Lehrer: Erzeugen von exercices

#Warum Übungen mit einem lokalen Modell vorbereiten?

Der im Juni 2025 vom Ministerium veröffentlichte Rahmen für den KI-Einsatz im Bildungsbereich erlaubt nach den Zusammenfassungen der französischen Bildungsbehörden die Nutzung zur Unterrichtsvorbereitung, Bewertung und Korrektur. Dabei gelten für die Lehrkraft zwei Pflichten: KI-Ergebnisse systematisch überprüfen und transparent mit ihrer Nutzung umgehen. Der Rahmen verbietet ausdrücklich, personenbezogene oder vertrauliche Daten in KI-Systemen für die breite Öffentlichkeit zu verwenden, und empfiehlt, freie Lösungen zu bevorzugen. Ein lokales Modell erfüllt diese drei Punkte: Nichts verlässt den Computer, es ist keine Registrierung erforderlich, und Open-Weight-Modelle sind im üblichen Sinne des Begriffs freie Lösungen.

Ein häufig vorgebrachtes Argument muss differenziert betrachtet werden: Eine Mathematikaufgabe mit einem Dienst für die breite Öffentlichkeit vorzubereiten, bleibt erlaubt, solange keine personenbezogenen Daten eingegeben werden. Die Vorteile des lokalen Betriebs liegen anderswo. Er ermöglicht die Arbeit mit Dokumenten, die Namen enthalten, etwa Schülerarbeiten oder schriftlichen Beurteilungen, ohne dabei Daten von Schülerinnen und Schülern offenzulegen. Er funktioniert ohne Netzwerkverbindung. Und er bietet ein stabiles Verhalten: eine gespeicherte Anweisung und ein Modell, das sich nicht von Monat zu Monat ändert.

Schüler und Schülerarbeiten

Niemals Namen, identifizierbare Schülerarbeiten oder Beurteilungen in einen Online-Dienst eingeben. Beim lokalen Betrieb entfällt das Risiko einer Datenübertragung, aber Datenminimierung bleibt eine gute Gewohnheit.

Kosten

Kein Abonnement. Die nötige Hardware haben Sie bereits, wenn Ihr relativ neuer Computer über 16 GB Arbeitsspeicher verfügt; andernfalls genügt ein kleines Modell für einfache Übungen.

Offline

Nützlich im Lehrerzimmer oder in einer Bildungseinrichtung, deren Netzwerk KI-Dienste filtert.

Stabilität

Eine in einem angepassten Modell gespeicherte Anweisung sorgt von Woche zu Woche für einheitliche Arbeitsblätter.

#Der minimale Stack

Zum Bereitstellen des Modells stehen zwei Programme zur Wahl: Ollama für die Kommandozeile oder LM Studio mit einer leichter zugänglichen grafischen Oberfläche, falls Sie vor dem Terminal zurückschrecken. Bei den Modellen belegt Qwen 3.5 mit 9 Milliarden Parametern in der Ollama-Bibliothek 6,6 GB und gibt eine Kontextlänge von 256.000 Tokens an: Es passt auf eine Grafikkarte mit 8 GB Speicher oder in den Arbeitsspeicher eines neueren Computers. Mistral Small 24B belegt 14 GB und benötigt mehr Speicher. Ein größeres Modell garantiert keine Korrektheit; Ihre Überprüfung hingegen schon.

Damit Sie Ihre Anweisung nicht erneut eingeben müssen, erstellen Sie ein benutzerdefiniertes Modell mit einer Modelfile-Datei: Die SYSTEM-Anweisung definiert darin die Systemnachricht, die bei jeder Unterhaltung angewendet wird. Die folgende Datei legt die Rolle, das Niveau und den Stil Ihrer Arbeitsblätter fest.

