Persönliches Forschungsprojekt
Bildung / EdTech · 2026
Quetzal: KI-native Lernplattform mit Wissensextraktion
Ein persönliches Projekt: eine KI-gestützte Lernplattform, aufgebaut auf dokumentenbasiertem Tutoring, adaptiven Prüfungen und Multi-Model-Wissensextraktion.
Kontext
Ausgangspunkt und Rahmenbedingungen
Traditionelle Lernplattformen behandeln KI als nachträglich angeflanschtes Feature. Studierende brauchen Systeme, die ihr Lernmaterial wirklich verstehen und sich an ihre Wissenslücken anpassen.
Herausforderung
Zentrale Einschränkung, die es zu lösen galt
Aufbau einer mehrstufigen Wissensextraktions-Engine, die akademische Dokumente in atomare, bewertbare Wissenseinheiten zerlegt — mit präziser Schwierigkeitskalibrierung, Deduplizierung und Abdeckungsgarantien über verschiedenste akademische Fachbereiche hinweg.
Lösung
Konzeptions- und Umsetzungsansatz
Entwarf ein kontrolliertes Multi-Model-Orchestrierungssystem (OpenAI, Gemini, Anthropic) mit supervisor-basierter Validierung, Schutzmechanismen gegen Halluzinationen und einer an Blooms Taxonomie ausgerichteten Schwierigkeitskalibrierung. Integrierte OCR-basierte Bewertung, progressive Hinweise und sokratische Interaktionsmodi.
Ergebnis
Messbare Wirkung und erzieltes Ergebnis
Eine funktionsfähige Plattform, die Multi-Model-KI-Orchestrierung auf einem Niveau demonstriert, mit dem ich wirklich zufrieden bin. Die Integration von Blooms Taxonomie löste ein Kalibrierungsproblem, das ich nicht erwartet hatte, so sauber lösen zu können.
Wichtigste Erkenntnis
“Kein einzelnes Modell gewinnt bei jeder Aufgabe, daher lieferte ein Routing nach Stärken bessere Ergebnisse. Strikte Validierung senkte Halluzinationen deutlich, und Blooms Taxonomie machte generierte Lerninhalte nutzbar.”
Arbeiten Sie an etwas Ähnlichem? Ich übernehme ausgewählte Consulting- und Freelance-Projekte in den Bereichen Agentic AI, RAG-Systeme und LLM-Zuverlässigkeit.