Wissen / E-Learning / KI in Lehre & Weiterbildung

Aus Dokument
Zur Navigation springen Zur Suche springen

KI in Lehre, Weiterbildung und Training

Hinweis zur Software-Auswahl:

Diese Dokumentation priorisiert Open-Source-Software, die datenschutzkonform und unter Ubuntu (lokal/self-hosted) betrieben werden kann.
Bei proprietären Lösungen wird stets eine Open-Source-Alternative mit gleichem Funktionsumfang gegenübergestellt.
LLM-Modelle und APIs werden unabhängig vom Preis gelistet, da sie die Basis für adaptive Lernunterstützung bieten.

Legende

Symbol Bedeutung
🟩 Open Source – kostenlos, self-hosted / Ubuntu-kompatibel
💰 Kostenpflichtig
🤖 LLM-Modell / API – bleibt immer gelistet
🐧 Linux / Ubuntu nativ
🌐 Nur Web-Browser


Lernpfad-Übersicht

Inhaltsverzeichnis


🟢 Phase 1 – Didaktische Grundlagen & KI-Assistenz

Was lerne ich hier?

Wie KI didaktisch sinnvoll eingesetzt werden kann, wie du als Lehrender Unterrichtsstunden vorbereitest und strukturierte Lehrmaterialien mithilfe von KI erstellst.
Voraussetzungen: Keine.

1.1 Konzept: KI in der Didaktik (Szenarien)

Konzept: Die vier Stufen der KI-Didaktik

Stufe Rolle der KI Beispiel
1. Passiv / Assistiv KI bereitet vor, Mensch lehrt Erstellung eines Lehrplans durch ChatGPT
2. Interaktiv KI unterstützt die Übungsphase Schüler chattet mit einem historischen Avatar
3. Adaptiv KI steuert den Lernpfad System passt Übungsschwierigkeit an Fehlerquote an
4. Autonom KI agiert als primärer Tutor Selbstlernkurse mit dynamischer Audio-Erklärung

Konzept: Konstruktivistisches Lernen mit KI

KI eignet sich hervorragend für konstruktivistische Lernszenarien, in denen Lernende durch aktives Ausprobieren und gezieltes Fragen (Sokratischer Dialog) Wissen selbst aufbauen, statt es nur passiv zu konsumieren.


1.2 Thema: Lehrvorbereitung & Unterrichtsentwurf mit KI

Konzept: Stundenplanung nach dem Sanduhr-Prinzip

Ein guter Stundenentwurf beginnt breit (Einstieg/Motivation), verengt sich auf die Erarbeitung (Fokus) und öffnet sich wieder für Transfer & Diskussion. KI kann Entwürfe nach diesem Raster erstellen: 

Einstieg (10 Min.)   -> Aktivierung des Vorwissens
Erarbeitung (25 Min.) -> Konzentrierte Einzel-/Gruppenarbeit
Sicherung (10 Min.)   -> Präsentation & Feedback

Software – Open Source / LLM:

Software Typ Funktion Ubuntu Link
🤖 ChatGPT LLM Cloud Schnelles Generieren von Curricula & Abläufen 🌐 Web openai.com
🤖 Claude LLM Cloud Ausgezeichnet für didaktisch strukturierte Texte 🌐 Web claude.ai
🟩 🤖 Ollama LLM lokal Lokale Erstellung von Lehrmaterialien (datenschutzsicher) 🐧 Ja ollama.com


1.3 Thema: Generierung von Lernmedien (Text, Bild, Audio)

Konzept: Multimodales Lernen (Dual-Coding-Theorie)

Lernende behalten Informationen besser, wenn sie visuell und verbal gleichzeitig dargeboten werden. KI erleichtert die parallele Erstellung von Texten und passenden Veranschaulichungen.

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 LibreOffice Impress Präsentationen Offene Alternative für Vortragsfolien 🐧 Ja libreoffice.org
🟩 ComfyUI + Flux Bild-KI Didaktische Illustrationen lokal generieren 🐧 Ja github.com/comfyanonymous
🟩 Coqui XTTS-v2 Audio-KI Generierung von Audio-Erklärungen für Barrierefreiheit 🐧 Ja github.com/coqui-ai

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 Kommerziell 💰
Lehrmedien-Grafik ComfyUI, GIMP Canva Pro, Midjourney
Präsentations-Erstellung LibreOffice Impress Gamma App, Tome AI
Audio-Erklärungen (TTS) Coqui XTTS-v2, Bark ElevenLabs


1.4 Thema: Prompts für Lehrende (Didaktisches Prompting)

Konzept: Sokratischer Dialog-Prompt

Damit ein LLM nicht sofort die Lösung ausgibt, muss es didaktisch „eingezäunt" werden: 

Rolle:       "Du bist ein geduldiger Didaktik-Tutor für Informatik."
Leitlinie:   "Gib dem Benutzer niemals direkt die Lösung für seinen Programmierfehler."
Methode:     "Stelle stattdessen eine zielführende Frage, die den Benutzer auf den
              richtigen Weg leitet. Erkläre das zugrundeliegende Konzept kurz."

