Textbücher sind (immer noch) eines der stabilsten Interfaces der Bildung: linear, verlässlich, curricular verankert. Gleichzeitig sind sie ein Produkt aus einer anderen Zeit: one-size-fits-all, wenig adaptiv, kaum multimodal – und jede zusätzliche Erklärung, Visualisierung oder Übungsaufgabe kostet enorm viel menschliche Autor:innenzeit.
Genau in diese Lücke stößt ein neues Google-Labs-Experiment: Learn Your Way (Google, o. J.). Dazu gibt es nicht nur eine Demo, sondern auch einen Tech Report inklusive Evaluation und randomisierter Studie: „Towards an AI-Augmented Textbook” (LearnLM Team, 2025). Ergänzend existiert ein eigenes Experiment-Paper, das Studiendetails noch granularer beschreibt (Heldreth et al., 2025).
Als Informatiker und Gründer eines EdTech-Unternehmens schaue ich auf solche Systeme mit zwei Brillen:
Spannend ist: Google versucht hier relativ konsequent, beide Perspektiven zusammenzubringen.
Learn Your Way ist eine interaktive Erfahrung (Google Labs „Experiment”), die darauf abzielt, Lehrbuch- bzw. PDF-Inhalte in eine dynamische, anpassbare Lernumgebung zu transformieren (Google, o. J.; Elidan & Haramaty, 2025).
In der Demo nutzt Google Inhalte von OpenStax (frei verfügbare Lehrbücher), und es gibt eine Waitlist zum Upload eigener PDFs (Google, o. J.; OpenStax, o. J.).
Im Kern passiert Folgendes:
Diese „Views” werden von Google u. a. so beschrieben (Elidan & Haramaty, 2025):
Wichtig: Das ist nicht einfach „ein Chatbot mit einem PDF”. Es ist eher ein Workflow, der den selben Inhalt in verschiedene Lernartefakte übersetzt – mit einer expliziten Pipeline-Logik (LearnLM Team, 2025).
Viele GenAI-Lernprodukte funktionieren in der Praxis so: Man nimmt Inhalte, gibt sie einem LLM, und hofft, dass dabei „Didaktik” entsteht. Learn Your Way dreht das um: Didaktik ist das Produkt, Modelle sind Komponenten.
Im Tech Report wird eine Pipeline beschrieben, die (vereinfacht) so funktioniert: Erst wird der Source-Text personalisiert/transformiert, dann werden daraus konsistente Views (Text/Audio/Slides/Mindmap etc.) generiert (LearnLM Team, 2025).
Aus Systemsicht ist das ein Content-Compiler:
Das klingt banal, ist aber entscheidend: Statt „jedes Feature generiert seine eigene Version” gibt es einen gemeinsamen, kontrollierten Kerntext. Das reduziert Inkonsistenzen zwischen Formaten (LearnLM Team, 2025).
Der Tech Report formuliert ein Ziel, das ich produktstrategisch sehr klar finde: Lehrbücher sind verlässlich, aber unflexibel; alternative Erklärungen/Beispiele/Medien sind teuer. GenAI könnte Variationen skalierbar machen – wenn man Inhaltsintegrität und Qualität hält (LearnLM Team, 2025).
Die Idee ist, dass Lernende robuste mentale Modelle eher aufbauen, wenn sie ein Konzept über mehr als eine Darstellung verarbeiten. Google verweist dabei im begleitenden Research-Blog explizit auf Dual Coding als Motivation (Elidan & Haramaty, 2025); als klassischer theoretischer Bezugspunkt gilt Paivios Dual-Coding-Theorie (Paivio, 1991).
Praktisch übersetzt Learn Your Way das in Wahlmöglichkeiten: Text, Audio, Slides, Mindmap – plus eingebettete Fragen (Elidan & Haramaty, 2025; LearnLM Team, 2025).
Personalisierung erfolgt in zwei Dimensionen (LearnLM Team, 2025):
Entscheidend ist die Pipeline: Erst wird personalisiert, dann werden daraus die verschiedenen Content-Views generiert. Dadurch bleibt Personalisierung konsistenter über Formate hinweg (LearnLM Team, 2025).
