Screen-free Deep Learning: Audio-Storys mit KI-Dialoge statt Scroll-Apathie

Diese Session befreit digitales Lernen konsequent vom Bildschirm. Im Fokus steht die Transformation von Wissen in interaktive Audio-Szenarien mittels einer Multi-Agenten-Architektur. Wie lässt sich didaktische Tiefe (nach Bloom) in mobilen Settings ohne visuelle Unterstützung skalierbar realisieren?

Mittels Small Language Models (SLMs) wird die Passivität von Audio aufgebrochen. Um den flüchtigen Charakter reiner Hörformate (Transient Information Effect) abzufangen, steuert die KI die kognitive Belastung (Cognitive Load Theory) im Dialog: Sie integriert „Active Recall“ algorithmisch als sokratischer Impulsgeber in den Audio-Stream.

Die Praxis wird anhand zweier kontrastierender Cases demonstriert:

1. Ein mobiles Corporate-Learning-Setting, das Wissenstransfer für Erwachsene effizient in unproduktive Zeitfenster (z. B. Pendeln) verlagert.

2. Ein screenless Hardware-Device für Kinder, das immersive Audio-Storys in interaktive Bildungsräume verwandelt.

Literatur: Anderson, L. W., & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. Longman. Karpicke, J. D. (2012). Retrieval-Based Learning: Active Retrieval Promotes Meaningful Learning. Current Directions in Psychological Science. Sweller, J. (2011). Cognitive Load Theory. In: Psychology of Learning and Motivation. ACL Anthology (2025). A Survey on Small Language Models.