Des études ont montré que l’analyse qualitative par les enseignants des obstacles conceptuels et l’identification précise des erreurs des élèves peuvent contribuer à la régulation des apprentissages en mathématiques (Demonty, 2013). Mais pour aboutir à des situations d’apprentissage réelles, il est important que les élèves aussi puissent identifier de manière précise les obstacles (les erreurs) et les stratégies pertinentes pour la réalisation des tâches (Brousseau, 1998). Ce qui n’est pas souvent le cas (Fagnant, 2013). Ainsi, un certain nombre de difficultés des élèves dans l’apprentissage en mathématiques proviennent de l’utilisation superficielle de stratégies et/ou de l’application des règles formelles à des symboles dépourvus de sens (Kaminsky et al. 2013). L’accompagnement des élèves par l’enseignant en vue de développer leurs compétences métacognitives, composées de métaconnaissances de la tâche, de soi-même en tant qu’apprenant (de ses difficultés, progrès, erreurs), de ses stratégies s’avère donc essentiel. Comme le précise Crahay (2013), aucune ingénierie didactique souhaitant susciter les apprentissages de tous les élèves ne pourrait échapper à la prise en compte des multiples mécanismes du processus d’apprentissage et les modes opératoires mis en œuvre par chaque élève et de manière générale de leur parcours d’apprentissage.
A partir de ces constats, nous avons mis en place une recherche collaborative, comportant plusieurs axes : 1). Co-construction d’un outil d’analyse et d’auto et de co-évaluation destiné aux élèves du secondaire afin de leur permettre d’identifier, d’analyser et d’autoévaluer les leurs erreurs mais aussi celles des autres élèves ; 2). Modules de formation d’enseignants sur l’analyse des erreurs en mathématiques ; 3) Expérimentation dans plusieurs classes du dispositif d’analyse des erreurs. Dans cette communication, nous présenterons les résultats concernant l’analyse des erreurs dans deux classes du secondaire 1, situées dans deux contextes différents (contexte hexagonal et contexte ultamarin français). Ainsi nous avons mis en évidence que l’utilisation de l’outil d’auto-évaluation facilite l’identification des erreurs et leur prise de conscience par les élèves mais de manière inégale. L’espace analytique des erreurs reste variable (la correction peut prendre place et remplacer le processus d’analyse) et le cadre interprétatif de celles-ci par les enseignants et les élèves est parfois divergent ce qui peut conduire à des obstacles complémentaires et à des espaces de (co, auto) régulation avec portée formatrice réduite. Il s’avère donc que l’apport de la gestion des erreurs dépend de la qualité de leur analyse, faite à la fois par les enseignants et les élèves.

Theoretischer Hintergrund

Die Einführung von Large Language Models (LLMs) wie ChatGPT stellt eine transformative Entwicklung in der MINT-Bildung dar. Während massgeschneiderte KI-Chatbots in kontrollierten Bildungskontexten neutrale bis positive Effekte auf Lernleistung und Motivation zeigen, birgt die unkontrollierte Nutzung generischer KI-Tools erhebliche Risiken für den Lernprozess, insbesondere wenn Lernende KI-generierte Inhalte unkritisch übernehmen und die KI als kognitive Krücke nutzen, anstatt sich aktiv und reflexiv mit dem Lernmaterial auseinanderzusetzen (Bastani et al., 2025; Krupp et al., 2024; Kasneci et al., 2023). Dieses Verhalten verhindert die für den Wissenserwerb notwendige kognitive Verarbeitung und führt zu oberflächlichem Lernen. Um diese negativen Effekte zu mindern und die Lernwirksamkeit KI-gestützter Lernumgebungen zu verbessern, ist ein gezielter pädagogischer Einsatz mit expliziten Leitplanken erforderlich. Entscheidende, empirisch fundierte Designprinzipien umfassen: (1) Förderung kritischer und metakognitiver Fähigkeiten durch angeleitete, aktive Auseinandersetzung mit KI-Ausgaben , (2) Implementation adaptiven, formativen Feedbacks sowie aus der Forschung zu Intelligenten Tutoriellen Systemen (ITS) bekannter effektiver Tutorstrategien und Dialogformen (Bitzenbauer, 2023; Villegas-Ch et al., 2025). Die Umsetzung dieser Prinzipien erfordert eine Abkehr von unstrukturierter, explorativer Nutzung hin zu didaktisch durchdachten Implementierungen von domänenspezifische KI-Tutoren.

Fragestellung

Welche Design- und Implementierungsbedingungen fördern lernwirksame Interaktionen mit KI-Tutoren im MINT-Unterricht der Sekundarstufe I?

