Mythos datenbasierte Steuerung

Vorwort

Das deutsche Bildungswesen befindet sich seit Jahren in einer Dauerkrise:

• Ein wachsender Anteil von Schüler:innen verfehlt die Mindeststandards,
• psycho‑soziale Herausforderungen nehmen zu,
• die Heterogenität und der individuelle Förderbedarf unter Schüler:innen nimmt zu,
• der Lehrkräftemangel wird sich aufgrund erst einmal steigender Schülerzahlen weiter verschärfen (Ausnahme Gymnasien).

Gleichzeitig erlebt ein Schlagwort eine bemerkenswerte Konjunktur: „datenbasierte Steuerung“. Die Erwartung dahinter ist klar: Wenn wir nur genug Daten sammeln, auswerten und visualisieren, wenn wir nur Hamburg, Kanada oder Singapur kopieren, dann wird sich die Qualität von Schulen und Kitas quasi automatisch verbessern.

Ich selbst habe bereits vor rund zwei Jahrzehnten für eine kluge Nutzung von Daten in der Bildungssteuerung geworben, u.a. mit dem Vorschlag einer Bildungsfinanzierungsgesamtrechnung, die auf Längsschnittdaten aus Hamburg (LAU[1]/KERMIT[2]) aufbauen sollte.

Zwanzig Jahre später diskutieren wir wieder – oder immer noch – über datenbasierte Steuerung als eigenes Stichwort oder in Verbindung mit Schüler-ID und Bildungsregister. Die Frage ist deshalb nicht, ob Daten grundsätzlich hilfreich sind – das sind sie. Die Frage ist, was Daten leisten können, was sie grundsätzlich nicht leisten können, und welche Voraussetzungen erfüllt sein müssen, damit sie überhaupt zur Verbesserung von Bildung beitragen können.

Dieser Beitrag richtet sich an Bildungspolitik, Verwaltung, Stiftungen, Bildungsforschung und Praxis. Es will einerseits die Grenzen des datenbasierten Steuerungsparadigmas aufzeigen und andererseits skizzieren, welche strukturellen und pädagogischen Reformen notwendig wären, damit Daten nicht nur Probleme dokumentieren, sondern tatsächliche Verbesserungen ermöglichen.

Ausgangslage: Krise des Bildungssystems und Aufstieg eines Schlagworts

Die Diagnose ist bekannt – aber in ihrer Kombination dramatisch:

• Der Anteil der Schüler:innen, die am Ende der Pflichtschulzeit die Mindeststandards nicht erreichen, ist hoch und in vielen Bereichen steigend.
• Die Heterogenität in den Klassen nimmt zu, wie etwa unterschiedliche Sprachbiografien, Lernvoraussetzungen und psycho‑soziale Belastungen.
• Der Lehrkräftemangel ist massiv – und wird sich angesichts Demografie, unzureichender Ausbildungskapazitäten bzw. Nachfrage und hoher Abbruch- und Aussteigerquoten eher verschärfen als entspannen, ungeachtet optimistischer Vorausberechnungen der Kultusministerkonferenz (KMK).

Gleichzeitig ist zu beobachten:

• Seit der ersten TIMS‑Studie 1995 und der PISA‑Studie 2000 wurde eine Reform nach der anderen durchs System getrieben – mit einem mäßigen und zumeist vorübergehenden Erfolg.
• Die durchschnittlichen Kompetenzwerte sinken, auch in den „Spitzenländern“ wie Bayern oder Sachsen verfehlen über 20 % der Neuntklässler:innen in Mathematik die Mindeststandards, bundesweit sind es rund ein Drittel.

In dieser Situation erscheint die datenbasierte Steuerung vielen als moderner, rationaler Ansatz. Hamburg wird als gutes Beispiel gefeiert; internationale Vorbilder wie Kanada oder Singapur werden zitiert. Doch die Debatte bleibt häufig verkürzt, praxisfern und technokratisch: Sie unterschätzt die Komplexität von Lernprozessen und überschätzt, was statistische Evidenz im Einzelfall leisten kann. Zudem blendet sie aus, dass grundlegende strukturelle und pädagogische Reformen nicht durch Datensysteme ersetzt werden können.

