Der folgende Text stellt den Versuch dar, Aspekte des Diskurses über die kybernetische Pädagogik auf die aktuelle Debatte um den Einsatz künstlicher Intelligenz zu beziehen und daraus Folgerungen für den Bildungsbereich abzuleiten. Er folgt dem Vorschlag von Kümmel/Scholz/Schumacher (2004, S. 7), nicht die technischen Entwicklungen in den Mittelpunkt zu stellen, sondern „die Diskurse zu untersuchen, die aus bloßen Ereignissen der Technik solche der Kultur machen“.

---

Vor mehr als einem halben Jahrhundert, am 16.06.1967, erschien in der ZEIT ein Artikel mit der Überschrift „Lernen im Zeitalter der Automation“, in dem es um den Einsatz von elektronischen Lehrmaschinen im Bildungsbereich geht.

Würde man den Text an die neuen Rechtschreibregeln anpassen, ließe er sich – zumindest in Auszügen – durchaus in einer aktuellen Ausgabe der ZEIT platzieren. Denn in dem Artikel ist u.a. die Rede von:

• großen gesellschaftlichen Herausforderungen wie der extrem kurzen Halbwertszeit des Wissens und der „Informationsüberschwemmung“, denen man mit neuen Formen des Lehrens begegnen müsse
• der Notwendigkeit, das Lernen „individuell nach seinem eigenen Tempo und einer sich selber angepaßten Reihenfolge“ zu gestalten
• der „Mathematisierung und Technisierung der Pädagogik“ und großen „Rechenautomaten“, denen man die „Konstruktion von Lehrprogrammen“ übertragen müsse
• der Möglichkeit, dass Lehrautomaten menschliche Lehrer:innen ersetzen könnten, weil sie „größere Effektivität“ versprechen würden
• Vorlesungen, die für „eine relativ einfache audiovisuelle Lehrmaschine umgearbeitet“ wurden und zu besseren Lernerfolgen führten als konventionelle Lehrveranstaltungen
• der Sorge der Grundschullehr:innen, „daß nur ältere Schüler, vielleicht sogar nur Erwachsene mit ‘toten Apparaten’ lernen können, während das Kind den ununterbrochenen Kontakt zu seinem Lehrer bedürfe“.

Der Autor dieses erstaunlich modern klingenden Textes war Helmar Frank, einer der Hauptvertreter der kybernetischen Pädagogik, der sein Fachgebiet als „die Gesamtheit der Fragestellungen, […] die sowohl in den Bereich der Kybernetik als auch in den Bereich der Pädagogik fallen,“ definiert (vgl. Frank 1966, S. 5). 

Kybernetische Pädagogik und adaptive Lehrmaschinen

Eine Grundidee der kybernetischen Pädagogik besteht – stark vereinfacht gesagt – darin, Lehren und Lernen als einen Regelkreis zu verstehen: 

Die Gesellschaft gibt bestimmte Erziehungsziele vor (=Soll-Zustand) und Lehrende fungieren als Lotsen, die steuernde Maßnahmen ergreifen, damit sich der Ist-Zustand der Lernenden dem gewünschten Soll-Zustand nähert. Wenn der Eingriff in die Umwelt den Ist-Zustand verändert, sind beim nächsten Durchlauf ggf. andere Steuerungsmaßnahmen erforderlich.

Die kybernetische Pädagogik geht davon aus, dass Lehrmaschinen die Lotsen-, Kontroll- und Steuerungsfunktion der Lehrenden übernehmen und – im Idealfall – objektivieren können. Die kybernetischen Lehrmaschinen sind dabei weitaus mehr als nur elektronische „Umblättermechnismen für ein Lehrbuch“ (Frank 1964, S.105), denn im Gegensatz zu diesen starren „Lehrstoff-Darbietungsgeräten“ (Frank/Müller 1964, S. 83) können sie adaptiv sein.

