Einleitung
Stellen Sie sich vor, Sie melden sich für einen Online-Kurs an, klicken durch 40 Folien, bestehen ein Quiz, dessen Antworten Sie gegoogelt haben, und erhalten ein Zertifikat. Haben Sie tatsächlich etwas gelernt? Diese Situation beschreibt die Realität der meisten Online-Lernplattformen heute. Sie verfolgen Klicks, nicht das Verständnis. Sie messen den Abschluss, nicht die Fähigkeit.
Die gute Nachricht ist, dass künstliche Intelligenz es ermöglicht, Lernsysteme zu entwickeln, die sich tatsächlich an jede Person anpassen. Systeme, die wissen, was Sie bereits verstanden haben, identifizieren, wo Sie Schwierigkeiten haben, und Sie auf dem Weg zur Meisterschaft begleiten, anstatt nur bis zur Ziellinie zu führen.
In diesem Tutorial lernen Sie, wie Sie ein KI-gestütztes Lernmanagementsystem (LMS) von Grund auf neu erstellen. Wir verwenden kostenlose, Open-Source-Tools – keine teuren API-Abonnements erforderlich. Am Ende werden Sie ein funktionierendes System mit vier intelligenten Funktionen haben:
- Ein Lernpfad, der sich an jeden Lernenden anpasst
- Quizzes, die von KI frisch generiert werden
- Ein Live-Chat-Tutor, der von einem lokalen Sprachmodell unterstützt wird
- Ein Dashboard, das den tatsächlichen Fortschritt verfolgt
Sie können das vollständige Projekt-Repository hier klonen und vergessen Sie nicht, ihm einen Stern zu geben!
Was ist ein KI-gestütztes LMS?
Ein Lernmanagementsystem (LMS) ist eine Software, die Bildungsinhalte bereitstellt, verwaltet und verfolgt. Traditionelle Beispiele sind Moodle, Canvas und Blackboard.
Ein KI-gestütztes LMS geht einen Schritt weiter. Anstatt jedem Lernenden denselben Inhalt in derselben Reihenfolge zu zeigen, nutzt es künstliche Intelligenz, um:
- Die Lernsequenz basierend auf dem Wissen des Lernenden zu personalisieren
- Bewertungen dynamisch zu generieren, anstatt aus einem festen Fragenpool zu schöpfen
- Fragen in einfacher Sprache durch einen konversationellen Tutor zu beantworten
- Leistungsdaten zu analysieren, um schwache Bereiche zu kennzeichnen und nächste Schritte vorzuschlagen
Betrachten Sie es als den Unterschied zwischen einem Lehrbuch und einem Privatlehrer. Das Lehrbuch gibt allen denselben Inhalt. Ein Tutor passt sich in Echtzeit an.
Warum traditionelle LMS-Plattformen versagen
Bevor wir etwas Besseres entwickeln, ist es wichtig zu verstehen, warum bestehende Plattformen Schwierigkeiten haben.
- Einheitsgröße für alle Inhalte: Die meisten LMS-Plattformen führen alle durch denselben Inhalt in derselben Reihenfolge. Ein erfahrener Entwickler, der einen Anfängerkurs in Python belegt, verschwendet Zeit mit Konzepten, die er bereits kennt. Ein kompletter Anfänger in einem Fortgeschrittenenkurs verliert sofort den Überblick.
- Statische Fragenpools: Vorgefertigte Quizfragen werden innerhalb weniger Tage nach dem Start eines Kurses online geteilt. Lernende merken sich Antworten, anstatt Konzepte zu verstehen. Die Bewertung wird bedeutungslos.
- Keine Echtzeitunterstützung: Wenn ein Lernender um 23 Uhr feststeckt, gibt es keinen Lehrer, den er fragen kann. Entweder geben sie auf oder machen weiter, ohne das Material zu verstehen, was später zu größeren Problemen führt.
- Schönheitsmetriken über echtes Lernen: Abschlussquoten sind leicht zu erhöhen. Fortschrittsbalken und Häkchen fühlen sich belohnend an, messen jedoch nicht, ob Wissen tatsächlich übertragen wurde.
