Personalisierung ist ein aktuelles Thema im Bereich der Online-Lehre. Lernende sind divers, sie haben unterschiedliche Vorkenntnisse, adressieren verschiedene Lernziele und variieren in ihren (Lern-)Präferenzen. Aufgrund dieser Diversität besteht die Notwendigkeit, Onlinekurse an die Bedürfnisse der Lernenden anzupassen. Dabei wird das Ziel verfolgt, Lernende so zu motivieren, dass sie ein bestmögliches Lernergebnis erzielen können. Im Rahmen der Dissertation wurde die Domäne des Sprachenlernens gewählt, auf welche Methoden zur Personalisierung angewandt wurden. Eine initiale Analyse kommerzieller Sprachlern-Apps hat gezeigt, dass Personalisierung bislang nur rudimentär als Sequenzierungsstrategie umgesetzt wurde. Dabei beschränkt sich die Anwendung hauptsächlich auf das Lernen mit Karteikarten. Die Dissertation beschäftigt sich mit der übergeordneten Forschungsfrage wie Personalisierung in automatisch generierten Online-Sprachlernkursen angewandt und mit fundamentalen und experimentellen Sequenzierungsstrategien kombiniert werden kann. Hierzu setzt die vorliegende Arbeit eine modifizierte Version der "Meshing-Hypothese" exemplarisch als Sequenzierungsstrategie um. Die Idee dieser Strategie besteht darin, dass Lernende besser lernen, wenn die Lehrmethoden mit den Präferenzen der Lernenden übereinstimmen. Diese Strategie wird in der Forschung seit Jahrzehnten kontrovers diskutiert. In mehreren Schritten wurden verschiedene Perspektiven zur Anwendung der Personalisierung mit dieser Strategie untersucht. Zunächst wurde ein Instrument zur Erfassung von Präferenzen entwickelt. Die exemplarische Auswahl beschränkt sich auf jene Präferenzen, welche durch konkrete Lehrmethoden abgebildet werden können. Anschließend wurde ein Experiment durchgeführt, um Leistungsunterschiede zwischen Lernenden mit unterschiedlichen Präferenzen zu ermitteln. Dazu wurden Lehrmethoden in einen konkreten Sprachlernkurs mit einer vordefinierten Lernprogression imitiert. Im nächsten Schritt wurde die technische Basis für adaptive Kurse vorbereitet. Zu diesem Zweck wurde die Lernplattform Moodle funktional so angepasst, dass sie für Experimente zur Personalisierung von Onlinekursen genutzt werden kann. Danach wurde die inhaltliche Basis vorbereitet, welche die Generierung von Sprachlerneinheiten unter Verwendung modernster generativer Modelle ermöglicht. Die dabei entstehenden interaktiven Lernmaterialien wurden um Imitationen zu einer Auswahl von Lehrmethoden ergänzt. Das so generierte Lernmaterial musste anschließend in eine optimale Reihenfolge gebracht werden. Ein neuer Ansatz zur Kombination verschiedener Sequenzierungsstrategien wird unter der Verwendung generativer neuronaler Netze eingeführt. Darauffolgend wird ein Konzept vorgestellt, das es ermöglicht, Sequenzierungsstrategien zu verstärken, wenn sie einen positiven Effekt auf das Lernergebnis haben oder sie zu vergessen, wenn der Effekt zu gering ist oder nicht existiert. Das Konzept wurde zunächst simuliert. Anschließend wurden die generierten Lernmaterialien, die technische Basis, die Sequenzierungsstrategien und die Präferenzen der Lernenden in einem finalen Experiment kombiniert, um die modifizierte Meshing-Hypothese als Fallbeispiel umzusetzen. Hierzu wurde das vorweg simulierte Konzept des Verstärkens oder Vergessens von Sequenzierungsstrategien in einem realen Online-Sprachlernkurs praktisch angewandt. Die im Rahmen der Dissertation durchgeführten Experimente erlauben Schlussfolgerungen für die Generierung und Personalisierung von Sprachlernkursen. Darüber hinaus geben mehrere Machbarkeitsstudien (Proof-of-Concepts) Einblicke in die praktische Anwendbarkeit der Ansätze. / Recently, personalization has become a topic of some interest in the field of education. Learners possess different levels of prior knowledge, along with various learning goals and preferences. This diversity underscores the necessity of adapting online courses to suit learners’ needs, with the ultimate goal of engaging learners for optimal learning outcomes. As a representative domain, the field of language learning was chosen, to which personalization has been applied. An initial analysis of commercial language learning apps revealed the scarce realization of personalization, mainly limited to flashcard learning as an item sequencing strategy. Subsequently, the dissertation focused on the overall research question: How can personalization in auto-generated online language learning courses be utilized and combined with fundamental and experimental item sequencing strategies? Therefore, the dissertation employed a modified version of the “Meshing Hypothesis” as an example, proposing that students learn more effectively when instructional teaching methods align with their preference levels. Its original strategy has been controversially discussed in research for decades. The research unfolded in several stages to utilize personalization, commencing with the development of an instrument to collect preferences linked to instructional teaching methods. An experiment was conducted to discern performance differences among learners with varying preference levels. This involved imitating scenarios for some instructional teaching methods within an online language learning course that follows a fixed learning progression. The subsequent phase concentrated on preparing the technical groundwork for personalized courses. To this end, the Moodle learning platform was functionally adapted to facilitate experiments in personalizing online courses. Simultaneously, a contextual foundation was established, enabling the generation of template-based language learning units through cutting-edge generative models. Applied imitations of a selection of instructional methods enhanced the resulting interactive learning materials. In order to optimize the arrangement of the generated learning materials, a novel approach was introduced, combining multiple item sequencing strategies using generative neural networks. A conceptual framework was introduced, allowing for the amplification of sequencing strategies that positively impact learning outcomes or their removal if the effect is negligible. First, the concept was simulated. Then, the technical foundation, generated learning materials, item sequencing strategies, and learner preferences were combined in a final experiment to employ the modified Meshing Hypothesis and to utilize the idea of “unlearning” item sequencing strategies in a real online language learning course. The experiments conducted in this dissertation allow conclusions for generating and personalizing online language learning courses. Furthermore, several proof-of-concepts provide insights into the applicability of the approaches to be drawn for practice.