Eine Synchronisation überträgt auch Löschungen und Verschlüsselungen in die Cloud.
Das Bundesamt für Cybersicherheit BACS hält fest, dass Cloud-Dienste nur bedingt vor Angriffen mit Verschlüsselungsschadsoftware, also Ransomware, schützen. Dasselbe gilt für Speichermedien, die dauerhaft angeschlossen sind: Sie können mitverschlüsselt werden. Zur Einordnung: Viele Dienste bieten eine Versionierung, mit der sich ältere Stände zurückholen lassen. Darum heisst es im Video «kann» und nicht «wird». Eine eigenständige Sicherung ersetzt das aber nicht. ## Die 3-2-1-Regel Das BACS empfiehlt eine einfache Faustregel: - **3 Kopien** deiner Daten: das Original und zwei Sicherungskopien. - **2 unterschiedliche Speichermedien**, zum Beispiel eine externe Festplatte und eine Cloud. - **1 Kopie** ausserhalb des eigenen Geräts an einem externen Ort. Die 3-2-1-Regel: drei Kopien, zwei Speichermedien, eine Kopie ausser Haus.
Für diese externe Kopie empfiehlt das BACS, sie offline auf einem externen Medium aufzubewahren und das Medium nach dem Backup wieder zu trennen. Was nicht angeschlossen ist, kann eine Schadsoftware nicht erreichen. ## Zwei Punkte, die oft vergessen gehen **Die Wiederherstellung üben.** Das BACS rät ausdrücklich, das Einspielen von Sicherungskopien zu üben, bevor man im Ernstfall darauf angewiesen ist. Erst beim Zurückholen zeigt sich, ob die Sicherung vollständig ist, ob du das Passwort noch kennst und wie lange es dauert. Zwei Punkte, die bei Backups oft fehlen: die Wiederherstellung üben und offene Formate.
**In offenen Formaten sichern.** Das ist meine Empfehlung, keine Vorgabe des BACS: Eine Sicherung nützt wenig, wenn sich die Dateien nur mit der Software eines bestimmten Anbieters öffnen lassen. Offene Formate machen dich unabhängiger, falls du den Anbieter wechselst oder es ihn nicht mehr gibt. ## Mein Vorschlag: eine Wiederherstellungsprobe Plane in den nächsten Tagen eine kleine Probe ein: 1. Wähle eine Datei, die dir wichtig ist, und einen Ordner, den du oft brauchst. 2. Hol beide aus deiner Sicherung zurück, und zwar an einen neuen Ort, damit du nichts überschreibst. 3. Öffne die Dateien auf einem anderen Gerät oder mit einem anderen Programm. 4. Notiere, was gefehlt hat oder unklar war, und wann du die Probe wiederholst. Für Vereine und Teams lohnt sich eine zusätzliche Frage: Wer ausser dir weiss, wo die Sicherung liegt und wie man sie einspielt? ## Meine Sicht Ein Backup, das nie getestet wurde, ist eine Hoffnung, keine Sicherung. Und Souveränität beginnt für mich genau dort, wo du deine Daten selbst zurückholen kannst, ohne auf einen Anbieter angewiesen zu sein. ## Und bei dir? Wann hast du dein Backup zuletzt getestet? ## Häufige Fragen ### Ist die Cloud ein Backup? Nicht automatisch. Ein Synchronisationsdienst hält alle Geräte auf demselben Stand und kann so auch eine gelöschte oder verschlüsselte Datei auf alle Geräte übertragen. Das Bundesamt für Cybersicherheit BACS hält fest, dass Cloud-Dienste nur bedingt vor Ransomware schützen. ### Was ist die 3-2-1-Regel? Eine Faustregel des BACS für die Datensicherung: drei Kopien der Daten, auf zwei unterschiedlichen Speichermedien, davon eine an einem externen Ort. Für die externe Kopie empfiehlt das BACS, sie offline aufzubewahren und das Medium nach dem Backup wieder zu trennen. ### Wie prüfe ich, ob mein Backup funktioniert? Indem du die Wiederherstellung übst, wie es das BACS empfiehlt. Erst beim Zurückholen zeigt sich, ob die Sicherung vollständig ist, ob du das Passwort noch kennst und wie lange es dauert. ## Transkript des Videos Nur in der Cloud heisst nicht gesichert. Viele verlassen sich darauf: Die Daten liegen ja beim Anbieter. Aber Synchronisation ist kein Backup. Wird eine Datei gelöscht oder von Schadsoftware verschlüsselt, kann die Synchronisation den Schaden gleich mit übernehmen. Das Bundesamt für Cybersicherheit warnt: Cloud-Dienste schützen nur bedingt vor Ransomware. Die bewährte Regel heisst drei, zwei, eins. Drei Kopien deiner Daten: das Original und zwei Sicherungen. Zwei verschiedene Speichermedien. Und eine Kopie ausser Haus, am besten offline. Dazu zwei Dinge, die oft vergessen gehen. Erstens: die Wiederherstellung üben, bevor der Ernstfall kommt. Ein Backup, das nie getestet wurde, ist eine Hoffnung. Zweitens: Daten in offenen Formaten sichern, damit du sie auch ohne den Anbieter lesen kannst. Souveränität beginnt dort, wo du deine Daten selbst zurückholen kannst. ## Quellen - [Bundesamt für Cybersicherheit BACS: Datensicherung](https://www.bacs.admin.ch/de/datensicherung) --- # Die E-ID kommt später. Das ist gut so. URL: https://ricoeberle.ch/blog/die-e-id-kommt-spaeter/ Sprache: de-CH · Datum: 2026-10-01 · Thema: Digitale Souveränität · Autor: Rico Eberle > Warum sich die E-ID verzögert (Infrastruktur im 1. Halbjahr 2027, Start offen), wie swiyu deine Daten schützt und was das für Bildungsnachweise heisst. Eigentlich hätte die staatliche E-ID der Schweiz Ende 2026 starten sollen. Nun kommt sie später. Das klingt nach einer weiteren Verzögerung bei einem Digitalprojekt des Bundes. Warum ich es trotzdem für ein gutes Zeichen halte, steht am Schluss unter «Meine Sicht». ## Später als geplant Ursprünglich war der Start für Ende 2026 geplant. Ende Juni 2026 hat das Bundesamt für Justiz mitgeteilt, dass die Vertrauensinfrastruktur hinter der E-ID voraussichtlich im ersten Halbjahr 2027 bereitsteht. Ein genaues Startdatum für die E-ID selbst ist noch offen. Als Gründe nennt der Bund unter anderem, Deepfakes besser zu erkennen und Schadsoftware auf dem Smartphone abzuwehren. Laut NZZ spielt zudem eine Datenschutzfrage rund um die AHV-Nummer eine Rolle. Die E-ID kommt später als geplant, mit Sicherheit als Begründung. Folie und Video verkürzen: Geplant war ursprünglich Ende 2026; für das erste Halbjahr 2027 ist die Vertrauensinfrastruktur angekündigt, das Startdatum der E-ID selbst ist offen.
## Was die E-ID ist Die E-ID ist ein staatlicher elektronischer Ausweis in der App swiyu. Sie ist freiwillig und kostenlos. Zwei Grundsätze prägen sie: - **Die Daten liegen nur auf deinem Smartphone.** - **Du gibst nur weiter, was nötig ist.** Bei einer Alterskontrolle erfährt die prüfende Stelle laut Bund weder dein Geburtsdatum noch dein Alter, sondern nur, ob du das Mindestalter erreicht hast. Die E-ID gibt nur weiter, was nötig ist, zum Beispiel «über 18» statt des Geburtsdatums.
Zum Vergleich: Wer heute an der Kasse die Identitätskarte zeigt, zeigt dabei auch Namen und Geburtsdatum, obwohl nur eine Ja-Nein-Frage gestellt ist. ## Interessant für die Weiterbildung Die E-ID ist nur der erste Ausweis auf dieser Infrastruktur. Dieselbe Technik soll auch andere Nachweise tragen, darunter Bildungsnachweise. Educa und Switch haben im Februar 2026 einen Proof of Concept für ein digitales Maturitätszeugnis vorgestellt. Das erklärte Ziel sind durchgängige Bildungsverläufe: Nachweise, die vom Schulabschluss bis zur Weiterbildung digital und überprüfbar sind. Für Weiterbildungsanbieter ist das mehr als eine technische Randnotiz. Heute prüfen viele Anbieter Zertifikate von Hand, verschicken PDFs oder stellen Papierurkunden aus, deren Echtheit sich nur mühsam prüfen lässt. Ein überprüfbarer digitaler Nachweis im Wallet der Teilnehmenden würde Anmeldung, Anerkennung von Vorleistungen und Zertifikate einfacher machen. ## Was das jetzt heisst **Für Anbieter:** Anmeldung und Zertifikate jetzt schon mitdenken. Wo verlangt ihr heute einen Ausweis oder einen Nachweis? Welche Zertifikate stellt ihr aus, und wer prüft sie? Die öffentliche Testversion von swiyu lässt sich bereits ausprobieren. **Für Teilnehmende:** Pass und Identitätskarte bleiben gültig. Die E-ID ist ein Angebot, keine Pflicht. Hinweis: Der Starttermin kann sich noch ändern. Stand dieses Beitrags ist der 1. Oktober 2026. Was die Verschiebung für Anbieter und Teilnehmende bedeutet.
## Meine Sicht Sicherheit vor Tempo: Bei einer Identität ist das die richtige Reihenfolge. Dass die E-ID später kommt, ist deshalb eine gute Nachricht. ## Und bei dir? Würdest du deine Weiterbildungszertifikate lieber digital im Wallet haben? ## Häufige Fragen ### Wann kommt die E-ID in der Schweiz? Laut Bundesamt für Justiz steht die Vertrauensinfrastruktur hinter der E-ID voraussichtlich im ersten Halbjahr 2027 bereit; ursprünglich war der Start für Ende 2026 geplant. Ein genaues Startdatum für die E-ID selbst war beim Stand dieses Beitrags (1. Oktober 2026) noch offen. Als Gründe für die Verschiebung nennt der Bund unter anderem, Deepfakes besser zu erkennen und Schadsoftware auf dem Smartphone abzuwehren. ### Ist die E-ID obligatorisch? Nein. Die E-ID ist freiwillig und kostenlos, Pass und Identitätskarte bleiben gültig. ### Welche Daten gibt die E-ID bei einer Alterskontrolle weiter? Nur, was nötig ist: Laut Bund erfährt die prüfende Stelle weder das Geburtsdatum noch das Alter, sondern nur, ob das Mindestalter erreicht ist. Die Daten liegen nur auf dem eigenen Smartphone in der App swiyu. ## Transkript des Videos Die E-ID kommt später als versprochen. Und das ist eine gute Nachricht. Eigentlich sollte die staatliche E-ID diesen Herbst starten. Der Bund hat auf 2027 verschoben, unter anderem, um Deepfakes besser zu erkennen und Schadsoftware auf dem Handy abzuwehren. Sicherheit vor Tempo: Bei einer Identität ist das richtig. Was ist die E-ID überhaupt? Ein freiwilliger, kostenloser Ausweis in einer App namens swiyu. Die Daten liegen nur auf deinem Smartphone, und du gibst nur weiter, was nötig ist. Bei einer Alterskontrolle zum Beispiel nur, dass du volljährig bist, nicht dein Geburtsdatum. Spannend für die Weiterbildung: Dieselbe Infrastruktur soll auch Bildungsnachweise tragen. Ein digitales Maturitätszeugnis wurde bereits erprobt. Das Ziel sind Nachweise, die vom Schulabschluss bis zur Weiterbildung digital und überprüfbar sind. Für Anbieter heisst das: Anmeldung und Zertifikate jetzt schon mitdenken und die Testversion ausprobieren. Für Teilnehmende gilt: Pass und Identitätskarte bleiben gültig, die E-ID ist ein Angebot. ## Quellen - [SRF: Die Einführung der E-ID verzögert sich](https://www.srf.ch/news/schweiz/e-id-ab-2027-die-einfuehrung-der-e-id-verzoegert-sich) - [Netzwoche: Die E-ID kommt später als geplant (30.06.2026)](https://www.netzwoche.ch/news/2026-06-30/die-e-id-kommt-spaeter-als-geplant) - [NZZ: Neue Verzögerungen wegen eines Datenschutzproblems](https://www.nzz.ch/schweiz/die-e-id-ist-ein-prestigeprojekt-des-bundes-jetzt-drohen-neue-verzoegerungen-wegen-eines-datenschutzproblems-ld.10011019) - [Bund: E-ID, häufige Fragen](https://www.eid.admin.ch/de/faq-d) - [Switch: Maturitätszeugnisse sind bald digital und überprüfbar](https://www.switch.ch/de/insights/maturitaetszeugnisse-sind-bald-digital-und-ueberpruefbar) - [inside-it: Entwurf für digitales Maturitätszeugnis vorgestellt](https://www.inside-it.ch/entwurf-fuer-digitales-maturitaetszeugnis-vorgestellt-20260303) - [Switch: Digitale Mobilität im Bildungsraum Schweiz](https://www.switch.ch/de/insights/ein-meilenstein-fuer-die-digitale-mobilitaet-im-bildungsraum-schweiz) - [Bund: swiyu, öffentliche Testversion](https://www.eid.admin.ch/de/swiyu-coming-soon-d) - [watson: So kannst du die Schweizer E-ID ausprobieren](https://www.watson.ch/wirtschaft/schweiz/892950671-so-kannst-du-die-schweizer-e-id-ab-sofort-ausprobieren) --- # Lerntypen gibt es nicht. Was stattdessen wirkt. URL: https://ricoeberle.ch/blog/lernstile-sind-ein-mythos/ Sprache: de-CH · Datum: 2026-10-01 · Thema: E-Learning & KI · Autor: Rico Eberle > Warum visuelle, auditive und kinästhetische Lerntypen nicht belegt sind, weshalb trotzdem fast alle Lehrenden daran glauben und was in Kursen wirkt. «Welcher Lerntyp bist du?» Die Idee hinter dieser Frage ist unter Lehrenden weit verbreitet, auch in der Erwachsenenbildung. Visuell, auditiv oder kinästhetisch, und wer passend zu seinem Typ unterrichtet wird, lernt besser. Die Idee ist eingängig, verbreitet und gut gemeint. Belegt ist sie nicht. ## Was die Forschung sagt 2008 haben Harold Pashler, Mark McDaniel, Doug Rohrer und Robert Bjork die Studienlage im Auftrag der Association for Psychological Science geprüft. Ihre Frage war genau: Lernen Menschen besser, wenn der Unterricht zu ihrem bevorzugten Lernstil passt? Eine Vorliebe für eine Darstellungsform heisst nicht, dass man damit besser lernt.
Um das sauber zu testen, braucht es ein bestimmtes Studiendesign: Lernende mit verschiedenen Lernstilen werden zufällig auf verschiedene Unterrichtsformen verteilt, danach wird für alle derselbe Test gemacht. Solche Studien fanden die Forschenden nur wenige. Diese zeigten den erwarteten Effekt nicht, mehrere widersprachen ihm sogar deutlich. Ihr Fazit: Es gibt keine ausreichende Evidenz dafür, den Unterricht auf Lernstile abzustimmen. Eine neuere Meta-Analyse von 2024 findet unter bestimmten Bedingungen kleine Effekte. An der praktischen Empfehlung ändert das wenig: Der Aufwand für Lerntyp-Tests und angepasste Materialien steht in keinem Verhältnis zum möglichen Nutzen. ## Warum der Mythos so hartnäckig ist Trotzdem glauben die meisten Lehrenden daran. Philip Newton und Atharva Salvi haben 2020 dazu 37 Studien mit über 15'000 Lehrpersonen und Kursleitenden aus 18 Ländern ausgewertet. Gewichtet gaben rund 89 Prozent an, dass sie an die Anpassung an Lernstile glauben, also etwa neun von zehn. Kein Beleg für Lernstile, und trotzdem glauben rund 89 Prozent der Lehrenden daran.
Ein Grund: Die Idee enthält einen wahren Kern. Vorlieben haben wir alle. Manche lesen lieber, andere hören lieber zu. Nur heisst eine Vorliebe nicht, dass wir so auch besser lernen. Rogowsky und Kollegen haben 2015 genau das geprüft: Erwachsene, die sich als Lesende oder Hörende einschätzten, lernten mit dem passenden Format nicht besser. ## Was stattdessen wirkt **Die Darstellung passt zum Inhalt, nicht zur Person.** Ein Ablauf braucht ein Schema, eine Aussprache braucht Ton, ein Handgriff braucht Übung. Diese Entscheidung gilt für alle Teilnehmenden gleich. Die Darstellung richtet sich nach dem Inhalt, nicht nach einem Lerntyp.
**Aktiv abrufen und verteilt wiederholen.** Beide Techniken gehören zu den am besten belegten überhaupt. Mehr dazu im Beitrag zur [Vergessenskurve](/blog/die-vergessenskurve/). ## Mein Vorschlag für deinen nächsten Kurs Streiche den Lerntyp-Test aus dem Kursbeginn. Nutze die gewonnene Zeit für eine kurze Abfrage zu dem, was die Teilnehmenden schon wissen. Das zeigt dir mehr über die Gruppe als jede Typologie und ist gleichzeitig die erste Abrufübung. Und wenn du Material planst, frag nicht «Was mögen die Teilnehmenden?», sondern «Was braucht dieser Inhalt?». ## Häufige Fragen ### Gibt es Lerntypen wirklich? Für die Idee, dass Menschen besser lernen, wenn der Unterricht zu ihrem Lerntyp passt, gibt es keine ausreichende Evidenz. Zu diesem Schluss kamen Pashler und Kollegen 2008 nach einer Prüfung der Studienlage. Vorlieben gibt es zwar, aber eine Vorliebe heisst nicht, dass man so besser lernt. ### Wie viele Lehrpersonen glauben an Lerntypen? Newton und Salvi werteten 2020 37 Studien mit über 15'000 Lehrpersonen und Kursleitenden aus 18 Ländern aus. Gewichtet glaubten rund 89 Prozent an die Anpassung des Unterrichts an Lernstile, also etwa neun von zehn. ### Was wirkt besser als Unterricht nach Lerntyp? Die Darstellung soll zum Inhalt passen, nicht zur Person: Ein Ablauf braucht ein Schema, eine Aussprache Ton, ein Handgriff Übung. Für alle gilt zudem: aktiv abrufen und verteilt wiederholen. ## Transkript des Videos Jeder Mensch hat einen Lerntyp: visuell, auditiv oder kinästhetisch. Und wer passend zu seinem Typ unterrichtet wird, lernt besser. Klingt einleuchtend. Viele Kurse für Erwachsene bauen darauf auf. Nur: Dafür gibt es keinen Beleg. Forschende um Harold Pashler haben 2008 genau hingeschaut. Die wenigen Studien, die die Idee sauber testen, fanden den Effekt nicht, teils widersprachen sie ihm sogar. Trotzdem glauben rund neun von zehn Lehrpersonen und Kursleitenden daran. Das zeigt eine Auswertung von 37 Studien aus 18 Ländern. Vorlieben haben wir alle, das stimmt. Aber eine Vorliebe heisst nicht, dass wir so besser lernen. Was stattdessen wirkt: Die Darstellung soll zum Inhalt passen, nicht zur Person. Ein Ablauf braucht ein Schema, eine Aussprache braucht Ton, ein Handgriff braucht Übung. Und für alle gilt: aktiv abrufen und verteilt wiederholen. Für Kursleitende heisst das: Lerntyp-Tests streichen und die Zeit für Methoden nutzen, die zum Stoff passen. ## Quellen - [Pashler, McDaniel, Rohrer & Bjork (2008): Learning Styles: Concepts and Evidence](https://journals.sagepub.com/doi/full/10.1111/j.1539-6053.2009.01038.x) - [Newton & Salvi (2020): How Common Is Belief in the Learning Styles Neuromyth?](https://doi.org/10.3389/feduc.2020.602451) - [Rogowsky, Calhoun & Tallal (2015): Matching Learning Style to Instructional Method](https://eric.ed.gov/?id=EJ1055886) - [Meta-Analyse zu Lernstilen (2024)](https://pmc.ncbi.nlm.nih.gov/articles/PMC11270031/) --- # Mischen statt blocken: dreimal besser im Test URL: https://ricoeberle.ch/blog/mischen-statt-blocken/ Sprache: de-CH · Datum: 2026-10-01 · Thema: E-Learning & KI · Autor: Rico Eberle > Warum gemischtes Üben langfristig besser wirkt als Üben am Stück, obwohl es sich schwerer anfühlt, und wie du Übungen in deinen Kursen mischst. Zwei Gruppen üben gleich lang und mit denselben Aufgaben. Eine Woche später schneidet die eine Gruppe dreimal besser ab als die andere. Der einzige Unterschied liegt in der Reihenfolge der Übungen. Das Ergebnis widerspricht dem, was sich beim Üben richtig anfühlt. ## Das Experiment Doug Rohrer und Kelli Taylor haben 2007 Studierende lernen lassen, wie man das Volumen verschiedener Körper berechnet. Alle bekamen dieselben Aufgaben und gleich viel Zeit. Unterschiedlich war nur die Anordnung: - **Geblockt:** zuerst alle Aufgaben zum ersten Körper, dann alle zum zweiten, und so weiter. - **Gemischt:** dieselben Aufgaben, aber durcheinander. Eine Woche später lag die gemischte Gruppe mit 63 Prozent deutlich vor der geblockten mit 20 Prozent.
Eine Woche später lösten die Studierenden aus der gemischten Gruppe 63 Prozent der Testaufgaben richtig, jene aus der geblockten Gruppe nur 20 Prozent. ## Das Verrückte daran Während des Übens war es umgekehrt. Da lag die geblockte Gruppe mit 89 Prozent richtigen Lösungen klar vor der gemischten mit 60 Prozent. Wer am Stück übt, wendet immer wieder dasselbe Verfahren an und wird dabei schnell sicher. Wer gemischt übt, muss bei jeder Aufgabe zuerst erkennen, welches Verfahren passt. Das ist anstrengender, und genau diese Unterscheidung wird später im Test gebraucht. Während des Übens lag die geblockte Gruppe vorn, 89 zu 60 Prozent.
Mischen fühlt sich schwerer an, wirkt aber länger. ## Auch Erwachsene schätzen das falsch ein Nate Kornell und Robert Bjork haben 2008 Erwachsene Malstile verschiedener Künstler lernen lassen, einmal geblockt, einmal gemischt. Gemischt lernten die meisten mehr. Trotzdem hielten 78 Prozent das Blocken für gleich gut oder besser, also gut drei Viertel. Das Gefühl beim Üben ist ein schlechter Ratgeber dafür, was hängen bleibt. 78 Prozent hielten Blocken für mindestens gleich gut, obwohl sie gemischt mehr gelernt hatten. Genauer als die Folie: Ältere Erwachsene profitieren laut der Folgestudie ähnlich wie jüngere.
Eine Folgestudie von Kornell, Castel, Eich und Bjork aus dem Jahr 2010 zeigte zudem: Ältere Erwachsene profitieren vom Mischen ähnlich wie jüngere. Für die Weiterbildung ist das eine gute Nachricht. ## Was das für Weiterbildungen heisst **Übungen mischen.** Besonders wirksam ist das bei Aufgabentypen, die sich ähneln und leicht verwechselt werden. Im Buchhaltungskurs zum Beispiel Buchungssätze verschiedener Geschäftsfälle durcheinander üben statt Kapitel für Kapitel. Das Beispiel ist meine Übertragung; die Studien stammen aus Mathematik und Kunst. **Erklären, warum es sich schwerer anfühlt.** Wer gemischt übt, macht anfangs mehr Fehler. Ohne Erklärung wirkt das wie ein schlechter Kurs. Mit Erklärung wird es zu einem nützlichen Signal: Hier passiert gerade Lernen. ## Mein Vorschlag Nimm dein nächstes Übungsblatt und prüf, ob die Aufgaben nach Thema sortiert sind. Wenn ja, mische die zweite Hälfte. Die erste Hälfte darf geblockt bleiben, damit die Teilnehmenden das Verfahren kennenlernen. Danach folgt das Unterscheiden. Schwer heisst nicht schlecht. ## Häufige Fragen ### Ist gemischtes Üben besser als Üben am Stück? Langfristig ja. In einer Studie von Rohrer und Taylor (2007) löste die gemischte Gruppe eine Woche später 63 Prozent der Testaufgaben richtig, die geblockte nur 20 Prozent. ### Warum fühlt sich gemischtes Üben schwerer an? Wer gemischt übt, muss bei jeder Aufgabe zuerst erkennen, welches Verfahren passt. Beim Üben lag die geblockte Gruppe deshalb mit 89 zu 60 Prozent vorne, im Test eine Woche später war es umgekehrt. ### Hilft gemischtes Üben auch Erwachsenen? Ja. In einem Versuch von Kornell und Bjork (2008) lernten die meisten Erwachsenen Malstile verschiedener Künstler gemischt besser als geblockt. Eine Folgestudie von 2010 zeigte, dass ältere Erwachsene ähnlich profitieren wie jüngere. ## Transkript des Videos Zwei Gruppen üben gleich lang, mit denselben Aufgaben. Eine Woche später schneidet die eine dreimal besser ab. Was war anders? Nur die Reihenfolge. Gruppe A übt am Stück: zuerst alle Aufgaben vom ersten Typ, dann alle vom zweiten. Gruppe B übt gemischt. Rate kurz: Welche Gruppe gewinnt? Gruppe B. In einer Studie von Doug Rohrer erreichte die gemischte Gruppe 63 Prozent, die geblockte nur 20. Und das Verrückte: Beim Üben war es umgekehrt. Da lag die geblockte Gruppe klar vorne. Mischen fühlt sich schwerer an, wirkt aber länger. Auch Erwachsene schätzen das falsch ein. In einem Versuch hielten drei Viertel das Blocken für mindestens gleich gut, obwohl sie gemischt mehr gelernt hatten. Und ältere Erwachsene profitierten genauso. Für Weiterbildungen heisst das: Übungen mischen. Im Buchhaltungskurs zum Beispiel Buchungssätze verschiedener Geschäftsfälle durcheinander statt Kapitel für Kapitel. Und den Teilnehmenden erklären, warum es sich schwerer anfühlt. Schwer heisst nicht schlecht. ## Quellen - [Rohrer & Taylor (2007): The shuffling of mathematics problems improves learning](https://doi.org/10.1007/s11251-007-9015-8) - [Kornell & Bjork (2008): Learning Concepts and Categories](https://doi.org/10.1111/j.1467-9280.2008.02127.x) - [Kornell, Castel, Eich & Bjork (2010): Spacing as the friend of both memory and induction in young and older adults](https://doi.org/10.1037/a0017807) --- # Modell, LLM, Chat, Agent: vier Begriffe, ein Bild URL: https://ricoeberle.ch/blog/modell-llm-chat-agent/ Sprache: de-CH · Datum: 2026-10-01 · Thema: E-Learning & KI · Autor: Rico Eberle > Modell, LLM, Chat und Agent werden oft verwechselt. Ein Schalenbild zeigt, wie die vier Begriffe zusammenhängen und was das für deinen Unterricht heisst. Modell, LLM, Chat, Agent: Die vier Begriffe fallen in fast jedem Gespräch über KI, und oft meinen zwei Personen damit nicht dasselbe. Dabei hängen sie einfach zusammen, wie Schalen, eine um die andere. Das Bild ist eine didaktische Vereinfachung, aber es hilft, Werkzeuge einzuordnen und die richtigen Fragen zu stellen. ## Im Kern: das Modell Ganz innen liegt das Modell. Ein Modell ist das Ergebnis des Trainings: eine riesige Datei mit Milliarden von Zahlen, den sogenannten Parametern. Ein LLM, ein Large Language Model, ist eine bestimmte Art von Modell. Es wurde mit sehr viel Text trainiert und sagt Stück für Stück voraus, wie ein Text weitergeht. GPT, Claude, Gemini oder das Schweizer Apertus sind solche Sprachmodelle. Im Kern liegt das Modell. Ein LLM ist eine Art Modell und bildet keine eigene Schale.
