Highlighting-Statistiken: Was die Forschung zeigt

Die wichtigsten Zahlen

Wenn Sie nur eine Tabelle von dieser Seite mitnehmen, dann diese.

Hinter jeder dieser Zahlen steckt eine Geschichte, und einige davon werden häufig falsch zitiert. Die folgenden Abschnitte liefern den Kontext.

Funktioniert Highlighting? Was die Laborforschung sagt

Das meistzitierte Urteil über Highlighting stammt aus der Monografie von Dunlosky und Kollegen aus dem Jahr 2013 in Psychological Science in the Public Interest, die zehn beliebte Lerntechniken überprüfte. Markieren und Unterstreichen erhielten die niedrigste Bewertung der Übersichtsarbeit, „low utility", zusammen mit erneutem Lesen und Zusammenfassen. Die Bestnoten gingen an Übungstests und verteiltes Lernen.

Zwei Details gehen üblicherweise verloren, wenn dieser Befund zitiert wird.

Erstens testeten die Studien hinter der Bewertung Highlighting als passive Tätigkeit in einem Durchgang: einige Zeilen markieren, sie später erneut lesen, einen Test schreiben. Unter diesen Bedingungen bringt das Markieren von Text wenig gegenüber bloßem Lesen. Die Übersichtsarbeit testete Highlighting nicht als Erfassungsschritt innerhalb eines größeren Systems, in dem die Highlights spätere Abrufübungen, Notizen oder verteilte Wiederholung speisen.

Zweitens stellte die Übersichtsarbeit fest, dass Highlighting die Leistung bei Schlussfolgerungsfragen sogar verschlechtern kann und dass Vorteile hauptsächlich dann auftreten, wenn selektiv markiert wird. Ganze Absätze zu markieren erspart dem Gehirn die Arbeit zu entscheiden, was wichtig ist, und genau in dieser Entscheidung findet das Lernen statt. Selektivität ist der Wirkstoff, ein Punkt, den wir in The Science of Highlighting auseinandernehmen.

Die ehrliche Lesart der Laborliteratur ist also eng gefasst: Highlighting allein erzeugt kein dauerhaftes Lernen. Highlighting als Eingangstür zu Active Recall und Wiederholung ist eine andere, weitgehend ungetestete Tätigkeit.

Wie Menschen tatsächlich markieren: Daten aus Millionen von Highlights

Laborstudien beobachten typischerweise ein paar Dutzend Studierende beim Lesen einiger Passagen. Glasp betreibt eine soziale Highlighting-Plattform mit über 1,000,000 Nutzern und Millionen von Highlights und veröffentlicht zur Begutachtung eingereichte Forschung zu diesen Verhaltensdaten. Die vollständige Serie liegt auf der Glasp-Research-Seite; drei Befunde sind hier am wichtigsten.

Was Menschen innerhalb eines Dokuments markieren, ist größtenteils geteilt. Über die Leserinnen und Leser desselben Dokuments hinweg ballen sich die Highlights auf denselben Passagen. Ein Modell, das nur kennt, was die Masse markiert hat, sagt das nächste Highlight einer Einzelperson fast so gut voraus wie ein Modell, das auf diese Person abgestimmt ist: Der persönliche Zugewinn innerhalb eines Dokuments ist winzig, etwa +0.017 AUC (Paper I, arXiv:2606.09024).

Individualität liegt in der Dokumentwahl. Dieselbe Modellierung zeigt einen deutlich größeren Gewinn, ungefähr +0.13, wenn vorhergesagt wird, mit welchen Dokumenten eine Person sich überhaupt beschäftigen wird (Paper II, arXiv:2606.10398). Im Klartext: Sie sind nicht besonders in dem, was Sie unterstreichen, Sie sind besonders in dem, was Sie zu lesen beschließen.

Leserinnen und Leser bilden Lager, aber nur innerhalb eines Dokuments. Bei umstrittenen Texten spalten sich die Lesenden in klar getrennte Untergruppen, die unterschiedliche Regionen markieren, mit starker statistischer Trennung (z ≈ +6.3). Doch die Zugehörigkeit zu diesen Lagern überträgt sich kaum von einem Dokument zum nächsten (Paper III, arXiv:2606.11613). Uneinigkeit darüber, was wichtig ist, existiert wirklich, aber sie ist situativ, keine Identität.

Lassen sich Highlights vorhersagen?

Zwei weitere Ergebnisse aus derselben Serie beantworten praktische Fragen.

