Adaptive Lernpfade

Eine feste Kursabfolge langweilt starke Lernende und verliert schwache. Adaptive Lernsysteme führen ein Modell des Wissensstands jeder lernenden Person, wählen die passende nächste Übung oder Lektion aus und zeigen Lehrkräften, wo eine Gruppe feststeckt. Klassische Wissensverfolgung (Knowledge Tracing) wird heute mit LLMs kombiniert, die Inhalte erzeugen, erklären und verschlagworten. In der EU lautet die entscheidende Frage, ob das System lediglich Übungen empfiehlt oder Lernergebnisse bewertet und den Lernprozess steuert – dann kann es nach der KI-Verordnung (AI Act) als Hochrisiko-System gelten.

Problem & Nutzen

• Heute: ein Tempo für die ganze Klasse oder Kohorte; Differenzierung erfolgt manuell und ist durch die Zeit der Lehrkräfte begrenzt. Betriebliche Weiterbildung ist meist ein linearer Kurskatalog mit einem Häkchen für „abgeschlossen“.
• KI-Nutzen: Vorwissen diagnostizieren, Beherrschtes überspringen, Nichtbeherrschtes wiederholen, Wiederholungen zeitlich verteilen und Lehrkräften eine Live-Karte der Lücken geben, damit sie dort eingreifen, wo es zählt.
• Evidenz: Das Feld hat eine lange Forschungsbasis (intelligente Tutorensysteme, Mastery Learning, Knowledge Tracing). Berichtete Effekte schwanken stark je nach Fach, Dosierung und Umsetzung; Anbieter veröffentlichen Wirksamkeitsstudien, doch die Ergebnisse sollten anhand unabhängiger Evaluationen (z. B. Evidence for ESSA, EEF-Toolkit) geprüft werden statt anhand von Marketingzahlen [1][2].

Varianten

• Schule (K-12): Übungsplattformen für Mathematik, Sprachen und Lesen mit Dashboards für Lehrkräfte (z. B. Bettermarks, Anton, Khan Academy, mathematikorientierte Werkzeuge).
• Hochschule: adaptive Kursmaterialien und Studienpläne, die Voraussetzungen berücksichtigen, personalisierte Wiederholung in großen Veranstaltungen des ersten Semesters.
• Betriebliche Weiterbildung (L&D) / Compliance-Schulungen: Lernpfade auf Basis von Kompetenzlücken, empfohlene Kurse aus einer Kompetenz-Ontologie (siehe EDU-006).
• Berufliche Bildung und Prüfungsvorbereitung: adaptive Fragenpools (Führerschein, Staatsexamen, Zertifizierung), oft mit verteilter Wiederholung (EDU-016).
• Privatlernende: Sprach- und Fähigkeiten-Apps mit adaptiver Schwierigkeit (Duolingo, Babbel [EU], Memrise).

So funktioniert es

1. content + competency graph (skills, prerequisites, difficulty tags)
2. diagnostic / placement test
3. learner model (knowledge tracing: BKT / PFA / DKT / IRT-based mastery per skill)
4. next-activity policy (rules, bandit or recommender: zone of proximal development, spacing)
5. learner activity (exercise, text, video, LLM explanation or hint)
6. response logging
7. model update
8. teacher/trainer dashboard + overrides