Wie gross solche Modelle sind, zeigt Apertus: EPFL, ETH Zürich und das Schweizerische Supercomputing-Zentrum CSCS haben es 2025 in zwei Grössen veröffentlicht, mit 8 und mit 70 Milliarden Parametern. Die «Stücke», von denen im Video die Rede ist, heissen in der Fachsprache Tokens: Wörter, Wortteile oder Satzzeichen. Das Video sagt bewusst «Stück» statt «Wort», weil ein Modell nicht Wort für Wort arbeitet. Warum diese Vorhersage manchmal flüssig klingt und trotzdem falsch ist, zeigt der Beitrag [Die KI lügt nicht. Sie rät.](/blog/warum-ki-halluziniert/) ## Die erste Hülle: der Chat Allein tut ein Modell nichts. Es braucht eine Hülle, über die man es nutzen kann. Die erste Hülle ist der Chat: ein Eingabefeld, ein Verlauf, vielleicht ein paar Dateien. Du fragst, das Modell antwortet. Ein bekannter Name macht den Unterschied greifbar: ChatGPT ist der Chat, das Modell darin heisst GPT. Wenn im Kollegium jemand sagt, «ChatGPT» habe etwas falsch gemacht, lohnt sich deshalb die Rückfrage, ob die Antwort des Modells gemeint ist oder eine Funktion der Oberfläche. ## Die zweite Hülle: der Agent Der Agent gibt dem Modell ein Ziel und Werkzeuge: im Web suchen, Dateien öffnen, Programme ausführen. Und er lässt es in einer Schleife arbeiten: planen, handeln, prüfen, weitermachen, bis die Aufgabe erledigt ist. Der Agent gibt dem Modell ein Ziel und Werkzeuge und lässt es in einer Schleife arbeiten.
Anthropic beschreibt Agenten in einem Leitfaden von 2024 als Systeme, in denen das Sprachmodell seinen Ablauf und den Einsatz von Werkzeugen selbst steuert. Davon unterscheidet der Leitfaden Workflows, bei denen ein fest programmierter Ablauf vorgibt, wann das Modell welches Werkzeug nutzt. Er nennt auch die Kehrseite: Agenten verursachen höhere Kosten, und Fehler können sich über mehrere Schritte aufschaukeln. Empfohlen werden deshalb ausgiebige Tests in abgeschotteten Umgebungen und passende Leitplanken. ## Die Grenzen verschwimmen Viele Chats können heute auch im Web suchen. Dann arbeiten sie schon ein Stück wie ein Agent: Das Modell entscheidet selbst, ob und wonach es sucht, und baut die Ergebnisse in seine Antwort ein. Das Schalenbild ist deshalb keine scharfe Einteilung, sondern eine Orientierung. Je weiter aussen, desto mehr tut die KI selbst. ## Was das für den Unterricht heisst Der Merksatz aus dem Video fasst das Bild zusammen: Das Modell rechnet, der Chat antwortet, der Agent handelt. Das Modell rechnet, der Chat antwortet, der Agent handelt.
Für Kursleitende ergeben sich daraus zwei praktische Punkte: **Genau benennen, was gemeint ist.** Wer Regeln für KI im Kurs formuliert, sollte sagen, ob ein Chat gemeint ist oder auch Werkzeuge, die selbständig suchen, Dateien bearbeiten oder Programme ausführen. **Genauer hinschauen, je mehr die KI selbst tut.** Bei einer Chat-Antwort prüft man einen Text. Bei einem Agenten kommt dazu, welche Schritte er gemacht, welche Quellen er geöffnet und was er verändert hat. Das ist meine Einordnung; sie passt zu Anthropics Hinweis auf höhere Fehlerfolgen und den Bedarf an Tests und Leitplanken. Wie ein KI-Assistent mit eigenen Dokumenten arbeitet und was das Sprachmodell dabei wirklich sieht, zeigt der Beitrag [RAG erklärt: Deine KI hat das Handbuch nie gelesen](/blog/rag-was-das-llm-sieht/). ## Mein Vorschlag Zeichne in der nächsten Weiterbildung drei Kreise ineinander aufs Flipchart: Modell, Chat, Agent. Lass die Teilnehmenden die KI-Werkzeuge, die sie kennen oder nutzen, auf Haftnotizen schreiben und einem Kreis zuordnen. Spannend sind die Grenzfälle, etwa ein Chat mit Websuche. Frag dort nach: Was tut das Werkzeug selbst, und was muss ich danach prüfen? Wer die Schalen auseinanderhält, weiss, wo er genauer hinschauen muss. ## Häufige Fragen ### Was ist der Unterschied zwischen ChatGPT und GPT? ChatGPT ist der Chat, also die Oberfläche mit Eingabefeld und Verlauf. GPT ist das Sprachmodell darin, das die Antworten berechnet. ### Was ist ein LLM? Ein Large Language Model (LLM) ist ein KI-Modell, das mit sehr viel Text trainiert wurde und Stück für Stück, genau genommen Token für Token, voraussagt, wie ein Text weitergeht. Beispiele sind GPT, Claude, Gemini und das Schweizer Modell Apertus. ### Was ist ein KI-Agent? Ein KI-Agent gibt einem Sprachmodell ein Ziel und Werkzeuge, etwa Websuche, Dateien oder Programme, und lässt es in einer Schleife planen, handeln und prüfen, bis die Aufgabe erledigt ist. Anthropic beschreibt Agenten als Systeme, in denen das Modell seinen Ablauf und den Einsatz von Werkzeugen selbst steuert. ## Transkript des Videos Modell, LLM, Chat, Agent. Vier Begriffe, ein Bild. Die vier Wörter werden oft durcheinander gebraucht. Dabei hängen sie ganz einfach zusammen: wie Schalen, eine um die andere. Ganz innen liegt das Modell. Ein Modell ist das Ergebnis des Trainings: eine riesige Datei mit Milliarden von Zahlen. Ein LLM, ein Large Language Model, ist eine bestimmte Art von Modell. Es wurde mit sehr viel Text trainiert und sagt Stück für Stück voraus, wie ein Text weitergeht. GPT, Claude, Gemini oder das Schweizer Apertus sind solche Sprachmodelle. Allein tut ein Modell nichts. Es braucht eine Hülle. Die erste Hülle ist der Chat: ein Eingabefeld, ein Verlauf, vielleicht ein paar Dateien. Du fragst, das Modell antwortet. Ein Beispiel: ChatGPT ist der Chat. Das Modell darin heisst GPT. Die zweite Hülle ist der Agent. Er gibt dem Modell ein Ziel und Werkzeuge: suchen, Dateien öffnen, Programme ausführen. Und er lässt es in einer Schleife arbeiten: planen, handeln, prüfen, weitermachen. Bis die Aufgabe erledigt ist. Die Grenzen verschwimmen. Viele Chats können heute auch im Web suchen. Dann arbeiten sie schon ein Stück wie ein Agent. Merk dir: Das Modell rechnet, der Chat antwortet, der Agent handelt. Und je mehr eine KI selbst tut, desto genauer musst du hinschauen. ## Quellen - [ETH Zürich: Apertus, ein vollständig offenes, transparentes und mehrsprachiges Sprachmodell (2025)](https://ethz.ch/de/news-und-veranstaltungen/eth-news/news/2025/09/medienmitteilung-apertus-ein-vollstaendig-offenes-transparentes-und-mehrsprachiges-sprachmodell.html) - [Kalai et al.: Why Language Models Hallucinate (2025)](https://arxiv.org/abs/2509.04664) - [Anthropic: Building effective agents (2024)](https://www.anthropic.com/engineering/building-effective-agents) --- # RAG erklärt: Deine KI hat das Handbuch nie gelesen URL: https://ricoeberle.ch/blog/rag-was-das-llm-sieht/ Sprache: de-CH · Datum: 2026-10-01 · Thema: E-Learning & KI · Autor: Rico Eberle > Wie KI-Assistenten mit eigenen Dokumenten arbeiten, was das Sprachmodell dabei wirklich sieht und wann alles direkt ins Kontextfenster gehört. Viele KI-Assistenten, die mit eigenen Dokumenten arbeiten, haben das Handbuch nie ganz gelesen. Sie sehen nur ein paar Schnipsel daraus, ausgewählt von einer Suche. Das Verfahren heisst RAG. Wer es versteht, kann besser einschätzen, wann solche Assistenten verlässlich antworten und wann nicht. ## So funktioniert RAG RAG steht für Retrieval Augmented Generation, also eine Textgenerierung, die durch eine Suche ergänzt wird. Beschrieben haben das Verfahren Patrick Lewis und Kollegen 2020. Zuerst kommt eine Vorbereitung: Alle Dokumente werden in kleine Schnipsel zerlegt. Jeder Schnipsel bekommt einen Zahlencode für seine Bedeutung und landet in einer Datenbank. Bei jeder Frage folgen dann drei Schritte: 1. **Frage übersetzen:** Auch deine Frage wird in so einen Zahlencode übersetzt. 2. **Suchen:** Die Datenbank sucht die Schnipsel mit dem ähnlichsten Code, meist nur eine Handvoll. 3. **Antworten:** Erst jetzt kommt das Sprachmodell ins Spiel. Es bekommt deine Frage und diese paar Schnipsel und formuliert daraus die Antwort. Vorbereitung und drei Schritte pro Frage: Das Sprachmodell kommt erst am Schluss dazu.
Das Video vereinfacht an einigen Stellen. In der Fachsprache heissen die Schnipsel Chunks, der Zahlencode Embedding und die Datenbank Vektordatenbank. Auch das Embedding entsteht mit einem neuronalen Modell, einem sogenannten Embedding-Modell; das ist aber kein Sprachmodell, das Antworten formuliert. Manche Systeme setzen zusätzlich ein Sprachmodell ein, etwa um die Frage umzuformulieren oder die gefundenen Schnipsel nachzusortieren. Und wie viele Schnipsel das Modell bekommt, hängt vom System ab. ## Was das Sprachmodell sieht Das Sprachmodell sieht nie das ganze Handbuch, sondern nur das, was die Suche vorher ausgewählt hat. Fehlt der entscheidende Schnipsel, fehlt dem Modell die Grundlage. Dann rät es, oder es meldet, dass es nichts findet. Und Zusammenhänge über mehrere Kapitel gehen leicht verloren, weil jeder Schnipsel für sich steht. Anthropic beschreibt das Problem 2024 so: Herkömmliche RAG-Systeme entfernen beim Zerlegen den Kontext, und deshalb finden sie die relevante Information oft nicht. Ein Satz über ein Umsatzwachstum sagt allein nicht, welche Firma und welches Quartal gemeint ist. Mit zusätzlichem Kontext pro Schnipsel liessen sich solche Fehlgriffe in Anthropics Tests deutlich verringern, aber nicht ganz vermeiden. ## Die Alternative: alles ins Kontextfenster Das Kontextfenster ist alles, was ein Modell beim Antworten berücksichtigen kann, eine Art Arbeitsgedächtnis. Aktuelle Claude-Modelle fassen laut Anthropic eine Million Tokens. Tokens sind die Stücke, in die ein Sprachmodell Text zerlegt: Wörter, Wortteile oder Satzzeichen. Wie viele Seiten das sind, hängt vom Text ab. Anthropic setzt 200'000 Tokens mit etwa 500 Seiten gleich; hochgerechnet ergibt eine Million Tokens rund 2500 Seiten. Deutsche Texte brauchen etwas mehr Tokens pro Wort, darum ist das ein Richtwert. Gibst du alles direkt hinein, hat das Modell wirklich alles vor sich. Studien zeigen, dass das oft besser ist. Zhuowan Li und Kollegen haben 2024 beide Ansätze auf mehreren öffentlichen Datensätzen verglichen: Mit genügend Ressourcen schnitten Modelle mit langem Kontext im Durchschnitt besser ab als RAG. Auch Anthropic empfiehlt, eine Wissensbasis unter 200'000 Tokens einfach ganz in die Anfrage zu geben. ## Die Kehrseite des grossen Fensters Das grosse Fenster hat drei Grenzen: - **Es skaliert nur bis zur Grenze des Fensters.** Eine ganze Bibliothek passt nicht hinein. - **Jede Frage kostet mehr und dauert länger.** Abgerechnet wird pro Eingabe-Token, und das ganze Material geht bei jeder Frage mit. Zwischenspeichern (Prompt Caching) senkt die Kosten, aber nicht auf das Niveau von RAG. - **Je voller das Fenster, desto eher übersieht das Modell Details.** Nelson Liu und Kollegen zeigten 2023, dass Modelle Informationen in der Mitte eines langen Textes schlechter nutzen als am Anfang oder am Ende («Lost in the Middle»). Chroma testete 2025 achtzehn Modelle und fand, dass die Leistung mit wachsender Eingabe nachlässt, auch bei einfachen Aufgaben. Anthropic nennt das Phänomen in der eigenen Dokumentation «context rot». Beide Wege haben Stärken: RAG ist günstig und schnell, das volle Fenster stösst an Grenzen.
RAG hat dagegen echte Vorteile: Es ist günstig und schnell. Und weil bekannt ist, welche Schnipsel verwendet wurden, kann es zeigen, woher eine Antwort stammt. Schon Lewis und Kollegen nannten die fehlende Herkunftsangabe als Schwäche von Sprachmodellen ohne Suche. ## Die Faustregel Passt es ins Fenster, gib es ganz hinein. Ist es eine ganze Bibliothek, braucht es RAG. Oder einen Agenten, der selbst gezielt sucht. Die Faustregel aus dem Video: Fenster, RAG oder ein suchender Agent.
Ein Agent wählt nicht vorab Schnipsel aus, sondern sucht mit Werkzeugen selbst, prüft, was er findet, und sucht bei Bedarf weiter. Boris Cherny vom Team hinter Claude Code schrieb 2026, frühe Versionen des Werkzeugs hätten RAG mit einer lokalen Vektordatenbank genutzt; die agentische Suche funktioniere aber in der Regel besser und sei einfacher. ## Was das für Weiterbildungen heisst Wer mit KI-Assistenten für eigene Unterlagen arbeitet, etwa für Kursdossiers oder Reglemente, kann drei Dinge mitnehmen: **Antworten an der Quelle prüfen.** Zeigt ein Assistent an, aus welchem Dokument eine Antwort stammt, lohnt sich der Blick dorthin. Das ist eine Stärke von RAG. **«Nichts gefunden» heisst nicht «gibt es nicht».** Vielleicht hat die Suche den passenden Schnipsel nur nicht erwischt. Es hilft, die Frage mit anderen Begriffen zu wiederholen. **Bei Fragen über mehrere Kapitel vorsichtig sein.** Vergleiche, Zusammenfassungen ganzer Dokumente oder Widersprüche zwischen Abschnitten gehen mit RAG leicht verloren. Passt das Dokument ins Fenster, ist es oft besser, es ganz mitzugeben. Was Modell, Sprachmodell, Chat und Agent genau unterscheidet, zeigt der Beitrag [Modell, LLM, Chat, Agent: vier Begriffe, ein Bild](/blog/modell-llm-chat-agent/). ## Mein Vorschlag Teste den KI-Assistenten, den du oder deine Teilnehmenden für eigene Dokumente nutzen, mit drei Fragen zu einem Dokument, das du gut kennst: eine Detailfrage, deren Antwort in einem einzigen Abschnitt steht, eine Frage, die zwei Kapitel verbindet, und eine Frage, deren Antwort nicht im Dokument steht. Vergleiche die Antworten mit dem Original. So siehst du rasch, wo der Assistent verlässlich ist, und kannst das Ergebnis mit den Teilnehmenden gemeinsam auswerten. Wer weiss, was das Modell sieht, weiss auch, was es nicht wissen kann. ## Häufige Fragen ### Was ist RAG (Retrieval Augmented Generation)? RAG ist ein Verfahren, bei dem eine Suche zuerst passende Textschnipsel aus Dokumenten heraussucht und ein Sprachmodell daraus die Antwort formuliert. Das Modell sieht dabei nur die ausgewählten Schnipsel, nicht die ganzen Dokumente. ### Ist RAG besser als ein grosses Kontextfenster? Nicht grundsätzlich. Eine Studie von Li und Kollegen (2024) fand, dass Modelle mit langem Kontext im Schnitt besser abschneiden, RAG aber deutlich günstiger ist. Faustregel: Passt das Material ins Fenster, gib es ganz hinein; bei einer ganzen Bibliothek braucht es RAG oder einen Agenten, der selbst sucht. ### Wie viele Seiten passen in eine Million Tokens? Rund 2500 Seiten. Anthropic setzt 200'000 Tokens mit etwa 500 Seiten gleich; deutsche Texte brauchen etwas mehr Tokens pro Wort, darum ist das ein Richtwert. ## Transkript des Videos Deine KI hat das Handbuch nie gelesen. Nur ein paar Schnipsel daraus. Viele KI-Assistenten für eigene Dokumente arbeiten mit RAG, Retrieval Augmented Generation. Klingt kompliziert, der Ablauf ist einfach. Vorbereitung: Alle Dokumente werden in kleine Schnipsel zerlegt. Jeder Schnipsel bekommt einen Zahlencode für seine Bedeutung und landet in einer Datenbank. Jetzt stellst du eine Frage. Erstens: Auch deine Frage wird in so einen Zahlencode übersetzt. Zweitens: Die Datenbank sucht die Schnipsel mit dem ähnlichsten Code. Meist nur eine Handvoll. Drittens: Erst jetzt kommt das Sprachmodell ins Spiel. Es bekommt deine Frage und diese paar Schnipsel und formuliert daraus die Antwort. Das heisst: Das LLM sieht nie das ganze Handbuch. Nur das, was die Suche vorher ausgewählt hat. Fehlt der entscheidende Schnipsel, fehlt dem Modell die Grundlage. Dann rät es oder sagt, dass es nichts findet. Und Zusammenhänge über mehrere Kapitel gehen leicht verloren. Die Alternative: Aktuelle Modelle wie Claude fassen eine Million Tokens. Das sind rund 2500 Seiten. Du gibst alles direkt hinein, und das Modell hat wirklich alles vor sich. Studien zeigen: Das ist oft besser. Aber es skaliert nur bis zur Grenze des Fensters. Jede Frage kostet mehr und dauert länger. Und je voller das Fenster, desto eher übersieht das Modell Details. RAG dagegen ist günstig, schnell und kann zeigen, woher eine Antwort stammt. Faustregel: Passt es ins Fenster, gib es ganz hinein. Ist es eine ganze Bibliothek, braucht es RAG. Oder einen Agenten, der selbst gezielt sucht. ## Quellen - [Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020)](https://arxiv.org/abs/2005.11401) - [Anthropic: Contextual Retrieval (2024)](https://www.anthropic.com/news/contextual-retrieval) - [Anthropic: Context windows, Claude-Dokumentation (2026)](https://platform.claude.com/docs/en/build-with-claude/context-windows) - [Li et al.: Retrieval Augmented Generation or Long-Context LLMs? A Comprehensive Study and Hybrid Approach (2024)](https://aclanthology.org/2024.emnlp-industry.66/) - [Liu et al.: Lost in the Middle: How Language Models Use Long Contexts (2023)](https://arxiv.org/abs/2307.03172) - [Hong, Troynikov & Huber (Chroma): Context Rot (2025)](https://www.trychroma.com/research/context-rot) - [Boris Cherny: Beitrag auf X zur Suche in Claude Code (2026)](https://x.com/bcherny/status/2017824286489383315) - [Anthropic: Building effective agents (2024)](https://www.anthropic.com/engineering/building-effective-agents) --- # Drei Zeitfresser, die du an die KI abgeben kannst URL: https://ricoeberle.ch/blog/drei-zeitfresser-fuer-lehrpersonen/ Sprache: de-CH · Datum: 2026-09-29 · Thema: E-Learning & KI · Autor: Rico Eberle > Was eine randomisierte Studie aus England über KI in der Unterrichtsvorbereitung gemessen hat, welche drei Aufgaben sich als Entwurf abgeben lassen und wo die Grenze bleibt. Wenn über KI in der Schule gesprochen wird, geht es oft um Prüfungen und Hausaufgaben. Seltener geht es um die Frage, die viele Lehrpersonen am Sonntagabend beschäftigt: Wie komme ich mit der Vorbereitung durch? Genau dazu gibt es inzwischen eine belastbare Messung. ## Was die Studie gemessen hat Die Education Endowment Foundation (EEF) hat 2024 in England einen Versuch mit 259 Lehrpersonen aus 68 Schulen durchgeführt, ausgewertet vom Forschungsinstitut NFER. Die Schulen wurden zufällig in zwei Gruppen eingeteilt: Die eine nutzte ChatGPT für die Unterrichtsvorbereitung, die andere bereitete ohne KI vor. Mit ChatGPT brauchten die Lehrpersonen 31 Prozent weniger Zeit für die Vorbereitung, bei gleicher Qualität.
Das Ergebnis: Die Gruppe mit ChatGPT brauchte im Schnitt 56,2 statt 81,5 Minuten pro Woche, also gut 25 Minuten oder 31 Prozent weniger. Ein Expertenpanel bewertete die Materialien beider Gruppen, ohne zu wissen, woher sie stammten. Bei der Qualität fand es keinen Unterschied. ## Was die Studie nicht sagt Untersucht wurde Naturwissenschaft auf der Sekundarstufe (Year 7 und 8 im englischen System), und die Lehrpersonen hatten einen Leitfaden für den Einsatz. Ob sich die Zahl auf andere Fächer, Stufen oder auf einen Einsatz ohne Anleitung übertragen lässt, beantwortet die Studie nicht. Auch die drei Zeitfresser unten stammen nicht aus der Studie. Sie sind meine Empfehlung, wo sich der gleiche Gedanke anwenden lässt: Die KI liefert einen Entwurf, die Lehrperson macht daraus etwas Brauchbares. Für Kursleitende in der Weiterbildung lässt sich das übertragen, etwa auf Kursausschreibungen, Mitteilungen an Teilnehmende oder Bewertungsraster für Kursarbeiten. Gemessen hat die Studie das dort nicht. ## Drei Zeitfresser zum Abgeben 1. **Elternbriefe und Mitteilungen.** Die KI schreibt den ersten Entwurf, du passt Ton und Inhalt an. 2. **Differenzierung.** Dieselbe Aufgabe in drei Schwierigkeitsstufen oder ein Text in einfacher Sprache. 3. **Bewertungsraster.** Die KI schlägt Kriterien und Stufen vor, du schärfst nach. Drei Aufgaben, bei denen die KI den ersten Entwurf übernehmen kann.
## Die Grenze bleibt klar Die KI liefert Entwürfe, entscheiden tust du. Das gilt für jede der drei Aufgaben: Was rausgeht, verantwortest du. Und Personendaten bleiben draussen. Auch die Volksschule im Kanton Zürich weist in ihren Informationen zu KI darauf hin. Mein Tipp: Ein Elternbrief lässt sich gut mit Platzhaltern wie «[Name]» oder «[Datum]» entwerfen, die du erst am Schluss ausfüllst. Die KI liefert Entwürfe, entscheiden tust du, und Personendaten bleiben draussen.
## Mein Vorschlag zum Ausprobieren Nimm dir für die nächste Woche einen einzigen Zeitfresser vor, nicht alle drei. Für die Differenzierung zum Beispiel: Gib der KI eine Aufgabe aus deinem aktuellen Unterricht, ohne Angaben zu deiner Klasse, und bitte um drei Fassungen, eine einfachere, die ursprüngliche und eine anspruchsvollere. Dann prüfst du: Stimmt der Inhalt? Passt das Niveau zu deinen Lernenden? Was würdest du ändern? Notiere dir grob, wie lange du gebraucht hättest und wie lange es mit Entwurf gedauert hat. So weisst du nach einer Woche aus eigener Erfahrung, ob sich der Einsatz für dich lohnt, statt dich auf eine Durchschnittszahl aus England zu verlassen. Gewonnene Zeit ist Zeit für Beziehung und gute Rückmeldungen. ## Häufige Fragen ### Spart KI Zeit bei der Unterrichtsvorbereitung? In einer randomisierten Studie der Education Endowment Foundation (2024) mit 259 Lehrpersonen in England brauchte die Gruppe mit ChatGPT 31 Prozent weniger Zeit, 56,2 statt 81,5 Minuten pro Woche. Bei der Qualität der Materialien fand ein Expertenpanel keinen Unterschied. ### Gilt das Ergebnis auch für andere Fächer? Das beantwortet die Studie nicht. Untersucht wurde Naturwissenschaft auf der Sekundarstufe (Year 7 und 8 im englischen System), und die Lehrpersonen hatten einen Leitfaden für den Einsatz. ### Welche Aufgaben kann ich an die KI abgeben? Der Beitrag empfiehlt drei: Entwürfe für Elternbriefe und Mitteilungen, Differenzierung in mehrere Schwierigkeitsstufen und Vorschläge für Bewertungsraster. Die KI liefert Entwürfe, entscheiden tut die Lehrperson, und Personendaten bleiben draussen. ## Transkript des Videos Wie viele Abende hast du diese Woche mit Vorbereitung verbracht? Eine randomisierte Studie aus England hat 2024 gemessen: Lehrpersonen, die ChatGPT für die Unterrichtsvorbereitung nutzten, brauchten 31 Prozent weniger Zeit. Die Qualität der Materialien blieb gleich. Untersucht wurde Naturwissenschaft auf der Sekundarstufe, mit einer Anleitung für den guten Einsatz. Drei Zeitfresser, die du abgeben kannst. Erstens: Entwürfe für Elternbriefe und Mitteilungen. Die KI schreibt den ersten Entwurf, du passt an. Zweitens: Differenzierung. Dieselbe Aufgabe in drei Schwierigkeitsstufen oder ein Text in einfacher Sprache. Drittens: Bewertungsraster. Die KI schlägt Kriterien und Stufen vor, du schärfst nach. Die Grenze bleibt klar: Die KI liefert Entwürfe, entscheiden tust du. Und Personendaten bleiben draussen. Gewonnene Zeit ist Zeit für Beziehung und gute Rückmeldungen. ## Quellen - [EEF: ChatGPT in lesson preparation – A Teacher Choices Trial (2024)](https://educationendowmentfoundation.org.uk/projects-and-evaluation/projects/choices-in-edtech-using-generative-ai-chatgpt-for-ks3-science-lesson-preparation-2024-teacher-choices-trial) - [Tes: EEF: ChatGPT cuts lesson planning by nearly a third (12.12.2024)](https://www.tes.com/magazine/news/secondary/eef-chatgpt-cuts-lesson-planning-nearly-third) - [Kanton Zürich: Künstliche Intelligenz in der Volksschule](https://www.zh.ch/de/bildung/informationen-fuer-schulen/informationen-volksschule/volksschule-schulinfo-unterricht/kuenstliche-intelligenz.html) --- # Aufgaben KI-robust machen URL: https://ricoeberle.ch/blog/aufgaben-ki-robust-machen/ Sprache: de-CH · Datum: 2026-09-26 · Thema: E-Learning & KI · Autor: Rico Eberle > Verbieten bringt wenig, umbauen schon: vier Bausteine, mit denen Aufgaben auch dann eigenes Denken verlangen, wenn eine KI in Reichweite ist. «Fasse den Text zusammen und beantworte die Fragen.» Eine solche Hausaufgabe erledigt eine KI heute in wenigen Sekunden. Naheliegend ist der Reflex, KI zu verbieten. Das ist verständlich, bringt aber wenig: Was zu Hause entsteht, lässt sich kaum kontrollieren. Mehr Wirkung hat eine andere Frage: Wie muss eine Aufgabe gebaut sein, damit das Denken trotzdem bei den Lernenden bleibt? ## Das Problem ist die Aufgabe, nicht das Werkzeug Eine Aufgabe, die nur ein fertiges Produkt verlangt, prüft am Ende vor allem, ob ein Text abgegeben wurde. Wer ihn geschrieben hat, sieht man ihm nicht an. KI-robust heisst deshalb nicht, KI auszusperren. Es heisst, Aufgaben so zu stellen, dass eigenes Verstehen sichtbar wird. Vier Bausteine, mit denen sich eine Aufgabe KI-robust umbauen lässt.
