Mastery Learning: Warum Blooms Idee erst jetzt funktioniert

Fragen beantworten kann heute jeder Chatbot. Die eigentliche Neuerung bei TreadEd ist eine fast 60 Jahre alte didaktische Idee – und warum sie mit KI endlich für alle bezahlbar wird.

Was sonst neu ist, von den Diagnostik-Schritten bis zum Sprachmodus, beschreibt Christoph in Vom Training zum Ernstfall. Hier geht es um die Didaktik dahinter. Und die ist fast 60 Jahre alt. Sie heißt Mastery Learning und stammt von Benjamin Bloom.

Blooms Ausgangspunkt war eine einfache Beobachtung. Wenn alle denselben Unterricht in derselben Zeit bekommen, verteilen sich die Ergebnisse wie eine Glockenkurve. Ein paar sind sehr gut, die meisten mittel, ein paar scheitern. Bloom hielt das nicht für ein Naturgesetz, sondern für eine Folge des Unterrichts. Bekommt jede Person die Zeit und die Unterstützung, die sie braucht, kann die große Mehrheit ein Ziel wirklich erreichen (Bloom, 1968).

Sein Verfahren ist schlicht. Der Stoff wird in Einheiten mit klaren Lernzielen zerlegt. Nach jeder Einheit kommt ein kurzer Test, der nicht benotet, sondern informiert. Bloom nannte ihn formativ. Wer das Ziel noch nicht erreicht, bekommt gezielte Korrekturen. Die erklären den Stoff anders als beim ersten Mal, statt ihn einfach zu wiederholen. Danach folgt ein zweiter, gleichwertiger Test. Wer das Ziel schon erreicht hat, vertieft (Guskey, 2007).

Bewertet wurde nur mit „Mastery“ oder „Not Mastery“, und das Zweite galt immer als vorläufig (Bloom, 1968). Durchgefallen gab es nicht. Nur: „Noch nicht geschafft/bestanden“.

Mastery Learning in der Gruppe war also ein Kompromiss. Eine Lehrkraft kann nicht jede Person einzeln begleiten. Also wird der Stoff in kleine Einheiten zerlegt, nach jeder Einheit getestet und nachgebessert. Eine gute Tutorin dagegen merkt im Gespräch sofort, wo es hakt, und reagiert darauf. Nur war Einzelbetreuung für alle nie bezahlbar.

Ein Kurs dagegen wird einmal produziert und an alle verteilt, in derselben Reihenfolge, mit demselben Abschlusstest. Was jemand nicht kann, fällt dann oft erst am Ende auf. Die Lücke ist festgestellt, aber nicht geschlossen.

Digitale Lernsysteme haben Blooms Kompromiss inzwischen automatisiert. Sie zerlegen Kurse in kleine Lernziele, prüfen mit kurzen Abfragen und spielen passende Inhalte aus.

Aber auch hier bleibt der Rahmen ein vorab geschriebener Kurs. Für jede mögliche Lücke muss vorher Inhalt existieren. Und gemessen wird vor allem, was sich automatisch auswerten lässt, also angekreuzt statt erklärt.

Messen geht im Gespräch. Bisher ließ sich automatisch nur auswerten, was man ankreuzen kann. Ob jemand etwas erklären, begründen oder anwenden kann, musste ein Mensch beurteilen. Heute kann eine Diagnostik laufen wie eine mündliche Prüfung, und zwar so oft wie nötig. Statt einmal am Ende einer Einheit lässt sich fast laufend messen.

Korrekturen müssen nicht mehr vorproduziert werden. Bloom verlangte, dass Korrekturen den Stoff anders angehen als der erste Durchgang. Genau das kann KI für jede Person einzeln, mit einer neuen Erklärung, einer Übung oder einem Rollenspiel, und mit Beispielen aus ihrem eigenen Alltag. Wie gelernt wird, planen weiterhin Menschen. Die KI setzt es für jede Person passend um.

Erste kontrollierte Studien stützen das. Ein didaktisch gestalteter KI-Tutor brachte Studierenden in kürzerer Zeit mehr als doppelt so viel Lernzuwachs wie aktiver Präsenzunterricht (Kestin et al., 2025). Ein Chatbot ohne didaktische Leitplanken kann dem Lernen dagegen schaden (Bastani et al., 2025). Es kommt also auf die Didaktik an, nicht auf das Sprachmodell.

Mit Diagnostik-Schritten wird das noch zielgenauer. Sie lehren nicht, sie prüfen, schriftlich oder mündlich und mit klaren Kriterien, was sitzen muss. Aus einem guten Eindruck wird so ein präziser Befund. Daraus entsteht ein Loop. Am Anfang steht ein Ziel. Eine Diagnostik zeigt, wo jemand steht. Nachgearbeitet wird nur, was als Lücke auftaucht, danach wird erneut gemessen. Ist die Lücke zu, geht es zum nächsten Teilziel. Der KI-Companion hält diesen Loop zusammen.

Der Kurs läuft für alle gleich durch. Der Loop dreht nur dort eine Extrarunde, wo die Messung eine Lücke zeigt.

