Quelloffene Software (Open Source)

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

Open Source — die Nutzung offen lizenzierter Modelle, Code, Daten und Inhalte in der KI in der Bildung. Offenheit ist das Hauptgegenwicht der Wissensbasis zu Vendor Lock-in und Datenexposition: offene Gewichtsmodelle können auf Campus-Hardware laufen, um FERPA-, GDPR- und EU-AI-Act-Pflichten zu erfüllen, offen lizenzierte Korpora können ohne Verlagsgenehmigung indexiert und feinjustiert werden, und offene Benchmark- und Datensatzveröffentlichungen machen Forschung replizierbar. Die Lasten sind ebenso real: Infrastruktur- und Sicherheitszusicherung, Wartung, die die Förderung überlebt, und Qualität, die Offenheit von selbst nicht garantiert.

Fragen zum Nachdenken

• „Open source" wird oft als „frei und einfach" gehört. Welche der vier Schichten unten — Modelle, Code, Daten oder Inhalte — kostet Ihre Institution tatsächlich am meisten zur Übernahme, und warum?
• Offene Gewichte machen lokale Einsatz möglich, aber jemand muss das System noch betreiben, patchen und evaluieren. Wer sollte diese Arbeit nach dem Ende des ursprünglichen Projekts besitzen, und wer bezahlt sie?
• Eine Studie hier fand ein offenes 32B-Modell, das ein weit größeres proprietäres System an pädagogischem Wissen übertraf, während eine andere jedes getestete offene Modell unter der menschlichen Baseline bei wissenschaftlicher Visualisierungskompetenz fand. Wie entscheiden Sie, welcher Benchmark der richtige für Ihre Entscheidung ist?
• Ein einzelnes offen lizenziertes Korpus ist das, was eine Schule einen On-Premise-Assistenten über ihre eigenen Kursmaterialien betreiben lässt. Welche Pflichten kommen damit — gegenüber den ursprünglichen Autorinnen und Autoren, gegenüber Studierenden, deren Daten indexiert werden, und gegenüber der Lizenz selbst?
• Wenn generative KI einen Kurs in unter einer halben Stunde für ein paar Dollar produzieren kann, was ist die verbleibende Begründung für offene Bildungsressourcen — Kosten, Lizenzfreiheit, Qualitätssicherung, oder etwas anderes?
• Sollten Institutionen Open-Source-Übernahme als Beschaffungsentscheidung, Infrastrukturentscheidung oder pädagogische Entscheidung behandeln? Was bricht, wenn sie als nur eine davon behandelt wird?

Einführung

Locker bedeutet „offen" in der KI-Bildung, dass vier Artefaktarten für Inspektion, Wiederverwendung und Modifikation verfügbar sind: Modellgewichte, Quellcode, Daten und Evaluationsinstrumente und Bildungsinhalte. Die Artikel der Wissensbasis häufen sich ungleich über diese Schichten, und das resultierende Bild ist nützlicher als der Slogan: Offenheit kauft spezifische Dinge — lokale Kontrolle, Prüfbarkeit, Replizierbarkeit und rechtliche Klarheit — und kostet spezifische Dinge — Infrastruktur, Expertise, Wartung und eine Qualitätssicherungslast, die vom Anbieter zur Institution wandert.

Offene Modelle und offene Gewichte

Offene Gewichte zählen am meisten dort, wo Studierendendaten den Campus nicht verlassen können. LaTA ist ein Drop-in, FERPA-konformer lokaler LLM-Autobewerter für fortgeschrittene STEM-Kursarbeit, gebaut auf von Lehrenden verfassten Rubriken und Referenzlösungen, mit null Grenzkosten pro Einreichung. SCRIPT, ein Python-Tutoringsystem an der Universität Bielefeld, vermeidet absichtsvoll kommerzielle LLM-APIs und hostet ein offenes Llama-70B-Gewichtsmodell selbst, um GDPR und den EU AI Act zu erfüllen (der einige KI-in-der-Bildung-Nutzungen als hochriskant einstuft), wobei IP-Protokolle vom Tutoringsystem getrennt werden, pseudonyme Nutzendennamen genutzt werden und Tastenanschläge nur mit expliziter Zustimmung aufgezeichnet werden — eine Wahl, der die Autoren auch geringere Umweltwirkung und bessere Reproduzierbarkeit zuschreiben.

