Eine Anfrage, in Wattstunden¹

Google hat im August 2025 erstmals eigene Messwerte vorgelegt. Eine Textanfrage an Gemini verbraucht im Median 0,24 Wattstunden, verursacht 0,03 Gramm CO₂-Äquivalent und verdunstet 0,26 Milliliter Wasser (Elsworth et al., 2025). Unabhängig davon schätzt die Forschungsorganisation Epoch AI eine typische Anfrage an GPT-4o auf rund 0,3 Wattstunden (You, 2025). Eine der wenigen unabhängigen Messreihen an frei zugänglichen Modellen kommt sogar auf etwa 0,05 Wattstunden, allerdings mit deutlich kleineren Modellen und sehr kurzen Antworten (Luccioni et al., 2024).

Die Größenordnung wird erst im Vergleich anschaulich. Eine LED-Lampe zieht in fünf Minuten 0,8 Wattstunden, eine Mikrowelle in einer Minute 17, ein Wasserkocher für anderthalb Liter rund 100. Eine Dusche mit elektrischem Durchlauferhitzer verbraucht 160 Wattstunden pro Minute. Wer also einmal eine Minute kürzer duscht, hat damit rechnerisch mehrere hundert Prompts eingespart (weitere Vergleiche findet Ihr in Abbildung 1).

Das gilt allerdings nicht für jede Anfrage gleichermaßen. Ein sehr langer Input treibt den Verbrauch auf etwa 2,5 Wattstunden, ein maximal gefülltes Kontextfenster auf 40, und ein KI-Agent, der eine Aufgabe über mehrere Schritte selbst bearbeitet, liegt eher bei 50 (Ritchie, 2026). Zwischen einer simplen Textklassifikation und der Erzeugung eines Bildes messen Luccioni und Kolleg*innen einen Unterschied von mehr als dem Tausendfachen (Luccioni et al., 2024). „Eine KI-Anfrage“ ist also keine feste Größe, sondern eine Spannweite über mehrere Zehnerpotenzen.

Der Hebel liegt woanders

Damit ist aber über den Gesamtverbrauch von KI nichts Beruhigendes gesagt, im Gegenteil. Die Internationale Energieagentur beziffert den Stromverbrauch aller Rechenzentren für 2025 auf 485 Terawattstunden, gut anderthalb Prozent des weltweiten Stromverbrauchs, mit einem Wachstum von 17 Prozent allein in diesem einen Jahr. Bei den KI-Rechenzentren waren es 50 Prozent. Bis 2030 erwartet die Agentur eine Verdopplung auf etwa 950 Terawattstunden und damit rund drei Prozent (International Energy Agency, 2026).

Hier liegt der eigentliche Punkt. Google berichtet für dieselbe Anfrage binnen eines Jahres eine 33-fach bessere Energieeffizienz (Elsworth et al., 2025), und der Gesamtverbrauch steigt trotzdem steil an. Genau das beschreibt das Jevons-Paradox, das für KI inzwischen ausführlich diskutiert wird (Luccioni et al., 2025) und für die Informationstechnik insgesamt empirisch gut belegt ist (Lange et al., 2020). Effizienzgewinne pro Einheit werden vom Mengenwachstum aufgezehrt. Was zählt, ist das Ausbautempo der Rechenzentren und die Frage, aus welchen Quellen ihr Strom kommt. Es ist eher nicht die Prompt-Zahl einer einzelnen Person.

Bleibt die Frage, wohin die Sorge dann gehört. Der eigene Fußabdruck entscheidet sich weiterhin bei Wohnen, Mobilität und Ernährung, in Größenordnungen, gegen die jede Prompt-Bilanz verschwindet. Beim KI-Teil liegt der Ansatzpunkt eine Ebene höher, und dort haben Studierende eigentlich sogar mehr Gewicht als bei jeder Einzelentscheidung. Wer in Fachschaft oder Gremien sitzt, kann bei der Beschaffung von KI-Diensten nach dem Strommix dahinter fragen und danach, ob ein Anbieter seinen Verbrauch überhaupt offenlegt. Genau daran hakt es bislang häufig.

Man kann dagegenhalten, dass kleine bewusste Entscheidungen der Einstieg in größere sind. Ich persönlich finde diesen Gedanken sympathisch, denn er hat viel mit Selbstwirksamkeit zu tun, also mit dem Gefühl, durch eigenes Handeln überhaupt etwas bewirken zu können. Für diese Hoffnung spricht die Datenlage allerdings nicht besonders. Eine präregistrierte Metaanalyse über 63 Effekte und gut 26.000 Personen findet im Mittel gar keinen Übertrag von einer umweltfreundlichen Handlung auf die nächste (Geiger et al., 2021). In einzelnen Experimenten kippt der Effekt sogar ins Gegenteil. Wer sein eigenes Sparverhalten als ausreichenden Beitrag verbuchte, stimmte einer CO₂-Steuer seltener zu (Werfel, 2017). Sparsam zu prompten schadet also im Regelfall nicht. Es ersetzt nur die größeren Fragen nicht.

Was wir (noch) nicht wissen

Die belastbarsten aktuellen Zahlen stammen von den Anbietern selbst und sind nicht begutachtet. Unabhängige Messungen existieren bislang nur für kleinere, offen zugängliche Modelle (Luccioni et al., 2024). Wie viele Anfragen täglich überhaupt gestellt werden, veröffentlicht kein Anbieter, weshalb sich der Gesamtfußabdruck der Chatbots aus diesen Werten nicht zurückrechnen lässt.

Schon die Wahl der Bilanzgrenze kann zu ziemlich unterschiedlichen Ergebnissen kommen. Google gibt für dieselbe Anfrage 0,10 Wattstunden an, wenn nur der aktive Rechenchip gezählt wird, und 0,24, wenn Leerlaufkapazität und Kühlung dazukommen (Elsworth et al., 2025). Die niedrigen Emissionswerte sind zudem marktbasiert gerechnet, also unter Anrechnung zugekaufter Ökostromzertifikate. Beim Wasser klaffen die Schätzungen um zwei Zehnerpotenzen auseinander (Li et al., 2025), auch weil weniger als ein Drittel der Rechenzentrumsbetreiber den Wasserverbrauch überhaupt misst (Mytton, 2021). Und die aktuelle Modellgeneration mit langen Denkschritten und mehrstufigen Agenten taucht (bisher) in fast keiner vorliegenden Messung auf.

Fazit

Der Streit um den Stromverbrauch von KI wird auf der Ebene geführt, auf der es vielleicht am wenigsten bringt. Die Einzelanfrage ist energetisch eher nebensächlich, die Art des Ausbaus der Rechenzentren ist dagegen hochgradig relevant.

• Eine typische Textanfrage liegt bei etwa 0,2 bis 0,3 Wattstunden, also unterhalb einer LED-Lampe für fünf Minuten.
• Die berühmte Zehnfach-Behauptung stammt aus einer Aussage über Kosten und wurde gegen einen Referenzwert von 2009 gerechnet.
• Prompt-Sparen ist eine sehr kleine Stellschraube. Relevant sind Strommix und Ausbautempo, im eigenen Alltag weiterhin Wohnen, Mobilität und Ernährung.
• Teuer sind lange Kontexte, Bildgenerierung und Agentenläufe. Wer sparen will, setzt dort an, nicht beim kurzen Prompt.

Vor der nächsten Anfrage an eine KI lohnt sich daher weniger die Frage nach der Erlaubnis als die Frage, was Ihr mit der Antwort anfangen wollt.

Referenzen

Was „zwei Standardabweichungen” eigentlich heißt

Kurz zur Maßeinheit. Effektstärken geben an, wie weit zwei Gruppen auseinanderliegen, gemessen daran, wie stark die Lernenden ohnehin untereinander streuen. Diese Streuung wird in Standardabweichungen ausgedrückt. So lässt sich ein Physik-Quiz mit einer OSCE-Station vergleichen, obwohl beide völlig unterschiedlich punkten.

Anschaulicher wird es über Rangplätze. Eine Effektstärke von 0,5 (Standardabweichungen) verschiebt die durchschnittliche Person aus der Kursmitte etwa ins obere Drittel, bei 0,8 spricht man konventionell von einem großen Effekt. Blooms zwei Standardabweichungen hätten sie an die Spitze gebracht, vorbei an 98 Prozent der Mitlernenden — deshalb war die Zahl so verführerisch.

Effektstärken hängen allerdings stark davon ab, wie gemessen und mit was verglichen wurde. So liefert ein selbst gebauter Test kurz nach der Sitzung regelmäßig größere Werte als ein standardisierter Test Wochen später.

Die Zahl ist echt — aber kleiner, als alle dachten

Zuerst die schlechte Nachricht für Bloom. Kurt VanLehn vermaß die Studienlage 2011 neu und kam für menschliches Einzeltutoring auf 0,79 statt 2,0 — immer noch ein großer Effekt, aber eben kein perfekter (VanLehn, 2011). Der Mythos war von Anfang an eher eine Nummer zu groß.

Maschinen kamen dagegen erstaunlich nah heran. Schrittbasierte intelligente Tutorsysteme erreichten bei VanLehn 0,76 und lagen praktisch gleichauf mit menschlichen Tutoren (VanLehn, 2011). Eine Metaanalyse über 50 kontrollierte Evaluationen fand einen Median von 0,66 — der Median-Lernende rutscht damit vom 50. auf das 75. Perzentil hoch (Kulik & Fletcher, 2016).

Nur schrumpfen die Zahlen, sobald diese Systeme den Laborcharakter verlassen. Eine Metaanalyse von 14 Studien in echten Lernkontexten fand eine Effektstärke von 0,36, wobei der Wissenserwerb besser abschnitt als der Kompetenzerwerb (Tlili et al., 2023). Der Feldeinsatz kostet also rund die Hälfte des Effekts.

Ein Harvard-Befund und sein „Kleingedrucktes“

2025 lieferte ein randomisiertes Crossover-Experiment die stärkste Einzelevidenz. 194 Physikstudierende an der renommierten Elite-Universität Harvard durchliefen in zwei aufeinanderfolgenden Wochen beide Bedingungen, eine Woche aktiven Präsenzunterricht und eine Woche KI-Tutor, in zufälliger (randomisierter) Reihenfolge. Mit der KI lernten sie deutlich mehr, und zwar in kürzerer Zeit — im Median 49 statt 60 Minuten (Kestin et al., 2025).

Beim Zuwachs landet die Studie zwischen 0,63 und 1,3 Standardabweichungen als Effektstäkre, je nachdem, wie man es rechnet (Kestin et al., 2025). Das ist Bloom-Territorium. Aber man muss diese Studie sehr genau lesen, bevor man darüber nachdenken kann, die Ergebnisse zu verallgemeinern.

Dieser Tutor war kein Chatbot von der Stange. Ein durchdachter Systemprompt allein reichte in der Studie nicht aus, denn er strukturierte mehrteilige Aufgaben nicht verlässlich. Deshalb führte die Plattform Teilschritt für Teilschritt durch jede Aufgabe, wie die Dozierenden im Präsenzunterricht, ergänzt um vorformulierte Prompts pro Frage und hinterlegte Lösungen gegen Halluzinationen (Kestin et al., 2025).

Auch das Setting war komfortabel — ein eigens konstruierter Post-Test, unmittelbar nach der Sitzung, kein Follow-up. Wie stark das leider wiegt, zeigt eine Metaanalyse zu Tutorsystemen im Leseunterricht, in der sich die Effektstärke je nach Messinstrument mehr als verdreifachte (Xu et al., 2019).

In der Medizin fällt die Bilanz nüchterner aus

Jetzt der Realitäts-Check für unser Gebiet. Eine Metaanalyse von elf randomisierten Studien mit 786 Medizinstudierenden verglich generative KI-gestützte Lehre mit konventionellen Formaten. Beim Wissenserwerb fand sich kein signifikanter Unterschied. Bei praktischen Fertigkeiten dagegen schnitt die KI-Gruppe besser ab, ebenso bei Lernphasen über eine Woche und in praxisorientierten Kursen (Li et al., 2025).

Ein Wort zur Lesart, denn hier greift man schnell daneben. „Nicht signifikant” heißt nicht „kein Effekt”. Das Konfidenzintervall reicht weit ins Positive, ein deutlicher Nutzen ist mit diesen Daten also vereinbar. Zugleich streuen die elf Studien so stark, dass die Autor*innen die Evidenzqualität selbst als niedrig einstufen (Li et al., 2025).

Eine zweite Metaanalyse in der Zahnmedizin untersuchte nicht „KI-Lehre” allgemein, sondern KI innerhalb eines strukturierten Formats, nämlich problem- und fallbasiertem Lernen. Dort verbesserte sich der Wissenserwerb signifikant, und die eingeschlossenen Studien stimmten weitgehend überein (Wei et al., 2025).

Gleiche Zielgruppe, sehr ähnliches Fach, gegenläufiges Ergebnis. Der Unterschied liegt wahrscheinlich im Format und nicht im Modell. In der ersten Metaanalyse war ChatGPT in neun von elf Studien das Werkzeug, gut die Hälfte der Kurse mit theoretischen Inhalten (Li et al., 2025).

Nicht das Modell entscheidet, sondern das Format

Dieser Befund steht nicht allein. Eine große Metaanalyse prüfte über 62 Studien hinweg, welche Merkmale den Lernerfolg mit Chatbots erklären. Ob ein großes Sprachmodell dahinterstand oder ein einfacheres System, machte keinen Unterschied. Was zählte, war die Art der Nutzung — wie interagiert wurde, wie lange, und in welchem Fach (Laun & Wolff, 2025).

Damit lässt sich (zumindest vorerst) eine Leitthese ableiten: Die Wirkung steckt im (KI-Unterrichts-)Design, nicht im Modell. Wer einfach ChatGPT als Tutor ausrollt, hat noch keinen Tutor gebaut.

(Eine Warnung noch, bevor man mit Zahlen aus diesem neuen Forschungsfeld in eine Fakultätssitzung geht. Die meistzitierte Metaanalyse zum Lernen mit ChatGPT wurde im April 2026 zurückgezogen — nach knapp 270 Zitationen, die weiterlaufen (Wang & Fan, 2026). Ein kurzer Blick, ob die Quelle noch steht, lohnt sich hier mehr als anderswo …)

Was wir (noch) nicht wissen

• Hält der Effekt? Der Harvard-Versuch maß unmittelbare Lernzuwächse. Ob sie ein Semester überdauern und ob sie sich übertragen lassen, ist offen (Kestin et al., 2025).
• Was heißt „gutes (KI-Unterrichts-)Design” konkret? Der Harvard-Tutor entstand in monatelanger Vorarbeit eines Physikteams. Was davon eine normal ausgestattete Fakultät reproduzieren kann, ist ungeklärt.
• Woher kommt die Streuung? Bei einer Heterogenität von 93 % ist ein gepoolter Wert fast nur noch eine Rechengröße. Welche Merkmale die Studien trennen, ist mit elf RCTs nicht auflösbar (Li et al., 2025).
• Wo liegt die Grenze? Die Effektstärken stammen überwiegend aus gut strukturierten, schrittbasierten Domänen. Ob sie für integratives klinisches Denken gelten, weiß niemand.

Fazit

• Blooms zwei Sigma waren nie zwei Sigma. Realistisch sind Effektstärken von 0,66 bis 0,8 Standardabweichungen unter guten Bedingungen und (aktuell) rund 0,36 im echten Lernbetrieb (Tlili et al., 2023).
• Ein didaktisch durchkonstruierter KI-Tutor erreicht die Bloom-Marke. Generisches ChatGPT konnte in RCTs mit Medizinstudierenden beim Wissenserwerb keinen Vorteil zeigen, eingebettet in problem- und fallbasiertes Lernen dagegen schon (Wei et al., 2025). Die Entwicklung schreitet aber voran, so dass man dies nur als Zwischenergebnis werten kann.
• Der Effekt steckt im Design, nicht im Modell.

Die gute Nachricht zuerst

Die manchmal gehörte Behauptung, generative KI bringe beim Lernen nichts, ignoriert die inzwischen entstandene Datenlage. Mehrere unabhängige Meta-Analysen zeigen übereinstimmend mittlere bis große Leistungsgewinne, wenn Lernende mit Werkzeugen wie ChatGPT arbeiten (Deng et al., 2025; Liu et al., 2025; Zhu et al., 2025). Auch Motivation und Engagement steigen messbar (Heung & Chiu, 2025; Xia et al., 2025).

Am eindrucksvollsten ist ein Experiment aus Harvard. Ein sorgfältig konstruierter KI-Tutor mit didaktischem Gerüst, schrittweisem Nachfragen und eingebauten Leitplanken führte zu rund doppelt so hohen Lernzuwächsen wie eine ohnehin schon gute, aktivierende Präsenzlehre (Kestin et al., 2025). KI kann das Lernen also nachweislich verbessern. Die Frage ist nur, unter welchen Bedingungen.

Leistung ist nicht dasselbe wie Lernen

Hier wird es heikel. Die oben genannte Studie zeigt ein Auseinanderfallen, das in der Lernpsychologie längst bekannt ist. Wie gut man eine Aufgabe gerade jetzt erledigt, sagt wenig darüber aus, wie viel davon dauerhaft hängenbleibt. Was hängenbleibt, entsteht nämlich gerade durch die Anstrengung — etwas aus dem Gedächtnis hervorkramen, es in eigenen Worten formulieren, den längeren Weg gehen, statt abzukürzen. Die Lernforschung nennt das desirable difficulties, also wünschenswerte Schwierigkeiten. Genau diese Schwierigkeiten glättet eine KI weg.

Das hat leider einen Preis. Dieselben Meta-Analysen, die Leistungsgewinne zeigen, dokumentieren zugleich eine deutlich reduzierte mentale Anstrengung beim KI-gestützten Arbeiten (Deng et al., 2025). Beim Lernen ist weniger Anstrengung aber kein Komfortgewinn, sondern oft ein Lernverlust. Schon vor der KI kannte man den „Google-Effekt“. Wer weiß, dass eine Information jederzeit abrufbar ist, merkt sie sich schlechter, dafür merkt er sich, wo sie steht (Sparrow et al., 2011). Generative KI verschiebt diese Auslagerung von bloßen Fakten hin zu Argumentation und Synthese.

Eine kontrollierte Studie brachte das auf einen Begriff, metacognitive laziness oder metakognitive Faulheit. Studierende, die einen Aufsatz mit ChatGPT schrieben, erzielten bessere Texte, unterschieden sich bei Wissenszuwachs und Transfer auf neue Aufgaben aber nicht von den Vergleichsgruppen (Fan et al., 2025). Das Werkzeug lieferte das Produkt, der Lernprozess fand kaum statt. Dazu passt, dass mehrere Übersichtsarbeiten einen Zusammenhang zwischen häufiger, unreflektierter KI-Nutzung und schwächerem kritischem Denken finden, vermittelt über genau dieses kognitive Auslagern (Gerlich, 2025; Melisa et al., 2025).

Drei Konsequenzen für den Lernalltag

Daraus folgt eine erstaunlich konkrete Betriebsanleitung, und sie deckt sich mit dem, was die Evidenz nahelegt.

Erst denken, dann fragen. Der Schaden in der Studie entstand, weil die KI vor der eigenen Anstrengung kam (Bastani et al., 2025). Wer zuerst selbst mit den Fakten ringt, eine eigene Lösung skizziert, eine Hypothese wagt und dann die KI hinzuzieht, dreht die Reihenfolge um. Die KI verfeinert, statt zu ersetzen.

Testet Euch regelmäßig ohne KI. Das Tückische am KI-gestützten Lernen ist das Gefühl. Mit Chatbot wirkt alles flüssig und verstanden. Genau dieses Gefühl („es flutscht“) täuscht, die echte Lücke zeigt sich erst in der KI-freien Prüfung, wie die minus 17 Prozent in der türkischen Klausur eindrücklich belegen (Bastani et al., 2025). Ein kurzer Selbsttest ohne Hilfsmittel ist der ehrlichste Spiegel Eures Lernstands.

Nutzt KI als Sparringspartner, nicht als Ghostwriter. Lasst sie nicht schreiben, sondern mitdenken — Gegenargumente liefern, Eure Erklärung auf Lücken prüfen, Euch abfragen. Studien zu solchen reflexiven Nutzungsformen, etwa KI als „kognitiver Spiegel“ oder als Review-Partnerin mit anschließender eigener Reflexion, zeigen genau die metakognitiven Prozesse, die beim Ghostwriting verloren gehen (MacArthur et al., 2025; Tomisu et al., 2025). Der Unterschied zwischen Sparringspartner und Ghostwriter ist der Unterschied zwischen Trainieren und Zuschauen.

Was wir (noch) nicht wissen

Bei aller Konvergenz ist Vorsicht geboten. Vieles beruht auf kurzen Interventionen, echte Längsschnittstudien über Jahre fehlen (natürlich) bislang vollständig. Auch ist das Feld noch nicht stabil. Eine prominente, vielzitierte Meta-Analyse mit besonders hohem Effekt wurde 2026 wegen methodischer Mängel zurückgezogen (Wang & Fan, 2026). Fast alle Daten beruhen zudem auf älteren Modellgenerationen, ob neuere Modelle mit besserem Reasoning die Befunde verschieben, ist offen. Und ein Großteil der Studien entstand an Eliteuniversitäten, deren Ergebnisse sich nicht einfach so auf Schule, Studium oder Berufsausbildung übertragen lassen. Die Konsequenzen für den Lernalltag sind deshalb bewusst als risikoarme Strategie formuliert. Selbst wenn künftige Modelle vieles ändern, schadet „erst denken, sich testen, mitdenken lassen“ nie.

