Hinter den Kulissen des OneTutor Learning Reports: warum und wie wir ihn gebaut haben
Nach diesem Beitrag wissen Sie drei Dinge: warum wir den OneTutor Learning Report gebaut haben, wie wir dabei vorgegangen sind und was wir als Nächstes damit vorhaben.
Zuerst: wer wir sind. OneTutor gibt Lehrenden die Werkzeuge, um zu gestalten, wie ihre Studierenden beim Lernen mit KI arbeiten. Das geht in drei Schritten.
- Einrichten. Lehrende machen aus ihrem eigenen Kursmaterial einen KI-Tutor für ihre Studierenden.
- Üben. Sie ergänzen Quizfragen für formatives Assessment. Nach der Antwort können Studierende mit einem Klick fragen, warum ihre Antwort richtig oder falsch war. Dieser Klick sendet eine Nachricht an den Tutor, deshalb taucht Quizfeedback im Report auf.
- Sehen. Lehrende sehen, wie ihre Studierenden lernen: welche Fragen sie stellen und was der Tutor antwortet.
Normalerweise können Lehrende nicht sehen, was ihre Studierenden mit KI machen. Mit einem Werkzeug wie OneTutor können sie es.
OneTutor wird an mehr als 50 Einrichtungen genutzt: Universitäten, private Akademien und Unternehmen. Dieser erste Report umfasst nur Universitäten und Hochschulen, deren Kurse einen ähnlichen Rhythmus und ähnliche Lernziele haben. Betriebliche Weiterbildung dazuzunehmen hieße, Äpfel mit Birnen zu vergleichen.
Den Report selbst finden Sie unter onetutor.ai/de-de/learning-report. Dieser Beitrag erzählt, wie er entstanden ist.
Warum wir ihn veröffentlichen
Weniger Mühe ist ein Paradox
Seit ChatGPT im November 2022 erschienen ist, gehört Lernen zu den wichtigsten Gründen, KI zu nutzen. Die Vorteile liegen auf der Hand: KI ist rund um die Uhr verfügbar, passt sich an alle Lernenden an und nimmt dem Lernen die Mühe.
Genau dieser letzte Vorteil ist ein Paradox. Weniger Mühe kann helfen, ein neues Konzept zu verstehen, und sie kann unbemerkt die Denkarbeit übernehmen, von der Lernen lebt. In einem Feldexperiment im Mathematikunterricht an weiterführenden Schulen schnitten Lernende mit uneingeschränktem Zugang zu GPT bei Übungsaufgaben um 48 % besser ab, in der Prüfung aber um 17 % schlechter. Eine Tutor-Version mit Leitplanken verhinderte den Schaden weitgehend (Bastani et al., PNAS, 2025).
Nicht ob, sondern wie
Die Frage ist also nicht, ob Studierende KI nutzen, sondern wie. Geben sie das Denken ab, kopieren eine Antwort und freuen sich, ein Kapitel abgehakt zu haben? Oder reflektieren sie ihre eigenen Gedanken, stellen ihren Fortschritt infrage und erleben den Prozess als anstrengend? Genau das will dieser Report herausfinden. Wir wollen verstehen, wie Studierende an der Hochschule mit einem KI-Tutor arbeiten, welche Anwendungsfälle überwiegen, wie sich die Nutzung über ein Semester verändert und wie sie sich zwischen Fächern unterscheidet.
Warum wir ihn öffentlich teilen
Wir schauen uns diese Daten an, um den Status quo zu verstehen, und wir wollen sie als Grundlage für Entscheidungen nutzen, wie KI zum Lernen eingesetzt werden sollte. Wir sind überzeugt, dass die Wirksamkeit von KI im Lernen bewertet werden muss, damit sich der Lernprozess so steuern lässt, dass die Vorteile die Risiken überwiegen.
Indem wir teilen, was wir sehen und wie wir es deuten, wollen wir eine Perspektive anbieten und eine konstruktive Diskussion mit allen eröffnen, die ihre Lehre gerade neu denken.
Wie wir ihn gebaut haben
Die Daten
Wir haben alle 628.000 anonymisierten Nachrichten von Studierenden aus dem Wintersemester 2025/26 und dem Sommersemester 2026 an 32 Universitäten und Hochschulen in Deutschland, Österreich und Tschechien klassifiziert. Es gibt keine Stichprobe. Demozugänge und Testzugänge, Schulen, Unternehmen und Weiterbildungsanbieter sind nicht enthalten.
Vier Leitfragen
Vier Fragen haben die Analyse geleitet. Jede hat im Report einen eigenen Abschnitt.
