KI-Tutoren korrigieren so gut wie Lehrer, aber die Mathenote bleibt gleich

Nach einem Fehler lösten Schüler mit KI-Hilfe deutlich öfter die nächste Aufgabe richtig, so gut wie mit einem menschlichen Tutor. Im Mathetest nach zehn Wochen sieht man davon nichts.

Es ist die Sorte Ergebnis, die jede KI-Präsentation liebt: 43 Prozent richtige Antworten ohne Tutor, 56 bis 58 Prozent mit. Und es ist die Sorte Ergebnis, die man nicht zu früh feiern sollte. Denn die Studie, die Eedi und Google DeepMind veröffentlicht haben, zeigt zweierlei: Ein KI-Tutor ist beim Korrigieren ebenso gut wie ein Mensch. Besser in der Prüfung sind die Schüler trotzdem nicht geworden.

Die Zahl, die jedem Vertrieb gefällt

Eedi, eine britische Mathe-Lernplattform, hat mit Google DeepMind eine randomisierte kontrollierte Studie gemacht. Beteiligt waren laut Eedi 1.179 Schüler an zehn staatlichen Schulen im Vereinigten Königreich, die Intervention lief über zehn Unterrichtswochen. Bei jeder falschen Antwort bekam ein Schüler zufällig eine von vier Hilfen: Standardinhalte, einen menschlichen Tutor im Live-Chat oder eine von zwei KI-Varianten, einmal nur mit Kontext zur Frage, einmal mit zusätzlicher Lernhistorie.

Hilfe nach einem Fehler	Folgeaufgabe richtig gelöst	Standardisierter Mathetest nach zehn Wochen
Standardinhalte (statisch)	43 %	Referenzgruppe
Menschlicher Tutor	56 bis 58 % *	leicht unter der Referenz, Zufall möglich
KI-Tutor, Frage-Kontext	56 bis 58 % *	ähnlich wie die Referenz
KI-Tutor, mit Lernhistorie	56 bis 58 % *	ähnlich wie die Referenz, kein spürbarer Zusatznutzen

*Die Berichte nennen die Spanne gemeinsam für KI- und menschliches Tutoring, einen klaren Unterschied zwischen beiden gab es nicht. Quellen: Eedi, The 74.

Und dann kam der Mathetest

Für den standardisierten Test namens Star Maths wertete Eedi die 916 Schüler aus, die beide Testzeitpunkte absolviert hatten. Ergebnis: Die KI-Gruppen lagen ähnlich wie die Gruppe mit Standardhilfe. Die Gruppe mit menschlichen Tutoren lag laut Eedi leicht darunter, der Unterschied könnte Zufall sein. The 74 berichtet zudem, dass Leistungsschwächere mit menschlichen Tutoren schlechter abschnitten als vergleichbare Schüler ohne Tutor.

Die Forscher bremsen selbst. Zehn Wochen seien kurz, breite Tests wie Star Maths zeigten Effekte oft erst nach einem Jahr oder länger und Eedi hält mindestens ein volles Schuljahr für nötig, bevor man die Ergebnisse breit nutzt. Der Befund heißt also nicht „KI bringt nichts“, sondern: nach zehn Wochen nicht messbar.

Die KI lief nicht allein

Die Überschrift „KI so gut wie Lehrer“ hat einen Haken, der im Studiendesign steckt. Jede KI-Nachricht wurde laut Eedi vor dem Versand von einem menschlichen Tutor geprüft. 94,7 Prozent der Entwürfe gingen unverändert durch, etwa jeder zwanzigste wurde überarbeitet oder neu geschrieben. Im Vorjahr musste laut The 74 noch etwa ein Viertel überarbeitet werden. Dazu passt der Pilot von 2025 mit 165 Schülern, der auf arXiv veröffentlicht ist: Dort gingen rund drei Viertel der Entwürfe unverändert durch.

Fehler gab es trotzdem. Elf KI-Nachrichten enthielten eine falsche mathematische Aussage, vier wurden gestoppt, sieben erreichten Schüler. Bei den menschlichen Tutoren fanden die Forscher ebenfalls sieben echte Mathefehler. Die Eedi-Verantwortliche Bibi Groot räumt laut The 74 ein, dass menschliche Aufsicht teuer und nicht skalierbar ist. Deshalb läuft seit September ein Test mit über 15.000 Schülern, bei dem die KI direkt mit den Schülern schreibt und Menschen nur noch gezielt eingreifen.

Jungen, Mädchen und eine unbequeme Nebenwirkung

Auffällig ist der Geschlechterunterschied. Mädchen profitierten leicht von beiden Tutoring-Formen, Jungen schnitten schlechter ab, besonders mit menschlichen Tutoren. Die Forscher vermuten laut The 74 und Joanne Jacobs, dass ein Gespräch nach jedem Fehler als Versagenssignal wirken kann. Eedi weist darauf hin, dass der Befund vorläufig und explorativ ist, die Konfidenzintervalle sind breit.

Business Punk Check

Die Studie führt vor, wie leicht man sich mit der falschen Kennzahl selbst überzeugt. „Folgeaufgabe richtig gelöst“ ist ein sauberer Zwischenwert, der KI gut aussehen lässt. Das eigentliche Ziel, bessere Leistung im Test, bleibt bislang aus. Dazu kommt, dass der Gleichstand mit dem Menschen nur mit Menschen im Hintergrund erreicht wurde.

Auf einen Blick

• In einer randomisierten Studie von Eedi und Google DeepMind mit 1.179 Schülern an zehn britischen Schulen lösten Schüler nach KI- oder menschlicher Nachhilfe 56 bis 58 Prozent der Folgeaufgaben richtig, nach Standardinhalten 43 Prozent.
• Im standardisierten Mathetest nach zehn Wochen zeigte sich bei den KI-Gruppen kein Vorteil gegenüber der Standardhilfe, Eedi hält mindestens ein volles Schuljahr für nötig.
• Jede KI-Nachricht wurde vor dem Versand von einem Tutor geprüft, 94,7 Prozent gingen unverändert durch, elf enthielten Mathefehler, sieben davon erreichten Schüler.
• Mädchen profitierten leicht, Jungen schnitten schlechter ab, die Befunde sind vorläufig, eine Folgestudie mit über 15.000 Schülern läuft seit September.

Quellen: Eedi, The 74, Joanne Jacobs, arXiv, KI-unterstützt