NumPath: Wie KI-Fehlerklassifizierung adaptive Lernpfade bei Dyskalkulie verbessert

NumPath ist eine KI-basierte Lernplattform, die Kindern mit Dyskalkulie individuelle Mathematikübungen bietet. Im Kern nutzt das System adaptive Algorithmen, um Aufgaben basierend auf dem Lernfortschritt der Schüler zu empfehlen. Doch wie das Team kürzlich feststellte, fehlte lange ein entscheidender Baustein: Die systematische Auswertung von Fehlern.

Das Kernproblem: Fehlende Reaktion auf Lernsignale

Das System von NumPath klassifiziert falsche Antworten bereits seit Längerem mithilfe strukturierter Fehlercodes. Diese reichen von BORROW_SKIP (falsche Subtraktion mit Entlehnung) bis DIGIT_REVERSAL (Zahlendreher wie 51 statt 15). Jeder Fehler wurde zwar in einer Datenbank gespeichert, doch der adaptive Algorithmus ignorierte diese Informationen vollständig. Stattdessen entschied er allein anhand der Bayes’schen Wissensverfolgung (BKT_p_mastery), ob eine Aufgabe zu einfach oder zu schwer war.

Ein konkretes Beispiel: Ein Schüler wiederholte in drei aufeinanderfolgenden Sitzungen den Fehler BORROW_SKIP. Doch das System reagierte nicht darauf – es präsentierte weiterhin Aufgaben desselben Schwierigkeitsgrads und derselben Kompetenzstufe. Diese starre Herangehensweise widerspricht dem Prinzip "Fehler als diagnostisches Signal", wie es MacLellan und Kollegen in der Forschung betonen. Demnach sollten Fehler gezielt analysiert und in adaptive Lernpfade umgesetzt werden.

Die Lösung: Fehlercodes als Steuerungsinstrument

Nach intensiven Diskussionen entwickelte das NumPath-Team ein neues Regelwerk, das Fehlercodes direkt mit der Aufgabenauswahl verknüpft. Die Implementierung basiert auf drei zentralen Parametern:

MISTAKE_WINDOW = 3  # Anzahl der letzten Fehler, die analysiert werden
THRESHOLD = 2       # Mindestanzahl für einen dominanten Fehlercode

MISTAKE_KC_MAP = {
    "DIGIT_REVERSAL": "PLACE_VALUE",
    "BORROW_SKIP": "SUB_BORROW",
    "MAGNITUDE_MISJUDGE": "PLACE_VALUE",
    "PLACE_VALUE_CONFUSION": "PLACE_VALUE",
    "OPERATION_CONFUSION": "OPERATION_SIGN",
}

Wenn das System einen wiederkehrenden Fehler erkennt, greifen zwei Mechanismen:

• Kompetenzfokus: Der adaptive Algorithmus priorisiert gezielt die Kompetenz (KC), die mit dem Fehlercode verknüpft ist – selbst wenn andere Kompetenzen einen höheren p_mastery-Wert aufweisen.

• Schwierigkeitsanpassung: Der Schwierigkeitsgrad wird um einen DIFFICULTY_STEP (0,2) reduziert, jedoch nicht unter den ENTRY_DIFFICULTY-Wert (0,3). Dies verhindert, dass Schüler durch zu einfache Aufgaben demotiviert werden.

Das Team lehnte bewusst zwei alternative Ansätze ab:

• Eine vollständige Zurücksetzung des Schwierigkeitsgrads (zu drastisch für Lernende mit Fortschritten).
• Eine Gewichtung nach Fehlerhäufigkeit (zu komplex ohne ausreichende Datengrundlage für Phase 1).

Jede neue Aufgabenempfehlung enthält nun eine Begründung im Feld reason, das den konkreten Fehlercode und die getroffene Anpassung nennt. Ein Beispiel:

"Remediation: BORROW_SKIP erkannt 2× bei SUB_BORROW (p_mastery=0.41)"

Diese Transparenz ermöglicht Lehrkräften, die Entscheidungen des Systems nachzuvollziehen – ein zentraler Baustein für die Akzeptanz im Klassenzimmer.

