Personalisierte KI-Lehrkraft

Didaktisches Fundament

Methodisch gestützt auf den Forschungsstand zu Lerntechniken, insbesondere Dunlosky et al. (Strengthening the Student Toolbox). Eingesetzt werden die als hocheffektiv belegten Techniken: Practice Testing (aktiver Abruf statt Wiedererkennen), Distributed Practice (verteiltes Üben über mehrere Sessions), Interleaved Practice (Mischung verschiedener Aufgabentypen in einer Übung), Elaborative Interrogation („Warum ist das so?") und Self-Explanation (eigene Entscheidungen erklären lassen). Bewusst weggelassen werden Strategien geringerer Wirksamkeit wie reines Wiederlesen oder Markieren.

Verhaltens-Constraint im Prompt

Die KI-Lehrkraft gibt niemals Lösungen vor — weder als „Tipp" noch als „Beispiel" noch als umformulierte Version. Fehler werden benannt, Regeln in Erinnerung gerufen, Fragen gestellt — den Weg zur Lösung erarbeitet der Lernende selbst. Das ist ein hartes Constraint im Rollen-Prompt, mit ausdrücklicher Aufzählung dessen, was verboten und was erlaubt ist. Methodisch fundiert in der Forschung zu Tiefenlernen: Lösungen, die selbst gefunden werden, prägen sich deutlich besser ein als vorgesetzte.

Längsschnitt-Fehlertracking

Fehler werden in strukturierten Kategorien erfasst — etwa Grammatik, Wortschatz, Rechtschreibung, Struktur und Stil — und über Sessions hinweg persistiert. Aus dem Verlauf entstehen Schwerpunkte: Welche Fehlerklasse häuft sich? Wo gibt es Fortschritt, wo Stagnation? Diese Information steuert die Auswahl kommender Übungen gezielt auf die schwächeren Bereiche. Nicht alle Themen gleich oft, sondern dort, wo die Lücken liegen.

Multimodaler Input

Lehrmaterial wird per Foto erfasst. Ein Vision-LLM extrahiert Aufgabenstellung, Beispieltexte oder Regelwerk aus dem Bild und macht sie zur Grundlage einer themengebundenen Übung. Damit ist die Brücke vom physischen Lehrwerk zur generativen Übungserstellung gezogen — ohne dass jemand Inhalte abtippen müsste.

Output-Kanäle

• Korrektur-Feedback als strukturiertes Markdown: Fehlerkategorisierung, Hinweise auf die Problemstellung, Fragen zur Selbstkorrektur — keine Lösungen.
• Bilanz-Reports für Stakeholder: kurze Übersicht über den Sitzungsverlauf, Fortschrittsindikatoren, Empfehlungen für weitere Übungen.
• Anki-Karteikarten (.apkg) für aktives Wiederholen über mehrere Tage — das Praxis-Werkzeug zum Distributed-Practice-Prinzip.

Übertragbarkeit auf betriebliche Personalentwicklung

Das Setup-Muster lässt sich aus dem schulischen Kontext lösen. Drei Anwendungsfelder, die strukturell gleichartig sind:

• Onboarding neuer Mitarbeiter: Wissensgebiete einzeln mit Fortschrittstracking, individuelle Schwächen gezielt vertiefen statt einheitlicher Standard-Schulung.
• Compliance-Trainings: Längsschnitt-Tracking zeigt, wo Wissens-Lücken bleiben — die Nachschulung adressiert genau diese Stellen, nicht den ganzen Inhalt erneut.
• Skill-Trainings mit messbarer Wirkung: Vorher-Nachher wird sichtbar, weil Fehlertypen über Zeit erfasst sind.

Was nicht öffentlich ist

Das Repository bleibt privat: Memory-Dateien und Übungsprotokolle enthalten persönliche Lernhistorien. Architektur, Prompts und Methodik sind hier dokumentiert; konkrete Lerninhalte oder Verlaufsdaten werden nicht geteilt.

Dieses Setup gebe ich auch weiter — im Coaching für Lehrkräfte, Eltern und Lernende.