Adaptive Lehrmaschinen können sich dem Ist-Zustand der Lernenden anpassen und individuelle Lehrschritte vorschlagen, die es wahrscheinlicher machen, dass der Soll-Zustand erreicht wird (vgl. Frank/Müller 1964, S. 81). Wie man sich vor 60 Jahren einen adaptiven Schreibmaschinen-Lehrautomaten vorstellte, zeigt die folgende Abbildung (vgl. Frank/Müller 1964, S. 82):

Eine lernende Person erhält über ein Tonband und Kopfhörer die Anweisung, eine bestimmte Buchstabenfolge einzugeben und tippt dann eine Zeichenkette auf der Tastatur. Dieser Input wird als Ist-Wert einer „Richtigkeitsprüfung“ unterzogen, d.h. mit dem auf einem Lochstreifen (als digitalem Speichermedium) hinterlegten Soll-Wert verglichen. „Stimmen SOLL und IST überein, […] dann folgt der nächste Lehrschritt, andernfalls spulen Tonbandgerät und Lochstreifenleser zum Anfang des erfolglosen Lehrschritts zurück.“ (Frank/Müller 1964, S. 82.) 

Helmar Frank (1964a, S. 30) macht in diesem Zusammenhang deutlich, dass das Problem adaptiver Lehrautomaten „nicht in erster Linie ein maschinentechnisches [ist], sondern ein pädagogisches, genauer ein erziehungswissenschaftliches Problem. Es erfordert zu seiner Lösung eine exakte didaktische Theorie.” Man kann die kybernetische Pädagogik auch als den (gescheiterten) Versuch beschreiben, diese exakte didaktische Theorie des wissenschaftlichen Lehrens zu entwickeln. 

Potenziale und Probleme adaptiver Lehrmaschinen

Aus der Sicht der kybernetischen Pädagogik sprechen zahlreiche Gründe für den Einsatz adaptiver Lehrautomaten und der damit verbundenen programmierten Instruktion. Dazu zählen z.B.:

• Der Lehrkräftemangel: Vorhandene Lehrer:innen können „mit einem wesentlich größeren Wirkungsgrad“ eingesetzt werden und wenn „geeignete Teilgebiete des Unterrichts programmiert dargeboten werden, kann der Lehrer sich der eigentlichen Erziehungsarbeit mit größerer Sorgfalt widmen.“ (Frank/Pietsch 1969, S.4)
• Die Wirksamkeit und Zuverlässigkeit: „Verglichen mit dem herkömmlichen Klassenunterricht weist die programmierte Instruktion eine erhöhte Eigentätigkeit des Adressaten auf und ist seinem Arbeitsrhythmus individueller angepaßt.“ (Frank/Pietsch 1969, S. 7) Das macht Lernprozesse wirksamer und zuverlässiger.
• Die Kenntnisangleichung: Die individuellen Kenntnisse in leistungsheterogenen Lerngruppen lassen sich durch Lehrautomaten besser angleichen als durch die Direktschulung. (vgl. ebd.)

Mögliche Grenzen der Automation erkannte man von Anfang an bei bestimmten „Stoffen“: Während es durchaus machbar erschien, das Lehren von Schreibmaschineschreiben, Klavierspielen oder Rechtschreibung in einen Algorithmus auszulagern, galt das Lehren von Schönschrift, Ausspracheübungen oder Fahr- bzw. Flugunterricht als bedeutend schwieriger (vgl. Frank 1964b, S. 104). Auch prinzipielle Grenzen wurden gesehen und recht blumig beschrieben: 

„Wer zu prophezeien liebt, niemals werde eine Lehrmaschine den Lehrer für diesen oder jenen Lehrstoff verdrängen können, beispielsweise nicht bei der Interpretation eines Gedichtes, der wird damit möglicherweise recht behalten.“ (Frank 1964a, S. 30)

Das größte praktische Problem für die Pioniere der kybernetischen Pädagogik war jedoch der immense Arbeitsaufwand, der mit der Entwicklung der Algorithmen für einzelne Lehrmaschinen verbunden war:

„Die Präzisierung des Lehrziels, die Gliederung […] und der Entwurf eines Flußdiagramms […] konnte in etwa 30 Stunden bewältigt werden. Für das ganze Flußdiagramm wäre mit 200-300 Arbeitsstunden zu rechnen. Hinzu kommt die Zeit für das eigentliche Programmieren und das Testen des Programms. […] Lohnt sich dieser Arbeitsaufwand?” (Frank 1963, S. 22).