## Vier Bausteine **1. Prozess statt Produkt.** Bewerte nicht nur das Ergebnis, sondern auch Entwürfe, Zwischenstände und Notizen. Die ZHAW nennt das in ihrer Richtlinie zu KI bei Leistungsnachweisen ausdrücklich: Bewertet werden kann nicht nur das Endprodukt, sondern auch die Erarbeitungsphase, also eine Prozessbewertung. Auch die ZHAW-Richtlinie nennt Gespräche und die Bewertung des Arbeitsprozesses.
**2. Lokaler Bezug.** Verknüpfe die Aufgabe mit deiner Klasse, eurem Ort oder einem Erlebnis aus dem Unterricht. Was letzte Woche in eurem Schulzimmer diskutiert wurde, kennt keine KI. Ganz wasserdicht ist das nicht: Wer der KI den Kontext liefert, bekommt trotzdem eine Antwort. Aber die Lernenden müssen sich dafür mit dem Erlebten auseinandersetzen. **3. Mündliche Verteidigung.** Ein kurzes Gespräch zeigt schnell, ob jemand den eigenen Text versteht. Die ZHAW-Richtlinie erwähnt bewertete mündliche Zwischengespräche und Verteidigungen. Laut SRF gewinnt Mündliches an Schweizer Hochschulen an Gewicht. **4. KI-Output kritisieren lassen.** Die Lernenden prüfen eine KI-Antwort, finden Fehler und verbessern sie. So wird die KI vom Abkürzungsweg zum Lerngegenstand. Die Bausteine 2 und 4 sind meine eigenen Empfehlungen aus der didaktischen Praxis. Die Bausteine 1 und 3 stützt die ZHAW-Richtlinie direkt. Die Beispiele stammen aus der Schule, die Bausteine passen aber ebenso in Weiterbildungskurse: Statt der Klasse ist es dann die Kursgruppe, statt des Schulzimmers der Kursraum oder der eigene Betrieb. ## Mein Vorschlag: eine Aufgabe umbauen Nimm die eingangs erwähnte Hausaufgabe und baue sie in drei Schritten um: 1. **Statt einer Zusammenfassung** lässt du eine KI eine Zusammenfassung erstellen und gibst sie den Lernenden mit dem Auftrag: Markiere, was fehlt, was falsch ist und was du anders gewichten würdest. 2. **Statt allgemeiner Fragen** verlangst du einen Bezug zu eurem Unterricht: Wo widerspricht der Text dem, was ihr in der letzten Lektion besprochen habt? 3. **Statt nur abzugeben** führst du mit einigen Lernenden ein Gespräch von wenigen Minuten über ihre Korrekturen. Die Notizen aus Schritt 1 und 2 fliessen in die Bewertung ein. Damit stecken alle vier Bausteine in einer einzigen Aufgabe. Den Aufwand steuerst du selbst: Du entscheidest, mit wie vielen Lernenden du das Gespräch führst. ## KI-robust heisst nicht KI-frei Keiner der Bausteine verbietet die KI. Sie darf mitarbeiten, beim Recherchieren, beim Formulieren, sogar als Gegenstand der Aufgabe. Entscheidend ist, dass die Denkarbeit sichtbar bei den Lernenden bleibt: im Prozess, im Bezug zum eigenen Umfeld, im Gespräch und in der kritischen Prüfung. KI darf mitarbeiten, die Denkarbeit bleibt bei den Lernenden.
## Häufige Fragen ### Wie mache ich Aufgaben KI-robust? Mit vier Bausteinen: Prozess statt Produkt bewerten, einen lokalen Bezug herstellen, eine mündliche Verteidigung einplanen und KI-Output kritisieren lassen. So bleibt das Denken bei den Lernenden, auch wenn eine KI in Reichweite ist. ### Soll man KI bei Hausaufgaben verbieten? Ein Verbot bringt wenig, weil sich kaum kontrollieren lässt, was zu Hause entsteht. Wirksamer ist es, die Aufgabe umzubauen. KI-robust heisst nicht KI-frei. ### Was empfiehlt die ZHAW zu KI bei Leistungsnachweisen? Die ZHAW-Richtlinie nennt unter anderem die Bewertung der Erarbeitungsphase, also eine Prozessbewertung, sowie bewertete mündliche Zwischengespräche und Verteidigungen. ## Transkript des Videos Diese Hausaufgabe löst eine KI in wenigen Sekunden: Fasse den Text zusammen und beantworte die Fragen. Was jetzt? Verbieten bringt wenig. Umbauen schon. Vier Bausteine machen Aufgaben KI-robust. Erstens: Prozess statt Produkt. Bewerte nicht nur das Ergebnis, sondern auch Entwürfe, Zwischenstände und Notizen. Zweitens: lokaler Bezug. Verknüpfe die Aufgabe mit eurer Klasse, eurem Ort oder einem Erlebnis aus dem Unterricht. Das kennt keine KI. Drittens: mündliche Verteidigung. Ein kurzes Gespräch zeigt schnell, ob jemand den eigenen Text versteht. Viertens: KI-Output kritisieren lassen. Die Lernenden prüfen eine KI-Antwort, finden Fehler und verbessern sie. Hochschulen wie die ZHAW empfehlen genau das: mündliche Zwischengespräche, Verteidigung und die Bewertung des Arbeitsprozesses. KI-robust heisst nicht KI-frei, sondern: Das Denken bleibt bei den Lernenden. ## Quellen - [ZHAW: Richtlinie KI bei Leistungsnachweisen (PDF)](https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf) - [SRF: Umdenken bei Hochschulen – Was sollen Studierende lernen, wenn die KI schon alles weiss?](https://www.srf.ch/news/schweiz/umdenken-bei-hochschulen-was-sollen-studierende-lernen-wenn-die-ki-schon-alles-weiss) --- # Weniger auf die Folie, mehr Platz zum Denken URL: https://ricoeberle.ch/blog/weniger-auf-die-folie/ Sprache: de-CH · Datum: 2026-09-24 · Thema: E-Learning & KI · Autor: Rico Eberle > Warum eine volle Folie beim Zuhören stört, was Mayers Redundanz- und Kohärenzprinzip dazu sagen und wie du deine nächste Präsentation entschlackst. Folien wie die im Video kennst du wahrscheinlich aus Weiterbildungen, Sitzungen und Kursen: ein Titel, sechs Aufzählungspunkte, 94 Wörter. Gut gemeint, denn alles Wichtige steht drauf. Nur: Während du sprichst, liest dein Publikum. Und beides gleichzeitig geht schlechter, als wir denken. ## Das Nadelöhr heisst Arbeitsgedächtnis Die Cognitive Load Theory geht auf John Sweller zurück. Ihr Kern: Unser Arbeitsgedächtnis ist eng begrenzt. Was wir neu verstehen wollen, muss durch dieses Nadelöhr. Wer gleichzeitig zuhört und liest, verarbeitet zwei Sprachströme im selben engen Arbeitsgedächtnis.
Wer zuhört und gleichzeitig eine volle Folie liest, schickt zwei Sprachströme hindurch. Mayer und Moreno beschreiben 2003, dass genau diese Doppelung eine zusätzliche, unnötige Belastung erzeugt. Das kostet Aufmerksamkeit, die dann fürs Verstehen fehlt. ## Redundanz und Kohärenz Richard Mayer hat die Forschung dazu 2017 in Gestaltungsregeln für E-Learning übersetzt. Zwei davon passen direkt auf Folien: - **Redundanzprinzip:** Menschen lernen besser aus Bild und gesprochenem Wort als aus Bild, gesprochenem Wort und demselben Text auf dem Bildschirm. Mayer formuliert es als Regel: Zu einer vertonten Grafik keinen Bildschirmtext hinzufügen. - **Kohärenzprinzip:** Alles, was nicht zum Lernziel beiträgt, lenkt ab. Also überflüssiges Material weglassen. Redundanz- und Kohärenzprinzip: Derselbe Text zusätzlich zur Stimme hilft nicht beim Lernen.
Das heisst nicht, dass Text auf Folien verboten ist. Es heisst, dass Text, der nur wiederholt, was du ohnehin sagst, nicht hilft, sondern stört. ## Und die Untertitel in diesem Video? Berechtigte Frage, denn auch die Nuggets zeigen Text zur Stimme. Das Redundanzprinzip bezieht sich auf Lernsituationen mit Ton, etwa vorgelesene Folien. Ich habe mich trotzdem für Untertitel entschieden: Sie machen ein kurzes Video auch ohne Ton verständlich, helfen bei einer Fremdsprache und bei Hörbeeinträchtigung. ## Drei Dinge für deine nächste Präsentation 1. **Eine Aussage pro Folie**, als kurzer Satz. 2. **Ein Bild oder Schema statt Aufzählung.** 3. **Was du sagst, muss nicht auf der Folie stehen.** Die Details gehören ins Handout. ## Meine Übung für dich Ein Vorschlag, den du in einer halben Stunde ausprobieren kannst: Nimm deine letzte Präsentation und such die vollste Folie. Zähl die Wörter. Dann schreib die eine Aussage, die hängen bleiben soll, als einzigen Satz auf eine neue Folie. Überleg dir ein Bild oder Schema, das diese Aussage zeigt. Alles andere wandert in die Notizen für deinen Vortrag oder ins Handout. Weniger Text auf der Folie lässt mehr Kapazität fürs Verstehen.
Achte beim nächsten Halten darauf, wohin dein Publikum schaut: zu dir oder auf die Leinwand. Weniger Text heisst nicht weniger Inhalt, sondern mehr Platz zum Denken. ## Häufige Fragen ### Wie viel Text gehört auf eine Folie? Der Beitrag empfiehlt eine Aussage pro Folie als kurzen Satz und ein Bild oder Schema statt einer Aufzählung. Was du ohnehin sagst, muss nicht auf der Folie stehen; die Details gehören ins Handout. ### Was ist das Redundanzprinzip? Eine Gestaltungsregel von Richard Mayer: Menschen lernen besser aus Bild und gesprochenem Wort als aus Bild, gesprochenem Wort und demselben Text auf dem Bildschirm. ### Was ist Cognitive Load? Die Cognitive Load Theory geht auf John Sweller zurück: Das Arbeitsgedächtnis ist eng begrenzt. Wer zuhört und gleichzeitig eine volle Folie liest, schickt zwei Sprachströme hindurch; diese Doppelung erzeugt laut Mayer und Moreno (2003) eine zusätzliche, unnötige Belastung. ## Transkript des Videos Diese Folie hat 94 Wörter. Wie viele davon bleiben hängen? Unser Arbeitsgedächtnis ist eng begrenzt. Wer gleichzeitig zuhört und eine volle Folie liest, verarbeitet zwei Sprachströme auf einmal. Das kostet Aufmerksamkeit, die dann fürs Verstehen fehlt. Die Forschung von Richard Mayer zeigt das immer wieder. Menschen lernen besser aus Bild und gesprochenem Wort als aus Bild, gesprochenem Wort und demselben Text auf der Folie. Das ist das Redundanzprinzip. Dazu kommt das Kohärenzprinzip: Alles, was nicht zum Lernziel beiträgt, lenkt ab. Für die nächste Präsentation heisst das drei Dinge. Erstens: eine Aussage pro Folie, als kurzer Satz. Zweitens: ein Bild oder Schema statt Aufzählung. Drittens: Was du sagst, muss nicht auf der Folie stehen. Die Details gehören ins Handout. Weniger Text heisst nicht weniger Inhalt, sondern mehr Platz zum Denken. ## Quellen - [Sweller: Cognitive Load During Problem Solving: Effects on Learning, Cognitive Science (1988)](https://doi.org/10.1207/s15516709cog1202_4) - [Mayer & Moreno: Nine Ways to Reduce Cognitive Load in Multimedia Learning, Educational Psychologist (2003)](https://doi.org/10.1207/S15326985EP3801_6) - [Mayer: Using multimedia for e-learning, Journal of Computer Assisted Learning (2017)](https://onlinelibrary.wiley.com/doi/abs/10.1111/jcal.12197) --- # Die Daten-Ampel: Was darf in die KI? URL: https://ricoeberle.ch/blog/die-daten-ampel/ Sprache: de-CH · Datum: 2026-09-22 · Thema: E-Learning & KI · Autor: Rico Eberle > Grün, Gelb, Rot: Eine einfache Ampel hilft Lehrpersonen und Kursleitenden zu entscheiden, welche Daten sie in KI-Tools eingeben dürfen und welche nicht. Ein Schülerbericht ist schnell geschrieben, die richtigen Formulierungen zu finden dauert länger. Da liegt es nahe, den Text in ChatGPT zu kopieren und um bessere Sätze zu bitten. Genau das ist aber ein Problem: Ein Schülerbericht enthält Personendaten eines Kindes, und die gehören nicht in ein KI-Tool. Im Schulalltag fällt die Entscheidung oft in Sekunden. Deshalb hilft eine einfache Ampel. Sie ist eine eigene didaktische Vereinfachung und ersetzt nicht die Vorgaben deines Kantons oder deiner Schule. Für die schnelle Einschätzung reicht sie aber meistens. Die Beispiele stammen aus der Volksschule; für Kursleitende in der Weiterbildung lässt sich die Ampel übertragen, etwa auf Teilnehmendenlisten, Rückmeldungen oder Prüfungsergebnisse. ## Grün: öffentliches und eigenes Material Arbeitsblätter, die du selbst erstellt hast, Lehrplantexte, ein Gedicht: Solche Inhalte enthalten keine Personendaten und dürfen in die KI. Ein Hinweis am Rand: Bei fremden Texten stellt sich zusätzlich die Frage des Urheberrechts. Das ist ein eigenes Thema und hat mit der Ampel nichts zu tun. Grün: Eigenes und öffentliches Material ohne Personendaten darf in die KI.
## Gelb: intern, aber ohne Personenbezug Ein Elternbrief ohne Namen oder eine anonymisierte Rückmeldung sind möglich, aber nur, wenn wirklich nichts mehr auf einzelne Kinder schliessen lässt. Das ist schwieriger, als es klingt. Auch ohne Namen können die Klasse, der Ort oder ein besonderes Ereignis verraten, um wen es geht. Das Volksschulamt Zürich nennt ausdrücklich auch Hinweise auf Namen und Lokalitäten. Die Datenschutzbeauftragte des Kantons Zürich empfiehlt, Daten idealerweise zu anonymisieren, bevor ein Anbieter sie einsehen kann. Gelb: möglich, aber nur, wenn nichts mehr auf einzelne Kinder schliessen lässt.
## Rot: Personendaten von Lernenden Namen, Noten, Berichte und vor allem besonders schützenswerte Daten, etwa zur Gesundheit, gehören nicht in die KI. Gesundheitsdaten gelten im Zürcher Datenschutzrecht als besondere Personendaten. Die Datenschutzbeauftragte hält zudem fest: Personendaten bleiben schützenswert, auch wenn sie öffentlich sind, und die Verantwortung bleibt bei der Schule, nicht beim KI-Anbieter. Rot: Personendaten von Lernenden gehören nicht in die KI.
## Kantonale Regeln: verschieden, aber in dieselbe Richtung Das Volksschulamt Zürich ist deutlich: keine persönlichen Daten von Schülerinnen und Schülern, vor allem keine besonderen Personendaten. Andere Kantone regeln das im Detail anders, die Handreichung des Kantons Solothurn etwa geht auf die Einwilligung der Eltern bei Kindern unter 16 Jahren ein. Die Richtung ist überall dieselbe. Arbeitet deine Schule mit einer eigenen, vertraglich geprüften KI-Lösung, können andere Vorgaben gelten. Frag im Zweifel bei deiner Schulleitung nach. Die Vorgaben der Volksschulämter gelten für die Volksschule; für die Weiterbildung sind sie übertragbar, massgebend sind dort die Regeln deiner Institution. ## Mein Vorschlag für den Schülerbericht Statt den Bericht in die KI zu kopieren, kannst du sie um allgemeine Formulierungshilfen bitten, ganz ohne Bezug zum konkreten Kind. Zum Beispiel: «Gib mir fünf wertschätzende Formulierungen für Fortschritte beim Lesen.» Die passenden Sätze setzt du dann selbst in deinen Bericht ein. So bleibt der Bericht bei dir, und die KI hilft trotzdem. Und eine kleine Übung: Nimm drei Dokumente, die du diese Woche bearbeitet hast, und ordne jedes einer Farbe zu. Bei Gelb lohnt sich ein zweiter Blick: Würde eine Kollegin aus dem Schulhaus erkennen, um wen es geht? Dann ist es Rot. Die Faustregel zum Mitnehmen: Würde jemand erkennen, um wen es geht, gehört der Text nicht in die KI. Im Video heisst sie kürzer «Was du nicht öffentlich aushängen würdest»; gemeint sind damit Inhalte mit Bezug zu Personen (Rot), nicht interne Inhalte ohne Personenbezug (Gelb). ## Häufige Fragen ### Darf ich Schülerdaten in ChatGPT eingeben? Nein. Personendaten von Lernenden wie Namen, Noten und Berichte gehören nicht in KI-Tools; das Volksschulamt Zürich hält fest: keine persönlichen Daten von Schülerinnen und Schülern. Arbeitet die Schule mit einer eigenen, vertraglich geprüften KI-Lösung, können andere Vorgaben gelten. ### Welche Daten darf ich als Lehrperson oder Kursleiterin in die KI eingeben? Öffentliche und eigene Unterrichtsmaterialien wie Arbeitsblätter, Lehrplantexte oder ein Gedicht (Grün). Interne Inhalte ohne Personenbezug sind möglich, wenn wirklich nichts mehr auf einzelne Kinder oder Teilnehmende schliessen lässt (Gelb). ### Reicht es, den Namen wegzulassen? Oft nicht. Auch die Klasse, der Ort oder ein besonderes Ereignis können verraten, um wen es geht. Würde eine Kollegin aus dem Schulhaus erkennen, um wen es geht, gehört der Text nicht in die KI. ## Transkript des Videos Eine Lehrperson kopiert einen Schülerbericht in ChatGPT, um die Formulierungen zu verbessern. Problem? Ja. Und zwar ein grosses. Für Daten in KI-Tools hilft eine einfache Ampel. Grün: öffentliche und eigene Unterrichtsmaterialien. Ein Arbeitsblatt, ein Lehrplantext, ein Gedicht. Das darf in die KI. Gelb: interne Inhalte ohne Bezug zu Personen. Ein Elternbrief ohne Namen, eine anonymisierte Rückmeldung. Möglich, aber nur, wenn wirklich nichts mehr auf einzelne Kinder schliessen lässt. Auch Klassen, Orte oder besondere Ereignisse können verraten, um wen es geht. Rot: Personendaten von Lernenden. Namen, Noten, Berichte, und vor allem besonders schützenswerte Daten, etwa zur Gesundheit. Das gehört nicht in die KI. So sieht es zum Beispiel das Volksschulamt Zürich: keine persönlichen Daten von Schülerinnen und Schülern. Die Regeln unterscheiden sich je nach Kanton, die Richtung ist aber dieselbe. Die Faustregel: Was du nicht öffentlich aushängen würdest, gehört nicht in die KI. ## Quellen - [Volksschulamt Kanton Zürich: Künstliche Intelligenz in der Volksschule](https://www.zh.ch/de/bildung/informationen-fuer-schulen/informationen-volksschule/volksschule-schulinfo-unterricht/kuenstliche-intelligenz.html) - [Datenschutzbeauftragte Kanton Zürich: Einsatz von KI in Schulen, Tätigkeitsbericht 2023](https://www.datenschutz.ch/tb/2023/einsatz-von-ki-in-schulen) - [Kanton Solothurn: Handreichung KI-Anwendungen (PDF)](https://so.ch/fileadmin/internet/dbk/dbk-vsa/Schulbetrieb_und_Unterricht/Informatische_Bildung/Handreichung_KI-Anwendungen_und_Kriterienkatalog/Handreichung_KI-Anwendungen.pdf) --- # Online ist nicht gleich online URL: https://ricoeberle.ch/blog/online-ist-nicht-gleich-online/ Sprache: de-CH · Datum: 2026-09-19 · Thema: E-Learning & KI · Autor: Rico Eberle > Warum die Frage «Präsenz oder online?» zu kurz greift und wie drei Dimensionen helfen, digitale Lernangebote ehrlich zu beschreiben und passend zu wählen. «Diesen Lehrgang gibt es auch online.» So ein Satz klingt nach einer klaren Auskunft. Er sagt aber erstaunlich wenig. Gemeint sein kann eine Live-Lektion per Videokonferenz, ein Präsenzlehrgang mit digitaler Lernplattform oder ein Lernpfad, den man ganz allein durcharbeitet. Alle drei tragen dasselbe Etikett. Für Lernende fühlen sie sich völlig verschieden an. ## Warum «Präsenz oder online?» zu kurz greift Die übliche Frage unterscheidet nur nach dem Ort. Der Ort ist aber nicht das, was ein Lernangebot didaktisch ausmacht. Unterricht mit festen Zeiten bleibt auch in der Videokonferenz ein Stundenplan. Die Lernenden sparen den Weg, aber wann und in welchem Tempo gelernt wird, bestimmt weiterhin die Schule. Drei sehr verschiedene Angebote, alle mit demselben Etikett «online».
## Drei Dimensionen statt einer Ich beschreibe Lernangebote deshalb entlang von drei Dimensionen: 1. **Flexibilität:** Wer bestimmt Ort, Zeit und Tempo? 2. **Führung und Verbindlichkeit:** Wie stark strukturiert und begleitet die Schule das Lernen? 3. **Selbstregulation:** Wie viel Planung und Durchhaltevermögen verlangt das Modell von den Lernenden? Daraus ergeben sich vier Typen: das Online-Klassenzimmer, die Schule mit digitalem Lernökosystem, das digitale Selbstlernmodell und der Baukasten, der mehrere Formate nebeneinander anbietet. Die Typologie ist eine konzeptionelle Darstellung für die kaufmännische Weiterbildung, keine Bewertung einzelner Schulen. Ganz neu sind diese Dimensionen nicht. Das Modell der Community of Inquiry von Garrison, Anderson und Archer (2000) beschreibt für das Online-Lernen neben sozialer und kognitiver Präsenz auch eine Teaching Presence: die Gestaltung und Begleitung des Lernens durch die Lehrenden. Das liegt nahe an meiner zweiten Dimension. ## Flexibilität hat einen Preis Mehr Flexibilität verschiebt Verantwortung zu den Lernenden. Wer Ort, Zeit und Tempo selbst wählt, muss auch selbst planen, dranbleiben und den eigenen Fortschritt im Blick behalten. Eine Übersichtsarbeit von Broadbent und Poon (2015) zeigt, dass solche Selbstregulationsstrategien beim Online-Lernen mit dem Lernerfolg zusammenhängen, etwa das Zeitmanagement. Je flexibler das Format, desto mehr Verantwortung liegt bei den Lernenden.
Das flexibelste Modell ist darum nicht automatisch das beste. Entscheidend ist die Passung zur Zielgruppe. ## Eine Übung für dein Team Mein Vorschlag für die nächste Teamsitzung: Nehmt einen eigenen Lehrgang und schätzt ihn auf den drei Dimensionen ein, jeweils von «tief» bis «hoch». Dann stellt ihr drei Fragen: - **Stimmt die Beschreibung?** Würde jemand aus der Zielgruppe den Lehrgang anhand des Prospekts gleich einordnen? - **Passt die Selbstregulation zur Zielgruppe?** Wer neben Beruf und Familie lernt, braucht vielleicht Flexibilität, aber auch klare Etappen. - **Wo fehlt Unterstützung?** Wenn ihr viel Flexibilität bietet, was gebt ihr den Lernenden mit, damit sie damit umgehen können? Die bessere Frage: Welche Balance passt zu welcher Zielgruppe?