FROM qwen3.5:9b
PARAMETER temperature 0.4
PARAMETER num_ctx 8192
SYSTEM """Tu aides un professeur de collège à préparer des exercices conformes aux programmes
français du cycle 4. Vocabulaire adapté à l'âge des élèves. Tu ne donnes que des
corrigés dont tu es sûr ; sinon tu écris : à vérifier. Tu n'inventes jamais de citation,
de date ou de source."""

ollama create prof-exos -f Modelfile
ollama run prof-exos

#Multiple-Choice-Fragen erstellen, die nutzbar und nicht nur lesbar sind

Ein Multiple-Choice-Test, den Sie als frei formulierten Text anfordern, lässt sich schwer wiederverwenden: Sie müssen ihn erneut in das im Unterricht verwendete Tool eingeben. Besser ist es, ein strukturiertes Format anzufordern, das anschließend vom Code überprüft wird. Ollama kann die Antwort auf ein JSON-Schema beschränken: Laut seiner Dokumentation wird dieses im Feld format übergeben. Das Modell formuliert die Fragen; das Skript prüft, ob es vier unterschiedliche Antwortmöglichkeiten und genau eine richtige Antwort gibt, und schreibt anschließend eine importierbare Datei.

import json, requests, re

SCHEMA = {'type': 'object', 'properties': {'questions': {'type': 'array', 'items': {
  'type': 'object', 'properties': {
    'enonce': {'type': 'string'},
    'choix': {'type': 'array', 'items': {'type': 'string'}},
    'bonne_reponse': {'type': 'integer'},
    'explication': {'type': 'string'}},
  'required': ['enonce', 'choix', 'bonne_reponse', 'explication']}}},
  'required': ['questions']}

def generer(sujet, niveau, n=10, modele='prof-exos'):
    consigne = (f'Rédige {n} questions à choix multiple sur : {sujet}. Niveau : {niveau}. '
      'Quatre choix par question, dont un seul correct ; bonne_reponse est l\'indice (0 à 3). '
      'Les mauvais choix doivent être plausibles. Une phrase d\'explication. '
      'Réponds par un JSON conforme à : ' + json.dumps(SCHEMA))
    r = requests.post('http://localhost:11434/api/chat', json={
        'model': modele, 'stream': False, 'format': SCHEMA,
        'messages': [{'role': 'user', 'content': consigne}]})
    return json.loads(r.json()['message']['content'])['questions']

def valides(questions):
    ok, rejets, vus = [], [], set()
    for q in questions:
        c = q.get('choix', [])
        if (len(c) != 4 or len({x.strip().lower() for x in c}) != 4
                or q.get('bonne_reponse') not in (0, 1, 2, 3) or q['enonce'].strip().lower() in vus):
            rejets.append(q); continue
        vus.add(q['enonce'].strip().lower()); ok.append(q)
    return ok, rejets

def esc(s):
    return re.sub(r'([~=#{}:])', r'\\\1', s)

def vers_gift(questions):
    blocs = []
    for i, q in enumerate(questions, 1):
        lignes = [('=' if j == q['bonne_reponse'] else '~') + esc(c) for j, c in enumerate(q['choix'])]
        blocs.append(f"::Q{i}::{esc(q['enonce'])} {{\n" + '\n'.join(lignes) + '\n}\n')
    return '\n'.join(blocs)

Das von Moodle verwendete GIFT-Format ist eine einfache Textdatei, die sich in eine Fragensammlung importieren lässt. Wenn Ihre Einrichtung ein anderes Tool nutzt, passen Sie die letzte Funktion an: Das Prinzip bleibt, eine Datei aus den überprüften Daten zu erzeugen, statt Text aus dem Modell zu kopieren und einzufügen. Was das Skript nicht überprüft, ist die inhaltliche Richtigkeit der Fragen – deshalb gibt es den Abschnitt zur Überprüfung.

