Erstellen Sie ein KI-gestütztes Lernmanagementsystem, das Menschen tatsächlich schult

# Einführung

Stellen Sie sich vor, Sie melden sich für einen On-line-Kurs an, klicken sich durch 40 Folien, bestehen ein Quiz, das Sie gegoogelt haben, und erhalten ein Zertifikat. Hast du eigentlich etwas gelernt? Dies ist heute die Realität der meisten On-line-Lernplattformen. Sie verfolgen Klicks, nicht das Verständnis. Sie messen die Vollendung, nicht die Fähigkeit.

Die gute Nachricht? Künstliche Intelligenz hat es ermöglicht, Lernsysteme zu bauen, die sich tatsächlich an jede Individual anpassen. Systeme, die wissen, was Sie bereits verstehen, erkennen, wo Sie Schwierigkeiten haben, und führen Sie zur Meisterschaft und nicht nur zur Ziellinie.

In diesem Tutorial erfahren Sie, wie Sie ein KI-gestütztes Lernmanagementsystem (LMS) von Grund auf aufbauen. Wir verwenden kostenlose Open-Supply-Instruments – es sind keine teuren API-Abonnements erforderlich. Am Ende verfügen Sie über ein funktionierendes System mit vier intelligenten Funktionen:

• Ein Lernpfad, der sich an jeden Lernenden anpasst
• Quizze, die von KI frisch generiert werden
• Ein Reside-Chat-Lehrer, der von einem lokalen Sprachmodell unterstützt wird
• Ein Dashboard, das den tatsächlichen Fortschritt verfolgt

Sie können das gesamte Projekt-Repository klonen Hier und vergiss nicht, es zu geben Stern!

# Was ist ein KI-gestütztes LMS?

A Lernmanagementsystem (LMS) ist eine Software program, die Bildungsinhalte bereitstellt, verwaltet und verfolgt. Traditionelle Beispiele sind: Moodle, LeinwandUnd Tafel.

Ein KI-gestütztes LMS geht noch einen Schritt weiter. Anstatt jedem Lernenden die gleichen Inhalte in der gleichen Reihenfolge zu zeigen, nutzt es künstliche Intelligenz, um:

• Personalisieren Sie die Lernsequenz basierend auf dem, was ein Lernender bereits weiß
• Generieren Sie Bewertungen dynamisch, anstatt sie aus einer festen Fragendatenbank abzurufen
• Beantworten Sie Fragen in einfachem Englisch durch einen Konversationslehrer
• Analysieren Sie Leistungsdaten, um Schwachstellen zu erkennen und nächste Schritte vorzuschlagen

Betrachten Sie es als den Unterschied zwischen einem Lehrbuch und einem Privatlehrer. Das Lehrbuch vermittelt allen den gleichen Inhalt. Ein Tutor passt sich in Echtzeit an.

# Warum herkömmliche LMS-Plattformen zu kurz kommen

Bevor wir etwas Besseres entwickeln, ist es wichtig zu verstehen, warum bestehende Plattformen Probleme haben.

• Einheitliche Inhaltsbereitstellung: Die meisten LMS-Plattformen leiten jeden durch die gleichen Inhalte in der gleichen Reihenfolge. Ein leitender Entwickler, der einen Python-Anfängerkurs belegt, verschwendet Zeit mit Konzepten, die er bereits kennt. Ein kompletter Anfänger, der einen Fortgeschrittenenkurs belegt, ist sofort verloren.
• Statische Fragenbanken.
  Vorgefertigte Quizfragen werden innerhalb weniger Tage nach Kursstart on-line geteilt. Die Lernenden merken sich Antworten, anstatt Konzepte zu verstehen. Die Bewertung wird bedeutungslos.
• Kein Echtzeit-Help: Wenn ein Lernender um 23 Uhr nicht weiterkommt, gibt es keinen Lehrer, den er fragen könnte. Sie geben entweder auf oder machen weiter, ohne den Stoff zu verstehen, was später zu größeren Problemen führt.
• Vainness-Metriken über echtes Lernen: Die Abschlussquoten lassen sich leicht erhöhen. Fortschrittsbalken und Häkchen wirken zwar lohnend, messen aber nicht, ob tatsächlich Wissen übertragen wurde.

