Edtech-Plattform

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Edtech-Plattform — die digitalen Systeme, Lernmanagementsysteme (LMS), Tutorsysteme und Online-Lernumgebungen, über die KI an Lernende und Lehrende geliefert wird. In der KI-Bildung ist die Plattform die Infrastrukturschicht, die bestimmt, ob eine KI-Fähigkeit die Studierenden erreicht, wie sie eingesetzt wird (offen vs. proprietär, integriert vs. eigenständig) und wer auf sie zugreifen, sie anpassen und evaluieren kann. Forschung in dieser Wissensdatenbank untersucht Plattformen aus mehreren Blickwinkeln: ihre Gestaltung, ihre Annahme- und Engagement-Restriktionen, ihre institutionelle Steuerung und ihre Gerechtigkeitsimplikationen.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring) (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research)

Fragen zum Nachdenken

• Denken Sie an das letzte KI-Tutoring- oder Feedbackwerkzeug, dem Sie begegnet sind. Denken Sie nun daran, wo es tatsächlich „lebte“ — im LMS, auf der Plattform oder in der App, die es verpackte. Fühlt sich dieser Behälter wie ein neutraler Auslieferungskanal an, oder könnten seine Gestaltungsentscheidungen (offen vs. proprietär, integriert vs. eigenständig, Cloud vs. lokal) verändert haben, was Sie damit tun konnten?
• Eine Studie fand, dass nahezu die Hälfte der Studierenden eine gut gestaltete KI-Tutoring-Plattform nie nutzte, und dass Vielnutzende eher zu den leistungsstärkeren Studierenden gehörten. Wenn ein Werkzeug „im Prinzip“ wirksam ist, die Studierenden es aber nicht nutzen, ist dann die Fähigkeit oder die Plattform das eigentliche Problem? Was würde das für Ihre Evaluation von Edtech bedeuten?
• Proprietäre KI-Plattformen können Forschende auf eine Handvoll geschlossener Systeme beschränken, während offene Plattformen wie OATutor jedem erlauben, abzuzweigen (fork), zu experimentieren und zu veröffentlichen. Was könnte verloren gehen — für Forschung, Gerechtigkeit und institutionelle Autonomie —, wenn KI-Bildung über geschlossene, intransparente Plattformen geliefert wird?
• Wie sehr prägt das Geschäftsmodell einer Plattform — wer zahlt, wem die Daten gehören, was optimiert wird — das Lernen, das tatsächlich auf ihr stattfindet? Wo würden Sie nachsehen, um diesen Einfluss zu sehen?
• Einige neue „KI-native“ Plattformen ersetzen das MOOC-Modell „ein Video für viele Studierende“ durch ein Multi-Agenten-Klassenzimmer, das um jede lernende Person herum gebaut ist. Was würden Sie, bevor Sie weiterlesen, fürchten zu verlieren, wenn Unterricht eins-zu-eins mit Agenten wird statt eins-zu-viele mit Lehrenden?

Einleitung

Die Plattform sitzt zwischen einem KI-Modell oder einer KI-Fähigkeit und der lernenden Person. Sie ist der Behälter, der Tutoring, Prüfung, Feedback und Verwaltung zu etwas Nutzbarem verpackt — und, entscheidend, sie formt Lernergebnisse durch ihre Gestaltungsentscheidungen, ihre Zugänglichkeit und ihr zugrundeliegendes Geschäftsmodell. Das Konzept umspannt Lernmanagementsysteme wie Moodle, großskalige Online-Plattformen wie MOOCs, dedizierte intelligente Tutoringsysteme und aufkommende agentische oder KI-native Kursplattformen. Den Behälter zu benennen ist nicht dasselbe, seine Autoren zu benennen: Die Plattform ist das eingesetzte System, während die Interessengruppe, die entscheidet, was es tut, Entwicklerinnen und Entwickler von Bildungstechnologien ist —, was hier relevant ist, weil die unten stehenden Befunde zu Annahme, Gerechtigkeitsverzerrung und Beschaffung meist Folgen von Gestaltungsentscheidungen sind, die getroffen wurden, bevor eine Plattform je ein Klassenzimmer erreichte.