Fazit

Generative KI ist beim Lernen weder Wundermittel noch Teufelszeug, sondern ein Verstärker. Sie macht aus aktiven Lernenden bessere und aus passiven bequemere. Was Ihr aus ihr herausholt, hängt weniger von der Qualität des Modells ab als von der Haltung, mit der Ihr es bedient.

• KI hebt die Leistung während einer Aufgabe zuverlässig, gute Leistung jetzt ist aber nicht dasselbe wie dauerhaftes Lernen.
• Der häufigste Schaden entsteht, wenn man das Denken auslagert, statt es zu verstärken.
• Erst selbst denken, dann die KI fragen, nicht umgekehrt.
• Testet Euch ohne KI, sonst täuscht das Flüssigkeitsgefühl über echte Lücken hinweg.
• Sparringspartner statt Ghostwriter — mitdenken lassen, nicht schreiben lassen.

Die ehrlichste Frage vor jedem Prompt ist also nicht, was die KI für Euch tun kann, sondern was Ihr selbst schon gedacht habt. (frei nach JFK)

Referenzen

Der Begriff, der in der Bilanz fehlt

Der Wissenschaftsrat hat im Juli 2026 Empfehlungen zur Hochschulbildung in Zeiten generativer KI vorgelegt und darin verschiedene Spannungsfelder beschrieben (Council, 2026). Eines davon heißt „Effizienz vs. Meta-Arbeit”. Gemeint ist mit Letzterem die Arbeit, die erst dadurch entsteht, dass wir KI nutzen. Man muss Nutzerinnen und Nutzer qualifizieren, Halluzinationen ausschließen, Quellen nachverfolgen, Bias identifizieren, den Einsatz dokumentieren und Rechtsfragen klären.

Entscheidend ist eine Randbemerkung des Papiers. Diese Meta-Arbeit werde bei der Kalkulation von Arbeitsaufgaben und Kapazitäten kaum je berücksichtigt (Council, 2026). Darum geht es hier. Nicht darum, dass KI nichts bringt. Sondern darum, dass wir nur eine Seite der Bilanz zählen.

Die Zeitersparnis ist echt

In einer präregistrierten randomisierten Studie mit 453 akademisch gebildeten Fachkräften sank die Bearbeitungszeit für professionelle Schreibaufgaben um 40 %, bei gleichzeitig um 18 % besserer Qualität (Noy & Zhang, 2023). Sauberes Design, starkes Ergebnis, und das schon in 2023.

Und in der Klinik liegt der am besten belegte Nutzen womöglich gar nicht in der Zeit. Eine prospektive Pilotstudie mit 48 Ärztinnen und Ärzten fand nach Einführung eines KI-Dokumentationsassistenten eine deutlich reduzierte Arbeitsbelastung (−24,4 Punkte) und weniger Burnout (−1,94; beide p<0,001) (Shah et al., 2025). Belastungserleben ist ein eigenständiger Endpunkt, der zählt.

Und jetzt kommt die Rückseite.

Große Zahlen, kleine Nenner

Ein großer US-amerikanischer Gesundheitsverbund berichtet nach über 2,5 Millionen Patientenkontakten von geschätzt 15.791 eingesparten Dokumentationsstunden, umgerechnet rund 1.794 Achtstundentage (Tierney et al., 2025).

Teilt sie einmal. 15.791 Stunden, verteilt auf über 2,5 Millionen Kontakte, sind ungefähr 22 Sekunden pro Kontakt. Auf die 7.260 beteiligten Ärztinnen und Ärzte gerechnet, sind das rund zwei Stunden pro Kopf — im Jahr.

Das passt genau zu dem, was kontrollierte Studien finden. Eine randomisierte Studie zu sogenannten Ambient-Scribes, also KI-Systemen, die das Arzt-Patienten-Gespräch mithören und daraus automatisch einen Dokumentationsentwurf erstellen, fand etwa 41 Sekunden Ersparnis pro Dokumentation und hielt fest, dass Ungenauigkeiten beider getesteter Systeme fortlaufende ärztliche Wachsamkeit erfordern (Lukac et al., 2025). Eine prospektive Studie an 45 Ärztinnen und Ärzten fand eine statistisch signifikante Reduktion von 0,57 Minuten pro Dokumentation (Ma et al., 2025). Signifikant, ja. Vierunddreißig Sekunden.

Einschränkend gilt, dass diese Untersuchungen aus den Jahren 2024 und 2025 stammen und die damaligen Systeme testeten. Die Entwicklung ist rasant, neuere Modelle könnten deutlich mehr einsparen. An der Grundrechnung ändert das aber nichts. Eine große Summe, geteilt durch einen großen Nenner, ergibt pro Fall wenig. Die aggregierte Zahl ist nicht falsch, sie ist nur beeindruckend gerechnet.

Wo die Zeit hingeht

Es gibt schon die ersten systematischen Übersichtsarbeiten zum Thema. Manche Untersuchungen berichten kürzere Dokumentationszeiten, andere einen erhöhten Editieraufwand — und die Zusammenfassungen, die die KI aus dem Patientengespräch erzeugte, mussten regelmäßig von Menschen nachgeprüft werden, um klinisch sicher zu sein (Ng et al., 2025). Eine Simulationsstudie hat die Editierzeit direkt gemessen und dabei deutliche Produktunterschiede gefunden (Biro et al., 2025). Eine Kohortenstudie fand gar keinen Produktivitätsvorteil, dafür signifikant mehr Arbeitszeit nach Feierabend im Krankenhausinformationssystem (Haberle et al., 2024).

Ein Teil der gesparten Zeit verschwindet also nicht. Er zieht um. Wie groß dieser Teil ist, hat man meist nicht so richtig auf dem Schirm.

Und in der Wissenschaft?

In der Wissenschaft fällt der Verifikationsaufwand ausgerechnet dort an, wo wir am wenigsten Lust darauf haben — bei den Referenzen.

Eine Untersuchung ChatGPT-generierter Literaturangaben in medizinischen Kurztexten fand anfangs, dass nur ein kleiner Bruchteil der Angaben korrekt war. Der große Rest war frei erfunden oder zumindest fehlerhaft (Bhattacharyya et al., 2023). In der Nephrologie war nur etwa jede fünfte generierte Referenz echt (Suppadungsuk et al., 2023). Beide Studien nutzten ältere Modelle, und die Halluzinationsraten sind seither deutlich gesunken.

Nur hilft das erstaunlich wenig. Entscheidend ist nicht die Rate, sondern dass sie unbekannt und ungleich verteilt ist. Eine einzige unzuverlässige Referenz zwingt Euch eigentlich, alle zu prüfen.

Geprüft wird oft gar nicht

Eine Befragung von 319 Wissensarbeitenden mit 936 konkreten Arbeitsbeispielen zeigte, dass generative KI die Tätigkeit verschiebt, weg vom Beschaffen hin zum Verifizieren, weg vom Ausführen hin zum Überwachen.

Wer der KI stärker vertraute, berichtete leider auch weniger kritisches Denken (Lee et al., 2025). Die Daten sind selbstberichtet, also mit Vorsicht zu lesen. Sie passen aber zu dem, was Klinikerinnen und Kliniker in Fokusgruppen selbst als Hürde benennen. Dazu gehören ein übermäßiges Vertrauen in die KI (Overreliance), die Neigung, einer maschinellen Empfehlung eher zu folgen als dem eigenen Urteil (Automation Bias), und die ungeklärte Frage, wer bei einem Fehler haftet (Yoon et al., 2024).

Die Meta-Arbeit fehlt aber nicht nur in den Metriken. Oft bemerkt man sie nicht einmal selbst, weil das Gefühl, mit KI schneller zu sein, dem tatsächlichen Aufwand vorauseilt.

Wir sind schlechte Zeugen unserer eigenen Effizienz.

Lisanne Bainbridge hat das schon 1983 vorweggenommen. Automatisierung, schrieb sie, beseitige die Schwierigkeiten mit dem Menschen an der Maschine nicht, sie vergrößere sie. Übrig bleiben die Aufgaben, die sich nicht automatisieren ließen — also die schwierigsten — plus ermüdende Überwachung. Und die Fertigkeiten, die es im Ernstfall bräuchte, verkümmern mangels Übung (sog. “Deskilling-Paradoxon”; (Bainbridge, 1983)). Bemerkenswert, wie klar sie das schon vor über vierzig Jahren gesehen hat, lange bevor es Sprachmodelle gab.

Was das für die Lehre heißt

Die Novizen-Schere. Die Produktivitätsforschung zeigt, dass gerade weniger Erfahrene kurzfristig am meisten profitieren. In der oben erwähnten Schreibstudie schrumpfte der Abstand zwischen stärkeren und schwächeren Teilnehmenden spürbar (Noy & Zhang, 2023). Genau hier liegt die Falle. Wer sein Fachwissen erst aufbaut, gewinnt kurzfristig am meisten, kann den KI-Output aber am wenigsten gegen eigene Expertise prüfen. So treffen kurzfristiger Gewinn und langfristiges Risiko dieselben Menschen.

Prüfungsformate erzeugen neue Meta-Arbeit, egal wie wir entscheiden. Mündliche Prüfungen, mit denen man sicherstellt, dass eine Arbeit wirklich von den Studierenden selbst stammt, kosten Zeit und lassen sich bei großen Gruppen kaum bewältigen. Bei 300 Studierenden pro Kohorte ist das schlicht nicht leistbar. Bewertungsraster, die nicht nur das Ergebnis, sondern auch den Arbeitsweg beurteilen, muss man erst aufwändig entwickeln. Und KI-Detektoren sind keine Lösung. Der Wissenschaftsrat warnt ausdrücklich vor ihrem unkritischen Einsatz (Council, 2026).

Die Rechnung muss jemand bezahlen. Seit Februar 2025 verpflichtet Artikel 4 der EU-KI-Verordnung Betreiber — also auch Hochschulen — dazu, für hinreichende KI-Kompetenz ihres Personals zu sorgen (VO (EU) 2024/1689). Meta-Arbeit per Gesetz.

Was wir (noch) nicht wissen

Bei alldem lohnt ein Schritt zurück. Generative Chatbots gibt es erst seit Ende 2022, und sie entwickeln sich in rasantem Tempo weiter. Vieles, was heute gilt, ist morgen vielleicht überholt. Entsprechend ehrlich muss die Antwort ausfallen, was wir noch nicht wissen. Sie lautet: erstaunlich viel.

• Niemand hat die Bilanz je aufgemacht. Es fehlt eine Studie, die Zeitgewinn minus Verifikations-, Editier-, Dokumentations- und Compliance-Aufwand netto ausweist. Editier- und Prüfzeit wird in Dokumentationsstudien teils gar nicht erst erhoben.
• Für Lehre und Prüfung fehlen Daten fast vollständig. Die belastbare Evidenz stammt vor allem aus der Klinik. Ob sie sich auf Seminarräume übertragen lässt, ist offen.
• Kompetenzerhalt ist ein Langzeitproblem, gemessen wird kurzfristig. Die vorliegenden Studien messen über Wochen bis Monate. Was nach Jahren dauerhafter Nutzung geschieht, weiß (bisher) niemand.

Fazit

• Die Zeitgewinne generativer KI sind real und randomisiert belegt, sie sind aber kleiner, als die großen Zahlen suggerieren.
• Ein bislang unquantifizierter Teil der Ersparnis wandert in Verifikation, Korrektur und Dokumentation — und wird von den gängigen Metriken nicht erfasst.
• Wo Verifikation teuer ist, unterbleibt sie. Dann entstehen keine Zeitkosten, sondern Qualitäts- und Verantwortungsrisiken. Auch das ist eine Rechnung, nur dass diese erst später fällig wird.
• Nichts davon ist ein Argument gegen KI-Nutzung. Es ist ein Argument gegen naive Kapazitätsrechnungen.

Für mich ist die spannendste offene Frage nicht, ob KI schneller macht, sondern welche Arbeitsanteile sich überhaupt delegieren lassen — und welche wir prüfen und verantworten müssen, weil sie sich nicht delegieren lassen sollten. Das ist keine Effizienzfrage. Das ist eher eine Frage danach, was wissenschaftliches Arbeiten im Kern ausmacht.

Referenzen

Eure innere Uhr ist keine Willensfrage

Dass Menschen zu verschiedenen Zeiten leistungsfähig sind, ist keine Ausrede fauler Langschläfer. Der Chronotyp — die Neigung, eher früh („Lerche”) oder eher spät („Eule”) aktiv zu sein — verteilt sich in der Bevölkerung breit und stabil, von extremen Frühtypen bis zu extremen Spättypen (Roenneberg et al., 2003). Ein spürbarer Teil dieser Unterschiede ist genetisch mitbestimmt: Große Assoziationsstudien haben mehrere Gene identifiziert, die reproduzierbar mit dem Chronotyp zusammenhängen (Kalmbach et al., 2017).

Für Euch als Studierende kommt eine biografische Tücke dazu. Im späten Jugend- und jungen Erwachsenenalter verschiebt sich der innere Fahrplan nach hinten — ausgerechnet dann, wenn Unterricht, Vorlesungen und Klausuren früh beginnen. Diese Schere zwischen biologischer und sozialer Zeit trägt sogar einen eigenen Namen: sozialer Jetlag. Wer unter der Woche gegen die eigene innere Uhr aufsteht, sammelt ein Schlafdefizit an und kompensiert es am Wochenende (Wittmann et al., 2006). Die 8-Uhr-Klausur trifft also nicht alle gleich hart.

Zwei Effekte, die sich überlagern

Wenn man die Forschung ordnet, wirken zwei verschiedene Mechanismen — und sie werden in Alltagsdebatten gern verwechselt.

Erstens: Über den Tag ermüden fast alle. Die sauberste Feldevidenz stammt aus Dänemark, wo Forschende Millionen standardisierter Testergebnisse auswerten konnten. Der Testzeitpunkt hing dort vom Stundenplan und der Computerverfügbarkeit ab, war also nicht von den Schülerinnen wählbar. Ergebnis: Pro Stunde später am Tag sank die Leistung — im Sinne eines kleinen, aber verlässlichen Abwärtstrends, den die Autoren als kumulierende kognitive Ermüdung deuten (Sievertsen et al., 2016). Auch in großen US-Schuldaten schnitten Lernende im Fach Mathematik am Vormittag besser ab als am Nachmittag (Pope, 2016). Dieser Effekt betrifft im Prinzip jeden, unabhängig vom Chronotyp.

Zweitens: Es zählt die Passung zwischen innerer Uhr und Prüfungszeit. Hier wird es individuell. Fachleute nennen das den Synchronie-Effekt: Wir rufen unsere beste Leistung ab, wenn der Prüfungszeitpunkt zur inneren Uhr passt. Den bislang überzeugendsten Beleg lieferte eine argentinische Studie, in der 753 Jugendliche per Los einer Morgen-, Nachmittags- oder Abendschicht zugeteilt wurden (eine seltene echte Randomisierung im Bildungskontext!). In der Morgenschicht schnitten Frühtypen deutlich besser ab als Spättypen, am stärksten in Mathematik. In der Nachmittagsschicht verschwand dieser Vorteil, und Spättypen profitierten sogar vom Abendunterricht (Goldin et al., 2020). Genau das erklärt, warum manche morgens glänzen und andere nicht: Es gibt keine für alle beste Uhrzeit, sondern für jeden ein eigenes Zeitfenster.

Dass die Tageszeit dabei nicht nur „Wachheit” ist, zeigen kognitionspsychologische Übersichten: Aufmerksamkeit, Arbeitsgedächtnis und exekutive Funktionen schwanken über den Tag hinweg systematisch (Valdez et al., 2014). Und Chronotyp-Reviews zeigen ein Muster, das genau dazu passt: Der Zusammenhang zwischen Chronotyp und Noten ist morgens am stärksten und löst sich nachmittags auf (Zerbini & Merrow, 2017). Das ist die Handschrift des Synchronie-Effekts — morgens liegen Frühtypen im Takt ihrer inneren Uhr und Spättypen nicht, sodass sich die Leistungen dann am deutlichsten unterscheiden.

Wie groß ist der Effekt wirklich?

Jetzt kommt eine Einordnung, die in Prüfungsdebatten leider meist fehlt. Über alle Studierenden gemittelt sind die Zusammenhänge ziemlich klein. Meta-Analysen finden für die Verbindung von Abendorientierung und schlechteren Noten ziemlich kleine Korrelationen (Preckel et al., 2011; Tonetti et al., 2015). Das heißt: Der Chronotyp erklärt nur einen winzigen Bruchteil dessen, was Eure Note ausmacht. Vorbereitung, Vorwissen, Motivation und Schlaf wiegen um ein Vielfaches schwerer.

Klein heißt aber nicht bedeutungslos. Ein kleiner, systematischer Nachteil kann an einer Bestehensgrenze oder bei einer knappen Auswahlentscheidung den Ausschlag geben — und weil er systematisch mit der Prüfungszeit zusammenhängt, ist er eine Fairnessfrage und nicht nur Pech. Für Euch persönlich lohnt es sich also, die Tageszeit als einen von vielen Stellhebeln zu sehen, nicht als Schicksal. Falls Ihr also die Wahl habt, sucht eine für Euren Chronotyp gut passende Prüfungszeit aus.

Warum die Uni das nicht einfach „lösen” kann

Wenn Passung so wichtig ist, warum legt man Prüfungen dann nicht einfach in das jeweils optimale Zeitfenster? Weil das für eine ganze Kohorte unmöglich ist. In demselben Hörsaal sitzen Lerchen und Eulen nebeneinander. Ein Termin, der den einen entgegenkommt, benachteiligt die anderen. Ein pauschal späterer Prüfungsbeginn hilft eben nicht allen — Spättypen profitieren, Frühtypen verlieren. Dazu kommen Raumkapazitäten, Aufsichten, Fristen und die Vergleichbarkeit über Prüfungstermine hinweg.

Was strukturell trotzdem geht, ist gut belegt. Pausen sind der billigste Hebel überhaupt: Schon 20 bis 30 Minuten dämpfen den Ermüdungsabfall spürbar (Sievertsen et al., 2016). Spätere Startzeiten verlängern nachweislich den Schlaf von Jugendlichen und gehen tendenziell mit besserem Befinden einher (Alfonsi et al., 2020; Marx et al., 2017). Und Institutionen können die Prüfungszeit als das behandeln, was sie ist — eine systematische, dokumentierbare Einflussgröße, die man bei Auswertungen zumindest im Blick behalten sollte.

Was Ihr selbst tun könnt

Realistisch bleibt für Euch ein schmaler, aber nutzbarer Spielraum. Wer bei computerbasierten Prüfungen einen Termin wählen darf, kann ihn grob am eigenen Chronotyp ausrichten. Wichtiger als die Uhrzeit ist aber fast immer der Schlaf davor: Ausreichend und regelmäßig zu schlafen verschiebt mehr als jede Feinjustierung des Prüfungsslots (Nguyen et al., 2025). Und in langen Prüfungen (wie zum Beispiel Staatsexamina) sind bewusst genutzte Pausen kein Zeitverlust, sondern messbar investierte Leistung.

Was wir (noch) nicht wissen

So gut die Schul- und Laborevidenz ist — für den Kern des Medizinstudiums klafft eine Lücke. Direkte Studien dazu, wie sich die Tageszeit auf große schriftliche Staats- oder Fachexamina auswirkt, fehlen weitgehend. Die belastbaren Zahlen stammen aus Schulkontexten und aus dem Labor. Hinzu kommt, dass sich der Synchronie-Effekt bei jungen Erwachsenen nicht in jeder Studie robust zeigt und in kontrollierten Wiederholungen teils ausbleibt. Und in den großen Felddaten lassen sich Ermüdung und innere Uhr nur schwer sauber trennen, weil Schlaf, Ernährung und Fachschwierigkeit mit hineinspielen. Wer aus einem kleinen Mittelwertunterschied eine feste Regel für die eigene Prüfung ableitet, überzieht eventuell die Evidenz.

Fazit

• Die Tageszeit beeinflusst Prüfungsleistung real, aber klein — Vorbereitung und Schlaf wiegen weit schwerer.
• Zwei Effekte überlagern sich: Ermüdung über den Tag (betrifft fast alle) und Passung von Chronotyp und Prüfungszeit (individuell verschieden).
• Eine für alle optimale Prüfungszeit gibt es nicht — deshalb kann keine Uni sie garantieren.
• Kleine Effekte können an Notengrenzen trotzdem den Ausschlag geben, das macht die Prüfungszeit dann doch zu einer Fairnessfrage.
• Euer stärkster eigener Hebel ist nicht die perfekte Uhrzeit, sondern guter Schlaf und konsequent genutzte Pausen.

Referenzen

Was bleibt, hat Folgen für die Lehre

Aus den ersten beiden Teilen dieser Blogbeitrag-Serie nehmen wir zwei Sätze mit.

1. Da spricht niemand. Ein Sprachmodell ist kein Gegenüber, sondern verdichtete menschliche Kultur (Friederichs, 2026a).
2. Und was dem Menschen bleibt, ist nicht das Erzeugen, sondern das Beurteilen und das Einstehen (Friederichs, 2026b).