Diese Probleme sind nicht geringfügig. Laut einer Studie des Research Institute of America behalten Lernende nur 8–10 % des Inhalts, der durch traditionelles E-Learning vermittelt wird. Diese Zahl steigt auf 25–60 % bei aktiven, personalisierten Lernmethoden. Unser KI-gestütztes LMS ist darauf ausgelegt, diese Lücke zu schließen.
Der verwendete Tech-Stack
Wir haben dieses System vollständig mit Open-Source-Tools entwickelt, was bedeutet, dass Sie es kostenlos auf Ihrem eigenen Computer ausführen können.
| Schicht | Tool | Zweck |
|---|---|---|
| KI-Modell | Ollama + Mistral 7B | Führt das Sprachmodell lokal aus |
| Backend | FastAPI (Python) | API-Routen und WebSocket-Tutor |
| Frontend | React | Benutzeroberfläche |
| Datenbank | In-Memory (Python dict) | Lernendenprofile und Fortschritt |
Warum Ollama?
Ollama ermöglicht es Ihnen, Open-Source-Sprachmodelle direkt auf Ihrem Computer herunterzuladen und auszuführen. Sie benötigen kein Cloud-Konto, keinen API-Schlüssel und keine Nutzungskosten. Sie ziehen einfach ein Modell und rufen es über einen lokalen HTTP-Endpunkt auf. Es unterstützt Modelle wie Mistral, LLaMA 3 und Phi-3.
Warum Mistral 7B?
Mistral 7B ist ein kleines, aber leistungsfähiges Modell, das auf den meisten modernen Laptops gut läuft. Es befolgt Anweisungen genau, produziert sauberes JSON-Output und verarbeitet konversationelle Fragen und Antworten zuverlässig – genau das, was unsere vier Module benötigen.
Warum FastAPI?
FastAPI ist ein modernes Python-Web-Framework, das für Geschwindigkeit entwickelt wurde. Es unterstützt nativ asynchrone Codes und WebSockets, was wichtig ist, um die Antworten des Live-Tutors in den Browser zu streamen.
Schritt 1: Adaptive Lernpfade
Das Problem, das es löst: Ein Anfänger und ein erfahrener Entwickler, die sich für denselben Python-Kurs anmelden, sollten nicht denselben Pfad folgen. Das adaptive Lernmodul liest das Wissensprofil jedes Lernenden und erstellt eine personalisierte Sequenz.
Wie es funktioniert
Wenn ein Lernender sein Lernziel eingibt, sendet das System einen Prompt an Mistral, der Folgendes enthält:
- Die Beherrschungswerte des Lernenden pro Thema (gespeichert aus vorherigen Quiz-Ergebnissen)
- Eine Liste aller verfügbaren Kursmodule mit ihren Schwierigkeitsgraden
- Eine Reihe von Regeln: überspringen Sie beherrschte Themen, priorisieren Sie schwache Bereiche, respektieren Sie die Schwierigkeitsreihenfolge
Mistral antwortet mit einer geordneten Liste von Modul-IDs – dem individuellen Pfad des Lernenden.
Vereinfachtes Beispiel aus main.py:
prompt = f“““
Sie sind ein Curriculum-Experte. Geben Sie ein JSON-Array von Knoten-IDs in der besten Lernreihenfolge für diesen Lernenden zurück.
Ziel: {req.goal}
Beherrschungswerte: {profile[„mastery“]}
Abgeschlossene Module: {profile[„completed“]}
Verfügbare Module: {nodes_summary}
Regeln:
– Überspringen Sie abgeschlossene Module
– Priorisieren Sie schwache Bereiche
– Reihenfolge von einfacher zu schwieriger
– Geben Sie NUR ein JSON-Array zurück, keine Erklärung.
„““
Der Pfad ist nicht festgelegt. Jedes Mal, wenn ein Lernender ein Quiz abschließt, werden seine Beherrschungswerte aktualisiert und der Pfad neu berechnet. Ein Lernender, der plötzlich gut abschneidet, erhält früher fortgeschrittenes Material. Ein Lernender, der Schwierigkeiten hat, wird zurück zu grundlegenden Inhalten geleitet.
