AI-Tutor-Infrastruktur für Universitäten

Hochschulen untersuchen aktiv große Sprachmodelle (LLMs) als Teil ihrer digitalen Infrastruktur. Eigenständige Systeme wie ChatGPT sind jedoch nicht für den institutionellen Einsatz konzipiert. Sie arbeiten mit allgemeinen Pretraining-Daten, haben keinen Zugriff auf kursbezogene Materialien und können Antworten erzeugen, die nicht anhand des Curriculums überprüft werden können. Das schafft sowohl pädagogische als auch regulatorische Herausforderungen, besonders im europäischen Kontext, in dem Daten-Governance und Transparenz entscheidend sind.

Aktuelle Forschung zeigt, dass diese Einschränkungen durch Retrieval-Augmented Generation (RAG) adressiert werden können. Durch die Verbindung von LLMs mit autoritativen Quellen - etwa Vorlesungsnotizen, PDFs und internen Repositories - ermöglicht RAG Antworten, die auf überprüfbarem Material basieren, statt nur aus allgemeinem Wissen generiert zu werden. Eine systematische Studie (DOI: 10.3390/app15084234) zeigt, dass Retrieval-Grounding die faktische Genauigkeit deutlich verbessert und Halluzinationen in domänenspezifischen Anwendungen reduziert. Ergänzende Arbeiten wie TutorLLM (https://arxiv.org/abs/2502.15709) zeigen, dass die Kombination von Retrieval mit Student Modeling messbare Verbesserungen bei Lernergebnissen und Nutzerzufriedenheit bringt.

Das System ist für die On-Premise-Bereitstellung innerhalb der Universitätsinfrastruktur konzipiert. Dadurch behalten Institutionen die volle Kontrolle über ihre Daten, können DSGVO- und verwandte Anforderungen einhalten und direkt mit internen Wissensquellen integrieren. Lehrmaterialien - einschließlich PDF-Dokumenten, HTML-Inhalten und internen Repositories - werden indexiert und über die Suchschicht zugänglich gemacht.

Aus Bildungsperspektive unterstützt diese Architektur eine zuverlässigere Form des KI-gestützten Lernens. Studierende erhalten Erklärungen, die auf ihren tatsächlichen Kursmaterialien basieren, während Lehrende von weniger repetitiver Arbeit und konsistenterem Wissenszugang über große Kohorten hinweg profitieren. Auf institutioneller Ebene schafft die Kombination aus Suche und Generierung eine einheitliche Schnittstelle über verteilte Bildungsinhalte.

In diesem Kontext ist der Übergang von eigenständigen LLMs zu retrieval-augmentierten Systemen nicht nur eine technische Verbesserung, sondern ein notwendiger Schritt zur Integration von KI in formale Bildung. Kavunka erweitert dieses Paradigma durch eine transparente und bereitstellbare Infrastruktur, mit der Universitäten AI Tutors direkt auf ihrer eigenen Wissensbasis aufbauen können.