Die Grenze verläuft also nicht zwischen Themen, sondern zwischen Tätigkeiten. Die Maschine erzeugt. Der Mensch beurteilt, ob das im Fall trägt, und legt sich fest. Das hat Folgen dafür, wie wir ausbilden und prüfen. Und, schöner gesagt, dafür, wie wir Freude an der eigenen Urteilskraft wecken.

Selberdenken ist der eigentliche Gewinn

Damit wird auch klar, warum wir Studierende weiterhin selbst suchen, rechnen und schreiben lassen, obwohl die Maschine das könnte. Es geht nicht um Misstrauen, und schon gar nicht um die Frage, ob jemand „schummelt”. Es geht um etwas Schöneres. Beurteilen kann man nur, was man selbst einmal erzeugt hat. Wer in einem Feld nie eigene Antworten gesucht hat, dem fehlt das Gespür, um eine fremde Antwort zu prüfen, auch die einer KI.

Dieses Gespür, ein KI-Ergebnis einzuordnen und ihm bei Bedarf zu widersprechen, ist vielleicht die wichtigste ärztliche Kompetenz im KI-Zeitalter. Überspringen lässt es sich nicht. Und es aufzubauen macht sogar Freude. Wer die eigene Überlegung selbst durchdacht hat, macht nichts falsch, wenn danach eine KI dazukommt. Verpasst wird nur etwas, wenn die Maschine sofort alles übernimmt: eine jener Übungen, an denen genau dieses Gespür wächst.

Die eigentliche Arbeit sind die Anschlussfragen

Daraus folgt kein Verbot, sondern eine Verlagerung, und ehrlich gesagt die spannendere Hälfte der Arbeit. Sie beginnt nämlich erst mit den Fragen an die KI-Antwort. Wo könnte sie danebenliegen? Was hat die Maschine über die Patientin angenommen, das nie erhoben wurde? Wie gut ist die Evidenz dahinter? Was müsste sich ändern, damit die Antwort anders ausfällt? Und lässt sich die Begründung überhaupt nachvollziehen?

Diese Fragen zu stellen ist anspruchsvoller, als die Antwort zu erzeugen, und meistens auch interessanter. Genau hier sitzt die ärztliche Arbeit. Eine Prüfung, die das ernst nimmt, schaut deshalb weniger auf das fertige Produkt und mehr auf das Verständnis dahinter. Nach der Patienten-Untersuchung stellen Studierende ihre (Verdachts-)Diagnose vor und verteidigen sie in der Diskussion. Stellt sich dabei eine benannte Leitlinie als Erfindung der KI heraus, dann war ihr Prüfen die eigentliche Aufgabe, nicht die der Maschine. Das ist keine Schande, sondern genau der Teil, der beim Menschen bleibt. Die Nachfrage „Warum hier so und nicht anders?” ist dann keine Falle, sondern eine Einladung, das eigene Denken zu zeigen.

Die KI als Konsiliarius

Ein Bild aus dem ärztlichen Alltag fasst das gut zusammen. Die KI ist ein Konsiliarius, belesen, manchmal danebenliegend, nie haftbar und immer darauf angewiesen, dass die anfordernde Ärztin die Antwort einordnet. Die Linie heißt deshalb nicht „KI ja oder nein”. Man darf den Konsiliarius anfordern wie eine geschätzte Kollegin, aber nicht zur entscheidenden Instanz machen. Und wer ein Konsil klug nutzen will, muss sein eigenes Fach gut genug verstehen, um zu erkennen, wann die Kollegin gefragt ist und wann auch sie einmal irrt.

Die Wortherkunft passt erstaunlich gut. Consiliarius ist der Ratgeber, consilium die Beratung und zugleich das Gremium, das entscheidet. Der Berater berät, das Konsil entscheidet. Die KI ist consiliarius, nicht consilium. Gute Lehre bildet deshalb nicht gegen die KI aus, sondern bildet die anfordernde Ärztin, mit der KI-Antwort als willkommenem Studienobjekt statt als Tabu.

Quellenarbeit als kleinste Form der Verantwortung

Damit schließt sich der Kreis zum ersten Teil. Quellenarbeit war nie nur Vorsicht gegen falsche Antworten. Sie ist die kleinste, alltägliche Form, Verantwortung zu übernehmen. Man steht für das ein, was man weitergibt. Wer eine KI-Antwort prüft, bevor er sie übernimmt, tut im Kleinen, was Ärzte täglich am Patienten im Großen tun müssen. Er macht ein fremdes, unsicheres Urteil zu seinem eigenen.

Die Grenze ist nicht überall gleich. Bei klar begrenzten, gut prüfbaren Aufgaben, etwa einer Übersetzung, einem Stück Code oder einer Gliederung, bringt menschliches Mitdenken wenig und kann sogar stören. Hier genügt ein kurzer Plausibilitätscheck. Bei großer Unsicherheit, hohem Einsatz oder Wertfragen zählt menschliches Denken umso mehr.

Bessere KI vergrößert den Bereich, in dem Erzeugen plus kurzer Check reicht. An der Stelle der Festlegung aber bleibt die Grenze. Sie liegt bei dem, der handelt, und die Maschine ist nicht Teil der Beziehung, in der die Werte der Patient*innen in die Entscheidung einfließen.

Vier Leitplanken für die Lehre

Wer heute eine feste Regel für den Umgang mit KI aufstellt, hat morgen schon ein besseres Modell vor sich, und die Regel ist eventuell überholt. Tragfähig bleibt nur, was sich nicht am Können der Maschine festmacht, sondern an der Rolle des Menschen. Man tut sicher gut daran, den Hype mal wegzulassen und eher zu einer bedachten, informierten Einführung überzugehen (siehe auch Boscardin et al., 2025).

Vier solche Leitplanken:

Die Grenze liegt an der Verantwortung, nicht am Werkzeug: Was sich delegieren lässt, verschiebt sich mit jedem Update. Wer am Ende einsteht, nicht. Studierende sollten deshalb weniger lernen, ob sie eine KI benutzen dürfen, als die Stelle zu erkennen, an der sie sich selbst festlegen sollten. Dort endet das Delegieren, heute wie in einigen Jahren.

Prüfen statt verbieten: Ein Verbot hält genau so lange, bis niemand mehr feststellen kann, ob es befolgt wird. Robuster ist, das Verständnis zu prüfen und nicht das Produkt: die mündliche Nachfrage, die Verteidigung, die Bitte, eine Entscheidung zu begründen. Die KI kann das Produkt perfekt liefern. Das Verständnis dahinter kann sie den Studierenden nicht abnehmen.

Offenlegen statt tabuisieren: Wer seine KI-Nutzung angeben muss, verschiebt den Maßstab vom Erwischtwerden zur Rechenschaft. Das ist keine Kontrolle, sondern eine kleine Übung im Einstehen. Und genau die wollen wir ausbilden.

Erst selbst erzeugen, dann urteilen: Das Gespür, eine fremde Antwort zu prüfen, wächst nur am eigenen Tun. Es lohnt sich deshalb, gezielt Phasen zu schützen, in denen ohne KI gearbeitet wird, nicht aus Misstrauen, sondern zur Kalibrierung. Wer die Mühe einmal kennt, erkennt später besser, wo die Maschine es sich zu leicht macht.

Fazit

Im ersten Teil hieß es: Da spricht niemand. Wo aber niemand spricht, haftet auch niemand — und diese Aufgabe bleibt bei uns. Für die Lehre heißt das nicht weniger Arbeit, aber vielleicht eine schönere. Wir bilden Menschen aus, die prüfen, was die Maschine erzeugt, und die für ihr Urteil geradestehen. Das Erzeugen nimmt die KI uns zunehmend ab, das Beurteilen und das Einstehen bleiben unsere Aufgabe, und mit ihnen die Befriedigung und Freude, die darin steckt.

Referenzen

Viermal um das Auto

Es war einer meiner ersten Einsätze als Notarzt. Ein Auto war bei Rot über die Kreuzung gefahren und auf der anderen Seite gegen einen Ampelmast geprallt, mit voller Wucht. Im Wagen saß ein älteres Ehepaar, er am Steuer, sie daneben.

Als wir ankamen, war der Aufprall deutlich zu sehen. Die Beifahrerin war eingeklemmt, ich kam kaum an sie heran. Ich fand keinen Puls, sie reagierte nicht, aber sie war noch warm. Auch mit der vielen Technik konnten wir nicht sicher feststellen, ob sie schon tot war. Ihr Mann sprach zuerst mit uns, dann wurde er immer benommener.

Ich musste mich entscheiden. Um ihn zu versorgen, hätte ich mit den Notfallsanitätern losfahren und seine Frau zurücklassen müssen. Ich bin viermal um das Auto gegangen und habe sie immer wieder untersucht. Kein Puls, sie war immer noch warm.

Dann sind wir gefahren. Der Mann hatte eine Hirnblutung. Er wurde operiert und überlebte.

Der Dienst war lang und aufreibend. Spät am Abend habe ich dann beim Bestattungsinstitut angerufen, um sicher zu sein, dass die Frau wirklich tot war. Meine Hand hat dabei gezittert.

Das ist Verantwortung. Nicht das Wort, sondern das, was bleibt. Sicher sein konnte ich nicht, kein Puls und doch noch diese Wärme. Entscheiden musste ich trotzdem, und ich habe die Entscheidung damals getragen, bis zu jenem Anruf und eigentlich bis heute.

(Im Nachhinein hätte ich einen zusätzlichen Notarzt rufen sollen. Hinterher ist man klüger. Auch das gehört dazu.)

Wer spricht da — und wer haftet?

Was hat diese Szene mit Künstlicher Intelligenz zu tun? Mehr, als es auf den ersten Blick scheint. Im ersten Teil stand eine Frage im Raum. Wer spricht da eigentlich, wenn nachts um halb zwei eine Antwort aus dem Chatfenster kommt? Die Antwort fiel beruhigend und ernüchternd zugleich aus. Niemand. Ein Sprachmodell denkt nicht, es verdichtet (Lanier, 2023). Es ist die jüngste in einer langen Reihe von Maschinen, die menschliches Wissen ordnen und zugänglich machen.

Das hat eine Folge, die uns als Lehrende angeht. Wenn die Maschine das abrufbare Wissen übernimmt, rund um die Uhr und fast umsonst, verliert ein Teil unserer Lehre seinen alten Wert. Nicht das Wissen selbst, aber seine Exklusivität. Und wo niemand spricht, haftet auch niemand. Was bleibt dann eigentlich dem Menschen?

„Auskunft, nicht Einsicht”

Der Wirtschaftsinformatiker Detlef Schoder hat das in einem lesenswerten FAZ-Beitrag zugespitzt. Die Maschine liefere «Auskunft, nicht Einsicht» (Schoder, Detlef, 2026). Was sie nicht ersetze, sei das Deuten, das Verbinden, das Abwägen, das Urteilen — und das Verantworten.

In einem Punkt möchte ich Schoder ergänzen, eventuell sogar widersprechen. Die ersten vier dieser Tätigkeiten kann KI inzwischen erstaunlich gut. Sie deutet, sie verknüpft entfernte Felder, sie wägt ab und legt am Ende sogar ein Urteil vor. Wer das einmal richtig mit leistungsfähigen Modellen ausprobiert, kommt aus dem Staunen kaum heraus. Ein Bildungsverständnis, das den Menschen vor allem darüber definiert, dass er besser deutet als die Maschine, dürfte deshalb bald in Erklärungsnot geraten.

Die Ausnahme: das Verantworten

Damit sind wir beim Kern. Eine Tätigkeit fällt aus der Reihe, und das grundsätzlich, nicht nur graduell. Es ist das Verantworten. Wer verantwortet, prüft das Erzeugte am Fall, legt sich auf eine Antwort fest und steht für sie gerade. Das setzt jemanden voraus, der zur Rechenschaft gezogen werden kann, der etwas zu verlieren hat und die Folgen trägt (“Skin in the game”, siehe Taleb, 2018). Ein Modell hat davon nichts. Es kann ein Urteil erzeugen, aber es nicht zu seinem eigenen machen und nicht dafür einstehen. Diese Lücke schließt auch das nächste, größere Modell nicht, denn sie ist keine Frage des Könnens, sondern der Stellung. Schoder bringt es schön auf den Punkt. Eine Maschine kann Optionen erzeugen, einstehen für die gewählte Lösung kann nur der Mensch.

Und es heißt mehr, als ein Ergebnis abzuliefern. Es heißt, für das Warum geradezustehen, nachprüfbar und nachvollziehbar. In Medizin und Recht nennt man das die Begründungspflicht. Man muss sagen können, warum man so gehandelt hat und nicht anders. Genau das liefert ein Sprachmodell nicht mit.

Die nachgereichte Begründung

Aber kann sich ein Modell nicht selbst begründen? Man muss es doch nur fragen, warum es so geantwortet hat, und schon erklärt es sich, oft erstaunlich überzeugend.

Nur zeigt diese Erklärung nicht, wie die Antwort wirklich zustande kam. Das Modell rechnet seine Begründung in dem Moment neu aus, in dem wir danach fragen. Es erzählt uns also eine plausible Geschichte, die zur Antwort passt, und nicht den tatsächlichen Weg dorthin. Und genau das ist heikler als ein ehrliches Schweigen. Ein System, dem man ansieht, dass man nicht hineinschauen kann, lädt zum Prüfen ein. Ein System, das glatte Gründe nachreicht, lädt zum Vertrauen ein. Das ist die eigentliche Stolperfalle.

Ein ehrlicher Einwand

Ein Einwand bleibt, und er ist berechtigt. Auch wir Menschen handeln aus Wissen, das wir nicht restlos in Worte fassen können. Die erfahrene Ärztin spürt, dass etwas nicht stimmt, bevor sie es benennen kann. Michael Polanyi hat das in eine schöne Formel gefasst. Wir wissen mehr, als wir sagen können (Polanyi, 2009). Wer also lückenlose Erklärbarkeit verlangt, trifft damit auch die ärztliche Intuition.

Das stimmt. Der Unterschied liegt aber nicht darin, wie undurchsichtig dieses Wissen ist, sondern darin, wo es verankert ist. Das stille Wissen der Ärztin steckt in einem Menschen, in einer, die haftet, die über Jahre und auch durch Fehler gelernt hat und die zur Rechenschaft gezogen werden kann. Hinter der Undurchsichtigkeit des Modells steht nichts davon. Da ist niemand.

Die Pflicht ist also nicht, jeden Gedankenschritt auszusprechen. Das könnten wir bei uns selbst nicht. Die Pflicht ist, dafür zu sorgen, dass am Ende ein verantwortlicher Mensch hinter der Aussage steht. Und das kann das Modell nicht sein.

Was jetzt knapp wird

Das dreht die anfängliche Sorge um. Gerade weil Wissen, Deuten und Abwägen billig und reichlich werden, wird etwas anderes kostbar. Nämlich jemand, der bereit und befugt ist, für eine Entscheidung geradezustehen. Je besser die Maschine urteilt, desto wichtiger wird der Mensch, der dieses Urteil zu seinem eigenen macht.

Für das, was hier übrig bleibt, gibt es einen alten Namen. Die Griechen nannten es Phronesis, die praktische Klugheit. Aristoteles hat sie vom reinen Wissen und vom bloßen Können unterschieden. Sie ist nicht die Fähigkeit, ein Urteil zu erzeugen, sondern die Fähigkeit, im einzelnen Fall das Richtige zu sehen und dafür einzustehen. Sie wächst nur mit der Erfahrung, dadurch, dass man eigene Entscheidungen immer wieder trägt. Herunterladen lässt sie sich deshalb nicht. Ein Modell kann den klügsten Rat formulieren. Phronesis hat es nicht, weil ihm das Leben fehlt, das gelingen oder scheitern kann. In der Medizin ist dieser Gedanke übrigens alt. Die Urteilskraft am Krankenbett galt immer als Musterbeispiel praktischer Klugheit, nie als bloße Anwendung einer Formel.

Fazit

Der Unterschied zwischen Mensch und Maschine liegt also nicht im Deuten, Verbinden, Abwägen oder Urteilen. Das kann KI zunehmend gut, und das dürfen wir ruhig anerkennen. Er liegt im Verantworten. Nur wer zur Rechenschaft gezogen werden kann, kann für eine Entscheidung einstehen, und das lässt sich an kein System abgeben. Je selbstverständlicher die Maschine uns das Denken abnimmt, desto mehr kommt es auf jene an, die am Ende dafür nachvollziehbar und nachprüfbar geradestehen. Was das für unsere Ausbildung und unsere Prüfungen heißt, schauen wir uns im letzten Teil an.

Referenzen

Die Schrift als erstes „künstliches Gedächtnis”

Vor der Schrift war Wissen deutlich stärker an einzelne Menschen gebunden. Der Schamane kannte die Heilpflanzen, die Älteste die Geschichte des Stammes, der Handwerker seine Techniken. Mit dem Tod dieser Personen verschwand oft auch das Wissen. „Intelligenz” – verstanden als verfügbares Können – lag vollständig in Köpfen und kleinen Gruppen. Was nicht weitererzählt wurde, war einfach weg.

Die Schrift war die erste große Auslagerung des Gedächtnisses. Bereits Platon ließ in seinem Dialog Phaidros Sokrates die Sorge formulieren, die Menschen könnten durch das Schreiben ihre Erinnerungskraft verlieren – Buchstaben seien tot, sie könnten nicht antworten, sie machten die Lernenden bequem (z. B. Platon, 2022). Aus heutiger Sicht wirkt diese Sorge fast komisch. Damals aber war Schrift tatsächlich ein neues, künstlich anmutendes Gedächtnis. Plötzlich ließ sich Wissen speichern, kopieren, transportieren und über Generationen weitergeben.

Die Schrift hat Menschen nicht intelligenter gemacht. Sie hat vorhandene Intelligenz besser verfügbar gemacht. Das liegt erstaunlich nahe an Laniers Argument zur KI.

Stufen der Verdichtung: Bibliothek, Buchdruck, Enzyklopädie

Die wahrscheinlich Anfang des 3. Jahrhunderts v. Chr. entstandene Bibliothek von Alexandria war mehr als ein Gebäude mit Schriftrollen. Sie war die Verdichtung der geistigen Arbeit vieler Autorinnen, Autoren und Gelehrter über Generationen hinweg. Ein Gelehrter konnte dort auf Erkenntnisse zugreifen, die er selbst nie hätte erzeugen können. Trotzdem kommt niemand auf die Idee, eine Bibliothek sei „intelligent”. Sie ist eher ein Speicher menschlicher Intelligenz.

Mit dem in Europa um 1440 von Johannes Gutenberg erfundenen Buchdruck geschah etwas Ähnliches, nur viel schneller. Vorher musste jedes Buch mühsam abgeschrieben werden. Danach konnten sich Ideen explosionsartig verbreiten. Reformation, wissenschaftliche Revolution und Aufklärung wären ohne diese Verdichtung kaum denkbar. Auch hier entstand keine neue Intelligenz, sondern ein leistungsfähigeres Netzwerk.

Die Aufklärung formulierte dann den ambitioniertesten Verdichtungsanspruch: das gesamte menschliche Wissen sollte gesammelt werden. Die ab 1751 erschienene Encyclopédie von Diderot und d’Alembert war funktional gesehen ein analoges Vorläufermodell der heutigen Wikipedia. Viele Fachleute lieferten Beiträge, die Herausgeber verdichteten sie, und Leserinnen und Leser griffen auf das Wissen zu, ohne die Urheber*innen zu kennen.

Das Internet

Hier wird der Übergang zum Historiker Yuval Noah Harari (Eine kurze Geschichte der Menschheit (Harari et al., 2014); Homo Deus – Eine Geschichte von Morgen (Harari, 2018)) interessant. In Nexus argumentiert er, Geschichte sei wesentlich von sog. “Informationsnetzwerken” geprägt. Religionen, Staaten, Märkte und die Wissenschaft sind für ihn Strukturen, in denen Informationen zwischen vielen Menschen fließen (Harari, 2024). Das Internet ist das bisher größte dieser Netzwerke. Milliarden Menschen produzieren Inhalte, Suchmaschinen und Plattformen ordnen sie.

Wikipedia ist das vielleicht klarste Beispiel. Wer einen Artikel über die Aortenklappe liest, spricht nicht mit einer einzelnen Person, sondern greift auf die Arbeit Hunderter oder Tausender zu. Trotzdem sagt niemand: Wikipedia denkt. Intuitiv ist klar, dass hier kollektives Wissen verdichtet wurde. Laniers Pointe lautet im Kern: Sprachmodelle sind dieselbe Idee, nur eine Stufe höher.

Der eigentliche Bruch: von Speicherung zu Synthese

Eine Bibliothek speichert Wissen. Wikipedia ordnet es. Ein Sprachmodell – also eine KI, die auf riesigen Textmengen trainiert wurde und daraus passende Antworten zusammensetzt – erzeugt darüber hinaus neue Formulierungen. Es beantwortet Fragen in Echtzeit, schreibt Texte, erklärt Zusammenhänge, übersetzt und kombiniert Quellen. In dieser Skalierung, Dialogfähigkeit und Alltagszugänglichkeit ist das historisch tatsächlich neu, und genau deshalb entsteht (wieder) der Eindruck einer eigenen Intelligenz.

Eine hilfreiche Analogie liefert der Taschenrechner. Er rechnet schneller und fehlerärmer als jeder Mensch und verarbeitet Zahlen, an denen mancher Kopf scheitern würde. Niemand würde dennoch sagen, der Taschenrechner verstehe Mathematik. Wir würden eher sagen, dass er einen Teil mathematischer Arbeit automatisiert. Lanier würde argumentieren, dass Sprachmodelle dasselbe für sprachliche und kognitive Routineprozesse leisten.

