Zum Inhalt springen
KI-Tutor

KI-Tutor: was er ist, was die Forschung zeigt und wie Tarsus sie umsetzt

Ein Tutor für jede Person

Ein KI-Tutor erklärt, fragt nach, gibt Rückmeldung und beantwortet Fragen, für jede Person im eigenen Tempo. Hier lesen Sie, was ihn von KI-Assistent und KI-Lerncoach unterscheidet, was die Forschung über Tutoring und KI-Tutoren weiß und wie Tarsus das umsetzt.

Kurz erklärt

Was ist ein KI-Tutor?

Ein KI-Tutor ist eine Software, die Lernende mit künstlicher Intelligenz beim Lernen begleitet. Er erklärt Inhalte, stellt Fragen, gibt Rückmeldung und beantwortet Fragen der Lernenden, idealerweise auf Basis der Unterlagen eines Kurses.

  • Erklärt in kleinen Schritten, im eigenen Tempo
  • Fragt ab und gibt Rückmeldung, die nach vorn zeigt
  • Antwortet rund um die Uhr, aus Ihren Unterlagen

KI-Tutor und KI-Lerncoach meinen im Kern dasselbe. Wir sagen KI-Lerncoach, weil Tarsus zusätzlich führt, misst und dokumentiert. Mehr dazu im Leitfaden KI-Lerncoach: Was er ist, was er kann und für wen er sich lohnt.

Begriffe

KI-Assistent, KI-Tutor, KI-Lerncoach

Die drei Begriffe werden oft durcheinander verwendet. Der Unterschied liegt darin, woher das Wissen kommt und wer das Lernen steuert.

  • KI-Assistent

    Hilft bei fast allem

    Allzweck-Werkzeuge wie ChatGPT, Microsoft Copilot oder Gemini beantworten Fragen zu fast jedem Thema, schreiben und fassen zusammen. Sie kennen weder Ihren Kurs noch das Prüfungsniveau, Lernende steuern selbst. Manche haben inzwischen einen Lernmodus, der mit Rückfragen statt fertigen Antworten arbeitet.

  • KI-Tutor

    Hilft beim Lernen eines Stoffs

    Ein KI-Tutor erklärt, beantwortet Fragen und stellt Übungsfragen zu einem bestimmten Stoff, oft auf Basis von Kursunterlagen. Meist reagiert er auf das, was Lernende fragen.

  • KI-Lerncoach

    Ein KI-Tutor, der führt

    Ein KI-Lerncoach ist ein KI-Tutor, der zusätzlich führt: Er schätzt nach jeder Antwort den Lernstand, wählt den nächsten Schritt, übt auf dem eingestellten Niveau und dokumentiert den Fortschritt. So nennen wir den KI-Tutor von Tarsus.

KI-Assistent, KI-Tutor und KI-Lerncoach im Vergleich
MerkmalKI-AssistentKI-TutorKI-Lerncoach (Tarsus)
WissensbasisAllgemeines Wissen des Sprachmodells, oft mit WebsucheKursunterlagen oder Inhalte des AnbietersNur Ihre Unterlagen, mit Quelle, ohne Internetzugriff
Wer steuert das LernenDie LernendenMeist die Lernenden, mit FragenDer Lerncoach führt proaktiv, Lernende fragen jederzeit dazu
InhalteEntstehen im GesprächJe nach ProduktEntstehen je Person im Dialog aus Ihren Unterlagen, ohne E-Learnings zu erstellen
NiveauErgibt sich aus dem GesprächJe nach ProduktDQR 3 bis 7, Taxonomiestufen, IHK-Operatoren
LernstandHöchstens im GesprächsverlaufJe nach Produkt, oft Quiz-ErgebnisseJe Kapitel, Thema und Taxonomiestufe, nach Item-Response-Theorie
NachweisKeinerJe nach ProduktLernstand im LMS, etwa als AZAV-Nachweis
Forschung

Was die Forschung über Tutoring und KI-Tutoren zeigt

Zehn Befunde, auf die sich ein guter KI-Tutor stützen sollte. Jede Aussage ist mit der Studie belegt, die Quellen stehen am Ende der Seite.

