KI als Lern-Coach: Warum gute Chatbots nicht einfach die Lösung verraten

Künstliche Intelligenz kann mathematische Aufgaben lösen und innerhalb von Sekunden die passende Antwort liefern. Doch eine richtige Lösung macht noch keinen guten Lehrer. Forschende der ETH Zürich und der TU Darmstadt untersuchen deshalb, wie sich Sprachmodelle zu digitalen Tutoren entwickeln lassen, die Lernende zum eigenen Denken anregen.

Wer beim Lernen eine KI fragt, bekommt häufig genau das, wonach er verlangt: die Antwort. Für Hausaufgaben mag das bequem erscheinen. Aus pädagogischer Sicht entsteht daraus jedoch ein Problem. Lernen setzt voraus, dass Schüler selbst überlegen, Fehler erkennen und Lösungswege entwickeln.

Genau mit diesem Spannungsfeld beschäftigt sich Jakub Mačina. Der Forscher arbeitet an der Schnittstelle zwischen grossen Sprachmodellen, sogenannten Large Language Models (LLMs), und Lernwissenschaften. Sein Ziel sind KI-Systeme, die weniger als Antwortmaschinen und stärker als Lernbegleiter funktionieren.

Eine gute Antwort ist noch kein guter Unterricht

Wie gut sich ein Sprachmodell zum Unterrichten eignet, lässt sich nicht allein daran messen, ob es eine Mathematikaufgabe korrekt lösen kann. Entscheidend ist ebenso, wie die KI mit einem Schüler interagiert.

Gemeinsam mit weiteren Forschenden entwickelte Mačina deshalb MathTutorBench. Der 2025 vorgestellte Open-Source-Benchmark bewertet KI-Tutoren anhand verschiedener Fähigkeiten, die für dialogbasiertes Lernen relevant sind.

Dabei zeigte sich ein interessanter Unterschied zwischen Problemlösen und Unterrichten: Ein Modell mit hoher fachlicher Kompetenz muss keineswegs ein ebenso guter Tutor sein. Die Untersuchung deutet vielmehr auf ein Spannungsverhältnis zwischen fachlicher Leistung und pädagogischer Qualität hin.

Auch längere Gespräche stellen Sprachmodelle vor Herausforderungen. Je länger ein Lerndialog dauert, desto schwieriger kann es für ein System werden, eine geeignete Strategie beizubehalten. Einfache Fragemuster reichen dann zunehmend nicht mehr aus.

Die KI soll den Lösungsweg begleiten

In einer weiteren Forschungsarbeit gingen Mačina und seine Kollegen deshalb einen Schritt weiter. Statt lediglich vorhandene Sprachmodelle zu bewerten, entwickelten sie ein Verfahren, mit dem ein LLM gezielt auf pädagogisches Verhalten ausgerichtet werden kann.

Dafür kommt Reinforcement Learning zum Einsatz. Vereinfacht gesagt lernt das System anhand von Rückmeldungen, welches Verhalten in einer bestimmten Situation erfolgversprechend ist.

Das Besondere an dem Ansatz: Das Training basiert auf simulierten Gesprächen zwischen Schüler und Tutor. Dabei wird die KI darauf ausgerichtet, Lernende beim Problemlösen zu begleiten, anstatt ihnen vorschnell die fertige Antwort zu präsentieren.

Für dieses Verfahren trainierten die Forschenden ein Modell mit sieben Milliarden Parametern. Menschlich erstellte Annotationen waren dafür nicht erforderlich. Nach den veröffentlichten Ergebnissen erreichte das vergleichsweise kompakte Modell eine Leistung, die mit wesentlich grösseren proprietären Lernmodellen wie LearnLM vergleichbar ist.

Zwischen Hilfestellung und eigenständigem Denken

Eine der schwierigsten Aufgaben für einen digitalen Tutor besteht darin, das richtige Mass an Unterstützung zu finden.

Gibt die KI zu wenig Hilfestellung, kommt der Lernende möglicherweise nicht weiter. Verrät sie dagegen zu viel, verschwindet der eigentliche Lerneffekt. Das Forschungsteam berücksichtigt deshalb sowohl die pädagogische Unterstützung als auch den Erfolg des Lernenden beim eigenständigen Lösen einer Aufgabe.

Damit verändert sich die Rolle der KI grundlegend. Statt als digitale Lösungsmaschine aufzutreten, soll sie den Denkprozess begleiten. Eine Rückfrage oder ein gezielter Hinweis kann in diesem Zusammenhang wertvoller sein als die sofortige Präsentation des Ergebnisses.

KI als Ergänzung beim Lernen

Die Forschung macht deutlich, dass fachliches Wissen allein für einen guten KI-Tutor nicht genügt. Ein System muss ebenso erkennen können, wann ein Hinweis angebracht ist, wie viel Unterstützung ein Lernender benötigt und wann es besser ist, eine Lösung bewusst zurückzuhalten.

Noch steht die Entwicklung solcher Systeme am Anfang. Die zugrunde liegende Idee könnte jedoch entscheidend dafür werden, wie Künstliche Intelligenz künftig im Bildungsbereich eingesetzt wird.

Die spannende Frage lautet damit weniger, ob eine KI eine Aufgabe schneller lösen kann als ein Schüler. Entscheidend ist vielmehr, ob sie ihm dabei helfen kann, den Lösungsweg selbst zu verstehen.

Quellen:

Schlaefli, Samuel: Wie KI-Chatbots zu besseren Lern-Coaches werden. ETH Zürich, 10. Juni 2026.
Beitrag bei ETH Zürich

Macina J, Daheim N, Hakimi I, Kapur M, Gurevych I, Sachan M: MathTutorBench: A Benchmark for Measuring Open-ended Pedagogical Capabilities of LLM Tutors. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, 2025. DOI: 10.18653/v1/2025.emnlp-main.11.

Dinucu-Jianu D, Macina J, Daheim N, Hakimi I, Gurevych I, Sachan M: From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, 2025. DOI: 10.18653/v1/2025.emnlp-main.15.
Bildquelle: JordiE/peopleimages.com – JordiE/peopleimages.com – stock.adobe.com