Neurofeedback oder KI-Verhaltensanalyse zur Lernoptimierung?

Seit Wochen kämpft er mit den einfachsten Aufgaben, obwohl er sich nach eigener Aussage „riesig Mühe gibt". Solche Szenen kennen wir alle. Und wenn dann noch ein Elternabend ansteht, an dem besorgte Mütter und Väter fragen: „Gibt es denn nicht eine Technik, die Leon beim Lernen hilft?" – dann landen wir früher oder später bei zwei Schlagworten, die derzeit durch Fachzeitschriften, Schulungsveranstaltungen und EdTech-Prospekte geistern: Neurofeedback und KI-gestützte Verhaltensanalyse. Beide versprechen, das Lernen zu optimieren. Doch was steckt wirklich dahinter, und was sagt die Forschung dazu?

Was die Neurofeedback-Forschung tatsächlich zeigt

Lassen Sie uns gemeinsam hineinschauen. Neurofeedback bezeichnet ein Verfahren, bei dem Hirnsignale – meist über EEG oder NIRS – erfasst und als visuelles oder auditives Feedback zurückgemeldet werden. Die Idee dahinter: Wer die eigene Hirnaktivität sichtbar macht, lernt, sie zu beeinflussen. Klingt bestechend, und in der Tat haben sich Forschende in den letzten Jahren intensiv damit beschäftigt.

Eine systematische Übersichtsarbeit aus dem Jahr 2023, die Neurofeedback bei gesunden Personen untersuchte, kam allerdings zu einem nüchternen Befund: Die Studiendesigns, die Art des Feedbacks und die neuronalen Zielgrößen unterschieden sich so stark, dass nur eine Minderheit der Studien statistisch aussagekräftige Effekte auf kognitive oder affektive Laboraufgaben berichtete. Die Autorinnen und Autoren sehen in der Gesamtschau keine Belege für starke allgemeine Effekte auf die Aufgabenleistung.

Etwas konkreter wird eine Metaanalyse zur Aufmerksamkeitsleistung bei gesunden Erwachsenen. Sie wertete 41 randomisierte Studien qualitativ aus und bezog 15 Studien mit insgesamt 569 Teilnehmenden in die quantitative Analyse ein. Der Gesamteffekt lag bei einer standardisierten Mittelwertsdifferenz von SMD = 0,27, mit einem 95-%-Konfidenzintervall von 0,10 bis 0,44. Das klingt auf den ersten Blick nach einem echten Effekt – und genau hier müssen wir aufpassen. Acht Studien der Metaanalyse verwendeten Schein-Neurofeedback als Kontrollbedingung. In dieser sorgfältiger kontrollierten Untergruppe zeigte sich kein signifikanter gepoolter Effekt mehr.

Was bleibt, ist ein nüchterner Befund: In den Schein-Neurofeedback-Studien zeigt sich kein signifikanter gepoolter Effekt – kein verlässlicher Hinweis auf einen kognitiven Zugewinn.

Eine weitere Metaanalyse untersuchte die Kombination aus kognitivem Training und Neurofeedback. Vier Studien waren insgesamt geeignet, drei NIRS-Studien mit 166 Personen konnten quantitativ ausgewertet werden. Hier zeigten sich Verbesserungen beim Arbeitsgedächtnis sowie beim episodischen beziehungsweise Langzeitgedächtnis. Die Forschenden betonen allerdings ausdrücklich die begrenzte Verallgemeinerbarkeit wegen der kleinen Stichprobe.

Wir können also beobachten: Die Neurofeedback-Forschung liefert Hinweise, aber keine belastbaren Belege für stabile Effekte bei gesunden Lernenden – zumindest nicht in der Form, wie sie derzeit an Schulen vermarktet wird. Das ist kein Grund zur Resignation, aber ein klarer Hinweis, kritisch hinzuschauen.

Prognosemodelle aus Lerndaten – und ihre methodischen Grenzen

Ganz anders aufgebaut ist die KI-gestützte Verhaltensanalyse. Hier geht es nicht um Hirnsignale, sondern um Lerndaten: Klicks, Bearbeitungszeiten, Ergebnisse auf Lernplattformen, Interaktionsmuster in LMS-Systemen. Algorithmen durchforsten diese Daten und versuchen vorherzusagen, welche Schülerinnen und Schüler voraussichtlich Schwierigkeiten bekommen werden.