Die Antworten führen meist zur eigentlichen Frage: Brauchen wir flexiblere Angebote oder bessere Unterstützung für die Flexibilität? Nicht Präsenz oder online, sondern die Balance aus Flexibilität, Führung und Selbstverantwortung, die zu euren Lernenden passt. ## Häufige Fragen ### Was heisst «online» bei einem Lehrgang? Das Etikett sagt wenig: Gemeint sein kann eine Live-Lektion per Videokonferenz, ein Präsenzlehrgang mit digitaler Lernplattform oder ein Lernpfad, den man allein durcharbeitet. Für Lernende fühlen sich diese Formate völlig verschieden an. ### Woran erkenne ich, welches Lernangebot passt? Statt nur nach Präsenz oder online zu fragen, hilft der Blick auf drei Dimensionen: Flexibilität, Führung und Verbindlichkeit sowie Selbstregulation. Entscheidend ist die Passung zur Zielgruppe; das flexibelste Modell ist nicht automatisch das beste. ### Warum ist Selbstregulation beim Online-Lernen wichtig? Mehr Flexibilität verschiebt Verantwortung zu den Lernenden: Sie müssen selbst planen, dranbleiben und den eigenen Fortschritt im Blick behalten. Eine Übersichtsarbeit von Broadbent und Poon (2015) zeigt, dass Selbstregulationsstrategien wie Zeitmanagement beim Online-Lernen mit dem Lernerfolg zusammenhängen. ## Transkript des Videos Online ist nicht gleich online. Eine Live-Lektion über Zoom, ein digital unterstützter Präsenzlehrgang und ein selbstgesteuerter Lernpfad tragen oft dasselbe Etikett. Didaktisch liegen Welten dazwischen. Die Frage Präsenz oder online greift deshalb zu kurz. Unterricht mit festen Zeiten bleibt auch in der Videokonferenz ein Stundenplan. Man spart nur den Weg. Ich schaue deshalb auf drei Dimensionen. Erstens: Flexibilität. Wer bestimmt Ort, Zeit und Tempo? Zweitens: Führung und Verbindlichkeit. Wie stark strukturiert und begleitet die Schule? Drittens: Selbstregulation. Wie viel Planung und Durchhaltevermögen verlangt das Modell von den Lernenden? Daraus ergeben sich vier Typen. Das Online-Klassenzimmer: ortsflexibel, sonst klassisch. Die Schule mit digitalem Lernökosystem: Struktur und Flexibilität zusammen. Das digitale Selbstlernmodell: sehr flexibel, aber anspruchsvoll. Und der Baukasten, der mehrere Formate nebeneinander anbietet. Mehr Flexibilität verschiebt Verantwortung zu den Lernenden. Das flexibelste Modell ist darum nicht automatisch das beste. Entscheidend ist die Passung zur Zielgruppe. Die Frage ist also nicht: Präsenz oder online? Sondern: Welche Balance aus Flexibilität, Führung und Selbstverantwortung passt zu wem? Brauchen wir flexiblere Angebote oder bessere Unterstützung für die Flexibilität? ## Quellen - [Garrison, Anderson & Archer: Critical Inquiry in a Text-Based Environment (2000)](https://doi.org/10.1016/S1096-7516(00)00016-6) - [Broadbent & Poon: Self-regulated learning strategies & academic achievement in online higher education learning environments (2015)](https://doi.org/10.1016/j.iheduc.2015.04.007) --- # Lernen ist kein Ereignis, sondern ein Rhythmus URL: https://ricoeberle.ch/blog/die-vergessenskurve/ Sprache: de-CH · Datum: 2026-09-17 · Thema: E-Learning & KI · Autor: Rico Eberle > Was Ebbinghaus 1885 über das Vergessen herausfand, warum jede Wiederholung die Vergessenskurve verändert und wie du Abrufmomente in deine Kurse einbaust. Wer einen Kurs plant, denkt meist an den Moment der Vermittlung: gute Folien, eine klare Erklärung, eine passende Übung. Was danach mit dem Gelernten passiert, bleibt oft dem Zufall überlassen. Dabei entscheidet genau dieses Danach, wie viel hängen bleibt. Gezeigt hat das Hermann Ebbinghaus schon 1885. ## Ein Selbstversuch mit sinnlosen Silben Ebbinghaus war Versuchsleiter und Versuchsperson in einem. Er lernte Reihen sinnloser Silben auswendig und prüfte nach unterschiedlichen Abständen, von 20 Minuten bis zu 31 Tagen, wie viel davon noch da war. Gemessen hat er das mit der Ersparnismethode: Wie viel weniger Aufwand braucht es, eine Reihe erneut zu lernen? Das Ergebnis ist die Vergessenskurve. Sie fällt am Anfang steil ab und flacht dann ab. 2015 haben Murre und Dros den Versuch wiederholt, ebenfalls mit einer einzigen Versuchsperson, über rund 70 Stunden. Ihre Ergebnisse glichen den Originaldaten von Ebbinghaus. ## Was die Kurve nicht sagt Vorsicht bei genauen Prozentzahlen, die dazu kursieren, etwa wie viel nach einer Woche vergessen sei. Ebbinghaus’ Werte gelten für sinnlose Silben in einem Selbstversuch und lassen sich nicht einfach auf Kursinhalte übertragen. Deshalb zeigt das Video die Kurve als Schema, ohne Messwerte. Schema: Sinnvoller Stoff wird besser behalten als sinnlose Silben.
Sinnvollen Stoff behalten wir besser. Ebbinghaus selbst stellte fest, dass er für Strophen aus Byrons «Don Juan» nur einen Bruchteil der Wiederholungen brauchte. Das Prinzip bleibt aber: Ohne Wiederholung verblasst auch Sinnvolles. ## Wiederholung verändert die Kurve Die gute Nachricht steckt ebenfalls bei Ebbinghaus. Lernte er dieselbe Reihe an mehreren Tagen erneut, wuchs die Ersparnis. Vereinfacht gesagt: Jede Wiederholung zieht die Kurve wieder hoch, und danach fällt sie flacher ab als vorher. Jede Wiederholung zieht die Kurve wieder hoch, danach fällt sie flacher ab.
Die heutige Lernforschung bestätigt die Richtung. Dunlosky und Kollegen haben 2013 verbreitete Lerntechniken nach ihrem Nutzen bewertet. Verteiltes Üben und Abfragen erhielten die beste Bewertung, erneutes Lesen eine tiefe. Fast jede Form von Übungstest hilft, schreibt Dunlosky. ## Drei Dinge für deine Kurse 1. **Wiederholung einplanen**, verteilt über Tage und Wochen, statt alles an einem Tag. 2. **Abfragen statt nochmals lesen.** Wer sich aktiv erinnert, behält mehr als wer den Text erneut durchgeht. 3. **Kurze Abrufmomente einbauen**, zum Beispiel ein Quiz zu Beginn der nächsten Lektion. ## Mein Vorschlag für die nächste Lektion Starte die Lektion mit drei bis fünf kurzen Fragen: zwei zum Stoff der letzten Lektion, eine zu einem Thema von vor einigen Wochen. Ohne Noten, die Auflösung folgt direkt danach. Das kostet wenige Minuten und verbindet genau die beiden Techniken, die in der Übersicht von Dunlosky am besten abschneiden: abfragen und verteilt wiederholen. Wiederholung wirkt als Rhythmus, nicht als einmaliges Ereignis.
Und eine Übung für dich als Kursleitung: Nimm deinen aktuellen Kursplan und markiere bei jedem wichtigen Thema, wann es nach der ersten Lektion ein zweites Mal vorkommt. Wo keine Markierung steht, plant der Kurs das Vergessen gleich mit ein. Lernen ist kein einmaliges Ereignis, sondern ein Rhythmus. ## Häufige Fragen ### Was ist die Vergessenskurve? Die Vergessenskurve beschreibt, wie schnell Gelerntes ohne Wiederholung verblasst. Hermann Ebbinghaus hat sie 1885 im Selbstversuch mit sinnlosen Silben gemessen: Sie fällt am Anfang steil ab und flacht dann ab. ### Wie viel vergisst man nach einer Woche? Eine allgemeingültige Prozentzahl gibt es nicht. Die Werte von Ebbinghaus gelten für sinnlose Silben in einem Selbstversuch und lassen sich nicht einfach auf Kursinhalte übertragen; sinnvollen Stoff behalten wir besser. ### Wie kann man das Vergessen bremsen? Mit Wiederholung: Jede Wiederholung zieht die Kurve wieder hoch, danach fällt sie flacher ab. In der Übersicht von Dunlosky und Kollegen (2013) schnitten verteiltes Üben und Abfragen am besten ab, erneutes Lesen tief. ## Transkript des Videos 1885 hat Hermann Ebbinghaus an sich selbst gemessen, wie schnell wir vergessen. Das Ergebnis ist unbequem: Ohne Wiederholung ist Gelerntes erstaunlich schnell weg. Ebbinghaus lernte Reihen sinnloser Silben und prüfte, wie viel nach Stunden und Tagen noch da war. Die Kurve fällt am Anfang steil ab und flacht dann ab. Forschende haben den Versuch 2015 wiederholt und dieselbe Form gefunden. Sinnvollen Stoff behalten wir besser, aber das Prinzip bleibt. Die gute Nachricht: Jede Wiederholung zieht die Kurve wieder hoch. Und danach fällt sie flacher ab als vorher. Für Kurse heisst das drei Dinge. Erstens: Wiederholung einplanen, verteilt über Tage und Wochen, statt alles an einem Tag. Zweitens: abfragen statt nochmals lesen. Wer sich aktiv erinnert, behält mehr als wer den Text erneut durchgeht. Drittens: kurze Abrufmomente einbauen, zum Beispiel ein Quiz zu Beginn der nächsten Lektion. Lernen ist kein einmaliges Ereignis, sondern ein Rhythmus. ## Quellen - [Ebbinghaus: Memory, Kapitel 7 (1885, engl. Übersetzung)](https://psychclassics.yorku.ca/Ebbinghaus/memory7.htm) - [Ebbinghaus: Memory, Kapitel 8 (1885, engl. Übersetzung)](https://psychclassics.yorku.ca/Ebbinghaus/memory8.htm) - [Murre & Dros: Replication and Analysis of Ebbinghaus’ Forgetting Curve, PLOS ONE (2015)](https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0120644) - [Dunlosky et al.: Improving Students’ Learning With Effective Learning Techniques, PSPI (2013)](https://journals.sagepub.com/doi/10.1177/1529100612453266) - [Dunlosky: Strengthening the Student Toolbox, American Educator (2013)](https://www.aft.org/ae/fall2013/dunlosky) --- # KI-Detektoren sind kein Beweis URL: https://ricoeberle.ch/blog/ki-detektoren-sind-kein-beweis/ Sprache: de-CH · Datum: 2026-09-15 · Thema: E-Learning & KI · Autor: Rico Eberle > Warum schon ein Prozent Fehlalarm viele ehrliche Lernende trifft, was Studien über KI-Detektoren zeigen und was im Unterricht stattdessen hilft. Seit Sprachmodelle ganze Aufsätze schreiben, wächst der Wunsch nach einem Werkzeug, das auf Knopfdruck sagt: Das war die KI. Anbieter von KI-Detektoren versprechen genau das, oft mit beeindruckenden Prozentzahlen. Das Problem liegt nicht nur darin, dass diese Zahlen in der Praxis selten halten. Es liegt schon in der Rechnung selbst. ## Ein Prozent klingt wenig, bis man nachrechnet Nimm an, ein Detektor liegt in 99 Prozent der Fälle richtig. Deine Schule lässt 1000 Aufsätze prüfen, und alle sind ehrlich geschrieben. Ein Prozent Fehlalarm heisst dann: Zehn Lernende stehen unter Verdacht, obwohl sie nichts falsch gemacht haben. Schon bei 99 Prozent Genauigkeit geraten von 1000 ehrlichen Aufsätzen zehn unter Verdacht.
Das Entscheidende an dieser Rechnung: Die Fehlalarme wachsen mit der Menge. Je mehr Texte geprüft werden, desto mehr Unschuldige trifft es, auch wenn der Prozentsatz gleich bleibt. Und jeder dieser Fälle ist ein schwieriges Gespräch, bei dem Vertrauen auf dem Spiel steht. Dabei ist 99 Prozent ein bewusst optimistischer Wert. ## Was die Forschung zeigt In der Praxis schneiden die Werkzeuge deutlich schlechter ab. Eine Forschungsgruppe um Weber-Wulff hat 2023 vierzehn Detektoren getestet. Ihr Fazit: Die Tools sind weder genau noch zuverlässig. Drei Befunde aus der Forschung zu KI-Detektoren.
Eine zweite Studie von Liang und Kollegen zeigt ein Fairness-Problem. Englische Texte von Menschen, die nicht in ihrer Muttersprache schreiben, werden besonders häufig als KI markiert. Untersucht wurden englische Aufsätze, unter anderem aus dem Sprachtest TOEFL; ob das für Deutsch als Zweitsprache genauso gilt, sagt die Studie nicht. Im Video ist das verkürzt. Die Forschenden vermuten, dass die Detektoren Menschen mit eingeschränkterem sprachlichem Ausdruck unbeabsichtigt benachteiligen. Sie raten ausdrücklich davon ab, solche Werkzeuge in Bewertungs- und Bildungssituationen einzusetzen. Und selbst OpenAI, das Unternehmen hinter ChatGPT, hat seinen eigenen Detektor im Juli 2023 wieder eingestellt, wegen zu geringer Genauigkeit. ## Was stattdessen hilft Ein Detektor-Ergebnis ist kein Beweis. Es kann höchstens ein Anlass sein, genauer hinzuschauen. Was im Alltag mehr bringt, sind meine drei Empfehlungen aus dem Video: 1. **Den Entstehungsprozess sichtbar machen.** Entwürfe, Notizen und Zwischenstände gehören zur Abgabe. Wer einen Text selbst entwickelt hat, kann diesen Weg zeigen. 2. **Das Gespräch über den Text suchen.** Nicht als Verhör, sondern als Teil der Beurteilung: Warum dieser Aufbau? Was war schwierig? 3. **Aufgaben so stellen, dass eigenes Denken gefragt ist.** Zum Beispiel mit Bezug auf den eigenen Unterricht, eigene Erfahrungen oder eine begründete Entscheidung. Drei Wege, die mehr bringen als ein Detektor-Ergebnis.
## Eine Übung fürs Kollegium Mein Vorschlag für die nächste Teamsitzung: Schätzt gemeinsam, wie viele schriftliche Arbeiten an eurer Schule pro Semester abgegeben werden. Rechnet dann mit einem Prozent Fehlalarm, also dem optimistischen Wert. Die Zahl, die dabei herauskommt, sind die Gespräche mit ehrlichen Lernenden, die ihr führen müsstet. Danach lohnt sich die Frage: Welche Aufgaben in unserem Alltag würden einen Detektor überflüssig machen? Vertrauen entsteht nicht durch Software, sondern durch gute Aufgaben. ## Häufige Fragen ### Wie zuverlässig sind KI-Detektoren? Wenig. Eine Forschungsgruppe um Weber-Wulff testete 2023 vierzehn Detektoren und kam zum Schluss, dass sie weder genau noch zuverlässig sind. OpenAI hat seinen eigenen Detektor im Juli 2023 wegen zu geringer Genauigkeit eingestellt. ### Ist das Ergebnis eines KI-Detektors ein Beweis? Nein, höchstens ein Anlass, genauer hinzuschauen. Selbst bei optimistischen 99 Prozent Genauigkeit stünden von 1000 ehrlich geschriebenen Aufsätzen zehn Lernende zu Unrecht unter Verdacht. ### Benachteiligen KI-Detektoren Menschen, die nicht in ihrer Muttersprache schreiben? Für englische Texte ja: Laut einer Studie von Liang und Kollegen (2023) werden englische Texte von Menschen, die nicht in ihrer Muttersprache schreiben, besonders häufig als KI markiert. Für Deutsch als Zweitsprache hat die Studie das nicht untersucht. Die Forschenden raten davon ab, Detektoren in Bewertungs- und Bildungssituationen einzusetzen. ## Transkript des Videos 99 Prozent Genauigkeit. Klingt nach einem zuverlässigen KI-Detektor. Rechnen wir kurz nach. Eine Schule prüft 1000 Aufsätze, die alle ehrlich geschrieben wurden. Ein Prozent Fehlalarm heisst: Zehn Lernende stehen unter Verdacht, obwohl sie nichts falsch gemacht haben. Zehn schwierige Gespräche, zehn Mal beschädigtes Vertrauen. Und das ist ein Rechenbeispiel mit einem sehr optimistischen Wert. Denn in der Praxis sind die Detektoren deutlich schlechter. Eine Studie hat 2023 vierzehn Tools getestet. Ihr Fazit: weder genau noch zuverlässig. Eine andere Studie zeigte: Texte von Menschen, die nicht in ihrer Muttersprache schreiben, werden besonders häufig als KI markiert. Und OpenAI hat seinen eigenen Detektor wieder eingestellt, wegen zu geringer Genauigkeit. Ein Detektor-Ergebnis ist also kein Beweis. Was stattdessen hilft: den Entstehungsprozess sichtbar machen, mit Entwürfen und Notizen. Das Gespräch über den Text suchen. Und Aufgaben so stellen, dass eigenes Denken gefragt ist. Vertrauen entsteht nicht durch Software, sondern durch gute Aufgaben. ## Quellen - [Weber-Wulff et al.: Testing of detection tools for AI-generated text, International Journal for Educational Integrity (2023)](https://link.springer.com/article/10.1007/s40979-023-00146-z) - [Liang et al.: GPT detectors are biased against non-native English writers, Patterns (2023)](https://arxiv.org/abs/2304.02819) - [OpenAI: New AI classifier for indicating AI-written text (2023, eingestellt)](https://openai.com/index/new-ai-classifier-for-indicating-ai-written-text/) --- # Die KI lügt nicht. Sie rät. URL: https://ricoeberle.ch/blog/warum-ki-halluziniert/ Sprache: de-CH · Datum: 2026-09-12 · Thema: E-Learning & KI · Autor: Rico Eberle > Warum Sprachmodelle Dinge erfinden, warum sie dabei so sicher klingen und mit welchen drei Prüffragen Lernende erfundene Antworten erkennen. Wer mit KI-Werkzeugen arbeitet, kennt den Moment: Die Antwort ist flüssig formuliert, gut strukturiert und klingt kompetent. Und trotzdem stimmt sie nicht. Eine Quelle, die es nicht gibt. Eine Jahreszahl, die knapp daneben liegt. Ein Zitat, das nie gesagt wurde. Man nennt das Halluzination. Das Wort klingt nach einer Störung. Tatsächlich ist es eine direkte Folge davon, wie Sprachmodelle funktionieren. ## Ein Sprachmodell kennt keine Wahrheit, nur Wahrscheinlichkeiten Ein Sprachmodell schlägt nicht nach. Es berechnet, vereinfacht gesagt, welches Wort am wahrscheinlichsten als nächstes kommt, und das Wort für Wort. Weil es mit riesigen Textmengen trainiert wurde, ist das wahrscheinlichste Wort sehr oft auch das richtige. Das wahrscheinlichste Wort ist nicht immer das richtige: Sydney statt Canberra.
Weiss das Modell etwas nicht, ändert sich an diesem Ablauf nichts. Es wählt weiterhin das wahrscheinlichste nächste Wort. Das Ergebnis ist ein Satz, der genauso sicher klingt wie eine korrekte Antwort. Ein Zögern, ein «vielleicht» oder einen Hinweis auf Unsicherheit gibt es dabei nicht automatisch. ## Warum die KI nicht einfach «Ich weiss es nicht» sagt OpenAI hat 2025 eine Erklärung dazu veröffentlicht, begleitet von einer wissenschaftlichen Arbeit. Der Kern: Sprachmodelle werden ähnlich bewertet wie Lernende bei einer Multiple-Choice-Prüfung. Wer rät, holt manchmal Punkte. Wer nichts ankreuzt, holt sicher keine. Wie bei einer Multiple-Choice-Prüfung bringt Raten im Schnitt mehr Punkte als Schweigen.
Wenn die Bewertung Raten belohnt und Zurückhaltung bestraft, lernt ein Modell genau das: Raten lohnt sich. Die Halluzination ist also auch ein Ergebnis davon, wie Modelle gemessen und verbessert werden. ## Was das für den Unterricht heisst Die wichtigste Einsicht für Lernende lautet: **Der sichere Ton sagt nichts über die Richtigkeit.** Eine KI-Antwort ist ein Entwurf, kein Nachschlagewerk. Drei Prüffragen für jede KI-Antwort.
Drei Prüffragen helfen im Alltag: 1. **Finde ich das in einer zweiten, unabhängigen Quelle?** Nicht in einer zweiten KI, sondern in einer Quelle, die selbst belegt ist. 2. **Lassen sich Namen, Zahlen und Zitate konkret überprüfen?** Gerade diese Details sind besonders anfällig, weil sie plausibel klingen müssen, aber exakt stimmen sollten. 3. **Was passiert, wenn ich dieselbe Frage anders stelle?** Ändert sich die Antwort bei einer leicht anderen Formulierung, ist das ein Warnsignal. ## Eine Übung für die nächste Lektion Lass die Lernenden in Gruppen eine KI zu einem Thema befragen, das sie bereits gut kennen. Jede Gruppe sucht mit den drei Prüffragen nach einer Stelle, die nicht stimmt, und belegt den Fehler mit einer Quelle. Die Auswertung im Plenum zeigt meist schnell, wie überzeugend falsche Antworten wirken können. Und sie macht aus dem Misstrauen eine Technik, die man üben kann. Die KI ist kein Lexikon, sondern ein sehr guter Rater. Wer das weiss, kann sie sinnvoll nutzen. ## Häufige Fragen ### Warum halluziniert KI? Ein Sprachmodell berechnet Wort für Wort, welches Wort am wahrscheinlichsten als nächstes kommt. Weiss es etwas nicht, wählt es trotzdem das wahrscheinlichste Wort, und das klingt genauso sicher wie eine richtige Antwort. ### Warum sagt die KI nicht einfach «Ich weiss es nicht»? Laut einer Erklärung von OpenAI (2025) werden Sprachmodelle ähnlich bewertet wie Lernende bei einer Multiple-Choice-Prüfung: Raten bringt manchmal Punkte, nichts ankreuzen sicher keine. So lernt ein Modell, dass Raten sich lohnt. ### Wie erkennt man erfundene KI-Antworten? Drei Prüffragen helfen: Finde ich das in einer zweiten, unabhängigen Quelle? Lassen sich Namen, Zahlen und Zitate konkret überprüfen? Ändert sich die Antwort, wenn ich dieselbe Frage anders stelle? ## Transkript des Videos Die KI lügt nicht. Sie rät. Und klingt dabei immer sicher. Ein Sprachmodell weiss nicht, was wahr ist. Es berechnet, welches Wort am wahrscheinlichsten als nächstes kommt. Wort für Wort. Meistens ergibt das einen richtigen Satz. Aber wenn das Modell etwas nicht weiss, wählt es trotzdem das wahrscheinlichste nächste Wort. Und das klingt genauso überzeugend wie eine richtige Antwort. Warum sagt die KI dann nicht einfach: Ich weiss es nicht? OpenAI hat dazu 2025 eine Erklärung veröffentlicht. Modelle werden ähnlich bewertet wie Lernende bei einer Multiple-Choice-Prüfung. Wer rät, holt manchmal Punkte. Wer nichts ankreuzt, holt sicher keine. Also lernt das Modell: Raten lohnt sich. Für den Unterricht heisst das: Der sichere Ton sagt nichts über die Richtigkeit. Gib deinen Lernenden drei Prüffragen mit. Erstens: Finde ich das in einer zweiten, unabhängigen Quelle? Zweitens: Lassen sich Namen, Zahlen und Zitate konkret überprüfen? Drittens: Was passiert, wenn ich dieselbe Frage anders stelle? Die KI ist kein Lexikon, sondern ein sehr guter Rater. ## Quellen - [OpenAI: Why language models hallucinate (2025)](https://openai.com/index/why-language-models-hallucinate/) - [Kalai et al.: Why Language Models Hallucinate (2025)](https://arxiv.org/abs/2509.04664) --- # Lock-in in drei Akten: warum gratis kein Versprechen ist URL: https://ricoeberle.ch/blog/lock-in-in-drei-akten/ Sprache: de-CH · Datum: 2026-09-10 · Thema: Digitale Souveränität · Autor: Rico Eberle > Wie aus einem kostenlosen Tool für Schulen eine Abhängigkeit werden kann, was das Auslaufen eines Gratis-Pakets 2025 zeigt und welche drei Fragen du vor jeder Einführung stellen kannst. Viele digitale Werkzeuge kosten Schulen nichts. Google bietet Workspace for Education Fundamentals berechtigten Bildungseinrichtungen kostenlos an, Microsoft das Paket Office 365 A1 mit den Web-Apps. Das ist bequem und senkt die Hürde für den Einstieg. Die Frage ist, was nach dem Einstieg kommt. ## Drei Akten, selten mit Absicht Das Video beschreibt Lock-in als Ablauf in drei Akten. Das Modell ist eine vereinfachte eigene Darstellung, keine wissenschaftliche Einteilung. 1. **Einstieg.** Das Tool ist kostenlos, schnell eingerichtet, alle können sofort loslegen. Kaum jemand sagt da Nein. 2. **Gewöhnung.** Nach ein paar Jahren stecken Unterlagen, Abläufe und Routinen im Tool. Lehrpersonen und Lernende kennen es. Ein Wechsel wäre plötzlich ein eigenes Projekt. 3. **Abhängigkeit.** Jetzt bestimmt der Anbieter die Bedingungen. Wichtig ist der erste Satz: Lock-in passiert selten mit Absicht. Niemand entscheidet sich bewusst für eine Abhängigkeit. Sie entsteht aus vielen kleinen, jeweils vernünftigen Schritten. ## Ein Beispiel aus 2025 Microsoft bot Schulen mit Office 365 A1 Plus ein Gratis-Paket an, das auch die Desktop-Programme enthielt. Laut Microsoft laufen alle bestehenden A1-Plus-Lizenzen im Jahr 2025 aus. Als Optionen nennt Microsoft den Wechsel in die kostenpflichtigen Pakete A3 oder A5 oder das kostenlose A1, das nur die Web-Versionen umfasst. Der dritte Akt: Das Gratis-Paket läuft aus, weiter geht es nur im Bezahlpaket.
Matthias Stürmer von der Berner Fachhochschule hat sich 2024 in einem Interview zur digitalen Souveränität allgemein zur Marktmacht grosser Anbieter geäussert. Er sagt, Firmen wie Microsoft oder SAP könnten heute «praktisch beliebig die Preise bestimmen». ## Drei Fragen vor jeder Einführung Das Video schlägt drei Fragen vor, bevor ein neues Tool eingeführt wird: 1. **Was kostet es in fünf Jahren, nicht im ersten?** 2. **Kommen wir mit unseren Daten in einem offenen Format wieder raus?** 3. **Wer im Haus versteht das System, falls wir wechseln müssen?** Drei Fragen, die vor jedem neuen Tool geklärt sein sollten.
Die erste Frage zielt auf den Einstieg, die zweite auf die Gewöhnung, die dritte auf die Abhängigkeit. Wer alle drei beantworten kann, bevor das Tool läuft, hat im dritten Akt mehr Spielraum. ## Mein Vorschlag zum Ausprobieren Nimm ein Tool, das an deiner Schule oder in deiner Organisation schon seit ein paar Jahren läuft, und mach einen kleinen Exporttest: Lade einen echten Kurs, einen Ordner oder eine Sammlung von Unterlagen herunter und öffne sie in einem anderen Programm. Notiere, was dabei verloren geht, zum Beispiel Struktur, Kommentare oder Bewertungen. Danach gehst du die drei Fragen für dieses Tool durch. Wo du keine Antwort hast, weisst du, wo der dritte Akt schon begonnen haben könnte. Für neue Tools lohnt es sich, den gleichen Test vor der Einführung zu machen, solange ein Wechsel noch nichts kostet. ## Meine Sicht Gratis ist ein Einstiegspreis, kein Versprechen. Darum gehören vor jede Einführung die drei Fragen: nach den Kosten in fünf Jahren, nach dem Weg hinaus in einem offenen Format und nach dem Wissen im eigenen Haus. Ein Gratis-Angebot sagt nichts über die Kosten in einigen Jahren.