Um diese Frage beantworten zu können, musste scharf kalkuliert werden: Lehrer:innen, die einen Automaten einsetzen, sparen Zeit bei der Vorbereitung des Unterrichts. Frank (1963, S. 22f.) ging davon aus, dass ein Lehralgorithmus in mindestens 2000 Schulklassen eingesetzt werden müsse, damit die zeitliche Entlastung für die Lehrer:innen größer sei als der Entwicklungsaufwand für die Lehrmaschine.

Die Revolution(en) des Lehrens und Lernens

Was deutlich wird: Der Diskurs über das „Lernen im Zeitalter der Automation“ aus den 1960er-Jahren ähnelt in vielen Aspekten der aktuellen Debatte über das Lernen im Zeitalter der künstlichen Intelligenz. Das gilt auch für die Hoffnungen und Erwartungen, die man an die Technik knüpft(e). 1972 prophezeite Wolfgang Arlt in einem Aufsatz über den „Kleinrechner als didaktisches Terminal“: 

„Bereits jetzt läßt sich voraussagen, daß im Jahre 2000 rechnergesteuerte Lehrautomaten die Schule völlig verändert haben und zum Beispiel den Schülern selbst ein Großteil der Lernarbeit abnehmen werden.“ (Arlt 1972, S.9)

Diese Prognose hat sich als deutlich zu optimistisch erwiesen. 

Und auch die Hoffnungen, die an das Telekolleg, die Sprachlabore, den PC im Klassenraum, die 1:1-Ausstattung mit Laptops, die Initiative „Schulen ans Netz“, das Web 1.0, das Web 2.0, die interaktiven Whiteboards, die Smartphones und Tablets, die Open Educational Resources, den Flipped Classroom, die Khan Academy oder die MOOCs etc. geknüpft wurden, sind immer und immer wieder enttäuscht worden (vgl. zu den Hintergründen Reich 2020).

Dass trotz dieser Vielzahl an gescheiterten Versuchen, die Schule grundlegend zu verändern, nun wieder vollmundig die Revolution des Lernens ausgerufen wird, liegt vor allem daran, dass es seit 2022 mit ChatGPT die  ultimative Lehrmaschine zu geben scheint, die alle kybernetisch-pädagogischen Träume von der Personalisierung des Lehrens und Lernens durch künstliche Intelligenz (KI) zu verwirklichen verspricht.

Dass es geboten ist, dem revolutionären Potenzial der neuen KI-Lehrmaschinen mit Skepsis zu begegnen, soll exemplarisch an zwei aktuellen Diskurslinien gezeigt werden. 

Entlastung first, Didaktik second

Auf einer sehr allgemeinen Ebene kann man zunächst festhalten, dass die maschinentechnischen Probleme, mit denen die kybernetischen Pädagog:innen zu kämpfen hatten, (weitgehend) gelöst, die methodisch-didaktischen Fragen hingegen (weitgehend) unbeantwortet geblieben sind bzw. gar nicht gestellt werden.

Welche Frage stattdessen im Mittelpunkt steht, lässt sich an den Werbebotschaften der EdTech-Startups ablesen. Sie versprechen vor allem eines: Entlastung. Während die kybernetische Pädagogik im Aufwand für die Programmierung der Lehrmaschinen ein zentrales Problem sah, rückt nun der Aufwand der Lehrer:innen für die Vorbereitung und Durchführung des Unterrichts in den Fokus. 

Die verkaufsfördernde EdTech-Botschaft lautet: Wer KI-Tools nutzt, spart Zeit, wird entlastet und kann sich – um es in den Worten der kybernetischen Pädagogik (s.o.) zu sagen – im Idealfall „der eigentlichen Erziehungsarbeit mit größerer Sorgfalt widmen.“ (Frank/Pietsch 1969, S. 4)  

Als kritischer Kontrapunkt ließe sich folgende Hypothese formulieren: Je intensiver für ein Produkt damit geworben wird, dass es auf der Seite der Lehrer:innen für Entlastung sorgt, desto weniger verändert sich dadurch im Unterricht auf der Seite der Schüler:innen.

