KI-gestützte Lernstandsanalyse

Das echte Ausmaß des Problems

Lehrkräfte entwickeln im Laufe der Zeit ein intuitives Gespür dafür, wer gut mitkommt und wer nicht. Das Problem: Intuition ist kein zuverlässiges Diagnosewerkzeug. Sie ist anfällig für Sympathie-Bias (Schülerinnen, die man mag, werden positiver eingeschätzt), Aktivitäts-Bias (wer sich häufig meldet, fällt positiver auf) und Recency-Effekte (der letzte Eindruck überwiegt den Gesamtverlauf).

Die Forschung zur diagnostischen Kompetenz von Lehrkräften zeigt ein gemischtes Bild: Im Mittel liegen Lehrerurteile und Testergebnisse deutlich zusammen, im Einzelfall aber weichen sie spürbar ab, und die Treffsicherheit schwankt stark zwischen Lehrkräften. Eine belastbare Quote, in wie vielen Fällen Lehrkräfte falsch liegen, gibt es nicht, weil sie vom Test, vom Fach und von der Definition eines “Fehlurteils” abhängt.

Das Ergebnis im Alltag: Förderbedarf wird oft spät erkannt. Wie lange es vom ersten Auftreten einer Schwierigkeit bis zur ersten Fördermaßnahme dauert, erfasst keine Statistik. Was sich sagen lässt: Jede Woche, in der eine Lücke unbemerkt bleibt, baut der folgende Stoff auf ihr auf.

Bei Lernstörungen wie Legasthenie oder Dyskalkulie, die früh erkannt und gefördert deutlich bessere Prognosen haben, ist diese Verzögerung besonders folgenreich. Der Bundesverband Legasthenie und Dyskalkulie schätzt allein für die Legasthenie, dass 3 bis 10 Prozent der Schülerinnen und Schüler betroffen sind, je nach Diagnosekriterium.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Tabelle beschreibt, was sich ändert, nicht wie stark: Wie viel früher Förderbedarf an deiner Schule erkannt wird, zeigt erst der Vergleich über ein Schuljahr. Ob frühere Erkennung den Lernerfolg verbessert, hängt an der Fördermaßnahme, die folgt, und ist methodisch schwer isolierbar.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Lernstandsanalyse spart keine tägliche Arbeitszeit, sie verändert welche Arbeit getan wird. Die Stunden, die für die Analyse aufgewendet werden, ersetzen reaktive Krisenbearbeitung durch proaktive Förderentscheidungen. Das ist ein Qualitäts-, kein Zeitgewinn.

Kosteneinsparung, niedrig (2/5) Schule ist kein Profitcenter, und Förderstunden sind kein Bargeld: Sie kommen aus dem Stundenpool der Schule und werden von Lehrkräften im Rahmen ihres Deputats gegeben. Frühere, kleinere Interventionen können umfangreichere Spätinterventionen ersetzen, aber auch die frühe Förderung kostet Stunden, und ein Frühwarnsystem meldet auch Fälle, die sich ohne Förderung erledigt hätten. Gespart wird also kein Geld, bestenfalls werden dieselben Förderstunden wirksamer verteilt.

Schnelle Umsetzung, sehr niedrig (1/5) Das ist der anspruchsvollste Einstieg in dieser Kategorie. Voraussetzung: strukturierte digitale Leistungsdaten über mindestens ein Halbjahr, ein Datenschutzkonzept, ein konfiguriertes Analyse-Tool. Bis erste verwertbare Ergebnisse vorliegen, vergehen realistisch 8–16 Wochen. Wer heute anfängt, hat im Frühjahr erste Befunde.

ROI-Sicherheit, mittel (3/5) Der Nutzen ist real, aber schwer präzise zuzuordnen: Hat sich die Leistung verbessert, weil die Frühintervention geholfen hat, oder aus anderen Gründen? Diese Kausalität ist methodisch schwer zu isolieren. Was messbar bleibt: Ob Förderbedarf früher erkannt wird, das kann man direkt vergleichen.