  1. 01Einzelbetreuung

    Ein Tutor für jede Person wirkt stark

    In Benjamin Blooms klassischen Versuchen schnitten Lernende mit persönlichem Tutor besser ab als 98 % einer Vergleichsklasse, rund zwei Standardabweichungen. Spätere Übersichten finden kleinere, aber deutliche Effekte: menschliche Einzelbetreuung d = 0,79, intelligente Tutorsysteme, die Schritt für Schritt mitgehen, d = 0,76. In 50 kontrollierten Studien hoben intelligente Tutorsysteme die Testergebnisse im Median um 0,66 Standardabweichungen, vom 50. auf das 75. Perzentil. [1],[2],[3]

    Für einen KI-Tutor heißt das: Ein KI-Tutor sollte nicht nur am Ende bewerten, sondern jeden Schritt begleiten.

  2. 02KI-Tutoren heute

    Erste Studien mit Sprachmodellen sind vielversprechend

    An der Harvard University lernten 194 Studierende eines Physikkurses mit einem KI-Tutor, der nach didaktischen Prinzipien gebaut war, im Median mehr als doppelt so viel dazu wie im aktiven Präsenzunterricht, und brauchten dafür weniger Zeit. In Nigeria brachte ein sechswöchiges Programm mit KI-Tutor und Lehrkräften rund 0,3 Standardabweichungen, nach Einschätzung der Autoren 1,5 bis 2 Jahre üblichen Lernfortschritts. [4],[5]

    Für einen KI-Tutor heißt das: Die Wirkung kommt aus dem Aufbau: Gerüst, kleine Schritte, Rückmeldung, eigenes Tempo.

  3. 03Leitplanken

    Ohne Leitplanken kann KI dem Lernen schaden

    In einer Studie mit fast 1.000 Schülerinnen und Schülern in der Türkei verbesserte freier Zugang zu GPT-4 die Ergebnisse beim Üben um 48 %, in der anschließenden Prüfung ohne KI lagen sie aber 17 % unter der Kontrollgruppe. Eine Tutor-Version mit Leitplanken, die Hinweise statt Lösungen gab, verbesserte das Üben um 127 % und vermied den Einbruch. [6]

    Für einen KI-Tutor heißt das: Ein KI-Tutor muss zum Denken anregen, statt Lösungen zum Abschreiben zu liefern.

  4. 04Abrufen und Wiederholen

    Abfragen schlägt Wiederlesen, verteilt schlägt am Stück

    Wer Gelerntes aktiv abruft, behält es nach zwei Tagen und nach einer Woche deutlich besser als jemand, der es noch einmal liest. Eine große Übersicht bewertet Abfragen und verteiltes Üben als die beiden Lerntechniken mit dem höchsten Nutzen. Verteiltes Wiederholen schlägt geballtes Lernen in Hunderten von Vergleichen. [7],[8],[9]

    Für einen KI-Tutor heißt das: Ein KI-Tutor sollte Fragen stellen und Unsicheres zur richtigen Zeit wiederholen.

  5. 05Rückmeldung

    Feedback wirkt, wenn es nach vorn zeigt

    Wirksame Rückmeldung beantwortet drei Fragen: Wohin will ich? Wo stehe ich? Was ist der nächste Schritt? Feedback, das nur Punkte vergibt, beantwortet höchstens die zweite. [10]

    Für einen KI-Tutor heißt das: Ein KI-Tutor sollte sagen, was schon stimmt, was fehlt und wie es weitergeht.

