Warum Lehrer erklärbare KI brauchen – Einblicke in das KC-Dashboard von NumPath

Lehrer stehen täglich vor der Herausforderung, aus unzähligen Datenpunkten die richtigen Schlüsse für ihre Schüler zu ziehen. Doch was, wenn selbst die vermeintlich präzise KI nur eine Zahl liefert – ohne Kontext, ohne Handlungsempfehlung? Genau dieses Problem löste das Team von NumPath mit seinem neuen Knowledge Component (KC)-Dashboard. Der entscheidende Unterschied: Statt einer undurchsichtigen Prozentzahl zeigt das Tool nun farblich kodierte Fortschrittsbalken für jede einzelne Kompetenz. Damit wird aus einer bloßen Kennzahl ein echtes Werkzeug für den Unterricht.

Von der Zahl zur Handlung: Warum eine einzelne Kennzahl nicht reicht

Das ursprüngliche Dashboard von NumPath zeigte Lehrern pro Schüler lediglich eine einzige Zahl: die Genauigkeit der letzten sieben Tage. Für eine Lehrerin, die „Emma – 43 %“ auf ihrem Bildschirm sieht, ist diese Information jedoch wenig hilfreich. Sie erfährt nicht, ob Emma Schwierigkeiten mit dem Rechnen im Zehnersystem hat, mit dem Stellenwert oder mit dem Ausleihen bei Subtraktionsaufgaben. Die Zahl ist zwar technisch korrekt, aber praktisch wertlos – denn sie gibt keine Antwort auf die Frage: Was soll ich als Nächstes tun?

Das KC-Dashboard setzt genau hier an. Statt einer undurchdringlichen Prozentzahl zeigt es für jede Kompetenz – etwa „Borrowing“ oder „Place Value“ – einen farblich markierten Fortschrittsbalken. Per Klick lässt sich der Status detailliert einsehen: Der prozentuale Beherrschungsgrad, eine klare Einstufung (Anfänger, Fortgeschritten, Meister) sowie die Anzahl der bisherigen Übungsversuche. So wird aus einer abstrakten Kennzahl ein konkretes Bild der Stärken und Schwächen eines Schülers.

Drei Ansätze, ein Ziel: Welche Daten Lehrer wirklich brauchen

Bei der Entwicklung des Dashboards standen die Entwickler vor einer zentralen Frage: Welche Daten sind für Lehrer tatsächlich nützlich? Drei mögliche Lösungen wurden diskutiert:

• Genauigkeit allein: Schnell zu berechnen, keine zusätzlichen Abfragen nötig – aber praktisch unbrauchbar für gezielte Förderung.

• Rohdaten der BKT-Parameter: Zeigt alle relevanten Werte wie p_mastery, p_learn oder p_guess – jedoch in einer Fülle, die Lehrer überfordert.

• KC-Beherrschungsstufen: Übersetzt den prozentualen Beherrschungsgrad in klare Kategorien (Anfänger, Fortgeschritten, Meister) und macht die Rohdaten auf Anfrage sichtbar.

Die Wahl fiel auf den dritten Ansatz. Die Schwellenwerte für die Kategorisierung sind in get_kc_states.py als Konstanten definiert:

_MASTERY_DEVELOPING = 0.40
_MASTERY_MASTERED = 0.80

def _mastery_level(p_mastery: float) -> str:
    if p_mastery >= _MASTERY_MASTERED:
        return "Meister"
    if p_mastery >= _MASTERY_DEVELOPING:
        return "Fortgeschritten"
    return "Anfänger"

Ein bewusster UX-Entscheid: Schüler, die eine Kompetenz noch nie geübt haben, sehen alle fünf Skills mit 0 % und der Einstufung „Anfänger“. Es gibt kein Platzhalter-Feld wie „Keine Daten verfügbar“. Stattdessen signalisiert ein leerer Balken klar: Diese Kompetenz wurde noch nicht trainiert. Das ist keine Fehlermeldung, sondern eine wertvolle Information.

Sicherheit und Zugriffskontrolle: Wer darf was sehen?

Die Implementierung der Zugriffssteuerung folgt einem klaren Prinzip: Die Logik liegt zentral in der Routenverarbeitung, nicht verteilt in mehreren Abhängigkeiten. Ein einfaches Beispiel verdeutlicht das:

@router.get("/{student_id}/kc-states", response_model=KCStatesResponse)
async def get_kc_states(
    student_id: uuid.UUID,
    db: AsyncSession = Depends(get_db),
    auth: dict = Depends(require_authenticated),
):
    role = auth.get("role")
    if role == "student" and auth.get("sub") != str(student_id):
        raise HTTPException(
            status_code=status.HTTP_403_FORBIDDEN,
            detail="Zugriff verweigert"
        )
    ...