Was eine Plattform in der KI-Bildung leistet

Plattformen in der KI-Bildung erfüllen mehrere unterschiedliche Funktionen:

• Unterricht und Tutoring liefern — der Behälter für KI-Tutoring und Intelligentes Tutoring-Systeme, von in LMS eingebetteten Tutoren bis zu eigenständigen adaptiven Tutoring-Plattformen.
• Die Lernumgebung verwalten — Kursorganisation, Einschreibung, Fortschrittsverfolgung und Verwaltung, die traditionelle LMS-Plattformen bieten.
• Prüfung und Feedback beherbergen — wo Automatisiertes Assessment, Formatives Assessment und Feedbackschleifen laufen.
• Lerndaten sammeln und analysieren — das Substrat für Lernanalyse und Modellierung der Lernenden und adaptive Instruktion.
• Zugang und Einsatz steuern — Entscheidungen über Quelloffene Software (Open Source) vs. proprietär, lokal vs. Cloud, und welche Institutionen und Lernenden sie nutzen können.

Zentrale Befunde aus den Artikeln der Wissensdatenbank

Annahme, nicht Fähigkeit, ist oft die bindende Restriktion

Eine Plattform kann im Prinzip wirksam sein und in der Praxis doch scheitern, wenn Lernende sie nicht nutzen. Zwei RCTs einer KI-Kompetenz-(Lese-)Tutoring-Plattform fanden, dass nahezu die Hälfte der Kontrollstudierenden die Plattform nie nutzte und Nutzende im Schnitt nur 2–5 Minuten pro Woche verbrachten — weit unter der für Lesefortschritt nötigen Dosierung. Ein persönlicher Engagement-Tutor erhöhte Nutzung und Engagement erheblich, erzeugte aber dennoch keine Leistungsgewinne, und Plattformnutzende neigten zu leistungsstärkeren Studierenden, was Gerechtigkeitsbedenken aufwirft.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring)

Abfolge zählt ebenso viel wie Fähigkeit: Ein Review von über 100 Studien zu KI in der Bildung (2020–2025) platziert End-to-End-Plattformen an der Spitze eines Adoptionsstapels und argumentiert, Institutionen sollten formative Prüfung, Führungskapazität und geteilte Normen etablieren, bevor sie die Plattformen kaufen, die sie skalieren (Raza & Farooq (2025)).

Die Lücke liegt auf Nachrichtenebene, nicht bei Anmeldungen: In einem zweijährigen Cluster-RCT probierten 96% der Studierenden Khanmigo aus, doch die mediane Person schrieb ihm nur in 17% der Sitzungen, in denen sie einen Fehler machte, und ~14.5% der Nachrichten trugen eine echte mathematische Frage oder einen Argumentationsschritt — bei \$15 pro Studierendem pro Jahr (Oreopoulos and Low, 2026).

Die bindende Restriktion ist, wo die KI innerhalb der Plattform sitzt: In einem Versuch an 6.000 Schülerinnen und Schülern der Mittelstufe ging der gemessene Effekt von strukturierten Berührungspunkten innerhalb der Übungsumgebung aus — 2.0 „help me get started“-Nutzungen, 2.3 Nach-Fehler-Erklärungen und 3.2 Schritterklärungen pro Mastery-Studierendem —, während KI-Zugang allein wenig beitrug (Oreopoulos et al. (2026)).

