ChatGPT 5 auf MOOit.de

Fahrplan zur GPT-5-Integration auf aiMOOC.org

Ziel

Den gesamten Lebenszyklus eines Kurses – **Erstellung → Lernen → Prüfung → Zertifizierung** – in einer einzigen, KI-gestützten Plattform abbilden. Lehrkräfte und Lernende sollen binnen Minuten **multimodale “Living-MOOCs”** erzeugen, automatisch aktualisieren und individuell auswerten können.

Phase 0 – Vorbereitungen (≈ 1 – 2 Wochen)

To-do	Warum / Details
OpenAI- bzw. Azure-Vertrag anpassen	* GPT-5 hat neue Endpunkte (gpt-5-preview, gpt-5-mini, gpt-5-nano).* * Prüfen, ob „Dedicated Capacity“ oder „Pay-as-you-go“ günstiger ist.* * Übertragungsvolumen kalkulieren (≈ 3 GB pro 1 Mio Tokens).
Budgetrahmen definieren	- Vollmodell: ~25–40 USD / Mio Input-Tokens. - Mini: ~50 % davon; Nano: Einmalgebühr + lokale GPU-Kosten. - Richtwert Schule: 1 000 Schüler × 25 MOOCs/Jahr ≈ 50 Mio Tokens.
DSGVO & Auftrags­verarbeitung	- Für Cloud-Inference Region “Sweden Central”. - Wenn Offline-Klassenzimmer: GPT-5 Nano als Docker → Schulserver (GPU ≥ 24 GB VRAM).
Rollen & Schulungen	- '''Prompt-Engineer''' (Template-Design) - '''Content-Editor''' (fachliche Prüfung) - '''DevOps''' (CI/CD, Secrets, Monitoring) - '''Learner-Experience-Designer''' (Gamification, Barrierefreiheit)

Phase 1 – Technische Integration (≈ 2 – 3 Wochen)

1. API-Keys & Secrets im Vault hinterlegen (Rotation 30 Tage)
2. SDK-Upgrade

pip install --upgrade "openai>=1.0.0"

1. Agent-API anlegen

POST /v2/agents/{id}/run für Auto-Recherche & Fact-Check

1. MediaWiki-Extension »AiCourseBuilder« – Server-Side Rendering

$response = OpenAI::chat()->create($payload); Wiki::saveDraft($response['choices'][0]['message']['content']);

1. Datei-Pipeline – Base64-Assets → S3 → CloudFront → <gallery>-Tag
2. On-Device Fallback – Docker-Container mit gRPC-Bridge für GPT-5 Nano (LAN-first / Cloud-failover)

Phase 2 – Kursproduktion automatisieren

2.1 Prompt-Vorlage

subject: "Photosynthese" grade: "7" language: "de" difficulty: "standard" learning_outcomes: - "Schüler erklären die Funktion von Chlorophyll." - "Schüler berechnen Brutto- und Netto-Photosynthese." context: "Regenwald"

2.2 Vollkurs-Generierung

1. Request-Parameter: {"model":"gpt-5-mini","max_tokens":120000,"temperature":0.6}
2. Rückgabe: Kursstruktur (JSON + Markdown), Glossar, 3 Übungsbilder, 5 MC-Fragen, Video-Storyboard

2.3 Human-Review

1. Entwurf unter User:⟨Name⟩/Draft:Photosynthese
2. Editor sieht Diff-Ansicht → Kommentarfunktion (MediaWiki-Flow)

2.4 Multimodale Assets

1. Separater Agent-Run: "Create 120-second explainer video with German voice-over and subtitles."
2. FFmpeg-Encoding (720p) → Upload → Einbindung als <html5video height="360">‐Tag

2.5 Veröffentlichung

1. Button Publish ↗ verschiebt Seiten nach aiMOOC:Photosynthese_7 und leert Varnish-Cache

Phase 3 – Tutoring & Analytics (≈ 2 Wochen)

