf aktuelle empirische Arbeiten, die den Einsatz von LLMs nicht isoliert betrachten, sondern im Zusammenspiel mit konkreten Lernaufgaben untersuchen.
Die Studie von Suriano, Plebe, Acciai und Fabio (2024) analysierte, wie Studierende wiederholt mit ChatGPT arbeiten und wie sich dies auf verschiedene Facetten kritischen Denkens auswirkt – etwa auf Strukturierung, Begründung und Perspektivenwechsel. Die Ergebnisse zeigen: Positive Effekte treten vor allem dort auf, wo Studierende aktiv vergleichen, bewerten und eigene Positionen entwickeln.
Aus Sicht der Cognitive Load Theory ist das plausibel: Das LLM übernimmt Teile der extrinsischen kognitiven Last, etwa die Bereitstellung erster Strukturen oder alternativer Perspektiven, während die lernrelevante kognitive Arbeit – das eigentliche Urteilen – bei den Lernenden verbleibt.
Noch deutlicher wird dieser Zusammenhang in einer zweiten Studie von Yuxian, J. (2025). Die Autorin untersuchen nicht nur, ob LLMs eingesetzt werden, sondern wie stark der Lernerfolg von der Aufgabenstruktur abhängt.
Leitfragen als Schlüssel
In einem experimentellen Design vergleicht Yuxian (2025) Lernsettings mit und ohne KI-Unterstützung sowie mit und ohne klar formulierte Leitfragen, etwa zu Gegenargumenten, Bewertungskriterien oder fehlenden Belegen. Gemessen wurden unter anderem Wissenszuwachs und die Qualität schriftlicher Begründungen.
Das zentrale Ergebnis ist eindeutig: Leitfragen erhöhen die Qualität von Begründungen signifikant – unabhängig davon, ob ein LLM genutzt wird oder nicht. Studierende, die mit klaren kognitiven Leitplanken arbeiteten, argumentierten differenzierter, expliziter und kriteriumsbezogener als Vergleichsgruppen ohne diese Struktur.
Bemerkenswert ist dabei, dass die Nutzung eines LLMs ohne solche Leitfragen nicht zu besseren Ergebnissen führte. Im Gegenteil: In mehreren Analysen lag die Begründungsqualität sogar unter der von Studierenden, die ohne KI, aber mit Leitfragen arbeiteten. Die Kombination aus LLM und Leitfragen schnitt zwar solide ab, war jedoch nicht systematisch überlegen gegenüber gut strukturierten Aufgaben ohne KI.
Die Studie macht damit deutlich: LLMs kompensieren fehlende kognitive Struktur nicht. Gute Aufgabenstellungen bleiben der entscheidende Lernhebel.
Einordnung mit Blick auf Cognitive Load
Aus der Perspektive der Cognitive Load Theory lassen sich diese Befunde gut einordnen. Leitfragen sichern die lernrelevante kognitive Last – also genau jene mentale Arbeit, in der Begründen, Abwägen und Urteilen stattfinden. LLMs können hier unterstützend wirken, etwa indem sie extrinsische Last reduzieren: Sie liefern Material, Beispiele oder alternative Perspektiven, an denen weitergearbeitet werden kann.
Fehlt diese Aufgabenstruktur jedoch, verschiebt das LLM die kognitive Arbeit zu weit weg von den Lernenden. Dann wird nicht nur Vorarbeit ausgelagert, sondern auch die eigentliche Denk- und Bewertungsleistung – mit entsprechend geringen Lerneffekten.
Drei Routinen für die Lehre: Kognitive Arbeit gezielt verteilen
Aus Forschung und Theorie lassen sich drei einfache Routinen ableiten, die sich in unterschiedlichen Lehrformaten einsetzen lassen:
- Active-before-AI
Studierende formulieren zunächst eigene Thesen, Kriterien oder Gegenargumente.- Lernrelevante Last bleibt beim Menschen.
- Fragen statt Antworten:
LLMs sollten nicht um fertige Lösungen gebeten werden, sondern um Perspektiven, Kriterien, Gegenargumente oder Unsicherheiten – also um Bausteine, die Bewertung erst notwendig machen.- Extrinsische Last sinkt, Urteilskraft bleibt aktiv.
- Commit & Compare
Studierende dokumentieren, was sie übernehmen – und warum.- Reflexion über Kriterien wird explizit.
Die kognitive Logik dahinter (kurz & klar)
Wenn Studierende fragen:
„Erkläre X“
„Löse Aufgabe Y“
… dann übernimmt das LLM lernrelevante kognitive Arbeit:
- Auswahl von Argumenten
- Gewichtung
- Begründung
- implizite Bewertung
Wenn Studierende stattdessen fragen:
„Welche möglichen Perspektiven gibt es auf X?“
„Welche Gegenargumente werden in der Literatur diskutiert?“
… dann übernimmt das LLM vor allem extrinsische kognitive Last:
- Zusammenstellen von Material
- Vorstrukturierung
- Sichtbarmachen von Alternativen
Bewertung, Auswahl und Urteil bleiben beim Menschen.
Selbstverständlich kann auch Strukturierungskompetenz selbst ein Lernziel sein. Diese lässt sich jedoch getrennt von der Beurteilungskompetenz und mit anderen Prompts und Leitfragen gezielt fördern.
Fazit
LLMs verändern nicht, ob gedacht wird, sondern wo gedacht wird.
Sie stärken kritisches Denken, wenn sie unnötige kognitive Last reduzieren und Raum für Bewertung, Begründung und Urteil lassen. Werden sie zum Ersatz für diese Prozesse, bleibt Kompetenzentwicklung aus.
Die entscheidende Frage ist daher nicht, welches Tool genutzt wird, sondern wie kognitive Arbeit in der Lehre verteilt wird – eine zentrale Aufgabe didaktischer Gestaltung, die im Framework der FH Aachen bereits systemisch mitgedacht wird.
Literatur
Suriano, R., Plebe, A., Acciai, A., & Fabio, R. A. (2025). Student interaction with ChatGPT can promote complex critical thinking skills. Learning and Instruction, 95, 102011. https://doi.org/10.1016/j.learninstruc.2024.102011
Sweller, J. (2020). Cognitive load theory and educational technology. Educational technology research and development, 68(1), 1-16.
Yuxian, J. (2025). Bridging the knowledge-skill gap: The role of large language model and critical thinking in education. Computers & Education, 105357.
Das Titelbild wurde im Januar 2026 mit Unterstützung einer KI erstellt.
