nerilio News

Zu schlau zum Testen: Was die aktuelle Forschung über gute Lernassistenten zeigt

Geschrieben von nerilio | Montag, 19.10.2026

Der Test, der zu gut lief

Deine Akademie führt einen Lernassistenten ein. Vor dem Start spielt eine Kollegin eine Teilnehmerin, die mit dem Stoff kämpft. Oder ihr lasst gleich eine KI diese Rolle übernehmen. Der Assistent gibt Hinweise, die „Teilnehmerin“ versteht sofort, und alle sind zufrieden.

Genau hier liegt das Problem. Wer eine schwache Lernende spielt, weiß trotzdem, wie die Lösung aussieht. Eine KI in dieser Rolle weiß es erst recht. Der Test misst dann vor allem, wie gut die Testperson ist, und kaum, wie gut der Assistent erklärt.

Eine Studie von Microsoft Research und der University of Illinois hat dieses Problem im Oktober 2026 (hier mehr Infos) genauer untersucht. Die Ergebnisse sind für alle interessant, die digitale Lernbegleitung einführen wollen.

Was die Forschenden gebaut haben

Das Forschungsteam hat ein System namens StudentSim entwickelt. Es simuliert einzelne Lernende so, dass sie antworten und Fehler machen wie die echte Person. Getestet wurde in drei sehr unterschiedlichen Fächern: Schach, Englisch als Fremdsprache und Mathematik.

Die Grundlage waren öffentliche, anonymisierte Lerndaten. Das System lernt in zwei Stufen. Zuerst erkennt es aus den Daten vieler Lernender typische Fehler und typische Korrekturen. Danach wird es auf die wenigen Daten einer einzelnen Person zugeschnitten.

Wichtig ist der Zweck: StudentSim ist ein Forschungswerkzeug. Es soll Lehrkräfte nicht ersetzen und kommt auch nicht in Klassenzimmern zum Einsatz. Es soll helfen, Lernassistenten zu prüfen, bevor echte Menschen mit ihnen arbeiten.

Warum gespielte Lernende täuschen

Der naheliegende Weg ist ein Prompt wie: „Du bist ein Teilnehmer, der mit Mathe Schwierigkeiten hat.“ Die KI passt dann ihren Ton an, zögert und drückt Unsicherheit aus. An ihrem Wissen ändert das wenig. Sie klingt wie ein Anfänger und denkt weiter wie ein Experte.

Für die Qualitätsprüfung ist das gefährlich. Ein Hinweis, der eigentlich zu knapp oder zu abstrakt ist, wirkt erfolgreich, weil die Testperson ihn ohnehin versteht. Der Assistent sieht im Test besser aus als später im Alltag mit echten Teilnehmenden.

Klassische Lernstandsmodelle haben das umgekehrte Problem. Sie kennen den Wissensstand einer Person recht gut, können aber nichts mit einem erklärenden Satz anfangen. Sie sagen voraus, was jemand tun wird, und können nicht abschätzen, wie eine bestimmte Erklärung wirkt.

Zwei Fragen, die jeder Lernassistent bestehen muss

Die Studie bewertet eine Simulation anhand von zwei Fragen. Beide gehen auf ein bekanntes Konzept der Lernpsychologie zurück, Wygotskis Zone der nächsten Entwicklung. Gemeint ist der Abstand zwischen dem, was jemand allein schafft, und dem, was er mit Unterstützung schafft.

  1. Verhält sich die Simulation wie die echte Person? Sie soll dieselben Antworten geben und dieselben Fehler machen, auch bei Aufgaben, die sie vorher nicht gesehen hat.
  2. Reagiert sie auf Hilfe wie die echte Person? Nach einem Hinweis soll sie sich so verbessern, wie es der Mensch getan hätte, und nicht mehr.

Erst beide Fragen zusammen machen den Test aussagekräftig. Wer nur die erste beantwortet, kennt den Ausgangspunkt, weiß aber nicht, ob die Erklärung geholfen hat. Wer nur die zweite beantwortet, hat eine Testperson, die jedem Hinweis folgt und keine echten Schwächen zeigt.

Was die Ergebnisse zeigen

Im Schach traf StudentSim das Verhalten der echten Spieler etwa doppelt so oft wie ein per Prompt gesteuertes GPT‑5.4. Das Sprachmodell reagierte zwar gut auf Hinweise, spielte aber nicht wie die jeweilige Person.

Noch aufschlussreicher ist der zweite Versuch. Das Team trainierte einen Schachtutor, der aus den Reaktionen eines simulierten Schülers lernt. Schachexperten bewerteten die Hinweise anschließend, ohne zu wissen, welcher Tutor welchen geschrieben hatte.

Tutor trainiert mit

Genauigkeit der Hinweise

StudentSim als Testschüler

90,5 %

ohne dieses Training

75,7 %

GPT‑5.4 als Testschüler

71,6 %

Der Tutor, der gegen den gespielten Schüler trainiert wurde, schnitt sogar schlechter ab als der ohne dieses Training. Ein zu schlauer Testschüler hilft also wenig und kann die Qualität sogar senken.

Was du für deine Akademie mitnehmen kannst

Du brauchst kein Forschungslabor, um die Erkenntnisse zu nutzen. Vier Punkte helfen schon bei der Auswahl und Einführung eines Lernassistenten:

  • Teste mit echten Fehlern. Frag deine Dozierenden, welche Missverständnisse in ihren Kursen immer wieder vorkommen. Diese Fehler gehören in jeden Testlauf, nicht allgemeine Rollen wie „schwacher Teilnehmer“.
  • Bewerte die Wirkung eines Hinweises. Eine fachlich richtige Antwort reicht nicht. Entscheidend ist, ob die Person danach selbst weiterkommt und ob der Assistent die Lösung verraten hat.
  • Prüfe verschiedene Profile. Ein Hinweis, der einer erfahrenen Fachkraft hilft, kann eine Einsteigerin überfordern. Teste deshalb mit mehreren Lernständen.
  • Behalte die Pilotgruppe. Auch die Forscher betonen, dass Simulationen echte Lernende nicht ersetzen. Sie fangen früh Fehler ab, damit die Pilotgruppe sich auf die wichtigen Fragen konzentrieren kann.

Beim Datenschutz lohnt ein genauer Blick. Für gute Tests brauchst du keine Profile echter Teilnehmender. Typische Fehlermuster aus der Erfahrung deiner Dozierenden reichen für den Anfang völlig aus.

Wie wir bei nerilio darauf schauen

Für uns bestätigt die Studie eine Haltung, die unsere Arbeit an nerilio prägt. Ein Lernassistent ist dann gut, wenn Lernende danach selbst weiterkommen. Eine schnelle, richtige Antwort ist dafür zu wenig.

Deshalb unterscheidet nerilio zwischen einem Tutor Modus, der Schritt für Schritt anleitet, und einem Modus für schnelle Fragen und Antworten. Wie gut die Anleitung wirkt, hängt am Ende von deinen Inhalten und deinen Teilnehmenden ab. Darum schauen wir uns beides gemeinsam mit dir an, bevor ein Assistent live geht.

Du willst sehen, wie nerilio in deinem LMS mit echten Kursinhalten arbeitet? Dann vereinbare eine Demo mit uns.