Emergenz im Netzwerk

An einer besonderen Stelle weichen die Lanier und Harari voneinander ab. Lanier betont vor allem, dass hinter jeder KI-Antwort Menschen stehen. Harari betont stärker, dass Informationsnetzwerke häufig Eigenschaften entwickeln, die niemand geplant hat. Ein Markt „kennt” den Preis eines Produkts, ohne dass eine einzelne Person alle relevanten Informationen hätte. Eine Demokratie verarbeitet Informationen über Millionen Bürgerinnen und Bürger. Die Wissenschaft tut dies für Millionen Forschende.

Solche Eigenschaften nennt man emergent – sie entstehen aus dem Zusammenspiel vieler Teile, ohne in einem einzelnen Teil schon angelegt zu sein. In dieser Lesart wird ein Netzwerk als Ganzes leistungsfähiger als seine Mitglieder. Damit rückt Harari etwas näher an die Idee einer Form kollektiver Intelligenz, ohne sie einem einzelnen System zuzusprechen.

Der Kompromiss: weder denkendes Wesen noch bloße Datenbank

Beide Positionen lassen sich aus meiner Sicht gut zusammenführen. Lanier beschreibt die nüchterne Erinnerung: KI ist verdichtete menschliche Kultur. Harari beschreibt die historische Tiefe: Informationsnetzwerke entwickeln immer wieder neue kollektive Fähigkeiten. Ein Sprachmodell ist dann weder ein denkendes Wesen noch eine bloße Datenbank, sondern eine neue historische Stufe der Wissensverdichtung:

Schrift → Bibliothek → Buchdruck → Enzyklopädie → Internet → Sprachmodelle

ChatGPT ist in dieser Lesart nicht die erste künstliche Intelligenz der Geschichte, sondern die bislang leistungsfähigste Maschine zur Organisation und Rekombination menschlichen Wissens. Das passt zu dem, was Harari als fortschreitende Evolution von Informationsnetzwerken beschreibt – und es nimmt die Aura der Magie aus der Diskussion, ohne den Bruch kleinzureden.

Was das für die medizinische Ausbildung heißt

Für Lehrende und Studierende hat diese Lesart praktische Konsequenzen. Wer KI als denkendes Gegenüber begreift, neigt dazu, Antworten zu glauben. Wer sie als Verdichtung menschlicher Kultur versteht, bleibt eher kritisch. Die Antwort kann nur so klug sein wie das Material, das in das Modell geflossen ist, und nur so verlässlich wie die Stelle, an der wir sie prüfen. Das ist eine vertraute Haltung – sie ist die Grundlage jeder Quellenarbeit und kritischen Evidenzgenerierung.

Was wir (noch) nicht wissen

• Wo die Grenze zwischen Synthese und „echtem Verstehen” liegt, ist philosophisch wie empirisch offen. Sprachmodelle lösen Probleme, an denen frühere Systeme scheiterten – was das im strengen Sinn heißt, ist (noch) umstritten.
• Wie sich emergente Eigenschaften messen lassen, ist methodisch unklar. Harari beschreibt sie auf historischer Ebene, auf Modellebene fehlen belastbare Kriterien.
• Welche Lernwirkung der KI-Einsatz langfristig hat, ist für die Medizinausbildung noch nicht hinreichend untersucht (Feigerlova et al., 2025; Wang et al., 2026). Erste Studien deuten an, dass viel vom didaktischen Setting abhängt – Genaueres bleibt Aufgabe der nächsten Jahre.

Fazit

KI ist weder Magie noch Hokuspokus. Sie ist die jüngste – und derzeit beeindruckendste – Stufe einer langen Reihe von Werkzeugen, mit denen Menschen Wissen verdichten und einander zugänglich machen. Wer das im Blick behält, kann sie produktiv nutzen, ohne ihr mehr Eigenständigkeit zuzusprechen, als sie tatsächlich hat.

Referenzen

Eine Studie, ein Spruch, eine Welle

Wer den Stift hochleben lassen will, beruft sich meistens auf eine Arbeit von 2014. Pam Mueller und Daniel Oppenheimer publizierten in Psychological Science einen Aufsatz mit dem fast zu griffigen Titel „The Pen Is Mightier Than the Keyboard” („Der Stift ist mächtiger als die Tastatur”) (Mueller & Oppenheimer, 2014). Sie ließen Studierende Vorträge mitschreiben, die einen per Hand, die anderen per Laptop. Die Handschrift-Gruppe schnitt bei konzeptuellen Verständnisfragen besser ab, obwohl die Laptop-Gruppe mehr Wörter zu Papier brachte. Die Folge: Laptop-Verbote an Lehrstühlen, populäre Artikel im Wall Street Journal und in der New York Times, und ein neues Schlagwort für jede Lehrveranstaltung — die Nutzung der Handschrift sei tiefgründiger, weil sie zur Selektion zwinge, während die Tastatur zum stenographischen Mitschreiben verleite.

Die Theorie dahinter ist nicht neu. Sie greift auf zwei alte Klassiker der Gedächtnispsychologie zurück. Craik und Lockhart formulierten 1972, dass die Dauerhaftigkeit einer Gedächtnisspur weniger vom Speicherort als von der Verarbeitungstiefe abhängt (Craik & Lockhart, 1972). Wer einen Inhalt wirklich versteht und in eigene Worte fasst, behält ihn besser als jemand, der ihn nur oberflächlich — etwa nach dem bloßen Klang der Wörter — aufnimmt. Kiewra sortierte die Forschung zum Mitschreiben schon 1989 in zwei Funktionen, eine Encoding-Funktion (das Notieren selbst führt zum Lernen) und eine Storage-Funktion (Notizen dienen als externes Gedächtnis) (Kiewra, 1989). Mueller und Oppenheimer kombinierten beides zu einer eingängigen Geschichte. Wenn Handschrift langsamer ist als Tippen, dann muss man auswählen, paraphrasieren, strukturieren — und genau das setzt sich im Kopf fest.

Der unbequeme zweite Akt

Ein halbes Jahrzehnt später wurde die Geschichte komplizierter. Morehead, Dunlosky und Rawson legten 2019 eine direkte Replikations-Studie mit Erweiterung vor (Morehead et al., 2019). Sie konnten den deskriptiven Befund sauber reproduzieren: Wer auf der Tastatur notiert, schreibt mehr und wörtlicher. Den konzeptuellen Lernvorteil der Handschrift fanden sie aber nicht. Urry und Kolleg*innen folgten 2021 in derselben Zeitschrift wie das Original mit einer direkten Replikation des ersten Mueller-Experiments und einer Mini-Metaanalyse über acht ähnliche Studien (Urry et al., 2021). Der gepoolte Effekt zugunsten der Handschrift war klein und statistisch nicht signifikant. Der Titel der Arbeit war ebenso pointiert wie das Original: „Don’t Ditch the Laptop Just Yet.” („Wirf den Laptop noch nicht weg.”)

Damit sieht die Lage so aus: Dass sich das Notizverhalten zwischen Stift und Tastatur deutlich unterscheidet, ist gut belegt. Dass daraus ein robuster Lerneffekt zugunsten der Hand resultiert, ist es nicht. Der Spruch „von der Hand in den Verstand” stützt sich also weniger auf eine harte Effektgröße als auf eine plausible, aber empirisch fragil belegte Vermutung — zumindest für lesefähige Erwachsene.

Wo der Spruch wirklich trägt

Der wirklich robuste Teil der Evidenz findet sich nicht im Hörsaal, sondern im Kindergarten und in der Grundschule. Karin James zeigte mit funktioneller Bildgebung, dass das klassische Lesenetzwerk im Gehirn vierjähriger Vorschulkinder erst dann beim bloßen Anblick eines Buchstabens in der Form wie bei Erwachsenen aktiviert wird, wenn die Kinder den Buchstaben zuvor in freier Handschrift produziert haben — nicht nach dem bloßen Nachfahren vorgezeichneter Buchstaben (Tracing), nicht nach Tippen (James & Engelhardt, 2012). James hat das Argument später konsolidiert: Die durch Handschrift erzeugte visuelle Variabilität der eigenen Buchstaben ist offenbar ein konstituierender Bestandteil dafür, dass die Erkennungsschleife im Gehirn überhaupt sauber einrastet (James, 2017). Kiefer und Kolleg*innen replizierten den Befund an deutschen Kindergartenkindern in einer Trainingsstudie über sechzehn Sitzungen (Kiefer et al., 2015). Die Handschrift-Gruppe schrieb freie Wörter signifikant besser als die Tastatur-Gruppe und war tendenziell auch besser im Lesen. Auf der neurobiologischen Seite hat Longcamp gezeigt, dass schon das bloße Betrachten von Buchstaben jene Hirnregion mitaktiviert, die wir sonst zum Schreiben mit der Hand nutzen (Longcamp et al., 2008). Buchstabenerkennung scheint ein verkapptes motorisches Mitschreiben zu sein, das in der frühen Kindheit angelegt wird.

Für die frühe Literacy — also den ersten Erwerb von Lese- und Schreibfähigkeit — ist die Bilanz also eine ganz andere als für die Hochschullehre. Hier trägt der Spruch. Wer Kindern das Schreiben einer Schrift beibringen will, sollte sie diese Schrift auch tatsächlich mit der Hand schreiben lassen.

Was wir aus der Medizinausbildung wissen

Wenig. Die einzige experimentelle Vergleichsstudie an Medizinstudierenden stammt von Wiechmann und Kolleg*innen 2022 (Wiechmann et al., 2022). 68 Studierende der ersten beiden Studienjahre an der University of California Irvine wurden drei Bedingungen zugelost — Tablet, Handschrift (engl. „longhand”) und Laptop — und absolvierten eine an Mueller und Oppenheimer angelehnte Aufgabe. Die Laptop-Gruppe schrieb erwartungsgemäß deutlich mehr Wörter. Im Outcome zeigte sich kein signifikanter Unterschied, weder bei Faktenwissen noch beim konzeptuellen Verständnis. Die Stichprobe ist klein und selbstselektiert, die Aussagekraft entsprechend begrenzt — die Richtung ist aber konsistent mit den Replikationen in der allgemeinen Hochschulliteratur.

Pyörälä und Kolleg*innen aus Helsinki haben qualitativ über fünf Jahre verfolgt, wie Medizinstudierende der ersten iPad-Kohorte mit ihren Geräten umgehen (Pyörälä et al., 2019). Das Bild dort ist pragmatisch durch hybride Workflows, viel Stylus-Handschrift, viel PDF-Annotation geprägt und es gab nur wenige Studierende, die noch ausschließlich auf Papier notieren. Wer an deutschen Medizinfakultäten unterrichtet, kennt diese Mischformen vermutlich aus dem eigenen Hörsaal.

Stylus auf Tablet — der pragmatische Mittelweg

Mit dem flächendeckenden Einsatz von iPads und Stiften stellt sich die Frage, ob Stylus-Handschrift die kognitiven Vorteile der klassischen Handschrift erbt. Die behaviorale Evidenz ist gemischt, aber tendenziell freundlich im Sinne von keinen Unterschieden zwischen Stylus und Papier-Handschrift (Morehead et al., 2019; Wiechmann et al., 2022). Auf der haptischen Seite gibt es dagegen schon legitime Einwände. Stylus auf Glas bietet weniger Reibung und weniger taktile Rückmeldung als Stift auf Papier. Für den Erstschrifterwerb von Kindern macht das einen Unterschied, für lesefähige Erwachsene mit eingeübter Schreibflüssigkeit offenbar weniger.

Was den Effekt wirklich treibt

Hinter „von der Hand in den Verstand” steht aber eine richtige Beobachtung: Wer Inhalte selbst umformulieren muss, behält sie besser. Das passiert nicht ausschließlich, weil die Hand am Werk ist. Tatsächlich ist die Hand nur einer von vielen Wegen, Umformulierung zu erzwingen. Dieselbe Aktivität entsteht auch beim Paraphrasieren auf der Tastatur, beim Ordnen der eigenen Mitschrift nach der Cornell-Methode (Notizen werden in Stichworte, eine knappe Zusammenfassung und Leitfragen gegliedert), beim Concept Mapping, beim Erklären gegenüber einer Mitlernenden. Was wirkt, ist die generative Verarbeitung, nicht das Werkzeug.

Was wir (noch) nicht wissen

• Ob im realen Lernalltag über Wochen und Monate ein kumulativer Vorteil der Handschrift entsteht, ist (noch) nicht untersucht. Die Studien sind fast alle kurzfristige Laborvarianten.
• Wie groß der Effekt einer expliziten Anleitung zu Mitschreib-Strategien (etwa der oben genannten Cornell-Methode, Mind-Mapping oder Gliedern in Stichpunkten) gegenüber der bloßen Wahl des Werkzeugs ist, ist empirisch dünn — vermutlich liegt hier der größere Hebel.
• Für die deutschsprachige Medizinausbildung fehlen experimentelle Studien fast vollständig.

Fazit

• „Von der Hand in den Verstand” ist eine eingängige Verkürzung, keine empirische Schlussfolgerung. Bei lesefähigen Erwachsenen ist der direkte Lernvorteil der Handschrift klein und instabil belegt.

• Bei Kindern beim Erstschrifterwerb ist die Evidenz robust, weil die motorische Buchstabenproduktion das Lesenetzwerk im Gehirn mitprägt. Wer Kindern Schreiben beibringt, sollte sie mit der Hand schreiben lassen.

• Stift, Stylus oder Tastatur — entscheidend ist die generative Verarbeitung. Wer paraphrasiert, strukturiert und auswählt, lernt. Wer einfach nur stenographisch mitschreibt, nicht.

• Stylus-Tablets sind eine vernünftige Mittellösung für Studierende, die digitale Verarbeitung mit der selektionserzwingenden Langsamkeit der Hand verbinden möchten.

• Für die Medizinausbildung gilt: Hybride Workflows sind didaktisch in Ordnung. Wer aber abends nur durch Anki-Karten klickt, ohne je etwas selbst zu strukturieren, gibt unabhängig vom Werkzeug eine effektive Lernmöglichkeit aus der Hand.

Die Zahl, der alle hinterherlaufen

Endlich ist das Manuskript fertig – und sofort stellt sich die Frage, die jede forschende Person umtreibt: Wohin damit? Fast automatisch sortiert Ihr im Kopf die Fachzeitschriften in eine Rangordnung, von „da wäre es schön” bis „das nehmen die ohnehin nicht”. Und über dieser Rangordnung thront eine einzige Zahl: der Journal Impact Factor.

Diese Zahl entscheidet mit über Bewerbungen, Berufungen und Fördergelder. Erstaunlich nur, wie wenige Menschen genau wissen, was sie eigentlich misst. Höchste Zeit also, den Impact Factor einmal auseinanderzunehmen.

Die unsichtbare Rangordnung der Journals

Dass Zeitschriften eine Hierarchie bilden, ist keine Einbildung. Fast alle Forschenden erkennen eine innere Rangordnung der Journals an – den sogenannten journal rank – und richten daran nicht nur ihre Einreichungs-, sondern sogar ihre Lesestrategie aus (Brembs et al., 2013). Wir alle haben diese Landkarte im Kopf, auch wenn wir sie nicht immer aussprechen.

Unter dieser Landkarte liegen zwei selektive Anforderungen, die ein Journal passieren kann. Die erste ist die fachliche Indexierung in PubMed/MEDLINE – für die Biomedizin und damit auch für die medizinische Ausbildungsforschung das wichtigste Minimum an Sichtbarkeit. Die zweite ist die Aufnahme in die Web of Science Core Collection, deren Journal Citation Reports überhaupt erst den offiziellen Impact Factor vergeben. Beide Anforderungen überlappen sich, ohne unbedingt deckungsgleich zu sein. Viele gute Medical-Education-Journals passieren beide, manche nur eines. Und ganz unten, jenseits dieser besonders seriösen Indexierung, tummeln sich die meisten Journals. Alle bemüht, in guter wissenschaftlicher Praxis einen Beitrag für die Menschheit zu leisten. Aber es gibt auch die predatory journals genannten Zeitschriften, die gegen Gebühr praktisch alles drucken.

Wichtig ist: Keine dieser Anforderungen zu PubMed oder Web of Science öffnet sich automatisch. Eine neue Zeitschrift muss sich für die Indizierung bewerben und über Jahre qualifizieren, bevor sie überhaupt einen Impact Factor erhalten kann (Paré, 2017). Wer mit solchen Kennzahlen arbeitet, sollte wissen, woher sie kommen – die Bibliometrie liefert dafür das Handwerkszeug, und auch in der Ausbildungsforschung sind wir meist ihre Konsument*innen, nicht ihre Erfinder*innen (Ninkov et al., 2021).

Was der Impact Factor wirklich ist

Im Kern ist der Journal Impact Factor (JIF) ein simpler Durchschnitt. Er zählt, wie oft die Artikel einer Zeitschrift aus den zwei vorangegangenen Jahren im aktuellen Jahr zitiert wurden, und teilt diese Summe durch die Zahl der zitierfähigen Artikel aus diesen beiden vorangegangenen Jahren (Paré, 2017).

Ein Beispiel macht es etwas greifbarer: Erhält eine Zeitschrift im Jahr 2016 insgesamt 150 Zitationen auf ihre 50 Artikel aus 2014 und 2015, ergibt sich ein Impact Factor von 150 geteilt durch 50 – also 3,0 (Paré, 2017). (Veröffentlicht werden diese Werte jährlich von der Firma Clarivate.) Hier steckt auch schon die entscheidende Einschränkung im Detail – der JIF beschreibt die Zeitschrift, nicht den einzelnen Artikel (und erst recht nicht dessen Autor*innen).

Der Bereich Medical Education wird der Kategorie “Education, Scientific Disciplines” zugeordnet, die 86 Journals umfasst und sich damit ziemlich im Mittelfeld der 254 Kategorien befindet. Der Journal Impact Factor in der Kategorie “Edcuation, Scientific Disciplines” reichte 2024 von 0,1 bis 12,6 (JMIR Medical Education) und liegt im Median bei 1,6. Das deutschsprachige GMS Journal for Medical Education hatte für 2024 einen Impact Factor von 1,7. Zu beachten ist, dass die Journals aber teilweise auch mehreren Kategorien zugeordnet sind, insbesondere auch der Kategorie “Education & Educational Research”, die mit 762 Journals die größte Kategorie überhaupt darstellt (IF 2024 von <0,1 bis 16,7).

Drei Schwächen, die man kennen sollte

Erstens die schiefe Verteilung. In einer typischen Zeitschrift sorgen rund 20 Prozent der Artikel für etwa 80 Prozent der Zitationen (Paré, 2017). Ein Durchschnitt, den einige Ausreißer nach oben ziehen, sagt über den typischen Beitrag wenig aus. Über Euer konkretes Paper sagt der Impact Factor seines Journals damit fast nichts.

Zweitens die Manipulierbarkeit. Der Trick steckt im Nenner: Wer entscheidet, welche Beiträge als „zitierfähig” zählen? Genau das ist verhandelbar. Die Redaktion von PLoS Medicine berichtete, wie ihr eigener potenzieller Impact Factor je nach Zählweise zwischen 11 und unter 3 hin- und hersprang – allein abhängig davon, welche Artikeltypen in den Nenner kamen (The PLoS Medicine Editors, 2006). Redaktionen könnten den Wert zusätzlich über Übersichtsarbeiten und Selbstzitationen frisieren. Ihr Fazit nach den Verhandlungen mit dem damaligen Anbieter fiel vernichtend aus: Die Wissenschaft werde durch ein Verfahren bewertet, das selbst „unwissenschaftlich, subjektiv und geheim” sei (The PLoS Medicine Editors, 2006).

Drittens die Fachabhängigkeit und die Schein-Präzision. Impact Factors sind stark vom Fachgebiet geprägt (Paré, 2017). Ein Wert, der in der Mathematik als exzellent gilt (Spitzenjournale liegen dort um 3), wäre in der Zellbiologie nur Mittelmaß (dort erreichen Top-Zeitschriften Werte um 30) (Hicks et al., 2015). Lange wurde der JIF auf drei Nachkommastellen ausgewiesen, was eine Genauigkeit vortäuschte, die er nicht besitzt. Seit dem Journal Citation Report 2023 zeigt Clarivate deshalb nur noch eine Nachkommastelle – ausdrücklich, um die Überinterpretation winziger Unterschiede zu bremsen.

Und die –- aus wissenschaflticher Sicht – unbequemste Pointe zum Schluss: Ein hoher Rang im Journal Impact Factor ist keine Qualitätsgarantie. Höher gerankte Journals weisen sogar höhere Rückzugsraten und stärker überzeichnete Effekte auf, während Methodengüte und statistische Aussagekraft mit dem Rang kaum zusammenhängen (Brembs et al., 2013). Der Impact Factor misst demzufolge eher Aufmerksamkeit – nicht Verlässlichkeit.

Was wir (noch) nicht wissen

• Lässt sich „Qualität” überhaupt in einer Zahl fassen? Jede Metrik beleuchtet nur einen Ausschnitt. Ob es ein einzelnes Maß gibt, das wissenschaftlichen Wert fair abbildet, ist nach wie vor offen.