## Häufige Fragen ### Was ist ein Lock-in bei Software? Eine Abhängigkeit von einem Anbieter, aus der ein Wechsel aufwendig wird. Der Beitrag beschreibt sie in drei Akten: Einstieg mit einem kostenlosen Tool, Gewöhnung, weil Unterlagen und Abläufe im Tool stecken, und Abhängigkeit, in der der Anbieter die Bedingungen bestimmt. ### Was passiert mit Office 365 A1 Plus für Schulen? Laut Microsoft laufen alle bestehenden A1-Plus-Lizenzen im Jahr 2025 aus. Als Optionen nennt Microsoft die kostenpflichtigen Pakete A3 oder A5 oder das kostenlose A1, das nur die Web-Versionen umfasst. ### Welche Fragen helfen vor der Einführung eines Tools? Der Beitrag schlägt drei vor: Was kostet es in fünf Jahren, nicht im ersten? Kommen wir mit unseren Daten in einem offenen Format wieder raus? Wer im Haus versteht das System, falls wir wechseln müssen? ## Transkript des Videos Gratis für Schulen. Warum eigentlich? Lock-in passiert selten mit Absicht. Er kommt in drei Akten. Erster Akt: Einstieg. Das Tool ist kostenlos, schnell eingerichtet, und alle können sofort loslegen. Wer würde da Nein sagen? Zweiter Akt: Gewöhnung. Nach ein paar Jahren stecken Unterlagen, Abläufe und Routinen im Tool. Lehrpersonen kennen es, Lernende auch. Ein Wechsel wäre plötzlich ein Projekt. Dritter Akt: Abhängigkeit. Jetzt bestimmt der Anbieter die Bedingungen. Ein grosser Anbieter hat zum Beispiel sein Gratis-Paket mit Desktop-Programmen für Schulen 2025 auslaufen lassen. Wer es weiter wollte, musste in ein Bezahlpaket wechseln. Matthias Stürmer von der Berner Fachhochschule sagt es so: Grosse Anbieter können Preise heute praktisch beliebig bestimmen. Deshalb drei Fragen vor jeder Einführung. Erstens: Was kostet es in fünf Jahren, nicht im ersten? Zweitens: Kommen wir mit unseren Daten in einem offenen Format wieder raus? Drittens: Wer im Haus versteht das System, falls wir wechseln müssen? Gratis ist ein Einstiegspreis, kein Versprechen. ## Quellen - [Microsoft: Office 365 A1 Plus (Auslauf der Lizenzen 2025)](https://www.microsoft.com/de-de/education/products/office-365-a1-plus) - [Berner Fachhochschule: Interview mit Matthias Stürmer zur digitalen Souveränität (2024)](https://www.bfh.ch/de/aktuell/storys/2024/digitale-souveraenitaet-interview-matthias-stuermer/) - [Matthias Stürmer, BFH: Studie Technologische Perspektive der digitalen Souveränität (12. Juni 2024, PDF)](https://www.bfh.ch/dam/jcr:77087ce2-5802-4c76-9ea7-21f8fe01fa87/Studie_Technologische%20Perspektive%20der%20digitalen%20Souveraenitaet%2012%20Juni%202024_Matthias%20St%C3%BCrmer.pdf) - [Google: Google Workspace for Education Fundamentals](https://edu.google.com/intl/ALL_us/workspace-for-education/editions/education-fundamentals/) --- # Gespeichert in der Schweiz ist nur die halbe Antwort URL: https://ricoeberle.ch/blog/wo-liegen-deine-daten/ Sprache: de-CH · Datum: 2026-09-08 · Thema: Digitale Souveränität · Autor: Rico Eberle > Warum bei Cloud-Diensten nicht nur der Speicherort zählt, was der US CLOUD Act und die privatim-Resolution vom November 2025 dazu sagen und welche drei Fragen du vor dem nächsten Tool stellen kannst. «Gespeichert in der Schweiz» ist ein Satz, den Schulen und Verwaltungen oft hören, wenn sie einen Cloud-Dienst prüfen. Er beantwortet eine wichtige Frage. Aber nicht die einzige. ## Speicherort und Rechtsraum Bei Daten in der Cloud lohnt es sich, zwei Fragen auseinanderzuhalten. Der **Speicherort** sagt, wo die Server physisch stehen. Der **Rechtsraum** sagt, welchem Recht das Unternehmen untersteht, das den Dienst betreibt. Die beiden Antworten können auseinanderfallen. Ein Rechenzentrum kann in Zürich stehen und trotzdem von einem Konzern mit Sitz in den USA betrieben werden. Solche Angebote gibt es: Microsoft hat im Dezember 2019 Office 365 mit Datenhaltung in Schweizer Rechenzentren lanciert. Die Ankündigung spricht von ruhenden Kundendaten und nennt Exchange Online, SharePoint Online, OneDrive for Business und Teams, nicht alle Dienste. ## Was der CLOUD Act regelt Der CLOUD Act wurde im März 2018 in den USA unterzeichnet. Er hat einen neuen Paragrafen ins US-Recht eingefügt, 18 U.S.C. § 2713. Danach müssen Anbieter Daten herausgeben, die sie besitzen, verwahren oder kontrollieren, unabhängig davon, ob diese Daten in den USA oder im Ausland liegen. Das gilt für Ermittlungen der Strafverfolgung. Der CLOUD Act kann auch Daten in einem Schweizer Rechenzentrum erfassen, wenn der Anbieter US-Recht untersteht.
Die Schweizer Datenschutzbeauftragten weisen in ihrer Resolution darauf hin, dass eine solche Herausgabe ohne die Regeln der internationalen Rechtshilfe erfolgen kann. Für die Frage, wer auf Daten zugreifen kann, zählt also auch der Sitz des Anbieters. ## Was privatim im November 2025 festgehalten hat privatim ist die Konferenz der schweizerischen Datenschutzbeauftragten. Dazu gehören die kantonalen Beauftragten, der EDÖB und mehrere Städte. Am 18. November 2025 hat die Konferenz eine Resolution verabschiedet, publiziert am 24. November. Die Kernaussage der privatim-Resolution vom November 2025, sinngemäss und kein wörtliches Zitat. Die Resolution spricht von öffentlichen Organen; die öffentlichen Schulen habe ich ergänzt, weil sie dazu gehören.
Der Kern in den Worten der Resolution: Wenn öffentliche Organe besonders schützenswerte oder geheimhaltungspflichtige Personendaten in Cloud-Software grosser internationaler Anbieter auslagern, ist das in den meisten Fällen unzulässig. Als Beispiel nennt die Resolution Microsoft 365. Möglich bleibt es, wenn die Behörde die Daten selbst verschlüsselt und der Anbieter keinen Zugang zum Schlüssel hat. Zur Einordnung: - Die Resolution ist eine Einschätzung der Aufsichtsbehörden, kein Gesetz. Der Kanton Thurgau liest sie vorsichtiger: nicht zwingend in jedem Fall. - Schulen werden in der Resolution nicht ausdrücklich genannt. Im Video und auf der Folie ist das meine Übertragung: Öffentliche Schulen sind öffentliche Organe und damit erfasst, private Schulen nicht. Die Aussage im Video ist deshalb eine sinngemässe Zusammenfassung, kein wörtliches Zitat. - Es geht um Cloud-Software grosser Anbieter, nicht um jeden internationalen Cloud-Dienst. - Der Kanton Glarus hat sich der Resolution nicht angeschlossen. ## Drei Fragen vor dem nächsten Tool 1. **Wo liegen die Daten?** Gilt die Zusage für alle Funktionen oder nur für einen Teil der Daten? 2. **Welchem Recht untersteht der Anbieter?** Wo haben der Betreiber und sein Mutterkonzern ihren Sitz? 3. **Wer hält den Schlüssel?** Verschlüsselt deine Organisation selbst, oder verwaltet der Anbieter die Schlüssel? Hilfreich ist eine vierte Frage vorab: Um welche Daten geht es überhaupt? Für eine Linkliste gelten andere Massstäbe als für Förderberichte oder Gesundheitsangaben. ## Meine Sicht Speicherort ist Geografie. Rechtsraum ist Politik. Darum gehören vor jedes neue Tool die drei Fragen von oben: Wo liegen die Daten? Welchem Recht untersteht der Anbieter? Und wer hält den Schlüssel? Wo die Server stehen, sagt noch nicht, welches Recht gilt.
## Und bei dir? Wer hält bei deiner Organisation den Schlüssel? ## Häufige Fragen ### Schützt ein Speicherort in der Schweiz vor dem US CLOUD Act? Nicht allein. Der CLOUD Act verpflichtet Anbieter bei Ermittlungen der US-Strafverfolgung, Daten herauszugeben, die sie besitzen, verwahren oder kontrollieren, unabhängig davon, ob die Daten in den USA oder im Ausland liegen. Für den Zugriff zählt also auch, welchem Recht der Anbieter untersteht. ### Was ist der Unterschied zwischen Speicherort und Rechtsraum? Der Speicherort sagt, wo die Server physisch stehen, der Rechtsraum, welchem Recht das Unternehmen untersteht, das den Dienst betreibt. Beides kann auseinanderfallen, etwa bei einem Rechenzentrum in Zürich, das ein Konzern mit Sitz in den USA betreibt. ### Was hat privatim im November 2025 zu Cloud-Diensten festgehalten? Laut der Resolution der Konferenz der schweizerischen Datenschutzbeauftragten ist es in den meisten Fällen unzulässig, wenn öffentliche Organe besonders schützenswerte oder geheimhaltungspflichtige Personendaten in Cloud-Software grosser internationaler Anbieter auslagern. Möglich bleibt es, wenn die Behörde selbst verschlüsselt und der Anbieter keinen Zugang zum Schlüssel hat. Die Resolution ist eine Einschätzung der Aufsichtsbehörden, kein Gesetz. Schulen nennt sie nicht ausdrücklich; öffentliche Schulen gehören als öffentliche Organe dazu. ## Transkript des Videos Deine Schule speichert in der Schweiz. Sagt der Anbieter. Das stimmt vielleicht. Aber es ist nur die halbe Antwort. Bei Daten in der Cloud gibt es zwei Fragen. Die erste: Wo stehen die Server? Das ist der Speicherort. Die zweite: Welchem Recht untersteht der Anbieter? Das ist der Rechtsraum. Und genau diese zweite Frage wird oft vergessen. Ein Beispiel. Die Daten einer Schule liegen in einem Rechenzentrum in Zürich. Betrieben wird es aber von einem Konzern mit Sitz in den USA. Und dort gilt seit 2018 der CLOUD Act. Er erlaubt US-Behörden, bei Ermittlungen Daten bei amerikanischen Anbietern einzufordern, auch wenn diese Daten in der Schweiz liegen. Der Server steht in Zürich. Der Zugriff kann trotzdem über den Atlantik führen. Die Konferenz der Schweizer Datenschutzbeauftragten, privatim, hat deshalb im November 2025 festgehalten: Besonders schützenswerte Personendaten von Behörden und öffentlichen Schulen gehören in der Regel nicht in Cloud-Software grosser internationaler Anbieter. Ausser, die Behörde verschlüsselt selbst und hält den Schlüssel. Was heisst das für dich? Stell beim nächsten Tool drei Fragen. Wo liegen die Daten? Welchem Recht untersteht der Anbieter? Und wer hält den Schlüssel? Speicherort ist Geografie. Rechtsraum ist Politik. Wer hält bei deiner Organisation den Schlüssel? ## Quellen - [privatim: Resolution zur Auslagerung von Datenbearbeitungen in die Cloud (18.11.2025, PDF)](https://www.privatim.ch/wp-content/uploads/2025/11/20251124_privatim_Resolution-Hyperscaler_DE.pdf) - [privatim: Medienmitteilung zur Resolution zu internationalen Cloud-Lösungen (24.11.2025)](https://www.privatim.ch/de/privatim-verabschiedet-resolution-zu-internationalen-cloud-losungen/) - [Congressional Research Service: CLOUD Act, R45173](https://www.congress.gov/crs-product/R45173) - [Datenschutzbeauftragte Kanton Thurgau: Einordnung der privatim-Resolution](https://www.datenschutz-tg.ch/ds/resolution-privatim-auslagerung-datenbearbeitung.html) - [Microsoft Schweiz: Office 365 hat jetzt den Schweizer Pass (10.12.2019)](https://news.microsoft.com/de-ch/2019/12/10/office-365-hat-jetzt-den-schweizer-pass/) --- # Digitale Souveränität ist kein Schalter, sondern eine Skala URL: https://ricoeberle.ch/blog/souveraenitaet-ist-eine-skala/ Sprache: de-CH · Datum: 2026-09-05 · Thema: Digitale Souveränität · Autor: Rico Eberle > Warum sich digitale Souveränität nicht mit an oder aus beschreiben lässt, welche vier Regler dabei zählen und welche Fragen du bei der nächsten Beschaffung stellen kannst. In Diskussionen über digitale Souveränität taucht oft eine einfache Formel auf: Microsoft raus, Open Source rein, Problem gelöst. Die Formel behandelt Souveränität wie einen Lichtschalter, entweder an oder aus. In der Praxis ist die Lage vielschichtiger. ## Was der Bundesrat unter digitaler Souveränität versteht Der Bundesrat hat im November 2025 einen Bericht zur digitalen Souveränität der Schweiz veröffentlicht, in Erfüllung des Postulats 22.4411. Er beschreibt sie als «die erforderliche Kontroll- und Handlungsfähigkeit des Staates im digitalen Raum». Der Bericht hält ausdrücklich fest, dass der Begriff unterschiedlich verstanden wird. Die Definition spricht von der erforderlichen Kontroll- und Handlungsfähigkeit, nicht von vollständiger Unabhängigkeit. ## Vier Regler statt eines Schalters Um die Frage greifbar zu machen, nutze ich im Video ein eigenes Modell mit vier Reglern. Es ist kein offizielles Raster, sondern eine Denkhilfe: 1. **Daten:** Wo liegen sie, und wer kann darauf zugreifen? 2. **Software:** Lässt sie sich prüfen, anpassen und im Notfall ersetzen? 3. **Infrastruktur:** Wer betreibt die Server, und nach welchem Recht? 4. **Kompetenz:** Verstehen wir selbst, was wir einsetzen, oder hängen wir am Wissen des Anbieters? Das Modell der vier Regler: Daten, Software, Infrastruktur und Kompetenz.
Jeder Regler steht irgendwo zwischen «abhängig» und «souverän». Eine Organisation kann bei einem Regler weit rechts und bei einem anderen weit links stehen. ## Das Beispiel Schule Im Video steht eine Schule als Beispiel. Ihre Daten liegen in einem Schweizer Rechenzentrum, aber bei einem US-Konzern. Solche Angebote gibt es tatsächlich: Microsoft bietet Office 365 seit 2019 mit Datenhaltung in der Schweiz an. Der Speicherort ist damit geklärt, der Betreiber bleibt aber ein ausländisches Unternehmen. Der Regler steht deshalb in der Mitte. Eine Schule als Beispiel: Die vier Regler stehen unterschiedlich weit.
Die übrigen Werte im Beispiel: proprietäre Software, die tief im Alltag verankert ist, eine Infrastruktur bei einem globalen Cloud-Anbieter und eine einzelne Person, die die IT neben dem Unterricht betreut. Das ist ein konstruiertes Beispiel, keine Erhebung über Schweizer Schulen. ## Fragen für die nächste Beschaffung Wer ein neues Werkzeug auswählt, kann jeden Regler mit einer konkreten Frage prüfen: - **Daten:** Wo werden die Daten gespeichert, und welche Stellen können rechtlich auf sie zugreifen? - **Software:** Können wir die Daten in einem offenen Format exportieren? Was kostet ein Wechsel in fünf Jahren? - **Infrastruktur:** Wer betreibt den Dienst, und welches Recht gilt für diesen Betreiber? - **Kompetenz:** Wer bei uns versteht das System so gut, dass wir ohne den Anbieter Entscheide treffen können? Keine dieser Fragen verlangt eine perfekte Antwort. Sie machen sichtbar, in welche Richtung ein Entscheid die Regler verschiebt. ## Meine Sicht Ich halte es für falsch, alle Regler auf einen Schlag nach rechts schieben zu wollen. Das wäre teuer und riskant. Sinnvoller finde ich, bei jedem neuen Entscheid zu fragen: In welche Richtung bewegt uns das? Für mich ist der wichtigste Regler der unscheinbarste: Kompetenz. Ohne sie bewegt sich keiner der anderen. Wer selbst versteht, was er einsetzt, kann Daten verlagern, Software wechseln und Betreiber vergleichen. Wer dieses Wissen nicht hat, bleibt beim Anbieter, egal wo die Server stehen. ## Und bei dir? Souveränität ist kein Schalter, sondern eine Skala. Wo stehen die vier Regler in deiner Organisation, und welcher bewegt sich als nächstes? Digitale Souveränität ist kein Entweder-oder.
## Häufige Fragen ### Was ist digitale Souveränität? Der Bundesrat beschreibt sie in seinem Bericht vom November 2025 als «die erforderliche Kontroll- und Handlungsfähigkeit des Staates im digitalen Raum». Er hält zugleich fest, dass der Begriff unterschiedlich verstanden wird. ### Bedeutet digitale Souveränität vollständige Unabhängigkeit? Die Definition des Bundesrats spricht von der erforderlichen Kontroll- und Handlungsfähigkeit, nicht von vollständiger Unabhängigkeit. Der Beitrag beschreibt Souveränität deshalb als Skala mit vier Reglern: Daten, Software, Infrastruktur und Kompetenz. ## Transkript des Videos Microsoft raus, Open Source rein, fertig? So einfach ist es nicht. Digitale Souveränität wird oft diskutiert wie ein Lichtschalter: an oder aus. In Wirklichkeit ist sie eine Skala. Und zwar nicht eine, sondern vier. Erstens: Daten. Wo liegen sie, und wer kann darauf zugreifen? Zweitens: Software. Können wir sie prüfen, anpassen und im Notfall ersetzen? Drittens: Infrastruktur. Wer betreibt die Server, und nach welchem Recht? Viertens: Kompetenz. Verstehen wir selbst, was wir einsetzen, oder hängen wir am Wissen des Anbieters? Nehmen wir eine Schule, wie es viele gibt. Die Daten liegen in einem Schweizer Rechenzentrum, aber bei einem US-Konzern. Der Regler steht in der Mitte. Die Software ist proprietär und tief im Alltag verankert. Weit links. Die Infrastruktur betreibt ein globaler Cloud-Anbieter. Auch links. Und die Kompetenz? In unserem Beispiel betreut eine Person die ganze IT neben dem Unterricht. Das Ziel ist nicht, alle Regler auf einen Schlag nach rechts zu schieben. Das wäre teuer und riskant. Das Ziel ist, bei jedem neuen Entscheid zu fragen: In welche Richtung bewegt uns das? Und für mich ist der wichtigste Regler der unscheinbarste: Kompetenz. Denn ohne sie bewegt sich keiner der anderen. Souveränität ist kein Schalter, sondern eine Skala. Wo stehen die vier Regler in deiner Organisation? ## Quellen - [Bundesrat: Digitale Souveränität der Schweiz, Bericht in Erfüllung des Postulats 22.4411 (26.11.2025)](https://www.parlament.ch/centers/eparl/curia/2022/20224411/Bericht%20BR%20D.pdf) - [Bundesrat: Medienmitteilung zum Bericht über die digitale Souveränität (26.11.2025)](https://www.admin.ch/de/newnsb/2VPWG78YrVs4eAVeiklQx) - [Microsoft Schweiz: Office 365 hat jetzt den Schweizer Pass (10.12.2019)](https://news.microsoft.com/de-ch/2019/12/10/office-365-hat-jetzt-den-schweizer-pass/) --- # Die 4 D: Aus einem KI-Werkzeug wird eine Kompetenz URL: https://ricoeberle.ch/blog/die-vier-d-der-ki-kompetenz/ Sprache: de-CH · Datum: 2026-09-03 · Thema: E-Learning & KI · Autor: Rico Eberle > Delegation, Description, Discernment, Diligence: vier Fragen, die du dir vor, während und nach jedem KI-Einsatz im Unterricht stellen kannst. KI schreibt dir in zehn Sekunden eine ganze Prüfung. Das ist beeindruckend, beantwortet aber die wichtigere Frage nicht: Solltest du sie so verwenden? Viele von uns arbeiten mit KI nach dem Prinzip Hoffnung. Prompt rein, Ergebnis raus, fertig. Das spart Zeit, bis die erste falsche Musterlösung im Umlauf ist. Was dabei fehlt, ist selten ein besseres Tool. Es fehlt ein Kompetenzmodell, also eine Vorstellung davon, was gute Arbeit mit KI ausmacht. Eines davon sind die vier D. ## Woher die vier D kommen Die vier D stammen aus dem AI Fluency Framework von Rick Dakan (Ringling College of Art and Design) und Joseph Feller (University College Cork), entwickelt in Zusammenarbeit mit Anthropic. Das Framework versteht AI Fluency als die Fähigkeit, wirksam, effizient, ethisch und sicher mit KI zu arbeiten. Dazu gehören frei zugängliche Kurse, unter anderem für Lehrpersonen. Die vier D begleiten jeden KI-Einsatz: vorher, währenddessen und danach.
## Die vier D im Überblick **Delegation: bewusst übergeben.** Entscheide, was die KI übernimmt und was bei dir bleibt. Übungsfragen zu einem Text vorschlagen? Gerne. Die Bewertung einer Abschlussarbeit bleibt bei dir. Delegation: Die KI darf Übungsfragen vorschlagen, die Bewertung einer Abschlussarbeit bleibt bei dir.
**Description: klar beschreiben.** Die KI kennt deine Klasse nicht. Sag ihr, wer lernt, was das Lernziel ist und wie das Ergebnis aussehen soll. Je klarer der Auftrag, desto brauchbarer die Antwort. **Discernment: kritisch prüfen.** Stimmt der Inhalt? Passt das Niveau? Gefährlich wird KI nicht, wenn sie oft danebenliegt, sondern wenn sie fast immer recht hat und wir aufhören zu prüfen. **Diligence: Verantwortung tragen.** Du bist verantwortlich für das, was du einsetzt. Das heisst: keine Personendaten von Lernenden in fremde Tools. Und offenlegen, wo KI mitgearbeitet hat. ## Ein Beispiel: Übungsfragen zu einem Sachtext Wie das konkret aussehen kann, zeigt das Beispiel aus dem Video. Die Ausgestaltung der einzelnen Schritte ist mein Vorschlag: - **Delegation:** Die KI schlägt Übungsfragen vor. Welche davon in die Lektion kommen, entscheidest du. - **Description:** «Sek II, 2. Jahr, Deutsch als Zweitsprache. Lernziel: Argumente eines Sachtexts erkennen. Ergebnis: fünf Fragen mit Musterlösung, maximal eine Seite.» - **Discernment:** Du gehst jede Musterlösung durch. Stimmt sie inhaltlich? Passt die Sprache zu dieser Klasse? - **Diligence:** Im Auftrag stehen keine Namen oder Daten deiner Lernenden, und auf dem Arbeitsblatt steht, dass die Fragen mit KI-Unterstützung entstanden sind. Ein klarer Auftrag nennt Zielgruppe, Lernziel und erwartetes Ergebnis.
## Eine Übung für dich Mein Vorschlag für die nächste Vorbereitungsstunde: Nimm die letzte Unterlage, die du mit KI erstellt hast, und geh sie mit vier Fragen durch. 1. **Was habe ich übergeben?** Hätte etwas davon bei mir bleiben sollen? 2. **Wusste die KI genug?** Wer lernt, was ist das Ziel, wie soll das Ergebnis aussehen? 3. **Habe ich geprüft oder nur überflogen?** Inhalt und Niveau, Satz für Satz. 4. **Wo liegt meine Verantwortung?** Sind Daten von Lernenden ins Tool gelangt? Ist offengelegt, wo KI mitgearbeitet hat? Das D, bei dem du am längsten zögerst, ist meist das, bei dem sich Üben lohnt. Vier Fragen vor, während und nach jedem KI-Einsatz. So wird aus einem Werkzeug eine Kompetenz, für dich und für deine Lernenden. ## Häufige Fragen ### Was ist AI Fluency? Das AI Fluency Framework von Rick Dakan und Joseph Feller, entwickelt in Zusammenarbeit mit Anthropic, versteht darunter die Fähigkeit, wirksam, effizient, ethisch und sicher mit KI zu arbeiten. Ein Teil davon sind die vier D. ### Was bedeuten die vier D? Delegation heisst bewusst übergeben, Description klar beschreiben, Discernment kritisch prüfen und Diligence Verantwortung tragen. Zur Sorgfalt gehört, keine Personendaten von Lernenden in fremde Tools zu geben und offenzulegen, wo KI mitgearbeitet hat. ## Transkript des Videos KI schreibt dir in zehn Sekunden eine ganze Prüfung. Die Frage ist nur: Solltest du sie so verwenden? Viele von uns arbeiten mit KI nach dem Prinzip Hoffnung. Prompt rein, Ergebnis raus, fertig. Das spart Zeit, bis die erste falsche Musterlösung im Umlauf ist. Was fehlt, ist kein besseres Tool, sondern ein Kompetenzmodell. Eines davon heisst: die vier D. Das erste D: Delegation. Entscheide bewusst, was die KI übernimmt und was bei dir bleibt. Übungsfragen zu einem Text vorschlagen? Gerne. Die Bewertung einer Abschlussarbeit? Bleibt bei dir. Das zweite D: Description, also Beschreibung. Die KI kennt deine Klasse nicht. Sag ihr, wer lernt, was das Lernziel ist und wie das Ergebnis aussehen soll. Je klarer der Auftrag, desto brauchbarer die Antwort. Das dritte D: Discernment, also Urteilsvermögen. Prüfe jedes Ergebnis kritisch. Stimmt der Inhalt? Passt das Niveau? Gefährlich wird KI nicht, wenn sie oft danebenliegt, sondern wenn sie fast immer recht hat und wir aufhören zu prüfen. Das vierte D: Diligence, also Sorgfalt. Du trägst die Verantwortung für das, was du einsetzt. Das heisst: keine Personendaten von Lernenden in fremde Tools. Und offenlegen, wo KI mitgearbeitet hat. Delegation, Description, Discernment, Diligence. Vier Fragen, die du dir vor, während und nach jedem KI-Einsatz stellst. So wird aus einem Werkzeug eine Kompetenz, für dich und für deine Lernenden. ## Quellen - [AI Fluency Framework (Rick Dakan, Joseph Feller, mit Anthropic)](https://aifluencyframework.org/) --- # Learning styles are a myth. Here's what works. URL: https://ricoeberle.ch/en/blog/learning-styles-are-a-myth/ Sprache: en · Datum: 2026-10-01 · Thema: E-learning & AI · Autor: Rico Eberle > Why visual, auditory and kinaesthetic learning styles lack evidence, why nine out of ten educators still believe in them, and what actually helps in courses. "What's your learning style?" The idea behind this question is widespread among educators, including in adult education. Visual, auditory or kinaesthetic, and if you're taught in your style, you learn better. The idea is intuitive, widespread and well meant. It just isn't supported by evidence. ## What the research says In 2008, Harold Pashler, Mark McDaniel, Doug Rohrer and Robert Bjork reviewed the evidence for the Association for Psychological Science. Their question was precise: do people learn better when teaching matches their preferred learning style? Preferring a format does not mean you learn better with it.
Testing this properly requires a specific design: learners with different styles are randomly assigned to different teaching methods, and everyone then takes the same test. The researchers found only a few such studies. Those studies didn't show the expected effect, and several flatly contradicted it. Their conclusion: there is no adequate evidence for tailoring teaching to learning styles. A more recent meta-analysis from 2024 finds small effects under certain conditions. That changes little in practice: the effort spent on learning style tests and tailored materials is out of proportion to any possible benefit. ## Why the myth persists Most educators still believe in it. In 2020, Philip Newton and Atharva Salvi analysed 37 studies covering more than 15,000 teachers and trainers in 18 countries. Weighted, around 89 percent said they believe in matching instruction to learning styles, roughly nine out of ten. No evidence for learning styles, yet around 89 percent of teachers believe in them.
One reason: the idea contains a grain of truth. We all have preferences. Some people prefer reading, others prefer listening. But a preference doesn't mean we learn better that way. Rogowsky and colleagues tested exactly this in 2015: adults who described themselves as readers or listeners did not learn better with their matching format. ## What works instead **Match the format to the content, not the person.** A process needs a diagram, pronunciation needs sound, a hands-on skill needs practice. That choice is the same for every participant. The format follows the content, not a learning style.