#Jede Frage an einen Abschnitt Ihres Kurses binden

Die sicherste Methode gegen erfundene Fakten besteht darin, für jede Frage die Textstelle aus Ihrem Unterrichtsmaterial zu verlangen, die sie begründet. Sie fügen Ihren Text ein, ergänzen das Schema um ein Feld namens passage, und das Skript prüft, ob diese Textstelle Wort für Wort im bereitgestellten Text vorkommt. Eine Frage, deren Textstelle nicht auffindbar ist, wird verworfen: Entweder hat das Modell etwas erfunden oder ohne Quelle paraphrasiert. Diese Prüfung beweist nicht, dass die Frage gut ist, garantiert aber, dass sie auf Ihrem Unterrichtsmaterial beruht und nicht auf der ungenauen Erinnerung des Modells.

def normaliser(t):
    return ' '.join(t.split()).lower()

def ancrees(questions, cours):
    base = normaliser(cours)
    bonnes, douteuses = [], []
    for q in questions:
        (bonnes if normaliser(q.get('passage', '')) in base else douteuses).append(q)
    return bonnes, douteuses

Schema und Anweisung werden entsprechend ergänzt: Fügen Sie passage zu den Eigenschaften und den Pflichtfeldern hinzu und schreiben Sie in die Anweisung: „Kopiere wortwörtlich die Textstelle, die die richtige Antwort begründet.“ Fragen zu Fakten, die im Unterrichtsmaterial fehlen, beispielsweise zu nie erwähnten Datumsangaben, werden den Filter nicht passieren. Genau das ist das Ziel.

#Mathematikübungen: Python rechnet, das Modell gestaltet die Darstellung

Ein Modell mit 9 Milliarden Parametern macht bei einfachen Rechenoperationen Fehler, insbesondere bei Dezimalzahlen und Überträgen. Für Rechenübungen ist es besser, die Rollen umzukehren: Der Code wählt Zahlen zufällig aus, berechnet das exakte Ergebnis und erstellt die Musterlösung; das Modell formuliert dazu passende Aufgabentexte, was es gut kann. So hängen die Antworten auf Ihren Arbeitsblättern niemals von seiner Rechenfähigkeit ab.

import random
from decimal import Decimal

def fr(d):
    return str(d.normalize() if d == d.to_integral() else d).replace('.', ',')

def exercices_decimaux(n=8, graine=None):
    hasard = random.Random(graine)
    sortie = []
    for i in range(n):
        nb = 2 if i < 2 else hasard.choice([3, 3, 4])
        vals = [Decimal(hasard.randint(10, 9999)) / hasard.choice([10, 100]) for _ in range(nb)]
        signes = ['+'] + [hasard.choice(['+', '-']) for _ in vals[1:]]
        total = sum(v if s == '+' else -v for v, s in zip(vals, signes))
        if total < 0:
            continue
        enonce = ' '.join((s + ' ' if k else '') + fr(v) for k, (v, s) in enumerate(zip(vals, signes)))
        sortie.append((enonce, fr(total)))
    return sortie

for e, r in exercices_decimaux(graine=42):
    print(e, '=', r)

Ein fester Seed ermöglicht es, genau dasselbe Arbeitsblatt erneut zu erzeugen, beispielsweise um am nächsten Tag die korrigierte Version zu erstellen. Dasselbe Prinzip gilt für Einheitenumrechnungen, Prozentrechnungen, lineare Gleichungen und alles, was sich berechnen lässt: Der Code erzeugt und überprüft die Ergebnisse, das Modell bringt sie in Form. Bei Sprachen hingegen ist das Modell in seinem Element: Es erzeugt Sätze zum Ergänzen, Lückendialoge und Aufgabenstellungen, die Sie gegenlesen müssen.

Prépare pour des élèves de 5e (niveau A2 du CECRL) une fiche sur le present simple
et le present continuous : 5 phrases à conjuguer, 3 phrases à transformer, un court
dialogue à trous. Vocabulaire courant uniquement. Donne le corrigé à la fin, séparé
par une ligne « CORRIGÉ », et signale entre crochets toute phrase où les deux temps
sont possibles.

#Musterlösungen: anfordern, dann gegenprüfen

Die Musterlösung wird in einer zweiten Nachricht angefordert, damit das Modell die Aufgabenstellung im Kontext behält. Geben Sie dabei an, was Sie erwarten: die endgültige Antwort, den Lösungsweg in einzelnen Schritten, die angewendete Regel und den typischen Fehler, den es zu vermeiden gilt. Die Musterlösung ist der riskanteste Teil des Arbeitsblatts: Ein Schüler lernt die falsche Antwort in der Überzeugung, dass sie richtig ist. Zwei Vorgehensweisen verringern das Risiko.