  6. 06Lernstand messen

    Eine gelöste schwere Aufgabe sagt mehr als eine leichte

    Die Item-Response-Theorie beschreibt, wie wahrscheinlich eine richtige Antwort ist, abhängig vom Können der Person und von der Schwierigkeit der Aufgabe. Knowledge Tracing schätzt so den Lernstand je Fertigkeit über die Zeit. Beides misst genauer als das Zählen richtiger Antworten. [11],[12]

    Für einen KI-Tutor heißt das: Ein KI-Tutor sollte den Lernstand je Thema schätzen und daraus die nächste Aufgabe wählen.

  7. 07Kognitive Belastung

    Nicht zu viel auf einmal

    Das Arbeitsgedächtnis ist begrenzt. Wer Neues lernt, profitiert von kleinen Schritten, ausgearbeiteten Beispielen und Erklärungen, die nur das Nötige zeigen. [13]

    Für einen KI-Tutor heißt das: Ein KI-Tutor sollte Stoff portionieren, statt lange Textwände zu schreiben.

  8. 08Chat-Drift

    Lange Chats verlieren den Faden

    In über 200.000 simulierten Gesprächen lag die Leistung großer Sprachmodelle in mehrteiligen Gesprächen im Schnitt 39 % unter der bei einer einzelnen, vollständigen Anfrage. Haben sie sich einmal verrannt, finden sie selten zurück. Informationen in der Mitte langer Kontexte werden zudem schlechter genutzt als am Anfang oder Ende. [14],[15]

    Für einen KI-Tutor heißt das: Ein KI-Tutor muss den Kontext gezielt zusammenstellen und Fragen an die aktuelle Aufgabe binden.

  9. 09Quellen

    Antworten aus Unterlagen statt aus dem Gedächtnis

    Wenn ein Sprachmodell vor dem Antworten passende Stellen aus Dokumenten abruft (Retrieval-Augmented Generation), stützen sich seine Antworten auf überprüfbare Quellen statt nur auf das, was im Modell gespeichert ist. [16]

    Für einen KI-Tutor heißt das: Ein KI-Tutor sollte nur aus den freigegebenen Unterlagen antworten und die Quelle nennen.

  10. 10Niveau

    Üben auf dem Niveau der Prüfung

    Der Deutsche Qualifikationsrahmen ordnet Abschlüsse acht Niveaus zu. Lernzieltaxonomien unterscheiden, ob jemand etwas wiedergibt, versteht oder anwendet. IHK-Prüfungen benennen die verlangte Leistung mit Operatoren wie nennen, beschreiben, erklären und erläutern. [18],[17]

    Für einen KI-Tutor heißt das: Ein KI-Tutor sollte auf das Zielniveau eingestellt werden können, das später geprüft wird.

Umsetzung

So setzt Tarsus die Forschung um

Für jeden Befund die Funktion in Tarsus und der Beitrag, der zeigt, wie sie im Detail funktioniert.

