Eine KI kann sich in dir irren
Personalisierung klingt nach Passung. Doch bevor ein System seine Hilfe dosiert, muss es aus wenigen Spuren schließen, was jemand kann. Genau dort beginnt das Problem.
Eine Begleitung, die passend reagieren will, braucht irgendeine Vorstellung davon, wo der andere gerade steht. Bei Menschen entsteht diese Einschätzung aus Gespräch, Beobachtung, Rückfragen und Erfahrung. Eine KI hat andere Daten: Antworten, Klicks, Bearbeitungsspuren, vielleicht den Text eines Dialogs.
Daraus lassen sich erstaunlich brauchbare Prognosen bauen. Aber eine Prognose der nächsten richtigen Antwort ist noch kein direkter Blick auf Kompetenz. Ein Fehler kann fehlendes Wissen bedeuten – oder einen Tippfehler, ein Missverständnis oder einen neuen Teilaspekt, der bislang gar nicht vorkam. Forschung zu Learner Models zeigt deshalb eine wichtige Grenze: Das Modell des Lernenden ist eine Hypothese über den Lernenden.
Für hypnosystemisches Arbeiten ist daran besonders interessant, wie mit dieser Vorläufigkeit umgegangen wird. Ein System, das seine eigene Deutung für die Wahrheit hält, würde genau das tun, was auch in Beratung problematisch ist: aus einer Beobachtung vorschnell eine Identität machen. Eine lernförderliche KI müsste dagegen ihre Vermutung transparent halten, Unsicherheit zulassen und Widerspruch ermöglichen.
Die Vollfassung auf IT-COACH verbindet diese Frage mit Forschung zu Knowledge Tracing, LLM-Diagnostik, Kalibrierung, der schwierigen Startphase bei neuen Lernenden und offenen Lernermodellen – einschließlich eines Feldbefunds aus der Programmierausbildung, bei dem brauchbare Personalisierung noch keinen gesicherten Vorteil im selbstständigen Abschlusstest ergab.
Nächste Spur: Muss die KI mich prüfen?
Wenn ein Lernermodell nur eine vorläufige Hypothese ist, braucht es Gegenproben. Die nächste Spur fragt deshalb: „Muss die KI mich prüfen?“