Welche Werkzeuge Lehrende nutzen und was den Zugang beschränkt

Eine seltene Erhebung der von Lehrenden berichteten Plattformwahl stammt aus einer Typologie von 2026, aufgebaut aus 211 Lehrenden über neun Länder: Die Werkzeuge, die Klassenzimmer erreichen, sind überproportional diejenigen mit einer kostenlosen Stufe, weil eine öffentlich verfügbare kostenlose Version ein Einschlusskriterium war, und die am häufigsten genannten Einträge sind allgemeine Assistenten und Mediengeneratoren statt zweckgebauter Plattformen. Etwa die Hälfte der fünfzig gelisteten Werkzeuge erzeugt Bilder, Audio, Video oder Präsentationsdecks, während dokumentengestützte Assistenten (NotebookLM, Elicit, SciSpace, Humata, Research Rabbit) den kohärentesten Cluster in der Forschungskategorie bilden. Dedizierte Tutoringsysteme erscheinen als kleine, fachspezifische Gruppe statt als Zentrum der berichteten Nutzung —, was das obige Annahmeproblem in einem weiteren Rahmen verortet, in dem eine Plattform mit allgemeinen Werkzeugen um Aufmerksamkeit konkurriert, die Studierende und Lehrende bereits offen haben.(Typology of Generative AI Tools for Education)

Das Plattformmodell ist entscheidend: offen vs. proprietär

• Proprietäre Plattformen erzeugen Barrieren für Forschung: Forschende, die adaptive Lern-Experimente replizieren oder erweitern wollen, sind oft auf eine kleine Zahl geschlossener Plattformen beschränkt.

• Offene Plattformen senken diese Barriere. OATutor ist das erste Open-Source-adaptive Tutorsystem, das auf ITS-Prinzipien aufbaut — eine MIT-lizenzierte Codebasis mit einer Creative-Commons-Algebra-Inhaltsbibliothek, Knowledge-Tracing-Meisterschaftsschätzung und eingebautem A/B-Testen —, die Forschenden erlaubt, das vollständige End-to-End-System abzuzweigen, zu experimentieren und zu veröffentlichen.(OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research)

• Transparenz ist vor die Klammer gezogen. In derselben Prüfung von 48 Plattformrichtlinien waren Datenerhebung und Weitergabe an Dritte vergleichsweise gut offengelegt, während KI-spezifische Offenlegung und Rechenschaftspflicht nachhinkten, und 16 von 48 Plattformen (33%) machten keine sinnvolle KI-Offenlegung trotz sichtbarer KI-Funktionen (Nair & Greenstadt, 2026).

• Die LMS-API begrenzt, was eine spielintegrierte Plattform prüfen kann. Ein Hypergamification-Pilot, der eine spielbare Welt aus Blackboard-Inhalten erzeugte, konnte keine Multiple-Choice- oder offenen Fragen darstellen, weil studentengebundene Tokens keine Frageinhalte zurückgaben und kein Endpunkt für das Einstellen von Laufzeitantworten existierte (Yusubov et al., 2026).

• Isolation und Kosten sind Gestaltungsvariablen der Plattform. VISMATIC paart rootless Container — die, anders als JupyterHub, laterale Bewegung und Host-Kompromittierung verhindern — mit prozessbezogener Telemetrie auf API-Ebene und betreibt 19 Studierende und 1.880 protokollierte Ereignisse auf einem einzigen Raspberry-Pi-5-Knoten, der für 10 bis 20 ausgelegt ist (Arroyo et al. (2026)).

