Verständlicher Input ist notwendig — und nicht genug

Krashen hatte recht, was Input betrifft — aber nur teilweise

Stephen Krashens Input-Hypothese (1985) wurde zur einflussreichsten Idee im Sprachunterricht des späten 20. Jahrhunderts: Wir erwerben Sprachen, indem wir Botschaften verstehen, die knapp über unserem aktuellen Niveau liegen (seine berühmte „i+1"-Formel). Verständlicher Input ist notwendig — dieser Teil hat sich bestätigt.

Was sich nicht bestätigt hat, ist die Behauptung, dass Input ausreichend sei. Zwei Jahrzehnte Forschung zeigen, dass Lernende mehr brauchen.

Warum reiner Input an Grenzen stößt

Wenn Sie 800 Stunden spanisches Netflix geschaut haben und immer noch keinen Satz bilden können, haben Sie persönlich bewiesen, dass Input allein Grenzen hat. Die Gründe:

1. Erkennen ist nicht Produzieren. Sie können „podrías pasarme la sal" verstehen, ohne jemals „podrías" selbst abrufen zu müssen. Unterschiedliche Abrufanforderungen, selbst wenn das zugrunde liegende Wissen sich überschneidet (Tulving & Pearlstone 1966).
2. Rezeptive Grammatik ist unscharf. Sie können 80% komplexer Syntax verstehen, ohne zu wissen, wo das Verb tatsächlich hingehört.
3. Ohne Output bemerken Sie keine Lücken. Output erzwingt das Bemerken, das Input niemals leistet.

Es gibt einen vierten, stilleren Grund, warum die meisten Lernenden im Input-Modus bleiben: Er ist privat. Sie können bei einem Podcast in Ihrer Küche scheitern, und niemand weiß es. Output macht Sie angreifbar. Diese Asymmetrie — Input ist sicher, Output ist peinlich — ist mindestens genauso sehr der Motor des 800-Stunden-Netflix-Problems wie die kognitive Seite.

Mike Longs Interaktionshypothese (1996) fügte das fehlende Puzzleteil auf der kognitiven Seite hinzu: Sprache wird durch ausgehandelte Interaktion erworben, bei der Sie etwas produzieren, der Gesprächspartner reagiert und das resultierende Feedback den Kreislauf schließt.

Der dreiteilige Flüssigkeitskreislauf

Das Konsensbild in der Zweitspracherwerbsforschung hat sich in Richtung eines Input-Interaktion-Output-Rahmens verschoben (Gass 2003; Ortega 2009 für die Lehrbuchversion):

1. Massiver verständlicher Input — 100e von Stunden TV, Podcasts, Bücher auf i+1-Niveau
2. Erzwungener Output — tägliches Sprechen und Schreiben unter realistischem Druck. Forced output ist der Fachbegriff der Zweitspracherwerbsforschung; auf Deutsch: bewusste Output-Praxis.
3. Feedback — Korrekturen, Recasts (wenn ein Partner Ihren Satz korrekt umformuliert, ohne das Gespräch zu unterbrechen) oder Selbstwahrnehmung innerhalb von 24 Stunden

Überspringen Sie Input, bleibt Ihre Grammatik fragmentarisch. Überspringen Sie Output, und Sie erstarren in dem Moment, in dem jemand Sie anspricht. Überspringen Sie Feedback, und Ihre falschen Muster verfestigen sich zu Gewohnheiten — was Zweitspracherwerbsforscher seit Selinker (1972) Fossilisierung nennen.

Wie Sie die drei Elemente in einem normalen Zeitplan ausbalancieren

Es gibt kein kanonisches, von der Zweitspracherwerbsforschung abgesegnetes Verhältnis für Input-/Output-/Feedback-Zeit, aber eine vertretbare Selbstlern-Heuristik für eine Stunde pro Tag sieht etwa so aus:

• ~30 Min. Input (ein Podcast oder eine Serie; L2-Untertitel sind in Ordnung, L1-Untertitel hängen vom Niveau ab — Vanderplanks Übersichtsarbeiten fassen die Abwägungen zusammen)
• ~20 Min. Output (Konversation, Tagebuchschreiben, Monolog-Übung)
• ~10 Min. Feedback / Wiederholung (gestrige Lücken, Abrufpraxis, Recasts)

Ein häufiges Muster bei App-basierten Lernenden liegt eher bei 55 Min. Input, 5 Min. Output, 0 Min. Feedback. Das ist die Konfiguration, die das „Ich kann alles lesen, aber ich erstarre, wenn ich den Mund aufmache"-Syndrom erzeugt.

Wo KI-Tutoren tatsächlich helfen

Output und Feedback sind die teuren Teile in Modellen mit menschlichen Tutoren — sie erfordern Zeit und Geduld von einem fließend Sprechenden. KI-Tutoren lösen das Angebotsproblem: Sie können jeden Tag 30 Minuten Output mit Feedback haben, statt 30 Minuten pro Woche. Die Zweitspracherwerbsliteratur stellt konsistent fest, dass interaktiver Output mit zeitnahem Feedback den Flüssigkeitserwerb beschleunigt (siehe Mackey & Goo 2007 für eine Meta-Analyse zu Interaktion und L2-Entwicklung; Li 2010 speziell für schriftliches korrigierendes Feedback).