Das sind keine kleinen Probleme. Nach Recherchen des Forschungsinstitut von Amerikabehalten Lernende nur 8–10 % der Inhalte, die durch traditionelles E-Studying vermittelt werden. Mit aktiven, personalisierten Lernmethoden steigt diese Zahl auf 25–60 %. Unser KI-gestütztes LMS soll diese Lücke schließen.

# Der Tech-Stack, den wir verwenden

Wir haben dieses System vollständig mit Open-Supply-Instruments erstellt, was bedeutet, dass Sie es kostenlos auf Ihrem eigenen Laptop ausführen können.

// Warum Ollama?

Ollama ermöglicht Ihnen das Herunterladen und Ausführen von Open-Supply-Sprachmodellen direkt auf Ihrem Laptop. Sie benötigen kein Cloud-Konto, keinen API-Schlüssel und keine Nutzungsgebühren. Sie ziehen einfach ein Modell und rufen es über einen lokalen HTTP-Endpunkt auf. Es unterstützt Modelle wie Mistral, LLaMA 3Und Phi-3.

// Warum Mistral 7B?

Mistral 7B ist ein kleines, aber leistungsstarkes Modell, das auf den meisten modernen Laptops intestine läuft. Es befolgt Anweisungen genau, erzeugt eine saubere JSON-Ausgabe und verarbeitet Konversationsfragen und -antworten zuverlässig – genau das, was unsere vier Module benötigen.

// Warum FastAPI?

FastAPI ist ein modernes Python-Webframework, das auf Geschwindigkeit ausgelegt ist. Es unterstützt nativ asynchronen Code und WebSocketswas wichtig ist, um Reside-Antworten von Lehrern an den Browser zu streamen.

# Schritt 1: Adaptive Lernpfade

Das Downside, das es löst: Ein Anfänger und ein erfahrener Entwickler, die sich für denselben Python-Kurs anmelden, sollten nicht denselben Weg einschlagen. Das adaptive Lernmodul liest das Wissensprofil jedes Lernenden und erstellt eine personalisierte Sequenz.

// Wie es funktioniert

Wenn ein Lernender sein Lernziel eingibt, sendet das System eine Aufforderung an Mistral, die Folgendes enthält:

• Die Beherrschungsergebnisse des Lernenden professional Thema (gespeichert aus früheren Quizergebnissen)
• Eine Liste aller verfügbaren Kursmodule mit ihren Schwierigkeitsgraden
• Eine Reihe von Regeln: Beherrschte Themen überspringen, Schwachstellen priorisieren, Schwierigkeitsreihenfolge respektieren

Mistral antwortet mit einer geordneten Liste von Modul-IDs – dem benutzerdefinierten Pfad des Lernenden.

Vereinfachtes Beispiel aus primary.py:

immediate = f"""
You're a curriculum knowledgeable. Return a JSON array of node IDs
in one of the best studying order for this learner.

Objective: {req.aim}
Mastery scores: {profile("mastery")}
Accomplished modules: {profile("accomplished")}
Out there modules: {nodes_summary}

Guidelines:
- Skip accomplished modules
- Prioritise weak areas
- Order from simpler to more durable
- Return ONLY a JSON array, no rationalization.
"""

Der Pfad ist nicht festgelegt. Jedes Mal, wenn ein Lernender ein Quiz abschließt, werden seine Meisterschaftsergebnisse aktualisiert und der Pfad neu berechnet. Ein Lernender, der plötzlich gute Leistungen erbringt, erhält früher fortgeschrittenes Materials. Ein Lernender, der Schwierigkeiten hat, wird zu den grundlegenden Inhalten zurückgeführt.

// Was der Lernende sieht

Auf der Registerkarte „Lernpfad“ geben die Lernenden ihr Ziel ein (z. B. „Lernen Sie Python für Information Science“) und klicken Sie auf „Pfad generieren“. Innerhalb von Sekunden erscheint eine personalisierte Abfolge von Modulen mit jeweils eigenem Thema, Schwierigkeitsgrad und Schaltflächen, um direkt in ein Quiz oder den KI-Tutor einzusteigen.