Was der Lernende sieht
Im Tab Lernpfad geben Lernende ihr Ziel ein (z. B. „Python für Data Science lernen“) und klicken auf Pfad generieren. Innerhalb von Sekunden erscheint eine personalisierte Sequenz von Modulen, jedes mit seinem Thema, Schwierigkeitsgrad und Schaltflächen, um direkt in ein Quiz oder den KI-Tutor zu springen.
Schritt 2: KI-generierte Quizzes und Bewertungen
Das Problem, das es löst: Statische Fragenpools werden schnell veraltet. Lernende teilen Antworten, merken sich ohne Verständnis und bestehen trotzdem. KI-generierte Quizzes sind jedes Mal anders, was es unmöglich macht, sich durchzuschummeln, ohne tatsächlich zu lernen.
Wie es funktioniert
Wenn ein Lernender ein Quiz für ein Modul anfordert, ruft das Backend den Kursinhalt dieses Moduls ab und sendet ihn an Mistral mit der strengen Anweisung, ein strukturiertes JSON-Quiz zurückzugeben.
Vereinfachtes Beispiel aus main.py:
prompt = f“““
Basierend auf dem folgenden Kursinhalt generieren Sie 3 Multiple-Choice-Fragen.
Thema: {node[„title“]}
Inhalt: {node[„content“]}
Geben Sie NUR gültiges JSON in diesem Format zurück:
{{
„questions“: [
{{
„question“: „…“,
„options“: [„A) …“, „B) …“, „C) …“, „D) …“],
„correct“: „A“,
„explanation“: „Kurze Erklärung, warum dies korrekt ist.“
}}
]
}}
„““
Jede Quiz-Anfrage produziert eine frische Reihe von Fragen, die aus dem tatsächlichen Kursmaterial stammen. Lernende erhalten bei Wiederholungen unterschiedliche Fragen, was das Lernen durch vielfältige Exposition verstärkt.
Bewertung und Feedback
Nach der Einreichung erhält jede falsche Antwort eine Erklärung – nicht nur ein rotes ✗. Das ist wichtig. Forschungen in der Kognitionswissenschaft zeigen konsequent, dass erklärendes Feedback eine tiefere Behaltensrate fördert als einfaches Richtig- oder Falsch-Markieren (Hattie & Timperley, 2007). Eine Punktzahl von 75 % oder mehr kennzeichnet das Modul als abgeschlossen und schaltet die nächsten Schritte im Lernpfad frei.
Schritt 3: Der natürliche Sprach-KI-Tutor
Das Problem, das es löst: Feststecken ist der Hauptgrund, warum Lernende Online-Kurse abbrechen. Ohne jemanden, den sie fragen können, wird ein kleiner Moment der Verwirrung zu einer Wand. Der KI-Tutor beseitigt diese Wand – rund um die Uhr verfügbar, unendlich geduldig und immer auf den tatsächlichen Kursinhalt abgestimmt.
Wie es funktioniert
Der Tutor läuft über eine WebSocket-Verbindung – einen dauerhaften bidirektionalen Kanal zwischen dem Browser und dem Backend. Dies ermöglicht es, dass die Antwort der KI Wort für Wort an den Benutzer zurückgestreamt wird, ähnlich wie beim Tippen, anstatt dass der Lernende auf eine vollständige Antwort warten muss.
Der Tutor verwendet eine Technik namens Retrieval-Augmented Generation (RAG). Bevor er antwortet, zieht er den relevanten Kursinhalt in den Prompt als Kontext. Dies verankert die Antworten von Mistral im tatsächlichen Kursmaterial und reduziert das Risiko von falschen oder irrelevanten Antworten.
Vereinfachte Prompt-Struktur:
prompt = f“““
Sie sind ein prägnanter, hilfsbereiter Programmier-Tutor.
Antworten Sie basierend auf dem folgenden Kontext. Wenn die Antwort nicht im Kontext enthalten ist, sagen Sie das und geben Sie eine allgemeine Antwort.
Kurskontext: {node_content}
Frühere Konversation:
{conversation_history}
Lernender: {user_message}
Tutor:
„““
Die Konversationshistorie ist in jeder Nachricht enthalten, sodass der Tutor sich erinnert, was zuvor in derselben Sitzung gesagt wurde, was das Gespräch natürlicher und weniger repetitiv macht.
