Lektion 5 · ausführlich · ca. 30 Minuten · Abschluss der Mission
Hilft er oder hilft er nicht? KI-Tutoren beurteilen
Vier Lektionen lang ging es darum, wie Sprachmodelle funktionieren. Jetzt kommt die Frage, für die du angefangen hast: Wann hilft ein KI-Tutor beim Lernen, und wann schadet er?
Nach dieser Lektion kannst du jede Lernsituation mit KI in zwei Fragen einordnen, deine Einschätzung mit Studien begründen und eine Tutor-Anweisung schreiben, die die bekannten Schwächen abfedert.
Nenne aus dem Gedächtnis vier Gründe, warum ein Chatbot falsch liegen kann, je einen pro Lektion.
Die eigentliche Frage
Bisher haben wir gefragt: Stimmt die Antwort des Modells? Für den Unterricht reicht das nicht. Ein Tutor kann jede Frage korrekt beantworten und trotzdem schaden, nämlich dann, wenn er den Lernenden das Denken abnimmt. Die Frage lautet deshalb:
Lernt die Person dabei?
Das hängt von zwei Dingen ab: Ist das Modell für diese Aufgabe verlässlich? Und wer macht die Denkarbeit? Die erste Frage beantworten die Lektionen 1 bis 4. Für die zweite schauen wir in die Forschung.
Was die Forschung zeigt
Drei Studien von 2024 und 2025 zeigen ein Muster: Dieselbe Technologie kann das Lernen deutlich verbessern oder spürbar verschlechtern. Den Unterschied macht die Gestaltung.
Studie 1: Die Krücke
In der Türkei übten knapp 1000 Gymnasiastinnen und Gymnasiasten Mathematik in drei Gruppen: mit einem gewöhnlichen GPT-4-Chat (GPT Base), mit einem Tutor, der Hinweise statt Lösungen gibt und Input von Lehrpersonen enthält (GPT Tutor), oder ganz ohne KI.
| Gruppe | Beim Üben (mit KI) | In der Prüfung (ohne KI) |
|---|---|---|
| GPT Base | +48 % | −17 % |
| GPT Tutor | +127 % | etwa gleich |
Die Gruppe mit dem gewöhnlichen Chat übte besser, schnitt in der Prüfung ohne KI aber schlechter ab als die Gruppe, die gar keine KI hatte. Die Forschenden erklären das damit, dass die Lernenden die KI als Krücke benutzten: Sie liessen lösen, statt selbst zu lösen. Der Tutor mit Leitplanken verhinderte diesen Schaden, verbesserte die Prüfungsleistung aber auch nicht.
Studie 2: Der gut gebaute Tutor
An der Harvard University lernten Studierende zwei Physikthemen, einmal mit einem KI-Tutor zu Hause und einmal im Präsenzunterricht mit aktivierenden Methoden. Mit dem Tutor lernten sie in der Nachprüfung mehr, mit einer Effektstärke von etwa 0,6 bis über 1 Standardabweichung, und brauchten im Median weniger Zeit.
Entscheidend ist, wie der Tutor gebaut war. Seine Systemanweisung setzte lernwirksame Prinzipien um: aktive Beteiligung, dosierte kognitive Last und ein wachstumsorientiertes Mindset. Die Aufgaben wurden Schritt für Schritt geführt. Und für mehr Verlässlichkeit gaben die Forschenden ausgearbeitete Musterlösungen mit, statt sich auf das Modell zu verlassen. Das ist das Gegenmittel gegen Halluzinationen aus Lektion 3, angewendet.
Studie 3: Vertrauen ersetzt Denken
Eine Befragung von Berufstätigen fand: Wer der KI mehr vertraut, denkt bei ihren Antworten weniger kritisch nach. Wer seinen eigenen Fähigkeiten mehr vertraut, prüft und überarbeitet mehr. Die Forschenden halten fest, dass Menschen besonders dann auf kritisches Denken verzichten, wenn ihnen die Kompetenz fehlt, KI-Antworten zu prüfen. Und genau das ist die Lage von Lernenden.
Wie Lernende KI tatsächlich nutzen, zeigt ein Bericht von Anthropic: Knapp die Hälfte der Unterhaltungen von Studierenden war direkt, also «gib mir die Lösung» statt gemeinsamem Erarbeiten. Und das Modell übernahm überwiegend anspruchsvolle Denkarbeit: Erschaffen (rund 40 %) und Analysieren (rund 30 %).
Ob ein KI-Tutor beim Lernen hilft, hängt weniger vom Modell ab als davon, wer die Denkarbeit leistet und worauf sich der Tutor stützt. Ungeschützter Zugang lädt zur Krücke ein. Gut gestaltete Tutoren mit Leitplanken und eigenem Material können stark wirken.