Es besteht zwar die Hoffnung, dass die Datenbasierung perspektivisch zu einer rationaleren Steuerung führt, weil Entscheidungen daten- oder empirisch basiert getroffen werden. Allerdings ist die Analyse- und Veränderungsbereitschaft in Lehrerkollegien oft unterausgeprägt, die Belastung ohnehin hoch und es herrscht besonders in Deutschland eine ausgesprochen starke normative bis ideologische Diskussions- und Entscheidungskultur.

Die Grundidee datenbasierter Steuerung

Unter „datenbasierter Steuerung“ wird in der Regel Folgendes verstanden: Lernstände von Schüler:innen werden systematisch erfasst, etwa durch Tests, (standardisierte) Vergleichsarbeiten und ein Bildungsmonitoring. Diese Daten werden aufbereitet, analysiert und für politische, administrative oder schulische Entscheidungen genutzt. Auf Basis der Ergebnisse sollen schließlich Maßnahmen zur Verbesserung des Unterrichts oder Förderprogramme entwickelt, angepasst oder beendet werden.

Die Argumentation klingt bestechend:

1. Datentransparenz: Wir sehen klarer, welche Schulen oder Schüler:innen gut und welche schlecht abschneiden.
2. Evidenzorientierung: Entscheidungen sollen sich stärker an empirischer Evidenz orientieren als an Ideologie oder „Bauchgefühl“.
3. Ressourceneffizienz: Durch ergänzende Kosten‑Nutzen‑ oder Kosten-Wirksamkeits-Analysen sollen wirksame Maßnahmen identifiziert und unwirksame beendet werden.

Was dabei oft übersehen wird:

• Daten können nur zeigen, ob Lernprozesse in der Vergangenheit erfolgreich waren oder nicht.
• Sie sagen wenig darüber, was konkret im Unterricht oder im Kita‑Alltag anders laufen muss, damit es künftig besser wird. Dazu braucht es gesonderte, fundierte und insbesondere ehrliche Analysen.
• Damit ich fundierte Entscheidungen über Veränderungen treffen kann, muss ich wissen, unter welchen Kontextbedingungen und bei welchen „Lernertypen“ eine Maßnahme tatsächlich wirksam ist – und wann nicht.

Daten liefern damit erst einmal nur Rückspiegel‑Informationen, keine Navigationsgeräte für die Zukunft. Die zentrale pädagogische Frage lautet jedoch: Was muss sich morgen und übermorgen für Mehmet, Aishe, Emilia oder Max konkret im Lernprozess ändern, damit sich ihre Lernkurve verbessert?

Um es an einem anderen Beispiel zu verdeutlichen: Wenn mir meine Unternehmenszahlen signalisieren, dass wir nicht mehr genügend Umsatz machen, weil wir nicht genügend Aufträge bekommen, dann muss ich sehr zeitnah analysieren, was „falsch“ läuft und auf Basis dieser Analyse entscheiden, was geändert werden muss. Ich kann nicht warten, bis mir irgendwelche empirischen Untersuchungen in ein paar Jahren zeigen, was ich hätte anders machen können – und was erfolgreicher gewesen wäre.

In der Schule ist es faktisch nicht anders: Wenn ich feststelle, dass ich bei mehreren oder einzelnen Schüler:innen das „Klassenziel“ nicht erreiche, dann ist es zwar gut, wenn ich konkrete Handlungsinformationen habe. Wenn dies aber nicht der Fall ist, ist es meine Aufgabe als Lehrer:in zu schauen, was ich anders machen kann, damit es besser klappt. Wie muss ich meinen Unterricht anpassen, damit auch X und Y das Klassenziel erreichen. Solange mir die empirische Forschung keine hilfreichen Informationen liefert, muss ich auf Basis meiner Analyse – oder mit Hilfe meiner Kolleg:innen – einen besseren Weg finden.

Lernen als individueller und sozialer Prozess

Lernen ist Beziehung, nicht Excel

Lernen ist ein individueller und zugleich sozialer Prozess. Jedes Kind lernt anders, bringt andere Talente, Voraussetzungen, Interessen und Lebenslagen mit. Zugleich entscheidet sich pädagogische Qualität vor allem in der Interaktion: zwischen Lehrkraft und Schüler:in, unter den Schüler:innen selbst sowie zwischen Lehrkräften und Fachkräften im Team.