Denn oft wird – im Sinne der palliativen Didaktik – alten pädagogischen Prinzipien nur ein dünnes KI-Mäntelchen übergeworfen: Konventionelle Unterrichtsverlaufspläne und konventionelle Arbeitsblätter können nun in Sekunden mit KI erstellt werden. Auch „interaktive“ Übungsformate wie Lückentexte, Zuordnungs- und Multiple-Choice-Aufgaben, d.h. behavioristisch grundierte Apps, die schon die kybernetische Pädagogik nutzte (vgl. z.B. Skinner 1959), lassen sich jetzt mit dem passenden KI-Werkzeug rasch und kommod generieren. 

Um ein treffendes Bild von Nele Hirsch zu nutzen: Es droht die Gefahr, dass KI im Bildungssystem als „Zementmischer“ wirkt, der alte Strukturen festigt, nicht als „Komposterde“, die innovatives Potenzial freisetzt. Unreflektierter KI-Aktionismus verwandelt den Unterricht schlimmstenfalls in ein pädagogisches Prokrustesbett: Man orientiert sich nicht mehr an fachlichen Kompetenzen und den Bedürfnissen der Lernenden, sondern an den methodischen Affordanzen der KI-Tools. 

So bleibt aus didaktischer Perspektive häufig unklar, warum man ein PDF-Dokument über den Zitronensäurezyklus mit NotebookLM in einen Podcast verwandeln sollte oder warum man sich mit einem Kant-Chatbot über die „Grundlegung zur Metaphysik der Sitten“ austauschen sollte, obwohl es vielleicht sinnvoller wäre, den Text einfach zu lesen. Beat Döbeli-Honegger spricht vom „Boah“-Effekt, der grundsätzliche Fragen überlagert.

Wohlgemerkt: Das ist keine pauschale Kritik an Lehrer:innen, die KI-Tools nutzen, um ihren Arbeitsaufwand zu verringern und damit lediglich auf das strukturelle Problem notorischer Überlastung reagieren. Es ist auch keine pauschale Kritik an EdTech-Startups, die erkannt haben, dass es einen lukrativen Markt für AVA (=Aufwands-Verringerungs-Angebote) gibt.

Es ist aber eine Kritik an EdTech-Startups, die vorgeben, wahlweise ganz neue Formen des Lernens, die Zukunft des Lernens oder die Revolution des Lernens im Angebot zu haben. Lee Vinsel und Andrew L. Russell (2020, S. 10) bezeichnen diese Form der unaufrichtigen Rhetorik als „innovation speak“: 

„Innovation-speak is fundamentally dishonest. […] Unlike actual innovation, which is tangible, measurable, and much less common, innovation speak is a sales pitch about a future that doesn’t yet exist.”

Und mit Justin Reich (2020) kann man abschließend erklären, warum aus den Reihen der EdTech-Startups zwar „innovation speak“, aber keine wahrhaft disruptiven Impulse zu erwarten sind. Denn wenn EdTech-Startups erfolgreich sein wollen, müssen sie Produkte auf den Markt bringen, mit denen Lehrer:innen vertraut sind und die sich möglichst nahtlos in die bestehende Unterrichtspraxis einbinden lassen. Diese Produkte dürfen also gerade nicht revolutionär sein. Reich (2020, S. 132) spricht von einem kapitalistisch grundierten „curse of the familiar“:

„Venture capital firms are structurally incentivized to be more concerned with getting a return on their investment than in supporting products that substantially improve education. The conservatism of educational systems and the conservatism of financial systems reinforce one another.“

Uniformisierung des Denkens als kulturelle Paradoxie

Die kybernetische Pädagogik hat nicht nur nüchtern kalkuliert, dass sich die Entwicklung der Lehralgorithmen erst dann lohnen würde, wenn man dadurch die Arbeit tausender Lehrer:innen ersetzen könnte, sondern auch die problematischen Implikationen eines massenhaften Einsatzes der Lehrmaschinen klar gesehen. Helmar Frank schreibt 1963:

„Wenn 2000 Schulklassen desselben Jahrgangs statt bei rund 1000 verschiedenen Lehrern eine bestimmte Unterrichtsstunde zu erleben, alle nach demselben Programm geschult werden, dann führt dies sicher zu einer ausgeprägteren Uniformisierung des Denkens[,] als sie bisher schon vorliegt.“ (Frank 1963, S. 23)

Im Anschluss an Überlegungen von Kendler (1959) weist Frank (1963, S. 23) zusätzlich darauf hin, dass die Uniformisierung des Denkens „eine Gefahr für die betroffene Kultur durch eine Beeinträchtigung der in ihr möglichen schöpferischen Leistung“ bedeuten könnte, „falls sich herausstellen sollte daß die Evolution der Ideen formal denselben Prinzipien genügt, wie jene der Lebewesen. Für diese gilt nämlich, daß die Evolutionsgeschwindigkeit einer Art proportional ist zur Streuung der Erbmerkmale”. 

