heyprof: Eine KI-gestützte Plattform für die Hochschullehre

Autoren: Volker Reichenberger, Prof. Dr. Dirk Schieborn · NXT Nachhaltigkeit und Technologie, Hochschule Reutlingen · März 2026, Version 1.0

Laufendes Projekt — Entwicklung und Auswertung sind noch nicht abgeschlossen. heyprof befindet sich in der Alpha-Phase. Die hier beschriebenen Funktionen und Ergebnisse spiegeln den Stand vom März 2026 wider.

heyprof ist eine webbasierte Plattform zur Lehrorganisation und Betreuung von Lehrveranstaltungen, die sich durch die konsequente Integration von Large Language Models (LLM) auszeichnet. Im Mittelpunkt steht ein dialogbasierter KI-Tutor, der Studierende durch den sokratischen Dialog führt — anstatt fertige Lösungen zu liefern. Dabei wird der Kontext und aktuelle Stand der Lehrveranstaltung berücksichtigt, um gezielte, niveaugerechte Unterstützung zu bieten.

Das Problem: KI in der Lehre ohne Kontext

Große Sprachmodelle können nutzbringend in der Lehre eingesetzt werden — häufig werden Lernende mit allgemeinen KI-Assistenten aber allein gelassen. Neben dem Problem des cognitive bypass ergibt sich häufig das Problem, dass die KI-Lösung nicht zum aktuellen Kenntnisstand der Studierenden passt. Die KI kennt nicht den aktuellen Stand der Lehrveranstaltung und liefert daher oft Antworten, die für Studierende zu komplex sind oder durch Verwendung nicht eingeführter Konzepte den Lernprozess behindern.

heyprof adressiert diese Anforderungen, indem die KI kontextsensitiv und gezielt unterstützt. Der KI-Tutor kennt den genauen Text der aktuellen Aufgabe, die Musterlösung sowie die privaten Tutorhinweise des Dozenten, den bisherigen Python-Code des Studierenden und relevante Passagen aus dem Kursskript.

Technische Architektur

Frontend: Next.js 15 mit React und TypeScript (App Router). Tailwind CSS und Radix-UI-Primitives. Mathematik wird clientseitig durch KaTeX und MathJax gerendert.

Backend: Next.js API Routes (serverless) für alle KI- und Geschäftslogik. Supabase (PostgreSQL mit Row-Level Security) für Datenpersistenz und Authentifizierung.

KI-Dienste: OpenAI gpt-4o-mini für Chat, Bewertung, Übersetzung und Zusammenfassung; text-embedding-3-small für semantische Dokumentensuche (RAG); Whisper v2 für Vorlesungstranskription; DALL-E 3 für automatische Aufgaben-Cover-Bilder.

Speicher: Supabase Storage für PDFs, Bilder und Audiodateien. Semantische Einbettungen werden in der pgvector-Erweiterung von PostgreSQL gespeichert. Die Anwendung wird auf Vercel betrieben und benötigt keine eigene Serverinfrastruktur.

Funktionen für Dozentinnen und Dozenten

Kurs- und Sessionverwaltung: Dozenten legen Kurse im Dashboard an und erhalten einen achtstelligen Zugangscode. Jeder Kurs ist in Sessions gegliedert, die einzelnen Vorlesungsterminen entsprechen. Die Reihenfolge aller Elemente lässt sich per Drag-and-Drop anpassen.

Materialverwaltung und Annotation: Hochgeladene PDF-Folien können per Freihand-Zeichenwerkzeug annotiert werden. Studierende sehen diese Anmerkungen als Overlay. Nach dem Upload werden Materialien ingested: Der Text wird extrahiert, in Abschnitte aufgeteilt, eingebettet und im Vektorspeicher abgelegt, sodass der KI-Tutor gezielt relevante Stellen aus dem Kursskript abrufen kann.

Aufgabeneditor: Der Editor unterstützt drei Typen: Freitext, Multiple-Choice und Code (Python). Für jede Aufgabe kann der Dozent eine Musterlösung, private Tutor-Instruktionen sowie Labels und Collections hinterlegen. Aufgaben lassen sich aus LaTeX-Quelldateien importieren. Cover-Bilder werden automatisch per DALL-E 3 generiert.

Klausurverwaltung: Klausuren bestehen aus nummerierten Fragen mit Punktzahl und Countdown-Timer. Fragen lassen sich aus gescannten PDF-Klausurblättern importieren — eine KI-Pipeline extrahiert Texte, Nummerierung und Punkte automatisch. Nach der Klausur stehen alle Einreichungen mit KI-generierten Bewertungen zur Verfügung.

