Eedi: KI-gestützte Wissensdiagnostik und adaptive Lernpfade im Mathe-Unterricht

Schülerinnen und Schüler haben im Mathematikunterricht häufig konkrete Fehlvorstellungen – etwa die Verwechslung von Faktoren und Vielfachen –, die Lehrkräfte im Klassenverband schwer einzeln identifizieren können. Craig Barton, Mitgründer von Eedi und Director of Education, beschreibt das Problem aus seiner Zeit als Mathematiklehrer: „Früher haben Schüler Aufgaben entweder richtig gelöst, was in Ordnung ist, oder falsch – und dann musste ich Detektivarbeit leisten, um herauszufinden, wo sie falsch lagen. Das geht mit einem einzelnen Schüler, aber bei 30 Kindern in einer Klasse ist das potenziell sehr zeitaufwendig." Die COVID-19-bedingten Schulunterbrechungen ab 2020 verschärften diese Diagnostiklücke zusätzlich.

Neu angemeldete Schüler auf der Eedi-Plattform absolvieren zunächst einen dynamischen Quiz aus zehn Mehrfachauswahl-Diagnosefragen. Auf Basis der jeweiligen Antwort bestimmt das System die nächste Frage. Iris Hulls, Head of Operations bei Eedi, beschreibt das Prinzip: „Wir stellen eine Frage, die grob zur Altersgruppe passt, und fragen dann: Was ist die nächstbeste Frage, die wir basierend auf der vorherigen Antwort stellen können? Wir lernen so viel wie möglich über sie, um Wachstums- oder Komfortzonen vorherzusagen."

Nach dem Quiz wird jeder Schüler auf einen individuellen Lernpfad geleitet, der gezielt auf die identifizierten Fehlvorstellungen eingeht. Die 14-jährige Eithne aus Chorley, die nach pandemiebedingten Schulausfällen an dem Programm teilnahm, wurde etwa auf einen Pfad gesetzt, der Inhalte aus dem achten Schuljahr wiederholte und sie auf Geometriethemen des neunten Schuljahres vorbereitete. Ihre Einschätzung: „Es eignet sich sehr gut dazu, Schwächen und Stärken zu finden und zu verstehen, warum man in einem bestimmten Bereich vielleicht nicht so gut ist."

Parallel dazu betreibt Eedi Labs seit 2020 eine Reihe von Coding-Wettbewerben, die KI-Methoden zur Erkennung von Schüler-Fehlvorstellungen weiterentwickeln sollen. Der jüngste Wettbewerb – gemeinsam mit der Vanderbilt University und der Plattform Kaggle, unterstützt von der Gates Foundation und der Walton Family Foundation – schüttete 55.000 US-Dollar an Preisgeldern aus. Erstmals flossen dabei auch kurze schriftliche Begründungen der Schüler zu ihren Antworten in die Analyse ein.

Seit Januar 2026 besteht zudem eine strategische Partnerschaft mit dem US-amerikanischen Bildungsanbieter Imagine Learning. Eedi Labs integriert seine Diagnosetechnologie direkt in das Kernmathematik-Curriculum „Imagine IM", mit geplantem Start zum Schuljahresbeginn 2026.

Das adaptive Quiz basiert auf einem Machine-Learning-Modell, das von Forschern des Microsoft Research Lab in Cambridge entwickelt wurde. Das Modell berechnet für jede Schülerantwort die Wahrscheinlichkeit, mit der der Schüler jede der tausenden weiteren möglichen Folgefragen korrekt beantworten würde, und wählt auf dieser Grundlage die nächste Frage aus. Cheng Zhang, Principal Researcher bei Microsoft und Leiter der Modellentwicklung, erläutert: „Wenn der Schüler 3 mal 7 nicht weiß, möchten wir vielleicht 1 plus 1 fragen. Wir wollen den Quiz an die vorherige Antwort anpassen."

Grundlage des Systems sind sorgfältig konstruierte Diagnosefragen. Jede Frage hat genau eine richtige und drei falsche Antworten, wobei jede falsche Antwort eine spezifische Fehlvorstellung repräsentiert. Barton nennt fünf Kriterien für gute Diagnosefragen: Sie müssen klar und eindeutig sein, nur eine Sache prüfen, in 20 Sekunden beantwortbar sein, jede falsche Antwort mit einer Fehlvorstellung verknüpfen – und sicherstellen, dass ein Schüler die Frage nicht korrekt beantworten kann, solange er eine zentrale Fehlvorstellung hat. Letzteres bezeichnet Barton als „das schwierigste Kriterium, aber wahrscheinlich das wichtigste."

Zhang betont die Abhängigkeit des Modells von der Datenqualität: „Unsere Technologie ist lediglich ein Verstärker, der diesen hochwertigen Daten mehr Erkenntnisse entlockt." Das aktuelle KI-Tutoring-Modell von Eedi Labs arbeitet nach dem Prinzip „Human in the Loop": Automatisch generierte Nachrichten an Schüler werden vor dem Versand von menschlichen Tutoren geprüft und bei Bedarf korrigiert.

Der jüngste Coding-Wettbewerb von Eedi Labs erzielte laut dem Unternehmen eine „beeindruckende" Genauigkeit bei der Vorhersage von Schüler-Fehlvorstellungen. Konkrete Leistungskennzahlen zur Lernwirksamkeit der Plattform sind in den vorliegenden Quellen nicht belegt.

Externe Einschätzungen fallen differenziert aus. Jim Malamut, Postdoktorand an der Stanford Graduate School of Education, bezeichnet den Ansatz als nicht bahnbrechend und kritisiert die Verwendung von Mehrfachauswahl-Fragen als „vereinfachendes Format". Er argumentiert, dass aktuelle Large Language Models besser geeignet wären, Muster in offenen Schülerantworten zu erkennen – ein Ansatz, den die aktuelle Bildungsforschung unter dem Begriff „Assessment for Learning" forciert. Malamut verweist darauf, dass einige der im Wettbewerb verwendeten Fragen einem älteren Testformat entsprechen, das wenig über konzeptionelles Verständnis aussage.

Sarah Johnson, CEO von Teaching Lab, ordnet Eedi Labs dagegen positiv ein: Nützliche KI-Anwendungen im Bildungsbereich benötigten bildungsspezifische Trainingsdaten – und genau darauf konzentriere sich Eedi Labs.