Eine systematische Übersichtsarbeit hat 133 Publikationen zu diesem Thema gesichtet und 82 davon ausgewertet. Die häufig genannten Verfahren sind uns aus dem Data-Mining-Alltag bekannt: J48, Random Forest, SVM, Naive Bayes sowie logistische und lineare Regression. Das ist handwerklich solide und methodisch transparent – und genau hier liegt der erste wichtige Punkt für unsere pädagogische Einordnung.

Die zitierte Forschung behandelt primär die frühe Vorhersage von Lernleistung. Das ist ein eigenständiges Ziel: Wir möchten Risiken erkennen, bevor sie sich verfestigen. Eine hohe Vorhersagegüte eines Modells besagt aber noch lange nicht, dass eine darauf aufbauende pädagogische Intervention den Lernerfolg tatsächlich kausal verbessert. Mit anderen Worten: Zu wissen, dass Leon voraussichtlich Schwierigkeiten haben wird, ist die eine Frage – welche Förderung wirkt, ist eine ganz andere.

Vorhersage ist nicht Intervention. Wir dürfen beides nicht in einen Topf werfen, sonst kaufen wir ein Etikett, aber keine Hilfe.

Hier wird die Sache didaktisch interessant. Eine Prognose kann uns dabei helfen, gezielter zu differenzieren, früher hinzuschauen, Unterstützungsmomente zu planen. Wenn das System aber nur ein Label liefert („Risiko hoch") und uns dann allein lässt, haben wir als Lehrkräfte noch nichts gewonnen – im schlechtesten Fall sogar das Gegenteil, weil Stigmatisierung droht.

Rechtlicher Rahmen: EU-KI-Gesetz und Datenschutz im Schulalltag

Kommen wir zu einem Bereich, der in unserem Schulalltag oft zu kurz kommt, aber entscheidend ist: die rechtliche Einordnung. Denn nicht alles, was technisch möglich ist, dürfen wir in der Schule auch einsetzen.

Seit dem 2. Februar 2025 ist nach dem EU-KI-Gesetz eine ganze Reihe von KI-Praktiken verboten. Für unseren Kontext besonders relevant: Emotionserkennung in Bildungseinrichtungen. Damit sind Systeme gemeint, die aus Gesicht, Stimme oder Verhalten auf emotionale Zustände von Lernenden schließen sollen. Solche Anwendungen sind im schulischen Bereich tabu. Wichtig ist dabei die Abgrenzung: Nicht jede KI-basierte Analyse von Lernverhalten ist automatisch Emotionserkennung – aber Systeme, die Emotionen ableiten sollen, dürfen wir nicht als harmlose Lernanalyse verkaufen.

Eine zweite Kategorie betrifft Systeme, die über den Zugang zu Bildung oder den weiteren Bildungsweg einer Person entscheiden können – etwa automatisierte Empfehlungen für Schulwechsel, Kurseinsortierungen oder Zulassungen. Solche Anwendungen werden im EU-KI-Gesetz als Hochrisiko-Anwendungsfälle eingeordnet. Laut aktuellem Zeitplan der Europäischen Kommission sollen die entsprechenden Regeln für Hochrisiko-Systeme im Bildungsbereich ab dem 2. Dezember 2027 gelten. Bis dahin gilt das Gesetz bereits grundsätzlich ab dem 2. August 2026, vorbehaltlich der genannten Hochrisiko-Ausnahmen.

Und dann ist da noch die Datenschutz-Grundverordnung, die unabhängig davon greift. Vor der Verarbeitung personenbezogener Daten verlangt die DSGVO eine Rechtsgrundlage. Das betrifft jede Form KI-gestützter Verhaltensanalyse mit identifizierbaren Lern-, Leistungs- oder Interaktionsdaten – unabhängig davon, ob die Analyse durch ein externes EdTech-Unternehmen oder durch die eigene Schule erfolgt.

Diese Übersicht zeigt uns: Beide Wege sind nicht ohne Stolpersteine. Wer ein Neurofeedback-System in der Schule einsetzen möchte, muss nicht nur die Wirksamkeit, sondern auch die besondere Sensibilität biometrischer und potenziell gesundheitsbezogener Daten im Blick behalten. Und wer KI-Verhaltensanalyse nutzt, sollte immer auch die anschließende pädagogische Maßnahme mitdenken.

Warum Vorhersage noch keine wirksame Förderung ist

Lassen Sie uns die methodische Lupe noch einmal anlegen. In der Neurofeedback-Forschung hat sich das Problem der unscharfen Kontrollgruppen so deutlich gezeigt, dass bereits 2020 eine eigene konsensbasierte Checkliste veröffentlicht wurde: der CRED-nf-Standard. Er soll Berichterstattung und experimentelles Design von Neurofeedback-Studien verbessern. Für uns als Lehrkräfte heißt das: Kontrollbedingungen, Verblindung, Artefaktbehandlung und transparentes Reporting sind die Stellschrauben, an denen wir die Qualität einer Studie erkennen. Fehlt eine dieser Schrauben, sollten wir die Ergebnisse mit Vorsicht genießen.