Warum diese Änderung für die Forschung entscheidend ist

NumPath führt aktuell eine randomisierte kontrollierte Studie (RCT) durch, um zu belegen, dass adaptive, fehlerbasierte Lernsysteme klassischen Arbeitsblättern überlegen sind. Vor der Implementierung war die Plattform zwar in der Lage, den Schwierigkeitsgrad anzupassen, berücksichtigte jedoch nicht die Art der Fehler. Dies unterschied sich kaum von einem Arbeitsblatt, das bei falschen Antworten einfach dieselbe Aufgabe wiederholt.

Die neue Version macht aus NumPath ein echtes intelligentes Tutoring-System (ITS): Jeder MistakeEvent wird zu einem datengestützten Signal, das den nächsten Lernschritt direkt beeinflusst. Die Kausalkette – Fehlererkennung → Kompetenzfokus → Schwierigkeitsanpassung → erklärbare Entscheidung – ist nun vollständig nachvollziehbar. Dies ist die Grundlage für messbare Lernfortschritte bei Kindern mit Dyskalkulie.

Erkenntnisse aus der Implementierung

Die technische Umsetzung war mit etwa 60 Codezeilen überschaubar, doch die Festlegung der Schwellenwerte erforderte sorgfältige Abwägungen. Warum gilt ein Fehlercode bereits ab zwei von drei Fällen als relevant, nicht erst ab drei?

• Ein strenges Kriterium (3 von 3) würde Muster übersehen, etwa wenn ein Schüler abwechselnd BORROW_SKIP und DIGIT_REVERSAL macht, aber BORROW_SKIP dominiert.
• Ein lockeres Kriterium (2 von 3) erkennt Muster früher, riskiert aber gelegentliche Fehlalarme.

Aktuell fehlt noch valides Schülerfeedback, um diese Schwelle zu validieren. Das Team hat sie daher als vorläufige Hypothese für Phase 4 der Studie dokumentiert.

Ein weiterer wichtiger Lernpunkt: Die Datenbankabfrage für MistakeEvent benötigte einen Index auf (student_id, created_at). Dieser fehlte zunächst und wurde erst während einer Performance-Analyse erkannt. Ein vermeidbarer Fehler, wie das Team rückblickend feststellt.

Die nächsten Schritte: Transparenz für Lehrkräfte

Als nächstes plant NumPath, die Kompetenzzustände (p_mastery) direkt in das Lehrerdashboard zu integrieren. Bisher zeigt die Plattform nur die wöchentliche Genauigkeitsrate an. Künftig sollen Lehrkräfte den Lernfortschritt einzelner Schüler detailliert einsehen können – im Einklang mit dem Prinzip "Teacher-in-the-Loop" nach MacLellan. Dies ermöglicht gezielte Interventionen und stärkt das Vertrauen in die KI-gestützte Lernbegleitung.

Fazit: Fehler sind der Schlüssel zum Erfolg

• Fehlerprotokollierung allein reicht nicht aus – Sie müssen das adaptive System direkt beeinflussen. Die Verknüpfung von MistakeEvent mit der Aufgabenauswahl war ein 60-Zeilen-Patch mit großer Forschungsrelevanz.

• Erklärbare KI ist unverzichtbar – Jede adaptive Entscheidung muss für Lehrkräfte nachvollziehbar sein. Das Feld reason in jeder Aufgabenempfehlung ist der erste Schritt zur Transparenz.

• Konstanten statt Magie – Parameter wie MISTAKE_WINDOW oder DIFFICULTY_STEP machen den Code wartbar. Bei zukünftigen Anpassungen reicht eine Zeile Änderung.

NumPath beweist damit, wie aus scheinbar kleinen Fehleranalysen messbare Lernfortschritte entstehen können. Die Plattform steht erst am Anfang ihrer Reise – doch der Weg zu einer personalisierten Mathematikbildung für Kinder mit Dyskalkulie ist klar vorgezeichnet.