Befunde der Forschung und ihre Umsetzung in Tarsus
BefundUmsetzung in Tarsus
EinzelbetreuungIm Modus „Wissen aufbauen“ erstellt der KI-Lerncoach im Dialog Lernziele, Erklärungen, Diagramme und interaktive E-Learnings und führt jede Person Schritt für Schritt durch den Stoff, wie eine Lehrkraft an der Tafel: im eigenen Tempo, rund um die Uhr, per Text oder Sprache. Vorab muss niemand E-Learnings erstellen.So funktioniert es: Funktionen · KI-Tutor oder Selbstlernkurs
LeitplankenErklärt mit Rechenweg und führt mit Rückfragen zurück zur Aufgabe, statt Ergebnisse zum Abschreiben zu liefern. Antworten nur aus Ihren Unterlagen, die KI greift nicht auf das Internet zu.So funktioniert es: KI-Halluzinationen vermeiden
Abrufen und WiederholenFünf Aufgabenformate statt Lesen. Unsicheres kommt gezielt wieder.So funktioniert es: Retrieval Practice
RückmeldungFeedback zu freien Antworten mit Teilpunkten, dem Hinweis, was fehlt, und dem nächsten Schritt.So funktioniert es: Feedback und Feedforward
Lernstand messenLernwürfel je Kapitel, Thema und Taxonomiestufe. Jede Antwort wird mit der Erwartung nach der Item-Response-Theorie verglichen, eine Lernrate bestimmt die Schrittweite.So funktioniert es: Item-Response-Theorie mit KI · Die Lernrate
Kognitive BelastungLernkarten in kleinen Schritten, Grafiken, Simulationen und 3D-Modelle, wenn sie beim Verstehen helfen.So funktioniert es: Cognitive Load Theorie
Chat-Drift„Dazu fragen“ bindet jede Frage an die aktuelle Aufgabe. Der Kontext wird je Frage gezielt zusammengestellt.So funktioniert es: Context Engineering · Tarsus vs. eigener Chatbot
QuellenSemantische Suche mit Neubewertung findet die passende Stelle in Skript, Folien und Übungen, jede Antwort nennt die Quelle.So funktioniert es: Semantische Suche im KI-Tutor · RAG erklärt
NiveauZielniveau nach DQR von Stufe 3 bis 7, Taxonomiestufen Wissen, Verstehen, Anwenden und auf Wunsch IHK-Operatoren.So funktioniert es: DQR-Niveaus · IHK-Taxonomien · IHK-Operatoren
Die Verfahren hinter Tarsus

So sieht das in Tarsus aus

Was aus einem KI-Tutor einen Lerncoach macht: Er baut proaktiv Wissen auf, führt einen Lernwürfel nach Item-Response-Theorie, übt auf dem Zielniveau nach DQR und hält Fragen bei der Aufgabe.

01Wissen aufbauen

Der Lerncoach führt proaktiv

Im Modus „Wissen aufbauen“ erstellt Tarsus im Dialog Lernziele, Erklärungen, Diagramme und interaktive E-Learnings aus Ihren Unterlagen und führt Schritt für Schritt durch den Stoff, wie eine Lehrkraft an der Tafel, abgestimmt auf den Lernstand. Vorab muss niemand E-Learnings erstellen.

Alle Funktionen

Kursansicht in Tarsus: eine Erklärkarte zum Kalkulationsschema, direkt darunter eine Übung mit Wahr oder Falsch
In Tarsus: Auf die Erklärkarte folgt direkt eine Übung
02Lernwürfel

Der Lernstand hat drei Dimensionen

Tarsus führt für jede Person einen Lernwürfel: Lernstand je Kapitel, Thema und Taxonomiestufe. Volle Punktzahl gibt es erst, wenn ein Inhalt wirklich verstanden ist. Daraus folgt der nächste Schritt: Erklärung, Beispiel, Übung oder Wiederholung.

Lernwürfel und IHK-Taxonomien

Aufgabe auf der Taxonomiestufe WissenAufgabe auf der Taxonomiestufe VerstehenAufgabe auf der Taxonomiestufe Anwenden
In Tarsus: Jede Aufgabe gehört zu einer Taxonomiestufe, hier Wissen, Verstehen und Anwenden
03Item-Response-Theorie und Lernrate

Jede Antwort zählt, aber nicht jede gleich

Tarsus vergleicht jede Antwort mit der Erwartung nach der Item-Response-Theorie (IRT). Wer eine schwere Aufgabe löst, macht einen größeren Schritt als bei einer leichten. Die Lernrate bestimmt, wie stark eine Antwort zählt. So kommt als Nächstes eine Aufgabe, die weder unter- noch überfordert.

Item-Response-Theorie mit KIDie Lernrate

04DQR und Taxonomien

Zielniveau wie in der Prüfung

Sie legen das Zielniveau nach dem Deutschen Qualifikationsrahmen fest, von Stufe 3 bis 7. Darunter steuert Tarsus leicht, mittel und schwer, die Taxonomiestufen Wissen, Verstehen und Anwenden und auf Wunsch die IHK-Operatoren.