Forschungsdesign und -methode

Die vorgestellte Arbeit ist Teil eines grösseren Design-Based Research Projekts mit iterativer Entwicklung unter partizipativer Einbindung von Lehrpersonen:

Phase 1 (Explorative Nutzung): Lehrpersonen setzten generische KI-Chatbots ohne explizite Rollendefinition und Promptingstrategien für Aufgabenunterstützung ein. Erkenntnisse aus Lehrpersoneninterviews (N=4) und exemplarischen Chatbot-Logs und Schüler*innenfeedback identifizierten zentrale Implementierungsherausforderungen.

Phase 2 (Einbettung in Übungsphasen): Basierend auf Phase 1 und literaturbasierten Kriterien entwickelten Lehrpersonen gemeinsam mit ICT-Fachpersonen und Bildungsforschenden KI-Tutoren für individuelle Übungsphasen im MINT-Unterricht. Die Bots erhielten explizite Rollendefinitionen (z.B. Förderung eigenständigen Denkens durch gezielte Fragen) und fachspezifische Inhalte. Schüler*innen (N=ca. 40, 12-16 Jahre, Fächer: Mathematik, Natur und Technik) erhielten eine Einführung und nutzten die Bots über 4-6 Wochen in Übungsphasen des regulären MINT-Unterrichts.

Phase 3 (Ausblick): Der co-kreative Designprozess läuft weiter. Das Ziel ist, weitere KI-Tutoren evidenzbasiert zu entwickeln und praxisnah in unterschiedlichen Lernumgebungen mit Klassen der Sekundarstufe I zu sowohl gezielt als auch explorativ testen.

Datenerhebung

Quantitativ: Schülerinnenbefragungen (N=ca. 40) zu Nutzungsverhalten, wahrgenommener Lernwirksamkeit und Motivation.

Qualitativ: Chatbot-Logs (N>150 Dialoge), Lehrpersoneninterviews (N=5).

Analyse

Qualitative Inhaltsanalyse der Chatbot-Logs nach (a) Interaktionsmustern (Dialoglänge, Antwortkomplexität), (b) kognitiver Aktivierung (Bloom's Taxonomie) und (c) Qualität der Gesprächsführung durch menschliche und KI-gestützte Kodierung. Deskriptive Statistik der Befragungsdaten. Triangulation mit Lehrpersonenperspektiven.

Resultate und deren Bedeutung

Phase 1 identifizierte drei zentrale Herausforderungen: (a) Technologische Notwendigkeit von spezifischen KI-Tutoren, da generische Chatbots unmittelbar vollständige Lösungen lieferten und zu komplexe Texte generierten, (b) Schulungsbedarf bei Schüler*innen für produktive Chatbot-Interaktion, und (c) klare pädagogische Einbettung mit definierten Lernzielen erforderlich.

In Phase 2 erfolgte die Entwicklung und Erprobung tutorieller Chatbots kollaborativ und iterativ als Antwort auf die zentralen Herausforderungen der Phase 1. Erste Auswertungen zeigen Anzeichen veränderter Interaktionsmuster: Schüler*innen stellten präzisere Fragen und führten längere Dialoge. Vorläufige Auswertungen der Befragungen deuten auf gute Akzeptanz und positiv wahrgenommene Lernunterstützung hin. Lehrpersoneninterviews weisen auf produktiveres Interaktionsmuster hin, insbesondere bei Schüler*innen mit ansonsten wenig interaktivem Lernverhalten, sowie auf allgemein erhöhte Reflexionsbereitschaft.

Die vertiefte systematische Analyse zu Interaktionsmustern, kognitiver Aktivierung und Rolleneinhaltung der Bots wird zum Tagungszeitpunkt vorliegen und präsentiert. Der Beitrag zeigt empirisch fundierte Designprinzipien für den Einsatz von KI-Tutoren im MINT-Unterricht und diskutiert produktive und unproduktive Interaktionsmuster, sowie kritische Gelingensbedingungen der partizipativen Implementation in den Unterrichtsalltag.

Aktuelle Bildungsforschung zeigt, dass die Implementierung von personalisierten KI-Chatbots traditionelle Lernansätze übertreffen kann, indem Lernenden individualisierte, interaktive Lernerfahrungen ermöglicht werden (Kasneci et al., 2023; Limo et al., 2023). Als individuelle Lernassistent*innen bieten personalisierte KI-Chatbots unmittelbaren Zugriff auf personalisiertes Feedback, kontextsensitive Erklärungen und zusätzliche Lernmaterialien (Ait Baha et al., 2024; Liang et al., 2023; Steinert et al., 2024). Empirische Studien belegen positive Effekte auf Lernleistungen (Gökçearslan et al., 2024; Wu & Yu, 2023), das situative Interesse (Lademann et al., 2025; Rücker & Becker-Genschow, 2025) sowie positiv-aktivierende Emotionen (Al-Hafdi & AlNajdi, 2024; Wu et al., 2024). Weitere Studien belegen ihr Potenzial zur Reduktion negativ-deaktivierender Emotionen (Stathakarou et al., 2020; Wu & Yu, 2023) sowie der kognitiven Belastung (Lademann et al., 2025; Martin et al., 2025).