Konzept: Generieren von Verständnisfragen (Bloom-Taxonomie)

Gute Prüfungsfragen sollten verschiedene Kognitionsstufen abdecken:

Stufe Ziel Prompt-Beispiel
Erinnern Fakten abrufen „Nenne die drei Phasen der Zellteilung."
Verstehen Konzepte erklären „Erkläre mit eigenen Worten das Prinzip der Inflation."
Anwenden Wissen nutzen „Berechne den Bremsweg bei einer Geschwindigkeit von..."


🟡 Phase 2 – Adaptives Lernen & KI-Tutoring

Was lerne ich hier?

Wie du Lernenden personalisierte Unterstützung anbietest und Systeme einrichtest, die sich automatisch an das Lerntempo anpassen.
Voraussetzungen: Didaktische Grundlagen (Phase 1).

2.1 Konzept: Adaptivität und Personalisierung

Makro- vs. Mikro-Adaptivität

  • Makro-Adaptivität: Der gesamte Kursaufbau ändert sich (z. B. Überspringen von Kapiteln nach einem Pre-Test).
  • Mikro-Adaptivität: Die unmittelbare Unterstützung innerhalb einer Aufgabe ändert sich (z. B. Hilfestellungen beim Tippen von Code).


2.2 Thema: KI-Tutoren & Lernbegleiter einrichten

Konzept: RAG für Schulungsunterlagen

Ein KI-Tutor soll nur auf Basis deiner offiziellen Skripte antworten, um Halluzinationen zu vermeiden. 

Schulungs-PDF -> Embeddings generieren -> Speichern in Vektor-DB (Chroma) -> LLM-Tutor liest aus DB

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 🤖 Open WebUI Chat-Oberfläche Stellt Web-Chats für Klassen mit RAG-Anbindung bereit 🐧 Ja github.com/open-webui
🟩 LlamaIndex RAG Verbindet Lernmaterialien mit dem KI-Tutor 🐧 Ja llamaindex.ai

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Chat-Tutor für Klassen Open WebUI + Ollama Custom GPTs (ChatGPT Team), Mindgrasp
RAG-Verbindung LlamaIndex, LangChain Pinecone Cloud


2.3 Thema: Automatisches Feedback & Bewertungshilfen

Konzept: Kriterienbasiertes Bewerten (Rubrics)

KI kann Essays oder Code-Abgaben auf Basis einer klaren Kriterienmatrix (Rubrik) bewerten. Dies spart Zeit und sorgt für konsistentes Feedback. 

Kriterien:
1. Korrektheit der Aussage (Gewichtung: 50%)
2. Struktur und Gliederung (Gewichtung: 30%)
3. Rechtschreibung/Grammatik (Gewichtung: 20%)

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 LanguageTool Feedback-Tool Automatische Text- und Stilkorrektur für Abgaben 🐧 Ja languagetool.org
🟩 Moodle (Essay-Evaluator Plugins) LMS Integriertes Feedback über automatisierte Bewertungsmodule 🐧 Ja moodle.org


2.4 Thema: Interaktive Quizzes & Übungen generieren

Konzept: Exportformate für LMS (GIFT & Aiken)

Um Quizzes in Plattformen wie Moodle zu importieren, eignen sich standardisierte Textformate. KI kann diese fehlerfrei generieren: 

// GIFT-Format Beispiel
Was ist die Hauptstadt von Deutschland? {
    =Berlin
    ~Hamburg
    ~München
}

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 H5P Interaktive Übung Erstellung von interaktiven Videos, Lückentexten und Quizzes 🐧 Ja h5p.org
🟩 Moodle Quiz-Modul LMS-Modul Import von GIFT/Aiken-Dateien 🐧 Ja moodle.org


🔴 Phase 3 – Integration, Infrastruktur & Datenschutz

Was lerne ich hier?

Wie du KI-Anwendungen in bestehende Lernplattformen (LMS) integrierst, den Datenschutz (DSGVO) in Bildungseinrichtungen einhältst und lokale Server aufbaust.
Voraussetzungen: Python- & System-Admin-Grundlagen.

3.1 Konzept: Systemarchitektur für KI-Lernumgebungen

3.2 Thema: LMS-Anbindung (LTI-Standard & APIs)

Konzept: LTI (Learning Tools Interoperability)

LTI ist der Branchenstandard, um externe interaktive Lernwerkzeuge nahtlos in LMS-Plattformen (wie Moodle, Canvas, Blackboard) einzubinden. Der Lernende wird automatisch eingeloggt, und die Noten fließen zurück ins LMS.