Das bedeutet: Wenn kybernetische Automaten das Lernen zwar effizienter gestalten, aber gleichzeitig durch eine Uniformisierung des Denkens dazu beitragen, dass Ideen weniger breit gestreut werden, ergibt sich eine grundlegende kulturelle Paradoxie:

„Die Lehrmaschinen könnten […] einerseits zur Beschleunigung des Erlernens unserer Kulturgüter und andererseits zur Verzögerung ihrer Vermehrung beitragen.“ (1963, S. 23)

Zur Zeit der kybernetischen Pädagogik war von 1000 Lehrer:innen die Rede, deren Arbeit durch Lehrmaschinen ersetzt bzw. unterstützt werden sollte. Heute bewegen wir uns in ganz anderen Größenordnungen. Als Argument für die Qualität ihrer Produkte werben EdTech-Firmen regelmäßig mit steigenden Nutzer:innen-Zahlen, die sich (s. Abb.) auch mal im Hunderttausender-Bereich bewegen können.

Die Uniformisierung des Denkens mit paradoxen kulturellen Implikationen könnte im Zeitalter der künstlichen Intelligenz daher neue Dimensionen annehmen. 

Eine aktuelle Studie aus Großbritannien (vgl. Doshi/Hauser 2024) gibt dazu erste empirische Hinweise. Untersucht wurde, wie sich die Nutzung von ChatGPT auf die Kreativität beim Schreiben sehr kurzer Erzähltexte („micro-fiction“) auswirkt. Es wurden drei Gruppen gebildet:

1. Menschen, die ohne KI-Hilfe schreiben mussten.
2. Menschen, die sich von ChatGPT eine Idee für ihre eigene Geschichte vorschlagen lassen konnten.
3. Menschen, die sich von ChatGPT bis zu fünf Ideen für ihre eigene Geschichte vorschlagen lassen konnten.

Die Kreativität der entstandenen Texte wurde im Anschluss an Konzepte von Amabile (1982) und Harvey/Berry (2023) von 600 Personen evaluiert. Im Mittelpunkt standen nicht nur Kreativität (d.h. „novelty“ und „originality“), sondern auch „usefulness“, verstanden als „the possibility that this short story could become a publishable product, such as a book, if developed further“. (Doshi/Hauser 2024).

Die Ergebnisse der Studie – die hier nur stark verkürzt dargestellt werden können –  sind hochgradig ambivalent. 

Die subjektive Bewertung der Texte durch die 600 Gutachter:innen zeigt starke positive Effekte der Nutzung von ChatGPT beim Schreibprozess: Geschichten, die mit KI-Unterstützung geschrieben werden, schneiden im Hinblick auf „novelty“ und „usefulness“ statistisch signifikant besser ab als Kurztexte, die ohne KI-Unterstützung entstehen. Autor:innen, deren Kreativität – quantifiziert mit einem „divergent-association-task“ (DAT) – weniger stark ausgeprägt ist, verzeichnen eine deutliche Verbesserung ihrer kreativen Schreibfähigkeiten. Und in beiden Fällen gilt, dass diejenigen, die bis zu fünf KI-Ideen als Inspiration für ihre Texte angeboten bekommen, am meisten profitieren. 

Neben der subjektiven Bewertung der Texte durch Gutachter:innen nutzen Doshi/Hauser im Anschluss an Ash/Hansen (2023) ein Verfahren der algorithmischen Textanalyse, um Ähnlichkeiten zwischen den unterschiedlichen Arten der Kurztexte möglichst objektiv zu erfassen. Und hier zeigt sich ein gleichermaßen interessantes wie nachdenklich stimmendes Resultat:

„Our results show that having access to generative AI ideas makes a story more similar to the average of other stories within the same condition.“ (Doshi/Hauser 2024)

KI-inspirierte Geschichten ähneln einander stärker, weisen weniger Variation auf und sind insgesamt weniger „unique“ als Geschichten, die ohne KI-Hilfe  geschrieben werden. 