Was der Lernende sieht
Im Tab KI-Tutor sehen Lernende eine vertraute Chat-Oberfläche. Sie geben eine Frage ein, drücken die Eingabetaste und beobachten, wie die Antwort tokenweise eintrifft. Wenn sie von einem bestimmten Modul navigieren, ist der Tutor bereits über den Inhalt dieses Moduls informiert.
Schritt 4: Fortschrittsverfolgung und Analytik
Das Problem, das es löst: Die meisten Dashboards zeigen Ihnen einen Prozentsatzbalken, der sich füllt, während Sie durch Inhalte klicken. Das ist kein Maß für das Lernen; es ist ein Maß für das Klicken. Unser Dashboard verfolgt die Beherrschung nach Thema, basierend auf den tatsächlichen Quizleistungen über die Zeit.
Wie es funktioniert
Jede Quiz-Einreichung löst zwei Dinge aus:
- Aktualisierung des Beherrschungswerts unter Verwendung eines Exponential Moving Average (EMA)
Neue Beherrschung = 30 % aktueller Wert + 70 % historischer Wert
new_mastery = 0.3 * quiz_score + 0.7 * current_mastery - Fortschrittsereignis protokolliert
Jede Aktion – vom Start eines Moduls bis zur Einreichung eines Quiz, ob bestanden oder nicht – wird mit einem Zeitstempel protokolliert. Dies erstellt einen vollständigen Verlauf der Lernaktivitäten, der das Dashboard speist.
Was der Lernende sieht
Der Dashboard-Tab zeigt:
- Abgeschlossene Module von insgesamt verfügbaren
- Abschlussquote als Prozentsatz
- Durchschnittliche Beherrschung über alle studierten Themen
- Beherrschungsbalken nach Thema – farblich codiert in grün (stark), gelb (entwickelnd) oder rot (schwach)
- Modulstatus-Raster: eine visuelle Übersicht darüber, welche Module abgeschlossen sind und welche noch verbleiben
Dies gibt den Lernenden ein realistisches Bild davon, wo sie stehen, und nicht nur, wie weit sie gescrollt haben.
Wie alle vier Module zusammenarbeiten
Jedes Modul ist für sich genommen nützlich, aber zusammen schaffen sie einen kontinuierlichen Feedback-Zyklus.
Der Lernenden-Feedback-Zyklus
Dieser Zyklus bedeutet, dass das System niemals statisch ist. Es reagiert darauf, wie jede Person tatsächlich abschneidet, und nicht nur darauf, ob sie auf „Weiter“ geklickt hat.
Vollständige lokale Architektur – keine Cloud, keine API-Schlüssel
Fazit
Der Aufbau eines KI-gestützten LMS erfordert kein großes Budget oder ein Data-Science-Team. Mit Ollama, FastAPI und React können Sie ein System erstellen, das sich tatsächlich an Lernende anpasst – eines, das frische Bewertungen generiert, Fragen in Echtzeit beantwortet und tatsächliche Beherrschung verfolgt, anstatt nur den Abschluss.
Was diesen Ansatz kraftvoll macht, ist nicht eine einzelne Funktion. Es ist der Feedback-Zyklus. Das System wird mit jedem eingereichten Quiz, jeder gestellten Frage und jedem abgeschlossenen Modul intelligenter über jeden Lernenden.
Traditionelle LMS-Plattformen verfolgen Klicks. Dieses verfolgt Lernen. Welche Marktplätze für Agentenfähigkeiten sind entscheidend für die Entwicklung leistungsstarker KI-Agenten?
Das vollständige Projekt – einschließlich aller Backend-Routen, React-Komponenten und Einrichtungshinweise – ist auf GitHub verfügbar. Klonen Sie es und lesen Sie die README, um es lokal auszuführen. Abacus AI: Eine umfassende Analyse der Funktionen und Preisgestaltung der innovativen Plattform Entdecken Sie, wie Menschen 2026 mit KI innovative Einkommensquellen erschließen
„`
Quellen: kdnuggets
Bildquelle: KI generiert