Das Prüfraster: zwei Fragen, vier Felder
Aus den beiden Fragen ergibt sich ein Raster, mit dem du jede Lernsituation einordnen kannst:
- Ist das Modell für diese Aufgabe verlässlich? Ja, wenn es um Muster geht (Erklären, Umformulieren, Üben) oder das Material im Chat steht. Nein bei Einzelfakten, Quellen, Aktuellem, Buchstabenaufgaben und überall, wo ehrliches Urteil statt Zustimmung gefragt ist.
- Wer macht die Denkarbeit? Die lernende Person, die erklärt, versucht, prüft? Oder die KI, die löst, schreibt, entscheidet?
Beachte zwei Dinge. Erstens ist nicht nur das Lernfeld gut: Der Prüfauftrag verwandelt genau die Schwächen aus den Lektionen 1 bis 4 in Unterrichtsmaterial. Zweitens ist die Abkürzung nicht automatisch schlecht. Wer eine Rechtschreibkorrektur übernimmt, während das Lernziel die Argumentation ist, spart sinnvoll Zeit. Problematisch wird es, wenn die abgekürzte Fähigkeit genau die ist, die gelernt werden soll, so wie in der Mathematikstudie.
Übung: Acht Fälle einordnen
Ordne jede Situation einem der vier Felder zu. Stell dir dabei immer beide Fragen: verlässlich? wer denkt?
Übung: Eine Tutor-Anweisung schreiben
Viele Chatbots erlauben eigene Anweisungen, etwa als «Custom Instructions», eigene GPTs, Projekte oder eine Anweisung am Anfang des Chats. Das ist Schicht 3 aus Lektion 4. Sie ändert das Modell nicht, verschiebt aber viele Situationen vom Feld «Abkürzung» ins «Lernfeld».
Schreibe eine Anweisung für einen allgemeinen Lern-Tutor. Danach prüft das Werkzeug, welche der sieben Elemente aus diesem Kurs sie schon enthält. Versuche es zuerst ohne Vorlage. Die Vorlage erscheint nach dem ersten Prüfen.
Abrufübung
Sechs Fragen quer durch den Kurs. Nicht nach oben scrollen.
Mission-Check
Zu Beginn hast du festgelegt, woran du merkst, dass du dein Ziel erreicht hast. Geh die Punkte durch und sei ehrlich mit dir: Könntest du das jetzt, ohne nachzuschlagen, deiner Klasse erklären?
- In zwei, drei Sätzen erklären, was ein LLM bei jedem Schritt tut (Tokens, Vorhersage, Sampling) → Lektion 1
- Erklären, was Training bedeutet und was ein Modell dadurch weiss und nicht weiss → Lektion 2
- Erklären, warum Modelle halluzinieren, und typische Fehlerarten vorhersagen → Lektion 3
- Für eine konkrete Lernsituation begründen, ob ein KI-Tutor hilft oder an Grenzen stösst → Lektion 4 und diese Lektion
- Daraus kurze Unterrichtssequenzen für die Klasse ableiten → die Blöcke «Für deine Klasse» in jeder Lektion
Wo du zögerst, ist die beste nächste Lektion keine neue, sondern eine Wiederholung. Sag mir im Chat, bei welchen Punkten du unsicher bist.
Wie es weitergeht
Wiederholen, damit es bleibt
Gelerntes verblasst ohne Wiederholung. Mach die Abrufübungen der Lektionen 1 bis 5 in etwa einer Woche noch einmal und dann wieder in etwa einem Monat. Jede Abrufübung zeigt dir, wann du sie zuletzt gemacht hast. Die Referenzblätter eignen sich zum Ausdrucken für das Pult.
Mit anderen weiterdenken
Das Raster in dieser Lektion ist ein Werkzeug. Ob es im Schulalltag trägt, zeigt sich erst im Austausch mit Kolleginnen und Kollegen, die andere Fächer und andere Klassen haben. Ein guter erster Schritt: Stell das Vier-Felder-Raster in deiner Fachschaft oder im Kollegium vor und lass alle eine eigene Unterrichtssituation einordnen. Die Diskussion über die Grenzfälle ist der eigentliche Gewinn.
Mögliche Vertiefungen
Wenn du weitermachen willst, wären das sinnvolle nächste Themen: das Kontextfenster (wie viel ein Modell auf einmal «sieht»), «denkende» Modelle (was hinter den Modellen steckt, die vor der Antwort nachdenken) oder KI und Prüfungen (was das alles für Leistungsbeurteilung bedeutet). Ändert sich dein Ziel, passen wir zuerst die Mission an.
Frag mich im Chat, zum Beispiel: «Wie würde ich meine eigene Unterrichtssituation einordnen?», «Kannst du meine Tutor-Anweisung verbessern?» oder «Wie erkläre ich das Raster in fünf Minuten im Kollegium?» Du kannst mir auch deine Anweisung aus der Übung schicken, dann besprechen wir sie.