🚨🚨 Aufgeregt, unsere ersten *positiven* Ergebnisse zu KI in der Bildung zu teilen! Die meisten KI-Tutor-Arbeiten konzentrieren sich darauf, den Chatbot zu verbessern. Wir schlagen einen anderen Hebel vor: zu entscheiden, was die Schüler als Nächstes üben sollten, um das Lernen zu verbessern. Wir kombinieren einen LLM-Tutor mit verstärkendem Lernen, um die Problemlösungspsequenzierung zu personalisieren, indem wir Signale aus den Interaktionen zwischen Schüler und Chatbot sowie den Lösungsversuchen nutzen. Wir haben dies in einem 5-monatigen randomisierten Feldexperiment in einem Python-Kurs an 10 High Schools in Taipeh getestet. Alle Schüler hatten dasselbe Kursmaterial und denselben KI-Tutor. Der einzige Unterschied war die adaptive vs. feste Problemlösungspsequenzierung. Ergebnis: Bei 770 Schülern verbesserte die adaptive Sequenzierung die Leistung in einer Präsenzabschlussprüfung, die ohne KI-Unterstützung abgelegt wurde, um 0,15 SD, mit größeren Effekten für Anfänger. Unsere Beweise deuten darauf hin, dass die Gewinne aus einem stärkeren Engagement und einer produktiveren Nutzung der KI resultierten.