Diese Seite erklärt Schritt für Schritt, wie Lernspiegel aus Lernstandserfassungen und Online-Übungen automatisch eine Einschätzung und eine passende Übungsempfehlung für jede Schülerin und jeden Schüler ableitet.
Adaptive Empfehlungen stützen sich auf zwei voneinander unabhängige Datenquellen pro Kompetenz.
Lernstandserfassung (manuell)
Die von der Lehrperson erfassten Beurteilungsergebnisse, als Score 0–10 pro Kompetenz. Optionale Notizen werden zusätzlich auf Schlüsselbegriffe (Verwechslung, Merkproblem, Sprachbarriere …) ausgewertet.
Online-Übungen
Resultate abgeschlossener Übungssitzungen in Prozent, inkl. Anzahl Sitzungen, Antwortzeiten pro Aufgabe und gewählter Antwortoptionen, Grundlage für Trend- und Fehlermuster-Analyse. Sitzungen aus der Einstiegs-Übung (Plattform-Tutorial) zählen nicht mit.
Pro Klasse stehen sechs Steuerungen zur Verfügung. Sie legen fest, welche Daten in die Einschätzung einfliessen, wie sie gewichtet werden, ab wann und in welchen Fächern die Empfehlung im Schüler-Dashboard erscheint und wann ein Kind in die nächst-schwierigere Übung aufrückt.
So wandelt das System die Rohdaten in eine konkrete Empfehlung um.
Pro Kompetenz wird der manuelle Score eingelesen und es werden alle Online-Sitzungen im gewählten Zeitraum (Standard 3 Monate, klassenseitig einstellbar) aggregiert: Durchschnitt, neuester Wert, Sitzungsanzahl und Datum.
Der manuelle Score wird in vier Stufen klassifiziert (Grosser Förderbedarf / Unsicher / Teilweise gesichert / Gesichert). Die Grenzen folgen den Bewertungsstufen der Klasse. Die Online-Sitzungen ergeben einen Trend: ↑ Verbesserung, → Stagnation, ↓ Rückschritt oder = Stabil. Einen Trend gibt es erst ab zwei aktuellen Sitzungen. Darunter steht Einzelwert (nur eine Sitzung) bzw. Kein aktueller Trend (mehrere Sitzungen, aber keine zwei aus den letzten 120 Tagen).
Beide Quellen werden gewichtet zusammengeführt (ältere Daten zählen weniger). Die Differenz
zwischen Erfassung und Online ergibt eine Konfidenz:
high ≤ 20 % · medium 20 – 40 % · conflict > 40 % ab drei Online-Sitzungen.
Die Kombination manuelles Muster × Online-Trend ergibt eine konkrete Einschätzung
(z. B. «Strukturelles Defizit») und eine Massnahme (z. B. «Erklärungsgespräch»).
Bei conflict übersteuert ein Sonderfall die Matrix.
Sobald Online-Daten vorliegen und der Schwäche-Score über 30 liegt, werden zusätzlich Fehlermuster aus den einzelnen Antworten erkannt, z. B. «Rät schnell», «Systematischer Irrtum», «Transferproblem». Stützt sich die Einschätzung nur auf die manuelle Erfassung, entfällt dieser Schritt.
Wenn die Massnahme eine konkrete Übung verlangt (Einstiegsübung, Wiederholung, nächste Stufe, anderes Format), sucht das System ein zur Kompetenz und zur Klasse passendes Set. Auch das Erklärungsgespräch bekommt eines: als Folge-Übung nach dem Gespräch, immer auf der Stufe Einfach. Dabei wird die Schwierigkeitsstufe (Einfach / Mittel / Schwer) automatisch an die Schwere der Schwäche angepasst:
• Grosser Förderbedarf oder „Einstiegsübung" → Einfach
• Unsicher / Teilweise gesichert oder „Anderes Format" → Mittel
• Gesichert oder „Nächste Stufe" / Online-Verbesserung → Schwer
Zusätzlich gilt eine Aufwärts-Korrektur: war die letzte Online-Session ≥ 80 %, wird die Ziel-Schwierigkeit auf mindestens eine Stufe über der gerade absolvierten gehoben. So bekommt ein Kind, das eine Mittel-Übung gut bestanden hat, beim nächsten Mal Schwer vorgeschlagen und nicht versehentlich Einfach.