Skalierbarkeit, hoch (4/5) Wenn das System einmal läuft und Daten strukturiert erfasst werden, skaliert die Analyse auf beliebig viele Klassen und Jahrgänge ohne proportional steigenden Aufwand. Daten aus früheren Jahren verbessern die Mustererkennung. Cross-Klassen-Analysen werden möglich.

Richtwerte, stark abhängig von vorhandener Datenbasis und digitaler Schulinfrastruktur.

Was KI hier konkret tut

KI-gestützte Lernstandsanalyse ist kein Ersatz für pädagogische Beobachtung, sie ist eine systematische Ergänzung. Machine Learning-Algorithmen und statistische Mustererkennungsverfahren analysieren Leistungsdaten auf Muster, die im Unterrichtsalltag nicht sichtbar sind.

Was das System konkret auswertet:

• Konsistente Fehler bei bestimmten Aufgabentypen (z. B. immer bei Textaufgaben, nie bei reinen Rechenaufgaben)
• Leistungsschwankungen von Test zu Test (Signal für Lerninstabilität oder externe Belastung)
• Veränderungen in Abgabeverhalten oder Aktivität in der Lernplattform über vier bis acht Wochen
• Abweichungen vom Klassentrend, wer fällt unter den Klassenstandard, obwohl die Klasse insgesamt stabil ist?

Was das System nicht kann:

• Familiäre Hintergründe, Tagesverfassung oder emotionale Belastungen berücksichtigen
• Ursachen für Muster erklären, nur Muster zeigen
• Pädagogische Entscheidungen treffen
• Mit Daten arbeiten, die nicht strukturiert vorliegen

Vier Schritte in der Praxis

Schritt 1, Datenbasis prüfen: Welche Leistungsdaten liegen digital vor? Noten, Testergebnisse, Aufgabenabgaben mit Zeitstempel, Moodle-Aktivitätsdaten? Ohne strukturierte Daten gibt es keine Analyse.

Schritt 2, Datenschutzkonzept abstimmen: Mit dem Datenschutzbeauftragten klären, welche Analysen zulässig sind. Die Analyse durch die eigene Lehrkraft für die eigene Klasse ist anders zu bewerten als eine systemische Auswertung durch die Schulleitung über alle Klassen. Letzteres erfordert Rechtsgrundlage aus dem Schulgesetz des Bundeslandes.

Schritt 3, Pilotanalyse für eine Klasse: Erste systematische Auswertung für eine Pilotklasse. Erkenntnisse mit bisheriger Lehrereinschätzung vergleichen, werden neue Fälle sichtbar? Wird die Einschätzung bestätigt? Das schärft das Vertrauen ins System.

Schritt 4, Datenbasierte Förderentscheidung dokumentieren: Wenn eine Fördermaßnahme eingeleitet wird, Ausgangsbefund, Maßnahme und Verlauf dokumentieren. Das schafft eine evidenzbasierte Grundlage für Eltern- und Schulleitungsgespräche.

Rechtliche Besonderheiten

Lernstandsanalyse mit KI betrifft Daten von Minderjährigen, und fällt damit in den sensibelsten Datenschutzbereich des Bildungswesens.

EU AI Act: Adaptive Lernsysteme und KI-Systeme zur Identifikation von Lernschwierigkeiten fallen unter Anhang III Nr. 3 Buchst. b der EU-KI-Verordnung 2024/1689: Bewertung von Lernergebnissen, einschließlich des Falles, dass diese Ergebnisse dazu dienen, den Lernprozess zu steuern. Das ist genau die Beschreibung eines adaptiven Systems, also Hochrisiko-KI. Die zugehörigen Pflichten aus Kapitel III Abschnitte 1 bis 3, Risikomanagement, menschliche Aufsicht und Transparenz gegenüber Betreibern, gelten seit der Änderung durch die Verordnung (EU) 2026/1744 erst ab dem 2. Dezember 2027, ursprünglich war der 2. August 2026 vorgesehen. Schulen als Betreiber müssen diese Anforderungen beim Anbieter einfordern, und die Auswahlentscheidung fällt lange vor dem Stichtag.