Während das Potenzial menschlicher Rollenmodelle zur Reduktion von Geschlechterstereotypen gut belegt ist (González-Pérez et al., 2020), stellt die Erforschung der Wirksamkeit von KI-Chatbots als digitales Rollenmodell zur Reduktion von Geschlechterstereotypen eine Forschungslücke dar. Erste Studien deuten auf die Übertragbarkeit dieser Potenziale auf digitale Rollenmodelle hin (Armando et al., 2023, Plant et al., 2009).

Das Projekt ADA MINToring adressiert diese Forschungslücke, indem es die Wirksamkeit eines personalisierten KI-Chatbots namens ADA als Lernassistentin und Rollenmodell bezüglich Lernwirksamkeit und Geschlechtergerechtigkeit im MINT-Unterricht untersucht.

Die zentrale Forschungsfrage lautet: Führt der Einsatz der KI-gestützten Lernassistentin ADA im Vergleich zu traditionellen Differenzierungsmaßnahmen zu einer Verbesserung der Lernwirksamkeit und einem Abbau von fachbezogenen Geschlechterstereotypen?

In einer quasi-experimentellen, cluster-randomisierten Kontrollstudie wurden Daten von N=195 Neuntklässler*innen (91 weiblich, 104 männlich, Durchschnittsalter 14.33 (SD=0.67)) an deutschen weiterführenden Schulen erhoben. Im Rahmen von drei Regelunterrichtsstunden im Schulfach Mathematik erarbeiteten alle Schüler*innen das Heron-Verfahren auf Grundlage identischer papierbasierter Arbeitsmaterialien. Die Experimentalgruppe (EG, N_EG=102) erhielt Unterstützung vom KI-Chatbot ADA, während der Kontrollgruppe (KG, N_KG=93) Hilfekarten zur Verfügung gestellt wurden. Die Studie wurde präregistriert und ethisch validiert (Rücker & Becker-Genschow, 2024).

Neben einem Leistungstest (Griesel et al., 2007; Neubert & Benedix, 1974) erfassten validierte Erhebungsinstrumente qualitative Daten zu situativem Interesse (Potvin et al., 2023), leistungsbezogenen Emotionen (Pekrun et al., 2011), kognitiver Belastung (Klepsch et al., 2017), geschlechterstereotypen Vorstellungen (Fennema & Sherman, 1976) sowie der technologischen Akzeptanz des KI-Chatbots (Bailey et al., 2022; Ghani et al., 2019).

Die Studie liefert vier zentrale Befunde. Erstens deuten die Ergebnisse darauf hin, dass ein weiblicher KI-Chatbot als digitales Rollenmodell fungieren kann.

KI-Chatbot ADA wurde von der EG geschlechterübergreifend als nutzerfreundlich, nützlich und kompetent bewertet und ihr zukünftiger Einsatz im MINT-Unterricht wurde von den Schüler*innen der EG befürwortet. Verglichen mit der KG zeigen die Resultate ein signifikant höheres situatives Interesse in der EG für beide Geschlechter (Mann-Whitney-U-Test: beide p<.05) mit mittleren Effektstärken (Cohen’s d: d_w=.50, d_m=.52). Hinsichtlich der Lernleistung zeigten sich vielversprechende Trends zugunsten der EG für beide Geschlechter, jedoch ergab eine RM-ANOVA keinen signifikanten Interaktionseffekt zwischen Gruppe und Zeit. Auch für positiv-aktivierende sowie negativ-deaktivierende Emotionen zeigten sich vielversprechende, jedoch nicht-signifikante Trends, insbesondere für die Schülerinnen. Bezogen auf die kognitive Belastung ergab sich ein nicht-signifikanter Trend zu höheren Werten in der EG.

Besonders bemerkenswert ist die durch eine RM-ANOVA aufgezeigte signifikante Reduktion des Mathe-Gender-Stereotyps in beiden Subskalen für beide Geschlechter. Die Überzeugung, mathematische Fähigkeiten seien bei Mädchen schwächer ausgeprägt als bei Jungen, reduzierte sich (weiblich: F(1,89)=10.63, p<.01, ges=.010; männlich: F(1,102)=14.54, p<.001, ges=.017). Ebenso verringerte sich die Wahrnehmung der Mathematik als maskuline Domäne (weiblich: F(1,89) = 5.85, p<.05, ges=.008; männlich: F(1,102)=11.27, p<.01, ges=.005).

Diese Befunde liefern empirische Evidenz für das Potenzial weiblicher KI-Chatbots in einer Doppelfunktion als Lernassistentin und digitales Rollenmodell zur Förderung von Lernwirksamkeit und Geschlechtergerechtigkeit im MINT-Unterricht.