**Active recall and spaced repetition.** Both are among the best-supported learning techniques there are. More on this in the post on the [forgetting curve](/en/blog/the-forgetting-curve/). ## My suggestion for your next course Drop the learning style test at the start. Use the time for a short quiz on what participants already know. It tells you more about the group than any typology, and it doubles as the first recall exercise. And when you plan materials, don't ask "What do participants like?" Ask "What does this content need?" ## Frequently asked questions ### Are learning styles real? There is no adequate evidence that people learn better when teaching matches their learning style. That was the conclusion of Pashler and colleagues after reviewing the evidence in 2008. We all have preferences, but a preference doesn't mean we learn better that way. ### How many teachers believe in learning styles? In 2020, Newton and Salvi analysed 37 studies covering more than 15,000 teachers and trainers in 18 countries. Weighted, around 89 percent said they believe in matching instruction to learning styles, roughly nine out of ten. ### What works better than teaching to learning styles? Match the format to the content, not the person: a process needs a diagram, pronunciation needs sound, a hands-on skill needs practice. For everyone, active recall and spaced repetition help. ## Video transcript Everyone has a learning style: visual, auditory or kinesthetic. And if you're taught in your style, you learn better. Sounds plausible. Many adult courses are built on it. The problem: there's no evidence for it. Researchers led by Harold Pashler took a close look in 2008. The few studies that test the idea properly didn't find the effect, and some even contradicted it. Still, about nine out of ten teachers and trainers believe in it. That's the finding of a review of 37 studies from 18 countries. We all have preferences, that's true. But a preference doesn't mean we learn better that way. What works instead: the format should match the content, not the person. A process needs a diagram, pronunciation needs sound, a hands-on skill needs practice. And for everyone: active recall and spaced repetition. For trainers, that means: drop the learning style tests and use the time for methods that fit the material. ## Sources - [Pashler, McDaniel, Rohrer & Bjork (2008): Learning Styles: Concepts and Evidence](https://journals.sagepub.com/doi/full/10.1111/j.1539-6053.2009.01038.x) - [Newton & Salvi (2020): How Common Is Belief in the Learning Styles Neuromyth?](https://doi.org/10.3389/feduc.2020.602451) - [Rogowsky, Calhoun & Tallal (2015): Matching Learning Style to Instructional Method](https://eric.ed.gov/?id=EJ1055886) - [Meta-analysis on learning styles (2024)](https://pmc.ncbi.nlm.nih.gov/articles/PMC11270031/) --- # Mix, don't block: three times better on the test URL: https://ricoeberle.ch/en/blog/mix-dont-block/ Sprache: en · Datum: 2026-10-01 · Thema: E-learning & AI · Autor: Rico Eberle > Why mixed practice beats practising in blocks in the long run, even though it feels harder, and how to mix exercises in your own courses. Two groups practise for the same amount of time, with the same problems. A week later, one group scores three times higher than the other. The only difference is the order of the exercises. The result runs against what feels right while practising. ## The experiment In 2007, Doug Rohrer and Kelli Taylor had university students learn how to calculate the volume of different solids. Everyone got the same problems and the same amount of time. Only the order differed: - **Blocked:** first all problems for the first solid, then all for the second, and so on. - **Mixed:** the same problems, but shuffled. One week later, the mixed group scored 63 percent, well ahead of the blocked group at 20 percent.
A week later, students in the mixed group solved 63 percent of the test problems correctly, students in the blocked group only 20 percent. ## The twist During practice it was the other way round. The blocked group was clearly ahead, with 89 percent correct compared with 60 percent in the mixed group. When you practise in blocks, you apply the same procedure over and over and quickly feel confident. When you practise mixed, you first have to work out which procedure fits each problem. That takes more effort, and it is exactly the skill the test requires later. During practice, the blocked group was ahead, 89 to 60 percent.
Mixing feels harder, but it lasts longer. ## Adults misjudge this too In 2008, Nate Kornell and Robert Bjork had adults learn the painting styles of different artists, once blocked and once mixed. Most learned more from the mixed version. Even so, 78 percent rated blocking as equally good or better, a little over three quarters. How practice feels is a poor guide to what sticks. 78 percent rated blocking at least as good, even though they learned more from mixing. More precisely than the slide: according to the follow-up study, older adults benefit much like younger ones.
A follow-up study by Kornell, Castel, Eich and Bjork in 2010 also showed that older adults benefit from mixing much like younger ones. Good news for continuing education. ## What this means for continuing education **Mix your exercises.** This works especially well for problem types that look similar and are easily confused. In a bookkeeping course, for example, mix journal entries from different types of transactions instead of going chapter by chapter. That example is my own transfer; the studies come from mathematics and art. **Explain why it feels harder.** Mixed practice leads to more mistakes at first. Without an explanation, that looks like a bad course. With one, it becomes a useful signal: this is what learning feels like. ## My suggestion Take your next worksheet and check whether the problems are sorted by topic. If they are, shuffle the second half. The first half can stay blocked so participants get to know each procedure. Then comes telling them apart. Hard doesn't mean bad. ## Frequently asked questions ### Is mixed practice better than blocked practice? In the long run, yes. In a study by Rohrer and Taylor (2007), the mixed group solved 63 percent of the test problems correctly a week later, the blocked group only 20 percent. ### Why does mixed practice feel harder? When you practise mixed, you first have to work out which procedure fits each problem. During practice the blocked group was therefore ahead, 89 to 60 percent; on the test a week later it was the other way round. ### Does mixed practice work for adults? Yes. In an experiment by Kornell and Bjork (2008), most adults learned the painting styles of different artists better from mixed than from blocked practice. A follow-up study in 2010 showed that older adults benefit much like younger ones. ## Video transcript Two groups practice for the same amount of time, with the same problems. A week later, one of them scores three times higher. What was different? Only the order. Group A practices in blocks: first all problems of the first type, then all of the second. Group B practices mixed. Take a guess: which group wins? Group B. In a study by Doug Rohrer, the mixed group scored 63 percent, the blocked group only 20. And here's the twist: during practice it was the other way round. The blocked group was clearly ahead. Mixing feels harder, but it lasts longer. Adults misjudge this too. In one experiment, three quarters rated blocking as at least as good, even though they had learned more from mixing. And older adults benefited just as much. For continuing education, that means: mix your exercises. In a bookkeeping course, for example, mix journal entries from different types of transactions instead of going chapter by chapter. And explain to participants why it feels harder. Hard doesn't mean bad. ## Sources - [Rohrer & Taylor (2007): The shuffling of mathematics problems improves learning](https://doi.org/10.1007/s11251-007-9015-8) - [Kornell & Bjork (2008): Learning Concepts and Categories](https://doi.org/10.1111/j.1467-9280.2008.02127.x) - [Kornell, Castel, Eich & Bjork (2010): Spacing as the friend of both memory and induction in young and older adults](https://doi.org/10.1037/a0017807) --- # Model, LLM, chat, agent: four terms, one picture URL: https://ricoeberle.ch/en/blog/model-llm-chat-agent/ Sprache: en · Datum: 2026-10-01 · Thema: E-learning & AI · Autor: Rico Eberle > Model, LLM, chat and agent often get mixed up. A simple picture of layers shows how the four terms fit together and what that means for your teaching. Model, LLM, chat, agent: these four terms come up in almost every conversation about AI, and two people using them often don't mean the same thing. Yet they fit together quite simply, like layers, one around the other. The picture is a teaching simplification, but it helps you place tools and ask the right questions. ## At the core: the model At the very centre is the model. A model is the result of training: a huge file with billions of numbers, known as parameters. An LLM, a large language model, is one kind of model. It was trained on a vast amount of text and predicts, piece by piece, how a text continues. GPT, Claude, Gemini or the Swiss model Apertus are such language models. The model sits at the core. An LLM is one kind of model, not a separate layer.
Apertus shows how large such models are: EPFL, ETH Zurich and the Swiss National Supercomputing Centre CSCS released it in 2025 in two sizes, with 8 and 70 billion parameters. The “pieces” mentioned in the video are called tokens: words, parts of words or punctuation marks. The video deliberately says “piece” rather than “word”, because a model doesn't work word by word. Why this prediction can sound fluent and still be wrong is the subject of the post [AI doesn't lie. It guesses.](/en/blog/why-ai-hallucinates/) ## The first shell: the chat On its own, a model does nothing. It needs a shell through which you can use it. The first shell is the chat: an input field, a history, maybe a few files. You ask, the model answers. A well-known name makes the difference tangible: ChatGPT is the chat, and the model inside it is called GPT. So when a colleague says “ChatGPT” got something wrong, it's worth asking whether they mean the model's answer or a feature of the interface. ## The second shell: the agent The agent gives the model a goal and tools: searching the web, opening files, running programs. And it lets the model work in a loop: plan, act, check, continue, until the task is done. The agent gives the model a goal and tools and lets it work in a loop.
In a 2024 guide, Anthropic describes agents as systems in which the language model directs its own process and tool use. The guide distinguishes them from workflows, where predefined code decides when the model uses which tool. It also names the downside: agents cost more, and errors can compound over several steps. It therefore recommends extensive testing in sandboxed environments and appropriate guardrails. ## The lines are blurring Many chats can now search the web. Then they already work a little like an agent: the model decides for itself whether and what to search for, and works the results into its answer. The picture of layers is therefore not a sharp division but a way to get your bearings. The further out, the more the AI does on its own. ## What this means for teaching The line to remember from the video sums up the picture: the model computes, the chat answers, the agent acts. The model computes, the chat answers, the agent acts.
For course leaders, this leads to two practical points: **Say exactly what you mean.** If you set rules for AI in your course, make clear whether you mean a chat or also tools that search, edit files or run programs on their own. **Look more closely the more the AI does on its own.** With a chat answer, you check a text. With an agent, you also check which steps it took, which sources it opened and what it changed. That's my own view; it fits Anthropic's warning about compounding errors and the need for testing and guardrails. How an AI assistant works with your own documents, and what the language model really sees, is explained in [RAG explained: your AI never read the handbook](/en/blog/rag-what-the-llm-sees/). ## My suggestion In your next training session, draw three nested circles on a flip chart: model, chat, agent. Ask participants to write the AI tools they know or use on sticky notes and place each one in a circle. The borderline cases are the interesting ones, such as a chat with web search. Ask there: what does the tool do on its own, and what do I need to check afterwards? If you keep the layers apart, you know where to look more closely. ## Frequently asked questions ### What is the difference between ChatGPT and GPT? ChatGPT is the chat, the interface with an input field and a history. GPT is the language model inside it that computes the answers. ### What is an LLM? A large language model (LLM) is an AI model trained on a vast amount of text that predicts, piece by piece (strictly speaking, token by token), how a text continues. Examples include GPT, Claude, Gemini and the Swiss model Apertus. ### What is an AI agent? An AI agent gives a language model a goal and tools, such as web search, files or programs, and lets it plan, act and check in a loop until the task is done. Anthropic describes agents as systems in which the model directs its own process and tool use. ## Video transcript Model, LLM, chat, agent. Four terms, one picture. These four words often get mixed up. Yet they fit together quite simply: like layers, one around the other. At the very center is the model. A model is the result of training: a huge file with billions of numbers. An LLM, a large language model, is one kind of model. It was trained on a vast amount of text and predicts, piece by piece, how a text continues. GPT, Claude, Gemini or the Swiss model Apertus are such language models. On its own, a model does nothing. It needs a shell. The first shell is the chat: an input field, a history, maybe a few files. You ask, the model answers. One example: ChatGPT is the chat. The model inside is called GPT. The second shell is the agent. It gives the model a goal and tools: searching, opening files, running programs. And it lets the model work in a loop: plan, act, check, continue. Until the task is done. The lines are blurring. Many chats can now search the web. Then they already work a little like an agent. Remember: the model computes, the chat answers, the agent acts. And the more an AI does on its own, the closer you need to look. ## Sources - [ETH Zurich: Apertus, a fully open, transparent, multilingual language model (2025)](https://ethz.ch/en/news-and-events/eth-news/news/2025/09/press-release-apertus-a-fully-open-transparent-multilingual-language-model.html) - [Kalai et al.: Why Language Models Hallucinate (2025)](https://arxiv.org/abs/2509.04664) - [Anthropic: Building effective agents (2024)](https://www.anthropic.com/engineering/building-effective-agents) --- # RAG explained: your AI never read the handbook URL: https://ricoeberle.ch/en/blog/rag-what-the-llm-sees/ Sprache: en · Datum: 2026-10-01 · Thema: E-learning & AI · Autor: Rico Eberle > How AI assistants work with your own documents, what the language model really sees, and when everything belongs in the context window. Many AI assistants that work with your own documents have never read the whole handbook. They only see a few snippets of it, picked by a search. The method is called RAG. Once you understand it, you can better judge when such assistants answer reliably and when they don't. ## How RAG works RAG stands for retrieval augmented generation: text generation supported by a search. Patrick Lewis and colleagues described the method in 2020. It starts with preparation: all documents are cut into small snippets. Each snippet gets a numeric code for its meaning and goes into a database. Every question then goes through three steps: 1. **Translate the question:** your question is also turned into such a numeric code. 2. **Search:** the database looks for the snippets with the most similar code, usually just a handful. 3. **Answer:** only now does the language model come in. It gets your question and these few snippets and writes the answer from them. Preparation plus three steps per question: the language model only comes in at the end.
The video simplifies in a few places. In technical terms, the snippets are called chunks, the numeric code an embedding and the database a vector database. The embedding is also produced by a neural network, a so-called embedding model, but it isn't a language model that writes answers. Some systems also use a language model to rephrase the question or to re-rank the snippets found. And how many snippets the model gets depends on the system. ## What the language model sees The language model never sees the whole handbook, only what the search picked beforehand. If the key snippet is missing, the model has nothing to stand on. Then it guesses, or says it can't find anything. And connections across chapters easily get lost, because each snippet stands on its own. Anthropic described the problem in 2024: traditional RAG systems remove context when they split documents, which often means they fail to retrieve the relevant information. A sentence about revenue growth doesn't say on its own which company or which quarter it refers to. In Anthropic's tests, adding context to each snippet reduced such failures considerably, but didn't eliminate them. ## The alternative: everything in the context window The context window is everything a model can take into account when answering, a kind of working memory. According to Anthropic, current Claude models hold a million tokens. Tokens are the pieces a language model breaks text into: words, parts of words or punctuation marks. How many pages that is depends on the text. Anthropic equates 200,000 tokens with about 500 pages; scaled up, a million tokens comes to around 2,500 pages. That's a rough guide, not an exact conversion. If you put everything in directly, the model really has it all in front of it. Studies show that this is often better. In 2024, Zhuowan Li and colleagues compared both approaches on several public datasets: given enough resources, long-context models performed better on average than RAG. Anthropic, too, recommends simply including the entire knowledge base in the prompt if it is smaller than 200,000 tokens. ## The downside of a large window The large window has three limits: - **It only scales up to the limit of the window.** A whole library won't fit. - **Every question costs more and takes longer.** Billing is per input token, and all the material goes in with every question. Prompt caching lowers the cost, but not to the level of RAG. - **The fuller the window, the more likely the model misses details.** In 2023, Nelson Liu and colleagues showed that models make worse use of information in the middle of a long text than at the beginning or end (“lost in the middle”). In 2025, Chroma tested eighteen models and found that performance drops as input grows, even on simple tasks. Anthropic's own documentation calls this “context rot”. Both approaches have strengths: RAG is cheap and fast, the full window runs into limits.
RAG, on the other hand, has real advantages: it is cheap and fast. And because it is known which snippets were used, it can show where an answer comes from. Lewis and colleagues already named the lack of provenance as a weakness of language models without retrieval. ## The rule of thumb If it fits in the window, put it all in. If it's a whole library, you need RAG. Or an agent that searches on its own. The rule of thumb from the video: the window, RAG or a searching agent.
An agent doesn't pick snippets in advance. It searches with tools itself, checks what it finds and keeps searching if needed. Boris Cherny from the team behind Claude Code wrote in 2026 that early versions of the tool used RAG with a local vector database, but that agentic search generally works better and is simpler. ## What this means for continuing education If you use AI assistants for your own material, such as course dossiers or regulations, there are three things to take away: **Check answers against the source.** If an assistant shows which document an answer comes from, it's worth taking a look. That is one of RAG's strengths. **“Nothing found” doesn't mean “doesn't exist”.** The search may simply have missed the right snippet. Try asking again with different words. **Be careful with questions that span several chapters.** Comparisons, summaries of entire documents or contradictions between sections easily get lost with RAG. If the document fits in the window, it is often better to provide all of it. What exactly separates a model, a language model, a chat and an agent is explained in [Model, LLM, chat, agent: four terms, one picture](/en/blog/model-llm-chat-agent/). ## My suggestion Test the AI assistant that you or your participants use for your own documents with three questions about a document you know well: a detail question answered in a single section, a question that links two chapters, and a question whose answer isn't in the document at all. Compare the answers with the original. You'll quickly see where the assistant is reliable, and you can go through the results with your participants. If you know what the model sees, you also know what it can't know. ## Frequently asked questions ### What is RAG (retrieval augmented generation)? RAG is a method in which a search first picks matching text snippets from documents and a language model then writes the answer from them. The model only sees the selected snippets, not the whole documents. ### Is RAG better than a large context window? Not in general. A study by Li and colleagues (2024) found that long-context models perform better on average, while RAG is significantly cheaper. Rule of thumb: if the material fits in the window, put it all in; for a whole library, you need RAG or an agent that searches on its own. ### How many pages fit into a million tokens? Around 2,500 pages. Anthropic equates 200,000 tokens with about 500 pages, so the figure is an estimate that depends on the text. ## Video transcript Your AI never read the handbook. Just a few snippets of it. Many AI assistants for your own documents use RAG, retrieval augmented generation. Sounds complicated, but the process is simple. Preparation: all documents are cut into small snippets. Each snippet gets a numeric code for its meaning and goes into a database. Now you ask a question. First: your question is also turned into such a numeric code. Second: the database looks for the snippets with the most similar code. Usually just a handful. Third: only now does the language model come in. It gets your question and these few snippets and writes the answer from them. That means: the LLM never sees the whole handbook. Only what the search picked beforehand. If the key snippet is missing, the model has nothing to stand on. Then it guesses, or says it can't find anything. And connections across chapters easily get lost. The alternative: current models like Claude hold a million tokens. That's around 2,500 pages. You put everything in directly, and the model really has it all in front of it. Studies show: that's often better. But it only scales up to the limit of the window. Every question costs more and takes longer. And the fuller the window, the more likely the model misses details. RAG, on the other hand, is cheap, fast and can show where an answer comes from. Rule of thumb: if it fits in the window, put it all in. If it's a whole library, you need RAG. Or an agent that searches on its own. ## Sources - [Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020)](https://arxiv.org/abs/2005.11401) - [Anthropic: Contextual Retrieval (2024)](https://www.anthropic.com/news/contextual-retrieval) - [Anthropic: Context windows, Claude documentation (2026)](https://platform.claude.com/docs/en/build-with-claude/context-windows) - [Li et al.: Retrieval Augmented Generation or Long-Context LLMs? A Comprehensive Study and Hybrid Approach (2024)](https://aclanthology.org/2024.emnlp-industry.66/) - [Liu et al.: Lost in the Middle: How Language Models Use Long Contexts (2023)](https://arxiv.org/abs/2307.03172) - [Hong, Troynikov & Huber (Chroma): Context Rot (2025)](https://www.trychroma.com/research/context-rot) - [Boris Cherny: Post on X about search in Claude Code (2026)](https://x.com/bcherny/status/2017824286489383315) - [Anthropic: Building effective agents (2024)](https://www.anthropic.com/engineering/building-effective-agents) --- # Three time sinks you can hand over to AI URL: https://ricoeberle.ch/en/blog/three-time-sinks-for-teachers/ Sprache: en · Datum: 2026-09-29 · Thema: E-learning & AI · Autor: Rico Eberle > What a randomised trial in England measured about AI in lesson preparation, which three tasks you can hand over as drafts, and where the boundary stays. When people talk about AI in schools, the conversation often turns to exams and homework. Less often does it turn to the question many teachers face on a Sunday evening: how do I get through all this preparation? On that question, there is now a solid measurement. ## What the trial measured In 2024, the Education Endowment Foundation (EEF) ran a trial in England with 259 teachers from 68 schools, evaluated by the research institute NFER. Schools were randomly assigned to two groups: one used ChatGPT for lesson preparation, the other prepared without AI. With ChatGPT, teachers spent 31 percent less time on lesson preparation, with no drop in quality.
The result: the ChatGPT group spent an average of 56.2 instead of 81.5 minutes a week, a little over 25 minutes or 31 percent less. An expert panel rated the materials from both groups without knowing where they came from. It found no difference in quality. ## What the trial doesn't tell you The trial looked at secondary school science (Years 7 and 8 in the English system), and the teachers had a guide on how to use the tool. Whether the figure carries over to other subjects, other age groups or use without guidance is not something the trial answers. The three time sinks below don't come from the trial either. They are my recommendation for where the same idea applies: the AI delivers a draft, and the teacher turns it into something usable. Course leaders in continuing education can apply this too, for example to course announcements, messages to participants or rubrics for course assignments. The trial did not measure that. ## Three time sinks to hand over 1. **Letters to parents and announcements.** The AI writes the first draft, you adjust tone and content. 2. **Differentiation.** The same task at three levels of difficulty, or a text in plain language. 3. **Grading rubrics.** The AI suggests criteria and levels, you sharpen them. Three tasks where the AI can take on the first draft.
## The boundary stays clear The AI delivers drafts, you make the decisions. That holds for all three tasks: whatever goes out is your responsibility. And personal data stays out. The public schools of the Canton of Zurich make the same point in their guidance on AI. My tip: draft a letter to parents with placeholders such as "[name]" or "[date]" and fill them in only at the very end. The AI delivers drafts, you make the decisions, and personal data stays out.
## My suggestion to try Pick a single time sink for next week, not all three. For differentiation, for example: give the AI a task from your current teaching, without any details about your class, and ask for three versions, an easier one, the original and a more demanding one. Then check: is the content correct? Does the level suit your learners? What would you change? Make a rough note of how long it would have taken you and how long it took with a draft. After a week you will know from your own experience whether it pays off for you, rather than relying on an average from England. Time saved is time for relationships and good feedback. ## Frequently asked questions ### Does AI save teachers time on lesson preparation? In a randomised trial by the Education Endowment Foundation (2024) with 259 teachers in England, the ChatGPT group spent 31 percent less time, 56.2 instead of 81.5 minutes a week. An expert panel found no difference in the quality of the materials. ### Does the result apply to other subjects? The trial doesn't answer that. It looked at secondary school science (Years 7 and 8 in the English system), and the teachers had a guide on how to use the tool. ### Which tasks can teachers hand over to AI? The post suggests three: drafts of letters to parents and announcements, differentiation into several levels of difficulty, and suggestions for grading rubrics. The AI delivers drafts, the teacher decides, and personal data stays out. ## Video transcript How many evenings did you spend on lesson prep this week? A randomized trial in England measured it in 2024: teachers who used ChatGPT for lesson preparation needed 31 percent less time. The quality of their materials stayed the same. The trial looked at secondary school science, with a guide on using it well. Three time sinks you can hand over. First: drafts of letters to parents and announcements. The AI writes the first draft, you adjust it. Second: differentiation. The same task at three levels of difficulty, or a text in plain language. Third: grading rubrics. The AI suggests criteria and levels, you sharpen them. The boundary stays clear: the AI delivers drafts, you make the decisions. And personal data stays out. Time saved is time for relationships and good feedback. ## Sources - [EEF: ChatGPT in lesson preparation – A Teacher Choices Trial (2024)](https://educationendowmentfoundation.org.uk/projects-and-evaluation/projects/choices-in-edtech-using-generative-ai-chatgpt-for-ks3-science-lesson-preparation-2024-teacher-choices-trial) - [Tes: EEF: ChatGPT cuts lesson planning by nearly a third (12 Dec 2024)](https://www.tes.com/magazine/news/secondary/eef-chatgpt-cuts-lesson-planning-nearly-third) - [Canton of Zurich: Künstliche Intelligenz in der Volksschule (in German)](https://www.zh.ch/de/bildung/informationen-fuer-schulen/informationen-volksschule/volksschule-schulinfo-unterricht/kuenstliche-intelligenz.html) --- # Making assignments AI-robust URL: https://ricoeberle.ch/en/blog/making-assignments-ai-robust/ Sprache: en · Datum: 2026-09-26 · Thema: E-learning & AI · Autor: Rico Eberle > Banning achieves little, redesigning does: four building blocks that keep assignments demanding real thinking, even when an AI is within reach. "Summarise the text and answer the questions." An AI can finish homework like this in a few seconds. The obvious reflex is to ban AI. That's understandable, but it achieves little: what happens at home can hardly be controlled. A different question is more useful: how does an assignment need to be built so that the thinking still stays with the learners? ## The problem is the assignment, not the tool An assignment that only asks for a finished product ends up mostly checking whether a text was handed in. You can't tell from the text who wrote it. So AI-robust doesn't mean locking AI out. It means designing assignments in a way that makes real understanding visible. Four building blocks for redesigning an assignment to be AI-robust.
## Four building blocks **1. Process over product.** Assess not only the result, but also drafts, interim versions and notes. The ZHAW (Zurich University of Applied Sciences) states this explicitly in its guideline on AI in assessments: not just the end product can be graded, but also the working phase, in other words a process assessment. The ZHAW guideline also names conversations and assessing the work process.
**2. Local context.** Connect the task to your class, your town or an experience from the lesson. What your class discussed last week is something no AI knows. It isn't watertight: anyone who feeds the AI the context will still get an answer. But to do that, learners have to engage with what they experienced. **3. Oral defence.** A short conversation quickly shows whether someone understands their own text. The ZHAW guideline mentions graded oral check-ins and defences. According to Swiss broadcaster SRF, oral formats are gaining weight at Swiss universities. **4. Let learners critique AI output.** Learners check an AI answer, find mistakes and improve it. That turns AI from a shortcut into something to learn from. Building blocks 2 and 4 are my own recommendations from teaching practice. Building blocks 1 and 3 are directly backed by the ZHAW guideline. The examples come from school, but the building blocks work just as well in continuing education courses: the class becomes the course group, and the classroom becomes the training room or the participants' own workplace. ## My suggestion: redesign one assignment Take the homework from the opening and redesign it in three steps: 1. **Instead of a summary**, have an AI write one and give it to your learners with the task: mark what's missing, what's wrong and what you would weight differently. 2. **Instead of generic questions**, ask for a link to your lessons: where does the text contradict what you discussed in the last lesson? 3. **Instead of just handing it in**, have a conversation of a few minutes with some of the learners about their corrections. The notes from steps 1 and 2 count towards the grade. That puts all four building blocks into a single assignment. You control the effort yourself: you decide how many learners you talk to. ## AI-robust doesn't mean AI-free None of these building blocks bans AI. It can help with research, with wording, and can even be the subject of the assignment. What matters is that the thinking visibly stays with the learners: in the process, in the link to their own surroundings, in conversation and in critical review. AI may help, the thinking stays with the learners.
