Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

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¶

Lernpfad-Übersicht¶

graph LR
    A["🟢 Phase 1\nKI-Assistenz"] --> B["🟡 Phase 2\nAdaptives Lernen"]
    B --> C["🔴 Phase 3\nInfrastruktur"]
    A --> A1["Lehrvorbereitung\nUnterrichtsentwurf\nMedien-Generierung"]
    B --> B1["KI-Tutoren\nPersonalisiertes Feedback\nAdaptive Lernpfade"]
    C --> C1["LMS-Integration\nDSGVO-Compliance\nSelf-hosted LLMs"]

Inhaltsverzeichnis¶

• 🟢 Phase 1 – Didaktische Grundlagen & KI-Assistenz
  • 1.1 Konzept: KI in der Didaktik (Szenarien)
  • 1.2 Thema: Lehrvorbereitung & Unterrichtsentwurf mit KI
  • 1.3 Thema: Generierung von Lernmedien (Text, Bild, Audio)
  • 1.4 Thema: Prompts für Lehrende (Didaktisches Prompting)
• 🟡 Phase 2 – Adaptives Lernen & KI-Tutoring
  • 2.1 Konzept: Adaptivität und Personalisierung
  • 2.2 Thema: KI-Tutoren & Lernbegleiter einrichten
  • 2.3 Thema: Automatisches Feedback & Bewertungshilfen
  • 2.4 Thema: Interaktive Quizzes & Übungen generieren
• 🔴 Phase 3 – Integration, Infrastruktur & Datenschutz
  • 3.1 Konzept: Systemarchitektur für KI-Lernumgebungen
  • 3.2 Thema: LMS-Anbindung (LTI-Standard & APIs)
  • 3.3 Thema: DSGVO-konforme KI-Plattformen in der Bildung
  • 3.4 Thema: Eigene KI-Lernunterstützung hosten
• 📋 Praxisprojekte
• 📦 Vollständige Softwareübersicht & Vergleich

🟢 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¶

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:¶

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:¶

Vergleich: Open Source vs. Kommerziell¶

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:

🟡 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¶

graph TD
    A["📖 Lernender startet Modul"] --> B["📝 Einstiegstest"]
    B --> C{"Ergebnis?"}
    C -->|Gut| D["🚀 Experte: Komplexe Programmieraufgabe"]
    C -->|Schwach| E["🧱 Einsteiger: Schritt-für-Schritt Erklärung"]
    D --> F["🔄 Fortlaufende Leistungsmessung"]
    E --> F
    F -->|Überfordert| E
    F -->|Unterfordert| D

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:¶

Vergleich: Open Source vs. Kommerziell¶

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:¶

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:¶

🔴 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¶

graph TD
    A["🧑‍🎓 Lernender (Browser)"] --> B["🌐 LMS (Moodle)"]
    B -->|LTI-Schnittstelle| C["🔌 KI-Connector Middleware"]
    C -->|Lokale API| D["🧠 Ollama / vLLM Server"]
    C -->|Vektor-Suche| E["🗄️ Chroma DB (Lernskripte)"]
    style D fill:#4caf50,color:#fff
    style E fill:#4caf50,color:#fff

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:¶

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:¶

📋 Praxisprojekte¶

🟢 Einsteiger: GIFT-Quiz-Generator für Moodle¶

graph LR
    A["📄 Lehrtext eingeben"] --> B["🤖 Ollama + Prompt"]
    B --> C["📝 GIFT-Datei exportieren"]
    C --> D["📥 Import in Moodle"]

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

🟡 Fortgeschritten: Lokaler RAG-Tutor für Fachunterlagen¶

graph TD
    A["📚 PDFs der Vorlesung"] --> B["⚡ Chroma Vektor-DB"]
    B --> C["🔌 Open WebUI"]
    C --> D["🧑‍🎓 Lernende stellen Fachfragen"]
    D --> E["💬 Antwort nur basierend auf PDFs"]

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

🔴 Experte: DSGVO-konforme LTI-Lernanwendung¶

graph TD
    A["🧑‍🎓 Schüler klickt Link im LMS"] --> B["⚡ PyLTI Flask App (Ubuntu)"]
    B --> C["🔑 Authentifizierung geprüft"]
    C --> D["🤖 Local Model (Ollama API)"]
    D --> E["📊 Notenrückgabe via LTI an LMS"]

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

📦 Vollständige Softwareübersicht & Vergleich¶

Didaktische Helfer & Generatoren¶

Lernplattformen (LMS)¶

KI-Klassenzimmer-Portale & RAG¶

Schnittstellen & Deployment¶

Weiterführende Ressourcen¶

• Beste KI-Agenten für Deutsch- und Fremdsprachenlernen (Open Source, Top 20) – Vertiefende Topliste speziell zum Sprachenlernen 🟩
• H5P Community – Interaktive HTML5-Lernbausteine 🟩
• Moodle Plugins – Moodle erweitern 🟩
• IMS Global LTI Standards – Technische Spezifikation
• EU-DSGVO Portal – Gesetzesvorgaben für Bildungseinrichtungen
• Open WebUI Community Docs – Einrichtungs-Guides 🟩

Letzte Aktualisierung: Juli 2026

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).