Die Strukturqualität (Gebäude, Ausstattung, Klassengröße, Personalschlüssel) setzt den Rahmen. Entscheidend ist aber die Prozessqualität:

• Wie gut sind Lernprozesse an Ausgangsniveaus, Interessen, Motivationslagen und sprachliche sowie kulturelle Hintergründe angepasst?
• Wie flexibel können Lehr‑ und Fachkräfte auf heterogene Gruppen reagieren?
• Welche Rolle spielen nicht‑kognitive Kompetenzen, Beziehungsgestaltung und psycho‑soziale Stabilität?

Je genauer Lernwege auf die individuellen Ausgangsbedingungen abgestimmt sind, desto steiler und stabiler verlaufen die Lernkurven – unabhängig vom Startniveau.

Die empirische Bildungsforschung in Deutschland konzentriert sich jedoch überwiegend auf Strukturmerkmale (Schulform, Klassengröße, Trägerschaft, Standort) sowie aggregierte Gruppenvergleiche (Länder, Soziallagen, Migrationshintergrund) und deutlich seltener auf die Interaktions- und Prozessqualität im Unterricht oder im Alltag von Kindertagesstätten.

Um es an einem konkreten Beispiel zu zeigen: Viele Studien untersuchen die Frage, ob kleinere Klassen zu besseren Schülerleistungen führen. Die Evidenz auf der Meta-Ebene zeigt, dass es moderate positive Effekte gibt. Der übliche Schluss ist: Kleinere Klassen bringen wenig. Und sie sind teuer, da zusätzliche Lehrkräfte eingestellt werden müssten – abgesehen davon, dass es bereits bei den derzeitigen Klassengrößen einen beträchtlichen Lehrkräftemangel gibt. Was aber häufig übersehen wird: Bei Kindern aus benachteiligten Familien und bei jüngeren Kindern ist die empirische Evidenz eine andere: Hier zeigen sich größere positive Effekte! Das heißt – pointiert formuliert: In Brennpunktschulen wäre es sehr sinnvoll, die Klassen zu verkleinern. Was mir aber in der Forschung fehlt, ist die Frage: Welche Faktoren auf der Prozessebene würden dazu führen, dass kleinere Klassen einen (stärkeren) positiven Effekt auf Schülerleistungen haben? Richtig ist: Dazu bräuchte ich Längsschnittdaten – deshalb setzt man auf Bildungsregister und Co. Derlei Längsschnittdaten gibt es aber schon seit Jahren – mit den Hamburger Daten, die aber in der Bildungsforschung kaum genutzt werden.

Damit entsteht eine frappierende Asymmetrie: Wir wissen einerseits relativ viel darüber, wie groß unsere Probleme sind. Andererseits wissen wir deutlich weniger darüber, wie erfolgreiche Lernprozesse in heterogenen Gruppen konkret gestaltet werden können – und zwar so, dass möglichst viele Kinder profitieren.

Die Grenzen der empirischen Bildungsforschung – und ihre Verantwortung

Es gibt exzellente Studien, Meta‑Analysen und Hinweise auf wirksame Maßnahmen, etwa was Mentoring‑Programme oder intensive, hochdosierte Sprach- oder Leseförderung betrifft.

Gleichzeitig gilt:

• Viele Studien liefern abstrakte oder generalisierte Effekte, aber kaum konkrete, situationsspezifische Handlungsanleitungen.
• Die Aufbereitung erfolgt häufig in einer Fachsprache und Struktur, die für Praktiker:innen wenig zugänglich ist.
• Forschungsprojekte sind meist projektfinanziert – mit Ende der Förderung endet in der Regel auch die systematische Weiterarbeit und Implementationsunterstützung.
• Und selbst erfolgreiche Pilot- oder Modellprojekte finden keine Verbreitung.

Besonders problematisch ist, dass weite Teile der Forschungslandschaft ihren primären Auftrag in der Publikationstätigkeit sehen, nicht in der nachhaltigen Verbesserung von Praxis. Eine führende Bildungsforscherin brachte es sinngemäß so auf den Punkt: Ihre Aufgabe sei es, in hochrangigen Zeitschriften zu publizieren – nicht, die Schulleistungen zu verbessern.

Und selbst wenn es gelegentlich eine sehr klare Evidenz für eine bestimmte Maßnahmen gibt, heißt das noch lange nicht, dass diesen Ergebnissen auch wirklich gefolgt wird.

