LLMs erzeugen maßgeschneiderte Matheaufgaben – Fehler um 17,8 % reduziert

Eine neue Studie aus dem arXiv-Repository präsentiert einen innovativen Ansatz zur automatischen Erzeugung von Matheaufgaben, der speziell auf die Bedürfnisse personalisierter Lernumgebungen zugeschnitten ist. Das Team hat die Aufgabe „Isomorphic Math Problem Generation“ (IMPG) definiert, bei der strukturell konsistente Varianten eines Ausgangsproblems erzeugt werden.

Um diese Herausforderung zu meistern, wurde das Framework „Computational Blueprints for Isomorphic Twins“ (CBIT) entwickelt. CBIT kombiniert Meta‑Level‑Generierung mit template‑basierten, selektiven Variationen, sodass die erzeugten Aufgaben nicht nur mathematisch korrekt, sondern auch strukturell einheitlich bleiben. Gleichzeitig senkt die Methode die Produktionskosten erheblich.

Die Ergebnisse sprechen für sich: Im Vergleich zu von Experten verfassten Aufgaben weist CBIT einen Fehleranteil um 17,8 % niedriger auf. In einer realen Testphase wurden die generierten Aufgaben auf einer kommerziellen Lernplattform an 6 732 Lernende verteilt, was zu 186 870 Interaktionen führte. Diese Zahlen unterstreichen die Skalierbarkeit und Effektivität des Ansatzes.

Mit CBIT eröffnet sich ein vielversprechender Weg, große Mengen qualitativ hochwertiger Übungsaufgaben zu produzieren, die exakt auf die Lernziele und -niveaus der Nutzer abgestimmt sind. Der Ansatz kombiniert die Leistungsfähigkeit moderner Sprachmodelle mit einer strukturierten, kosteneffizienten Generierungsmethodik und setzt damit neue Maßstäbe in der digitalen Mathematikdidaktik.