Sets, in denen das Kind die Aufstiegs-Schwelle bereits erreicht hat (Standard 80 %, pro Klasse einstellbar), werden ausgeschlossen, so rückt das Kind automatisch auf die nächste Stufe vor, sobald die aktuelle gemeistert ist. Ebenfalls ausgeschlossen werden Sets, in denen das Kind 5-mal oder mehr versucht hat, ohne die Schwelle zu erreichen (Anti-Loop): das System weicht dann auf ein anderes Set oder eine andere Methode aus, statt dieselbe Übung endlos zu wiederholen.
Wenn beide Quellen vorliegen, ergibt die Kombination aus manuellem Score (Zeile) und Online-Trend (Spalte) eine von 16 Einschätzungen plus Massnahme. Die Farbe zeigt die Dringlichkeit.
| ↑ Verbesserung | → Stagnation | ↓ Rückschritt | = Stabil | |
|---|---|---|---|---|
| Grosser FörderbedarfScore < 4 | Erste Fortschritte sichtbar 🔄 Übung wiederholen |
Strukturelles Defizit 💬 Erklärungsgespräch |
Zunehmendes Defizit 💬 Erklärungsgespräch |
Anhaltende Schwäche 📖 Einstiegsübung |
| Unsicher4 ≤ Score < 6 | Erste Fortschritte sichtbar 🔄 Übung wiederholen |
Stagnation 🔀 Anderes Format |
Rückfall 📖 Einstiegsübung |
Knapp unter Ziel 📖 Einstiegsübung |
| Teilweise gesichert6 ≤ Score < 7.5 | Guter Fortschritt ⬆️ Schwierigere Übung |
Methode überdenken 🔀 Anderes Format |
Plötzlicher Einbruch 📖 Einstiegsübung |
Stabil 👁️ Beobachten |
| GesichertScore ≥ 7.5 | Dynamik läuft 👁️ Beobachten |
Desinteresse trotz Stärke 🗣️ Gespräch führen |
Widerspruch: gesichert vs. online unsicher 🔍 Neu erfassenLiegt der Online-Schnitt noch bei ≥ 80 %, stuft der Niveau-Guard auf «Leichter Online-Rückgang (Niveau ok)» · 👁️ Beobachten herab. |
Gesichert 👁️ Beobachten |
Wenn nur eine Quelle vorliegt oder beide Quellen sich widersprechen, wird die Matrix übersteuert.
Damit veraltete Schwächen nicht endlos hervorgehoben werden, prüft das System zusätzlich, wie sich die Schülerin oder der Schüler bei verwandten Kompetenzen desselben Kompetenzbereichs entwickelt hat. Ergibt sich dort ein deutlich besseres Bild, wird die Empfehlung angepasst.
Wenn Online-Übungsdaten vorliegen und eine spürbare Schwäche besteht, ergänzt das System zusätzliche Hinweise zu erkannten Mustern in den Antworten. Sie erscheinen als kleine Badges in der Spalte «Einschätzung & Begründung».
Mindestens vier Antworten kommen sehr schnell und sind falsch, deutet auf Raten statt Nachdenken hin.
Viele verschiedene Fehler ohne erkennbares Muster, grundlegendes Verständnis fehlt.
Auffällig schnelle Antworten ohne korrekte Lösung, fehlendes Engagement.
Einfache Aufgaben gelingen, schwierigere nicht, Wissen kann nicht auf neue Situationen übertragen werden.
Bei Wiedererkennungsaufgaben (Multiple Choice) deutlich besser als bei freien Abrufaufgaben (Lückentext, Kurzantwort), Wissen ist vorhanden, aber nicht frei abrufbar.
Bei Auswahlaufgaben (Multiple Choice) deutlich besser als beim selbst Ausrechnen (Zahlen- und Bruchantworten), das Vorgehen sitzt noch nicht.
Immer dieselbe falsche Antwort wird gewählt, deutet auf ein festes Fehlkonzept hin.
Bei Wahr/Falsch-Aufgaben wird übermässig oft «wahr» gewählt, unabhängig vom Inhalt.
Bei Wahr/Falsch-Aufgaben wird übermässig oft «falsch» gewählt, unabhängig vom Inhalt.
Antworten sind oft nur teilweise richtig, Grundverständnis vorhanden, aber unvollständig oder ungenau.
Jede Empfehlung trägt eine Konfidenz, die zeigt, wie sicher sich das System bei der Einschätzung ist.
Erfassung und Online bestätigen sich gegenseitig (Abweichung ≤ 20 %).