Er kennt die Lücken. Der Companion weiß aus den Gesprächen, was jemand schon sicher erklären kann und wo es hakt. Nicht als Punktzahl, sondern konkret. Etwa, dass jemand zwei Begriffe verwechselt oder bei einer bestimmten Frage immer unsicher wird.

Er spricht sie gezielt an. Statt das ganze Thema zu wiederholen, nimmt er sich genau diese Stelle vor. Mit einer anderen Erklärung als beim ersten Mal, so wie Bloom es für Korrekturen verlangt hat, und mit Beispielen aus dem Alltag der Person.

Er führt proaktiv dorthin. Lernende müssen nicht selbst wissen, was ihnen fehlt, und auch nicht die richtige Frage stellen. Der Companion schlägt von sich aus vor, wo es weitergeht, und prüft danach, ob es sitzt.

So kann das aussehen. Lea arbeitet im Einkauf. Ihr Unternehmen führt KI-Assistenten ein, und Lea soll sie sicher im Alltag nutzen können. Im Gespräch erklärt sie gut, wie man einem Assistenten klare Anweisungen gibt. Dann sagt sie nebenbei, der Assistent kenne ja die aktuellen Lieferantenpreise. Da hakt es. Ein Sprachmodell weiß davon erst einmal nichts. An Preisdatenbank oder ERP kommt es nur über Werkzeuge, die jemand angebunden hat, sogenannte Tool-Calls. Der Companion greift das von selbst auf: „Vorhin klang es so, als wüsste der Assistent eure Preise einfach. Wollen wir uns kurz anschauen, wie er wirklich an diese Daten kommt?“ Lea skizziert dann für ihren eigenen Lieferantenvergleich, welche Werkzeuge der Assistent bräuchte und wo sie selbst freigeben will. Danach folgt eine Kontrollfrage. Sitzt die Antwort, geht es weiter.

Eine Prüfung bestehen. Ob Abschlussprüfung in der Ausbildung oder Zertifikat, das Ziel ist klar definiert. Die Prüfungsordnung legt fest, was gekonnt werden muss, und oft auch, wie geprüft wird. Gemessen wird deshalb im Prüfungsformat, zum Beispiel als simulierte mündliche Prüfung. Der Loop endet, wenn die Simulation sitzt.

Eine Kompetenz für ein Business-Ziel. Viele Lernziele brauchen keine Prüfung. Sie folgen aus dem, was ein Unternehmen erreichen will. Führt eine Firma etwa KI-Assistenten im Einkauf ein, wie bei Lea, sollen die Teams sie sicher nutzen können. Dann muss klar sein, was sie danach können, zum Beispiel einschätzen, wo ein Assistent Zugriff oder Freigaben braucht, und seine Ergebnisse prüfen. Und was nicht dazugehört, etwa programmieren.

Diese Klarheit ist kein Detail. Nur wer weiß, wo das Ziel liegt, kann messen, wie weit jemand noch davon entfernt ist. Für L&D heißt das, Kompetenz wird nicht mehr in absolvierten Stunden gezählt, sondern in nachgewiesenem Können.

Weniger Kosten. Lernzeit ist Arbeitszeit. Jede Stunde, die nicht in Bekanntes fließt, bleibt im Job. Und Weiterbildung muss nicht mehr als Paket eingekauft werden, sie setzt dort an, wo es wirklich fehlt.

Gezielt geschlossene Lücken. Die Messung zeigt nicht nur, dass etwas fehlt, sondern was. Nachgearbeitet wird genau dort, und die nächste Messung zeigt, ob es gereicht hat. Das ist der Unterschied zwischen „Kurs absolviert“ und „kann es jetzt“.

Persönlicher Kontext. Im Kurs bekommen alle dieselben Beispiele. Im Loop bringt jede Person ihren eigenen Kontext mit, ihren Arbeitsalltag, ihre Fälle, ihre Fragen. Erklärt und geübt wird an dem, was sie wirklich beschäftigt. Das macht das Gelernte leichter übertragbar.

Kurse verschwinden nicht über Nacht. Aber sie verlieren ihre Rolle als die Einheit, in der Lernen organisiert wird. Die Einheit ist das Ziel. Inhalte, Übungen und Prüfungen werden zu Bausteinen, die dann zum Einsatz kommen, wenn sie gebraucht werden.

Für Bildungsanbieter heißt das, ihr Wert liegt weniger im fertigen Kurs als in klar definierten Zielen und guten Messungen. Für L&D heißt das, Weiterbildung lässt sich endlich daran messen, ob Menschen etwas können, und nicht daran, ob sie anwesend waren.

Über den Autor

Daniel Kaulbach ist Co-Founder von TreadEd.

TreadEd ist ein Creator-Tool, das es ermöglicht, dialogbasierte Lernpfade zu gestalten, in denen Lernende in einer Eins-zu-Eins-Betreuung durch einen KI-Tutor immer optimal gefördert werden. Erfahrene Mitarbeitende prägen den Tutor didaktisch vollständig und geben so ihr Wissen und ihre Erfahrung skalierbar weiter.