Aufnahmen und Transkription: Ein browserbasierter Audiorekorder ermöglicht das direkte Aufzeichnen von Vorlesungen. Whisper v2 transkribiert die Aufnahme im Hintergrund. GPT-4o erzeugt anschließend eine gegliederte Zusammenfassung — sichtbar für alle Studierenden.

Funktionen für Studierende

Dashboard und Lernstudio: Das Dashboard zeigt eingeschriebene Kurse mit Fortschrittsanzeige. Das Lernstudio listet alle Sessions chronologisch — mit PDF-Viewer, Annotations-Overlay, Vorlesungsaufnahme mit Transkript und Zusammenfassung sowie den Aufgaben des Termins auf einer Seite. Im PDF-Viewer können Studierende einen Bereich markieren; der KI-Tutor erhält diesen Ausschnitt als Fokus-Hinweis.

Aufgaben — sechs Einreichungskanäle:

• Text/Code — direkte Eingabe mit KI-Sofortbewertung
• Zeichenfläche — Freihandlösung für mathematische oder diagrammatische Antworten
• QR-Foto — Smartphone scannt QR-Code, nimmt Foto auf, Antwort erscheint auf dem Desktop
• KI-Tutor — sofortige sokratische Unterstützung im integrierten Chat
• Variante üben — KI erzeugt strukturgleiche Aufgabe mit anderen Zahlen oder Funktionsnamen
• Lösung anzeigen — nach einem echten Lösungsversuch

KI-Funktionen und pädagogische Integration

Retrieval-Augmented Generation (RAG): Bevor der KI-Tutor antwortet, wird sein System-Prompt mit dem vollständigen Aufgabentext, privaten Tutor-Instruktionen, dem aktuellen Python-Code des Studierenden, semantisch abgerufenen Passagen aus den Kursmaterialien sowie handschriftlichen Annotationen des Dozenten angereichert. Fragt ein Studierender „Was versteht man unter einer verketteten Liste?”, sucht das System die relevantesten Abschnitte aus dem Kursskript — nicht aus dem allgemeinen Weltwissen des Modells.

Sokratischer Modus und Erklärmodus: Im sokratischen Modus stellt der Tutor ausschließlich Gegenfragen, die den Studierenden einen Schritt vorwärtsbringen, ohne die Lösung zu verraten. Im Erklärmodus erklärt der Tutor direkt, aktiv und anschaulich — mit konkreten Beispielen und Alltagsmetaphern, bezugnehmend auf den bereitgestellten Folieninhalt.

Automatische Bewertung: Textantworten werden durch einen strukturierten GPT-4o-Aufruf bewertet. Handschriftliche oder fotografierte Lösungen werden durch das Vision-Modell analysiert, auf Relevanz geprüft und in LaTeX-Notation überführt.

Pädagogische Prinzipien

• Konstruktive Abstimmung: Jede Aufgabe, Tutor-Instruktion und Collection wird mit einem konkreten Lernziel verknüpft. Die KI führt Studierende zur erwarteten Lösung — ohne sie preiszugeben.
• Zone der nächsten Entwicklung: Der sokratische Tutor versucht stets, die Grenze des aktuellen Verständnisses zu identifizieren und eine Frage zu stellen, die genau einen Schritt darüber hinausgeht.
• Deliberate Practice: Die Varianten-Funktion ermöglicht unmittelbares Üben nach dem Verstehen des Originals — selbes Konzept, neue Zahlen, sofortige Bewertung.
• Multimodaler Input: heyprof akzeptiert Tipp-, Zeichen- und Fotoeingabe gleichermaßen und reduziert so die Diskrepanz zwischen Denken und Einreichungsformat.

Ausblick

heyprof zeigt, dass KI-Unterstützung in der Hochschullehre nicht bedeuten muss, dass Studierende den Lernprozess umgehen. Indem der KI-Tutor tief in den Aufgaben-Workflow eingebettet wird, pädagogischen Kontext injiziert bekommt und auf sokratische Führung beschränkt bleibt, wird aus einem potenziell schädlichen Werkzeug ein wirksames Lernmittel.

Die ersten Lehrveranstaltungen mit heyprof finden im Sommersemester 2026 statt. heyprof ist bereits als Alpha-Version online verfügbar unter heyprof.app.