Qualität ist nicht mehr der automatische Preis der Offenheit. EduQwen wendet bestärkendes Lernen (DAPO) und überwachte Feinjustierung auf eine offene Modellfamilie an, schürft 440 harte Negative, generiert 40.000 synthetische Antworten, die auf 1.050 schwierigkeitsgeordnete Beispiele reduziert werden, und erreicht 96.52% im Pädagogik-Benchmark — über Gemini-3 Pros 90.55% — bei 32B dichten Parametern. AiAWE erreicht ähnliche Schlussfolgerungen für automatisierte Bewertung von Schreiben: ein LoRA-angepasstes offenes Gemma-3-27B-it übertrifft LLaMA-3.3-70B und eine feinjustierte GPT-3.5-Baseline an 480 TOEFL-Essays und läuft auf einem Server der Verbraucherklasse, mit dem markanten Nebenbefund, dass Parameterzahl kein verlässlicher Prädiktor nachgelagerter Leistung unter LoRA-Anpassung ist. Die Gegenevidenz verdient gleiche Rechnung: ein Benchmark von sechs MLLMs (drei geschlossene, drei offene) fand jedes Open-Source-Modell unter der menschlichen Baseline bei wissenschaftlicher Visualisierungskompetenz, während Gemini den menschlichen Mittelwert bei mehreren Teilmengen übertraf. Offenheit erhöht die Obergrenze der Kontrolle, nicht die der Fähigkeit.

OmniEdu veröffentlicht die gesamte Pipeline statt nur Gewichte: fähigkeitsbalancierte Überwachung über eine 69.999-Beispiele-Mischung hob jede Skala einer offenen 4B/9B/27B K–12-Familie — das justierte 4B-Modell gewann 55 Punkte MathTutorBench-Gerüst-Gewinnrate über seine Basis —, während Wissenszustandsdiagnose ihre schwächste Fähigkeit bei 54.04% blieb (Liang et al., 2026).

Offene Werkzeuge, Tutoren und Forschungsinfrastruktur

Der klarste Fall für offenen Code ist Replikation. OATutor — das erste vollständig offene adaptive Tutoringsystem auf ITS-Prinzipien — paart eine MIT-lizenzierte Codebasis mit einer Creative-Commons-Bibliothek (CC BY) aus OpenStax-Algebra-Lehrbüchern, plus Knowledge Tracing, A/B-Testing und LTI-Unterstützung; sein explizites Designziel ist, dass eine Forscherin ein Experiment laufen lassen und dann das gesamte End-to-End-Rahmenwerk, Inhalte und Plattform als Repository-Link veröffentlichen kann. StanBKT macht dasselbe Argument auf der Methodenschicht und ersetzt Erwartungsmaximierungs-Punktschätzer durch volle Bayessche Inferenz (HMC, variational inference, Pathfinder, optimization) in einem offenen Python-Paket, das die Unsicherheit offenlegt, von der A/B-Vergleiche adaptiver Interventionen abhängen. DeepTutor: Towards Agentic Personalized Tutoring veröffentlicht ein vollständiges agentisches Tutoringsrahmenwerk mit einem Trace-Forest-Lernendengedächtnis — Apache 2.0, und bis Ende 2026 ein voller Lernarbeitsraum statt nur der Pipelines, die seine Studie benchmarkt — und MAICs Klassenzimmergenerator OpenMAIC verschifft unter MIT neben der Studie, die ihn evaluiert, sodass ein Kurs generiert, selbst gehostet und inspiziert werden kann statt nur darüber gelesen zu werden; VISMATIC veröffentlicht seine containerisierte Sandbox für prozessorientierte Überwachung, sodass andere Institutionen das Integritätsmodell übernehmen können statt der Version des Anbieters. Offener Code trägt auch die Transparenzlast: die Skripte für die affektbewussten Tutoring-Prompts von MathBuddy sind zur Inspektion und weitere pädagogische Trainingarbeit veröffentlicht. Offene Infrastruktur setzt den Referenzpunkt dafür, was Bildungsagenten tun sollten: der Scoping Review der Wissensbasis zu 474 agentischen KI-Studien nutzt ein schnell wachsendes Open-Source-Agentenprojekt als seinen „frontier agent paradigm"-Benchmark und findet, dass Bildungssystemen noch governierte Werkzeugorchestrierung, persistenten Speicher, langhorizontale Planung und prüfbare Handlung fehlen.