Kombiniert man die positiven Effekte, die sich auf der Ebene der Förderung individueller Kreativität zeigen, und die negativen Ergebnisse der algorithmischen Textanalyse, ergibt sich ein paradox anmutender Befund, der an die Befürchtung der kybernetischen Pädagogik erinnert, dass Lehrautomaten „einerseits zur Beschleunigung des Erlernens unserer Kulturgüter und andererseits zur Verzögerung ihrer Vermehrung beitragen könnten“ (1963, S. 23). Er lautet:

„Generative AI enhances individual creativity but reduces the collective diversity of novel content.“ (Doshi/Hauser 2024).

Im Urteil von Doshi und Hauser können diese paradox erscheinenden Ergebnisse zu einem sozialen Dilemma führen:

„If individual writers find out that their generative AI-inspired writing is evaluated as more creative, they have an incentive to use generative AI more in the future, but by doing so, the collective novelty of stories may be reduced further.“ (Doshi/Hauser 2024)

In einem Aufsatz über Standarderwartungen an unbekannte Texte, die möglicherweise KI-generiert sind, weist Hannes Bajohr (2023) auf den „Uroboros-Effekt“ hin, der mit Sprachmodellen einhergehen kann, die mit großen Textmengen trainiert werden:

„Ein zukünftiges Modell würde im Extremfall einmal mit aller verfügbaren Sprache trainiert worden sein. Es mag sich dann […] ein Uroboros-Effekt ergeben: Wie die Schlange, die sich selbst in den Schwanz beißt, werden diese Modelle […] dann anhand von Text lernen, der selbst bereits aus einem Sprachmodell stammt. Die so fixierte Durchschnittssprache würde umgekehrt auf menschliche Sprecher einwirken – eingebunden in all die kleinen Schreibassistenten, hätte sie den Status einer Norm, die ihre Benutzer in einen sich selbst verstärkenden Sprachstandard einsperrte: Jede linguistische Innovation hätte einen nur noch so geringen Anteil an den Trainingsdaten, dass sie so gut wie nicht existent wäre.“

Wendet man diese primär aus der Sicht der Literaturwissenschaft und Linguistik formulierten Thesen auf den Bereich der Pädagogik und Didaktik an, ergeben sich insbesondere weitreichende Konsequenzen für den Einsatz von KI-Systemen, die Schüler:innen beim Schreiben helfen sollen, indem sie individuelles Feedback geben.

Denn dann mag es zwar sein, dass die Kompetenzen der Lernenden durch personalisierte Formen der KI-Rückmeldung besser gefördert werden können als ohne KI. Gleichzeitig könnte sich jedoch der allgemeine Bewertungsmaßstab u.a. durch den Uroboros-Effekt in die Richtung einer KI-Durchschnittssprache verschieben. Sprachliche Neuheiten und (seltene) stilistische Auffälligkeiten würden dann von Menschen als positive Zeichen von Originalität, von der Maschine aber als qualitätsmindernde Abweichungen vom KI-Sprachstandard gewertet. 

Natürlich prägen auch heute schon starre und didaktisch längst überholte Muster das schulische Schreiben (z.B. die Erzählmaus oder das Argumentieren nach der 3-B-Regel). Doch während diese Formen der fragwürdigen Standardisierung leicht erkennbar sind, ist der von Bajohr befürchtete Effekt einer sich selbst verstärkenden KI-Sprachnorm leicht zu übersehen, weil er in subtiler Weise die Tiefenstruktur betrifft.

Gleichzeitig haben KI-Tools das Potenzial, den Unterricht zu einem Panopticon (sensu Bentham/Foucault) zu machen, in dem alle Aktivitäten klick- und millisekundengenau kontrolliert und überwacht werden:

„AI tracks the activities, behaviors, outputs, and outcomes of workers and managers. AI sets goals and targets for them, assigns tasks and roles to them, evaluates their performance, and rewards them accordingly.“ (Mollick 2024, S. 151)

Im schulischen Bereich werden aus den „workers and managers“ dann Lehrende und Lernende. Dass KI-Tools auch freundliche Ratgeber sein können, verwässert höchstens oberflächlich den Grad der algorithmischen Kontrolle. 

