Wie wirksam ist ein KI-Tutor im Unterricht wirklich?

KI-Tutor an der Dartmouth: Die Lernwirkung kommt nicht aus dem Chat

Michael Dobler

Autor Dr. Web

6. Juli 2026

4 Min. Lesezeit

Ein KI-Tutor an der Dartmouth College hat 90 Prozent der Studierenden freiwillig zum Lernstoff zurückgeholt, in einem Kurs, in dem sonst kaum jemand die Texte liest. Die gemessene Lernwirkung liegt zwischen 0,71 und 1,30 Standardabweichungen. Der genaue Blick auf die Zahlen zeigt, woher der Effekt wirklich stammt.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

Ein KI-Tutor namens Phosphor hat in einem Statistik-Kurs die Lesequote von rund 10 auf mindestens 48 Prozent gehoben. Hinter der Zahl steckt keine magische KI, sondern ein didaktisches Prinzip, das seit Jahrzehnten belegt ist. Genau diese Unterscheidung entscheidet, ob sich ein solches Werkzeug für Ihre Weiterbildung lohnt.

Das Wichtigste in Kürze

Phosphor bettet KI-benotete Freitext-Aufgaben direkt in den Lernstoff ein und wurde von 90,2 Prozent der Studierenden freiwillig genutzt.
Die volle Nutzung hängt mit 0,71 bis 1,30 Standardabweichungen besserer Klausurleistung zusammen, allerdings ohne Kontrollgruppe.
Der Lerneffekt trat nur bei Freitext-Aufgaben auf, nicht bei reinem Ankreuzen, und der KI-Chat blieb fast ungenutzt.
Für die betriebliche Weiterbildung zählt das Prinzip aktives Abfragen, nicht der Kauf eines KI-Chatbots.

Was hat der KI-Tutor im Kurs tatsächlich bewirkt?

Vokabelkarten, blauer Lautsprecher auf weißem Grund — Phosphor steigert Studentenbeteiligung: 48-76% bearbeiteten Lernstoff statt üblicher 10-15%, 90,2% nutzten das freiwillige Angebot mindestens einmal

Phosphor hat die Beteiligung am Lernstoff vervielfacht. Statt der üblichen 10 bis 15 Prozent haben zwischen 48 und 76 Prozent der Studierenden den Stoff bearbeitet, und 90,2 Prozent nutzten das freiwillige, unbenotete Angebot mindestens einmal.

Entwickelt und ausgewertet hat das Werkzeug Jonah Bard vom Dartmouth College, erprobt in drei Sektionen des Statistik-Kurses MATH 010 mit anfangs 151 Teilnehmern.^[1] Jede Lektion enthält kurze Aufgaben, die Claude Sonnet 4.6 anhand fester Bewertungskriterien benotet.

Freiwilligkeit war der Kern des Versuchs. Das Tool hat nichts ersetzt, sondern ist als optionale Alternative zur Pflichtlektüre angetreten, und trotzdem sind fast alle dabeigeblieben.

Woher kommt die Lernwirkung wirklich?

Nicht aus dem KI-Chat, sondern aus dem aktiven Abfragen. Der Zusammenhang zwischen Nutzung und Note besteht nur bei Freitext-Aufgaben, reine Ankreuz-Quizze haben keinen messbaren Lerneffekt gebracht. Der eingebaute KI-Chatassistent kam im ganzen Semester auf ganze 72 Anfragen.

Im mittleren Kursmodul hat Bard die Freitext-Aufgaben testweise durch reines Ankreuzen ersetzt. Damit ist der Zusammenhang zwischen Nutzung und Ergebnis verschwunden, obwohl die Beteiligung sogar gestiegen ist. Nach der Rückkehr zu Freitext im dritten Modul ist auch der Effekt zurückgekehrt.

Aktives Abrufen festigt Wissen stärker als bloßes Wiedererkennen, ein in der Lernforschung gut belegter Testing-Effekt. Der eigentliche Beitrag der KI liegt damit nicht im Gespräch, sondern im Benoten Tausender Freitextantworten nach festen Kriterien, was in dieser Menge sonst kaum machbar wäre.

Die Schlagzeile feiert den KI-Tutor, die Daten feiern das aktive Abfragen. Für die Weiterbildung heißt das: in gute Didaktik investieren, nicht in den nächsten Chatbot.
— Markus Seyfferth, Chefredakteur Dr. Web

KI-Tutor an der Dartmouth: die Zahlen hinter dem Effekt

Pilotstudie mit 143 Studierenden im Statistik-Kurs MATH 010, Frühjahr 2026.

90,2 %

nutzten das Tool freiwillig

gegenüber 10 bis 15 % üblicher Lesequote im Kurs

0,71–1,30

Standardabweichungen mehr

in der Klausur, allerdings korrelativ, ohne Kontrollgruppe

Anfragen an den KI-Chat

im ganzen Semester, der Chat blieb fast ungenutzt

Freitext-Aufgaben

Mehr Übung hing klar mit besseren Klausurnoten zusammen. Aktives Formulieren zahlt sich aus.

Reines Ankreuzen

Trotz höherer Beteiligung kein messbarer Lerneffekt. Wiedererkennen genügt nicht.

Was bedeutet das für die Weiterbildung im DACH-Raum?

Der Effekt ist eindrucksvoll, aber korrelativ und nicht bewiesen. Ohne Kontrollgruppe bleibt offen, wie viel die motivierten Vielnutzer ohnehin geleistet hätten. Übertragbar ist nicht das Produkt, sondern das Prinzip: aktives, rückmeldungsgestütztes Abfragen.

Neu ist der Befund nicht. Benjamin Blooms berühmtes 2-Sigma-Problem von 1984 hat gezeigt, dass Einzelunterricht mit sofortiger Rückmeldung Lernende um rund zwei Standardabweichungen nach vorn bringt. Eine randomisierte Studie mit knapp 1.000 Lernenden hat zugleich gezeigt, dass freier Zugang zu einem allgemeinen KI-Modell die spätere Leistung um 17 Prozent verschlechtert hat, sobald das Werkzeug wegfiel.

Diese Lücke zwischen gefühltem und echtem Nutzen zieht sich durch die aktuelle KI-Berichterstattung, von der Produktivität in der Softwareentwicklung bis zu den Kosten, wegen derer erste Konzerne den KI-Zugang wieder einschränken. Auch der Vergleich, ob KI-Agenten Entwickler schlagen, lebt von derselben Frage nach dem messbaren Ergebnis.

Rechtlich kommt für deutsche Hochschulen und Weiterbildungsanbieter ein Punkt hinzu. Sobald ein Sprachmodell Prüfungsleistungen benotet, fällt der Einsatz unter die Hochrisiko-Kategorie des EU AI Act, und die menschliche Aufsicht über die Bewertung bleibt Pflicht.

Konkret bedeutet das für Ihre Weiterbildung zweierlei. Bauen Sie aktives Abfragen mit Freitextantworten ein, statt auf reines Ankreuzen zu setzen. Und messen Sie den Nutzen an echten Prüfungsergebnissen, nicht an der Zufriedenheit im Fragebogen.