Wenn Lehrende die KI selbst bauen — eine vorregistrierte Studie mit 7.200 Studierenden an 19 Hochschulen findet 0,32 Standardabweichungen bessere Prüfungen; die Kontrollgruppe bekam dieselbe KI ein Semester später.
This article is currently available in German only — an English version will follow. Der Text liegt bisher nur auf Deutsch vor.
Ein 52-köpfiges Forschungsteam unter Federführung der University of Michigan hat am 14. November 2026 den Preprint einer vorregistrierten randomisierten Studie veröffentlicht: 55 Kurse an 19 Hochschulen, 7.200 Studierende, drei Semester von Frühjahr 2025 bis Frühjahr 2026 — die Lehrenden entwarfen eigene KI-Werkzeuge für ihre angewandten MINT-Kurse, während die per Zufall zugeteilten Kontrollklassen dieselben Werkzeuge erst ein Semester später einführten. In KI-freien, beaufsichtigten Prüfungen schnitten die Studierenden der Behandlungsklassen um 0,32 Standardabweichungen besser ab (95-Prozent-Konfidenzintervall 0,06 bis 0,59), während Engagement und Zufriedenheit sich nicht messbar änderten. Die Arbeit ist nicht begutachtet, die Lehrenden waren Freiwillige, ein Ausschlusskriterium wurde nachträglich festgelegt, und die Studie kann nicht sagen, welche der 33 Interventionstypen die Wirkung trägt.
Was ist passiert?
Die meisten Studien zu generativer KI im Unterricht prüfen ein Werkzeug: einen Tutor, einen Chatbot, eine Plattform, die Forschende oder Anbieter entworfen haben. Die neue Arbeit — Erstautor Jun Li, University of Michigan, mit Koautorinnen und Koautoren unter anderem von Northwestern, Cornell, Georgetown, Penn, Ohio State, Carnegie Mellon, Yale, Purdue und der University of Hong Kong — dreht das Verfahren um. Die Forschenden schrieben keine Pädagogik vor, sondern luden Lehrende ein, für ihre eigenen Kurse KI-Anwendungen zu entwerfen, und stellten technische Hilfe und eine Austauschplattform bereit. Vor jedem Semester wurden die teilnehmenden Klassen nach Fach und Niveau gruppiert und per Zufall entweder sofort oder mit einem Semester Verzögerung in die Umsetzung geschickt. Die Klassen mit Verzögerung bildeten die Kontrollgruppe.
Herausgekommen sind 33 Typen von Interventionen mit sieben pädagogischen Funktionen, im Mittel drei pro Klasse: KI-Werkzeuge zur Kursnavigation in 25 Klassen, individuelle Coaching-Agenten mit sokratischen Fragen in 19, Tutoren für Übung, Prüfungsvorbereitung und formatives Feedback in 18, interaktive Simulationen und Rollenspiele mit Interessengruppen in je acht, Reflexionsaufgaben zur persönlichen Relevanz in sechs, KI-Kompetenz in fünf. Die Kurse waren überwiegend angewandte MINT-Fächer — Statistik, Wahrscheinlichkeit, maschinelles Lernen, Optimierung, Regression, Entscheidungsanalyse — mit Anwendungen in Wirtschaft, Gesundheitswesen, Lieferketten und Finanzen. Gemessen wurde Lernen an „KI-sicheren“ Prüfungen, meist beaufsichtigten Klausuren auf Papier, deren unbereinigte Punktzahlen innerhalb jeder Klasse standardisiert und mit 67 historischen Kursdurchläufen verglichen wurden; Engagement an Anwesenheit, Beteiligung, Abgaben und Logins ins Lernsystem; Zufriedenheit an den Kursevaluationen.
Das Ergebnis: Auf Studierendenebene lagen die Behandlungsklassen in den Prüfungen um 0,32 Standardabweichungen vorn (Standardfehler 0,13, p = 0,019), auf Klassenebene um 0,26 (p = 0,038); drei verschiedene Schätzverfahren kamen auf ähnliche Werte. Beim Engagement fanden die Autoren keinen Unterschied (−0,07 Standardabweichungen, p = 0,60), bei der Zufriedenheit ebenfalls nicht (−0,11, p = 0,29). Die Zahl der Studierenden in der Lernauswertung lag bei 4.768 in 44 Klassendurchläufen; die durchschnittliche Einwilligungsquote betrug 79,4 Prozent. Die Studie ist nach Angaben der Autoren vorregistriert; der Preprint liegt seit dem 14. November auf arXiv und ist nicht begutachtet.
Die Zahlen
Einordnung
Die Studie trifft auf eine Evidenzlage, die gerade erst Konturen bekommt — und die bisher eher ernüchternd war. Ein KI-Tutor an der University of Maryland führte im Experiment zu schlechteren Noten, die zweite Eedi-Studie mit Google DeepMind fand im Test keinen Effekt, und Stanfords SCALE-Bilanz von vergangener Woche zog aus 52 belastbaren Studien den vorsichtigen Schluss, KI helfe eher, wenn sie erklärt statt erledigt. Genau hier setzt die neue Arbeit an: Die meisten der 25 interviewten Lehrenden hatten ihre Werkzeuge so gebaut, dass Studierende erst einen Lösungsversuch und eine Begründung liefern müssen, bevor sie eine Antwort bekommen. Die Autoren nennen als „zentralen Unterschied“ ihrer Studie, dass die KI „von der Front“ aus gestaltet wurde — von denen, die den Kurs unterrichten, nicht von einer Plattform oder einer Hochschulleitung.
