Was macht ein KI-Modell zu einem guten Tutor? Weniger das Modell selbst entscheidet, sondern das Gegenüber, gegen das es trainiert wurde. Das Forschungslabor humans& hat &Tutor vorgestellt. Das Modell ist nicht in erster Linie auf korrekte Antworten optimiert, sondern darauf, wie viel ein Lernender in einem Gespräch versteht. &Tutor lernt nicht aus Lehrbüchern, sondern aus dem Verhalten eines simulierten Schülers.
Wer wissen will, was &Tutor anders macht als einen gewöhnlichen Chatbot mit Tutor-Prompt, sollte zwei Dinge prüfen: die Trainingsumgebung und den Maßstab, an dem das Ergebnis gemessen wird. Beides gehört zusammen. Der Text beschreibt, was der Hersteller angibt, woher die Zahlen kommen und wo die Grenzen liegen.
Der Trainingsaufbau: Belohnung nach Lernzuwachs, nicht nach Antwortqualität
Die Grundidee erinnert an Ausbildung in der Medizin. Angehende Ärztinnen und Ärzte üben mit Schauspielpatienten, die Symptome, Unsicherheit und Rückfragen glaubwürdig darstellen. Je besser der Darsteller spielt, desto brauchbarer die Übung. Ein schwacher Darsteller trainiert falsche Reaktionen an. Diese Rolle übernimmt bei &Tutor das Modell Persimmon: Es spielt den Lernenden, gegen den der Tutor antritt.
Der Tutor wird nicht dafür belohnt, eine schöne Erklärung zu liefern. Belohnt wird er dafür, wie viel der simulierte Lernende im Gespräch dazulernt. Eine elegante, vollständige Antwort kann einen Menschen überfordern und zum Aufgeben bringen. Ein KI-Lehrmodell für Tutoring, das nur auf Antwortqualität optimiert ist, neigt dazu: Es erklärt zu viel, zu schnell, zu vollständig.
Ampersand, das Basismodell des Labors, war nicht Ausgangspunkt für &Tutor; trainiert wurde auf GLM-5.3. Laut Team ist eine spätere Integration in künftige Ampersand-Varianten geplant. Wichtiger ist etwas anderes: Keine der pädagogischen Fähigkeiten wurde einzeln antrainiert. Sie entstehen als Nebenwirkung einer einzigen Belohnungsregel.
Der TutorMoments-Benchmark misst echte Nachhilfemomente
Um zu prüfen, ob das funktioniert, braucht es einen Maßstab mit echtem Material. Der TutorMoments-Benchmark besteht aus aufgezeichneten Nachhilfesitzungen mit echten Schülern. Erfahrene Mathematiklehrkräfte haben Schlüsselmomente markiert: Stellen, an denen ein Tutor entscheiden muss, ob er Unterstützung anbietet oder den Lernenden zum Weiterdenken drängt. Dazu hielten sie fest, was der Moment verlangt.
Im Test setzt ein Modell das Gespräch ab diesem Punkt fort; eine KI übernimmt die Rolle des Schülers. Ein Sprachmodell bewertet die Antwort gegen die Annotationen der Lehrkräfte. Das Verfahren ist nicht perfekt, liegt aber näher an der Realität als ein Multiple-Choice-Test über Bruchrechnung.
Die Ergebnisse sind deutlich. Mit einem schlichten Prompt erreicht &Tutor 0,754 Punkte, das Basismodell GLM-5.3 kommt auf 0,500. Claude Sonnet 5.5 liegt bei 0,667, GPT-6 Astra bei 0,634, GPT-6 Sol bei 0,523. Ergänzt man den Prompt um den Hinweis, worauf es in der Bewertung ankommt, steigt &Tutor auf 0,919 und liegt knapp hinter GPT-6 Astra mit 0,926. In der Kategorie „angemessene Strenge“ führt es mit 0,931.
Die Platzierung ist weniger wichtig als die Herkunft der Fähigkeiten. Wann man ein Gerüst anbietet, wann man nachhakt, wann man besser schweigt – all das war nie als Trainingsziel formuliert. Es folgt aus der Rückmeldung, wie gut der simulierte Schüler vorankommt.
Die Ablation zeigt, wie stark das Lernmodell den Tutor prägt
Wenn der Lernende das Training prägt, müsste ein schwächerer Lernender einen schwächeren Tutor ergeben. Das prüfte das Team in einer Ablation: gleiches Rezept, gleiche Daten, aber GLM-5.3 in der Rolle des Lernenden statt Persimmon. Das Ergebnis fällt deutlich schlechter aus. Für adaptive Lernunterstützung ist das unbequem, denn es verschiebt den Aufwand vom Tutor auf das Modell des Gegenübers.