- Wann nutzen Studierende KI zum Lernen im Laufe eines Semesters?
- Wie unterscheiden sich die Fächer in ihrer Nutzung?
- Wofür nutzen Studierende KI beim Lernen?
- Wer leistet die kognitive Arbeit: die Studierenden oder die KI?
Wochen und Fächer
Damit die Semester verschiedener Hochschulen vergleichbar sind, zählen wir die Wochen ab dem eigenen Vorlesungsbeginn jeder Hochschule. Die Zählung läuft durch Pausen und Prüfungen weiter.
Um zu bestimmen, in welchem Fach Studierende lernen, haben wir den Namen des Kurses genutzt. Ein Sprachmodell hat jeden Kursnamen einem von dreizehn Fächern zugeordnet: Rechtswissenschaften, Wirtschaftswissenschaften, Sozialwissenschaften, Psychologie, Bildungswissenschaften, Geisteswissenschaften und Sprachen, Mathematik, Informatik, Naturwissenschaften, Ingenieurwissenschaften, Medizin und Gesundheit, Agrar, Ernährung und Lebenswissenschaften sowie Öffentliche Verwaltung. Interdisziplinäre Kurse zählen in den Gesamtwerten mit, bekommen aber keine eigene Zeile.
Zum Schutz von Kursen und Hochschulen zeigen wir einen Wert nur, wenn mindestens 5 Kurse, 2 Hochschulen und 500 Nachrichten dahinterstehen.
Elf Anfragearten, eine Leitfrage
Um zu unterscheiden, was Studierende tatsächlich tun, haben wir elf Anfragearten definiert. Ein Sprachmodell ordnet jede Nachricht einer davon zu, nach einem festen Kodierleitfaden mit einer Leitfrage: Leisten die Studierenden oder die KI die Denkarbeit? Anschließend fassen wir die Arten zu vier Gruppen zusammen, nach dem ICAP-Modell:
- Studierende denken (ICAP: interaktiv oder konstruktiv): eine eigene Lösung prüfen lassen, dem Tutor mit Begründung antworten, eine gezielte Frage stellen.
- Üben (ICAP: aktiv): eine kurze Quizantwort geben, fragen, warum eine Quizantwort richtig oder falsch war, sich abfragen lassen.
- KI denkt (ICAP: passiv): um eine Erklärung bitten, ein Faktum nachschlagen, eine Aufgabe lösen lassen, Material erstellen lassen.
- Keine Lernanfrage: Begrüßungen, Dank, organisatorische oder technische Fragen.
Warum ICAP und nicht Bloom
Die Bloomsche Taxonomie haben wir zuerst getestet und verworfen. Allein aus dem Inhalt einer einzelnen Nachricht lässt sich die passende Bloom-Stufe kaum bestimmen. Eine kurze Bitte wie „Mach mir ein Quiz“ landet auf der höchsten Stufe, Erschaffen, obwohl die Studierenden selbst nichts erschaffen. Die vier ICAP-Stufen (Chi und Wylie, Educational Psychologist, 2014) lassen sich deutlich leichter unterscheiden: Bringen die Studierenden eigenes Denken ein, üben sie, nehmen sie auf, was die KI liefert, oder stellen sie gar keine Lernanfrage?
Im Vergleich zu anderen Studien
Unsere Daten beschreiben einen KI-Tutor in Hochschulkursen. Andere Studien betrachten allgemeine Chatbots oder Lernergebnisse. Zusammen zeigen sie in dieselbe Richtung wie dieser Report: Entscheidend ist, wie KI genutzt wird.
Lernen ist einer der wichtigsten Einsatzzwecke von KI. 10,2 % aller ChatGPT-Nachrichten bitten um Nachhilfe oder Erklärungen, in einer Stichprobe von rund 1,1 Millionen Unterhaltungen von Mai 2024 bis Juni 2025 (Chatterji et al., How People Use ChatGPT, OpenAI, September 2025).