• Lernendenmodell: Bayes’sche Wissensverfolgung (Bayesian Knowledge Tracing), Performance-Factors-Modelle, Item-Response-Theorie (IRT) oder Deep Knowledge Tracing (Transformer-basiert, z. B. SAKT/AKT). Einfache Modelle sind oft genauso gut wie tiefe und deutlich leichter zu erklären.
• Verschlagwortung von Inhalten: LLMs ordnen Aufgaben Lehrplanstandards zu und schätzen Schwierigkeit und Voraussetzungen; Embeddings und ein Vektorindex finden ähnliche Aufgaben und Fördermaterial.
• Generative Schicht: LLMs schreiben Hinweise, alternative Erklärungen und neue Übungsaufgaben auf einem gewünschten Niveau (EDU-001, EDU-002, EDU-004). Fakten und Antworten müssen gegen kuratierte Inhalte oder einen Solver geprüft werden.
• Steuerungsregel (Policy): regelbasierte Sequenzierung für Transparenz, optional kontextuelle Bandit-Verfahren zur Optimierung von Engagement oder Lernzuwachs.
• Mensch-in-der-Schleife (Human-in-the-Loop): Lehrkräfte setzen Ziele, können Inhalte fixieren oder überspringen, prüfen markierte Lücken und entscheiden über jede Konsequenz für Benotung oder Einstufung; die Kompetenzschätzung des Systems ist eine Empfehlung.

Datenaufbereitung

Adaptives Lernen braucht drei Datenbestände: einen Kompetenzrahmen mit Voraussetzungen, verschlagwortete Lerninhalte (Übungen, Videos, Texte mit Fähigkeits- und Schwierigkeitslabels) und Interaktionsprotokolle der Lernenden (Antworten, Hinweise, Bearbeitungszeit). In einem KMU oder einer Weiterbildungsabteilung liegen diese im LMS, in SharePoint oder auf Dateiablagen, in Foliensätzen und PDFs – und oft nur in den Köpfen der Trainer.

Typische Lücken: Inhalte ohne Fähigkeits- oder Schwierigkeitslabels, eingescannte Handouts, doppelte Versionen derselben Übung, keine explizite Voraussetzungsstruktur, zu wenig Interaktionshistorie für den Kaltstart und unklare Zugriffsrechte auf Lerndaten.

Schritte der Aufbereitung: (1) Kompetenzmodell mit Fachexperten definieren und ein Kategorienschema aufbauen (PREP-019); (2) Inhalte mit Fähigkeit, Schwierigkeit und Format verschlagworten, mit einem LLM-Entwurf, den Experten prüfen (PREP-010); (3) Papiermaterial digitalisieren (PREP-006); (4) Protokolle per xAPI oder Export aus dem LMS auslesen (PREP-005); (5) einen diagnostischen Eingangstest und einen Goldstandard-Aufgabensatz zusammenstellen (PREP-018); (6) Lerndaten für die Modellentwicklung pseudonymisieren (PREP-022). Werkzeuge: LMS-Exporte, Moodle/H5P, eine Tabelle für die Kompetenzlandkarte, ein LLM für Verschlagwortungsentwürfe.

Grober Aufwandsanteil: etwa 30-40 Prozent, dominiert von der Expertenzeit für das Kompetenzmodell und die Verschlagwortung. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Enterprise): Weg A, weil adaptive Engines in etablierten LMS-/LXP-Produkten ausgereift sind und betriebliche Weiterbildung eine Standardfunktion ist.
• Öffentlicher Sektor (Schulen, Hochschulen): Weg C, weil Lerndaten von Minderjährigen und Studierenden sensibel sind und Open-Source-Stacks (Moodle, Open edX, H5P) auf souveränem EU-Hosting zu den Vergaberegeln passen.
• Entwickler (Developer): Weg B, weil ein eigenes Kompetenzmodell plus LLM-Erklärungen über EU-gehostete APIs der schnellste Weg zu einem differenzierten Produkt ist.

Weg A — Kaufen (Standardsoftware; empfohlen für betriebliche Weiterbildungsabteilungen)