Schüler sehen nur ihre eigenen Daten, während Lehrer Zugriff auf alle Schüler ihrer Klasse haben. Die Regelung ist damit an einer zentralen Stelle implementiert und vermeidet redundante Logik in verschiedenen Abhängigkeiten.

Die Forschung hinter dem Tool: Vom Reporting zum echten Unterrichtswerkzeug

Das KC-Dashboard ist mehr als nur ein technisches Feature – es ist das Ergebnis eines klaren pädagogischen Prinzips: der „Teacher-in-the-Loop“-Methode aus dem MacLellan ITS-Rahmenwerk. Diese besagt, dass Lehrer nicht nur Daten erhalten, sondern vor allem Informationen, die sie direkt in ihrem Unterricht nutzen können.

Ein Beispiel: Ein Schüler zeigt in der Genauigkeitsanzeige 43 %. Das sagt der Lehrerin nur, dass der Schüler Schwierigkeiten hat. Doch das KC-Dashboard liefert konkrete Hinweise: Der Schüler liegt beim „Borrowing“ bei 12 % (Anfänger, 8 Versuche) und beim „Place Value“ bei 67 % (Fortgeschritten, 14 Versuche). Plötzlich wird klar: Der Schüler braucht gezielte Unterstützung beim Ausleihen – und die bisherigen acht Versuche zeigen, dass bloße Hinweise nicht ausreichen. So wird aus einer undurchsichtigen Zahl ein Handlungsplan.

In Phase 4 des Projekts wird eine randomisierte kontrollierte Studie (RCT) durchgeführt, um zu messen, ob Lehrer, die mit KC-Daten arbeiten, gezielter eingreifen als solche, die nur mit Genauigkeitszahlen arbeiten. Das Dashboard ist damit nicht nur ein Werkzeug, sondern Teil einer größeren Forschungsfrage.

Technische Erkenntnisse: Warum zwei Abfragen besser sind als eine komplexe Verknüpfung

Bei der Umsetzung des Backends wurde eine wichtige technische Entscheidung getroffen: Statt einer komplexen SQL-Abfrage mit outerjoin() entschied man sich für zwei separate Abfragen und eine Dictionär-Zuordnung. Warum? Weil sich so die Logik klarer strukturieren und einfacher testen lässt.

Ein Ausschnitt aus dem Code zeigt den Ansatz:

kc_by_skill_id = {
    record.skill_id: record
    for record in kc_records
}

summaries = [
    KCStateSummary(
        skill_code=skill.code,
        p_mastery=round(
            kc_by_skill_id[skill.id].p_mastery, 3
        ) if skill.id in kc_by_skill_id else 0.0,
        ...
    )
    for skill in all_skills
]

Die Vorteile dieses Ansatzes:

• Lesbarkeit: Die Logik ist auf den ersten Blick verständlich, ohne komplexe SQL-Verknüpfungen.

• Testbarkeit: Neun Unit-Tests für diesen Use Case liefen in nur 0,03 Sekunden – und das ohne eine aktive Datenbankverbindung.

• Wartbarkeit: Änderungen an der Logik erfordern keine Anpassungen an der SQL-Abfrage, sondern nur am Python-Code.

Was kommt als Nächstes? Ein Blick auf Phase 2

Die nächste Entwicklungsstufe des KC-Dashboards wird die Integration der letzten Übungsversuche direkt in die Schüleransicht umfassen. Lehrer sollen dann nicht nur sehen, welche Kompetenzen ein Schüler beherrscht, sondern auch warum bestimmte Fehler auftreten. Dazu gehören:

• Eine Übersicht der letzten fehlerhaften Versuche eines Schülers.
• Klassifizierte Fehlercodes, die auf typische Schwächen hinweisen.
• Die Möglichkeit, Muster in den Fehlern frühzeitig zu erkennen.

Damit wird das Dashboard zu einem noch mächtigeren Instrument für die gezielte Förderung von Schülern.

Fazit: Warum erklärbare KI im Bildungsbereich unverzichtbar ist

Die Entwicklung des KC-Dashboards zeigt eindrucksvoll, dass Genauigkeit allein nicht ausreicht – weder für Lehrer noch für Schüler. Erst wenn KI-Daten in verständliche, handlungsorientierte Informationen übersetzt werden, entfalten sie ihr volles Potenzial. Das Dashboard von NumPath ist ein Beispiel dafür, wie Technologie den Unterricht nicht nur unterstützt, sondern grundlegend verbessern kann. Die nächsten Schritte werden zeigen, ob diese Herangehensweise auch messbare Erfolge in der Praxis bringt – und damit den Weg für eine neue Generation von KI-gestützten Lernwerkzeugen ebnet.