• Wie belastbar sind die Alternativen? Artikel-basierte Kennzahlen und Altmetrics sind jung und ihrerseits manipulierbar. Welche davon wirklich misst, was zählt, ist noch nicht endgültig ausgemacht. (Ich werde in einem der folgenden Blogbeiträge auf Alternativen eingehen …)

• Lehre und angewandte Forschung bleiben unsichtbar. Gerade in der medizinischen Ausbildungsforschung fehlen Kennzahlen, die Lehrwirkung und praktischen Nutzen erfassen (Ninkov et al., 2021).

Fazit – Was Ihr mitnehmen könnt

• Die Journal-Hierarchie ist real und steuert unser Verhalten – aber sie misst Prestige, nicht garantierte Qualität (Brembs et al., 2013).

• Der Impact Factor ist ein Zeitschriften-Durchschnitt, den wenige hochzitierte Artikel dominieren. Über Euer einzelnes Paper sagt er kaum etwas (Paré, 2017).

• Nutzt ihn als ein Signal unter mehreren. Genau das fordern die großen Reforminitiativen, von DORA bis zum Leiden-Manifest (Hicks et al., 2015; Moher et al., 2018).

Eine kleine Beobachtung aus der Praxis

Vor Kurzem haben wir einige hundert Progress-Test-Fragen aus dem Medizinstudium von mehreren großen Sprachmodellen beantworten lassen. Der Progress Test ist ein formativer Test, der das gesamte Curriculum abdeckt und denselben Fragenkatalog allen Jahrgängen vorlegt, vom ersten Semester bis kurz vor dem Examen. Damit Studierende, deren Ausbildung eine Frage noch gar nicht erreicht hat, nicht ins Raten gezwungen werden, gibt es jeweils die Antwortoption „weiß nicht”. Wie oft haben die Modelle diese Option gewählt? Fast nie. Menschen treffen diese Entscheidung in vergleichbaren Tests dagegen in Sekundenbruchteilen, sobald ihr Wissen ausgeschöpft ist — sie wissen schnell und ziemlich zuverlässig, wann sie etwas nicht wissen (Glucksberg & McCloskey, 1981).

So beiläufig diese Beobachtung wirkt, sie verweist auf etwas, das in der Lernforschung lange unterschätzt wurde. Nichtwissen ist kein Mangel, der einfach geschlossen werden müsste. Es ist eine eigenständige metakognitive Leistung mit großer Bedeutung für gelingendes Lernen.

Was wir über unser Nichtwissen wissen können

Die kognitionspsychologische Tradition begann 1990 mit dem Metakognitionsmodell von Nelson und Narens (Nelson, 1990). Es unterscheidet zwei Ebenen: das, was wir über die Welt wissen (die Objekt-Ebene), und das, was wir über unser eigenes Wissen wissen (die Meta-Ebene). Die Meta-Ebene beobachtet die Objekt-Ebene (Monitoring) und steuert sie (Kontrolle) — etwa wenn wir merken, dass eine Vokabel noch nicht sitzt, und beschließen, sie noch einmal zu wiederholen.

Daraus wurden zwei wichtige Forschungslinien. Die eine zeigt, dass wir oft erstaunlich treffsicher einschätzen, ob wir etwas erinnern werden, vor allem wenn wir uns vor dem Urteil einen Moment Zeit lassen. Rhodes und Tauber bestätigten das in einer Meta-Analyse über 4.554 Teilnehmende: Verzögerte Selbsteinschätzungen sind deutlich besser kalibriert als unmittelbare (Rhodes & Tauber, 2011).

Die andere Linie ist weniger schmeichelhaft. Kruger und Dunning beschrieben 1999 einen nach ihnen benannten Effekt. Wer wenig Kompetenz hat, dem fehlt oft genau die metakognitive Fähigkeit, diese Inkompetenz zu erkennen (Kruger & Dunning, 1999). Davis und Kolleg*innen übertrugen das 2006 in einem viel beachteten JAMA-Review systematisch auf Ärzt*innen. Die Selbsteinschätzung als Grundlage des lebenslangen Lernens hat empirisch nur begrenzte Validität, gerade dort, wo sie am dringendsten gebraucht würde (Davis et al., 2006). Knof und Kolleg*innen replizierten das 2024 in einer Studie mit 426 Erstsemestern der Medizin: Über ein Drittel überschätzte die eigene Anatomie-Leistung deutlich, Selbsteinschätzung und tatsächliche Leistung gingen sogar gegenläufig auseinander (Knof et al., 2024).

Solche Befunde muss man allerdings sorgfältig lesen. Eine vermeintliche Selbstüberschätzung entsteht oft schon dadurch, dass Lernende gar nicht überblicken, wie tief ein Thema reicht — ein Effekt, den die Psychologie als illusion of explanatory depth beschreibt: Wir halten unser Verständnis für vollständiger, als es ist, solange uns niemand zwingt, es wirklich auszuformulieren (Rozenblit & Keil, 2002). Wer sein Nichtwissen erkennen will, muss also zuerst verstehen, worüber er überhaupt urteilt.

Eva und Regehr haben daraus eine wichtige Konsequenz gezogen. Selbstbewertung ist nicht bloß Introspektion, sondern eine Art externalisierte Informationssuche (Eva & Regehr, 2005). Wer wirklich wissen will, was er nicht weiß, sollte nicht in sich hineinhorchen, sondern Feedback holen, sich testen lassen oder seine Erklärungen einer kritischen Außenperspektive aussetzen.

Nichtwissen als Lernmotor

Wenn das Wissen um eigenes Nichtwissen so schwierig ist, warum lohnt sich der Aufwand? Drei Forschungslinien geben darauf eindrucksvolle Antworten.

Loewenstein zeigte 1994 in seiner Information Gap Theory, dass präzise umrissenes Nichtwissen Neugier erzeugt (Loewenstein, 1994). Kang und Kolleg*innen wiesen 2009 mittels funktioneller MRT nach, dass Neugier das dopaminerge Belohnungssystem aktiviert und die Erinnerung an überraschende Antworten messbar verbessert, sogar zehn Tage später (Kang et al., 2009).

Die zweite Linie ist Productive Failure, das produktive Scheitern. Im klassischen Unterricht kommt erst die Erklärung und dann die Übung. Man kann diese Reihenfolge aber auch umdrehen. Lernende bekommen zuerst ein Problem, für das ihnen das nötige Wissen noch fehlt, und beißen sich daran fest. Dieses absehbare Scheitern ist kein verlorener Aufwand, sondern legt offen, was man noch nicht versteht, und macht den Kopf empfänglich für die Erklärung, die erst danach folgt. Sinha und Kapur fassten 2021 in einer Meta-Analyse über 53 Studien und mehr als 12.000 Teilnehmende zusammen, dass dieser Ansatz dem konventionellen Vorgehen moderat überlegen ist, in besonders sauber durchgeführten Studien sogar deutlich (Sinha & Kapur, 2021). Die Wirkmechanismen sind klar identifiziert: Aktivierung von Vorwissen, Bewusstmachung von Wissenslücken, bessere Vorbereitung auf die anschließende Erklärung.

Die dritte Linie betrifft Fehler. Janet Metcalfe synthetisierte 2017 die Forschung zum Lernen aus Fehlern und beschrieb den Hypercorrection-Effekt (Metcalfe, 2017). Genau die Fehler, die jemand in der festen Überzeugung begeht, richtigzuliegen, werden nach Feedback besonders nachhaltig korrigiert. Wer falsch lag und dachte, er liege richtig, profitiert am meisten von der Berichtigung.

Und die KI?

Hier schließt sich der Kreis zur Ausgangsbeobachtung. Große Sprachmodelle haben bislang keine zuverlässige Repräsentation ihres eigenen Nichtwissens. Sie generieren auch dann eine Antwort, wenn sie keine plausible Quelle dafür haben. Was bei Multiple-Choice-Aufgaben dazu führt, dass „weiß nicht” als Option de facto (fast) nie ankommt. Die Forschung dazu steckt allerdings noch in den Anfängen. Erste Ansätze versuchen, Modelle zur expliziten Unsicherheits-Schätzung zu trainieren. Aber die menschliche Fähigkeit, in Sekundenbruchteilen ein „nein, weiß ich nicht” zu formulieren, ist davon noch weit entfernt.

Der praktische Schluss daraus ist nicht, KI als Lernhilfe abzulehnen, im Gegenteil. Aber wer mit KI lernt, lehrt oder forscht, sollte deren Output mit demselben Maß an metakognitiver Skepsis behandeln, das man von guten Studierenden erwartet.

Was wir (noch) nicht wissen

• Wie groß der Teil unseres Nichtwissens ist, den wir überhaupt erkennen können, lässt sich kaum beziffern. Gerade zur schieren Menge des Nichtwissens ist die empirische Literatur auffällig dünn.
• Wie sich Selbsteinschätzungs-Kalibrierung auf das offene Eingeständnis von Ungewissheit gegenüber Patient*innen auswirkt und welche Effekte das auf Vertrauen und Adhärenz hat, ist empirisch kaum untersucht.
• Wie sich KI-Systeme so trainieren lassen, dass sie ihr Nichtwissen explizit machen, ohne übervorsichtig zu werden, ist eine offene Forschungsfrage mit erheblichen praktischen Konsequenzen.

Fazit

• Nichtwissen ist kein Mangel. Es ist die Voraussetzung dafür, dass überhaupt etwas gelernt wird, und eine eigenständige metakognitive Leistung.
• Wir überschätzen uns systematisch. Gerade dort, wo es am wichtigsten wäre, also bei eigener Inkompetenz, fällt die Selbsteinschätzung oft am schlechtesten aus.
• Präzises Nichtwissen ist Treibstoff. Information Gaps erzeugen Neugier, Productive Failure verbessert Verständnis, Hypercorrection korrigiert nachhaltig.
• KI-Output braucht metakognitive Skepsis. Wenn das System nie „weiß nicht” antwortet, müssen wir es selbst tun.

Zwei Zeiten, eine Publikation

Wenn von „Zeit für ein Paper” die Rede ist, sind meist zwei sehr unterschiedliche Dinge gemeint. Die eine ist die Kalenderzeit, also die Spanne, die zwischen den Meilensteinen verstreicht, Wochen im Peer Review, Monate bis zur Online-Publikation. Die andere ist die aktive Arbeitszeit, die tatsächlich am Schreibtisch verbracht wird. Beide korrelieren nur schwach. Ein Manuskript kann monatelang in der Redaktion liegen, ohne dass jemand daran arbeitet. Drei intensive Schreibwochen wiederum bringen oft mehr als hundert Arbeitsstunden zustande, ohne nennenswert Kalender zu verbrauchen.

Die überwältigende Mehrheit publizierter Studien zur Publikationsdauer misst die Kalenderzeit, weil sie sich aus Journal-Metadaten rekonstruieren lässt. Die aktive Arbeitszeit dagegen erfordert Selbstauskünfte und ist methodisch deutlich anspruchsvoller. Dieser Blogbeitrag folgt dem Weg eines Manuskripts und sammelt unterwegs ein, was die Forschung jeweils belegen kann.

Was die reine Arbeitszeit kostet

Beginnen wir mit der Arbeitszeit, weil sie am leichtesten unterschätzt wird. Song und Kolleg*innen erfassten in einer retrospektiven Befragung den Personenstundenaufwand von 171 publizierten retrospektiven Studien, indem sie die beteiligten Chirurg*innen baten, die Stunden über acht Phasen des Forschungszyklus zu schätzen, von der Studienplanung über Datenerhebung und Analyse bis zur Revision nach Einreichung. Der Median lag bei 177 Stunden pro Publikation, also rund 22 Achtstundentagen konzentrierter Arbeit einer einzelnen Person, bei einer Spanne von 29 (!) bis 1.287 Stunden (Song et al., 2013). Bemerkenswert ist, dass weder die Zahl der Autor*innen noch die Zahl der untersuchten Fälle mit dem Gesamtaufwand korrelierte. Mehr Mitautor*innen bedeuten also nicht automatisch weniger Arbeit für die einzelnen Köpfe.

Ein erheblicher Teil dieser Stunden fließt dabei nicht in Erkenntnis, sondern in die Form. LeBlanc und Kolleg*innen befragten 372 Forschende aus 41 Ländern und fanden einen Median von 14 Stunden allein für die formelle Formatierung eines einzigen Manuskripts, also für das Anpassen von Layout, Referenzstil und Einreichungsvorgaben. Über das Jahr summiert sich das auf rund 52 Stunden pro Person, was Lohnkosten von etwa 1.900 US-Dollar entspricht, nur fürs Formatieren (!) (LeBlanc et al., 2019). Und diese Stunden verteilen sich selten auf geregelte Bürozeiten. Barnett und Kolleg*innen werteten über 49.000 Manuskripteinreichungen und 76.000 Gutachten bei BMJ-Zeitschriften aus und fanden, dass Einreichungen mit einer Wahrscheinlichkeit von 14 bis 18 Prozent am Wochenende und von 8 bis 13 Prozent an Feiertagen erfolgten, am häufigsten arbeiteten chinesische Forschende am Wochenende und um Mitternacht (Barnett et al., 2019). Wissenschaftliches Schreiben frisst also nicht nur Stunden, es frisst oft Freizeit.

Einreichen und auf das erste Feedback warten

Ist das Manuskript eingereicht, beginnt die erste lange Wartezeit. Huisman und Smits werteten 3.500 Begutachtungserfahrungen der Plattform SciRev aus und fanden eine erste Antwortzeit, die stark nach Fach variiert, mit 8 bis 9 Wochen in der Medizin am unteren Ende und 16 bis 18 Wochen in den Geistes- und Wirtschaftswissenschaften am oberen Ende (Huisman & Smits, 2017). Ein nennenswerter Teil der Verzögerung entsteht dabei nicht im Gutachten selbst, sondern in der Redaktion, immerhin ein Drittel der Desk-Rejections dauerte länger als zwei Wochen, obwohl dafür kein externes Gutachten nötig ist.

Wie lang die Gesamtspanne von der Einreichung bis zur Publikation ausfällt, lässt sich kaum auf eine einzige Zahl bringen. Andersen, Fonnes und Rosenberg fassten in einem systematischen Review 69 Studien zu biomedizinischen Zeitschriften zusammen und fanden eine mittlere Submission-to-Publication-Zeit, die zwischen 91 und 639 Tagen schwankte, je nach Fachgebiet und Journal (Andersen et al., 2021). Die Daten waren zu heterogen für eine sinnvolle Metaanalyse, und es zeigte sich kein systematischer Unterschied zwischen der Zeit bis zur Annahme und der Zeit von der Annahme bis zur Publikation. Mit anderen Worten, beide Teilstrecken können sich ziehen.

Peer Review, der unsichtbare Großaufwand

Die Wartezeit hat eine Ursache, die in keiner individuellen Zeitrechnung auftaucht, nämlich den kollektiven Aufwand der Begutachtung. Kovanis und Kolleg*innen schätzten für das Jahr 2015 rund 63,4 Millionen Stunden, die weltweit in den Peer Review der biomedizinischen Literatur flossen, wobei ein kleiner Teil der Forschenden die Hauptlast trug, 20 Prozent erstellten zwischen 69 und 94 Prozent aller Gutachten (Kovanis et al., 2016). Auf die einzelne Begutachtung heruntergebrochen sind das im Schnitt rund 9,6 Stunden pro Review, allein für eine einzige Zeitschrift summierten Golden und Schultz so über 360.000 ehrenamtliche Stunden im Jahr (Golden & Schultz, 2012). Aczel und Kolleg*innen kamen für 2020 auf über 100 Millionen Stunden jährlich, mit einem geschätzten Gegenwert von mehr als 1,5 Milliarden US-Dollar allein für US-amerikanische Gutachter*innen (Aczel et al., 2021). Eine aktuellere Erhebung von LeBlanc und Kolleg*innen beziffert die Kosten auf rund 1.272 US-Dollar pro Gutachter*in und Jahr und unter Einrechnung abgelehnter Manuskripte global auf rund 6 Milliarden US-Dollar, wobei die große Mehrheit der Begutachtungen unvergütet bleibt (LeBlanc et al., 2023). Dieser Aufwand ist die Kehrseite der Wartezeit, jede Woche, die ein Manuskript auf sein Gutachten wartet, ist auch eine Woche, in der jemand anderes unbezahlt für ein anderes Manuskript liest.

Nach dem ersten Feedback folgt natürlich noch fast immer mindestens eine Revisionsrunde, bevor ein Manuskript endgültig angenommen wird.

Klinische Studien: die wirklich lange Bank

Bei klinischen Studien dehnt sich die Zeitskala noch einmal erheblich, und zwar schon vor der Einreichung. Hopewell und Kolleg*innen zeigten in einem Cochrane-Methoden-Review, dass Studien mit positiven Ergebnissen eine fast vierfach höhere Chance auf Publikation hatten als solche mit negativen (Odds Ratio 3,90) und zudem schneller erschienen, im Median nach vier bis fünf Jahren gegenüber sechs bis acht Jahren bei negativen Befunden (Hopewell et al., 2009). Dieser Time-Lag-Bias zugunsten positiver Ergebnisse ist seit Jahrzehnten dokumentiert und bedeutet, dass gerade die ernüchternden Befunde besonders lange auf sich warten lassen.

Medical Education als Sonderfall

Wer in der medizinischen Ausbildungsforschung publiziert, kennt das Phänomen aus eigener Erfahrung (und Geduld). Maggio und Kolleg*innen analysierten die Publikationszeiten in 24 Medical-Education-Journalen zwischen 2018 und 2022 und fanden eine durchschnittliche Submission-to-Publication-Zeit von gut 300 Tagen (Maggio et al., 2024). Das liegt im oberen Bereich der breiten biomedizinischen Spanne, die Andersen berichtet hatte.

Die Gründe für die generell langen Zeiten sind nicht abschließend geklärt. Vermutlich spielen kleinere Reviewer-Pools, die methodische Heterogenität qualitativer und gemischter Designs sowie längere Revisionsrunden eine Rolle. Für junge Medical Educators mit Tenure-Druck ist die lange Bearbeitungszeit eine Erkenntnis von praktischer Bedeutung, die man bei der Karriereplanung lieber kennen sollte, als sie erst nach drei eingereichten Manuskripten selbst zu entdecken.

Preprints und KI: zwei Abkürzungen mit Grenzen

Zwei Entwicklungen versprechen, den Weg zu verkürzen. Preprints machen Ergebnisse verfügbar, lange bevor die formale Publikation abgeschlossen ist. Allerdings ersetzen sie diese nicht, Drzymalla und Kolleg*innen verfolgten 39.243 COVID-bezogene Preprints und fanden, dass nur 20 Prozent je in einer Fachzeitschrift erschienen, im Median 178 Tage nach dem Preprint (Drzymalla et al., 2022). Die Erkenntnis-Verfügbarkeit ist also beschleunigt, die formale Publikation dauert weiter Monate. Die Pandemie hat zudem gezeigt, dass es schneller geht, wenn man will, Horbach fand für COVID-Artikel eine um 49 Prozent verkürzte Bearbeitungszeit, während sich für Nicht-COVID-Artikel nichts beschleunigte (Horbach, 2020).

Generative KI ist die zweite, noch offene Abkürzung. Frühe journalistische Analysen in Nature beschreiben Zeitersparnis beim Schreiben, Korrekturlesen und Referenzieren, mit besonderem Nutzen für nicht-englische Muttersprachler*innen, weisen aber zugleich auf Risiken wie Paper-Mills und eine mögliche Flut minderwertiger Manuskripte hin (Conroy, 2023a). In einem vielzitierten Experiment ließ sich mit ChatGPT in rund einer Stunde ein vollständiges, sprachlich flüssiges Manuskript erzeugen, das aber an Neuheit und Genauigkeit krankte (Conroy, 2023b). Belastbare Vorher-Nachher-Vergleiche zum tatsächlichen Stundenaufwand fehlen bislang.

Was wir (noch) nicht wissen

• Der Gesamt-Personenstundenaufwand einer Originalarbeit ist bislang nur in sehr wenigen Studien systematisch erfasst worden (siehe Song et al., 177 Stunden Median für chirurgische retrospektive Arbeiten). Eine große, prospektive und fachübergreifende Erhebung fehlt weiterhin, auch weil der lange Zeithorizont prospektive Designs erschwert und Selbstauskünfte den Aufwand systematisch unterschätzen.
• Der Effekt generativer KI auf die aktive Schreibzeit ist noch nicht quantitativ vermessen. Ob KI die Kalenderzeit beeinflusst oder nur die Stundenbilanz, bleibt offen.

Fazit

• Eine Originalarbeit braucht mehr Kalenderzeit, als die meisten erwarten. Die Submission-to-Publication-Zeit biomedizinischer Journale schwankt zwischen rund drei Monaten und fast zwei Jahren, bei klinischen Studien kommen ab Studienende noch Jahre hinzu.
• Der reine Arbeitsaufwand summiert sich auf rund 177 Stunden pro Arbeit. Das sind etwa 22 volle Arbeitstage, und das vor dem oft schon Wochen verschlingenden Förderantrag und den rund 52 Formatierungsstunden pro Jahr.
• Medical Education ist besonders langsam. Mit durchschnittlich rund 300 Tagen liegen die Bearbeitungszeiten im oberen Bereich der biomedizinischen Spanne. Wer hier publiziert, sollte Geduld einkalkulieren.
• KI und Preprints sind Möglichkeiten, aber keine Beschleuniger der redaktionellen Kalenderzeit. Sie können Erkenntnisse früher verfügbar machen oder beim Schreiben helfen, ändern aber wenig an der Bearbeitungsdauer in der Redaktion.