Damit wird das Lernmodell zum eigentlichen Kapital. Wer KI-Nachhilfe mit einem Sprachmodell baut, investiert meist in gutes Prompting oder kuratierte Aufgaben. Der Befund legt nahe, dass die entscheidende Stellschraube woanders sitzt: Verhält sich das simulierte Gegenüber wie ein echter Mensch – mit Umwegen, Missverständnissen und falschen Rechenschritten?
Persimmon im Test: Gesprächszüge, Emotionen und Fehlerquoten
Ob Persimmon das leistet, hat das Team auf vier Datensätzen untersucht: SimulatorArena Math mit Wettbewerbsaufgaben, StudentBench mit einstündigen GRE-Sitzungen, dazu Eedi und TutorMoments aus menschlichen Nachhilfegesprächen. In den ersten beiden Fällen übernimmt der simulierte Lernende mehrere Gesprächsschritte lang die Führung; in den beiden anderen wird ein einzelner Zug aus der echten Unterhaltung ergänzt.
Für den Vergleich nutzt das Team einen Multi-User-Turing-Test aus einer früheren Veröffentlichung. Ein Bewerter sieht eine Unterhaltung und entscheidet, ob sie von einem Menschen stammt. Bei rund 50 Prozent ist das Modell von echten Lernenden nicht mehr zu unterscheiden. Zusätzlich wurden Verhaltensweisen offen kodiert, also Kategorien aus dem Material gebildet statt vorab festgelegt. Die Übereinstimmung der Bewerter liegt auf zurückgehaltenen Gesprächen zwischen 0,696 und 0,840 (Fleiss’ Kappa) und ist damit ausreichend verlässlich.
Drei Dimensionen wurden geprüft. Erstens die Gesprächszüge: Antworten, Raten, Erklären, Hilfe erbitten, Aussteigen. Persimmon liegt hier bei einem Abstand von 0,06 bis 0,24 zu echten Lernenden; andere Modelle erreichen 0,10 bis 0,65. Zweitens die Emotionalität – Verwirrung, Frust, Beteiligung, Langeweile – mit 0,06 bis 0,22 gegen 0,12 bis 0,73. Drittens die Fehlerquote: Echte Lernende liegen bei 25 bis 30 Prozent ihrer überprüfbaren Aussagen daneben, Persimmon bei 19 bis 33 Prozent, die übrigen Modelle bei höchstens 15 Prozent.
Die Fehlerquote ist der wichtigste Wert. Ein Modell, das fast immer recht hat, ist kein guter Schüler, sondern eine Wand. Wer nie einen falschen Zwischenschritt macht, zwingt den Tutor nicht, in den Denkprozess hineinzuschauen und ihn zu korrigieren. Die Fehlerhaftigkeit ist hier keine Schwäche, sondern Trainingsmaterial.
Was die KI-Tutor-API in der Praxis bedeutet – und was offen bleibt
Seit der Veröffentlichung ist &Tutor über eine KI-Tutor-API erreichbar. Das Modell lässt sich in Lernplattformen oder Nachhilfe-Tools einbinden, ohne das Training nachzubauen. Personalisiertes Lernen mit KI rückt damit weg von starren Aufgabenpfaden und hin zu Gesprächen, die sich am Verständnis orientieren.
Was die Veröffentlichung nicht liefert, ist der Nachweis im freien Feld. Der Benchmark besteht aus echten Momenten, aber die Bewertung bleibt eine Simulation mit KI-Schülern und einem Modell als Preisrichter. Das Team schreibt selbst, der eigentliche Test sei, ob das Modell Menschen über längere Zeit beim Lernen hilft, und verweist auf geplante Kooperationen mit Bildungseinrichtungen. Wer heute aufsetzt, sollte solche Langzeitdaten nicht als gegeben voraussetzen.
Der Ansatz zeigt: Ein Modell lässt sich erziehen, indem man ihm ein glaubwürdiges Gegenüber vorsetzt und das Ergebnis danach bewertet, wie viel dieses Gegenüber begreift. Die Qualität des Tutors hängt dann weniger an seiner Eloquenz als an der Qualität des simulierten Menschen. Wer Systeme baut, die anderen zu mehr Verständnis verhelfen sollen, sollte zuerst das Gegenüber richtig modellieren.
Quelle: tutor.humansand.ai