## Frequently asked questions ### How do I make assignments AI-robust? With four building blocks: assess the process, not just the product; add local context; include an oral defence; and let learners critique AI output. That way the thinking stays with the learners, even when an AI is within reach. ### Should AI be banned for homework? A ban achieves little, because what happens at home can hardly be controlled. Redesigning the assignment works better. AI-robust doesn't mean AI-free. ## Video transcript An AI solves this homework in a few seconds: summarize the text and answer the questions. Now what? Banning it achieves little. Redesigning it does. Four building blocks make tasks AI-robust. First: process over product. Assess not only the result, but also drafts, interim versions and notes. Second: local context. Connect the task to your class, your town or an experience from the lesson. No AI knows that. Third: oral defense. A short conversation quickly shows whether someone understands their own text. Fourth: let students critique AI output. They check an AI answer, find mistakes and improve it. Universities like the ZHAW in Zurich recommend exactly this: oral check-ins, a defense, and assessing the work process. AI-robust doesn't mean AI-free. It means: the thinking stays with the learners. ## Sources - [ZHAW: Richtlinie KI bei Leistungsnachweisen (guideline on AI in assessments, German, PDF)](https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf) - [SRF: Umdenken bei Hochschulen – Was sollen Studierende lernen, wenn die KI schon alles weiss? (German)](https://www.srf.ch/news/schweiz/umdenken-bei-hochschulen-was-sollen-studierende-lernen-wenn-die-ki-schon-alles-weiss) --- # Less on the slide, more room to think URL: https://ricoeberle.ch/en/blog/less-on-the-slide/ Sprache: en · Datum: 2026-09-24 · Thema: E-learning & AI · Autor: Rico Eberle > Why a full slide gets in the way while you speak, what Mayer's redundancy and coherence principles say about it, and how to declutter your next presentation. You have probably seen slides like the one in the video in training sessions, meetings and courses: a title, six bullet points, 94 words. Well meant, because everything important is on it. The catch: while you speak, your audience reads. And doing both at once works worse than we think. ## The bottleneck is working memory Cognitive load theory goes back to John Sweller. Its core idea: our working memory is tightly limited. Anything we want to understand has to pass through this bottleneck. Listening and reading at the same time sends two streams of language through the same narrow working memory.
If you listen and read a full slide at the same time, you push two streams of language through it. Mayer and Moreno described in 2003 how exactly this duplication creates an additional, unnecessary load. That costs attention, which is then missing for understanding. ## Redundancy and coherence In 2017, Richard Mayer translated the research into design guidelines for e-learning. Two of them apply directly to slides: - **Redundancy principle:** people learn better from pictures and spoken words than from pictures, spoken words and the same text on screen. Mayer puts it as a rule: do not add on-screen text to narrated graphics. - **Coherence principle:** anything that doesn't serve the learning goal distracts. So leave out extraneous material. Redundancy and coherence principles: the same text on top of the voice does not help learning.
This doesn't mean text on slides is forbidden. It means that text which only repeats what you are saying anyway doesn't help. It gets in the way. ## What about the subtitles in this video? Fair question, since the nuggets also show text alongside the voice. The redundancy principle refers to learning situations with sound, such as slides being read aloud. I still chose to use subtitles: they make a short video understandable without sound, and they help when watching in a foreign language and for people with hearing impairments. ## Three things for your next presentation 1. **One message per slide**, as a short sentence. 2. **A picture or diagram instead of bullet points.** 3. **What you say doesn't need to be on the slide.** The details belong in the handout. ## My exercise for you A suggestion you can try in half an hour: take your last presentation and find the fullest slide. Count the words. Then write the one message that should stick as a single sentence on a new slide. Think of a picture or diagram that shows this message. Everything else goes into your speaker notes or the handout. Less text on the slide leaves more capacity for understanding.
The next time you give the talk, pay attention to where your audience is looking: at you or at the screen. Less text doesn't mean less content, it means more room to think. ## Frequently asked questions ### How much text should go on a slide? The post suggests one message per slide as a short sentence, and a picture or diagram instead of bullet points. What you say doesn't need to be on the slide; the details belong in the handout. ### What is the redundancy principle? A design guideline by Richard Mayer: people learn better from pictures and spoken words than from pictures, spoken words and the same text on screen. ### What is cognitive load? Cognitive load theory goes back to John Sweller: our working memory is tightly limited. Listening while reading a full slide pushes two streams of language through it, and Mayer and Moreno (2003) describe how this duplication creates an additional, unnecessary load. ## Video transcript This slide has 94 words. How many of them will stick? Our working memory is tightly limited. If you listen and read a full slide at the same time, you are processing two streams of language at once. That costs attention, which is then missing for understanding. Research by Richard Mayer shows this again and again. People learn better from pictures and spoken words than from pictures, spoken words and the same text on the slide. That's the redundancy principle. Then there's the coherence principle: anything that doesn't serve the learning goal distracts. For your next presentation, that means three things. First: one message per slide, as a short sentence. Second: a picture or diagram instead of bullet points. Third: what you say doesn't need to be on the slide. The details belong in the handout. Less text doesn't mean less content, it means more room to think. ## Sources - [Sweller: Cognitive Load During Problem Solving: Effects on Learning, Cognitive Science (1988)](https://doi.org/10.1207/s15516709cog1202_4) - [Mayer & Moreno: Nine Ways to Reduce Cognitive Load in Multimedia Learning, Educational Psychologist (2003)](https://doi.org/10.1207/S15326985EP3801_6) - [Mayer: Using multimedia for e-learning, Journal of Computer Assisted Learning (2017)](https://onlinelibrary.wiley.com/doi/abs/10.1111/jcal.12197) --- # The data traffic light: what can go into AI? URL: https://ricoeberle.ch/en/blog/the-data-traffic-light/ Sprache: en · Datum: 2026-09-22 · Thema: E-learning & AI · Autor: Rico Eberle > Green, yellow, red: a simple traffic light helps teachers and course leaders decide which data they can put into AI tools and which they cannot. Writing a student report is quick. Finding the right words takes longer. So it is tempting to paste the text into ChatGPT and ask for better sentences. But that is exactly the problem: a student report contains a child's personal data, and that does not belong in an AI tool. In everyday school life, the decision often happens in seconds. That is where a simple traffic light helps. It is my own teaching simplification and does not replace the rules of your canton or your school. For a quick assessment, though, it usually does the job. The examples come from primary and lower secondary school; course leaders in adult and continuing education can apply the traffic light in the same way, for example to participant lists, feedback or exam results. ## Green: public and your own material Worksheets you created yourself, curriculum texts, a poem: content like this contains no personal data and can go into the AI. One side note: with texts written by others, copyright is a separate question. That is a topic of its own and has nothing to do with the traffic light. Green: your own and public material without personal data can go into the AI.
## Yellow: internal, but no link to individuals A letter to parents without names or anonymised feedback is possible, but only if nothing can be traced back to individual children. That is harder than it sounds. Even without names, the class, the place or a particular event can reveal who it is about. The Zurich school authority explicitly mentions references to names and locations, too. The Data Protection Commissioner of the Canton of Zurich recommends anonymising data, ideally before a provider can see it. Yellow: possible, but only if nothing points to individual children any more.
## Red: personal data of learners Names, grades, reports, and above all sensitive data, for example about health, do not belong in the AI. Under Zurich data protection law, health data counts as a special category of personal data. The Data Protection Commissioner also makes two points: personal data stays worth protecting even when it is public, and responsibility stays with the school, not with the AI provider. Red: learners' personal data does not belong in the AI.
## Cantonal rules: different, but pointing the same way The Zurich school authority is clear: no personal data of students, above all no special categories of personal data. Other cantons handle the details differently. The guidance from the Canton of Solothurn, for example, addresses parental consent for children under 16. The direction is the same everywhere. If your school uses its own AI solution with a vetted contract, different rules may apply. When in doubt, ask your school leadership. The school authorities' rules apply to compulsory schooling; for continuing education they are transferable, but the rules of your own institution are what count there. ## My suggestion for the student report Instead of pasting the report into the AI, ask it for general phrasing help with no link to the specific child. For example: "Give me five appreciative ways to describe progress in reading." You then put the fitting sentences into your report yourself. The report stays with you, and the AI still helps. And a small exercise: take three documents you worked on this week and assign each one a colour. Yellow deserves a second look: would a colleague at your school recognise who it is about? Then it is red. The rule of thumb to take away: if someone could tell who it is about, it doesn't belong in the AI. The video puts it more briefly, "what you wouldn't post publicly"; that means content linked to individuals (red), not internal content with no link to individuals (yellow). ## Frequently asked questions ### Can teachers put student data into ChatGPT? No. Personal data of learners such as names, grades and reports does not belong in AI tools; the Zurich school authority is clear: no personal data of students. If your school uses its own AI solution with a vetted contract, different rules may apply. ### What data can teachers put into AI tools? Public material and your own teaching material, such as worksheets, curriculum texts or a poem (green). Internal content with no link to individuals is possible, but only if nothing can be traced back to individual children or participants (yellow). ### Is removing the name enough? Often not. Even without names, the class, the place or a particular event can reveal who it is about. If a colleague at your school would recognise who it is about, it doesn't belong in the AI. ## Video transcript A teacher pastes a student report into ChatGPT to improve the wording. A problem? Yes. A big one. For data in AI tools, a simple traffic light helps. Green: public and your own teaching materials. A worksheet, a curriculum text, a poem. That can go into the AI. Yellow: internal content with no link to individuals. A letter to parents without names, anonymized feedback. Possible, but only if nothing can be traced back to individual children. Classes, places or particular events can also reveal who it's about. Red: personal data of learners. Names, grades, reports, and above all sensitive data, for example about health. That does not belong in the AI. The Zurich school authority, for example, puts it clearly: no personal data of students. Rules differ from canton to canton, but the direction is the same. The rule of thumb: what you wouldn't post publicly doesn't belong in the AI. ## Sources - [Volksschulamt Kanton Zürich: Künstliche Intelligenz in der Volksschule (German)](https://www.zh.ch/de/bildung/informationen-fuer-schulen/informationen-volksschule/volksschule-schulinfo-unterricht/kuenstliche-intelligenz.html) - [Data Protection Commissioner of the Canton of Zurich: Einsatz von KI in Schulen, Annual Report 2023 (German)](https://www.datenschutz.ch/tb/2023/einsatz-von-ki-in-schulen) - [Canton of Solothurn: Handreichung KI-Anwendungen (PDF, German)](https://so.ch/fileadmin/internet/dbk/dbk-vsa/Schulbetrieb_und_Unterricht/Informatische_Bildung/Handreichung_KI-Anwendungen_und_Kriterienkatalog/Handreichung_KI-Anwendungen.pdf) --- # Online is not the same as online URL: https://ricoeberle.ch/en/blog/online-is-not-the-same-as-online/ Sprache: en · Datum: 2026-09-19 · Thema: E-learning & AI · Autor: Rico Eberle > Why "classroom or online?" is the wrong question, and how three dimensions help you describe digital learning offers honestly and choose the one that fits. "This course is also available online." It sounds like a clear answer, yet it tells you surprisingly little. It might mean a live lesson in a video call, a classroom course backed by a digital learning platform, or a learning path you work through entirely on your own. All three carry the same label. For learners, they feel completely different. ## Why "classroom or online?" falls short The usual question only looks at location. But location is not what defines a learning offer from a teaching perspective. Teaching with fixed times is still a timetable, even in a video call. Learners save the commute, but the school still decides when and at what pace they learn. Three very different offerings, all with the same “online” label.
## Three dimensions instead of one That is why I describe learning offers along three dimensions: 1. **Flexibility:** Who decides place, time and pace? 2. **Guidance and commitment:** How much does the school structure and accompany learning? 3. **Self-regulation:** How much planning and stamina does the model demand from learners? Together they give four types: the online classroom, the school with a digital learning ecosystem, the digital self-study model, and the modular system that offers several formats side by side. The typology is a conceptual model for commercial continuing education, not a rating of individual schools. These dimensions did not come out of nowhere. The Community of Inquiry model by Garrison, Anderson and Archer (2000) describes, alongside social and cognitive presence, a teaching presence in online learning: the way teachers design and guide the learning process. That is close to my second dimension. ## Flexibility comes at a price More flexibility shifts responsibility to the learners. If you choose your own place, time and pace, you also have to plan, keep going and track your own progress. A review by Broadbent and Poon (2015) found that such self-regulation strategies, time management among them, are linked to achievement in online learning. The more flexible the format, the more responsibility shifts to the learners.
So the most flexible model is not automatically the best. What matters is the fit with the target group. ## An exercise for your team Here is my suggestion for your next team meeting: take one of your own courses and rate it on the three dimensions, from "low" to "high". Then ask three questions: - **Is the description accurate?** Would someone from the target group place the course the same way based on the brochure? - **Does the demand for self-regulation match the target group?** People learning alongside work and family may want flexibility, but also clear milestones. - **Where is support missing?** If you offer a lot of flexibility, what do you give learners so they can handle it? The better question: which balance fits which target group?
The answers usually lead to the real question: do we need more flexible offers, or better support for handling flexibility? Not classroom or online, but the balance of flexibility, guidance and self-responsibility that fits your learners. ## Frequently asked questions ### What does "online" mean for a course? The label says little: it can mean a live lesson in a video call, a classroom course backed by a digital learning platform, or a learning path you work through on your own. For learners, these feel completely different. ### How do I choose the right learning format? Instead of asking "classroom or online?", look at three dimensions: flexibility, guidance and commitment, and self-regulation. What matters is the fit with the target group; the most flexible model is not automatically the best. ### Why does self-regulation matter in online learning? More flexibility shifts responsibility to learners: they have to plan, keep going and track their own progress. A review by Broadbent and Poon (2015) found that self-regulation strategies such as time management are linked to achievement in online learning. ## Video transcript Online is not the same as online. A live lesson over Zoom, a digitally supported classroom course and a self-paced learning path often carry the same label. In terms of teaching, they are worlds apart. So the question classroom or online falls short. Teaching with fixed times is still a timetable in a video call. You only save the commute. That's why I look at three dimensions. First: flexibility. Who decides place, time and pace? Second: guidance and commitment. How much does the school structure and accompany learning? Third: self-regulation. How much planning and stamina does the model demand from learners? This gives four types. The online classroom: flexible in place, otherwise traditional. The school with a digital learning ecosystem: structure and flexibility together. The digital self-study model: very flexible, but demanding. And the modular system that offers several formats side by side. More flexibility shifts responsibility to the learners. So the most flexible model is not automatically the best. What matters is the fit with the target group. So the question is not: classroom or online? It's: which balance of flexibility, guidance and self-responsibility fits whom? Do we need more flexible offers, or better support for handling flexibility? ## Sources - [Garrison, Anderson & Archer: Critical Inquiry in a Text-Based Environment (2000)](https://doi.org/10.1016/S1096-7516(00)00016-6) - [Broadbent & Poon: Self-regulated learning strategies & academic achievement in online higher education learning environments (2015)](https://doi.org/10.1016/j.iheduc.2015.04.007) --- # Learning isn't an event. It's a rhythm. URL: https://ricoeberle.ch/en/blog/the-forgetting-curve/ Sprache: en · Datum: 2026-09-17 · Thema: E-learning & AI · Autor: Rico Eberle > What Ebbinghaus found out about forgetting in 1885, why every repetition changes the forgetting curve, and how to build moments of recall into your courses. When we plan a course, we tend to focus on the moment of teaching: good slides, a clear explanation, a fitting exercise. What happens to the material afterwards is often left to chance. Yet it is exactly this afterwards that decides how much sticks. Hermann Ebbinghaus showed this as early as 1885. ## A self-experiment with nonsense syllables Ebbinghaus was both experimenter and subject. He memorised lists of nonsense syllables and tested how much remained after intervals ranging from 20 minutes to 31 days. His measure was the savings method: how much less effort does it take to learn a list again? The result is the forgetting curve. It drops steeply at first and then levels off. In 2015, Murre and Dros repeated the experiment, again with a single subject, over roughly 70 hours. Their results were similar to Ebbinghaus' original data. ## What the curve doesn't tell you Be careful with precise percentages that circulate online, such as how much you supposedly forget after a week. Ebbinghaus' figures apply to nonsense syllables in a self-experiment and don't transfer neatly to course content. That's why the video shows the curve as a schematic, without measured values. Schematic: meaningful material is retained better than nonsense syllables.
Meaningful material is retained better. Ebbinghaus himself found that stanzas from Byron's "Don Juan" needed only a fraction of the repetitions. But the principle holds: without repetition, meaningful material fades too. ## Repetition changes the curve The good news comes from Ebbinghaus as well. When he relearned the same list on several days, his savings grew. Put simply: every repetition pulls the curve back up, and afterwards it falls more gently than before. Each repetition pulls the curve back up, and afterwards it falls more gently.
Current learning research points the same way. In 2013, Dunlosky and colleagues rated common learning techniques by how useful they are. Distributed practice and practice testing came out on top, while rereading was rated low. As Dunlosky puts it, almost any kind of practice test helps. ## Three things for your courses 1. **Plan repetition**, spaced over days and weeks, instead of cramming everything into one day. 2. **Test instead of rereading.** Actively recalling something sticks better than going over the text again. 3. **Build in short moments of recall**, for example a quiz at the start of the next lesson. ## My suggestion for your next lesson Open the lesson with three to five short questions: two on the previous lesson, one on a topic from a few weeks back. No grades, and the answers follow straight away. It takes a few minutes and combines exactly the two techniques that scored best in Dunlosky's review: testing and spacing. Repetition works as a rhythm, not as a one-off event.
And an exercise for you as the course designer: take your current course plan and mark, for every key topic, when it comes up a second time after it was first taught. Wherever there is no mark, the course is quietly planning for forgetting. Learning is not a one-time event. It's a rhythm. ## Frequently asked questions ### What is the forgetting curve? The forgetting curve describes how quickly learned material fades without repetition. Hermann Ebbinghaus measured it in 1885 in a self-experiment with nonsense syllables: it drops steeply at first and then levels off. ### How much do we forget after a week? There is no universal percentage. Ebbinghaus' figures apply to nonsense syllables in a self-experiment and don't transfer neatly to course content; meaningful material is retained better. ### How can you slow down forgetting? Through repetition: every repetition pulls the curve back up, and afterwards it falls more gently. In the review by Dunlosky and colleagues (2013), distributed practice and practice testing came out on top, while rereading was rated low. ## Video transcript In 1885, Hermann Ebbinghaus measured on himself how quickly we forget. The result is uncomfortable: without repetition, what we learn is gone surprisingly fast. Ebbinghaus learned lists of nonsense syllables and tested how much remained after hours and days. The curve drops steeply at first and then levels off. Researchers repeated the experiment in 2015 and found the same shape. We retain meaningful material better, but the principle holds. The good news: every repetition pulls the curve back up. And afterwards it falls more gently than before. For courses, that means three things. First: plan repetition, spaced over days and weeks, instead of everything in one day. Second: test instead of rereading. Actively recalling something sticks better than going over the text again. Third: build in short moments of recall, for example a quiz at the start of the next lesson. Learning is not a one-time event, it's a rhythm. ## Sources - [Ebbinghaus: Memory, Chapter 7 (1885, English translation)](https://psychclassics.yorku.ca/Ebbinghaus/memory7.htm) - [Ebbinghaus: Memory, Chapter 8 (1885, English translation)](https://psychclassics.yorku.ca/Ebbinghaus/memory8.htm) - [Murre & Dros: Replication and Analysis of Ebbinghaus’ Forgetting Curve, PLOS ONE (2015)](https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0120644) - [Dunlosky et al.: Improving Students’ Learning With Effective Learning Techniques, PSPI (2013)](https://journals.sagepub.com/doi/10.1177/1529100612453266) - [Dunlosky: Strengthening the Student Toolbox, American Educator (2013)](https://www.aft.org/ae/fall2013/dunlosky) --- # AI detectors are not proof URL: https://ricoeberle.ch/en/blog/ai-detectors-are-not-proof/ Sprache: en · Datum: 2026-09-15 · Thema: E-learning & AI · Autor: Rico Eberle > Why even a one percent false alarm rate hits many honest students, what research shows about AI detectors, and what works better in the classroom. Ever since language models started writing entire essays, schools have been looking for a tool that settles the question at the push of a button: was this written by AI? Detector vendors promise exactly that, often backed by impressive percentages. The trouble is not only that those numbers rarely hold up in practice. It starts with the maths itself. ## One percent sounds small until you scale it Say a detector is right 99 percent of the time. Your school runs 1000 essays through it, and every single one was written honestly. A one percent false alarm rate then means ten students fall under suspicion, even though they did nothing wrong. Even at 99 percent accuracy, ten out of 1000 honest essays come under suspicion.
The key point: false alarms grow with volume. The more texts you check, the more innocent students get flagged, even if the percentage stays the same. Each case is a difficult conversation with trust at stake. And 99 percent is a deliberately optimistic figure. ## What the research shows Real-world results are considerably worse. In 2023, a research team led by Weber-Wulff tested fourteen detection tools. Their verdict: the tools are neither accurate nor reliable. Three research findings on AI detectors.
A second study, by Liang and colleagues, points to a fairness problem. English texts by people writing in a language that isn't their first are flagged as AI especially often. The study looked at English essays, including TOEFL essays; it says nothing about other languages. The researchers suggest that detectors may unintentionally penalise writers with more constrained linguistic expression, and they explicitly caution against using these tools in evaluative or educational settings. Even OpenAI, the company behind ChatGPT, shut down its own detector in July 2023, citing its low rate of accuracy. ## What works better A detector result is not proof. At most, it is a reason to look more closely. In everyday teaching, these three recommendations from the video go further: 1. **Make the writing process visible.** Drafts, notes and intermediate versions become part of the submission. Students who developed a text themselves can show how they got there. 2. **Talk with the student about the text.** Not as an interrogation, but as part of the assessment: Why this structure? What was hard? 3. **Design tasks that require their own thinking.** For example, by connecting them to your own lessons, personal experience or a decision that has to be justified. Three approaches that achieve more than a detector score.
## An exercise for your staff meeting My suggestion: estimate together how many written assignments are handed in at your school each semester. Then apply a one percent false alarm rate, the optimistic figure. The number you get is how many conversations you would have to have with honest students. After that, ask a better question: which tasks in our own teaching would make a detector unnecessary? Trust doesn't come from software. It comes from good tasks. ## Frequently asked questions ### How reliable are AI detectors? Not very. In 2023, a research team led by Weber-Wulff tested fourteen detection tools and concluded that they are neither accurate nor reliable. OpenAI shut down its own detector in July 2023, citing its low rate of accuracy. ### Is an AI detector result proof? No, at most it is a reason to look more closely. Even at an optimistic 99 percent accuracy, ten out of 1000 honestly written essays would be flagged wrongly. ### Are AI detectors biased against non-native writers? For English, yes: according to a study by Liang and colleagues (2023), English texts by people writing in a language that isn't their first are flagged as AI especially often. The study did not look at other languages. The researchers caution against using these tools in evaluative or educational settings. ## Video transcript 99 percent accuracy. Sounds like a reliable AI detector. Let's do the math. A school checks 1000 essays, all of them written honestly. A one percent false alarm rate means: ten students fall under suspicion, even though they did nothing wrong. Ten difficult conversations, ten times damaged trust. And that's a worked example with a very optimistic number. Because in practice, the detectors are much worse. A 2023 study tested fourteen tools. Its conclusion: neither accurate nor reliable. Another study showed: texts by people writing in a language that isn't their first are flagged as AI especially often. And OpenAI shut down its own detector, citing low accuracy. So a detector result is not proof. What helps instead: make the writing process visible, with drafts and notes. Talk with the student about the text. And design tasks that require their own thinking. Trust doesn't come from software, it comes from good tasks. ## Sources - [Weber-Wulff et al.: Testing of detection tools for AI-generated text, International Journal for Educational Integrity (2023)](https://link.springer.com/article/10.1007/s40979-023-00146-z) - [Liang et al.: GPT detectors are biased against non-native English writers, Patterns (2023)](https://arxiv.org/abs/2304.02819) - [OpenAI: New AI classifier for indicating AI-written text (2023, discontinued)](https://openai.com/index/new-ai-classifier-for-indicating-ai-written-text/) --- # AI doesn't lie. It guesses. URL: https://ricoeberle.ch/en/blog/why-ai-hallucinates/ Sprache: en · Datum: 2026-09-12 · Thema: E-learning & AI · Autor: Rico Eberle > Why language models make things up, why they sound so sure while doing it, and three questions that help learners spot invented answers. Anyone who works with AI tools knows the moment: the answer is fluent, well structured and sounds competent. And yet it is wrong. A source that does not exist. A year that is slightly off. A quote nobody ever said. This is called hallucination. The word suggests a malfunction. In fact, it follows directly from how language models work. ## A language model knows probabilities, not truth A language model does not look things up. Put simply, it calculates which word is most likely to come next, word by word. Because it was trained on enormous amounts of text, the most likely word is very often the right one. The most likely word is not always the right one: Sydney instead of Canberra.
When the model does not know something, that process does not change. It still picks the most likely next word. The result is a sentence that sounds just as confident as a correct answer. Hesitation, a "maybe" or a hint of uncertainty does not appear on its own. ## Why the AI doesn't simply say "I don't know" In 2025, OpenAI published an explanation, together with a research paper. The core idea: language models are scored much like students on a multiple-choice test. If you guess, you sometimes get points. If you leave it blank, you certainly get none. As in a multiple-choice exam, guessing earns more points on average than staying silent.
When scoring rewards guessing and penalises restraint, a model learns exactly that: guessing pays off. Hallucination is therefore also a result of how models are measured and improved. ## What this means for teaching The key insight for learners: **a confident tone says nothing about accuracy.** An AI answer is a draft, not a reference work. Three checks for every AI answer.
Three questions help in everyday use: 1. **Can I find this in a second, independent source?** Not in a second AI, but in a source that is itself backed up. 2. **Can names, numbers and quotes be verified?** These details are especially vulnerable because they have to sound plausible but should be exact. 3. **What happens if I ask the same question differently?** If the answer changes with a slightly different wording, that is a warning sign. ## An exercise for your next lesson Have learners work in groups and ask an AI about a topic they already know well. Each group uses the three questions to find a statement that is wrong and backs up the error with a source. The debrief usually shows quickly how convincing wrong answers can be. And it turns distrust into a technique that can be practised. AI is not an encyclopaedia, it's a very good guesser. Knowing that is what makes it useful. ## Frequently asked questions ### Why does AI hallucinate? A language model calculates, word by word, which word is most likely to come next. When it doesn't know something, it still picks the most likely word, and the result sounds just as confident as a correct answer. ### Why doesn't AI just say "I don't know"? According to an explanation OpenAI published in 2025, language models are scored much like students on a multiple-choice test: guessing sometimes earns points, leaving it blank certainly earns none. So a model learns that guessing pays off. ### How can you spot invented AI answers? Three questions help: can I find this in a second, independent source? Can names, numbers and quotes be verified? What happens if I ask the same question differently? ## Video transcript AI doesn't lie. It guesses. And it always sounds sure of itself. A language model doesn't know what's true. It calculates which word is most likely to come next. Word by word. Most of the time, that produces a correct sentence. But when the model doesn't know something, it still picks the most likely next word. And that sounds just as convincing as a correct answer. So why doesn't the AI simply say: I don't know? OpenAI published an explanation in 2025. Models are scored much like students on a multiple-choice test. If you guess, you sometimes get points. If you leave it blank, you certainly get none. So the model learns: guessing pays off. For teaching, that means: a confident tone says nothing about accuracy. Give your learners three questions to check. First: can I find this in a second, independent source? Second: can names, numbers and quotes be verified? Third: what happens if I ask the same question differently? AI is not an encyclopedia, it's a very good guesser. ## Sources - [OpenAI: Why language models hallucinate (2025)](https://openai.com/index/why-language-models-hallucinate/) - [Kalai et al.: Why Language Models Hallucinate (2025)](https://arxiv.org/abs/2509.04664) --- # The 4 Ds: turning an AI tool into a competence URL: https://ricoeberle.ch/en/blog/the-four-ds-of-ai-fluency/ Sprache: en · Datum: 2026-09-03 · Thema: E-learning & AI · Autor: Rico Eberle > Delegation, Description, Discernment, Diligence: four questions to ask yourself before, during and after every use of AI in the classroom. AI can write you an entire exam in ten seconds. Impressive, but it leaves the more important question open: should you use it as is? Many of us work with AI on the principle of hope. Prompt in, result out, done. That saves time, right up until the first wrong answer key is in circulation. What's missing is rarely a better tool. It's a competency model: a shared idea of what good work with AI actually looks like. One such model is the four Ds. ## Where the four Ds come from The four Ds are part of the AI Fluency Framework by Rick Dakan (Ringling College of Art and Design) and Joseph Feller (University College Cork), developed in collaboration with Anthropic. The framework describes AI fluency as the ability to work with AI effectively, efficiently, ethically and safely. It comes with free courses, including courses for educators. The four Ds accompany every use of AI: before, during and after.
