Wie viele deiner Annahmen über deine Lerngruppe hast du je wirklich überprüft?
Die meisten Lehrenden beginnen ein neues Semester mit einem inneren Bild ihrer Studierenden. Dieses Bild ist nicht erfunden – es entsteht aus Jahren Lehrerfahrung, aus Rückmeldungen vergangener Gruppen, aus dem Gespür dafür, was in einem bestimmten Studiengang typischerweise gebraucht wird. Es ist plausibel. Es fühlt sich verlässlich an.
Aber es ist ein Bild von gestern.
Die Gruppe, die jetzt vor dir sitzt, bringt andere Vorerfahrungen mit als die letztjährige. Andere Motive. Andere Hürden. Andere Vorstellungen davon, wozu dieses Modul gut sein soll. Und wenn die Planung auf dem alten Bild basiert – auf dem, was du über Studierende in diesem Fach zu wissen glaubst –, dann beginnt die Lehrveranstaltung mit einem strukturellen Nachteil: Sie ist für eine Gruppe gebaut, die so nicht existiert.
Das klingt nach einem kleinen Problem. Es ist kein kleines Problem.
Die Analysephase: Was sie verspricht – und warum sie trotzdem übersprungen wird
Im ADDIE-Modell steht A für Analyse. Die Phase, die vor allem anderen kommt. Vor dem Design, vor der Materialentwicklung, vor der Durchführung. Ihr Versprechen ist einfach: Wer seine Lerngruppe kennt, bevor er plant, plant präziser. Wer weiß, wo Vorwissen vorhanden ist und wo Lücken klaffen, wer versteht, welche Motive die Studierenden antreiben und welche Ängste sie hemmen – der kann Lehre so gestalten, dass sie ankommt.
Warum wird sie dann so konsequent übersprungen?
Nicht aus Faulheit. Der Grund ist subtiler: Analyse ist die einzige Phase im ADDIE-Modell, die keine unmittelbaren Ergebnisse produziert, die man anfassen kann. Am Ende der Analysephase hat man keine Folie, kein Lernmaterial, keine Sitzungsstruktur. Man hat Daten. Man hat Muster. Man hat ein schärferes Bild – aber noch keine Lehre.
In einem Arbeitsalltag, der von konkreten To-dos und sichtbaren Produkten geprägt ist, fühlt sich das nach Leerlauf an. Also beginnen viele Lehrende direkt mit dem Design oder dem Development – und tragen dabei das unscharfe Bild ihrer Lerngruppe als stille Annahme in den gesamten Planungsprozess hinein.
Die Konsequenz: Lehre, die gut gemeint und didaktisch durchdacht ist, aber strukturell am Bedarf der Gruppe vorbeizielt. Unterforderung dort, wo Vorwissen vorhanden war. Überforderung dort, wo niemand damit gerechnet hatte, dass ein Grundlagenbegriff fehlt. Motivation, die nicht gezündet hat, weil die Verbindung zwischen Modulinhalt und den Fragen, die die Studierenden wirklich beschäftigen, nie hergestellt wurde.
Was KI in dieser Phase leisten kann – und wo sie aufhört
KI löst das Grundproblem der Analysephase nicht. Sie kann nicht bestimmen, was für deine Lerngruppe relevant ist. Sie kann nicht entscheiden, welche Lücken pädagogisch wichtig sind und welche vernachlässigt werden können. Sie kann nicht einschätzen, ob die Motive, die Studierende in einer Umfrage nennen, mit dem übereinstimmen, was sie wirklich antreibt.
Was KI kann: Sie macht den Schritt zwischen Datenerhebung und Entscheidungsgrundlage drastisch kürzer.
Stell dir vor, dreißig Studierende füllen zu Semesterbeginn ein strukturiertes Kurzformular aus. Zehn Minuten, acht Fragen, keine Noten, kein Druck. Du erhältst dreißig Antworten zu Vorwissen, Lernpräferenzen, Hürden und Erwartungen. Diese Daten manuell auszuwerten, zu clustern und in eine verwendbare Übersicht zu übersetzen, dauert Stunden – und kostet genau die Energie, die dich davon abhält, die Analysephase überhaupt zu beginnen.
Eine spezialisierte KI-Konfiguration erledigt diesen Schritt in Minuten. Sie identifiziert wiederkehrende Muster, quantifiziert Häufigkeiten, weist auf Datenlücken hin. Das Ergebnis ist keine Entscheidung – es ist eine strukturierte Grundlage, auf der du eine Entscheidung treffen kannst.
Das ist der Unterschied: KI als Empathie-Verstärker, nicht als pädagogische Diagnoseinstanz. Die Technologie macht sichtbar, was in dreißig Antworten steckt. Du entscheidest, was daraus folgt.
Hands-on: Drei Werkzeuge für die KI-gestützte Analysephase
Werkzeug 1: Das Lernkontext-Formular
Der erste Schritt ist die Datenerhebung. Nicht über Lernplattformen oder anonyme Klausurergebnisse, sondern über ein kurzes, niedrigschwelliges Formular, das die Studierenden zu Beginn des Semesters ausfüllen – idealerweise in den ersten zehn Minuten der ersten Sitzung oder als Vorbereitung davor.
Das Formular funktioniert, wenn es über reine Wissensabfragen hinausgeht. Nicht „Was weißt du über X?“ sondern Fragen, die Kontext, Motive und Hürden sichtbar machen:
- Vorwissen situieren: Hattest du in deiner bisherigen Ausbildung bereits Berührungspunkte mit diesem Thema – und wenn ja, in welchem Kontext?