KI-native Plattformen gestalten Online-Bildung neu

Das Plattformparadigma selbst entwickelt sich. MAIC (Massive AI-empowered Course) ersetzt das MOOC-Modell „ein Video für N Studierende“ durch ein LLM-getriebenes Multi-Agenten-Klassenzimmer — „N Agenten für 1 Studierende Person“ — unter Nutzung spezialisierter Teacher-, Assistant-, Classmate- und Analyzer-Agenten, um personalisiertes, adaptives Lernen in großem Maßstab zu liefern, und senkt die Kursproduktion von ~\$25K/60 Stunden auf unter \\$2/30 Minuten.(From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents) Ebenso schlagen KI-integrierte LMS-Gestaltungen vor, über reine Workflow-Plattformen hinauszugehen hin zu Echtzeit-Unterrichtsunterstützung mit richtlinienbegrenzter (bounded) KI, formativem Andeuten, verteilter Wiederholung und Lehrkraft-Dashboards.(AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High) Am anderen Ende des Einsatzspektrums muss klassenraumeingebettete KI ihre Machbarkeit in lebendigen physischen Umgebungen beweisen. Der Community Builder (CoBi) — eine klassenraumweite Plattform, die Spracherkennung und Sprachverständnis nutzt, um kollaborativen Diskurs in Kleingruppen zu visualisieren — wurde erfolgreich über laute Mittelstufenklassenzimmer hinweg eingesetzt, mit handelsüblichen Mikrofonen und einer skalierbaren Cloud-Pipeline, was zeigt, dass Echtzeit-Sprach-KI-Infrastruktur in authentischen K-12-Umgebungen funktionieren kann, auch wenn Schnittstellen-Fehlanpassungen (Lehrkraft- vs. Studierendensicht darauf, ob Feedback Gruppen- oder Klassenebene betraf) Einsatzreibung erzeugten.

Interessenbasierte und kontextbewusste Plattformfunktionen

Plattformen können über Leistungsdaten hinaus personalisieren. Taklif.AI ist eine LLM-gestützte Plattform, die Hochschulaufgaben auf Basis der außerunterrichtlichen Interessen und kulturellen Kontexte der Studierenden erzeugt, ausgerichtet an Kulturell relevante Pädagogik, und weg von Einheitsaufgaben hin zu interessengetriebenem Engagement.(Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments)

Implikationen für Gestaltung und Forschung

1. Gestalten Sie für Annahme, nicht nur für Fähigkeit. Die Wirksamkeit einer Plattform hängt davon ab, ob Lernende tatsächlich mit ihr interagieren; Unterstützungsstrukturen, Onboarding und Zeitplanung zählen ebenso viel wie die KI selbst.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring)
2. Behandeln Sie Plattformstruktur als Gerechtigkeitshebel. Wer von einer Plattform profitiert, hängt von Zugang, Infrastruktur und Engagement-Restriktionen ab — Plattformgestaltung muss durch eine Gerechtigkeit-Linse untersucht werden.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring)
3. Bevorzugen Sie offene, replizierbare Plattformen für die Forschung. Open-Source-Plattformen wie OATutor ermöglichen reproduzierbare Forschung zu adaptivem Lernen und eine geteilte Evidenzbasis.(OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research)
4. Gestalten Sie KI-native Plattformen mit Steuerung und Grenzen. Datenschutz-zuerst-Architektur, Datenminimierung, prüfbare Protokolle und rollenbasierter Zugang sind entscheidend, wenn Plattformen KI-integriert werden —, was an die Anliegen Datenschutz und KI-Governance anschließt.(AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High) Datenschutz kann in die Pipeline statt in die Richtlinie eingebaut werden: Ein Klassenzimmer-Vorfall-Detektor, der auf anonymisierten Posen-Trajektorien trainiert ist, hält Gesichts- und Erscheinungsmerkmale Minderjähriger aus dem System heraus, obwohl jede Methode im Zero-Shot-Transfer in echte Klassenzimmer an Genauigkeit verlor, wo die beste Genauigkeit des vorgeschlagenen Modells 63.41% betrug (Parmar et al. (2026)).
5. Erklären Sie Empfehlungen in der Fachsprache der Lehrkraft. Die KI-Funktionen einer Plattform verdienen Vertrauen und Annahme, wenn ihre Erklärungen verständlich und pädagogisch sinnhaltig sind: In einem Within-Subject-Experiment mit einem KI-Gruppierungsempfehlungswerkzeug (GrouPer) fanden Feldman-Maggor et al. (2025), dass domänengetriebene, in curriculare Sprache gefasste Erklärungen Verständlichkeit, Vertrauen und Akzeptanz bei Lehrkräften signifikant stärker erhöhten als rohe Merkmalsbedeutungs-Erklärungen —, und dass echte Klassenzimmernutzung für volle Akzeptanz weiterhin zählte.(The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations)
6. Trennen Sie das System, das Evidenz erzeugt, von dem, das sie bewertet. Wenn Agenten einen Kurs anstelle einer lernenden Person absolvieren können, argumentiert Srivastava (2026), muss eine Plattform zeitnahe, einsehbare Evidenz der Argumentation der lernenden Person ausgeben und darf nicht ihr alleiniger Bewerter sein — Umgebung, Aussteller und Prüfer sollten unabhängig sein.(Credentials That Carry Their Evidence: Credential design, dynamic tiering, and approved use when AI agents can do the work)
7. Erzeugen Sie Repräsentationen zur Entwurfszeit, nicht zur Laufzeit. Neshaei et al. (2026) argumentieren, Laufzeitanpassung könne nicht in großem Maßstab verifiziert werden, und schlagen vor, Inhalte als modalitätsagnostische semantische Karten zu kodieren, aus denen interaktive, Audio-, vereinfachte Text- und niedrigbandbreitige Varianten vor der Veröffentlichung erzeugt und von Lehrenden freigegeben werden —, was Inferenzkosten pro lernende Person eliminiert, obwohl kein Prototyp berichtet wird.