Google berichtet zwei Arten von Evidenz:
Im Tech Report werden Expert:innenbewertungen der Transformationen/Views beschrieben (z. B. entlang von Kriterien wie Genauigkeit und Abdeckung) (LearnLM Team, 2025).
Expert:innen bewerteten die generierten Views (z. B. Slides, Audio, Mindmap) anhand verschiedener pädagogischer Kriterien. Laut Google Research Blog lagen die Durchschnittswerte bei 0.85 oder höher – ein Ergebnis, das Google als „highly positive” einordnet (Elidan & Haramaty, 2025).
Der Tech Report berichtet eine randomisierte Studie mit Vergleich gegen eine Standard-Digital-Reader-Bedingung und insgesamt besseren Retention-Outcomes mit Learn Your Way (LearnLM Team, 2025).
Die konkrete Effektgröße wird im Google Research Blog als +11 Prozentpunkte auf Retention-Tests gegenüber einem Standard Digital Reader angegeben (Elidan & Haramaty, 2025).
Das separate Experiment-Paper liefert zusätzliche Details zum Studiensetup (z. B. Stichprobe und Design) und berichtet ebenfalls Vorteile zugunsten der Learn-Your-Way-Bedingung im Vergleich zu einem Digital Reader/PDF-Reader (Heldreth et al., 2025).
Das ist kein endgültiger Beweis dafür, dass „AI-Textbooks alles schlagen”. Aber es ist deutlich mehr Substanz als die übliche Produktankündigung.
Viele „AI im Lernen”-Ansätze sind im Kern: „LLM, bitte erklär”. Learn Your Way ist eher: „Wir definieren Lernartefakte (Text, Quiz, Slides, Audio, Mindmap) – und lassen ein System diese Artefakte kontrolliert aus einem Source-of-Truth erzeugen” (LearnLM Team, 2025).
Das ist eine brauchbare Referenzarchitektur für AI-gestützte Lernprodukte – gerade wenn man ernsthaft skalieren will.
Für EdTech (vor allem im schulischen Kontext) ist nicht Kreativität das Hauptproblem, sondern Verlässlichkeit: Lehrplanbezug, Faktentreue und kein stiller Drift. Genau darauf zielt der Tech Report explizit ab: alternative Repräsentationen, ohne den Kern zu verfälschen (LearnLM Team, 2025).
Im Research-Blog beschreibt Google, dass „educational illustrations” besondere Anforderungen haben und man dafür eigene Modell-/Trainingsentscheidungen getroffen hat (Elidan & Haramaty, 2025). Das passt zur Erfahrung aus vielen Lernprodukten: „Bunte Bilder” sind leicht, brauchbare Lernvisualisierungen schwer.
Die große Versuchung ist: „Endlich sind Lehrbücher nicht mehr langweilig.” Das kann stimmen, aber „angenehm konsumierbar” ist nicht automatisch „wirksam gelernt”.
Drei Forschungslinien sind hier besonders relevant:
In einem bekannten kontrollierten Vergleich lernten Studierende bei aktiver Lehre objektiv mehr, hatten aber subjektiv das Gefühl, weniger gelernt zu haben (Deslauriers et al., 2019). Eine plausible Erklärung: Kognitive Leichtigkeit („Fluency”) wird schnell mit Kompetenz verwechselt.
Übertragung auf Learn Your Way:
Personalisierter Text, passende Beispiele, Slides & Audio können Fluency erhöhen. Das ist gut für Motivation und Einstiegshürden – erhöht aber das Risiko: „Hab ich verstanden”, ohne dass Abruf oder Anwendung klappt.
Was positiv ist: Learn Your Way enthält eingebettete Fragen und Quizzes – also potenzielle Retrieval-Momente (Elidan & Haramaty, 2025; LearnLM Team, 2025). Und Google hat in der Evaluation Retention gemessen (LearnLM Team, 2025; Elidan & Haramaty, 2025).
Tests und Quizze verbessern langfristiges Behalten oft stärker als erneutes Lesen (Roediger & Karpicke, 2006). Wissenschaftliche Arbeiten zur Lernforschung ordnen Retrieval Practice als eine der evidenzstärksten Lerntechniken ein (Dunlosky et al., 2013).