DSGVO und Minderjährige: Öffentliche Schulen verarbeiten Schülerdaten auf Grundlage des Schulgesetzes ihres Landes (Art. 6 Abs. 1 Buchst. e DSGVO), ergänzt durch das Landesdatenschutzgesetz; das BDSG gilt für sie nicht. Art. 8 DSGVO betrifft nur die Einwilligung eines Kindes bei Online-Diensten, die ihm direkt angeboten werden, und ist für die Auswertung durch die Schule nicht die maßgebliche Norm. Erwägungsgrund 38 DSGVO betont aber den besonderen Schutz von Kinderdaten. Für Verarbeitungen außerhalb des gesetzlichen Bildungsauftrags braucht es eine Einwilligung, bei Minderjährigen in der Regel die der Erziehungsberechtigten.

Bundesländerunterschiede: Die Rechtsgrundlage für KI-gestützte Lernstandsanalyse hängt stark vom Bundesland ab. In NRW regelt § 120 SchulG den Schutz der Daten von Schülerinnen, Schülern und Eltern; ob er ein bestimmtes adaptives System trägt, klärt die oder der Datenschutzbeauftragte vor dem Einsatz. Bayern stellt mit mebis in der BayernCloud Schule eine landeseigene Lernplattform auf Moodle-Basis bereit. Mehrere Landesdatenschutzbeauftragte, etwa in Baden-Württemberg, haben Hinweise zum KI-Einsatz veröffentlicht. Vor dem Einsatz: Leitfaden des zuständigen Landesdatenschutzbeauftragten prüfen.

AVV und Auftragsverarbeitung: Sobald ein externer Anbieter Schülerdaten verarbeitet, ist ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO erforderlich. Alle genannten etablierten LMS-Anbieter stellen AVV bereit.

Konkrete Werkzeuge, was wann passt

Moodle mit Analytics-Plugins, Das meistgenutzte Open-Source-LMS an deutschen Schulen. Mit Analytics-Erweiterungen (Moodle Analytics) können Aktivitätsdaten, Abgabezeitpunkte und Quiz-Ergebnisse auf Risikomuster analysiert werden. Vollständig selbst hostbar, höchste Datensouveränität, technischer Aufwand für Setup erforderlich. Kostenlos.

Itslearning , LMS mit integrierten Lernfortschrittsberichten und zunehmenden Analyse-Features. In Deutschland vor allem über Dataport angebunden, etwa in Hamburg, Schleswig-Holstein und Bremen. AVV verfügbar, Datenhaltung in der EU.

Julius AI , Für datenaffine Lehrkräfte: CSV-Export aus dem LMS hochladen, natürlichsprachliche Analyse der Klassenleistung durchführen. „Zeige mir, bei welchen Aufgabentypen die Klasse in den letzten vier Tests nachgelassen hat.” US-Anbieter ohne AVV mit der Schule, deshalb nur mit aggregierten Klassendaten ohne Einzelzeilen. Kürzel wie „Schüler A” machen Daten nicht anonym, solange du die Zuordnung kennst. Der Plus-Tarif kostet 16 US-Dollar im Monat bei Jahreszahlung, 20 US-Dollar monatlich.

ChatGPT , Für die Analyse aggregierter Leistungsdaten als Tabelle: Fehlermuster auf Klassenebene identifizieren, Förderschwerpunkte ableiten. Keine personenbezogenen Schülerdaten, auch keine Einzelzeilen mit Kürzeln. Plus kostet 23 Euro/Monat.

Power BI , Für Schulleitung und Bildungseinrichtungen, die klassenübergreifende Lernstandsanalyse betreiben wollen. Aggregierte Darstellungen auf Klassen- und Jahrgangsstufenebene, ohne Schüleridentifikation. Gut für strategische Schulentwicklung, nicht für den täglichen Lehrkräfteeinsatz.