Die Folge der aktuellen Schieflage: Politik beruft sich auf „Evidenz“, entwirft aber häufig kostengünstige, symbolische Programme, die nur selektiv und verkürzt auf Forschungsergebnisse Bezug nehmen. Und Lehr‑ und Fachkräfte erhalten zu selten das, was sie am dringendsten brauchen: konkrete, differenzierte Handlungsempfehlungen für ihren Alltag.

Beispiel Sprachförderung: Testen statt Fördern

Kaum ein Feld illustriert die Problematik aktuell so deutlich wie die Sprachförderung vor der Einschulung. Die Problemlage ist eindeutig: Zu viele Kinder haben beim Eintritt in die Grundschule unzureichende Sprachkompetenzen. Besonders betroffen dabei sind Kinder aus sozial benachteiligten Familien, häufig mit Migrationshintergrund. Gerade diese Kinder gehen jedoch überproportional selten oder zu spät in Kindertagesstätten – also genau in jener Phase, in der das „Sprachlernfenster“ am weitesten offensteht.

Gleichzeitig gilt: In vielen Kommunen gibt es zu wenige Kita‑Plätze, häufig verbunden mit einer ungünstigeren Sozialstruktur und Kassenlage. Zudem weisen Kitas mit hohen Anteilen an Kindern mit Förderbedarf tendenziell eher eine schwächere Interaktions- und Prozessqualität auf.

Politische Antwort: Testfetischismus und Discounter‑Programme

Anstatt die naheliegende Schlussfolgerung zu ziehen – nämlich:

• flächendeckende, möglichst früh einsetzende Kita‑Teilnahme,
• Verbesserung der Prozessqualität gerade in belasteten Quartieren,
• gezielte, alltagsintegrierte Sprachförderung,

setzt die Politik vor allem auf:

• verpflichtende Sprachstandstests mit vier oder fünf Jahren,
• kurzzeitige, niedrig dosierte „Aufholprogramme“ kurz vor Schuleintritt,
• Vorschulmodelle mit zweimal zwei Stunden Sprachförderung pro Woche, verbunden mit zusätzlicher Logistik (Kinder werden „durch die Gegend gekarrt“).

Das mag formal „datenbasiert“ sein, ist aber pädagogisch wie strukturell fragwürdig: Es werden Daten über Defizite erzeugt, ohne die strukturellen Voraussetzungen für wirksame Förderung zu schaffen. Anschließend werden kurzfristige, symbolpolitische Programme implementiert, deren Wirkung begrenzt ist und deren Evaluation – sofern überhaupt geplant – frühestens in einigen Jahren vorliegt. Sollten derlei Programme nicht erfolgreich sein, wird es für die Kinder der betroffenen Jahrgänge zu spät sein. Man kann es kaum anders nennen als: ein strukturelles Politikversagen.

Es ist gut, dass die Politik erkennt, dass dringend gehandelt werden muss – und wir so nicht weitermachen können. Aber wirklich gut gemachte Politik wird daraus leider eher selten.

Internationale Vorbilder: Hamburg, Kanada & Co. – oft zitiert, selten wirklich verstanden

In der deutschen Debatte werden gern drei Referenzen bemüht: Hamburg als Vorreiter datenbasierter Steuerung sowie Kanada und Singapur als internationale Erfolgsmodelle. Dabei wird häufig Folgendes übersehen:

• Hamburgs Entwicklung: Hamburg hat sich in den letzten Jahren bei den Kompetenzniveaus tatsächlich besser entwickelt als andere Bundesländer. Das ist aber nicht allein das Verdienst der Datensysteme, sondern Ergebnis eines Bündels von Maßnahmen, von denen in anderen Ländern nur Bruchstücke übernommen wurden. Auch ist es Ergebnis einer Politik, die sich wirklich zum Ziel gesetzt hat, datenorientiert zu arbeiten und den Prozess voranzutreiben.
• Kanadas individualisierte Bildungspläne: In Kanada gibt es individuelle Lernpläne für jedes Kind, die auf Basis von Daten angepasst werden. Lehrkräfte haben weniger „Unterrichts-“ und mehr Anwesenheitszeit in Schule. Zudem ist Teamarbeit zentral. Das deutsche System hingegen bleibt überwiegend beim Klassenverbund mit frontal geprägtem Unterricht, bei „einem Tempo für alle“ und geringer Differenzierung. Lehrkräfte haben eine hohe Unterrichtsbelastung, arbeiten meist individuell zuhause oder lassen sich ungerne „evaluieren“.
• Nutzung vorhandener Daten: Bemerkenswert ist, dass viele derjenigen, die heute lautstark Datenbasierung, Bildungsverlaufsregister und Schüler-ID fordern, selbst so gut wie nie mit Hamburger Daten gearbeitet haben, obwohl die Daten für Forschungszwecke verfügbar sind und nahezu alle Anforderungen erfüllen, die von der Forschung gefordert werden. Die Hürden von Datenschutz, Datenzugang und Analysekompetenz mögen in Hamburg zwar hoch sein, aber das wird bei neuen Datensystemen nicht anders sein.