Bloom beschreibt die KI, nicht die Studierenden. Der Education Report von Anthropic hat Claudes Antworten in Unterhaltungen mit Studierenden nach der Bloomschen Taxonomie bewertet: Erschaffen (40 %) und Analysieren (30 %) lagen vorn. Die Autorinnen und Autoren merken an, dass dies die Arbeit der KI beschreibt. Ein weiterer Grund, warum wir stattdessen bewerten, wer die Denkarbeit leistet. Außerdem stuften sie fast die Hälfte der Unterhaltungen als direkt ein, also darauf ausgerichtet, mit wenig eigener Beteiligung Antworten oder Inhalte zu bekommen. Eine andere Methode, und ein ähnliches Bild wie unsere 54 % der Nachrichten, in denen die KI die Denkarbeit leistet. In ihren Daten machte Informatik 39 % der Unterhaltungen von Studierenden aus, gegenüber 5 % der Bachelorabschlüsse in den USA. In unseren Daten folgt der Fächermix vor allem der Frage, welche Lehrenden den Tutor in ihre Kurse geholt haben (Anthropic Education Report: How University Students Use Claude, April 2025).
Leitplanken machen den Unterschied. Im oben erwähnten Experiment im Mathematikunterricht schnitten Lernende mit uneingeschränktem GPT bei Übungsaufgaben um 48 % besser ab, in der Prüfung ohne Zugang aber um 17 % schlechter (Bastani et al., Generative AI without guardrails can harm learning, PNAS, 2025).
Unser Modell. ICAP (Chi und Wylie, 2014) ist die Linse für alles oben Genannte. Unsere Sicht auf KI-Tutoren in der Lehre finden Sie im OneTutor Whitepaper.
Was der Report noch nicht sagen kann und wie es weitergeht
Fünf Grenzen dieser Ausgabe
Diese erste Ausgabe hat klare Schwächen. Wir veröffentlichen sie trotzdem, weil sie ein guter Ausgangspunkt für ein Gespräch ist, und wir verbessern sie mit jeder Ausgabe.
- Wenige Orte prägen die Gesamtwerte. Die fünf größten Universitäten senden 82 % aller Nachrichten, die zehn größten Kurse fast ein Viertel (24 %). Innerhalb der Kurse sendet eine kleinere Gruppe sehr aktiver Studierender viele der Nachrichten.
- Noch keine Lernergebnisse. Wir sehen, wie Studierende den Tutor nutzen, nicht, ob er ihr Verständnis oder ihre Noten verbessert hat. Wie schwer das zu messen ist, zeigt die Begleitforschung des bidt zum Einsatz von OneTutor im Sommersemester 2025: Sie fand keinen Unterschied im wahrgenommenen Lernerfolg zwischen intensiven Nutzenden, gelegentlichen Nutzenden und Studierenden, die den Tutor nicht genutzt haben, und Prüfungsergebnisse konnten aus Datenschutzgründen nicht verknüpft werden.
- Nur eine Seite des Gesprächs. Wir klassifizieren, was Studierende schreiben, ohne die Antworten des Tutors. Echter Austausch wird daher wahrscheinlich unterschätzt.
- KI-Labels sind nicht perfekt reproduzierbar. Ein Sprachmodell ordnet jede Nachricht nach einem festen Kodierleitfaden zu. Ein zweiter Durchlauf würde einige Nachrichten anders einordnen.
- Quizergebnisse sind noch nicht enthalten. Wie Studierende bei Quizfragen abschneiden, ist einer der nächsten Datenpunkte, die wir ergänzen wollen.
Wie es weitergeht
Wir veröffentlichen diesen Report jedes Semester, um zu verfolgen, wie sich der Einsatz von KI in Lehre und Lernen entwickelt. Außerdem wollen wir besser messen: Quizleistung, die Antworten des Tutors und, wo möglich, Lernergebnisse.
Schon jetzt ergeben sich für OneTutor zwei Richtungen. Studierende nutzen KI meistens, um Informationen abzurufen und passiv aufzunehmen. Deshalb wollen wir OneTutor und seinen Einsatz so verändern, dass produktive Anstrengung gefördert wird und Lernen sich von passiv zu aktiv, konstruktiv und interaktiv bewegt. Und Quizfragen bringen Studierende schon heute von passiv zu aktiv, aber vor allem rund um die Prüfungen. Wir suchen nach Wegen, das Üben über das ganze Semester am Laufen zu halten.
Sagen Sie uns, wo wir falsch liegen
Diese Ausgabe ist ein Ausgangspunkt, kein Urteil. Nehmen Sie unseren Ansatz auseinander, hinterfragen Sie unsere Lesart und sagen Sie uns, was wir übersehen haben. Ziel ist, gemeinsam herauszufinden, wie und wann KI Lernen und Lehre verbessert. Schreiben Sie uns hier.
Wenn Sie die nächste Ausgabe zuerst erhalten möchten, abonnieren Sie unseren Newsletter. Jedes Semester erscheint eine neue Ausgabe, mit allem, was sich seit der letzten verändert hat.