# Schritt 2: KI-generierte Assessments und Bewertungen

Das Downside, das es löst: Statische Quizbanken veralten schnell. Die Lernenden geben Antworten weiter, merken sich diese, ohne sie zu verstehen, und bestehen trotzdem. KI-generierte Assessments sind jedes Mal anders, sodass es unmöglich ist, sich durchzumogeln, ohne tatsächlich etwas zu lernen.

// Wie es funktioniert

Wenn ein Lernender ein Quiz für ein Modul anfordert, ruft das Backend den Kursinhalt dieses Moduls ab und sendet ihn mit der strikten Anweisung, ein strukturiertes JSON-Quiz zurückzugeben, an Mistral.

Vereinfachtes Beispiel aus primary.py:

immediate = f"""
Primarily based on the next course content material, generate 3 multiple-choice questions.

Subject: {node("title")}
Content material: {node("content material")}

Return ONLY legitimate JSON on this format:
{{
  "questions": (
    {{
      "query": "...",
      "choices": ("A) ...", "B) ...", "C) ...", "D) ..."),
      "right": "A",
      "rationalization": "Brief motive why that is right."
    }}
  )
}}
"""

Bei jeder Quizanfrage werden neue Fragen aus dem eigentlichen Kursmaterial erstellt. Bei Wiederholungsversuchen erhalten die Lernenden unterschiedliche Fragen, was das Lernen durch unterschiedliche Exposition verstärkt.

// Bewerten und Suggestions geben

Nach der Einreichung gibt es für jede falsche Antwort eine Erklärung – nicht nur ein rotes ✗. Das ist wichtig. Forschung in Kognitionswissenschaft Es zeigt sich immer wieder, dass erläuterndes Suggestions zu einer tieferen Bindung führt als die bloße Markierung von Antworten als richtig oder falsch (Hattie & Timperley, 2007). Eine Punktzahl von 75 % oder mehr markiert das Modul als abgeschlossen und schaltet die nächsten Schritte im Lernpfad frei.

# Schritt 3: Der KI-Lehrer für natürliche Sprache

Das Downside, das es löst: Nicht weiterzukommen ist der häufigste Grund, warum Lernende On-line-Kurse abbrechen. Ohne jemanden, den man fragen kann, wird aus einem kleinen Second der Verwirrung eine Mauer. Der KI-Tutor beseitigt diese Mauer – er ist rund um die Uhr verfügbar, unendlich geduldig und immer auf dem Laufenden mit den tatsächlichen Kursinhalten.

// Wie es funktioniert

Der Tutor überfährt a WebSocket Verbindung – ein dauerhafter Zwei-Wege-Kanal zwischen dem Browser und dem Backend. Dadurch kann die Antwort der KI Wort für Wort an den Benutzer zurückgesendet werden, genau wie beim Tippen, anstatt den Lernenden darauf warten zu lassen, dass eine vollständige Antwort geladen wird.

Der Tutor verwendet eine Technik namens Retrieval-Augmented Era (RAG). Vor der Beantwortung werden die relevanten Kursinhalte als Kontext in die Eingabeaufforderung eingefügt. Dadurch basieren Mistrals Antworten auf tatsächlichem Kursmaterial und nicht auf Allgemeinwissen, wodurch das Risiko falscher oder irrelevanter Antworten verringert wird.

Vereinfachte Eingabeaufforderungsstruktur:

immediate = f"""
You're a concise, useful programming tutor.
Reply based mostly on the context beneath. If the reply will not be within the
context, say so and provides a normal reply.

Course Context: {node_content}

Earlier dialog:
{conversation_history}

Learner: {user_message}
Tutor:
"""

Der Gesprächsverlauf ist in jeder Nachricht enthalten, sodass sich der Tutor daran erinnert, was zuvor in derselben Sitzung gesagt wurde, sodass sich das Gespräch natürlicher und nicht eintönig anfühlt.

// Was der Lernende sieht

Auf der Registerkarte „AI Tutor“ sehen Lernende eine vertraute Chat-Oberfläche. Sie geben eine Frage ein, drücken die Eingabetaste und sehen sich den Antwortstrom Token für Token an. Wenn sie von einem bestimmten Modul aus navigieren, kennt der Tutor den Inhalt dieses Moduls bereits als Kontext.

