KI-Feedback im Matheunterricht: Der nächste Versuch zählt

Eine falsche Antwort ist didaktisch noch keine Sackgasse. Sie kann zeigen, an welcher Stelle ein Denkweg abgebogen ist. Genau dort könnte KI-gestütztes Feedback nützlich werden: nicht als automatische Lösungsmaschine, sondern als eng begrenzter Hinweis für einen zweiten eigenen Versuch.

Eine aktuelle Originalstudie von Worden und Kolleg:innen untersucht diese Idee in der Mittelstufen-Mathematik. Ihre Ergebnisse sind bemerkenswert. Ebenso wichtig sind jedoch die Grenzen: Untersucht wurde weder ein frei zugänglicher Chatbot noch langfristiges Lernen.

Was untersucht wurde

Das Forschungsteam führte zwei randomisierte kontrollierte Studien durch. Zusammen umfassten sie 21’478 Lernende und 572 Mathematikaufgaben. In der ersten Studie wurde KI-generiertes Feedback mit der üblichen Rückmeldung verglichen, ob eine Antwort richtig oder falsch war. In der zweiten Studie stand das KI-Feedback Rückmeldungen gegenüber, die erfahrene Lehrpersonen geschrieben hatten.

Die Intervention war deutlich enger als ein Chatfenster, in das Lernende beliebige Fragen eingeben. Eine automatisierte Pipeline erzeugte Rückmeldungen für 3’862 häufige falsche Antworten. Zwei erfahrene Pädagog:innen wirkten über mehrere Runden an Design und Prompt-Iteration mit. Das Screening der Meldungen im Massstab erfolgte automatisiert; zusätzlich prüften die Pädagog:innen eine Zufallsstichprobe von 100 Meldungen. Es gab also keine menschliche Vollprüfung aller 3’862 Rückmeldungen. Getestet wurde dennoch eine vorbereitete Feedback-Struktur, nicht spontanes Chatbot-Verhalten.

Originalstudie von Worden et al. (2026)

Was die Zahlen bedeuten

In der ersten Studie lagen die Odds einer unmittelbaren Korrektur mit KI-Feedback 16 Prozent höher als mit reinem Richtig/Falsch-Feedback: Odds Ratio 1.16, 95-%-Konfidenzintervall 1.12–1.19. Bei der folgenden Aufgabe lagen die Odds 7 Prozent höher: Odds Ratio 1.07, 95-%-Konfidenzintervall 1.02–1.13.

Odds sind nicht dasselbe wie Prozentpunkte oder Wahrscheinlichkeiten. Die Ergebnisse bedeuten deshalb weder, dass 16 Prozentpunkte mehr Lernende korrigierten, noch einen allgemeinen Zuwachs der Mathematikleistung. Gemessen wurden zwei kurzfristige, aufgabennahe Ereignisse: die Korrektur der aktuellen Antwort und der Erfolg bei der nächsten Aufgabe.

Die Studie untersuchte das Vorwissen zusätzlich in einer post-hoc Analyse. Für die unmittelbare Korrektur zeigte sich dabei kein gruppenspezifischer Effekt. Bei der Folgeaufgabe fand die nachträgliche Analyse den Vorteil nur bei Lernenden mit niedrigem Vorwissen – definiert als null oder eine richtige Antwort in den fünf vorangehenden Aufgaben. Diese Differenzierung ist ein post-hoc Befund und muss als solcher gelesen werden.

In der zweiten Studie unterschieden sich die gemessenen kurzfristigen Outcomes von KI-generiertem und fachpersonenverfasstem Feedback nicht erkennbar. Daraus folgt weder eine strikte Gleichwertigkeit noch, dass Lehrpersonen ersetzbar wären. Die Studie vergleicht einzelne Rückmeldungen in einem bestimmten System, nicht die diagnostische und pädagogische Arbeit einer Lehrperson insgesamt.

Nicht mit einem freien Chatbot verwechseln

Der zentrale Unterschied liegt in der Vorbereitung. Die untersuchten Hinweise waren häufigen Fehlantworten zugeordnet. Pädagog:innen prägten Design und Prompt-Iteration, das Screening im Massstab lief automatisiert, und eine Zufallsstichprobe von 100 Meldungen wurde menschlich geprüft. Das ist etwas anderes, als Lernende ihre vollständigen Lösungen an einen offenen Chatbot senden zu lassen und auf eine passende Diagnose zu hoffen.

