hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/wiki/concepts/llm/school-automation-pilot.md

5.2 KiB
Raw Blame History

created updated sources tags
2026-07-02 2026-07-02
other/2026-07-02_ome23-operations-update-transkript.md
other/2026-06-19_gemini-chat-schul-automation-zeugnisse.md
concept
llm
automation
school
education
pilot
process-design
deterministic-vs-judgment
zeugnis
KLV
RAG
local-models

School Automation Pilot — Schul-Automation als Business-Prozess

Ursprung: OME23 Operations-Update (Transkript-Auswertung, Block 6: Schule & Automation) + Gemini-Chat von Rüdiger (19. Juni 2026) Erstellt: 02. Juli 2026 Aktualisiert: 03. Juli 2026 — Gemini-Chat als Quelle ingestiert

Kernkonzept

Zeugnisse, Dokumentation und Logbücher können durch KI-Automatisierung drastisch effizienter werden. Das Potenzial ist groß, aber es erfordert sorgfältiges Prozessdesign — insbesondere die Trennung deterministischer Schritte von menschlichem Urteil und Review.

Anwendungsbereiche

Bereich Automatisierbar Review-Pflichtig
Zeugnisse Noten-Aggregation, Formular-Füllung, Textbausteine Pädagogische Bewertung, individuelle Kommentare
Dokumentation Formatierung, Strukturierung, Vorlagen-Füllung Inhaltliche Richtigkeit, pädagogische Angemessenheit
Logbücher Erfassung, Zeitstempel, Kategorisierung Einordnung, Reflexion

Architektur-Prinzip: Deterministisch vs. Urteil

Die zentrale Design-Regel aus OME23:

Deterministische Schritte trennen von Urteil/Review.

  • Deterministisch: Daten sammeln, aggregieren, formatieren, Vorlagen füllen → KI-automatisierbar
  • Urteil: Bewertung, pädagogische Einschätzung, individuelle Empfehlung → Menschlicher Review

Die KI übernimmt die deterministische Vorarbeit, der Mensch behält die Urteilskompetenz. Das Modell ist kein Ersatz für Lehrer, sondern ein Assistenzsystem, das den administrativen Overhead reduziert.

Prozess-Design

  1. Input-Phase: Rohdaten erfassen (Noten, Beobachtungen, Logbuch-Einträge)
  2. Aggregations-Phase (KI): Daten strukturieren, aggregieren, in Vorlagen füllen
  3. Draft-Phase (KI): Entwurf generieren (Zeugnis-Text, Dokumentation, Logbuch-Synthese)
  4. Review-Phase (Mensch): Pädagogische Prüfung, individuelle Anpassung, Freigabe
  5. Output-Phase: Finale Version erzeugen, verteilen, archivieren

Business-/Pilotprozess-Modellierung

Als Pilotprozess modelliert:

  • Scope: Eine Schule, ein Jahrgang, ein Zeugnis-Zyklus
  • KPIs: Zeitersparnis pro Zeugnis, Fehlerquote, Lehrer-Zufriedenheit
  • Risiken: Hallucination bei individualisierten Texten, Bias bei Bewertungsvorschlägen, Datenschutz (Schülerdaten)
  • Lokale-LLM-Präferenz: Schülerdaten dürfen nicht an Cloud-LLMs gesendet werden → lokale Modelle (GLM, DeepSeek, MLX) als Datenschutz- und Souveränitätshebel
  • Compliance: DSGVO, Schulgeheimnis, Eltern-Zustimmung

Verbindung zum OME23-Kontext

Dieses Konzept steht im Schnittpunkt mehrerer OME23-Themen:

  • Lokale Modelle (Block 4): Datenschutz erfordert lokale LLMs, keine Cloud-Modelle
  • Memory & Harness (Block 5): Der Prozess braucht Memory (Schüler-Historie) und Tools (Vorlagen-System, Noten-DB)
  • Wiki Gardening (Block 1): Dokumentations-Pflege als Wissensmanagement

Nächste Schritte (aus OME23)

"Schul-Automation als Business-/Pilotprozess modellieren."

  1. Prozess-Spezifikation erstellen (Schritt-für-Schritt-Workflow)
  2. Datenmodell definieren (welche Inputs, welche Outputs)
  3. Lokale-LLM-Auswahl treffen (welches Modell für welche Aufgabe)
  4. Pilot-Scope definieren (Schule, Jahrgang, Zyklus)
  5. Datenschutz-Konzept erstellen

Gemini-Chat Quelle (Rüdiger, 19.06.2026)

Rüdiger führte ein Gespräch mit Gemini über Zeugnisautomatisierung. Die Architektur-Skizze daraus:

  1. CSV-Export aus KLV (Klassenlehrer-Verwaltung) als Datenquelle
  2. Lokales LLM generiert Zeugnistext aus Notendaten
  3. Multi-Agent-Check: Rechtskonformität + Noten-Text-Konsistenz
  4. Lehrkraft freigeben (finaler Review)
  5. SQLite für Status-Tracking

Hector's Korrekturen zum Gemini-Chat

  • "OpenClaw gibt es so nicht" — falsch. OpenClaw existiert, ist lokal hostbar, macht genau Workflow-Management + Multi-Step-Prüfung + Schnittstellen-Orchestrierung.
  • RAG mit Schulrecht ist Pflicht, nicht Optional — ohne landesspezifische Vorgaben generiert jedes LLM rechtlich problematische Phrasen. Braucht kuratierten Korpus pro Bundesland.
  • Hermes vs. Qwen3 — Hermes stärker im englischsprachigen Raum. Für rechtssicheren deutschen Zeugnisdeutsch: Qwen3 oder Llama-Derivat mit deutschem Fine-Tuning.

Raw-Datei: raw/other/2026-06-19_gemini-chat-schul-automation-zeugnisse.md

Cross-References