- Lernpräferenzen verstehen: Wie nimmst du komplexe Informationen am besten auf? (z. B. Texte lesen, Beispiele sehen, etwas selbst ausprobieren, darüber sprechen)
- Hürden benennen: Welcher Begriff aus der Modulbeschreibung löst bei dir aktuell das größte Unbehagen aus – und warum?
- Motive klären: Was erhoffst du dir konkret von diesem Modul – für dein Studium, deinen Beruf oder dich persönlich?
- Soziales Setting: In welchem Rahmen lernst du am effektivsten? (Einzelarbeit, Tandems, kleine Gruppen, Plenum)
- Sicherheitsanker: Was gibt dir im Lernprozess am meisten Sicherheit? (z. B. klare Struktur, regelmäßiges Feedback, Musterlösungen, Puffer für Fragen)
Ein Live-Beispiel eines solchen Formulars findest du im Use Case Lernbedarfsanalyse.
Werkzeug 2: Der Analyse-Prompt für dein Custom GPT oder Gem
Wenn die Antworten vorliegen, exportierst du sie als CSV oder PDF – anonymisiert, ohne Namen oder Matrikelnummern – und lädst sie in eine spezialisierte KI-Instanz hoch. Diese Instanz erhält zusätzlich dein Teaching Statement als Arbeitsgrundlage, damit die Auswertung nicht abstrakt bleibt, sondern auf deinen konkreten didaktischen Rahmen bezogen ist.
Den folgenden Prompt kopierst du in die Systemanweisungen deines Custom GPTs (ChatGPT Pro), deines Gems (Gemini) oder einer vergleichbaren Konfiguration. Als Arbeitsgrundlage lädst du dein Teaching Statement hoch – es gibt der KI den didaktischen Rahmen, ohne den die Auswertung abstrakt bleibt:
Du bist ein Analyse-Werkzeug meines Lehr-Teams. Deine Aufgabe ist es, die hochgeladenen Antworten meiner Studierenden auszuwerten und mit meinem Teaching Statement abzugleichen. Du triffst keine pädagogischen Entscheidungen, sondern lieferst strukturierte Übersichten für meine Einordnung.
Arbeite das Teaching Statement als didaktischen Kompass durch, bevor du die Daten auswertest.
Führe dann folgende Analyseschritte aus:
1. Lernhindernisse identifizieren: Welche Hürden werden am häufigsten genannt? Wie viele Studierende sind davon betroffen? Stelle die Ergebnisse in einer Tabelle dar: Hürde | Häufigkeit | mögliche Handlungsoption.
2. Lernpräferenzen clustern: Welche Muster zeigen sich bei bevorzugten Lernmethoden, Sozialformen und Lernumgebungen? Nenne die drei häufigsten Cluster mit je einer kurzen Charakterisierung.
3. Motivlage abbilden: Welche Erwartungen und Ziele nennen die Studierenden? Gibt es erkennbare Spannungen zwischen genannten Motiven und den Modulinhalten laut Teaching Statement?
4. Datenlücken benennen: Auf welche Fragen habe ich zu wenige oder zu unspezifische Antworten erhalten, um valide Aussagen zu treffen?
5. Drei strategische Handlungsoptionen: Formuliere auf Basis der Daten drei konkrete Empfehlungen für die Semesterplanung – mit direktem Bezug auf mein Teaching Statement.
Interaktionsregel: Falls die hochgeladenen Daten für einzelne Analyseschritte nicht ausreichen, frage aktiv nach, bevor du Schlussfolgerungen ziehst.
Werkzeug 3: Der Transferprompt – von der Analyse in die nächste Phase
Die Analyseergebnisse bleiben wirkungslos, wenn sie nicht in die Lehre eingehen. Das beginnt mit der ersten Sitzung – aber es endet dort nicht.
Den folgenden Prompt gibst du der Analyse-KI direkt nach Abschluss der Auswertung. Er macht aus den Daten zwei konkrete Dinge: einen Eröffnungsimpuls für den Semesterbeginn und eine Grundlage für die nächste ADDIE-Phase – das Design.
Formuliere auf Basis der Analyseergebnisse zunächst einen Eröffnungsimpuls für meine erste Seminarsitzung. Der Impuls soll die zentralen Motive und Fragen der Studierenden aufgreifen und eine Brücke zu den Lernzielen des Moduls bauen. Er soll nicht auflisten, sondern einladen – und das Gefühl erzeugen, dass dieser Kurs für die Menschen gebaut ist, die tatsächlich darin sitzen. Länge: drei bis fünf Sätze.
Erstelle danach eine kompakte Designgrundlage für die Semesterplanung: Welche Medienformate legen die Analyseergebnisse nahe – eher Video, Audio oder Text? Welche Sozialformen passen zur Lerngruppe – Einzelarbeit, Tandems, Kleingruppenarbeit oder Plenum? Wo sollte Theorie vertieft werden, weil Vorwissen vorhanden ist, und wo braucht es mehr Raum für Übung und Anwendung? Fasse die Empfehlungen so auf, dass ich sie direkt als Ausgangspunkt für die Designphase nutzen kann.
Das Ergebnis ist kein Lehrplan. Es ist eine datengestützte Orientierung – ein Rohling, den du mit deiner eigenen Stimme und deinem Kontextwissen überarbeitest. Genau das ist die Verbindung zur nächsten Phase: Im Design (Artikel 2 dieser Reihe) fließen diese Grundlagen in die konkrete Semestermatrix und die Entwicklung von Lernszenarien ein. Was die Analyse sichtbar gemacht hat, bekommt im Design seine Form.
Eine Frage zum Schluss
Was wäre anders in deiner letzten Lehrveranstaltung gewesen, wenn du gewusst hättest, welche Hürde die meisten Studierenden in der ersten Woche mit sich getragen haben?