Wann welcher Ansatz:

• Moodle bereits im Einsatz → Analytics-Plugins als erster Schritt (kein neues System)
• Schneller Einstieg mit vorhandenen Notentabellen → Einzelauswertung in der eigenen Tabellenkalkulation, Julius AI nur für aggregierte Klassendaten
• Schulweite Qualitätsanalyse ohne Schüleridentifikation → Power BI

Datenqualität als Voraussetzung

Lernstandsanalyse funktioniert nur so gut wie die Daten, die ihr zugrunde liegen. Das klingt trivial, ist aber in der Praxis der häufigste Grund, warum Projekte nicht die erwarteten Ergebnisse liefern.

Mindestanforderungen für sinnvolle Analyse:

• Digitale Aufgaben und Tests mit strukturierter Ergebniserfassung (nicht nur Gesamtnote, sondern Punkte je Aufgabe)
• Mindestens 6–8 Wochen Datenlage, drei Testergebnisse liefern einen Hinweis, aber noch kein belastbares Muster
• Konsistente Aufgabenstruktur, wenn jede Klausur anders aufgebaut ist, sind Muster schwer vergleichbar

Was häufig fehlt:

• Einheitliche digitale Erfassung über alle Lehrkräfte hinweg, wenn eine Lehrkraft analog arbeitet, fällt dieser Teil der Klasse aus der Analyse
• Differenzierte Aufgabenergebnisse statt nur Gesamtnoten
• Kontinuierliche Datenerfassung, nicht nur bei Großklassenarbeiten

Wenn die Datenbasis nicht mindestens diese Voraussetzungen erfüllt, lautet der sinnvolle erste Schritt: Datenbasis verbessern, nicht KI-Tool einführen.

Was es kostet, realistisch gerechnet

Einstieg (Moodle-Analytics oder LMS-interne Berichte):

• Kosten: 0 Euro (wenn Moodle bereits im Einsatz)
• Voraussetzung: Strukturierte Aufgaben und Tests im LMS, regelmäßige digitale Abgaben
• Erste Muster in Klassenleistungsdaten sichtbar machen

Erweiterte KI-Analyse (Julius AI + LMS-Datenexport):

• Kosten: Julius AI im Plus- oder Pro-Tarif, je nach Abrechnung zwischen 16 und 45 US-Dollar im Monat
• Nutzen: Mustererkennung auf Klassenebene, Förderschwerpunkte, schnellere Sicht auf Aufgabentypen mit Problemen
• Voraussetzung: Nur aggregierte Daten ohne Einzelzeilen, Datenschutzklärung vorab

Was sich in Stunden verschiebt, nicht in Euro: Angenommen, eine Schule mit 400 Schülerinnen erkennt dank Datenanalyse fünf Förderfälle im Jahr früher. Dann werden deren Förderstunden früher und vielleicht in kleinerem Umfang gebraucht, die Stunden kommen aber aus demselben Stundenpool und werden von denselben Lehrkräften gegeben. Dazu kommen Hinweise, die sich als Fehlalarm erweisen und trotzdem ein Gespräch oder einen Diagnosetest kosten. Ob die frühe Förderung am Ende weniger Stunden braucht als die späte, belegt keine Studie, die wir kennen; messbar ist es an deiner Schule über zwei Schuljahre. Echtes Geld kosten dagegen die Werkzeuge, bei Julius AI Plus 12 mal 16 US-Dollar im Jahr.

Drei typische Einstiegsfehler

1. Mit unzureichender Datenbasis starten. Das ist der häufigste Fehler: Analyse-Tool einführen, bevor strukturierte Leistungsdaten vorhanden sind. Das Ergebnis sind Ergebnisse ohne Aussagekraft. Zuerst Datenbasis strukturieren, dann analysieren, nicht umgekehrt.