Kurzum: Internationale und nationale Vorbilder werden häufig symbolisch zitiert, aber nur selten kontextsensibel und systemisch verstanden.

Praxisferne Steuerung: Reformen vom grünen Tisch

Die Einführung datenbasierter Steuerungsmodelle folgt in Deutschland einem vertrauten Muster:

• Entscheidungen am grünen Tisch: Konzepte werden in Ministerien, Stiftungen und wissenschaftlichen Zirkeln entworfen. Die handelnden Personen in Schulen und Kitas werden wenig einbezogen, ihre Perspektiven und Belastungsgrenzen kaum berücksichtigt.
• Ignorierte Belastungssituation: Lehrkräfte arbeiten häufig weit über 40 Stunden pro Woche. Heterogene Klassen, psycho‑soziale Problemlagen, zusätzliche Aufgaben und bürokratische Anforderungen haben die Belastung kontinuierlich erhöht. Fehlzeiten und vorzeitige Berufsabgänge nehmen zu.
• Zusätzliche Anforderungen ohne Entlastung: Neue Datensysteme bedeuten zusätzliche Dokumentation, Auswertung und Berichterstattung. Gleichzeitig fehlen Zeit, Unterstützung und Qualifizierung, um mit den Daten sinnvoll zu arbeiten.

Wer in dieser Lage von „datenbasierter Schul- oder Kitaentwicklung“ spricht, ohne über Entlastung, multiprofessionelle Teams, mehr Entscheidungsspielräume und Reflexionszeiten zu sprechen, betreibt letztlich Steuerungsromantik.

Was eine realistische datenbasierte Steuerung wirklich braucht

Wenn man die Idee der datenbasierten Steuerung ernst nehmen und auf realistische Füße stellen will, ergeben sich klare Anforderungen:

1. Daten, die im Alltag entstehen – nicht als Zusatzlast

Sinnvolle Daten sind solche, die:

• im laufenden Lernprozess quasi „en passant“ erhoben werden,
• für Lehr‑ und Fachkräfte unmittelbar verfüg- und interpretierbar sind,
• ohne großen Zusatzaufwand entstehen.

Punktuelle Großtests mit komplexen Skalen und geringer Anschlussfähigkeit an den Unterricht sind demgegenüber nur begrenzt praxistauglich. Die Ergebnisse liegen meist erst sehr zeitverzögert vor.

2. Handlungsleitende Informationen statt abstrakter Kennzahlen

Aus Daten müssen konkrete Handlungsoptionen ableitbar sein:

• Was tun bei Kindern, die zuhause kaum Deutsch sprechen und die Muttersprache nur schlecht beherrschen?
• Was tun bei Kindern mit guter Erstsprache, aber geringen Deutschkenntnissen?
• Welche Förderwege funktionieren unter welchen Bedingungen – und welche nicht?

Das erfordert eine Forschung, die:

• Prozess‑ und Interaktionsqualität systematisch und spezifisch untersucht,
• differenzierte Empfehlungen für verschiedene Zielgruppen entwickelt,
• Ergebnisse verständlich und zielgruppengerecht für die Praxis aufbereitet.

3. Evaluation mit Augenmaß – und Respekt vor dem Einzelfall

Evaluationen können zeigen, dass eine Maßnahme für eine Mehrheit der Schüler:innen wirksam ist. Aber: Wenn eine Evaluation ergibt, dass 70 % profitieren, heißt das im Umkehrschluss, dass 30 % nicht profitieren. Das heißt, sie brauchen eine andere Förderung, als diejenigen, die positiv evaluiert wurden.