Was Self-Explanation eigentlich ist

Self-Explanation bedeutet, sich beim Lernen selbst zu erklären, warum ein bestimmter Sachverhalt gilt, wie ein Lösungsschritt zustande kommt oder weshalb eine Diagnose passt (Bisra et al., 2018). Das ist keine Zusammenfassung und kein einfaches Wiederholen. Es geht darum, aktiv neue Verbindungen herzustellen zwischen dem, was man schon weiß, und dem, was neu hinzukommt.

Chi und Kolleg*innen beobachteten in ihrer Pionierstudie 1989, dass erfolgreiche Physik-Studierende beim Durcharbeiten von Beispielaufgaben spontan Erklärungen generierten, Wissenslücken identifizierten und ihr Verständnis laufend überprüften (Chi et al., 1989). Weniger erfolgreiche Lernende taten das kaum. In einer Folgestudie mit Achtklässler*innen zeigte sich, dass man dieses Verhalten auch gezielt auslösen kann, indem man Lernende auffordert, nach jedem gelesenen Absatz eine Erklärung zu formulieren (Chi et al., 1994).

Theoretisch tut Self-Explanation zwei einfache Dinge. Erstens verknüpft sie neues Wissen aktiv mit dem, was man bereits weiß. Zweitens deckt sie eigene Fehlannahmen auf, weil sie sich beim Erklären mit dem neuen Stoff reiben. Chi und Wylie haben Self-Explanation 2014 in einer einflussreichen Lerntypologie eingeordnet, dem ICAP-Framework, das vier Arten des Lernens unterscheidet: vom rein passiven Aufnehmen über das aktive Mitmachen und das konstruktive Hinzufügen bis zum interaktiven Austausch mit anderen. Self-Explanation gehört zur dritten Stufe, dem konstruktiven Lernen, weil Lernende dabei selbst etwas Neues hinzufügen, statt nur den vorgegebenen Stoff wiederzugeben (Chi & Wylie, 2014).

Was sagen die Meta-Analysen?

Die Befundlage ist bemerkenswert konsistent. Bisra und Kolleg*innen fassten 64 Studien zusammen und fanden einen mittleren bis großen Effekt zugunsten von Self-Explanation (Bisra et al., 2018). Fiorella und Mayer bestätigten das in einer Übersicht über mehr als 50 experimentelle Vergleiche (Fiorella & Mayer, 2016).

Die aktuellste Meta-Analyse von Tan und Kolleg*innen 2025 untersuchte speziell digitale Lernumgebungen und fand einen vergleichbaren, leicht geringeren Effekt (Tan et al., 2025). Aufschlussreich ist die Differenzierung. Bei reinem Faktenwissen fiel der Vorteil kleiner aus, bei Verstehen und Anwenden deutlich größer. Self-Explanation hilft also vor allem dort, wo es um mehr geht als ums bloße Erinnern.

Dunlosky und Kolleg*innen vergaben in ihrem einflussreichen Review zehn Lernstrategien eine Nützlichkeitsbewertung. Self-Explanation erhielt das Prädikat „moderater Nutzen”, eine Stufe unter Retrieval Practice und verteiltem Üben, aber deutlich über Markieren, Zusammenfassen oder erneutem Lesen (Dunlosky et al., 2013).

Self-Explanation in der Medizin

Für die medizinische Ausbildung hat eine Forschergruppe um Martine Chamberland, Sílvia Mamede und Henk Schmidt die Strategie besonders systematisch untersucht. In einem RCT mit Medizinstudierenden im dritten Studienjahr zeigte sich, dass Self-Explanation die diagnostische Treffsicherheit bei unbekannten Fällen verbesserte, bei vertrauten Fällen dagegen nicht (Chamberland et al., 2011). Das ist ein wichtiger Befund, denn er legt nahe, dass Self-Explanation genau dort hilft, wo klinisches Denken am meisten gefordert wird.

Eine Folgestudie ergab, dass Studierende beim Erklären unbekannter Fälle vermehrt pathophysiologisches Wissen aktivierten (Chamberland et al., 2013). Sie griffen auf biomedizinisches Grundlagenwissen zurück, das sie bei routinehaften Fällen eher nicht mobilisierten. Chamberland und Kolleg*innen zeigten außerdem, dass die Kombination aus Self-Explanation mit Experten-Beispielen und strukturierten Leitfragen die beste Wirkung entfaltete (Lievens, 2015).

Allerdings gibt es auch ernüchternde Befunde. Einfaches diagnostisches Feedback nach der Selbsterklärung brachte kaum zusätzlichen Nutzen (Chamberland et al., 2019). Und Heitzmann und Kolleg*innen fanden, dass strukturierte Aufforderungen zum Selbsterklären bei der Arbeit mit fehlerhaften Fallbeispielen keinen Mehrwert brachten, vermutlich weil die Fehler selbst bereits zur Reflexion anregten (Heitzmann et al., 2015).

Wo liegen die Grenzen?

Ein zentraler Befund betrifft die Qualität der Erklärungen. Nicht jede Selbsterklärung ist gleich wirksam. Oberflächliche Paraphrasen bringen wenig, prinzipienbasierte Erklärungen bringen viel (Renkl, 1997). Wer „Das ist halt so” sagt, hat nichts erklärt. Wer fragt „Warum führt diese Veränderung zu jenem Symptom?“, schon.

Im Vergleich mit Retrieval Practice, also dem Abruf von Wissen durch Testfragen, schneidet Self-Explanation bei der Langzeitretention schlechter ab. Larsen und Kolleg*innen fanden in einer direkten Vergleichsstudie mit Medizinstudierenden über sechs Monate, dass wiederholtes Testen einen deutlich größeren Effekt erzielte als wiederholtes Studieren mit Selbsterklärung (Larsen et al., 2013). Self-Explanation allein war also dem reinen Studieren zwar überlegen, dem wiederholten Testen aber unterlegen.

Eine weitere Grenze hat mit dem Vorwissen der Lernenden zu tun. Wer noch wenig Erfahrung hat, profitiert von ausführlichen Anleitungen, die Schritt für Schritt zum Selbsterklären anleiten. Bei Fortgeschrittenen können dieselben Anleitungen aber bremsen, weil sie überflüssig werden und kognitive Kapazität binden, die besser ins eigentliche Verstehen flösse. Klein und Kolleg*innen zeigten genau das in einer Studie mit Medizinstudierenden aus klinischen Semestern. Explizite Aufforderungen zum Selbsterklären erhöhten die mentale Beanspruchung, ohne die Lernergebnisse zu verbessern (Klein et al., 2019).

Was wir (noch) nicht wissen

• Die meisten Studien sind Laborstudien. Große Wirksamkeitsstudien in realen Curricula fehlen weitgehend.
• Die Langzeiteffekte über Wochen und Monate sind ebenfalls kaum untersucht.

Fazit

• Self-Explanation wirkt. Mit einer Effektstärke um g = 0,5 gehört sie zu den gut belegten Lernstrategien und hilft besonders beim Verstehen und Transferieren.
• In der Medizin verbessert sie das klinische Denken. Self-Explanation steigert die diagnostische Genauigkeit bei unbekannten Fällen und aktiviert biomedizinisches Grundlagenwissen.
• Die Qualität der Erklärungen entscheidet. Oberflächliche Paraphrasen bringen wenig, prinzipienbasierte Erklärungen viel. Gerade Anfänger*innen profitieren von klaren Anleitungen, die zum strukturierten Selbsterklären führen.
• Für die Langzeitretention nicht allein einsetzen. Self-Explanation sollte mit Retrieval Practice kombiniert werden.
• Wer sich die Welt selbst erklärt, lernt sie besser kennen. Pippi Langstrumpf hatte also recht, auch wenn sie es im Original etwas anders gesungen hat.

Fragt einmal Lehrende, fragt einmal Studierende

Fragt man Lehrende, ob ihre Lernziele klar formuliert sind, lautet die Antwort fast immer „ja, natürlich”. Fragt Studierende, und Ihr bekommt ein anderes Bild. Hill und Kolleg*innen haben 2025 genau das getan und beide Gruppen dieselben Lernziele bewerten lassen. Die Lehrenden vergaben im Schnitt 4,39 von 5 Punkten, die Studierenden 3,27 (Hill et al., 2025). Mehr als ein ganzer Skalenpunkt Unterschied, statistisch hochsignifikant. Die Lücke ist dabei kein Motivationsproblem, sondern ein grundlegendes Kommunikationsdefizit. Sie zieht sich durch alle Ebenen der medizinischen Ausbildung.

Was „Outcome-Based Education” eigentlich meint

Der Begriff klingt nach Management-Jargon, der Kern ist aber simpel. Zuerst definieren, was am Ende herauskommen soll. Dann die Lehre darauf ausrichten. Dann prüfen, ob es geklappt hat. Ronald Harden hat dieses Konzept für die medizinische Ausbildung maßgeblich geprägt. 2007 beschrieb er drei Typen von Hochschulen im Umgang mit Lernzielen (Harden, 2007). Der Typ “Strauß” steckt den Kopf in den Sand und ignoriert Outcomes. Der Typ “Pfau” zeigt sie vor, ohne Konsequenzen für die Lehre zu ziehen. Der Typ “Biber” arbeitet konsequent am Outcome und richtet alles darauf aus.

Viele Fakultäten halten sich für Biber, verhalten sich aber eher wie Pfaue. Lernziele stehen in den Modulhandbüchern, spielen aber im klinischen Lehralltag kaum eine Rolle. Bereits 2001 hat Harden im AMEE Guide Nr. 21 angemahnt, dass Curriculum Mapping mit expliziten Lernzielen die Grundlage für jede transparente Lehrplanung sein müsse (Harden, 2001).

Lernziele und Prüfungsergebnisse, was die Daten zeigen

Dass klare Lernziele einen messbaren Unterschied machen, legt eine Studie von Chen und Kolleg*innen 2024 nahe. Nach Einführung eines konsequent outcome-basierten Curriculums an einer chinesischen Hochschule lagen die Bestehensquoten der Studierenden mehr als 20 Prozentpunkte über dem nationalen Durchschnitt (Chen et al., 2024). Es handelt sich dabei nicht um einen randomisierten Versuch, andere Faktoren könnten natürlich auch beigetragen haben. Aber der Effekt ist bemerkenswert groß und deckt sich mit der theoretischen Erwartung.

Röcker und Kolleg*innen liefern 2021 ergänzende Daten aus Deutschland. In ihrer großen Längsschnittstudie mit 1.446 Medizinstudierenden im Praktischen Jahr ging es nicht um vorgegebene Lernziele aus dem Modulhandbuch, sondern um Ziele, die sich die Studierenden selbst setzten. Zu Wochenbeginn formulierten sie jeweils, was sie in den kommenden Tagen auf ihrer Station lernen wollten, am Wochenende bewerteten sie, wie weit sie das erreicht hatten. Als Orientierungsraster dienten die SMART-Kriterien, also spezifisch, messbar, attraktiv, realistisch und terminiert formulierte Ziele. Praktische Fertigkeiten standen mit 29 Prozent ganz oben auf der Wunschliste, gefolgt von diagnostischen Methoden mit 21 Prozent und professioneller Kommunikation mit 13 Prozent (Röcker et al., 2021). Über die Wochen hinweg sank die selbst eingeschätzte Zielerreichung allerdings spürbar ab. Wenn die geplante Punktion am Tagesprogramm vorbeigeht, das Aufnahmegespräch in der Notaufnahme abbricht oder schlicht keine Zeit für die selbst formulierte diagnostische Übung bleibt, klafft eine Lücke zwischen Lernziel und tatsächlich Erlebtem. Selbst gut formulierte Ziele scheitern dann leider an der klinischen Realität, ohne dass die Studierenden etwas dafür können.

Zwischen Kompetenzförderung und Bürokratie

Die Umsetzung scheitert außerdem nicht nur am Wissen, sondern auch an der Haltung der Lehrenden. Barman und Kolleg*innen haben 2014 schwedische Lehrende interviewt und eine aufschlussreiche Spannung identifiziert. Manche erlebten Lernziele als echten Kompass für kompetenzorientierte Lehre, andere empfanden sie primär als bürokratische Pflichtübung, die von der eigentlichen Lehrtätigkeit ablenkt (Barman et al., 2014). Die qualitative Studie ist klein, aber sie benennt ein Muster, das viele Lehrende wiedererkennen dürften. Ob Lernziele als Werkzeug oder als Verwaltungsakt wahrgenommen werden, hängt stark von der Art der Einführung und der institutionellen Unterstützung ab. Vermutlich auch davon, ob Lehrende bei der Formulierung begleitet oder allein gelassen werden.

Die vergessene Brücke, Constructive Alignment

Lernziele allein reichen nicht. Sie entfalten ihre Wirkung erst, wenn Lernziele, Lehr-Lern-Aktivitäten und Prüfungen ein kohärentes System bilden. Dieses Prinzip nennt sich Constructive Alignment und wurde von John Biggs geprägt. Doch wie verbreitet ist das Wissen darum wirklich? Valcke und Kolleg*innen haben 2025 Anatomie-Lehrende an mehreren zentraleuropäischen Standorten befragt. Mehr als 70 Prozent kannten den Begriff Constructive Alignment nicht, obwohl sie parallel mit Intended Learning Outcomes arbeiteten (Valcke et al., 2025). O’Sullivan und Kolleg*innen berichten Ähnliches aus der Gynäkologie. Lediglich 22 Prozent der befragten Fachärzt*innen konnten den Fokus von Outcome Based Education (nämlich auf Lernziele) korrekt benennen (O’Sullivan et al., 2025). Zwei Befunde aus unterschiedlichen Fächern, die aber dasselbe Muster zeigen. Lernziele existieren formal, werden aber konzeptionell nicht unbedingt verstanden.

Lernziele besser formulieren ist ein lösbares Problem

Es gibt auch ermutigende Befunde. Prior Filipe und Kolleg*innen haben 2020 ein Microlearning-Modul entwickelt, das klinischen Lehrenden in wenigen Minuten zeigt, wie gute Lernziele aussehen. Die Qualität der anschließend formulierten Lernziele verbesserte sich, und alle Teilnehmenden fanden die Intervention nützlich (Prior Filipe et al., 2020). Die Rücklaufquote lag bei 20 bis 29 Prozent, typisch für solche Interventionen. Wie eigentlich immer profitierten vor allem bereits motivierte Lehrende.

Was wir (noch) nicht wissen

• Randomisierte kontrollierte Studien, die den kausalen Einfluss von Lernzielklarheit auf Lernergebnisse isoliert untersuchen, fehlen weitgehend. Die meisten Befunde stammen aus Beobachtungsstudien oder Vorher-Nachher-Vergleichen an einzelnen Standorten.
• Wie Lernziele am besten an Studierende kommuniziert werden, ist offen. Reicht ein Eintrag im Modulhandbuch, oder braucht es z. B. interaktive Formate, die zum Nachfragen einladen?
• Der langfristige Einfluss von Lernzielklarheit auf klinische Kompetenz und Patientenversorgung ist bislang nicht systematisch untersucht.
• Faculty-Development-Formate sind oft wirksam, ziehen aber bevorzugt motivierte Lehrende an. Wie sich auch skeptische Lehrende erreichen lassen, bleibt ein offenes Feld.

Fazit

• Die Wahrnehmungslücke ist real. Lehrende und Studierende bewerten die Klarheit derselben Lernziele sehr unterschiedlich. Das ist ein Kommunikationsproblem, kein Qualitätsproblem der Lernziele selbst.
• Outcome-Based Education wirkt, wenn sie konsequent umgesetzt wird. Nicht nur auf dem Papier, sondern bis in die Prüfung hinein.
• Im Zweifel mit den Studierenden sprechen. Wer fragt, was angekommen ist, schließt die Wahrnehmungslücke schneller, als es ein neues Modulhandbuch je könnte.

Wer liest schon den ganzen Artikel?

Mal ehrlich. Wann habt Ihr zuletzt einen Fachartikel wirklich komplett gelesen? Das Abstract überfliegen, Einleitung und Methodik oder Diskussion scannen, den Rest überspringen, so läuft es doch meistens. Vermutlich geht es Euch da wie den meisten von uns. Und genau das wissen auch die Autor*innen, denn sie selbst lesen die Arbeiten ihrer Kolleg*innen ebenfalls überwiegend nur in Kurzfassung. Daraus entsteht eine sehr menschliche Versuchung, im eigenen Abstract möglichst pointiert, möglichst überzeugend, möglichst sichtbar zu wirken. Hinzu kommt, dass Forschende, die monate- oder jahrelang an einer Studie gearbeitet haben, in aller Regel von ihren Befunden überzeugt sind. Diese Überzeugung kann die Formulierung unbewusst färben.

Wie häufig sich das in der Literatur niederschlägt, lässt sich beziffern. In einem großen Scoping Review lag die mediane Inkonsistenzrate zwischen Abstract und Volltext bei knapp vier von zehn Studien (Li et al., 2017). Abstract und Volltext erzählen also nicht selten eine etwas andere Geschichte.

Mal mehr, mal weniger harmlos

Nicht jede Inkonsistenz ist gleich dramatisch. Manche Abweichungen betreffen Kleinigkeiten wie Autorenreihenfolge oder Titelformulierung. Andere gehen ans Eingemachte. Stichprobengrößen, primäre Endpunkte oder Schlussfolgerungen weichen ab (Li et al., 2017). McKechnie et al. bestätigten 2025 für chirurgische Pilot-RCTs ein ähnliches Bild, auch dort fand sich in der Mehrheit der untersuchten Studien mindestens eine Diskrepanz zwischen Abstract und Volltext (McKechnie et al., 2025). Es zieht sich quer durch alle Fachgebiete und Journals, einschließlich der hochrangigen.

Spin, oder die Kunst des Schönredens

Diese Form der Inkonsistenz hat einen eigenen Namen bekommen. „Spin” bezeichnet die optimistisch gefärbte Darstellung von Studienergebnissen, besonders dann, wenn der primäre Endpunkt nicht-signifikant ausgefallen ist. Boutron et al. machten das Phänomen 2010 quantifizierbar und fanden Spin in der Mehrheit der Abstract-Schlussfolgerungen bei RCTs mit negativem Primärergebnis (Boutron, 2010). Die Strategien sind nachvollziehbar. Autor*innen heben signifikante Sekundäranalysen hervor, betonen Innerhalb-Gruppen-Vergleiche statt der eigentlich relevanten Zwischen-Gruppen-Vergleiche, oder lesen Nicht-Signifikanz als Hinweis auf Äquivalenz. Wer von der eigenen Hypothese überzeugt ist, sucht im Datenmaterial fast unwillkürlich nach den Stellen, an denen sie sich bestätigt findet.

Über nahezu alle untersuchten Fachgebiete hinweg liegt die Spin-Prävalenz bei mehr als der Hälfte der Studien, von der Psychiatrie (Jellison et al., 2020) über die Kieferorthopädie (Guo et al., 2021) und die operative Zahnheilkunde (Fang et al., 2022) bis zu systematischen Reviews zu Rückenschmerzen (Nascimento et al., 2020) und nicht-randomisierten Studien (Lazarus et al., 2015). Diese Befunde stammen nicht aus Raubverlagen oder Pseudo-Journals, sondern aus regulär begutachteten Fachzeitschriften.

Spin wirkt, leider

Man könnte einwenden, dass erfahrene Kliniker*innen solche Verzerrungen durchschauen. Der SPIIN-Trial widerlegt das. Boutron et al. randomisierten Kliniker*innen zu Abstracts mit und ohne Spin und zeigten, dass Spin die wahrgenommene Wirksamkeit der experimentellen Behandlung signifikant erhöhte (Boutron et al., 2014). Besonders relevant ist das, weil Spin in Abstracts über Pressemitteilungen bis in die Medienberichterstattung diffundiert. Abstract-Spin war in der Untersuchung von Yavchitz et al. der einzige Faktor, der signifikant mit Spin in zugehörigen Pressemitteilungen assoziiert war, und sich von dort in einem relevanten Teil der zugehörigen Nachrichtenartikel fortsetzte (Yavchitz et al., 2012).

Warum Gegenmaßnahmen bisher scheitern

Bevor man die Gegenmaßnahmen betrachtet, lohnt ein Blick auf eine praktische Hürde, die in der Diskussion oft untergeht. Manuskripte durchlaufen vor der endgültigen Publikation typischerweise mehrere, teils tiefgreifende Überarbeitungen. Endpunkte werden präzisiert, Stichproben angepasst, Analysen ergänzt, Grenzwerte verschoben. Den Abstract bei jeder Runde exakt mitzuziehen, ist anspruchsvoll. Selbst bei größter Sorgfalt entstehen Diskrepanzen, ohne dass jemand bewusst etwas geschönt hätte. Vollständige Kongruenz zwischen Abstract und Volltext ist absolut wünschenswert, aber unter realen Bedingungen eine Herausforderung für alle Beteiligten.

Trotzdem gibt es seit Jahren Versuche, das Problem systematisch zu adressieren. Die CONSORT-Erweiterung für Abstracts aus dem Jahr 2008 war einer davon (Hopewell et al., 2008). Die Bilanz nach über 15 Jahren fällt ernüchternd aus. Nur Zeitschriften mit aktiver Implementierungspolitik erzielten tatsächliche Verbesserungen, ein bloßer Verweis in den Autorenrichtlinien blieb wirkungslos (Hopewell et al., 2012).