• K-12 / Bildung: Bettermarks (DE, Mathematik, EU), Anton (DE, EU), Khan Academy mit Khanmigo, IXL, Century Tech (UK), Smart Sparrow/Pearson-Kursmaterial, Squirrel AI (China-basiert), Knewton-Nachfolger bei Wiley und anderen. Datenspeicherort und AVV prüfen.
• LMS-integriert: Moodle (Open Source, EU-Ursprung) mit adaptiven Lektions-/Quiz-Plugins, Canvas, Blackboard Ultra, itslearning (EU), Microsoft Learning Accelerators, Google Classroom.
• Betrieblich: Degreed, Docebo, Cornerstone, SAP SuccessFactors Learning, Coursera for Business, Sana (EU, Schweden) und Plattformen im Stil von Learnship mit kompetenzbasierten Empfehlungen. Die Qualität der Kompetenz-Ontologie ist das Unterscheidungsmerkmal.
• A wählen, wenn: das Curriculum Standard ist, das Lernendenmodell nicht selbst besessen werden muss und ein Anbieter einen unterzeichneten DSGVO-AVV sowie ein EU-gehostetes Angebot hat.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Frontier-LLMs über EU-Regionen oder EU-Anbieter (Mistral, Azure OpenAI EU Data Zone, Google Vertex EU, AWS Bedrock Frankfurt) für Verschlagwortung, Hinweise und Erklärungen; Embeddings für Ähnlichkeitssuche.
• Lernendenmodell: eigener Dienst mit BKT/IRT oder einem Empfehlungssystem auf Basis offener Bibliotheken (pyBKT, py-irt, scikit-learn, Implicit/LightFM); Interoperabilität über IMS-Standards (LTI 1.3, Caliper Analytics, xAPI) und Kompetenzrahmen (ESCO, CASE) [3][4].
• Integration: LTI 1.3 ins LMS, SSO über Schulidentitäten (z. B. Verbund-Identitätsdienste in Deutschland, Microsoft Entra), Ereignis-Pipeline in ein Data Warehouse.
• B wählen, wenn: Sie ein eigenständiges Curriculum oder eine Verlags-Inhaltsbibliothek haben.

Weg C — Selbst betreiben (Open Source; empfohlen für Schulen und Hochschulen)

• Plattformen: Moodle oder Open edX mit adaptiven Modulen, OATutor (quelloffener adaptiver Tutor), Kolibri (Offline-first, Learning Equality) für Umgebungen mit schlechter Anbindung.
• Modelle: Open-Weight-LLMs (Mistral Small/Large, Qwen3, Llama, Gemma) über vLLM oder Ollama für Hinweise und Verschlagwortung; BGE-M3- oder multilingual-e5-Embeddings; Qdrant oder pgvector.
• Hardware: Das Lernendenmodell selbst ist leichtgewichtig (CPU, HW1); eine GPU mit 24-32 GB (HW2) nur für lokale LLM-Hinweise ergänzen. Gute Eignung für Schulträger, die Daten On-Premises halten müssen.

Weg D — Eigenes Training

Lohnt sich für große Plattformen mit Millionen von Interaktionen: Deep-Knowledge-Tracing- oder Aufgabenschwierigkeits-Modelle auf den eigenen Protokollen trainieren oder ein kleines LLM auf kuratierten Hinweisen feintunen. Erfordert beschriftete Inhaltsmetadaten und viele Antworten pro Aufgabe (typischerweise Tausende) zur Kalibrierung; der Kaltstart bei neuen Aufgaben bleibt ein Problem.

Stand der Technik (2026)