1. **Embedded Tutor-Chat**: JS-Widget → POST /chat mit

{"system":"You are a socratic AI-tutor…","user_profile":{…}}

1. **Adaptive Hilfen**: Frontend sendet Bearbeitungszeit; wenn motivation_score < 0.4 → GPT-Hint
2. **Essay-Scoring**: GPT-5 Full generiert Rubric + Heatmap (JSON)
3. **Learning-Dashboard**: Logs → Kafka → TimescaleDB → Grafana-Board „Course KPIs“

Phase 4 – Kontinuierliche Aktualisierung (laufend)

Automatisierung	Umsetzung
Wöchentlicher Literatur-Scan	Cron 03:00 → Agent: "search arXiv + ERIC for 'Photosynthesis'…" → Patch-Vorschläge per Diff-Mail
Confidence-Threshold	auto_publish = true, wenn fact_score ≥ 0.90
Prompt-Versionierung	Git-Commit kommentiert mit Modell-ID, z. B. [gpt-5-0701] Add Nature-2025 finding

Phase 5 – Kosten- & Qualitätskontrolle

1. **Traffic-Router**: Tutor-Fragen → GPT-5 Mini; Groß-Generierung (Video) → GPT-5 Full
2. **Token-Caps & Caching**: Shared-Cache für statische Abschnitte, max_tokens=4000 im Tutor-Chat
3. **Safety-Audits**: Double-Call-Strategie mit Modell gpt-5-safety vor Veröffentlichung

Extension A – »Learner-MOOC-Creator«

Schritt	Detail
Wizard-Formular	Thema · Schulstufe · Lieblingskontext (z. B. "FC Bayern") · Sprache · geplanter Zeitaufwand
Prompt-Composer	{"user":"Erstelle einen aiMOOC über Satzglieder im Stil von FC Bayern…"}
Entwurf speichern	User:⟨Name⟩/Draft:⟨Slug⟩ – ACL nur Owner + Lehrkraft
Review-Queue	Unter 18 → Freigabe durch Lehrkraft; ab 18 optional Auto-Publish
Gamification	Veröffentlichung vergibt Creator-Badge; Badge wird im Cockpit angezeigt

Extension B – »Auto-Assessment Builder«

1. **Kompetenz-Snapshot**: GET /progress/{user}.json
2. **Blueprint-Prompt**: "Schreibe eine 45-min-Klassenarbeit für {user}. Pflichtthemen: …"
3. **Ausgabeformate**: Markdown (MediaWiki), DOCX (pandoc), PDF (wkhtmltopdf)
4. **Version-Stempel**: Kopfzeile enthält Model GPT-5-Full • UTC 2025-08-03T14:23
5. **Archivierung**: Assessments/{user}/{yyyy-mm-dd}.pdf

Extension C – »Learning-Analytics Cockpit 2.0«

1. **Pipeline**: Event-Log → Kafka → TimescaleDB (Retention 2 Jahre)
2. **UI**: React-Tabelle „Meine MOOCs“ – Spalten: Status | Score | Pflicht/Wunsch | Zeitaufwand
3. **PDF-Nachweis**: Zeilen markieren → Button Export → GPT-5 Mini generiert Bericht + Signatur
4. **Badges & Heatmap**: Kalender-Heatmap (ähnlich GitHub) visualisiert Aktivität; Badges bei Meilensteinen
5. **Privacy**: Schalter „Private Mode“ blendet persönliche KPIs für Mitschüler aus

DevOps-Checkliste

1. Vertrag & Budget freigegeben
2. API-Keys hinterlegt / SDK aktualisiert
3. Extensions AiCourseBuilder, AiLearnerCreator, AiAssessmentBuilder deployed
4. Pilotkurs & Pilot-Assessment erfolgreich generiert
5. Datenschutz-Folgenabschätzung dokumentiert
6. Lehrkräfte / Lernende geschult (2 h Workshop + Wiki-Guides)
7. Monitoring & Alerts (Prometheus + Grafana) aktiv

Endergebnis

Creation → Learning → Assessment → Certification

1. **Lernende erstellen eigene MOOCs** – z. B. „Satzglieder mit FC Bayern“
2. **Personalisierte Prüfungen** auf Basis ihrer Pflicht- & Wunsch-Kurspfade
3. **Live-Nachweise** für Lehrkräfte – automatisch, DSGVO-konform, ohne Zusatzaufwand