Offene Benchmarks, Datensätze und Methodentransparenz

Mehrere Beiträge hier sind offene Evaluationsinfrastruktur statt Systeme. The Pedagogy Benchmark (CDPK + SEND, gebaut aus echten chilenischen Lehrkraftprüfungs-Items) umfasst 97 Modelle: offengewichtiges DeepSeek R1 erreichte 86.65% gegenüber einer Top-10 meist geschlossener Schlussfolgerungsmodelle, und die Kosten-Genauigkeit-Frontier bewegte sich von ~50% auf ~82% bei $0.10/M Eingabe-Token zwischen April 2024 und Juni 2025 — wobei offenes Qwen-3 8B bei 3.5¢ das beste geschlossene Modell von April 2024 bei über 400-fach niedrigeren Kosten nahezu erreichte. Leistung fällt scharf unter etwa 8B Parametern, was eine praktische Größenrandbedingung für Campus-Einsätze ist. ASTRA veröffentlicht einen Datensatz, ein Schema und einen Prototyp für spur-basierte Evaluation sozial intelligenten Multi-Agenten-Tutorings (540 Teilnehmende, 360 Sitzungen, 1.440 Aufgabenepisoden). IKS-Instruct zeigt den kulturellen Fall für offene Daten: 24.795 Anweisungs-Antwort-Paare über sieben Sprachen und 41 pädagogische Techniken aus vedischen und klassischen Quellen, abgestimmt auf das CBSE-Curriculum, was ein kompaktes 7B-Modell ein weit größeres allgemeines Referenzmodell annähern ließ (medianer Richterpunktewert 6.39 vs 6.54) zu einem Bruchteil der Einsatzkosten. Von Studierenden verfasste Benchmarks sind ein anderer Weg zur Offenheit: AcademiClaw kuratiert 80 langhorizontale akademische Aufgaben aus 230 von Studierenden eingereichten Kandidaten (über 25+ professionelle Domänen, 16 erfordern CUDA-GPUs, laufen in isolierten Docker-Sandboxes) und erweitert ein offenes Agentenökosystem auf akademische Evaluation. Eimler et al. (2026) argumentieren, dass Offenheit auch eine Umweltpflicht ist: alle AIED-2025-Papiere reviewend fanden sie ein Muster der „LLM adoption without disclosure" und reagierten mit einer Open-Source-Messmethodik — Softwarewerkzeuge plus eine Formel, die Rechenaufwand schätzt, selbst wenn Parameterzahlen unbekannt sind.