Nur eine Quelle vorhanden, moderate Abweichung (20 – 40 %) oder eine grosse Abweichung, die erst ein oder zwei Sitzungen belegen.
Quellen widersprechen sich (> 40 % Abweichung, belegt durch mindestens drei Online-Sitzungen), Erfassung wiederholen.
Im Hintergrund jeder Empfehlung steht der weakness_score (0–100), eine
normalisierte, gewichtete Zusammenführung von manueller Erfassung und Online-Übungen
inkl. Trend-Modifier. Er ist in der Tabelle nicht direkt sichtbar (das Einschätzungs-Label
allein soll für die Lesarbeit zuständig sein), wirkt aber an zwei zentralen Stellen:
weakness_score absteigend vorsortiert: Kompetenzen mit dem höchsten Förderbedarf erscheinen zuoberst.Den Status in der Tabelle (🔴 Kritisch · 🟡 Handlungsbedarf · 🟢 auf Kurs · ⬜ keine Daten) bestimmt nicht der Score, sondern die Massnahme: Verlangt die Engine nichts, also 👁️ Beobachten (oder ⬆️ Schwierigere Übung, eine Massnahme aus Stärke), steht die Zeile auf auf Kurs. Verlangt sie etwas, steht sie auf Handlungsbedarf. Die Einschätzungen «Grosser Förderbedarf», «Zunehmendes Defizit», «Plötzlicher Einbruch» und «Rückfall» gelten unabhängig davon als kritisch. So steht nie «auf Kurs» neben einer empfohlenen Übung. Nur bei «Nur Online-Daten» kommt der Score dazu: diese Einschätzung sagt nichts über die Schwere aus, sie steht für 19 % genauso wie für 70 %. Ab einem Schwäche-Score von 60, das entspricht Score 4/10, wird daraus Kritisch statt Handlungsbedarf. Eine Anpassung des Gewichtungs-Sliders (manuell vs. online) in den Klassen-Einstellungen kann den Score verschieben und damit die Sortier-Reihenfolge.
Wichtig: Die Höhe des Scores bedeutet Handlungsbedarf aus der Engine-Sicht, nicht „Leistungsstand des Kindes". Ein Kind mit hohem Score ist nicht „schwach", sondern in dieser Kompetenz aktuell mit einer Massnahme oder Übung zu unterstützen.
Jede Einschätzung endet zusätzlich in einer von acht konkreten Massnahmen. Die ersten vier schlagen ein konkretes Übungsset vor, das Erklärungsgespräch eines als Folge-Übung, die letzten drei verlangen allein pädagogisches Handeln.
Für interessierte Lehrpersonen: die exakten Formeln, Schwellenwerte und Prioritäten, die hinter jeder Empfehlung stehen, nachvollziehbar Schritt für Schritt.
Aus jedem erfassten Score (0–10) wird pro Kompetenz eine Schwäche-Stärke und ein Pattern abgeleitet:
weakness_manual = max(0, (10 − score) × 10)
Pattern (Standard-Bewertungsstufen):
score < 4.0 → critical_deficit
score < 6.0 → borderline
score < 7.5 → average
score ≥ 7.5 → mastered
Eigene Bewertungsstufen der Klasse:
grenze = «Erreicht»-Schwelle der Klasse
kritisch = Untergrenze der höchsten Stufe unter grenze
(ohne die unterste; sonst grenze × 2/3)
gesichert = grenze + (10 − grenze) × 0.375
(abgeleitete Werte auf halbe Punkte gerundet)Notizen werden zusätzlich auf Schlüsselbegriffe geprüft (Verwechslung, Merkproblem, Aufmerksamkeit, Verständnis, Fortschritt, Sprachbarriere) und ergeben optional ein notes_pattern.