Übertragung auf Learn Your Way:
Die vorhandenen Quizzes sind die richtige Richtung. Ein entscheidender Punkt ist, wie sie gestaltet sind. Es sollte sich hier immer um Aufgaben handeln, die Lernende wirklich dazu bewegen, das Gehirn aktiv zu nutzen und sich intensiv mit dem Gelernten auseinanderzusetzen.
Der Effekt von Spaced Practice wird in der Literatur als sehr robust (Cepeda et al., 2006) beschrieben und zählt in Überblicken ebenfalls zu den „best bets” (Dunlosky et al., 2013). Während das reine Abrufen (Retrieval Practice) zweifellos essenziell ist, habe ich persönlich den größten Gewinn durch die Anwendung von Spaced Repetitive Learning erzielt. Meine eigene Erfahrung bestätigt, dass die Methode des verteilten Übens und das regelmäßige, zeitlich gestreckte Ins-Gedächtnis-Rufen spezifischer Antworten den Lerneffekt nicht nur positiv, sondern am nachhaltigsten und wirksamsten gestaltet hat.
Die offene Produktfrage:
Ist Learn Your Way eher ein Content-Renderer (macht Inhalte zugänglicher) oder ein Learning-System (steuert Wiederholung, Abruf, Transfer über Zeit)? Aktuell wirkt es eher wie Ersteres – mit wichtigen Bausteinen in Richtung Zweiteres (Quizzes, mehrere Views) (LearnLM Team, 2025; Elidan & Haramaty, 2025). Wenn Spacing/Interleaving systematisch eingebaut würde, könnte ein großer Teil des Potenzials erst richtig gehoben werden.
Was ich an Learn Your Way mag: Es ist ein ernsthafter Versuch, Textbook-Content als Ausgangswahrheit zu nehmen und trotzdem Variabilität, Multimodalität und Checks einzubauen – inklusive Evaluation (LearnLM Team, 2025; Heldreth et al., 2025; Elidan & Haramaty, 2025).
Die Leitplanke aus der Lernforschung bleibt aber klar:
Nicht die schönste Erklärung gewinnt, sondern das beste Abruf- und Transfer-Design.
Learn Your Way kann genau das unterstützen – wenn Personalisierung nicht zur reinen Komfortschicht wird, sondern konsequent in Retrieval, Feedback und (idealerweise) Spacing übersetzt wird.
Die Frage nach Datenschutz und den Lern-Daten, die man hier mit Google teilt, klammere ich hier mal bewusst aus. Das ist eine Geschichte für einen anderen Tag…
Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380. https://doi.org/10.1037/0033-2909.132.3.354
Deslauriers, L., McCarty, L. S., Miller, K., Callaghan, K., & Kestin, G. (2019). Measuring actual learning versus feeling of learning in response to being actively engaged in the classroom. Proceedings of the National Academy of Sciences, 116(39), 19251–19257. https://doi.org/10.1073/pnas.1821936116
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4–58. https://doi.org/10.1177/1529100612453266
Elidan, G., & Haramaty, Y. (2025, 16. September). Learn Your Way: Reimagining textbooks with generative AI. Google Research Blog. https://research.google/blog/learn-your-way-reimagining-textbooks-with-generative-ai/
Google. (o. J.). Learn Your Way [Webseite]. Abgerufen am 29. Dezember 2025, von https://learnyourway.withgoogle.com/
Heldreth, C., Vardoulakis, L. M., Miller, N. E., Haramaty, Y., Akrong, D., Hackmon, L., & Belinsky, L. (2025). Experimentally Testing AI-Powered Content Transformations on Student Learning (arXiv:2509.18664). arXiv. https://doi.org/10.48550/arXiv.2509.18664
LearnLM Team. (2025). Towards an AI-Augmented Textbook (arXiv:2509.13348v4). arXiv. https://doi.org/10.48550/arXiv.2509.13348
OpenStax. (o. J.). OpenStax [Webseite]. Abgerufen am 29. Dezember 2025, von https://openstax.org/
Paivio, A. (1991). Dual coding theory: Retrospect and current status. Canadian Journal of Psychology, 45(3), 255–287. https://doi.org/10.1037/h0084295
Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
