Index

LernWerkstatt ist eine webbasierte Anwendung zur Erzeugung interaktiver Lerneinheiten aus einer formlos beschriebenen Lernabsicht. Aus zwei Freitextfeldern und optionalen Unterlagen entsteht ein in sich geschlossener Kurs mit Kapiteln, Lektionen, Übungsaufgaben, Glossar und Abschlusstest — ausgeliefert als einzelne HTML-Datei, die ohne Internetverbindung läuft. Die Erzeugung durchläuft acht Phasen mit zwei Kontrollpunkten, an denen die Planung vor der Produktion korrigiert werden kann. Eine deterministische Prüfschicht trennt dabei modellgenerierte von nachprüfbaren Anteilen.

Auf einen Blick¶

Aus einem Thema und dem eigenen Vorwissen eine vollständige Lerneinheit erzeugen — von der Themenplanung bis zur fertigen Datei in einem Werkzeug.
Lehrmaterial hochladen (PDF, Word, PowerPoint, HTML, Markdown, CSV, Text) und daraus eine Einheit erstellen lassen, die auf diesen Unterlagen fußt.
Zwischen 18 Bausteinen wählen lassen — von Text, Tabelle und Diagramm über Quiz, Lückentext und Karteikarten bis zu Simulatoren mit Schiebereglern.
Den Plan vor der Erzeugung einsehen und korrigieren: welche Themen in welcher Tiefe, in welcher Reihenfolge und aufeinander aufbauend.
Lerneinheiten in fünf Sprachen produzieren (Deutsch, Englisch, Französisch, Spanisch, Italienisch).
Das Ergebnis als einzelne HTML-Datei weitergeben, ausdrucken oder offline nutzen — mit Volltextsuche, Glossar-Tooltips und Direktlinks.
Einzelne Kapitel gezielt neu erzeugen lassen, ohne die übrige Einheit anzutasten.
Kapiteltexte zusätzlich als Word-Dokument exportieren.

Highlights¶

Im Unterschied zu einem direkten LLM-Prompt oder einem dünnen Skript um eine API liefert LernWerkstatt eine durchgeplante Lerneinheit statt eines generierten Textes. Die folgenden Eigenschaften unterscheiden die Anwendung von einfacheren Alternativen und beeinflussen unmittelbar die Qualität des Ergebnisses:

Themenermittlung statt Themenvorgabe — Nicht der Nutzer gibt die Gliederung vor, sondern die Anwendung leitet sie aus Vorwissen und Lernziel ab. Eine Gap-Analyse bestimmt, welche Konzepte gebraucht werden, welche aufeinander aufbauen und wo neues Wissen mit vorhandenem kollidiert. Bleibt etwas unklar, wird nachgefragt statt geraten.
Behandlungstiefe folgt dem Lernziel — Jedes Konzept erhält eine von vier Behandlungsklassen (vollständig herleiten, kompakt, als Definition, nur im Glossar). Diese Klassifikation steuert Umfang, Modellwahl und Aufgabenpflicht. Wer nach dem Zweck einer Sache fragt, bekommt deshalb keine vollständige Mechanik geliefert.
Verbindlicher roter Faden als eigenes Dokument — Vor der Produktion entsteht ein Konzeptgraph mit genau einem Einführungsort je Konzept, benannten Voraussetzungen und Stellen der Wiederaufnahme. Er wird auf Zyklen und Reihenfolgefehler geprüft und ist editierbar. Jeder Textabschnitt leitet daraus seinen Auftrag ab — was er einführt und was er nicht vorwegnehmen darf.
18 Bausteine über vier Verlässlichkeitsstufen — Von deterministischer JSON-Konfiguration (Text, Tabelle, Quiz, Karteikarten) über deklarative Grammatiken (Mermaid-Diagramme, Chart.js- und Vega-Lite-Grafiken, Formeln als MathML) bis zu geprüften Rechenfunktionen (Simulatoren) und gekapselten Widgets. Die Regel „niedrigste ausreichende Stufe" ist im Prompt verankert und im Validator prüfbar.
Simulatoren mit Probeausführung — Für Zusammenhänge, die man erkunden statt lesen sollte, entsteht eine reine Rechenfunktion mit deklarierten Parametern. Sie wird vor der Auslieferung in einer Sandbox mit Zeitlimit probegelaufen; Endlosschleifen und nicht auswertbarer Code fallen dort auf und nicht beim Lernenden.
Unterlagen als Autorität, mit Herkunftsvermerk — Hochgeladene Dokumente bestimmen die verwendete Fachterminologie und dienen als Bezugsgröße der Faktenprüfung, die auch Tabellenzellen und Diagrammzahlen einschließt. Mit Embedder und Reranker ordnet eine Abdeckungsanalyse jedem Konzept seine Belegstellen zu und weist umgekehrt Material aus, das im Plan fehlt. Jedes Konzept trägt einen Herkunftsvermerk: aus den Unterlagen oder aus dem Modellwissen.
Terminologiekontrolle über Kapitelgrenzen hinweg — Ein Register trennt gesetzte Begriffe von neu auftauchenden Kandidaten; nur Gesetztes wird für Folgekapitel verbindlich. Geprüft wird, was der Text als Terminus behandelt — Glossareinträge, Konzeptnamen, Definitionsmuster —, nicht jedes großgeschriebene Wort. Selbst geprägte Begriffe werden gegen die Unterlagen geprüft und ersetzt.
Deterministische Prüfschicht ohne Modellaufruf — Vor der Freigabe prüft ein Validator Schema, Blockverträge, Quizlogik (genau eine korrekte Antwort bei Einfachauswahl, keine Dubletten), Eindeutigkeit von Zuordnungspaaren, Konsistenz von Diagrammdaten, ablesbare Lückentexte, Interaktionsdichte und Sprachbrüche. Modelle werden nur dort befragt, wo Urteilsvermögen nötig ist.
Reparieren und Herabstufen statt Blockieren — Formatfehler werden deterministisch behoben, bevor geprüft wird. Was danach noch defekt ist, wird durch seine eigene Beschreibung als Text ersetzt, statt eine vollständige Einheit durchfallen zu lassen; der Bericht weist aus, was ersetzt wurde. Fehlgeschlagene Teilschritte führen zu Ersatzplänen, nicht zum Abbruch.
Auslieferung ohne Fremdabruf — Chart.js, Mermaid und Vega-Lite liegen in der Datei eingebettet, Formeln sind bereits zur Bauzeit als MathML gesetzt. Der Browser des Lernenden kontaktiert keinen externen Dienst. Enthalten sind Volltextsuche, Direktlinks, filterbares Glossar, Druckformatierung und durchgängige ARIA-Auszeichnung.
Produktion unabhängig vom Browserfenster — Läufe dauern bis zu einer Stunde und laufen serverseitig weiter, wenn das Fenster geschlossen wird. Die Wiederaufnahme ist feingranular: gesichert werden nicht nur abgeschlossene Kapitel, sondern auch die Ausgaben einzelner Textabschnitte und jede fertige Lektion.
Anbindung an intern betriebene Modelle — Angesprochen werden OpenAI-kompatible Endpunkte für zwei getrennte Modellrollen sowie optional Embedder und Reranker. Lerninhalte und hochgeladene Unterlagen müssen die eigene Infrastruktur nicht verlassen.