DQR-Niveaus erklärt

Lernziele eines Kurses zur Handelskalkulation, formuliert mit Operatoren wie erkläre und unterscheide
In Tarsus: Lernziele mit Operatoren wie „erkläre“ und „unterscheide“
05Kein Chat-Drift

Fragen bleiben bei der Aufgabe

Lange Chats verlieren den Faden. In Tarsus hängt jede Frage an der aktuellen Aufgabe: Mit „dazu fragen“ weiß der Lerncoach, worum es gerade geht, antwortet aus Ihren Unterlagen und führt zurück zum roten Faden.

Tarsus im Vergleich mit einem eigenen Chatbot

IHK-Übungsaufgabe zur Vorwärtskalkulation mit der Schaltfläche dazu fragenEingabefeld mit der Aufgabe als Bezug der Frage
In Tarsus: „dazu fragen“ an einer IHK-Übungsaufgabe. Im Eingabefeld steht dann die Aufgabe als Bezug.
06

Interaktiv, ohne E-Learnings zu bauen

Grafiken, Simulationen, 3D-Modelle und Animationen entstehen auf Anfrage im Dialog, passend zur Frage.

Drehbares 3D-Modell eines Zylinders, im Dialog erzeugtInteraktive Kennlinie mit Schieberegler, im Dialog erzeugtEntscheidungsbaum zur Frage, was ein Himmelskörper umkreist, im Dialog erzeugt
07

Fünf Aufgabenformate, auch per Sprache

Multiple Choice, Wahr/Falsch, offene Fragen mit Teilpunkten, Rechenaufgaben und Tabellenkalkulation. Fragen auch per Sprache, Erklärungen zum Anhören wie an der Tafel.

Freie Antwort mit Teilpunkten und Erklärung, was noch fehlt
Tarsus in Aktion

So sieht Lernen mit Tarsus aus

Drei Momente aus einem Beispielkurs zur Handelskalkulation, wie Lernende sie sehen.

  • Erklärkarte in Tarsus mit dem Kalkulationsschema aus den Kursunterlagen
    Wissen aufbauen: Tarsus erklärt proaktiv, mit Karten aus den Kursunterlagen
  • Tabellenkalkulation in Tarsus mit Rückmeldung zu jeder Zeile
    Üben: Tabellenkalkulation mit Rückmeldung je Zeile
  • Antwort von Tarsus auf eine Frage zu einer Aufgabe, mit Rechenweg
    Fragen: Antwort mit Rechenweg, direkt zur Aufgabe
Offen und in Ihrer Hand

Open Source, On-Premise, Pay-As-You-Grow

  • Offen

    Quellcode zum Nachlesen

    Die Plugins von Tarsus für Moodle und ILIAS sind Open Source unter GPL-3.0 und liegen öffentlich auf GitHub. Wie Tarsus sucht, den Kontext baut und den Lernstand misst, beschreiben wir offen in unseren Beiträgen.

    Moodle-Plugin auf GitHub (öffnet in neuem Tab)ILIAS-Plugin auf GitHub (öffnet in neuem Tab)Context Engineering

  • In Deutschland oder bei Ihnen

    Ihre Daten bleiben, wo Sie sie haben wollen

    Jede Organisation erhält eine eigene Instanz bei Microsoft Azure in Deutschland, DSGVO-konform. Auf Wunsch läuft Tarsus auf Ihren eigenen Servern (On-Premise). Der Lerncoach greift nicht auf das Internet zu.

    Wo die Daten wohnen

  • Einstieg

    Klein starten, mitwachsen

    Mit dem Starterpaket Pay-As-You-Grow zahlen Sie nach Nutzung und legen sich nicht fest. Wer lieber mit festen Konditionen plant, nutzt Tarsus als Paket. Welches Modell passt, klären wir im Erstgespräch.

    Erstgespräch buchen (öffnet in neuem Tab)

KI-Tutor oder KI-Lernwerkzeug?