Kulturpessimistische Skeptiker:innen und neo-ludditische Maschinenstürmer:innen werden solche kritischen Töne im Hinblick auf den KI-Einsatz in der Schule möglicherweise zum Anlass nehmen, drastische Maßnahmen zu fordern. 

Hier hilft abschließend ein erneuter Blick auf die kybernetische Pädagogik, die – siehe oben – insbesondere die Gefahr sah, dass der massenhafte Einsatz der Lehrautomaten negative Konsequenzen für die Vermehrung der Kulturgüter haben könnte. Helmar Frank positionierte sich folgendermaßen:

„Dieser Gefahr braucht nicht durch ein Verbot von Lehrmaschinen begegnet zu werden. Dem Zeitalter der Kybernetik angemessener wäre die Forderung nach weniger Konformismus und größerer Liberalität in allen jenen Bereichen des Lehrens und Erziehens, in denen auch künftig unmittelbar der Mensch zu wirken hat.“ (Frank 1963, S. 23. Kursivsetzung im Original)

Dem ist nichts hinzuzufügen.

---

Literatur:

Amabile, Teresa M. (1982): Social psychology of creativity: A consensual assessment technique. In: J. Pers. Soc. Psychol. 43, S. 997–1013.

Arlt, Wolfgang (1972): Datenverarbeitung im Schulwesen – Traum oder reale Möglichkeit. In: aula 2, S. 9-11.

Bajohr, Hannes (2023): Täuschung als Prinzip. 

Frank, Helmar (1963): Kybernetik und Lehrmaschinen. In: Ders.( Hrsg.) Lehrmaschinen in kybernetischer und pädagogischer Sicht : Referate der ersten deutschen Lehrmaschinentagung. Stuttgart: Klett. S. 13-26.

Frank, Helmar/Müller, Georg (1964): Ein adaptiver Lehrautomat für verzweigte Programme. In: Lehrmaschinen in kybernetischer und pädagogischer Perspektive 2, S. 83-89.

Frank, Helmar (1964a): Kybernetische Betrachtungen über Lehr- und Lernprozesse. In: programmiertes lernen und programmierter unterricht (sic!) 1, S. 22-31.

Frank, Helmar (1964b): Lehrmaschinen – ein zukunftssicher Aufgabenkreis der kybernetischen Technik. In: Umschau 4, S. 104-107.

Frank, Helmar (1966): Zum Zusammenhang zwischen programmierter Instruktion und kybernetischer Pädagogik. In: Deutsche Lernprogramme für Schule und Praxis 1, S. 5-9.

Frank, Helmar/Pietsch, Eleonore (1969): Rechner und programmierte Instruktion als pädagogische Werkzeuge. In: Lehrmittel aktuell 2, S. 2-21.

Harvey, Sarah/Berry, James: (2023): Toward a meta-theory of creativity forms: How novelty and usefulness shape creativity. In: Acad. Manage. Rev. 48, S. 504–529.

Kendler, Howard H. (1959: Teaching Machines and Psychological Theory. In: Galanter, Eugene (Hrsg.): Automatic Teaching: The State of the Art. London: Chapman & Hall. S. 177-186.

Kümmel, Albert/Scholz, Leander/Schumacher, Eckhard (2004): Einführung in die Geschichte der Medien. München: Fink (=UTB 2488)

Mollick, Ethan (2024): Co-Intelligence. Living and Working with AI. Penguin Random House.

Reich, Justin (2020): Failure to Disrupt. Why Technology Alone Can’t Transform Education. Cambridge (Massachusetts), London: Harvard University Press.

Skinner, B. F. (1959): The Programming of Verbal Knowledge. In: Galanter, Eugene (Hrsg.): Automatic Teaching: The State of the Art. London: Chapman & Hall. S. 63-68.

Vinsel, Lee/ Russell, Andrew L. (2020): The Innovation Delusion. How Our Obsession With The New Has Disrupted The Work That Matters Most. New York: Currency.