Kongressabstracts als Sonderfall

Ein verwandtes, aber eigenständiges Problem betrifft Kongressabstracts. Sie geben einen Eindruck davon, wie viele wissenschaftliche Projekte gleichzeitig laufen, und nur ein Bruchteil davon schafft es bis zur Vollpublikation. Studien mit positiven Ergebnissen werden dabei mit deutlich höherer Wahrscheinlichkeit publiziert als solche mit neutralen oder negativen Befunden (Scherer et al., 2018). Dieser Publikationsbias verstärkt das Spin-Problem indirekt. Wer schon im Kongressabstract optimistisch formuliert, hat bessere Chancen, dass die Arbeit später überhaupt in einem Journal landet, was wiederum optimistische Abstract-Formulierungen begünstigt.

Hinzu kommt, dass die Vollpublikation, wenn sie denn erscheint, in einem erheblichen Anteil der Fälle vom ursprünglichen Kongressabstract abweicht (Toma et al., 2006). Manchmal kippt dabei sogar die statistische Signifikanz. Auch hier dürfte der oben beschriebene Mechanismus mehrfacher Manuskript-Überarbeitungen einen Teil der Diskrepanzen erklären. Und das ist eigentlich ein gutes Zeichen, denn Studien reifen zwischen Kongress und Publikation. Reviewer-Kommentare führen zu präziseren Analysen, zusätzliche Datenpunkte verändern Schätzer, und mit etwas zeitlichem Abstand fallen Befunde nüchterner aus als in der ersten Begeisterung. Eine Diskrepanz zwischen Kongressabstract und finaler Publikation ist also nicht zwingend ein Mangel, sondern oft Ausdruck eines funktionierenden wissenschaftlichen Prozesses.

Was wir (noch) nicht wissen

• Wir verstehen die kausalen Mechanismen nur unzureichend. Wirken hier vor allem die Überzeugung der Autor*innen von ihren eigenen Befunden, der Druck zu prägnanter Darstellung in begrenztem Wortumfang, das mehrfache Überarbeiten von Manuskripten, oder schlicht Nachlässigkeit? Wahrscheinlich eine Mischung, aber die Anteile kennen wir nicht.
• Studien zu den tatsächlichen Auswirkungen auf klinische Entscheidungen im Versorgungsalltag fehlen. Der SPIIN-Trial (Boutron et al., 2014) zeigt den Effekt im experimentellen Setting, aber ob sich das auf reale Behandlungsentscheidungen am Krankenbett überträgt, wissen wir nicht.
• Visuelle Abstracts zeigen nach ersten Daten vergleichbare Spin-Raten wie geschriebene Abstracts (Duran et al., 2024), aber die Evidenz ist noch dünn.
• Ob technologiegestützte Lösungen wie automatisierte Abstract-Volltext-Konsistenzprüfungen das Problem lösen könnten, ist offen. Die bisherigen Versuche mit einfachen Interventionen sind durchgehend gescheitert.
• Für die medizinische Ausbildungsforschung im deutschsprachigen Raum liegen keine spezifischen Daten zur Abstract-Qualität vor.

Fazit

• Die Inkonsistenz ist systemisch. Ein nennenswerter Teil aller biomedizinischen Abstracts enthält Angaben, die vom Volltext abweichen. Das gilt quer durch alle Fachgebiete und betrifft auch hochrangige Zeitschriften.
• Spin ist das größere Problem. Die Mehrheit der Abstracts von Studien mit nicht-signifikanten Primärergebnissen enthält optimistisch gefärbte Darstellungen, häufig nicht aus Absicht, sondern aus Überzeugung von den eigenen Befunden, Platznot im Wortumfang und mehrfachen Manuskript-Überarbeitungen.
• Spin beeinflusst Entscheidungen. Der SPIIN-Trial zeigt, dass selbst erfahrene Kliniker*innen durch Spin in ihrer Einschätzung beeinflusst werden. Über Pressemitteilungen propagiert der Spin bis in die öffentliche Berichterstattung.
• Einfache Gegenmaßnahmen wirken nicht. Weder Autoreninstruktionen, noch redaktionelle Hinweise, noch Standard-Peer-Review reduzieren Abstract-Inkonsistenzen. Nur strukturelle Journal-Maßnahmen mit aktiver Implementation zeigen Effekte.
• Im Zweifel den Volltext lesen. Wer klinische Entscheidungen auf ein Abstract stützt, sollte wissen, dass die Wahrscheinlichkeit einer verzerrten Darstellung erheblich ist.

Wer viel multitaskt, lernt schlechter

Die empirische Evidenz hat sich seit einer Pionierstudie von Ophir, Nass und Wagner im Jahr 2009 deutlich verdichtet. Die Forschungsgruppe verglich Menschen, die gewohnheitsmäßig viel Media Multitasking betreiben, mit solchen, die es selten tun. Das überraschende Ergebnis damals war, dass die Viel-Multitasker schlechter zwischen Aufgaben wechselten und anfälliger für Ablenkung durch irrelevante Reize waren (Ophir et al., 2009).

Seitdem haben zahlreiche Studien diesen Zusammenhang weiter untersucht. Eine Meta-Analyse von Kong und Kolleg*innen mit 43 Studien und 118 Effektstärken fand eine moderate negative Assoziation zwischen Media Multitasking und kognitiver Kontrolle. Besonders betroffen waren die Impulskontrolle und das Arbeitsgedächtnis (Kong et al., 2023). Eine andere Meta-Analyse von Wiradhany und Nieuwenstein fiel allerdings vorsichtiger aus und fand nur schwache Effekte, die nach Korrektur für Publikationsbias sogar vernachlässigbar werden könnten (Wiradhany & Nieuwenstein, 2017).

Bei Jugendlichen fanden Cain und Kolleg*innen, dass häufigeres Media Multitasking mit schlechteren Ergebnissen in standardisierten Mathematik- und Sprachtests zusammenhing und mit reduzierter Arbeitsgedächtniskapazität einherging (Cain et al., 2016). Martín-Perpiñá und Kolleg*innen bestätigten dieses Muster bei 977 spanischen Jugendlichen, die während der Hausaufgaben multitaskten (Martín-Perpiñá et al., 2019).

Der Flaschenhals im Kopf

Was wir als Multitasking erleben, ist in Wirklichkeit meistens task switching – ein schnelles Hin-und-Her-Springen zwischen verschiedenen Aufgaben. Unser Gehirn besitzt so etwas wie einen Flaschenhals für die Informationsverarbeitung. Wenn zwei Aufgaben gleichzeitig durch diesen Engpass wollen, muss eine von ihnen warten. Die Cognitive Load Theory beschreibt, dass unser Arbeitsgedächtnis begrenzt ist und dass zu viele gleichzeitige Anforderungen die Langzeitgedächtnisbildung beeinträchtigen (Dubrowski, 2015).

Jeder Aufgabenwechsel erzeugt sogenannte switch costs. Das Gehirn muss das alte mentale Aufgabenset abräumen und ein neues aufbauen. Auch wenn dieser Prozess nur Sekundenbruchteile dauert, summieren sich die Kosten über eine 90-minütige Vorlesung erheblich (Joshi et al., 2023). Eine aktuelle Studie, die mit optischer Hirnbildgebung die Aktivität des präfrontalen Kortex während des Multitaskings erfasste, zeigte sogar, dass das Gehirn unter solchen Bedingungen nicht etwa stärker arbeitet, sondern seine Verarbeitungstiefe herunterfährt – die Forschungsgruppe sprach von cognitive disengagement (Boere et al., 2024).

Instagram an, Gedächtnis aus?

Die vielleicht greifbarsten Ergebnisse liefern Studien, die Ablenkung im Moment des Lernens experimentell untersuchen. Spence und Kolleg*innen ließen Studierende eine Geschichte anhören, während eine Gruppe gleichzeitig durch ihren Instagram-Feed scrollte. Das Ergebnis war klar. Die Instagram-Gruppe erinnerte sich an deutlich weniger Inhalte (71,6 % richtig vs. 80,9 % in der Kontrollgruppe, p = 0,01). Wer Instagram erst nach dem Zuhören nutzte, schnitt dagegen ähnlich ab wie die Kontrollgruppe (Spence et al., 2020).

Die Enkodierungsphase – also der Moment, in dem neue Informationen ins Gedächtnis aufgenommen werden – ist besonders anfällig für Störungen. Marone und Kolleg*innen zeigten, dass Social-Media-Ablenkung während einer Pathophysiologie-Vorlesung die Quiz-Leistung um 30 % senkte. Allerdings betraf diese Verschlechterung nur visuell präsentierte Informationen. Auditiv dargebotene Inhalte blieben erstaunlicherweise unbeeinträchtigt (Marone et al., 2018). Das Gehirn gerät also vor allem dann in Schwierigkeiten, wenn Ablenkung und Lernmaterial denselben Sinneskanal beanspruchen.

Auch vermeintlich harmlose Handy-Notifications richten Schaden an. Schmidt und Kolleg*innen zeigten experimentell, dass simulierte Benachrichtigungen die Gedächtnisleistung verschlechterten – und zwar unabhängig davon, ob jemand ein großes Arbeitsgedächtnis besaß oder nicht (Schmidt et al., 2022). Niemand ist gegen den Störeffekt immun.

Aber halt – es gibt auch Gegenargumente

Die Befundlage ist nicht ganz so einseitig, wie es auf den ersten Blick scheint. Alzahabi und Kolleg*innen fanden, dass Viel-Multitasker sich schneller auf neue Aufgaben vorbereiten konnten und beim Aufgabenwechsel besser abschnitten, ohne an Genauigkeit einzubüßen (Alzahabi et al., 2017).

Besonders spannend ist die Unterscheidung zwischen akademisch relevantem und irrelevantem Multitasking. Fan und Kolleg*innen untersuchten 557 chinesische Studierende und fanden, dass aufgabenbezogenes Multitasking während des Online-Lernens mit besserer Selbstregulation, stärkerem Flow-Erleben und besseren Noten zusammenhing. Irrelevantes Multitasking hingegen – etwa Chatten während der Vorlesung – zeigte keinen solchen Zusammenhang (Fan et al., 2025). Der Kontext macht also den Unterschied.

Was wir (noch) nicht wissen

• Kausalität ungeklärt. Die Forschung hat bislang vor allem Korrelationen dokumentiert. Ob häufiges Media Multitasking die kognitive Kontrolle tatsächlich verschlechtert oder ob Personen mit ohnehin geringerer Aufmerksamkeitssteuerung einfach häufiger zum Smartphone greifen, lässt sich mit den hier beschriebenen Studiendesigns nicht abschließend beantworten (Uncapher & Wagner, 2018).
• Langzeitdaten fehlen. Es gibt kaum Studien, die das Multitasking-Verhalten über Monate oder Jahre verfolgen und mit Veränderungen in kognitiven Fähigkeiten verknüpfen.
• Interventionsstudien sind rar. Welche Strategien zur Reduktion schädlichen Multitaskings tatsächlich wirken, ist empirisch kaum belegt.

Fazit – Was Ihr mitnehmen könnt

• Echtes Multitasking beim Lernen gibt es nicht. Was sich so anfühlt, ist schnelles Hin- und Herspringen zwischen Aufgaben, und jeder Sprung kostet kognitive Ressourcen.

• Die Enkodierungsphase ist besonders verwundbar. Ablenkung während des Lernens schadet dem Gedächtnis deutlich stärker als Ablenkung davor oder danach.

• Nicht jedes Multitasking ist gleich schädlich. Aufgabenbezogene Mediennutzung unterscheidet sich fundamental von irrelevantem Scrollen.

• Niemand ist immun. Auch Menschen mit großem Arbeitsgedächtnis werden durch Handy-Notifications beim Lernen gestört.

• Aktive Lernformate helfen. Studierende multitasken weniger, wenn sie aktiv eingebunden sind, statt passiv zuzuhören.

• Das Smartphone in der Tasche lassen lohnt sich. Die Forschung spricht dafür, zumindest während konzentrierter Lernphasen die Benachrichtigungen stumm zu schalten. Gleiches gilt natürlich ggf. für den Rechner, an dem man arbeitet.

Die meisten Paper werden gelesen – nur nicht zitiert

Bevor wir in die Zahlen einsteigen, lohnt es sich, mit einer weit verbreiteten Fehlannahme aufzuräumen. Die hartnäckige Behauptung, 90 % aller wissenschaftlichen Artikel würden nie zitiert, ist eine akademische Wanderlegende. Harzing hat 2025 den Ursprung dieses Mythos auf journalistische Beiträge in Science Anfang der 1990er Jahre zurückverfolgt und gezeigt, wie er durch mangelhafte Referenzierungspraxis zum Selbstläufer wurde (Harzing, 2025).

Die tatsächlichen Nicht-Zitationsraten sehen ganz anders aus: Bei einem 10-Jahres-Fenster bleiben in der Biomedizin nur etwa 4 % aller Artikel unzitiert, in der Chemie 8 %, in der Physik 11 %. Gelesen werden sie ohnehin weit häufiger als zitiert. Winker schätzte 2017 auf Basis eigener Download-Daten ein Verhältnis von etwa 10:1 zwischen Downloads und Zitationen, mit einzelnen Publikationen bei 100:1 (Winker, 2017). Ein Anleitungsartikel, den Dutzende nutzen aber niemand formal zitiert, ist nicht wirkungslos – er wird nur von einer Metrik erfasst, die für ihn nie gedacht war.

Das eigentlich Spannende ist also nicht die Frage, ob Eure Artikel gelesen werden. Sondern wie steil der Weg vom Lesen zum Zitieren tatsächlich ist.

Der steile Weg vom Klick zum Zitat

Wang et al. haben 2014 an über 63.000 PLOS-Artikeln die Kaskade vom Seitenaufruf bis zur Zitation nachgezeichnet. Für Artikel der Jahrgänge 2009 bis 2012 ergaben sich im Durchschnitt 3.854 (!) Aufrufe und 11 Scopus-Zitationen (Wang et al., 2014, dieser Artikel ist allerdings ein Preprint). Zwischen diesen Stufen liegt ein massiver Abbruch. Viele scannen den Abstract, ohne je das PDF zu öffnen. Wer das PDF öffnet, liest nicht zwingend den Volltext. Und wer liest, schreibt deshalb noch lange keinen eigenen Artikel.

Martin Fenner formulierte 2013 auf Basis der PLOS-Article-Level-Metrics eine Faustregel, die seitdem in der Bibliometrie kursiert. Auf etwa 300 Online-Aufrufe kommt durchschnittlich eine Zitation (Fenner, 2013). Diese Zahl stammt allerdings aus einer einzigen Plattform (PLOS, Open Access, Biomedizin) und lässt sich nicht ohne Weiteres verallgemeinern.

Hundert Downloads, eine Zitation

Den empirisch belastbarsten Befund zum Verhältnis von Downloads und Zitationen verdanken wir Henk Moed. Er analysierte 2005 insgesamt 1.190 Artikel aus Tetrahedron Letters (eine renommierte Fachzeitschrift für organische Chemie) und fand, dass auf 100 Downloads innerhalb eines Zwei-Jahres-Fensters ungefähr eine Zitation entfiel (Moed, 2005). Seine erweiterte Studie von 2016 über 1.800 Zeitschriften bestätigte, dass sich dieses 100-zu-1-Verhältnis nach etwa 45 Monaten einpendelt (Moed & Halevi, 2016).

Allerdings schwankt die Zahl je nach Fach und Zeitfenster erheblich. In den ersten Wochen nach Publikation, wenn Downloads bereits steil ansteigen, aber Zitationen noch nicht akkumulieren, liegt das Verhältnis bei 1.000 zu 1 oder darüber. Und Moed entdeckte dabei einen überraschenden Rückkopplungseffekt. Wenn ein Artikel zitiert wird, steigen seine Downloads in den drei Monaten danach um rund 25 % (Moed, 2005). Zitationen und Downloads sind also keine Einbahnstraße – sie verstärken sich gegenseitig.

Warum Downloads und Zitationen verschiedene Dinge messen

An diesem Punkt wird es für die Interpretation entscheidend. Zeitschriften mit vielen Downloads haben in der Regel auch viele Zitationen – auf dieser aggregierten Ebene passen beide Metriken gut zusammen. Schaut man sich aber einzelne Artikel an, bröckelt der Zusammenhang erheblich (Schloegl & Gorraiz, 2010). Die Erklärung ist eigentlich naheliegend. Jede Person mit Internetzugang kann einen Artikel herunterladen – Studierende, Praktizierende, neugierige Laien. Zitationen erzeugen dagegen nur publizierende Forschende. Downloads und Zitationen messen also verschiedene Dinge. Das eine ist ein Maß für Aufmerksamkeit, das andere für akademische Anschlussfähigkeit.

Perneger hat 2004 am BMJ eine elegante Konversionsregel gefunden. Pro 100 zusätzliche HTML-Aufrufe in der ersten Woche erhielt ein Artikel 3,7 bis 4,4 zusätzliche Zitationen über fünf Jahre. Aufrufzahlen plus Artikellänge erklärten dabei 33 % der Varianz (Perneger, 2004). Das ist bemerkenswert viel für ein so frühes Mermal – aber eben auch nicht mehr als ein Drittel. Wer aus frühen Downloads auf spätere Zitationen schließen will, bewegt sich also auf eher unsicherem Terrain.

Was wir (noch) nicht wissen

• Vom Download zum Lesen – Wie viele Downloads tatsächlich zu einer inhaltlichen Auseinandersetzung mit dem Text führen, ist empirisch kaum erfasst. Ein geöffnetes PDF ist noch kein gelesenes PDF.

• Verzerrung durch große Verlage – Die meisten Studien stammen von Elsevier und PLOS. Ob die Verhältniszahlen auf kleinere oder spezialisierte Zeitschriften übertragbar sind, bleibt offen.

• Dünne Datenlage in Feldern angewandter Wissenschaft – Für die medizinische Ausbildungsforschung und andere Nischendisziplinen fehlen belastbare Trichter-Daten fast vollständig.

• Social Media verändert den Trichter – Wie sich Twitter/X, Mastodon und Preprint-Server langfristig auf die Kaskade von Aufmerksamkeit zu Zitation auswirken, bleibt eine offene Frage.

Fazit – Was Ihr mitnehmen könnt

• Der „nie gelesen”-Mythos ist falsch. Bei einem 10-Jahres-Fenster bleiben in den Naturwissenschaften nur 4–11 % der Artikel unzitiert. Gelesen werden sie ohnehin weit häufiger.

• 100 Downloads pro Zitation ist das empirisch robusteste Verhältnis – aber es variiert stark nach Disziplin, Zeitfenster und Zugangsmodell (Moed, 2005).

• Downloads und Zitationen messen Verschiedenes. Die Korrelation ist auf Zeitschriftenebene stark (r ≈ 0,9), auf Artikelebene aber nur mäßig (r ≈ 0,3–0,5) (Schloegl & Gorraiz, 2010). Wer beide Metriken gleichsetzt, vergleicht Äpfel mit Birnen.

• 99 % der Auseinandersetzung mit einer wissenschaftlichen Publikation verschwinden aus dem Blickfeld, wenn wir nur Zitationen zählen. Besonders lehrorientierte Arbeit und angewandte Forschung werden dadurch systematisch unterbewertet.

Über tausend Studien, ein Trend

Die Datenlage ist üppig. Mehr als 1.200 Studien über elf Jahrzehnte haben Johnson und Johnson ausgewertet – mit einem klaren Ergebnis (Johnson & Johnson, 2009). Kooperatives Lernen schlägt individualistisches Lernen. Wer zusammenarbeitet, schneidet im Schnitt besser ab als jemand, der allein büffelt. Kyndt und Kolleg*innen bestätigten das 2013 mit einer Meta-Analyse, die nur neuere Studien ab 1995 einschloss (Kyndt et al., 2013). Rund 71 % der kooperativ Lernenden übertrafen den Durchschnitt der Kontrollgruppe.

Für die medizinische Ausbildung sieht es ähnlich aus. Kalaian und Kasim fanden in ihrer Meta-Analyse zu Gesundheitsberufen einen deutlichen Vorteil zugunsten von Kleingruppenlernen (Kalaian & Kasim, 2017). Gruppen mit vier oder weniger Personen schnitten dabei besonders gut ab.

So weit, so eindeutig. Aber wer schon einmal in einer dysfunktionalen Lerngruppe gesessen hat, weiß, dass die Gruppengröße allein nicht alles erklärt.

Die drei Bedingungen, die den Unterschied machen

Robert Slavin untersuchte bereits in den 1990er-Jahren, unter welchen Umständen Gruppenlernen tatsächlich wirkt. Sein Befund war ernüchternd. Ohne Gruppenziele und individuelle Verantwortlichkeit zeigte sich praktisch kein Effekt. Erst wenn beide Elemente vorhanden waren, profitierten die Gruppen – und zwar in fast 80 % der untersuchten Studien.

Die Cognitive Load Theory liefert eine zweite Erklärung. Kirschner und Kolleg*innen argumentieren, dass Gruppen ein kollektives Arbeitsgedächtnis bilden, das komplexe Aufgaben auf mehrere Köpfe verteilt (Kirschner et al., 2018). Die Koordination in der Gruppe verbraucht aber selbst kognitive Ressourcen – sogenannte Transaktionskosten. Bei einfachen Aufgaben überwiegen diese Kosten den Nutzen. Einzellernen ist dann effizienter.