Berechnen statt berechnen lassen

Wenn sich die Antwort berechnen lässt, beziehen Sie sie aus dem Code, nicht aus dem Modell.

Zweimal generieren und vergleichen

Bei Denkaufgaben fordern Sie die Musterlösung zweimal an, mit leicht abgewandelten Anweisungen. Wenn die endgültigen Antworten voneinander abweichen, muss die Aufgabe von Hand überprüft werden.

Von einem anderen Modell lösen lassen

Ein zweites Modell mit anderer Größe oder aus einer anderen Familie löst die Aufgabe, ohne die Musterlösung zu sehen. Abweichende Antworten deuten auf wahrscheinliche Fehler hin. Das ist kein Beweis, sondern nur ein Filter.

Alles, was verteilt werden soll, noch einmal durchlesen

Keine automatische Prüfung ersetzt die Lektüre durch den Lehrer, der weiterhin für den Inhalt verantwortlich ist.

#Ein Arbeitsblatt an das Niveau der Schülerinnen und Schüler anpassen

Bei der Unterrichtsdifferenzierung bietet das Modell den größten Mehrwert, denn seine Stärke liegt im Umformulieren. Es genügt, von einem geprüften Arbeitsblatt auszugehen und Varianten anzufordern, wobei dieselben Zahlen und Antworten beibehalten werden, damit die Musterlösung weiterhin gültig bleibt. Lassen Sie die Variante vor der Weitergabe von einem Kollegen gegenlesen: Eine einfachere Formulierung kann die Bedeutung einer Aufgabenstellung verändern, was ein typischer Fehler solcher Überarbeitungen ist.

#Die Richtigkeit für jedes Fach einzeln prüfen

Die Gemeinsamkeit besteht darin, dass das Modell mit derselben Selbstsicherheit schreibt, ob es recht hat oder sich irrt. Der ministerielle Rahmen verlangt übrigens eine systematische Überprüfung der KI-Ergebnisse. Planen Sie konkret fünf Minuten zum Gegenlesen pro Arbeitsblatt ein und führen Sie ein kleines Protokoll der gefundenen Fehler: Nach einem Monat wissen Sie, in welchen Fächern das Modell für Sie zuverlässig ist.

#Ein realistischer Produktionsrhythmus

1. 01
   Die Lerninhalte der Woche auflisten

   Drei bis fünf Konzepte mit Auszügen aus dem Unterrichtsmaterial, die als Quelle dienen sollen.
2. 02
   Auf Grundlage Ihrer Quellen generieren

   Fügen Sie den Unterrichtsauszug in die Anweisung ein: So bleiben die Fragen auf das bezogen, was Sie unterrichtet haben.
3. 03
   Die Musterlösungen durch Code berechnen lassen

   Für alles, was numerisch ist, verwenden Sie ein Skript wie oben.
4. 04
   Noch einmal lesen und korrigieren

   Lesen Sie das Arbeitsblatt so, wie es ein Schüler tun würde: Ein Fehler in der Musterlösung kann teuer zu stehen kommen.
5. 05
   Das Layout gestalten und die Nutzung offenlegen

   Exportieren Sie als PDF oder in Ihr Unterrichtstool und informieren Sie die Schüler gemäß der Transparenzanforderung darüber, dass eine KI bei der Erstellung des Arbeitsblatts geholfen hat.

• Grundlagen des Promptings
• System-Prompts beherrschen
• Ollama Modelfile: eigenes Modell erstellen und anpassen
• LM Studio für Anfänger
• Halluzinationen eines lokalen LLM begrenzen
• Strukturierte JSON-Ausgaben mit Ollama

• Quelle: Zusammenfassung des Rahmens für den Einsatz von KI in der Bildung (Bildungsbehörde der Normandie)
• Quelle: Rahmenbedingungen des Einsatzes von KI in der Bildung (Ministerium)
• Quelle: die Datei Modelfile von Ollama
• Quelle: strukturierte Ausgaben von Ollama
• Quelle: Qwen 3.5 in der Ollama-Bibliothek