Daher brauchen Lehr‑ und Fachkräfte:

• Entscheidungsspielräume, um Maßnahmen an den Einzelfall anzupassen,
• Unterstützung bei der Interpretation von Daten,
• keine starren „Evidenz‑Rezepte“ nach dem Motto „One size fits all“,
• sondern differenzierte Hinweise für kleine Gruppen von Schüler:innen mit bestimmten Merkmalen bzw. für den Einzelfall.

4. Strukturelle Voraussetzungen

Datenbasierte Steuerung kann nur wirken, wenn zugleich:

• Schulen und Kitas echte Entscheidungskompetenzen in Personal- und Finanzfragen erhalten: Lehrkräfte müssen zum Konzept der Schule passen, Schulen entscheiden können, welche Lehr-/Lernmaterialien sie benötigen oder ob sie eventuell fehlendes Personal durch andere Lernformen kompensieren können,
• multiprofessionelle Teams in ausreichender Personalstärke aufgebaut werden, um auf die unterschiedlichen psycho-sozialen und sonstigen Herausforderungen eingehen zu können,
• Leitung von administrativen Aufgaben entlastet wird, um sich Leitungsaufgaben und dem „Transformationsprozess“ widmen zu können,
• Zeitfenster für Reflexion, Teamarbeit und Fortbildung geschaffen werden.

Ohne diese Reformen bleibt datenbasierte Steuerung ein technokratisches Schlagwort – und wird in der Praxis vor allem als zusätzliche Belastung erlebt.

Fazit: Daten sind Mittel, nicht Ersatz für Reformen

Die zentrale Botschaft dieses Beitrags lautet somit:

1. Daten sind wichtig – aber radikal überschätzt.
   Sie können Missstände sichtbar machen und Entwicklungen dokumentieren. Sie ersetzen aber weder pädagogische Kompetenz noch strukturelle Reformen.
2. Ohne grundlegende Veränderungen im Lehr‑/Lern‑Setting – weg vom lehrerzentrierten Frontalunterricht, hin zu individualisierten Lernwegen, aktivem Lernen und Berücksichtigung nicht‑kognitiver Kompetenzen – wird jede datenbasierte Steuerung bestenfalls kosmetische Effekte haben.
3. Individuelle Veränderungsbereitschaft – Veränderungsprozesse von Individuen und Gruppen setzen voraus, dass die Handelnden selbst erkennen, dass sie sich verändern müssen – und dies auch angehen und umsetzen wollen.
4. Empirische Bildungsforschung muss ihren Auftrag neu definieren.
   Es reicht nicht, Artikel in referierten Zeitschriften zu publizieren. Entscheidend ist, ob Forschung dazu beiträgt, Praxis zu verbessern – durch differenzierte, verständliche und umsetzbare Handlungsempfehlungen.
5. Bildungspolitik braucht Ehrlichkeit und Mut.
   Wer es ernst meint mit Sprachförderung, besseren Bildungschancen und Qualität für alle Kinder und Jugendlichen, kommt nicht vorbei an:
   • flächendeckender, früher Kita‑Teilnahme (spätestens ab dem 3. Lebensjahr),
   • durchgängig hoher Prozessqualität gerade in herausfordernden Lagen,
   • massiven Investitionen in Personal, Ausstattung und (zeitlicher) Entlastung für Reformprozesse sowie
   • durchdachten und fundierten Maßnahmekonzepten.
6. Ohne Veränderungsbereitschaft aller Akteure wird es nicht gehen.
   Kita‑ und Schulleitungen, Lehr- und pädagogische Fachkräfte, Verwaltung und Politik müssen anerkennen, dass ein „weiter so“ keine Option ist, sondern grundlegende Veränderungen anstehen. Wer glaubt, das System weitgehend unverändert lassen und nur „datenbasiert steuern“ zu können, irrt – gründlich. Genauso irrt, wer glaubt, dass die datenbasierte Steuerung sui generis zur Veränderung führen wird.

Daten können uns zeigen, wie tief wir in der Krise stecken.
Ob wir aus dieser Krise herausfinden, entscheidet sich jedoch nicht in Datensystemen, sondern in Strukturreformen, pädagogischer Prozessqualität und der Bereitschaft, wirklich umzusteuern und sich selbst zu hinterfragen und zu ändern.

[1] LAU – „Aspekte der Lernausgangslage und der Lernentwicklung“, https://www.bildungsserver.de/onlineressource.html?onlineressourcen_id=15281;

[2] KERMIT – „Kompetenzen ermitteln“, https://www.kermit-hamburg.de/