NotebookLM, fobizz, Knowunity, StudySmarter, Khanmigo und Sana bringen KI ins Lernen, jeweils mit einem anderen Schwerpunkt. Die Vergleiche zeigen in zwölf Punkten, was sie leisten und was ein KI-Tutor mit Ihren eigenen Unterlagen anders macht.

Häufige Fragen

Fragen zum KI-Tutor

Was ist ein KI-Tutor?

Ein KI-Tutor ist eine Software, die Lernende mit künstlicher Intelligenz beim Lernen begleitet. Er erklärt Inhalte, stellt Fragen, gibt Rückmeldung und beantwortet Fragen der Lernenden, idealerweise auf Basis der Unterlagen eines Kurses.

Ist ein KI-Lerncoach dasselbe wie ein KI-Tutor?

Im Kern ja: Beide Begriffe meinen eine KI, die beim Lernen begleitet, und werden oft synonym verwendet. Wir nennen Tarsus KI-Lerncoach, weil er tiefer geht als ein Tutor, der Fragen beantwortet: Er misst nach jeder Antwort den Lernstand, wählt den nächsten Schritt, übt auf dem eingestellten Niveau nach DQR und IHK-Operatoren und dokumentiert den Fortschritt im LMS.

Was unterscheidet einen KI-Tutor von ChatGPT?

ChatGPT ist ein KI-Assistent für fast alle Themen. Ein KI-Tutor wie Tarsus arbeitet nur mit den Unterlagen Ihres Kurses, kennt das Zielniveau, misst den Lernstand und bleibt bei der aktuellen Aufgabe. Den ausführlichen Vergleich finden Sie auf der Seite Tarsus vs. ChatGPT.

Wirken KI-Tutoren?

Die Forschung zu intelligenten Tutorsystemen zeigt deutliche Effekte, etwa im Median 0,66 Standardabweichungen in 50 kontrollierten Studien. Erste randomisierte Studien mit KI-Tutoren auf Basis großer Sprachmodelle sind vielversprechend, zum Beispiel an der Harvard University und in Nigeria. Entscheidend ist der didaktische Aufbau.

Kann ein KI-Tutor dem Lernen schaden?

Ja, wenn er Lösungen zum Abschreiben liefert. In einer Studie mit fast 1.000 Schülerinnen und Schülern schnitten Lernende mit freiem Zugang zu GPT-4 in der Prüfung ohne KI 17 % schlechter ab als die Kontrollgruppe. Eine Version mit Leitplanken, die Hinweise statt Lösungen gab, vermied diesen Effekt. Tarsus erklärt mit Rechenweg, stellt Rückfragen und lässt Lernende selbst üben, auf dem eingestellten Niveau.

Erfindet ein KI-Tutor Antworten?

Sprachmodelle können Fakten erfinden. Tarsus sucht deshalb vor jeder Antwort die passende Stelle in Ihren Unterlagen, antwortet nur daraus und nennt die Quelle. Die KI greift nicht auf das Internet zu.

Lässt sich der KI-Tutor von Tarsus in Moodle oder ILIAS nutzen?

Ja. Für Moodle und ILIAS gibt es kostenlose Open-Source-Plugins. Dazu kommen Articulate 360, HTML-Einbettung und eine API. Der Lernstand wird im LMS dokumentiert.

Wo liegen die Daten?

In einer eigenen Instanz bei Microsoft Azure in Deutschland, DSGVO-konform. Auf Wunsch betreiben Sie Tarsus auf Ihren eigenen Servern.

Gibt es einen KI-Tutor auf Deutsch?

Ja. Tarsus ist ein KI-Tutor aus Deutschland: Er arbeitet auf Deutsch mit Ihren Unterlagen, übt auf Zielniveaus nach DQR und IHK-Operatoren und speichert die Daten DSGVO-konform bei Microsoft Azure in Deutschland.

Gibt es einen kostenlosen KI-Tutor?