Cold-Start-Vorhersage funktioniert, auf dem Long Tail. Für ein brandneues Dokument ohne bisherige Leserinnen und Leser kann ein trainiertes Modell vorhersagen, welche Passagen die Masse letztlich markieren wird, und schlägt die starke Baseline „Menschen markieren den Anfang" um etwa +0.04 Average Precision. Der Vorteil konzentriert sich auf den Long Tail, die weniger populären Passagen, an denen einfache Heuristiken scheitern (Paper IV, arXiv:2606.11654).

Die Leseidentität ist dauerhaft. Ein Interessenprofil, das nach den ersten sechs Monaten einer Leserin oder eines Lesers eingefroren wird, sagt deren Dokumentwahl noch Jahre später ohne messbaren Verfall voraus: Das gepaarte Erhaltungsverhältnis liegt bei 1.003, und das eingefrorene Profil schlägt eine Popularitäts-Baseline bei der Vorhersage des nächsten Dokuments weiterhin mit mehr als 3 zu 1 (Paper V, arXiv:2606.12904). Ihr Lesegeschmack verhält sich wie eine Eigenschaft, nicht wie eine Stimmung.

Für alle, die ein System für persönliches Wissensmanagement aufbauen, ist diese letzte Zahl leise ermutigend: Die Interessen, die Sie heute erfassen, beschreiben Sie auch in zwei Jahren noch, sodass die Bibliothek, die Sie aufbauen, sich aufzinst, statt zu verfallen.

Lesegeschwindigkeit und Aufmerksamkeit: der Kontext, in dem Highlighting lebt

Highlighting-Statistiken ergeben nur vor dem Hintergrund Sinn, wie Menschen lesen.

Lesegeschwindigkeit. Die sorgfältigste Schätzung stammt aus Brysbaerts Metaanalyse von 2019 über 190 Studien: Erwachsene lesen Sachtexte still mit durchschnittlich etwa 238 Wörtern pro Minute, mit großer individueller Streuung. Behauptungen, gewöhnliche Leserinnen und Leser könnten dieses Tempo ohne Verständnisverlust verdreifachen, haben Überprüfungen nicht überstanden.

Aufmerksamkeit. Gloria Marks Forschung zur Bildschirmaufmerksamkeit an der UC Irvine begleitete Wissensarbeiter über fast zwei Jahrzehnte: Die durchschnittliche Aufmerksamkeit auf einem einzelnen Bildschirm fiel von rund zweieinhalb Minuten im Jahr 2004 auf etwa 47 Sekunden in den letzten Jahren. Die berühmte Statistik von der „8-Sekunden-Aufmerksamkeitsspanne, kürzer als bei einem Goldfisch" hat dagegen keine nachvollziehbare Primärquelle und wird am besten als Mythos behandelt, etwas, dem wir in The Attention Span Crisis nachgehen.

Zusammengenommen: Ein Artikel mit 5,000 Wörtern kostet die durchschnittliche Leserin oder den durchschnittlichen Leser rund 20 Minuten zunehmend fragmentierter Aufmerksamkeit. Eine gute Highlight-Ebene ist die Art, wie irgendetwas von dieser Investition den nächsten Tab-Wechsel überlebt, und genau das ist das praktische Argument für Tools wie einen Web-Highlighter, die den Erfassungsschritt reibungsfrei halten.

KI und Lernen im Jahr 2026

Das Umfeld rund um Highlighting hat sich in den letzten drei Jahren schneller verändert als in den dreißig davor.

Der HEPI / Kortext Student Generative AI Survey 2026 liefert Zahlen für britische Studierende: 94% nutzen inzwischen in irgendeiner Form generative KI für bewertete Arbeiten, nach 88% im Jahr 2025 und 53% im Jahr 2024. Der Anteil derjenigen, die KI-generierten Text direkt in bewertete Arbeiten einfügen, erreichte 12%, nach 8% im Jahr davor.

Die Laborliteratur hat diesen Wandel noch nicht eingeholt, und die ehrliche statistische Aussage lautet: Es gibt noch keine Langzeitevidenz zu Lerneffekten. Was die obigen Verhaltensdaten jedoch nahelegen, ist eine Arbeitsteilung: KI ist am stärksten darin zu verdichten, was ein Dokument sagt, während Ihre Highlights das Einzige festhalten, was KI nicht wissen kann, nämlich was Ihnen wichtig war. Zusammenfassungen eines KI-YouTube-Summarizers sagen Ihnen, ob eine Quelle Aufmerksamkeit verdient; Ihre Highlights sind der Rückstand davon, sie ihr geschenkt zu haben.