• Knowledge Tracing: Transformer- und graphbasierte Modelle verbessern Vorhersage-Benchmarks (ASSISTments, EdNet), doch der Gewinn gegenüber BKT/IRT bei echten Lernergebnissen ist gering, und die Modelle sind schwerer zu erklären.
• LLM-gestützte Inhalte: Aufgabenerzeugung im laufenden Betrieb, Umschreiben auf Leseniveau und Sprache sowie Tutoring-Dialoge (siehe EDU-004) haben das Inhaltsangebot zum günstigen Teil gemacht; die Validität erzeugter Aufgaben und die Passung zum Curriculum sind nun der Engpass.
• Standards: LTI 1.3, xAPI/Caliper und offene Kompetenztaxonomien (ESCO) erleichtern die Übertragbarkeit.
• Grenzen und Fehlerbilder: Kaltstart bei neuen Lernenden und Aufgaben; falsch verschlagwortete Voraussetzungen; Austricksen des Systems (Hinweis-Missbrauch, Raten); Filterblasen, die das Curriculum verengen; Optimierung auf Engagement statt auf Lernen; Verzerrungen, wenn das Modell an nicht repräsentativen Gruppen kalibriert wird; von LLMs erzeugte Fehler. Verweildauer ist ein schlechter Stellvertreter für Lernzuwachs.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: EDU-002 Fragengenerierung (Aufgabenpool und Schwierigkeit), EDU-003 Feedback, EDU-004 Tutoring (generative Schicht), EDU-016 verteiltes Wiederholen (Terminplanung), EDU-001 Inhaltserstellung.
• Nachgelagert: EDU-007 Lernanalytik und Frühwarnung (gleiche Ereignisdaten, anderer und sensiblerer Zweck); EDU-006 betriebliches Microlearning; EDU-009 Differenzierung durch Lehrkräfte.
• Gemeinsame Infrastruktur: Vektordatenbank und Embedding-Dienst, Ereignis-Pipeline, ein LLM-Gateway mit Guardrails für mehrere Anwendungsfälle im Bildungsbereich.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zum Pilot; Lizenzen pro Schüler oder pro Arbeitsplatz; Schulung der Lehrkräfte ist der Hauptkostenpunkt.
• Weg B: 3-6 Monate für ein belastbares Lernendenmodell, Verschlagwortung der Inhalte und LMS-Integration.
• Weg C/D: 6+ Monate; Kalibrierung der Inhalte und laufende Pflege dominieren die Kosten.
• Kennzahlen: Lernzuwachs (Vorher/Nachher, idealerweise mit Vergleichsgruppe), Zeit bis zur Beherrschung, Behaltensleistung nach 4-8 Wochen, Abschlussquote, Anteil der von Lehrkräften angenommenen oder übersteuerten Empfehlungen, Chancengleichheitslücken zwischen Lernendengruppen, Fehlermeldungen zu Inhalten.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung früh für Entscheidung und Budget ein, die Fachbereichsleitung (Leitung der Weiterbildung oder das Lehrpersonal) als Prozessverantwortliche sowie von Beginn an eine Pilotgruppe aus Lernenden und Trainern. Die IT übernimmt LMS-Integration und Konten; die oder der Datenschutzbeauftragte wird vor jedem Pilot benötigt, weil Lerndaten personenbezogen sind und bei Schülerinnen und Schülern Minderjährige betreffen; eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich (systematische Bewertung von Personen, GUIDE-005). Personalabteilung und Betriebsrat (oder Personalrat im öffentlichen Dienst) müssen beteiligt werden, weil das System individuelles Lernverhalten protokolliert und objektiv zur Leistungskontrolle geeignet ist: Es gilt die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG, und §90 Abs. 1 Nr. 3 verlangt frühzeitige Information. Vereinbaren Sie in einer Betriebsvereinbarung, dass Lerndaten nicht für Beurteilungen verwendet werden (GUIDE-004).