Lernende können Tarsus mit eigenen Unterlagen kostenlos testen, auf zero.tarsus.ai. Für den Einsatz in den Kursen einer Organisation gibt es das Starterpaket Pay-As-You-Grow.

Was kostet ein KI-Tutor von Tarsus?

Für den Einstieg gibt es das Starterpaket Pay-As-You-Grow: Sie zahlen nach Nutzung und legen sich nicht fest. Wer lieber mit festen Konditionen plant, nutzt Tarsus als Paket. Im Erstgespräch finden wir das Modell, das zu Ihrer Organisation passt.

Quellen

  1. Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), 4–16. doi.org/10.3102/0013189X013006004 (öffnet in neuem Tab)
  2. VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197–221. doi.org/10.1080/00461520.2011.611369 (öffnet in neuem Tab)
  3. Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review. Review of Educational Research, 86(1), 42–78. doi.org/10.3102/0034654315581420 (öffnet in neuem Tab)
  4. Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. doi.org/10.1038/s41598-025-97652-6 (öffnet in neuem Tab)
  5. De Simone, M. E., Tiberti, F., Barron Rodriguez, M., Manolio, F., Mosuro, W., & Dikoru, E. (2025). From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria. World Bank Policy Research Working Paper 11125. openknowledge.worldbank.org/entities/publication/15e1ff08-15ae-4f7a-b2a8-d146e6c113ee (öffnet in neuem Tab)
  6. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122. doi.org/10.1073/pnas.2422633122 (öffnet in neuem Tab)
  7. Roediger, H. L., & Karpicke, J. D. (2006). Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science, 17(3), 249–255. doi.org/10.1111/j.1467-9280.2006.01693.x (öffnet in neuem Tab)
  8. Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving Students’ Learning With Effective Learning Techniques. Psychological Science in the Public Interest, 14(1), 4–58. doi.org/10.1177/1529100612453266 (öffnet in neuem Tab)
  9. Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380. doi.org/10.1037/0033-2909.132.3.354 (öffnet in neuem Tab)
  10. Hattie, J., & Timperley, H. (2007). The Power of Feedback. Review of Educational Research, 77(1), 81–112. doi.org/10.3102/003465430298487 (öffnet in neuem Tab)
  11. Embretson, S. E., & Reise, S. P. (2000). Item Response Theory for Psychologists. Mahwah, NJ: Lawrence Erlbaum.
  12. Corbett, A. T., & Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. doi.org/10.1007/BF01099821 (öffnet in neuem Tab)
  13. Sweller, J., van Merriënboer, J. J. G., & Paas, F. (2019). Cognitive Architecture and Instructional Design: 20 Years Later. Educational Psychology Review, 31, 261–292. doi.org/10.1007/s10648-019-09465-5 (öffnet in neuem Tab)
  14. Laban, P., Hayashi, H., Zhou, Y., & Neville, J. (2025). LLMs Get Lost In Multi-Turn Conversation. arXiv:2505.06120. arxiv.org/abs/2505.06120 (öffnet in neuem Tab)
  15. Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. doi.org/10.1162/tacl_a_00638 (öffnet in neuem Tab)
  16. Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33. arxiv.org/abs/2005.11401 (öffnet in neuem Tab)
  17. Anderson, L. W., & Krathwohl, D. R. (Hrsg.) (2001). A Taxonomy for Learning, Teaching, and Assessing. New York: Longman.
  18. Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend: Der Deutsche Qualifikationsrahmen für lebenslanges Lernen (DQR). www.bmbfsfj.bund.de/bmbfsfj/der-deutsche-qualifikationsrahmen-fuer-lebenslanges-lernen-dqr--273870 (öffnet in neuem Tab)
  19. OpenAI (29. Juli 2025). Wir stellen vor: Lernmodus in ChatGPT. Beitrag im Blog von OpenAI.

Sehen Sie Tarsus mit Ihren Unterlagen

Im Erstgespräch zeigen wir Tarsus an einem Kurs aus Ihrem Bereich. Oder Sie testen den Lerncoach selbst, kostenlos.