Software – alle Open Source:

Software Typ Funktion Ubuntu Link
🟩 PyLTI Python-Lib LTI-Schnittstellen für Python-Anwendungen (Flask/Django) 🐧 Ja github.com/mitodl/pylti
🟩 Moodle LTI-Consumer LMS-Modul Bindet LTI-Anwendungen direkt in Kurse ein 🐧 Ja moodle.org


3.3 Thema: DSGVO-konforme KI-Plattformen in der Bildung

Konzept: Personenbezogene Daten (PB) an Schulen & Universitäten

  • ❌ Verboten: Namen, E-Mail-Adressen oder freie Schülertexte unverschlüsselt an kommerzielle US-Cloud-APIs (OpenAI, Claude) senden.
  • ✅ Erlaubt: Anonymisiertes Prompting oder Nutzung lokaler On-Premise-Modelle (Ollama) auf schuleigenen Servern.
  • ✅ Erlaubt: DSGVO-konforme Enterprise-Verträge mit Auftragsverarbeitungsvereinbarung (AVV) und Datenhaltung in der EU.

Checkliste für Bildungs-KI:

  1. Datensparsamkeit: Keine echten Schülernamen im Chatverlauf.
  2. Lokales Hosting: Bevorzugung lokaler LLMs für sensible Facharbeiten.
  3. Open-Source: Nachvollziehbarkeit des Codes und Ausschluss von Telemetrie.


3.4 Thema: Eigene KI-Lernunterstützung hosten

Konzept: Eigener KI-Server für Schulen/Betriebe

Ein zentraler, lokaler GPU-Server versorgt eine ganze Schule oder einen Betrieb mit KI-Assistenten – datenschutzsicher und ohne laufende Token-Kosten. 

# Docker-Compose für datenschutzsichere Schulungs-KI
version: '3.8'
services:
  ollama:
    image: ollama/ollama:latest
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama
  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    ports:
      - "8080:8080"
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    volumes:
      - open-webui_data:/app/backend/data
volumes:
  ollama_data:
  open-webui_data:

Software – alle Open Source:

Software Typ Funktion Ubuntu Link
🟩 Docker + Docker Compose Container Einfaches Starten des KI-Stacks 🐧 Ja docker.com
🟩 Open WebUI Portal Nutzerverwaltung & Rollen für Klassen 🐧 Ja github.com/open-webui
🟩 Coolify Host-PaaS Einfaches Servermanagement auf Ubuntu 🐧 Ja coolify.io


📋 Praxisprojekte

🟢 Einsteiger: GIFT-Quiz-Generator für Moodle

Software (alle Open Source): Ollama (Modell: Llama3) · Moodle


🟡 Fortgeschritten: Lokaler RAG-Tutor für Fachunterlagen

Software (alle Open Source): Open WebUI · Ollama · Chroma


🔴 Experte: DSGVO-konforme LTI-Lernanwendung

Software (alle Open Source): PyLTI · Flask · Moodle · Ollama · Docker


📦 Vollständige Softwareübersicht & Vergleich

Didaktische Helfer & Generatoren

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Textentwürfe & Didaktik Ollama 🐧, Jan.ai 🐧 ChatGPT, Claude
Bilder & Illustration ComfyUI 🐧, AUTOMATIC1111 🐧 Midjourney, DALL-E 3
Audio-Erklärungen Coqui XTTS-v2 🐧, Bark 🐧 ElevenLabs

Lernplattformen (LMS)

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Kurs- & Klassenverwaltung Moodle 🐧, Canvas LMS 🐧, Chamilo 🐧 Blackboard, Canvas Cloud
Interaktive Aufgaben H5P 🐧 Articulate Rise
Klassisches Autorentool Adapt Framework 🐧 Articulate Storyline 360, Adobe Captivate

KI-Klassenzimmer-Portale & RAG

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Schulungs-Chatbot Portal Open WebUI 🐧 Custom GPTs
RAG-Orchestrierung LlamaIndex 🐧, LangChain 🐧 Pinecone
Schreib- & Stilfeedback LanguageTool 🐧 Grammarly

Schnittstellen & Deployment

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
LMS-Schnittstelle PyLTI 🐧 —
Server-Deployment Docker 🐧, Coolify 🐧 Heroku, Vercel


Weiterführende Ressourcen


Letzte Aktualisierung: Juli 2026

Abgerufen von „https://mediawiki.wissen-ahrensburg.de/index.php?title=Wissen_/_E-Learning_/_KI_in_Lehre_%26_Weiterbildung&oldid=3616“