Die Effektstärke ist im Bildungsbereich beachtlich: Die Autoren selbst setzen sie gegen einen Median von 0,10 Standardabweichungen bei Interventionen von der Vorschule bis zur zwölften Klasse und gegen einen Mittelwert von 0,47 für aktives Lernen im MINT-Grundstudium. Zugleich erklärt das Design, was die Studie nicht vergleicht: nicht „KI gegen keine KI“ und nicht „von Lehrenden entworfene KI gegen ChatGPT“, sondern „jetzt einführen gegen ein Semester später einführen“. Ob die Studierenden der Kontrollklassen in der Zwischenzeit öffentliche Chatbots nutzten, geht aus dem Text nicht hervor; plausibel ist es. Der gemessene Vorteil ist also der Vorsprung eines gestalteten KI-Angebots gegenüber dem Normalzustand des Jahres 2025, in dem KI ohnehin auf jedem Laptop lag. Das macht den Befund nicht kleiner, aber präziser: Nicht die Verfügbarkeit von KI hob die Prüfungsergebnisse, sondern ihre Einbettung in den Kurs.
„Der zentrale Unterschied unserer Studie ist der Einsatz von KI, die von der Front aus gestaltet wird.“ — Jun Li et al., Diskussion des Preprints, arXiv 2611.19099, 14.11.2026 (übersetzt)
Was bleibt offen?
Erstens: Der Status. Ein Preprint ist kein begutachteter Aufsatz; die Vorregistrierung schützt vor nachträglichem Umdeuten der Hypothesen, nicht vor Fehlern in der Analyse. Die Autoren räumen selbst ein, dass eines ihrer Ausschlusskriterien — zehn Klassendurchläufe, deren Prüfungen KI-Hilfe nicht nachweisbar ausschlossen — nicht vorregistriert war. Robust ist der Befund erst, wenn er ein Begutachtungsverfahren überstanden hat und die Zahlen mit und ohne diesen Ausschluss offenliegen.
Zweitens: Die Auswahl. Teilgenommen haben Lehrende, die freiwillig ein Jahr lang KI-Werkzeuge entwerfen wollten — eine Gruppe, die motivierter und technikaffiner sein dürfte als der Durchschnitt eines Lehrkörpers. Was die Studie misst, ist der Effekt in den Händen solcher Lehrender; ob er sich auf eine Fakultät übertragen lässt, in der die Hälfte der Dozierenden das Werkzeug pflichtschuldig einrichtet, ist eine andere Frage. Die Interviews deuten das an: 13 der 25 Lehrenden berichteten von sehr ungleicher Nutzung — „manche nutzten es viel, der Rest einmal“.
Drittens: Die Reichweite. Die Kurse waren überwiegend angewandte MINT-Fächer an Hochschulen; die Autoren sagen ausdrücklich, dass Effekte in anderen Disziplinen und Bildungsstufen zu prüfen bleiben. Ob derselbe Ansatz in einem Geschichtsseminar oder einer neunten Klasse trägt, ist offen — die ernüchternden Befunde aus Schulen stammen aus einer anderen Welt als die hier gemessenen Statistikklausuren.
Viertens: Der Mechanismus und die Kosten. Die Studie kann nicht sagen, welche der 33 Interventionstypen wirkt; dafür fehlt ihr die statistische Kraft. Und sie nennt nichts zu den Kosten — weder für die Plattform noch für die Arbeitszeit der Lehrenden, die ihre Werkzeuge entwarfen und über ein Jahr lang nachjustierten. Für die Frage, ob „von der Front aus gestaltete KI“ ein skalierbares Modell oder ein aufwendiges Experiment ist, wäre das die wichtigste Zahl.
Original-Quellen
Preprint auf arXiv: arxiv.org/abs/2611.19099 · Volltext (HTML): arxiv.org/html/2611.19099v1
Quellen
- Jun Li et al. (52 Autorinnen und Autoren, University of Michigan u. a.) — Instructor-designed AI improves learning in a randomized trial across 19 universities, Preprint, arXiv 2611.19099 v1, eingereicht 14.11.2026: arxiv.org
- dieselben — Volltext des Preprints (HTML-Fassung, Methoden, Ergebnisse, Diskussion), 14.11.2026: arxiv.org
- The Interpretant (Michael Amicangelo) — The AI That Worked Was Designed by Teachers, 17.11.2026: michaelamicangelo.substack.com
- ArXivSignals — Instructor-designed AI improves learning in a randomized trial across 19 universities, Zusammenfassung mit Kennzahlen, 17.11.2026: arxivsignals.io
- The Currency Analytics (Bruce Buterin) — AI tools yield 0.32 standard deviation gain in STEM exams, 20.11.2026: thecurrencyanalytics.com
← Alle Entwicklungen im Bereich← All developments in this area