Page - 379 - in L3T - Lehrbuch für Lernen und Lehren mit Technologien

379 Nun könnte man einwenden, dass es egal sei, mit welchem Wissensbegriff jemand lernt, die Fakten sei- en schließlich klar durch den Kursinhalt oder vom Lehrplan vorgegeben. Der Wissensbegriff, mit dem Ler- nende ans Lernen herangehen, ist aber wesentlich für einen nachhaltigen Lernerfolg. Ference Marton und Roger Säljö haben in einer Studie (1976) zwei qualitativ unterschiedliche Lernstrategien identifizieren kön- nen, die sie als Surface Learning (oberflächliches Lernen) und Deep Learning (tiefes, profundes Lernen) bezeichnen. Letzteres ist der Wunsch aller Lehrenden: Lernende, die intrinsisch motiviert um profundes Verstehen ringen und das Gelernte mit Vorwissen und Erfahrung verknüpfen. Gerade im Kontext unseres Bildungssystems kommt es leider viel zu häufig zur alternativen Strategie des Surface Learning. Lernende lernen isolierte Fakten ohne eigene Motivation auswendig, um sie bei Bedarf zu reproduzieren (und ggf. gleich wieder zu vergessen), ein Verhalten das auch gerne als Bulimie-Lernen bezeichnet wird (Tabelle 2 stellt die beiden Lernstrategien noch einmal gegenüber). Ein Wissensbegriff, der auf einzelne Fakten fokus- siert, also Wissen als isolierte Wissensobjekte behandelt, legt eine Surface Learning-Strategie nahe: Wenn ich alle Fakten gelernt habe, ist das Wissen erworben. Mit der Computermetapher für menschliche Kogniti- on liefert der Kognitivismus eine Sicht auf menschliche Kognition, die eben diese Wissenskonzeption un- terstützt. Forderungen nach einer Didaktik, die mehr leistet als ein Fokussieren auf Faktenwissen, gibt es spätes- tens seit der Reformpädagogik. Im Laufe der letzten Jahrzehnte hat sich die Sicht auf menschliche Kogniti- on sehr gewandelt und wir möchten Sie einladen, sich mit uns wieder auf die Ebene der kognitionswissen- schaftlichen Grundlagenforschung zu begeben und Teile dieser Entwicklung mit uns nachzuvollziehen, die Konsequenzen für unser Bild von Lernen und Wissen haben sowie den Einsatz von Technologien vor die- sem Hintergrund zu reflektieren. Wie oben ausgeführt, führte die Sichtweise der klassischen Kognitionswissenschaft zu einer starken Kritik, wobei in unserem Kontext ein zentraler Punkt ist, dass die oben skizzierten Systeme nicht lernen konnten. Mitte der 1980er Jahre kam es, ausgelöst durch eine in dem Doppelband „Parallel Distributed Processing“ von David E. Rumelhart und James F. McClelland (1986) veröffentlichte Sammlung von Einzelarbeiten, zu einem Siegeszug eines neurowissenschaftlich inspirierten Modells, das bislang vom Mainstream der Kogni- tionswissenschaft ignoriert worden war: die Künstlichen neuronalen Netze (KNN).