Pro Kompetenz werden alle abgeschlossenen Übungs-Sessions aggregiert (Werte 0–100 %):
avg_pct = Mittel aller Session-Scores
latest_pct = Score der jüngsten Session
session_count = Anzahl Sessions
weakness_online = (1 − avg_pct ÷ 100) × 100Für die Trend-Bestimmung werden nur aktuelle Sessions (max. 120 Tage alt) berücksichtigt. Alte Daten würden sonst eine veraltete Phase mit aktuellem Stand vermischen und den Trend verzerren. Aus dem Vergleich des jüngsten Scores mit dem Median der älteren wird ein Trend bestimmt; er liefert einen trend_modifier, der direkt in die Einschätzung einfliesst. Der Median (statt arithmetisches Mittel) sorgt dafür, dass ein einzelner Ausreisser — z. B. ein kranker Tag — den Trend nicht kippt. Die Stärke skaliert mit der Anzahl frischer Sessions, damit wenige Datenpunkte nicht voll durchschlagen:
diff = latest_pct − median(älteren aktuellen Sessions)
Maximaler Modifier nach Anzahl aktueller Sessions:
2 Sessions → max ±5
3–4 Sessions → max ±8
≥ 5 Sessions → max ±10
Trend (nur ab 2 aktuellen Sessions):
diff ≥ +10 → improving · trend_modifier = −max
diff ≤ −10 → regressing · trend_modifier = +max
≥ 3 Sessions UND avg < min(Aufstiegs-Schwelle, 80 %)
→ plateauing · trend_modifier = +max ÷ 2
sonst → stable · trend_modifier = 0
Weniger als 2 aktuelle Sessions (kein Trend bestimmbar):
genau 1 Session insgesamt → single · trend_modifier = 0
mehrere, aber keine zwei
aus den letzten 120 Tagen → stale · trend_modifier = 0Alters-Gewichtung Online: die jüngste Session bestimmt das Alter; mit zunehmenden Tagen wird das Online-Signal in vier Stufen geringer gewichtet (siehe Abschnitt 10.3).
Wenn beide Quellen vorhanden sind, werden ihre Schwäche-Werte gewichtet kombiniert. Basis ist der Klassen-Slider manualWeightPct (0–100). Auf die Basis wirkt eine gleitende 4-stufige Alters-Gewichtung, sie ersetzt die frühere harte Halbierung an einer einzigen Schwelle und vermeidet Cliff-Effekte:
// Manuell: // Online:
ageFactorManual(days): ageFactorOnline(days):
≤ 90 Tage → 1.00 ≤ 60 Tage → 1.00
≤ 180 Tage → 0.75 ≤ 120 Tage → 0.75
≤ 365 Tage → 0.50 ≤ 180 Tage → 0.50
> 365 Tage → 0.25 > 180 Tage → 0.25
m_base = manualWeightPct ÷ 100 // Anteil manuell
o_base = 1 − m_base // Anteil online
m_weight = m_base × ageFactorManual(manual_age_days)
o_weight = o_base × ageFactorOnline(online_age_days)
total = m_weight + o_weight
mw = m_weight ÷ total // normalisiert
ow = o_weight ÷ total
combined = manual_weakness × mw
+ online_weakness × ow
+ trend_modifier × min(1, ow ÷ 0.5)
weakness_score = clamp(combined, 0, 100)delta = | manual_weakness − online_weakness |
Konfidenz:
delta ≤ 20 → high
delta ≤ 40 → medium
delta > 40 UND ≥ 3 Online-Sessions → conflict
delta > 40 mit weniger Sessions → mediumEin Widerspruch muss ein Muster sein, keine Momentaufnahme: Eine einzelne schwache
Sitzung (kranker Tag, Abbruch) kippt die Beurteilung der Lehrperson nicht in «neu
erfassen». Bei nur einer Quelle ist die Konfidenz immer medium. Bei conflict übersteuert ein Sonderfall die Einschätzungs-Matrix (siehe Section 5).
Wenn andere Kompetenzen im selben Bereich Online-Daten liefern, werden zwei Korrekturen geprüft:
(a) Dämpfung: wenn Geschwister im Schnitt > 60 % erreichen und die manuelle Erfassung > 60 Tage alt ist, wird die Schwäche dieser Kompetenz proportional reduziert (max. 25 %):
Wenn peer_avg_pct > 60 UND manual_age > 60 Tage:
factor = 1 − min(0.25, (peer_avg_pct − 60) ÷ 160)
combined = combined × factor(b) Stale-Reassess Guard: eine veraltete manuelle Schwäche wird in „neu erfassen" umgewandelt, wenn alle vier Bedingungen zutreffen:
critical_deficit oder borderline→ Einschätzung wird auf stale_reassess / Action auf reassess gesetzt.