2. Datenschutz als Blocker statt als Rahmenbedingung. „Wir dürfen das nicht” ist oft keine rechtliche Aussage, sondern eine Ausweichantwort auf eine ungeklärte Frage. Die Realität: Lehrkräfte dürfen Leistungsdaten ihrer eigenen Klasse für eigene Analyse nutzen, das ist ihr gesetzlicher Auftrag, allerdings in den Systemen, die Schule oder Land dafür freigegeben haben, nicht in einem privaten Konto bei einem US-Dienst. Was systemische Auswertungen durch Schulleitung oder externe Anbieter betrifft, braucht es Rechtsgrundlage. Diesen Unterschied früh klären, nicht als Gesamtverbot behandeln.

3. Zu viele Alerts, zu wenig Priorität. Wenn das System bei 40 Prozent der Schülerinnen einen „Hinweis auf Förderbedarf” ausgibt, wird niemand handeln. Gute Frühwarnsysteme priorisieren: wenige, klare Signale für die dringlichsten Fälle. Beim Konfigurieren darauf achten, lieber drei klare Alerts als dreißig generische.

Was mit der Einführung wirklich passiert, und was nicht

Lernstandsanalyse trifft auf einen Widerstand, der spezifisch für den pädagogischen Kontext ist: den Eindruck, das professionelle Urteil der Lehrkraft werde durch Daten ersetzt.

Das ist eine falsche Lesart, aber eine verständliche. Wer zwanzig Jahre Erfahrung hat, Schülerinnen kennt, Lernbiografien kennt, fühlt sich durch ein Daten-Dashboard nicht bestätigt, sondern hinterfragt. Die produktive Rahmung: Daten als zweite Meinung, nicht als Ersatzurteil. Kein Datensystem kann Tagesverfassung, Familienstruktur und pädagogische Beziehung abbilden. Was Daten können: Blinde Flecken der Wahrnehmung sichtbar machen, die stillen Schülerinnen, die nicht auffallen, aber konsistente Muster zeigen.

Was konkret hilft:

• Erste Pilotanalyse mit einer Lehrkraft durchführen, die das Ergebnis mit ihrer eigenen Einschätzung vergleicht, und dann der Klasse berichtet, was neu war
• Datensystem immer als Werkzeug der Lehrkraft positionieren, nie als Überwachungsinstrument der Schulleitung
• Elterngespräche datengestützt vorbereiten: „Ich habe mir die letzten acht Tests angesehen und folgendes Muster bemerkt” wirkt professioneller als „ich habe das Gefühl”

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Ich kenne meine Schülerinnen besser als jede KI.” Ohne Zweifel. KI kennt keine Lernbiografien, familiären Hintergründe oder Tagesverfassung. Was KI besser kann als menschliche Wahrnehmung: konsistente Datenmuster über viele Datenpunkte hinweg erkennen, ohne Recency-Effekte, Sympathie-Bias oder kognitive Überlastung. Die Kombination beider Perspektiven ist stärker als jede einzelne.

„Wir haben keine Zeit, neue Software zu lernen.” Der reale Aufwand hängt stark vom Setup ab. Wenn Moodle bereits im Einsatz ist und Schülerinnen regelmäßig digital einreichen, ist der Analyseschritt eine Erweiterung, nicht ein neues System. Für den einfachen Einstieg reicht der Export einer Punktetabelle und eine Auswertung in der Tabellenkalkulation, die du ohnehin nutzt, kein neues System, keine neuen Logins.

„Was ist mit dem Datenschutz?” Das ist die richtige Frage, keine Ausrede. Konkret klären: Wer wertet was aus? Lehrkraft für eigene Klasse oder Schulleitung für alle? Ersteres ist in fast allen Bundesländern erlaubt. Für Letzteres braucht es eine explizite Rechtsgrundlage. Diesen Unterschied kennen und kommunizieren.