In der KI-Verhaltensanalyse ist die methodische Diskrepanz eine andere: Wir haben hier oft sehr starke Vorhersagemodelle, aber kaum Belege, dass die anschließende pädagogische Intervention tatsächlich funktioniert. Es fehlt häufig das Bindeglied zwischen „Algorithmus sagt A voraus" und „Lehrkraft tut B, und daraufhin lernt C besser". Genau diese Lücke ist didaktisch entscheidend.

Wenn wir evidenzbasiert arbeiten wollen, müssen wir also beide Seiten prüfen: Funktioniert die Vorhersage zuverlässig – unabhängig davon, ob es um Neurofeedback-Profile oder um Lernplattform-Daten geht? Und gibt es belastbare Belege dafür, dass eine darauf aufbauende Förderung wirkt? Erst wenn beide Fragen mit Ja beantwortet werden können, ist ein System für den Schulalltag reif. Solange das nicht der Fall ist, bleibt die ehrliche Antwort: Wir wissen es noch nicht.

Was das für unsere Schulpraxis bedeutet

Was heißt das nun konkret für uns im Schulalltag? Lassen Sie uns ein paar Wege skizzieren, die wir gehen können, ohne in blinden Aktionismus zu verfallen.

1. Kritisch nachfragen, wenn Anbieter werben. Wenn ein Neurofeedback-Anbieter mit großen Effekten wirbt, fragen Sie nach Schein-Kontrollgruppen, nach Stichprobengrößen und nach unabhängigen Replikationen. Wenn ein KI-System zur Lernanalyse präsentiert wird, fragen Sie, ob belegt ist, dass die anschließende pädagogische Maßnahme tatsächlich den Lernerfolg verbessert – nicht nur die Vorhersage.

2. Daten im Blick behalten. Lern- und Verhaltensdaten sind sensible Informationen. Jedes System, das solche Daten verarbeitet, braucht eine klare Rechtsgrundlage nach DSGVO und – je nach Einsatzzweck – eine Einordnung im EU-KI-Gesetz. Das ist keine Bürokratie, das ist Schülerinnen- und Schülerschutz.

3. Bewährte Binnendifferenzierung stärken. Bevor wir teure Technik anschaffen, lohnt sich der Blick auf das, was wir bereits wissen: differenzierte Aufgaben, klare Lernziele, scaffoldgestützte Arbeitsphasen, regelmäßige formative Rückmeldungen. Die Evidenz für solche klassischen didaktischen Hebel ist robuster als für viele technische Versprechen.

4. Im kollegialen Austausch bleiben. Fallberatungen im Kollegium, Hospitationen, Erfahrungsgruppen auf Fachkonferenzen – all das hilft uns, voneinander zu lernen und nicht jede Modetrendwelle mitzumachen. Pädagogik lebt vom gemeinsam Probieren und vom ehrlichen Blick auf das, was wirkt.

5. Klein beginnen, ehrlich auswerten. Falls wir ein neues System einführen, geschieht das am besten im Kleinen, mit klaren Kriterien, mit Vergleichsgruppe und mit der Bereitschaft, es auch wieder zu beenden, wenn die erhoffte Wirkung ausbleibt.

Am Ende bleibt eine beruhigende und gleichzeitig ehrliche Erkenntnis: Weder Neurofeedback noch KI-Verhaltensanalyse sind bisher der Königsweg zur Lernoptimierung. Neurofeedback zeigt in sorgfältig kontrollierten Studien oft keinen signifikanten Effekt gegenüber Schein-Bedingungen. KI-Verhaltensanalyse kann Vorhersagen treffen, aber Vorhersage ist noch keine wirksame Förderung. Wir dürfen uns ermächtigt fühlen, kritisch nachzufragen, bevor wir Ressourcen in Technologien investieren, deren Wirksamkeit im schulischen Alltag noch nicht belegt ist. Und gleichzeitig dürfen wir neugierig bleiben auf das, was Forschung und Praxis in den nächsten Jahren entwickeln – mit der Geduld, die evidenzbasiertes Arbeiten verlangt. Unser Anspruch bleibt dabei der gleiche wie immer: Leon und allen anderen Lernenden eine Lernumgebung zu bieten, die sie wirklich stärkt – nicht eine, die uns nur das gute Gefühl gibt, etwas