Offene Bildungsressourcen und offene Inhalte

Shen et al. (2026) ist der einzige Artikel der Wissensbasis, in dem offene Bildungsressourcen der zentrale Gegenstand sind statt einer beiläufigen Referenz. Sie bauen einen On-Premise-KI-Wissensbasis-Assistenten für die Informatikbildung aus 82 OER-Dokumenten auf Hardware der Verbraucherklasse (eine RTX 3060 mit 12 GB VRAM), kombiniert strukturierte Extraktion, retrieval-augmented generation und NF4 4-Bit-quantisierungsbewusste Feinjustierung. Feinjustierung fügte echten Wert über Retrieval hinaus hinzu (Qwen-7B 69.8%, +3.2 pp, p = 0.031; DeepSeek-MoE 78.6%, +12.0 pp, p < 0.001, einschließlich 82.3% bei Multi-Hop-Schlussfolgern); quantisierungsbewusste Justierung hielt die 4-Bit-Genauigkeitslücke bei 1.7 und 1.2 pp, während VRAM um ~38% und Energie auf 1.8 mWh pro Anfrage gesenkt wurde (43.8% unter der Baseline); und quantisierungsbedingte Halluzination wurde teils durch Feinjustierung zurückgewonnen (DeepSeek-MoE 10.4% → 8.1%), gemessen über ein zweistufiges NLI-Verfahren gegen abgerufene OER-Chunks. Der analytische Punkt ist generalisierbar: ein offen lizenziertes Korpus kann ohne Verlagsgenehmigungen indexiert, angepasst und ausgeliefert werden, und das Verankern eines Assistenten in abgerufenem OER gibt eine prüfbare Herkunftsspur —, was genau das ist, was ein proprietäres Lehrbuchkorpus nicht bieten kann.

Offenheit von Inhalten und Offenheit von Modellen sind auch anderswo Komplemente. OATutor kuratiert CC-BY-OpenStax-Lehrbücher in ein System, dessen Code MIT-lizenziert ist, sodass die Lizenzbedingungen von Code und Inhalten durch Design kompatibel gehalten werden müssen. Eine offene, ausführbare Modulbibliothek für KI in Energiesystemen senkt die Eintrittsbarriere mit Jupyter-Notebooks, die lokal oder in Colab laufen, geliefert über einen IEEE-Onlinekurs. Und ein projektbasiertes Maschinenbau-Curriculum veröffentlicht sein Syllabus, seine Daten und seinen Code in Open-Access-Repositories, damit andere Institutionen es übernehmen können (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering). Benachbart zu OER ist offene Kursauslieferung der Ort, wo sich die Ökonomie am schnellsten verschiebt: MAIC berichtet kollabierende MOOC-Produktion von etwa $25.000 und 60 Stunden pro Kurs auf unter $2 und 30 Minuten mit LLM-getriebener Multi-Agenten-Generierung. Wenn Inhaltsproduktion nahezu frei wird, bewegt sich das OER-Argument weg von Produktionskosten und hin zu Lizenzfreiheit, Verifizierbarkeit und Qualitätssicherung —, was ein anderes Angebot ist als das, auf dem OER-Advokatur gebaut war.

Vorteile und Lasten

• Vorteile. Datensouveränität und regulatorische Compliance (Datenschutz, Regulierung) durch lokales Hosting; Kostenkontrolle, da lokale Inferenz keine Anfragengebühr hat und offene Modelle sich proprietärer Qualität zu einem Bruchteil des Preises annähern (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning); Reproduzierbarkeit, weil Rahmenwerk, Prompts, Inhalte und Daten mit der Studie verschiffen können (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring); Prüfbarkeit und Sicherheitsreview unter institutioneller Governance; und die Fähigkeit, für eine spezifische Pädagogik oder die Wissensbasis einer spezifischen Gemeinschaft zu feinjustieren (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems).
• Lasten. Lokales Hosting erfordert Hardware und Expertise, die viele Institutionen nicht haben; Qualität und Sicherheit sind nicht out of the box garantiert — offene Modelle können bei spezifischen Kompetenzen hinter menschlichen Baselines zurückbleiben (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy) und Quantisierung erhöht Halluzinationsraten, sofern nicht gemindert (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources); jemand muss das System nach der Veröffentlichung warten (Programming Intelligent Tutoring Systems dokumentiert ein kleines Promotionsstudierendenteam, sicherheitsseitige Exposition im Work-in-Progress und eine erhebliche Compliance-Last); und eine offene Lizenz ist eine Erlaubnis, kein funktionierendes Produkt — die Wartung, die ein veröffentlichtes System nutzbar hält, fällt auf die Bildungstechnologie-Entwicklerinnen und -Entwickler, die es gebaut haben, und ihre Finanzierung und Anreize entscheiden, ob ein forkbares Repository, ein gewartetes Produkt oder keines von beiden das ist, was eine Institution erbt, wenn die Förderung endet.