Verbundene Konzepte

• Personalisiertes Lernen
• Adaptives Lernen
• Intelligentes Tutoring
• Lernanalyse
• Modellierung der Lernenden und adaptive Instruktion
• Wissensstandsverfolgung
• Automatisiertes Assessment
• Formatives Assessment
• Generative KI
• Große Sprachmodelle (LLMs)
• Quelloffene Software (Open Source)
• KI-Kompetenz
• Erleben der Studierenden
• Lehre
• K-12 (Primar- und Sekundarstufe)
• Hochschulbildung
• Gerechtigkeit
• Datenschutz
• KI-Governance
• Kulturell relevante Pädagogik
• MINT-Bildung
• Entwicklerinnen und Entwickler von Bildungstechnologien

Verbundene Artikel

• Typology of Generative AI Tools for Education — Was 211 Lehrende berichteten zu nutzen: 50 Werkzeuge in neun Kategorien
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Making AI tutoring productive: mastery-based math practice
• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — One Click Away: Khanmigo in a two-year school experiment
• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — Annahme und Engagement sind die bindenden Restriktionen für KI-Tutoring-Plattformen
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — Eine Open-Source-adaptive Tutoring-Plattform für replizierbare Forschung
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — Moving from MOOC to LLM-driven multi-agent AI classrooms
• AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High — AI-integrated LMS for middle school with bounded, privacy-first support
• Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments — Interest-based personalized assignment platform
• EduSim-LLM: An Educational Platform Integrating Large Language Models and Robotic Simulation for Beginners — An LLM-robotic simulation platform for education
• Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education — A generative social-robot teaching platform in higher education
• Hypergamigication Through Integrating Game Engines and Learning Management Systems: Ender's Game — A game-engine-based LMS integrating gamification
• The Missing Layer: Why EdTech Needs Design-Time Generative UI, Not Just Runtime Personalization — Designing edtech for generative UI
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — FERPA-compliant local LLM autograder platform
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — A secure sandbox platform for CS education
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — LLM-powered personalized adaptive learning platform
• Robust and Efficient Motion Reasoning for Privacy-Aware Classroom Incident Recognition — Privacy-aware computer vision in classroom platforms
• Review of Artificial Intelligence in Education from 2020 to 2025 — Comprehensive review of AIED research and systems
• Credentials That Carry Their Evidence: Credential design, dynamic tiering, and approved use when AI agents can do the work — Credentials that carry their evidence for AI-agent work
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech
• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data