## The four Ds at a glance **Delegation: hand over consciously.** Decide what the AI takes over and what stays with you. Having it suggest practice questions for a text? Sure. Grading a final thesis stays with you. Delegation: the AI may suggest practice questions, grading a final thesis stays with you.
**Description: describe clearly.** The AI doesn't know your class. Tell it who is learning, what the goal is and what the result should look like. The clearer the brief, the more useful the answer. **Discernment: check critically.** Is the content right? Is the level right? AI doesn't become dangerous when it's often wrong. It becomes dangerous when it's almost always right and we stop checking. **Diligence: take responsibility.** You are responsible for what you use. That means no personal data of learners in third-party tools, and being open about where AI was involved. ## A worked example: questions on a factual text Here is the example from the video, played through all four Ds. How each step is filled in is my suggestion: - **Delegation:** the AI drafts practice questions. You decide which ones make it into the lesson. - **Description:** "Upper secondary, year 2, second-language learners. Goal: identify the arguments in a factual text. Result: five questions with an answer key, one page maximum." - **Discernment:** you go through every answer in the key. Is it correct? Does the language suit this class? - **Diligence:** the brief contains no names or data about your learners, and the worksheet states that the questions were created with AI support. A clear brief names the learners, the learning goal and the expected result.
## An exercise for you My suggestion for your next planning session: take the last piece of material you created with AI and run it through four questions. 1. **What did I hand over?** Should any of it have stayed with me? 2. **Did the AI know enough?** Who is learning, what is the goal, what should the result look like? 3. **Did I check, or just skim?** Content and level, line by line. 4. **Where does my responsibility lie?** Did learner data end up in the tool? Is it clear where AI was involved? The D that makes you hesitate longest is usually the one worth practising. Four questions before, during and after every use of AI. That's how a tool becomes a competence, for you and for your learners. ## Frequently asked questions ### What is AI fluency? The AI Fluency Framework by Rick Dakan and Joseph Feller, developed in collaboration with Anthropic, describes it as the ability to work with AI effectively, efficiently, ethically and safely. The four Ds are part of it. ### What are the four Ds? Delegation means handing over consciously, Description describing clearly, Discernment checking critically and Diligence taking responsibility. Diligence includes keeping personal data of learners out of third-party tools and being open about where AI was involved. ## Video transcript AI can write you an entire exam in ten seconds. The only question is: should you use it as is? Many of us work with AI on the principle of hope. Prompt in, result out, done. That saves time, until the first wrong answer key is in circulation. What's missing isn't a better tool, but a competency model. One of them is called: the four Ds. The first D: Delegation. Decide consciously what the AI takes over and what stays with you. Suggesting practice questions for a text? Sure. Grading a final thesis? That stays with you. The second D: Description. The AI doesn't know your class. Tell it who is learning, what the goal is and what the result should look like. The clearer the brief, the more useful the answer. The third D: Discernment. Check every result critically. Is the content right? Is the level right? AI doesn't become dangerous when it's often wrong, but when it's almost always right and we stop checking. The fourth D: Diligence. You are responsible for what you use. That means: no personal data of learners in third-party tools. And disclose where AI was involved. Delegation, Description, Discernment, Diligence. Four questions to ask yourself before, during and after every use of AI. That's how a tool becomes a competence, for you and for your learners. ## Sources - [AI Fluency Framework (Rick Dakan, Joseph Feller, with Anthropic)](https://aifluencyframework.org/) --- # Glossar URL: https://ricoeberle.ch/glossar/ - **3-2-1-Regel** (https://ricoeberle.ch/glossar/#3-2-1-regel): Faustregel des Bundesamts für Cybersicherheit BACS für die Datensicherung: drei Kopien der Daten (das Original und zwei Sicherungskopien), auf zwei unterschiedlichen Speichermedien, davon eine an einem externen Ort. Für diese externe Kopie empfiehlt das BACS, sie offline aufzubewahren und das Medium nach dem Backup wieder zu trennen. - **Abrufübung** (https://ricoeberle.ch/glossar/#abrufuebung): Lernen durch aktives Erinnern statt durch erneutes Lesen, zum Beispiel mit kurzen Fragen oder einem Quiz zu Beginn der nächsten Lektion. In der Übersicht von Dunlosky und Kollegen (2013) erhielt das Abfragen zusammen mit verteiltem Üben die beste Bewertung, erneutes Lesen eine tiefe. - **AI Fluency und die vier D** (https://ricoeberle.ch/glossar/#ai-fluency): Das AI Fluency Framework von Rick Dakan und Joseph Feller, entwickelt in Zusammenarbeit mit Anthropic, versteht AI Fluency als die Fähigkeit, wirksam, effizient, ethisch und sicher mit KI zu arbeiten. Die vier D daraus sind Delegation (bewusst übergeben), Description (klar beschreiben), Discernment (kritisch prüfen) und Diligence (Verantwortung tragen). - **Chat (KI-Chat)** (https://ricoeberle.ch/glossar/#ki-chat): Die einfachste Hülle um ein Sprachmodell: ein Eingabefeld, ein Verlauf, vielleicht ein paar Dateien. Man fragt, das Modell antwortet. ChatGPT ist zum Beispiel der Chat, das Modell darin heisst GPT. Viele Chats können heute auch im Web suchen und arbeiten dann schon ein Stück wie ein Agent. - **CLOUD Act** (https://ricoeberle.ch/glossar/#cloud-act): US-Gesetz, im März 2018 unterzeichnet. Danach müssen Anbieter bei Ermittlungen der Strafverfolgung Daten herausgeben, die sie besitzen, verwahren oder kontrollieren, unabhängig davon, ob die Daten in den USA oder im Ausland liegen. Für die Frage, wer auf Daten zugreifen kann, zählt deshalb neben dem Speicherort auch der Sitz des Anbieters. - **Daten-Ampel** (https://ricoeberle.ch/glossar/#daten-ampel): Didaktische Vereinfachung für die Frage, welche Daten Lehrpersonen und Kursleitende in KI-Tools eingeben: Grün für öffentliches und eigenes Unterrichtsmaterial, Gelb für interne Inhalte ohne Personenbezug, Rot für Personendaten von Lernenden. Sie ersetzt nicht die Vorgaben des Kantons oder der Schule. - **Digitale Souveränität** (https://ricoeberle.ch/glossar/#digitale-souveraenitaet): Der Bundesrat beschreibt sie in seinem Bericht vom November 2025 als «die erforderliche Kontroll- und Handlungsfähigkeit des Staates im digitalen Raum» und hält fest, dass der Begriff unterschiedlich verstanden wird. Der Beitrag beschreibt sie als Skala statt als Schalter, mit vier Reglern: Daten, Software, Infrastruktur und Kompetenz. - **E-ID** (https://ricoeberle.ch/glossar/#e-id): Staatlicher elektronischer Ausweis der Schweiz in der App swiyu, freiwillig und kostenlos. Die Daten liegen nur auf dem eigenen Smartphone, weitergegeben wird nur, was nötig ist. Ursprünglich war der Start für Ende 2026 geplant. Laut Bundesamt für Justiz steht die Vertrauensinfrastruktur voraussichtlich im ersten Halbjahr 2027 bereit; ein genaues Startdatum für die E-ID selbst war beim Stand des Beitrags (1. Oktober 2026) offen. - **Embedding** (https://ricoeberle.ch/glossar/#embedding): Ein Zahlencode für die Bedeutung eines Textstücks, berechnet von einem eigenen neuronalen Modell, dem Embedding-Modell. Bei RAG bekommen jeder Schnipsel und auch die Frage ein Embedding; gesucht werden die Schnipsel mit dem ähnlichsten Code. Das Embedding-Modell formuliert selbst keine Antworten. - **Gemischtes Üben (Interleaving)** (https://ricoeberle.ch/glossar/#gemischtes-ueben): Üben, bei dem verschiedene Aufgabentypen durcheinander statt nacheinander in Blöcken kommen. In einer Studie von Rohrer und Taylor (2007) löste die gemischte Gruppe eine Woche später 63 Prozent der Testaufgaben richtig, die geblockte 20 Prozent, obwohl diese beim Üben vorne lag. Es fühlt sich schwerer an, weil man bei jeder Aufgabe zuerst erkennen muss, welches Verfahren passt. - **Halluzination (KI)** (https://ricoeberle.ch/glossar/#halluzination): Eine flüssig formulierte, aber falsche Antwort eines Sprachmodells, etwa eine erfundene Quelle oder ein Zitat, das nie gesagt wurde. Sie entsteht, weil ein Sprachmodell Wort für Wort das wahrscheinlichste nächste Wort berechnet, auch wenn es etwas nicht weiss. Laut OpenAI (2025) trägt zudem eine Bewertung bei, die Raten belohnt und Zurückhaltung bestraft. - **KI-Agent** (https://ricoeberle.ch/glossar/#ki-agent): Eine Hülle, die einem Sprachmodell ein Ziel und Werkzeuge gibt, etwa Websuche, Dateien oder Programme, und es in einer Schleife planen, handeln und prüfen lässt, bis die Aufgabe erledigt ist. Anthropic beschreibt Agenten als Systeme, in denen das Modell seinen Ablauf und den Einsatz von Werkzeugen selbst steuert, und nennt höhere Kosten und sich aufschaukelnde Fehler als Kehrseite. - **KI-Detektor** (https://ricoeberle.ch/glossar/#ki-detektor): Software, die erkennen soll, ob ein Text von einer KI stammt. Eine Forschungsgruppe um Weber-Wulff testete 2023 vierzehn solche Werkzeuge und fand sie weder genau noch zuverlässig; englische Texte von Menschen, die nicht in ihrer Muttersprache schreiben, werden laut Liang und Kollegen besonders häufig als KI markiert. Ein Detektor-Ergebnis ist deshalb kein Beweis. - **KI-robuste Aufgabe** (https://ricoeberle.ch/glossar/#ki-robuste-aufgabe): Eine Aufgabe, die auch dann eigenes Denken verlangt, wenn eine KI in Reichweite ist. Der Beitrag nennt vier Bausteine: Prozess statt Produkt bewerten, lokaler Bezug, mündliche Verteidigung und KI-Output kritisieren lassen. KI-robust heisst nicht KI-frei. - **Kognitive Belastung (Cognitive Load)** (https://ricoeberle.ch/glossar/#kognitive-belastung): Die Cognitive Load Theory geht auf John Sweller zurück. Ihr Kern: Das Arbeitsgedächtnis ist eng begrenzt, und was wir neu verstehen wollen, muss durch dieses Nadelöhr. Wer zuhört und gleichzeitig eine volle Folie liest, erzeugt laut Mayer und Moreno (2003) eine zusätzliche, unnötige Belastung. - **Kohärenzprinzip** (https://ricoeberle.ch/glossar/#kohaerenzprinzip): Gestaltungsregel von Richard Mayer für multimediales Lernen: Alles, was nicht zum Lernziel beiträgt, lenkt ab. Überflüssiges Material wird deshalb weggelassen. - **Kontextfenster** (https://ricoeberle.ch/glossar/#kontextfenster): Alles, was ein Sprachmodell beim Antworten berücksichtigen kann, eine Art Arbeitsgedächtnis. Aktuelle Claude-Modelle fassen laut Anthropic eine Million Tokens, hochgerechnet rund 2500 Seiten. Mehr ist nicht automatisch besser: Je voller das Fenster, desto eher übersieht ein Modell Details («context rot»). - **Large Language Model (LLM)** (https://ricoeberle.ch/glossar/#llm): Eine Art KI-Modell, die mit sehr viel Text trainiert wurde und Stück für Stück, genau genommen Token für Token, voraussagt, wie ein Text weitergeht. GPT, Claude, Gemini und das Schweizer Apertus sind solche Sprachmodelle. - **Lerntypen (Lernstile)** (https://ricoeberle.ch/glossar/#lerntypen): Die Vorstellung, dass Menschen visuell, auditiv oder kinästhetisch lernen und besser lernen, wenn der Unterricht zu ihrem Typ passt. Pashler und Kollegen fanden 2008 nach einer Prüfung der Studienlage dafür keine ausreichende Evidenz. Vorlieben gibt es, aber eine Vorliebe heisst nicht, dass man so besser lernt. - **Lock-in** (https://ricoeberle.ch/glossar/#lock-in): Abhängigkeit von einem Anbieter, aus der ein Wechsel aufwendig wird. Der Beitrag beschreibt sie als vereinfachten Ablauf in drei Akten: Einstieg (das Tool ist kostenlos und schnell eingerichtet), Gewöhnung (Unterlagen und Abläufe stecken im Tool) und Abhängigkeit (der Anbieter bestimmt die Bedingungen). Lock-in entsteht selten mit Absicht. - **Modell (KI-Modell)** (https://ricoeberle.ch/glossar/#ki-modell): Das Ergebnis des Trainings: eine riesige Datei mit Milliarden von Zahlen, den Parametern. Das Schweizer Sprachmodell Apertus gibt es zum Beispiel mit 8 und mit 70 Milliarden Parametern. Allein tut ein Modell nichts; genutzt wird es über eine Hülle wie einen Chat oder einen Agenten. - **Online-Lernen** (https://ricoeberle.ch/glossar/#online-lernen): Sammelbegriff für sehr verschiedene Formate: eine Live-Lektion per Videokonferenz, ein Präsenzlehrgang mit digitaler Lernplattform oder ein Lernpfad, den man allein durcharbeitet. Der Beitrag beschreibt Lernangebote deshalb nicht nach dem Ort, sondern entlang von drei Dimensionen: Flexibilität, Führung und Verbindlichkeit sowie Selbstregulation. - **privatim** (https://ricoeberle.ch/glossar/#privatim): Die Konferenz der schweizerischen Datenschutzbeauftragten; dazu gehören die kantonalen Beauftragten, der EDÖB und mehrere Städte. In einer Resolution vom 18. November 2025 hält sie fest, dass es in den meisten Fällen unzulässig ist, wenn öffentliche Organe besonders schützenswerte oder geheimhaltungspflichtige Personendaten in Cloud-Software grosser internationaler Anbieter auslagern, ausser die Behörde verschlüsselt selbst und der Anbieter hat keinen Zugang zum Schlüssel. Schulen nennt die Resolution nicht ausdrücklich; öffentliche Schulen gehören als öffentliche Organe dazu. Die Resolution ist eine Einschätzung der Aufsichtsbehörden, kein Gesetz. - **RAG (Retrieval Augmented Generation)** (https://ricoeberle.ch/glossar/#rag): Verfahren, bei dem eine Suche zuerst passende Schnipsel aus Dokumenten heraussucht und ein Sprachmodell daraus die Antwort formuliert; beschrieben von Lewis und Kollegen (2020). Das Modell sieht nur die ausgewählten Schnipsel, nicht die ganzen Dokumente. Dafür ist RAG günstig, schnell und kann zeigen, woher eine Antwort stammt. - **Ransomware** (https://ricoeberle.ch/glossar/#ransomware): Schadsoftware, die Daten verschlüsselt (Verschlüsselungsschadsoftware). Laut BACS schützen Cloud-Dienste nur bedingt davor, und auch dauerhaft angeschlossene Speichermedien können mitverschlüsselt werden. Was nicht angeschlossen ist, kann eine Schadsoftware nicht erreichen; deshalb gehört eine Sicherungskopie offline. - **Redundanzprinzip** (https://ricoeberle.ch/glossar/#redundanzprinzip): Gestaltungsregel von Richard Mayer: Menschen lernen besser aus Bild und gesprochenem Wort als aus Bild, gesprochenem Wort und demselben Text auf dem Bildschirm. Für Präsentationen heisst das: Text, der nur wiederholt, was ohnehin gesagt wird, hilft nicht, sondern stört. - **Selbstregulation** (https://ricoeberle.ch/glossar/#selbstregulation): Wie viel Planung und Durchhaltevermögen ein Lernmodell von den Lernenden verlangt. Mehr Flexibilität verschiebt Verantwortung zu den Lernenden; eine Übersichtsarbeit von Broadbent und Poon (2015) zeigt, dass Selbstregulationsstrategien wie Zeitmanagement beim Online-Lernen mit dem Lernerfolg zusammenhängen. - **Speicherort und Rechtsraum** (https://ricoeberle.ch/glossar/#speicherort-rechtsraum): Zwei Fragen bei Daten in der Cloud: Der Speicherort sagt, wo die Server physisch stehen, der Rechtsraum, welchem Recht das Unternehmen untersteht, das den Dienst betreibt. Beides kann auseinanderfallen, etwa wenn ein Rechenzentrum in Zürich von einem Konzern mit Sitz in den USA betrieben wird. - **swiyu** (https://ricoeberle.ch/glossar/#swiyu): Die App des Bundes für die E-ID. Die E-ID ist der erste Ausweis auf dieser Infrastruktur; dieselbe Technik soll auch andere Nachweise tragen, darunter Bildungsnachweise. Eine öffentliche Testversion lässt sich bereits ausprobieren. - **Synchronisation und Backup** (https://ricoeberle.ch/glossar/#synchronisation-backup): Eine Synchronisation hält alle Geräte auf demselben Stand, ein Backup ist eine eigenständige Sicherungskopie. Wird eine Datei gelöscht oder von Schadsoftware verschlüsselt, kann die Synchronisation diesen Zustand in die Cloud und auf alle Geräte übertragen. Eine Versionierung hilft teilweise, ersetzt eine eigenständige Sicherung aber nicht. - **Token** (https://ricoeberle.ch/glossar/#token): Die Stücke, in die ein Sprachmodell Text zerlegt: Wörter, Wortteile oder Satzzeichen. In Tokens wird auch die Grösse des Kontextfensters gemessen. Laut Anthropic entsprechen 200'000 Tokens etwa 500 Seiten; deutsche Texte brauchen etwas mehr Tokens pro Wort. - **Vektordatenbank** (https://ricoeberle.ch/glossar/#vektordatenbank): Eine Datenbank, die Embeddings speichert und zu einer Frage die Einträge mit dem ähnlichsten Zahlencode findet. Bei RAG liefert sie die Handvoll Schnipsel, die das Sprachmodell zu sehen bekommt. - **Vergessenskurve** (https://ricoeberle.ch/glossar/#vergessenskurve): Von Hermann Ebbinghaus 1885 im Selbstversuch mit sinnlosen Silben gemessener Verlauf des Vergessens: Die Kurve fällt am Anfang steil ab und flacht dann ab. Murre und Dros fanden 2015 in einer Wiederholung des Versuchs ähnliche Ergebnisse. Jede Wiederholung zieht die Kurve wieder hoch, danach fällt sie flacher ab. - **Verteiltes Üben** (https://ricoeberle.ch/glossar/#verteiltes-ueben): Wiederholung, die über Tage und Wochen verteilt wird, statt alles an einem Tag zu lernen. In der Übersicht von Dunlosky und Kollegen (2013) erhielt verteiltes Üben zusammen mit dem Abfragen die beste Bewertung unter verbreiteten Lerntechniken. ## Glossary (English) URL: https://ricoeberle.ch/en/glossary/ - **Active recall** (https://ricoeberle.ch/en/glossary/#active-recall): Learning by actively retrieving something from memory instead of rereading it, for example with a short quiz at the start of the next lesson. In the review by Dunlosky and colleagues (2013), practice testing came out on top together with distributed practice, while rereading was rated low. - **AI agent** (https://ricoeberle.ch/en/glossary/#ai-agent): A shell that gives a language model a goal and tools, such as web search, files or programs, and lets it plan, act and check in a loop until the task is done. Anthropic describes agents as systems in which the model directs its own process and tool use, and names higher costs and compounding errors as the downside. - **AI detector** (https://ricoeberle.ch/en/glossary/#ai-detector): Software that is supposed to tell whether a text was written by AI. In 2023, a research team led by Weber-Wulff tested fourteen such tools and found them neither accurate nor reliable; according to Liang and colleagues, English texts by people writing in a language that isn't their first are flagged especially often. A detector result is therefore not proof. - **AI fluency and the four Ds** (https://ricoeberle.ch/en/glossary/#ai-fluency): The AI Fluency Framework by Rick Dakan and Joseph Feller, developed in collaboration with Anthropic, describes AI fluency as the ability to work with AI effectively, efficiently, ethically and safely. Its four Ds are Delegation (hand over consciously), Description (describe clearly), Discernment (check critically) and Diligence (take responsibility). - **AI-robust assignment** (https://ricoeberle.ch/en/glossary/#ai-robust-assignment): An assignment that still demands real thinking when an AI is within reach. The post names four building blocks: assess the process, not just the product; local context; an oral defence; and letting learners critique AI output. AI-robust doesn't mean AI-free. - **Chat (AI chat)** (https://ricoeberle.ch/en/glossary/#ai-chat): The simplest shell around a language model: an input field, a history, maybe a few files. You ask, the model answers. ChatGPT, for example, is the chat, and the model inside it is called GPT. Many chats can now search the web, and then they already work a little like an agent. - **Cognitive load** (https://ricoeberle.ch/en/glossary/#cognitive-load): Cognitive load theory goes back to John Sweller. Its core idea: our working memory is tightly limited, and anything we want to understand has to pass through this bottleneck. Listening while reading a full slide creates, as Mayer and Moreno (2003) describe, an additional, unnecessary load. - **Coherence principle** (https://ricoeberle.ch/en/glossary/#coherence-principle): A design guideline by Richard Mayer for multimedia learning: anything that doesn't serve the learning goal distracts, so extraneous material is left out. - **Context window** (https://ricoeberle.ch/en/glossary/#context-window): Everything a language model can take into account when answering, a kind of working memory. According to Anthropic, current Claude models hold a million tokens, around 2,500 pages when scaled up. More isn't automatically better: the fuller the window, the more likely a model misses details (“context rot”). - **Data traffic light** (https://ricoeberle.ch/en/glossary/#data-traffic-light): A teaching simplification for deciding which data teachers and course leaders put into AI tools: green for public material and your own teaching material, yellow for internal content with no link to individuals, red for personal data of learners. It does not replace the rules of your canton, school or institution. - **Embedding** (https://ricoeberle.ch/en/glossary/#embedding): A numeric code for the meaning of a piece of text, produced by a separate neural network, the embedding model. In RAG, every snippet and the question itself get an embedding; the search looks for the snippets with the most similar code. The embedding model doesn't write answers itself. - **Forgetting curve** (https://ricoeberle.ch/en/glossary/#forgetting-curve): The course of forgetting that Hermann Ebbinghaus measured in 1885 in a self-experiment with nonsense syllables: the curve drops steeply at first and then levels off. In 2015, Murre and Dros repeated the experiment with similar results. Every repetition pulls the curve back up, and afterwards it falls more gently. - **Hallucination (AI)** (https://ricoeberle.ch/en/glossary/#hallucination): A fluent but wrong answer from a language model, such as a source that does not exist or a quote nobody ever said. It happens because a language model calculates the most likely next word, word by word, even when it doesn't know something. According to OpenAI (2025), scoring that rewards guessing and penalises restraint also contributes. - **Large language model (LLM)** (https://ricoeberle.ch/en/glossary/#llm): A kind of AI model trained on a vast amount of text that predicts, piece by piece (strictly speaking, token by token), how a text continues. GPT, Claude, Gemini and the Swiss model Apertus are such language models. - **Learning styles** (https://ricoeberle.ch/en/glossary/#learning-styles): The idea that people are visual, auditory or kinaesthetic learners and learn better when teaching matches their style. Reviewing the evidence in 2008, Pashler and colleagues found no adequate support for it. Preferences exist, but a preference doesn't mean we learn better that way. - **Mixed practice (interleaving)** (https://ricoeberle.ch/en/glossary/#mixed-practice): Practice in which different problem types are shuffled instead of worked through in blocks. In a study by Rohrer and Taylor (2007), the mixed group solved 63 percent of the test problems correctly a week later, the blocked group 20 percent, even though the blocked group was ahead during practice. It feels harder because you first have to work out which procedure fits each problem. - **Model (AI model)** (https://ricoeberle.ch/en/glossary/#ai-model): The result of training: a huge file with billions of numbers, known as parameters. The Swiss language model Apertus, for example, comes with 8 or 70 billion parameters. On its own, a model does nothing; it is used through a shell such as a chat or an agent. - **Online learning** (https://ricoeberle.ch/en/glossary/#online-learning): An umbrella label for very different formats: a live lesson in a video call, a classroom course backed by a digital learning platform, or a learning path you work through on your own. The post therefore describes learning offers not by location but along three dimensions: flexibility, guidance and commitment, and self-regulation. - **RAG (retrieval augmented generation)** (https://ricoeberle.ch/en/glossary/#rag): A method in which a search first picks matching snippets from documents and a language model then writes the answer from them; described by Lewis and colleagues (2020). The model only sees the selected snippets, not the whole documents. In return, RAG is cheap, fast and can show where an answer comes from. - **Redundancy principle** (https://ricoeberle.ch/en/glossary/#redundancy-principle): A design guideline by Richard Mayer: people learn better from pictures and spoken words than from pictures, spoken words and the same text on screen. For presentations, this means text that only repeats what you are saying doesn't help. It gets in the way. - **Self-regulation** (https://ricoeberle.ch/en/glossary/#self-regulation): How much planning and stamina a learning model demands from learners. More flexibility shifts responsibility to them; a review by Broadbent and Poon (2015) found that self-regulation strategies such as time management are linked to achievement in online learning. - **Spaced practice** (https://ricoeberle.ch/en/glossary/#spaced-practice): Repetition spread over days and weeks instead of cramming everything into one day, also called distributed practice. In the review by Dunlosky and colleagues (2013), distributed practice came out on top among common learning techniques, together with practice testing. - **Token** (https://ricoeberle.ch/en/glossary/#token): The pieces a language model breaks text into: words, parts of words or punctuation marks. The size of the context window is also measured in tokens. According to Anthropic, 200,000 tokens correspond to about 500 pages. - **Vector database** (https://ricoeberle.ch/en/glossary/#vector-database): A database that stores embeddings and, for a given question, finds the entries with the most similar numeric code. In RAG, it supplies the handful of snippets the language model gets to see.