Für den Unterricht ergibt sich daraus keine automatische Produkteempfehlung. Es ergibt sich eine Gestaltungsfrage: Welche Fehlvorstellung soll die Rückmeldung sichtbar machen, ohne die Rechnung vorwegzunehmen? Als didaktischen Praxisvorschlag kann eine Rückmeldung einen Denkfehler fokussieren, eine begrenzte Frage stellen und danach einen neuen eigenen Versuch verlangen. Dieses Dreischritt-Modell ist eine redaktionelle Ableitung, kein separat getesteter Studieneffekt.

Ein konkretes Unterrichtsbeispiel

Eine Sek-I-Klasse bearbeitet die Aufgabe: «Ein Velo kostet nach 20 Prozent Rabatt noch 96 Franken. Wie hoch war der ursprüngliche Preis? Begründe mit Rechnung und Satz.»

Zuerst arbeiten alle sechs Minuten ohne KI. Die Lehrperson sammelt anschliessend typische Denkfehler, beispielsweise «96 durch 20 rechnen» oder «20 Prozent von 96 abziehen». Noch erscheint keine Musterlösung.

Für den zweiten Schritt erhält eine Lerngruppe eine vorab fachlich geprüfte Frage: «96 Franken entsprechen nach dem Rabatt welchem Anteil des ursprünglichen Preises: 20, 80 oder 120 Prozent? Zeichne zuerst einen Balken mit diesem Anteil.» Die Frage nennt das Ergebnis nicht. Sie lenkt die Aufmerksamkeit auf die falsche Bezugsgrösse. Eine KI könnte Varianten solcher bereits begrenzten Hinweise vorbereiten; die Verantwortung für Fehlertyp, Hinweistiefe und Prüfung bleibt bei der Lehrperson.

Danach rechnen die Lernenden erneut und markieren, was sie am Denkweg geändert haben. Zum Abschluss folgt ohne KI: «Ein Preis sinkt um 25 Prozent auf 90 Franken. Erkläre, warum du nicht 90 durch 25 rechnest.» Dieser Exit ist eine didaktische Kontrollentscheidung. Die Studie selbst liefert keinen Nachweis für einen solchen verzögerten oder fachübergreifenden Transfer.

Die Grenze des Befunds

Die Untersuchung betrifft Mathematik in der Mittelstufe. Sie belegt kein langfristiges Behalten, keine Wirkung in anderen Fächern und keine zuverlässige Diagnose offener Antworten durch beliebige Chatbots. Auch Motivation, Kosten, Datenschutz und die Übertragung auf den Schweizer Sek-I-Kontext werden durch die berichteten Resultate nicht geklärt.

Deshalb ist die stärkste Konsequenz bescheiden: KI-Feedback sollte nicht daran gemessen werden, wie schnell es eine korrekte Lösung produziert. Entscheidend ist, ob ein fachlich geprüfter Hinweis eine konkrete Fehlvorstellung bearbeitbar macht – und ob Lernende den nächsten Schritt wieder selbst gehen.

Mehr Unterrichtseinordnungen auf digitalespausenbrot.ch und im Blog.

Quellen

• Worden, E. et al. (2026). A Large Scale Randomized Control Trial Showing LLM Generated Feedback Helps Low-Knowledge Middle School Math Students with Short-Term Learning. Proceedings of the Thirteenth ACM Conference on Learning @ Scale, 361–372.
• ACM Learning @ Scale 2026: Programm- und Autorenbestätigung.

Grenzen

• Kurzfristige, aufgabennahe Outcomes statt Langzeit-, Behaltens- oder fachübergreifender Transfermasse.
• Mittelstufen-Mathematik; Übertragbarkeit auf Schweizer Sek I, andere Fächer, offene Aufgaben und heterogene Sprachgruppen ist nicht belegt.
• Kontrollierte, fehlerbezogene Feedback-Pipeline; keine Evidenz für unkontrollierte Freitext-Chatbots.
• Zwei Pädagog:innen wirkten an Design und Prompt-Iteration mit und prüften eine Zufallsstichprobe von 100 Meldungen; das Screening im Massstab war automatisiert, nicht eine menschliche Vollprüfung aller 3’862 Meldungen.
• Die Vorwissensgruppenanalyse war post-hoc; der gruppenspezifische Befund betraf die Folgeaufgabe, nicht die unmittelbare Korrektur.
• Kein erkennbarer Unterschied zu fachpersonenverfasstem Feedback ist kein Beweis strikter Gleichwertigkeit und keine Aussage zur Ersetzbarkeit von Lehrpersonen.