Erst allein, dann zusammen

Song und Kolleg*innen testeten 2025 in zwei Experimenten mit insgesamt 159 Studierenden, was passiert, wenn man individuelle Vorbereitung und Gruppenarbeit kombiniert (Song et al., 2025). Das Ergebnis überrascht nicht, ist aber nun empirisch belegt. Die Kombination schlug sowohl reines Einzellernen als auch reines Gruppenlernen – kurz- und langfristig.

Dieses Prinzip steckt auch hinter dem Team-Based Learning (TBL), das weltweit in der Medizinausbildung eingesetzt wird. Erst bereiten sich Studierende individuell vor (Pre-Class Reading), dann schreiben sie einen individuellen Test (iRAT), anschließend denselben Test als Team (gRAT). Eine Meta-Analyse von Ngoc und Kolleg*innen über 1.575 Studierende zeigte, dass die Team-Scores die Individual-Scores massiv übertrafen (Ngoc et al., 2020). Eastwood und Kolleg*innen fanden zudem, dass Collaborative Testing die Wissensretention nach acht Monaten signifikant verbesserte (Eastwood et al., 2020).

Vázquez-García bestätigte dieses Muster im Physiologiekurs (Vázquez-García, 2018). Medizinstudierende, die Prüfungen erst einzeln und dann als Gruppe bearbeiteten, zeigten bei Nachtestungen ein bis drei Wochen später bessere Ergebnisse – sowohl individuell als auch als Team. Die Gruppendiskussion erzwingt offenbar eine aktive Auseinandersetzung mit dem Stoff und korrigiert gleichzeitig Fehlvorstellungen.

Wenn die Gruppe bremst

Gruppenlernen hat auch eine Schattenseite. Green und Kolleg*innen beobachteten bei wiederholten Collaborative Tests ein auffälliges Muster (Green et al., 2016). Die Differenz zwischen Team- und Individual-Scores wuchs über die Zeit – ein Hinweis auf Social Loafing, also das Trittbrettfahren in der Gruppe. Einzelne lehnen sich zurück und lassen die anderen arbeiten. Wer sich am stärksten auf die Gruppe verließ, schnitt in der Abschlussprüfung am schlechtesten ab.

Dazu kommt ein Phänomen aus der Gedächtnisforschung: Collaborative Inhibition. Klingt sperrig, meint aber etwas Einfaches. Weldon und Bellinger ließen Gruppen gemeinsam erinnern und verglichen das Ergebnis mit dem, was die gleichen Personen einzeln zusammengetragen hätten (Weldon & Bellinger, 1997). Die Gruppen schnitten schlechter ab. Warum? Wenn andere laut erinnern, bringt das die eigene Gedächtnissuche durcheinander. Wer gerade systematisch Differentialdiagnosen durchgeht, wird durch die Zwischenrufe der anderen aus dem Konzept gebracht.

Die gute Nachricht: Dieses Phänomen verschwindet, wenn die Gruppenmitglieder sich vorher individuell den Stoff erarbeitet haben. Congleton und Rajaram konnten zeigen, dass wiederholtes individuelles Abrufen vor der Gruppenphase die Collaborative Inhibition vollständig beseitigt (Congleton & Rajaram, 2011). Wieder bestätigt sich das Prinzip – erst allein, dann zusammen.

Was wir (noch) nicht wissen

• Langzeiteffekte über Jahre fehlen fast vollständig. Ob Gruppenlernen im Studium die klinische Kompetenz nach der Approbation beeinflusst, hat niemand systematisch untersucht.
• Wann genau im Lernprozess der Wechsel von Einzel- zu Gruppenarbeit am effektivsten ist, bleibt unklar.
• Die meisten Studien stammen aus dem angloamerikanischen Raum. Kyndt und Kolleg*innen fanden interessanterweise größere Effekte in nicht-westlichen Kulturen – warum, weiß niemand (Kyndt et al., 2013).
• Ab welchem Wissensstand Gruppenlernen ineffizient wird, ist in der Medizin kaum untersucht. Es gibt Hinweise, dass Fortgeschrittene weniger profitieren als Anfänger*innen – aber belastbare Daten fehlen.

Fazit: Was Ihr mitnehmen könnt

• Gruppenlernen ist Einzellernen in der medizinischen Ausbildung im Durchschnitt überlegen – über Hunderte von Studien hinweg.

• Die bloße Einteilung in Gruppen reicht nicht. Ohne individuelle Verantwortlichkeit und klare Gruppenziele verpufft der Effekt fast vollständig.

• Erst allein, dann zusammen – dieses Prinzip ist der stärkste Befund. Individuelle Vorbereitung gefolgt von strukturierter Gruppenarbeit übertrifft beide Formen einzeln.

• Je komplexer die Aufgabe, desto größer der Gruppenvorteil. Für Differentialdiagnosen und Fallbesprechungen lohnt sich die Lerngruppe. Für das Auswendiglernen von Normwerten eher nicht.

2,5-mal häufiger abgelehnt: deutliche Daten

2023 befragten Amano und Kolleg*innen 908 Umweltwissenschaftler*innen aus acht Ländern. Die Ergebnisse sind unbequem. Nicht-Muttersprachler*innen berichteten, dass ihre Manuskripte 2,5-mal häufiger allein wegen der Sprachqualität abgelehnt werden und 12,5-mal häufiger sprachbezogene Überarbeitungsauflagen erhalten (Amano et al., 2023). Early-Career-Forscher*innen und Wissenschaftler*innen aus Niedrigeinkommensländern trifft es besonders hart.

Eine Meta-Analyse von Smith et al. untermauert das Bild: Bei über 312.000 biologischen Manuskripten schnitten Autor*innen aus nicht-englischsprachigen Ländern im Peer-Review systematisch schlechter ab (Smith et al., 2023). Weniger als 16 Prozent der untersuchten Zeitschriften in diesem Feld nutzen doppelt verblindete Begutachtung – ein Verfahren, das Herkunftsbias reduzieren könnte.

Die Tendenz zeigt sich auch unter experimentellen Bedingungen. Politzer-Ahles et al. ließen identische Abstracts in „standardisiertem” und „nicht-standardisiertem” Englisch bewerten. Die Gutachter*innen vergaben konsistent niedrigere Wertungen für die sprachlich markierte Variante (Politzer-Ahles et al., 2020).

Die Rechnung: Was die Sprachbarriere kostet

Die Benachteiligung hat handfeste finanzielle Folgen. Ramírez-Castañeda dokumentierte, dass professionelles Lektorat in Kolumbien zwischen einem Viertel und der Hälfte eines Doktorandenstipendiums verschlingt (Ramírez-Castañeda, 2020). Über 90 Prozent der befragten Forscher*innen hatten zusätzlich unbezahlte Korrekturen von Kolleg*innen erbeten – ein unsichtbarer Ressourcentransfer innerhalb der Wissenschaftscommunity, den wir wahrscheinlich auch alle kennen.

Dazu kommen Karriereeffekte. Rund 30 Prozent der Nachwuchsforscher*innen aus Ländern wie Japan und Spanien meiden englischsprachige Konferenzen, etwa die Hälfte vermeidet mündliche Präsentationen (Amano et al., 2023). Die intersektionale Analyse von Amano et al. (2025) zeigt, wie sich die Nachteile multiplizieren. Frauen mit nicht-englischer Erstsprache aus einkommensschwachen Ländern publizieren 70 Prozent weniger englischsprachige Artikel als Männer mit englischer Erstsprache. Wird die Analyse auf alle Sprachen ausgeweitet, schrumpft die Lücke auf 25 Prozent – ein Hinweis darauf, dass die „Produktivitätslücke” teilweise ein Artefakt englischzentrierter Metriken darstellt (Amano et al., 2025).

ChatGPT & Co.: Die neuen Korrekturassistenten

Hier kommen die neuen KI-Tools ins Spiel. ChatGPT, Grammarly, DeepL, … – das Arsenal wächst. Und die ersten Daten zeigen durchaus positive Effekte. In einer Studie mit 25 chinesischen Medizinstudierenden bewerteten sowohl menschliche Gutachter*innen als auch KI-Modelle die mit ChatGPT überarbeiteten Texte signifikant besser. 92 Prozent der Studierenden berichteten eine verbesserte Schreibqualität, 84 Prozent sahen Fortschritte in ihrer Sprachkompetenz (Li et al., 2024).

Auf Populationsebene zeichnet sich so auch eine bemerkenswerte Entwicklung ab: Prakash et al. analysierten über eine Million englischsprachige Abstracts von 2012 bis 2024 und fanden eine globale Konvergenz der Schreibqualität. Nicht-englischsprachige Länder haben spürbar aufgeholt, China übertrifft die USA bei der Schreibkomplexität (!). Die Autor*innen sehen KI-Tools als einen treibenden Faktor dieser Entwicklung (Prakash et al., 2025).

Klingt nach einem Happy End? Nicht ganz.

Die Schattenseite: Wenn alle gleich klingen

Lingard et al. testeten ChatGPTs Lektorat-Fähigkeiten gemeinsam mit sechs nicht-englischsprachigen Wissenschaftler*innen und kamen zu einem ernüchternden Befund. Die Korrekturen waren oft unpräzise, die Erklärungen fehlerhaft, und das Ergebnis tendierte zu „gestelztem, akademischem Jargon” (Lingard et al., 2023). Die Autor*innen warnen davor, zu optimistisch auf KI als Gleichmacher zu setzen. (Man sollte hier aber beachten, dass die Studie von 2023 ist. Inzwischen sind die KI-Tools noch mal deutlich besser geworden.)

Das größere Problem ist die Homogenisierung. Kobak et al. analysierten über 15 Millionen PubMed-Abstracts und identifizierten abrupte Häufigkeitsanstiege typischer LLM-Wörter wie „showcasing” oder „pivotal”. Mindestens 13,5 Prozent der Abstracts von 2024 tragen LLM-Spuren, in manchen Subkorpora bis zu 40 Prozent (Kobak et al., 2025). Wenn alle Einleitungen zu einem Thema gleich klingen, leidet entsprechend die wissenschaftliche Vielfalt.

Ein entsprechend kulturübergreifendes Experiment von Agarwal et al. macht die Dimension greifbar: KI-Vorschläge veranlassten indische Teilnehmer*innen dazu, zunehmend wie US-Amerikaner*innen zu schreiben – stilistisch, nicht nur inhaltlich (Agarwal et al., 2025). Die Forscher*innen diskutieren eine Form „linguistischer Singularität” durch KI.

Das “Detektions-Paradox”

Besonders interesant/brisant (je nach Perspektive) ist ein Befund, der die ganze Problematik auf den Punkt bringt. Liang et al. untersuchten sieben verbreitete GPT-Detektionstools und fanden, dass 61 Prozent der von nicht-englischsprachigen Menschen verfassten TOEFL-Essays fälschlich als KI-generiert klassifiziert wurden – während die Detektoren bei Texten von US-Schüler*innen nahezu fehlerfrei arbeiteten (Liang et al., 2023). (Auch hier ist zu beachten, dass sich inzwischen nicht nur bei den GPTs selbst, sondern auch bei den Detektoren viel getan hat.)

Das erzeugt eine paradoxe Falle. Nicht-Muttersprachler*innen werden für sprachliche Schwächen kritisiert – nutzen sie aber KI-Tools zur Verbesserung, riskieren sie, als „KI-Schreiber*innen” sanktioniert zu werden.

Ich bin aber optimistisch. Im Endeffekt werden durch die KI-Tools sprachliche Schranken so abgebaut, dass viel mehr Wissenschaftler*innen und Interessierte am wissenschaftlichen Diskurs teilhaben können. Das kann nur im Interesse aller sein.

Was wir (noch) nicht wissen

• Die meisten Studien zur Sprachbenachteiligung basieren auf Selbstberichten. Kontrollierte experimentelle Designs mit realen Peer-Review-Prozessen fehlen weitgehend.
• Ob KI-Tools die Benachteiligung langfristig verringern oder neue Formen des Bias etablieren, lässt sich mit den aktuellen Daten nicht abschließend beurteilen.
• STM, COPE, der International Science Council und die Global Young Academy entwickeln derzeit einen Global Reporting Standard for AI Disclosure in Research, der auf der World Conference on Research Integrity (Mai 2026, Vancouver) vorgestellt und Ende 2026 finalisiert werden soll. Ob dieser Standard die Kluft zwischen Sprachoptimierung und inhaltlicher KI-Generierung sinnvoll differenziert, wird sich zeigen.
• Für die medizinische Bildungsforschung im deutschsprachigen Raum liegen kaum spezifische Daten vor.
• Die Frage, ob das wissenschaftliche Publizieren auf eine monolingual-englische Zukunft mit KI-Unterstützung oder auf echte Mehrsprachigkeit zusteuert, ist politisch und empirisch offen.

Fazit

• Die Sprachbarriere ist real und quantifizierbar. Nicht-Muttersprachler*innen investieren massiv mehr Zeit, Geld und psychische Energie ins Publizieren, mit messbaren Karrierefolgen.
• KI-Tools verringern die sprachliche Kluft, sind aber kein Allheilmittel. Die Konvergenz der Schreibqualität ist messbar, doch Genauigkeit und fachliche Tiefe bleiben Schwächen der KI.
• Neue Risiken entstehen. Stilistische Homogenisierung, kulturelle Erosion und fehlerhafte KI-Detektoren treffen nicht-englischsprachige Forscher*innen überproportional.
• Zeitschriften müssen handeln. Doppelt verblindete Begutachtung, kostenlose Sprachtools und explizite Reviewer-Instruktionen gegen Sprachbias sind überfällige Schritte. Selbst prestigeträchtige Zeitschriften haben hier Nachholbedarf (Arenas-Castro et al., 2024).
• Transparenz statt Verbote. Der in Entwicklung befindliche Global Reporting Standard for AI Disclosure in Research (STM/COPE/ISC, erwartet Ende 2026) sollte zwischen Sprachoptimierung und inhaltlicher KI-Generierung differenzieren. Das ICMJE und COPE zeigen bereits die Richtung.

Beliebt, aber belegt?

Bis zu 69 % der US-amerikanischen Medizinstudierenden nutzen Spaced-Repetition-Software wie Anki (Deng et al., 2015). Sie erstellen zig digitale Karteikarten am Tag, investieren Stunden ins Wiederholen – und sind überzeugt, dass es funktioniert.

Aber: Aus der Lernpsychologie wissen wir, dass Lernende die Wirksamkeit aktiver Abrufstrategien oft falsch einschätzen (Karpicke & Blunt, 2011). Wiederlesen fühlt sich produktiver an, obwohl man dabei weniger behält. Gilt das Gleiche vielleicht auch hier – viel Aufwand, wenig Ertrag? Oder steckt tatsächlich etwas hinter dem Karteikarten-Hype?

Eine aktuelle systematische Übersichtsarbeit von Maye und Hurley im Clinical Teacher liefert nun erstmals eine quantitative Antwort (Maye & Hurley, 2026).

Testing plus Spacing – eine kurze Einordnung

Für alle, die den vorherigen Blogbeitrag zur optimalen Lerndauer mit den drei Lernstrategien gelesen haben: Spaced Repetition kombiniert zwei der dort beschriebenen Prinzipien.

Testing Effect: Wer sich aktiv an etwas erinnert, lernt besser als jemand, der denselben Stoff nur nochmal durchliest.
Spacing Effect: Wer das Lernen über mehrere Tage verteilt, behält mehr als jemand, der alles an einem Abend durchpaukt.

Spaced-Repetition-Apps wie Anki (übrigens eine Open-Source-Software!) verbinden beides: Sie fragen Euch Inhalte ab und berechnen dabei den optimalen Zeitpunkt für die nächste Wiederholung. Wisst Ihr etwas gut? Dann kommt die Karte erst in ein paar Tagen wieder. Wisst Ihr es nicht? Dann schon morgen.

Soweit die Theorie. Das Problem: Die meisten Studien dazu stammen aus der Lernpsychologie – mit Vokabellisten oder Faktenwissen als Material (Karpicke, 2012). Medizin ist aber kein reines Faktenlernen. Klinische Entscheidungen verlangen, dass man Wissen aus verschiedenen Bereichen zusammenführt und auf neue Situationen überträgt. Funktioniert Spaced Repetition auch unter diesen Bedingungen?

Was Maye und Hurley untersucht haben

Die Autor*innen durchsuchten vier Datenbanken und fanden 14 Studien, die Spaced Repetition mit herkömmlichem Lernen verglichen (Maye & Hurley, 2026). Als Maßstab dienten objektive Wissenstests – also nicht die Selbsteinschätzung der Lernenden, sondern tatsächliche Prüfungsergebnisse. Die methodische Qualität der Studien bewerteten sie mit einem etablierten Instrument für medizinische Ausbildungsforschung (MERSQI) (Cook & Reed, 2015).

Die eingeschlossenen Studien waren bunt gemischt: Mal wurden Anki-Decks eingesetzt, mal E-Mail-basierte Multiple-Choice-Fragen, mal Quizzes im Unterricht. Die Interventionen dauerten zwischen einem Monat und über einem Jahr. Untersucht wurden sowohl Medizinstudierende als auch Ärzt*innen in der Weiterbildung.

Was die Zahlen zeigen

Das Ergebnis war eindeutig: In 13 von 14 Studien schnitten die Lernenden mit Spaced Repetition besser ab als diejenigen, die auf herkömmliche Weise gelernt hatten. Über alle Studien hinweg – mit insgesamt über 21.000 Teilnehmenden – fanden Maye und Hurley einen deutlichen Vorteil zugunsten von Spaced Repetition (Maye & Hurley, 2026).

Zwei weitere Befunde sind für die Praxis besonders interessant:

Der Effekt hält an. Studien, die erst Monate nach Ende der Intervention getestet haben (zwischen 6 und 20 Monaten später), fanden keinen geringeren Nutzen als Studien, die direkt danach prüften. Selbst eine begrenzte Phase verteilten Wiederholens scheint also nachhaltig etwas zu bringen (Maye & Hurley, 2026).

Längeres Üben bringt tendenziell mehr. Interventionen über sechs Monate zeigten etwas höhere Effekte als kürzere – statistisch war dieser Unterschied allerdings nicht abgesichert. Das passt zum Grundprinzip: Spaced Repetition hält gelerntes Wissen über die Zeit aufrecht, verbessert es aber nicht unbegrenzt weiter.

Über Wissenstests hinaus

Fast alle Studien der Metaanalyse haben Wissenstests als Maßstab genutzt – Multiple-Choice-Fragen, Abschlussprüfungen, das US-Lizenzexamen. Wissen abzufragen ist naheliegend, greift aber eher zu kurz: Ändert sich durch Spaced Repetition auch das, was Ärzt*innen tun?

Eine Studie gibt hier einen ermutigenden Hinweis. Kerfoot und Kolleg*innen zeigten, dass Ärzt*innen nach einer Spaced-Repetition-Intervention dauerhaft weniger unangemessene PSA-Screenings anordneten (Kerfoot et al., 2010). Der Effekt hielt über mindestens 18 Monate an. Das ist ein einzelner Befund, aber ein vielversprechender. So könnte Spaced Repetition also nicht nur Prüfungsnoten verbessern, sondern auch klinische Entscheidungen beeinflussen.

Was dagegen komplett fehlt: Studien mit OSCEs (praktischen Prüfungen) als Outcome. Gerade dort ließe sich zeigen, ob Spaced Repetition auch für die Anwendung von Wissen am Krankenbett einen Unterschied macht.

Was wir (noch) nicht wissen

• Wie sollten gute Karteikarten aussehen? Keine der 14 Studien hat ihre Fragen im Detail veröffentlicht. Gerade für Fragen, die über Faktenwissen hinausgehen – etwa klinisches Reasoning – fehlen Gestaltungsempfehlungen (Maye & Hurley, 2026).

• Lernen die Studierenden mehr – oder einfach länger? Die wenigsten Studien haben erfasst, wie viel Zeit die Lernenden investiert haben. Ob der Vorteil an der Methode liegt oder schlicht daran, dass Spaced Repetition zum regelmäßigen Lernen motiviert, bleibt offen.

• Fast nur US-Daten. 12 von 14 Studien stammen aus den USA. Ob die Ergebnisse auf andere Gesundheitssysteme, Curricula und Prüfungsformate übertragbar sind, wissen wir nicht.

• Wirkt es auch nach dem Studium weiter? Keine Studie hat untersucht, ob Spaced Repetition im Studium die klinische Leistung nach der Approbation beeinflusst. Das wäre die eigentlich spannende Frage – und sie ist bisher unbeantwortet.

Fazit: Was Ihr mitnehmen könnt

• Spaced Repetition funktioniert in der medizinischen Ausbildung – und zwar über verschiedene Umsetzungsformen, Fachgebiete und Zielgruppen hinweg.

• Der Lernvorteil hält auch Monate nach Ende der Intervention an. Selbst begrenztes verteiltes Wiederholen lohnt sich.

• Lehrende müssen nicht eigene Plattformen bauen: Fakultätseigene Anki-Decks oder Fragenpools lassen sich in die bestehenden Lerngewohnheiten der Studierenden integrieren (Hart-Matyas et al., 2019).

• Erste Hinweise deuten darauf hin, dass Spaced Repetition nicht nur Prüfungswissen, sondern auch ärztliches Handeln positiv beeinflussen kann.

• Offene Baustellen bleiben: bessere Karteikarten-Designs, Outcomes jenseits von MCQs und Langzeitstudien über die Ausbildung hinaus.