Was die Statistiken für Ihr Lernsystem bedeuten

Liest man die Zahlen zusammen, ergibt sich eine konkrete Arbeitsweise statt eines Urteils für oder gegen den Textmarker.

1. Markieren Sie selektiv, und machen Sie dann etwas daraus. Die Bewertung „low utility" gilt für Markieren-und-erneut-Lesen. Die evidenzbasierten Techniken, Abrufübung und verteiltes Lernen, brauchen Rohmaterial, und Highlights sind der günstigste Weg, es zu sammeln.
2. Investieren Sie Ihre Mühe in die Auswahl. Die Daten sagen: Die Dokumentwahl ist der Ort der Individualität. Zu kuratieren, was in Ihre Lese-Warteschlange gelangt, zählt mehr, als Ihren Markierstil zu perfektionieren.
3. Vertrauen Sie darauf, dass Ihre Bibliothek gut altert. Die Leseidentität ist über Jahre stabil, heute erfasste Highlights behalten also ihren Wert; exportieren Sie sie an einen dauerhaften Ort, sei es als Kindle-Highlights in Ihre Notiz-App oder in ein verbundenes MCP-Setup, mit dem Ihr KI-Assistent sie durchsuchen kann.
4. Rechnen Sie mit fragmentierter Aufmerksamkeit. Bei Bildschirmaufmerksamkeit von unter einer Minute scheitern Systeme, die lange ununterbrochene Sitzungen verlangen, schon im Ansatz. Erfassen Sie in Sekunden, wiederholen Sie in Minuten.

Häufig gestellte Fragen

Ist Highlighting Zeitverschwendung?

Für sich genommen größtenteils ja: Die Dunlosky-Übersichtsarbeit bewertete Markieren-und-erneut-Lesen als „low utility". Als Erfassungsschritt, der Abrufübungen, verteilte Wiederholung oder Notizen speist, greift die Kritik nicht mehr, denn die Studien hinter der Bewertung waren nicht darauf ausgelegt, diesen Workflow zu testen.

Wie viel Prozent der Studierenden nutzen KI für ihr Studium?

Der HEPI / Kortext Survey 2026 ergab, dass 94% der britischen Studierenden in irgendeiner Form generative KI für bewertete Arbeiten nutzen, nach 88% im Jahr 2025 und 53% im Jahr 2024. Das direkte Einfügen von KI-generiertem Text in bewertete Arbeiten liegt bei 12%.

Wie schnell liest der Durchschnittsmensch?

Etwa 238 Wörter pro Minute beim stillen Lesen von Sachtexten, laut Brysbaerts Metaanalyse von 2019 über 190 Studien. Belletristik läuft etwas schneller, und große individuelle Unterschiede sind normal.

Markieren alle Menschen dieselben Stellen?

Weitgehend ja. Glasps veröffentlichte Forschung zeigt, dass die Highlights einer Einzelperson innerhalb eines Dokuments nur etwa +0.017 AUC an Vorhersagesignal über das hinaus beitragen, was die Masse ohnehin markiert. Individualität zeigt sich darin, welche Dokumente Menschen wählen, nicht welche Zeilen.

Woher stammen diese Highlighting-Statistiken?

Die Laborbefunde stammen aus begutachteter psychologischer Forschung, vor allem Dunlosky et al. (2013). Die Verhaltensbefunde stammen aus Glasps veröffentlichter Forschungsserie zu den eigenen Plattformdaten, verfügbar mit Code und Reproduzierbarkeitspaketen auf glasp.co/research und auf arXiv.

Fazit

Die Statistiken zum Highlighting lösen einen alten Streit, indem sie ihn aufteilen. Das Labor hat recht damit, dass Text markieren und erneut lesen wenig lehrt. Die Verhaltensdaten haben recht damit, dass Highlights alles andere als Rauschen sind: Sie sind konsistent genug, um vorhergesagt zu werden, stabil genug, um eine dauerhafte Leseidentität zu definieren, und persönlich gerade in dem, woran sie hängen. Das Werkzeug war nie das Problem; der fehlende zweite Schritt war es.

Wenn Sie die Zahlen hinter dieser Seite sehen möchten: Jede hier zitierte Glasp-Studie ist öffentlich, mit Daten und Code, auf glasp.co/research. Und wenn Ihr eigenes Lesen anfangen soll, eine Spur zu hinterlassen: Glasp ist der Ort, von dem diese Millionen Highlights stammen.