# Schritt 4: Fortschrittsverfolgung und Analyse

Das Downside, das es löst: Die meisten Dashboards zeigen Ihnen einen Prozentbalken an, der sich füllt, wenn Sie durch den Inhalt klicken. Das ist kein Maßstab für Lernen; es ist ein Maß für das Klicken. Unser Dashboard verfolgt die Beherrschung nach Thema, basierend auf der tatsächlichen Quizleistung im Laufe der Zeit.

// Wie es funktioniert

Jede Quiz-Einreichung löst zwei Dinge aus:

1. Aktualisierung des Mastery-Scores mithilfe eines exponentiellen gleitenden Durchschnitts (EMA)

New mastery = 30% latest rating + 70% historic mastery
new_mastery = 0.3 * quiz_score + 0.7 * current_mastery

Der Exponentieller gleitender Durchschnitt gibt der jüngsten Leistung mehr Gewicht und berücksichtigt gleichzeitig die Geschichte. Ein Lernender, der ständig Probleme hatte, sich aber in letzter Zeit verbessert hat, wird feststellen, dass seine Meisterschaftspunktzahl steigt, aber nicht sofort nach einem einzigen guten Ergebnis ansteigt. Dies macht die Metrik ehrlich.

2. Fortschrittsereignis protokolliert

Jede Aktion – vom Starten eines Moduls bis zum Absenden eines Quiz, vom Bestehen oder Nichtbestehen – wird mit einem Zeitstempel protokolliert. Dadurch wird eine vollständige Aufzeichnung der Lernaktivitäten erstellt, die als Grundlage für das Dashboard dient.

// Was der Lernende sieht

Auf der Registerkarte „Dashboard“ wird Folgendes angezeigt:

• Module, die von der Gesamtzahl der verfügbaren Module abgeschlossen wurden
• Abschlussquote in Prozent
• Durchschnittliche Beherrschung aller untersuchten Themen
• Balken zur Themenbeherrschung – farbcodiert grün (stark), bernsteinfarben (entwickelnd) oder rot (schwach)
• Modulstatusraster: eine visuelle Übersicht darüber, welche Module abgeschlossen sind und welche noch übrig sind

Dadurch erhalten die Lernenden ein reales Bild davon, wo sie stehen, und nicht nur, wie weit sie gescrollt haben.

# Wie alle vier Module zusammenarbeiten

Jedes Modul ist für sich genommen nützlich, aber zusammen bilden sie eine kontinuierliche Feedbackschleife.

Die Feedbackschleife des Lernenden

Diese Schleife bedeutet, dass das System niemals statisch ist. Es reagiert auf die tatsächliche Leistung der einzelnen Personen und nicht nur darauf, ob sie geklickt hat.Nächste.“

Vollständige lokale Architektur – keine Cloud, keine API-Schlüssel

# Abschluss

Der Aufbau eines KI-gestützten LMS erfordert kein großes Finances oder ein Information-Science-Group. Mit Ollama, FastAPI und React können Sie ein System erstellen, das sich wirklich an die Lernenden anpasst – eines, das neue Bewertungen generiert, Fragen in Echtzeit beantwortet und die tatsächliche Beherrschung und nicht nur den Abschluss verfolgt.

Was diesen Ansatz leistungsstark macht, ist nicht eine einzelne Funktion. Es ist die Rückkopplungsschleife. Mit jedem eingereichten Quiz, jeder gestellten Frage und jedem abgeschlossenen Modul wird das System für jeden Lernenden intelligenter.

Herkömmliche LMS-Plattformen verfolgen Klicks. Dieser verfolgt das Lernen.

Das vollständige Projekt – einschließlich aller Backend-Routen, React-Komponenten und Einrichtungsanweisungen – ist unter verfügbar GitHub. Klonen Sie es und lesen Sie die README-Datei, um es lokal auszuführen.

Shittu Olumide ist ein Software program-Ingenieur und technischer Autor, der sich leidenschaftlich dafür einsetzt, modernste Technologien zu nutzen, um fesselnde Erzählungen zu erschaffen, mit einem scharfen Blick fürs Element und einem Gespür für die Vereinfachung komplexer Konzepte. Sie können Shittu auch auf finden Twitter.