Offenheit in die Praxis bringen

• Für Lehrende und Institutionen: prüfen Sie die Lizenz der Inhalte ebenso wie den Code, bevor Sie ein System übernehmen — MIT-Code über CC-BY-Lehrbüchern ist wiederverwendbar, aber eine permissive Lizenz garantiert nicht, dass Tutoringpfade, Itembanken oder Übersetzungen existieren. Bevorzugen Sie offene Modelle, wenn Studierendendaten den Campus rechtlich nicht verlassen können (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), aber benchmarken Sie das Modell an Ihrer Aufgabe, statt allgemeinen Leaderboards zu vertrauen (Benchmarking the Pedagogical Knowledge of Large Language Models). Budgetieren Sie dafür, dass jemand das System nach dem Piloten betreibt und evaluiert.
• Für Entwicklerinnen, Entwickler und Forschende: verschiffen Sie das Ganze — OATutors End-to-End-Veröffentlichung (Code, Inhalte, Experimentvorrichtung) ist der Replizierbarkeitsstandard, den diese Literatur fortlaufend belohnt. Veröffentlichen Sie Prompts und Extraktionsschemata neben Gewichten (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring). Berichten Sie Rechenaufwand und Kohlenstoff (The Environmental Cost of LLMs in AIED: Reporting and Practices). Verankern Sie Assistenten in offen lizenzierten Korpora, damit Herkunft prüfbar und Anpassung rechtmäßig ist (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources). Nutzen Sie quantisierungsbewusste Feinjustierung statt schlichter Quantisierung, wenn Genauigkeit und Energie beide zählen, und halten Sie Code- und Inhaltslizenzen kompatibel.

Verbundene Konzepte

• Intelligentes Tutoring
• LLM-Training und Feinabstimmung
• Adaptives Lernen
• Edtech-Plattform
• Datenschutz
• KI-Regulierung in der Bildung
• KI-Governance
• Agentische KI
• Automatisiertes Assessment
• Benchmark (Vergleichsmaßstab)
• Wissensstandsverfolgung
• RAG (retrieval-augmented generation / abrufgesteuerte Generierung)
• Pädagogische Sicherheit
• Nachhaltigkeit
• Forschungsmethoden in der AIED
• Schreiben
• Akademische Integrität
• Entwicklerinnen und Entwickler von Bildungstechnologien

Verbundene Artikel

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — On-premise OER AI knowledge-base assistant on consumer hardware (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — MIT-licensed adaptive tutor with a CC BY OpenStax content library (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — Open 32B pedagogical model outperforming far larger proprietary systems (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — Drop-in FERPA-compliant local-LLM autograder
• Programming Intelligent Tutoring Systems — Self-hosted open-weight LLM for GDPR/EU AI Act compliance in a Python ITS
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — LoRA-adapted open-weight model for automated writing evaluation
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Open Python package for full Bayesian knowledge tracing
• DeepTutor: Towards Agentic Personalized Tutoring — Fully open-source agentic tutoring framework with learner memory
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — Open containerized sandbox for process-oriented assessment
• MathBuddy: Affective Math Tutoring — Affective math tutor with an open codebase
• Benchmarking the Pedagogical Knowledge of Large Language Models — Open pedagogy benchmark across 97 models and the cost–accuracy frontier
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Open dataset and prototype for trace-based multi-agent tutoring evaluation
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Open models below the human baseline on visualization literacy
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — Open multilingual dataset for culturally grounded instruction
• The Environmental Cost of LLMs in AIED: Reporting and Practices — Open-source method for reporting LLM environmental cost
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — Open executable module library for engineering AI
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Publicly available curriculum, data, and code
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — LLM-driven course generation and the changing economics of course production
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu: Open Foundation Models for Learning and Teaching