Woran du merkst, dass das zu dir passt

• Ihr nutzt Moodle oder ein anderes LMS mit digitalem Aufgaben- und Test-Workflow
• Förderbedarf wird aktuell hauptsächlich durch Elterngespräche oder Klassenkonferenzen, nicht durch systematische Datenauswertung, sichtbar
• Es gibt Schülerinnen, bei denen ihr im Nachhinein sagt: „Das hätten wir früher sehen können”
• Die Schulleitung hat Interesse an evidenzbasierter Qualitätsentwicklung

Wann es sich (noch) nicht lohnt: Wenn weniger als 60 Prozent der Leistungserhebungen digital mit strukturierten Ergebnisdaten stattfinden, ist die Datenbasis zu dünn für sinnvolle Analyse. Wenn keine Lehrkraft bereit ist, die ersten Wochen in Datenqualität und Datenschutzklärung zu investieren, wird das System nicht produktiv.

Drei harte Ausschlusskriterien:

1. Keine strukturierte digitale Leistungserfassung: Wenn Tests und Aufgaben hauptsächlich auf Papier abgewickelt werden und nur Gesamtnoten erfasst werden, gibt es keine analysierbare Datenbasis, unabhängig vom Tool.
2. Kein geklärter Datenschutzrahmen: In Bundesländern ohne klare schulrechtliche Grundlage für KI-gestützte Lernstandsanalyse sollte kein System produktiv betrieben werden, bevor die rechtliche Situation mit dem zuständigen Datenschutzbeauftragten geklärt ist.
3. Schule ohne zumindest eine technisch interessierte Lehrkraft: Setup und Pflege erfordern jemanden, der bereit ist, 4–8 Wochen in Konfiguration und Datenqualität zu investieren. Ohne diese Person läuft das System nicht.

Das kannst du heute noch tun

Wenn ihr Moodle im Einsatz habt: Exportiere die Ergebnisse der letzten fünf Tests deiner Klasse mit Punkten je Aufgabe. Wichtig: Eine Tabelle mit „Schüler A bis Z” ist nicht anonym, sondern pseudonymisiert, denn du kennst die Zuordnung. Solche Einzelzeilen gehören nicht in ein privates Konto bei Julius AI oder ChatGPT, sondern nur in ein Werkzeug, für das deine Schule oder dein Land eine Auftragsverarbeitung vereinbart hat, oder in deine eigene Tabellenkalkulation. Den Einzelverlauf wertest du deshalb dort aus, mit einer bedingten Formatierung, die jeden Rückgang über zwei Tests markiert.

Für die KI-Frage bildest du vorher die Klassenmittelwerte je Aufgabentyp und Test, ohne eine Zeile pro Person, und fragst: „Gibt es Aufgabentypen, bei denen die Klasse über die Tests hinweg schlechter abschneidet?” Das dauert 20 Minuten. Was du danach weißt: Ob deine Daten ausreichend strukturiert sind, und ob die Auswertung dir Muster zeigt, die du noch nicht gesehen hattest.

Der folgende Prompt arbeitet mit Einzelzeilen je Schülerin. Er ist deshalb nur für ein KI-Werkzeug gedacht, für das deine Schule einen Auftragsverarbeitungsvertrag hat, nicht für ein privates Konto.

Quellen & Methodik

• Prävalenz Legasthenie: Bundesverband Legasthenie und Dyskalkulie (BVL), Schätzung 3 bis 10 Prozent je nach Diagnosekriterium (wie auf unserer Seite zur Legasthenie-Früherkennung)
• EU AI Act Hochrisiko Bildung: EU-KI-Verordnung 2024/1689, Anhang III Nr. 3 Buchst. b; in Kraft seit 1. August 2024, Pflichten aus Kapitel III Abschnitte 1 bis 3 ab 2. Dezember 2027 nach Verordnung (EU) 2026/1744.
• Datenschutz an Schulen: Art. 6 Abs. 1 Buchst. e und Erwägungsgrund 38 DSGVO; Schulgesetze und Landesdatenschutzgesetze der Länder, exemplarisch § 120 SchulG NRW (Schutz der Daten von Schülerinnen und Schülern und Eltern).
• Bundesland-Angebote und Hinweise: mebis in der BayernCloud Schule; Hinweise des LfDI Baden-Württemberg zu Rechtsgrundlagen beim KI-Einsatz.
• Preisangaben: Unsere Toolseiten zu Julius AI und ChatGPT (Stand September 2026)