Klassenzimmer‑KI: große Sprachmodelle als jahrgangsspezifische Lehrkräfte

Unterrichtshilfe von einem digitalen Partner

Weltweit besuchen Millionen Kinder Schulen, ohne genügend qualifizierte Lehrkräfte zu haben, und selbst in gut ausgestatteten Klassen ist es schwierig, jedem Schüler Erklärungen zu geben, die wirklich seinem Alter und seinem Leseverständnis entsprechen. Diese Studie untersucht, ob moderne künstliche Intelligenz, konkret große Sprachmodelle, zu „jahrgangsspezifischen Lehrkräften“ gemacht werden können, die sehr unterschiedlich mit einem Erstklässler und mit einer Hochschülerin bzw. einem Hochschüler sprechen, dabei aber trotzdem die Fakten richtig wiedergeben.

Warum das Anpassen von Sprache an Altersstufen wichtig ist

Guter Unterricht bedeutet nicht nur, die richtige Antwort zu kennen, sondern sie so zu formulieren, dass ein Lernender sie versteht. Heutige KI‑Chatbots können viele Probleme lösen, antworten jedoch häufig in zu anspruchsvoller Sprache, selbst wenn sie gebeten werden, „für Drittklässler zu erklären“. Frühere Forschung prüfte meist einfache Prompt‑Tricks und stellte fest, dass diese besonders für jüngere Leser nicht ausreichen. Die Autorinnen und Autoren argumentieren, dass KI, wenn sie Lernen weltweit fair unterstützen soll, zuverlässig klare, altersgerechte Erklärungen zu einer breiten Palette von Fächern und Fragen liefern muss — und nicht nur bestehende Texte umschreiben oder verkürzen darf.

Eine Skala für einfache und schwierige Texte entwickeln

Um dieses Problem anzugehen, brauchten die Forschenden zunächst eine vertrauenswürdige Methode, um zu beurteilen, wie schwer ein Text zu lesen ist. Statt sich auf eine einzige Messgröße zu verlassen, kombinierten sie sieben klassische Lesbarkeitsformeln, die Dinge wie Satzlänge, Wortlänge und den Anteil „schwieriger“ Wörter erfassen. Sie gruppierten diese Formeln nach ihrem Fokus und entwickelten dann ein integriertes Abstimmungsverfahren, das jede Antwort einer von sechs Bändern zuordnet: untere Grundschule, mittlere Grundschule, obere Grundschule, Mittelschule, Gymnasium und Universität oder Erwachsene. Dieses reichere Bewertungssystem erkennt subtile Unterschiede in der Komplexität, die eine einzelne Metrik übersehen könnte.

Künstliche Intelligenz darauf trainieren, sechs verschiedene Ausdrucksweisen zu nutzen

Mit dieser Lesestufen‑Skala erzeugte das Team einen großen synthetischen Datensatz. Unter Verwendung mehrerer moderner Sprachmodelle formulierten sie tausende von offenen Fragen zu 54 Schulfächern, von Naturwissenschaften und Gesundheit bis Literatur und Sozialkunde. Für jede Frage forderten sie ein KI‑Modell auf, viele verschiedene Antworten zu erzeugen, wobei sie die Zieljahrgangsstufe und die Satzlänge variierten. Ihr integriertes Lesbarkeitswerkzeug kennzeichnete dann jede Antwort mit einem tatsächlichen Jahrgangsband. Diese gelabelten Frage‑Antwort‑Paare dienten als Trainingsmaterial, um sechs separate Versionen eines KI‑Modells feinzujustieren, von denen jede auf eine Jahrgangsgruppe abzielt, sodass das „untere Grundschule“‑Modell von Natur aus kurze Sätze und einfache Wörter verwendet, während das „Erwachsenen“‑Modell längere, detailliertere Erklärungen liefert.

Wie gut die jahrgangsspezifischen Lehrkräfte abschnitten

Die Autorinnen und Autoren testeten ihre Modelle an mehreren realen und synthetischen Fragebeständen. Sie maßen die „Kompatibilität“, also wie oft eine Antwort tatsächlich auf der Zieljahrgangsstufe landete, und die „Genauigkeit“, also ob die Antwort sachlich korrekt und relevant war. Im Vergleich zu reinen Prompt‑Ansätzen verbesserten die feinabgestimmten Modelle den Erfolg auf der richtigen Jahrgangsstufe im Mittel um etwa 36 Prozentpunkte, besonders bei der am schwersten erreichbaren Gruppe: Grundschulkinder. Wichtig ist, dass diese Anpassung die Genauigkeit bei naturwissenschaftlichen Fragen nicht wesentlich beeinträchtigte. Umfragen mit 208 menschlichen Teilnehmenden sowie Bewertungen durch eine weitere KI zeigten starke Übereinstimmung, dass die Antworten der verschiedenen jahrgangsspezifischen Modelle tatsächlich mit zunehmender Jahrgangsstufe komplexer und anspruchsvoller wurden.

Was das für Klassenräume und Lernende bedeutet

Die Studie kommt zu dem Schluss, dass große Sprachmodelle in zuverlässige, jahrgangsbewusste Helfer umgestaltet werden können, die ihre Wortwahl an die Lese能力 der Lernenden anpassen und dabei die Erklärungen korrekt halten. Das löst noch nicht das tiefere Problem, ob ein kleines Kind sehr abstrakte Ideen tatsächlich begreifen kann, ist aber ein wichtiger Schritt hin zu KI‑Werkzeugen, die Lernende dort abholen, wo sie stehen. Wenn solche jahrgangsspezifischen KI‑Tutorinnen und -Tutoren sorgfältig entwickelt und eingesetzt werden, könnten sie die Reichweite qualifizierten Unterrichts vergrößern, überlastete Lehrkräfte unterstützen und klarere Erklärungen zu Schülerinnen und Schülern bringen, die derzeit keinen Zugang zu hochwertiger Bildung haben.

Zitation: Oh, J., Whang, S.E., Evans, J. et al. Classroom AI: large language models as grade-specific teachers. npj Artif. Intell. 2, 28 (2026). https://doi.org/10.1038/s44387-026-00081-7

Schlüsselwörter: KI‑Nachhilfe, Lesbarkeit nach Schulstufe, Bildungstechnologie, große Sprachmodelle, personalisiertes Lernen