The rapid adoption of Large Language Models (LLMs) in education offers new opportuni-
ties to support student learning, while also raising critical concerns about how AI tutors can
be aligned to foster durable learning gains (Kasneci et al. 2023). Unlike professional users of
conversational agents, learners cannot be expected to monitor or correct whether an AI consis-
tently maintains a high-quality pedagogical role. General-purpose systems such as ChatGPT,
which rely on user initiative and precise prompting, are prone to factual inaccuracies and role
drift, making them only partially suitable as tutors (Bastani et al. 2025). An Intelligent Tu-
toring System (ITS) must therefore sustain its pedagogical framing autonomously through a
reliability-oriented architecture that secures the educational context independently of learners’
input discipline.
This raises the research question: How should such an ITS be designed to support stu-
dents’ learning? To contribute to this question, this paper introduces AIDu, a concept for
an exploratory, self-directed AI tutoring system for upper secondary education, grounded in
epistemic AI-tutoring. In contrast to broadly labeled Socratic tutors that scaffold learning with
hint-like questions toward predefined answers - potentially limiting deeper learning - AIDu aims
to foster epistemic engagement. It provides open-ended, non-directive feedback that promotes
exploration, hypothesis generation, and reflection, rather than steering learners along a fixed
solution path.
We outline AIDu’s design principles, present a prototype, and report findings from two
trials. As LLMs perform most reliably when context is concretely defined, we embedded AI
dialogues in authentic, virtual learning environments such as interactive applets. This strategy
addresses role drift and hallucinations while combining subject-specific structures with active,
self-directed engagement and cognitively activating processes (Kaldaras et al. 2024).
An exploratory study with 8 students and a subsequent larger study with 117 students
provided usability feedback via structured polls, complemented in the second iteration by
qualitative discourse analysis of 38 student-AI dialogues. Results indicate that epistemic AI-
tutoring, when embedded in authentic environments, helps stabilize tutor roles and supports
reflective, self-directed learning in secondary schools.
References
Bastani, Hamsa et al. (2025), “Generative AI without guardrails can harm learning: Evidence
from high school mathematics,” in: Proceedings of the National Academy of Sciences 122.26,
e2422633122.
Kaldaras, Leonora et al. (2024), “Employing technology-enhanced feedback and scaffolding to sup-
port the development of deep science understanding using computer simulations,” in: International
Journal of STEM Education 11.1, 30, issn: 2196-7822.
Kasneci, Enkelejda et al. (2023), “ChatGPT for good? On opportunities and challenges of large
language models for education,” in: Learning and Individual Differences 103, 102274.
Puntambekar, Sadhana and Roland Hubscher (2005), “Tools for scaffolding students in a complex
learning environment:

Die zunehmende Integration von Künstlicher Intelligenz (KI) in schulische Lernumgebungen hat sowohl das pädagogische Potenzial als auch die Herausforderungen dieser Technologien in den Mittelpunkt aktueller Forschungsdiskurse gerückt (Kasneci et al., 2023; Schönmann & Uhl, 2023). Während Intelligente Tutorielle Systeme (ITS) seit Jahren im Hinblick auf adaptives Lernen und Personalisierung untersucht werden (Lin et al., 2023; Mousavinasab et al., 2021), existieren bislang nur wenige empirische Befunde zur Nutzung generativer KI in der Sekundarstufe, insbesondere im deutschsprachigen Raum (BMBWF, 2024; Helm et al., 2024). Vor diesem Hintergrund zielt meine Pilotstudie darauf ab, erste Einblicke in den Einsatz von Microsoft Copilot als Lernbegleitung im Englischunterricht zu gewinnen.

Die Studie wurde mit 38 Schülerinnen und Schülern der 8. Schulstufe in zwei Klassen durchgeführt. Im Fokus stand der Erwerb einer neuen grammatikalischen Struktur (Past Perfect), die den Lernenden zuvor nicht im Unterricht vermittelt worden war. Zur Untersuchung wurden Vor- und Nachtests eingesetzt, ergänzt durch Skalen zu Lernregulation, Medien- und Fachkompetenz sowie subjektiver Belastung. Zusätzlich wurden die von den Lernenden verwendeten Prompts und ihre Interaktionen mit der KI dokumentiert und analysiert, um deren Qualität und Funktionalität einzuschätzen.

Die Pilotstudie ist explorativ angelegt und verfolgt folgende Forschungsfragen:

1. Wie gestalten Schülerinnen und Schüler den Lernprozess mit einer generativen KI, wenn sie ohne spezifische Instruktionen mit einer neuen grammatikalischen Struktur konfrontiert werden?
2. Welcher Lernzuwachs kann durch den Einsatz Künstlicher Intelligenz als Lernbegleitung erzielt werden?
3. Welche Herausforderungen und Belastungen nehmen Lernende im Umgang mit KI im Unterrichtskontext wahr?

Die Ergebnisse der Pilotstudie werden im Vortrag vorgestellt und im Kontext bestehender Forschung zu ITS und KI im Bildungsbereich diskutiert (Adeshola & Adepoju, 2023; Farhi et al., 2023). Ziel ist es Forschungsperspektiven aufzuzeigen, die durch die Pilotstudie eröffnet werden, etwa zur Identifikation zentraler Gelingensbedingungen, zur Spezifizierung von Anforderungen an Lernende und Lehrkräfte sowie zur Weiterentwicklung künftiger Forschungsdesigns im schulischen Kontext.