Fördern Sie die KI-Kompetenz von Trainern und Lehrkräften durch kurze Workshops (Art. 4 AI Act, GUIDE-006). Typische Bedenken: „Die Maschine stempelt mich ab“ und der Verlust von Autonomie der Lehrkräfte. Begegnen Sie ihnen mit transparenten Erklärungen, warum ein Inhalt empfohlen wurde, mit Abwahlmöglichkeiten der Lernenden für nicht notwendiges Tracking und mit Lehrkräften, die jede Empfehlung übersteuern können. Beginnen Sie mit einem Kurs, messen Sie, und skalieren Sie dann (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Anhang III Nr. 3 führt als Hochrisiko-KI-Systeme solche auf, die Lernergebnisse bewerten sollen, auch wenn diese Ergebnisse zur Steuerung des Lernprozesses verwendet werden, sowie solche, die den Zugang zu Bildung bestimmen oder das angemessene Bildungsniveau bewerten [5]. Ein reiner Inhaltsempfehler, der Lernende nicht bewertet, kann ein minimales oder begrenztes Risiko darstellen; ein System, dessen Kompetenzwert über Einstufung, Streaming, Benotung oder Versetzung entscheidet, ist wahrscheinlich Hochrisiko (Risikomanagement, Daten-Governance, menschliche Aufsicht, Protokollierung, Konformitätsbewertung). Die Pflichten für Anhang-III-Systeme wurden durch das Digital Omnibus on AI von August 2026 auf den 2. Dezember 2027 verschoben (Mitte 2026 angenommen; anhand des Textes im Amtsblatt prüfen) [5][6].
• Verbot nach Art. 5: Emotionserkennung in Bildungseinrichtungen (z. B. das Ableiten von Frustration oder Aufmerksamkeit aus Webcam oder Stimme zur Anpassung von Inhalten) ist verboten, außer aus medizinischen oder Sicherheitsgründen. Nutzen Sie keine Affekterkennung zur Steuerung der Adaptivität [5].
• Transparenz: Chatbots und synthetische Inhalte müssen offengelegt werden (Art. 50); Pflicht zur KI-Kompetenz (Art. 4) für Lehrkräfte und Personal.
• DSGVO: Schülerdaten sind personenbezogene Daten, oft von Kindern (Art. 8, Alter der Einwilligung, verstärkter Schutz); eine DSFA ist bei systematischem Profiling in der Regel nötig; Zweckbindung gegenüber einer Wiederverwendung für Rankings oder Marketing; deutsche Landesschulgesetze und Orientierungshilfen der DSK für Schulen sind zu beachten. EU-Hosting und einen Auftragsverarbeitungsvertrag (AVV) bevorzugen; kein Training von Anbietermodellen mit Schülerdaten [7].
• Pädagogische Risiken: übermäßiges Vertrauen in Automatisierung, verengtes Curriculum, stigmatisierende Niveaustufen. Gegenmaßnahmen: Übersteuerung durch Lehrkräfte, erklärbare Empfehlungen, regelmäßige Prüfungen auf Verzerrungen und Chancengleichheit, Lernende können ihr Modell einsehen und anfechten.

Erste Schritte

1. Lernziel festlegen und entscheiden, ob das System nur Übungen empfiehlt oder Noten und Einstufung beeinflusst (das bestimmt die Risikoklasse nach dem AI Act).
2. Das Curriculum in Fähigkeiten und Voraussetzungen abbilden; mit einem Fach und einer Klassenstufe beginnen.
3. Ein Werkzeug aus Weg A oder ein Moodle-Plugin mit zwei Klassen und einer Vergleichsgruppe pilotieren und den Lernzuwachs vorher/nachher messen.
4. Die DSFA durchführen, den AVV unterzeichnen und Übersteuerung durch Lehrkräfte sowie Elterninformation vereinbaren.
5. Eine LLM-Schicht für Hinweise und Erklärungen erst ergänzen, nachdem das Lernendenmodell validiert ist.

Quellen

1. Evidence for ESSA, Johns Hopkins — ratings of education programmes — https://www.evidenceforessa.org/
2. Education Endowment Foundation — Teaching and Learning Toolkit — https://educationendowmentfoundation.org.uk/education-evidence/teaching-learning-toolkit
3. 1EdTech — LTI 1.3 and Caliper Analytics — https://www.1edtech.org/standards/lti
4. ESCO — European Skills, Competences, Qualifications and Occupations — https://esco.ec.europa.eu/
5. Regulation (EU) 2024/1689 (AI Act), Annex III and Art. 5 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. European Commission — AI Act implementation and Digital Omnibus — https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
7. European Commission — Ethical guidelines on the use of AI and data in teaching and learning for educators — https://op.europa.eu/en/publication-detail/-/publication/d81a0d54-5348-11ed-92ed-01aa75ed71a1
8. pyBKT — Bayesian Knowledge Tracing library — https://github.com/CAHLR/pyBKT
9. OATutor — open adaptive tutoring system — https://github.com/CAHLR/OATutor