Aus dem manuellen Pattern und dem Online-Pattern wird ein Einschätzungs-Label und eine Action ausgewählt (siehe Section 4 für die volle 4×4-Matrix). Sonderfälle haben Priorität:
conflict → surface_mastery (wenn manuell beherrscht) oder assessment_discrepancymastered + keine Online-Daten → Eintrag wird ganz übersprungensurface_mastery + Online-Schnitt ≥ 80 % → mastery_dip / watch_only. Ein Rückgang innerhalb eines hohen Bandes (96 → 86 %) ist meist Rauschen und soll keine neue Erfassung auslösen.stale_reassessWenn die Action ein konkretes Übungs-Set verlangt, bestimmt das System eine Ziel-Schwierigkeit (1=Einfach, 2=Mittel, 3=Schwer):
Action-Type ist explizit:
easiest_available → 1 (Einfach)
next_level → wenn letzte Schwierigkeit bekannt:
min(3, letzte_Schwierigkeit + 1)
sonst 3 (Schwer)
Sonst aus Pattern:
manual = critical_deficit → 1
manual = borderline → 2
manual = average → 2
manual = mastered → 3
nur online: regressing → 1, plateauing → 2, improving → 3
Default → 2
Aufwärts-Korrektur (überschreibt nur höher, nie tiefer):
letzte Online-Session ≥ 80 % → target = min(3, letzte_Schwierigkeit + 1)
+ min_difficulty = letzte_Schwierigkeit
(harte Untergrenze: keine leichteren Sets)stable), die
Matrix dann auf easiest_available routet und eine eben gut
bestandene Mittel-Übung versehentlich zur Einfach-Empfehlung führen würde.
Die Untergrenze sorgt zusätzlich dafür, dass kein leichteres Set
vorgeschlagen wird, wenn alle gleich-/höher-stufigen Sets bereits bestanden
sind. Dann wird lieber keine Empfehlung gemacht.
Aus allen Sets, die (a) mit der Kompetenz verknüpft, (b) aktiv, (c) reguläre Übungssets (keine Einstiegs- oder Standortbestimmungs-Sets) und (d) für die Klasse zulässig sind, werden zwei Arten von Sets ausgeschlossen:
Aus dem Rest wird sortiert:
1. ABS(set.difficulty − target_difficulty) ASC
2. Bereits zugewiesen DESC (vorhandene zuerst)
3. Letzter Score ASC (schwächere zuerst)
4. set.difficulty ASC (Tiebreak: leichter)
5. set.id DESC (Tiebreak: neuer)
LIMIT 1Alternative über den Lehrplan 21: Bleibt unter den direkt verknüpften Sets keines übrig, sucht das System nach denselben Regeln unter den Sets derselben LP21-Kompetenzstufe (zum Beispiel MA.1.A.2.d): solche, die mit einer anderen Kompetenz dieser Stufe verknüpft sind, und solche, die den Code direkt tragen. Öffentliche Sets anderer Lehrpersonen sind dabei ausgenommen, offizielle, eigene und die der Lehrpersonen der Klasse zählen. Vorrang haben Sets mit mehr gemeinsamen Codes, dann solche der gleichen Klassenstufe. Die Klasse kann diese Alternativen mit dem Schalter «LP21-Alternativen» ausschalten; dann zählen auch in der Einschätzung nur die Online-Resultate direkt verknüpfter Sets. Die Lehrperson sieht beim Vorschlag den gemeinsamen Code und kann das Set bei einer eigenen Erfassung direkt mit der Kompetenz verknüpfen. Online-Resultate aus solchen Sets zählen für die Kompetenz mit, ihr Gewicht sinkt dabei um bis zu einen Viertel.
Alle Profil-Einträge eines Kindes werden nach weakness_score absteigend sortiert. Die Top-Empfehlung wird in dieser Reihenfolge gewählt:
watch_only, teacher_talk, reassess)watch_only / mastered / mastered_stablewatch_only sein)In der Lehrer-Tabelle erscheint bei doppelter Quelle (manuell + online) ein farbiger Badge ⚖ Schwäche: …:
weakness_score < 30 → leicht (grün)
weakness_score 30–59 → mittel (orange)
weakness_score ≥ 60 → stark (rot)Tooltip zeigt zusätzlich den exakten Wert (0–100), damit die Wirkung des Gewichtungs-Sliders feinkörnig nachvollziehbar bleibt.
Profile werden in adaptive_cache für 24 Stunden oder bis zur nächsten Erfassung gecacht. Änderungen an den Klassen-Steuerungen (Zeitraum, Erst-ab, Gewichtung, Aufstiegs-Schwelle) leeren den Cache aller Schüler/innen der Klasse sofort.
Öffnen Sie eine Klasse unter «Ergebnisse erfassen» und blenden Sie das Panel «Adaptive Empfehlungen» ein.