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.
Inhaltsverzeichnis
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)
- API-Keys & Secrets im Vault hinterlegen (Rotation 30 Tage)
- SDK-Upgrade
pip install --upgrade "openai>=1.0.0"
- Agent-API anlegen
POST /v2/agents/{id}/run für Auto-Recherche & Fact-Check
- MediaWiki-Extension »AiCourseBuilder« – Server-Side Rendering
$response = OpenAI::chat()->create($payload); Wiki::saveDraft($response['choices'][0]['message']['content']);
- Datei-Pipeline – Base64-Assets → S3 → CloudFront → <gallery>-Tag
- 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
- Request-Parameter: {"model":"gpt-5-mini","max_tokens":120000,"temperature":0.6}
- Rückgabe: Kursstruktur (JSON + Markdown), Glossar, 3 Übungsbilder, 5 MC-Fragen, Video-Storyboard
2.3 Human-Review
- Entwurf unter User:⟨Name⟩/Draft:Photosynthese
- Editor sieht Diff-Ansicht → Kommentarfunktion (MediaWiki-Flow)
2.4 Multimodale Assets
- Separater Agent-Run: "Create 120-second explainer video with German voice-over and subtitles."
- FFmpeg-Encoding (720p) → Upload → Einbindung als <html5video height="360">‐Tag
2.5 Veröffentlichung
- Button Publish ↗ verschiebt Seiten nach aiMOOC:Photosynthese_7 und leert Varnish-Cache
Phase 3 – Tutoring & Analytics (≈ 2 Wochen)
- **Embedded Tutor-Chat**: JS-Widget → POST /chat mit
{"system":"You are a socratic AI-tutor…","user_profile":{…}}
- **Adaptive Hilfen**: Frontend sendet Bearbeitungszeit; wenn motivation_score < 0.4 → GPT-Hint
- **Essay-Scoring**: GPT-5 Full generiert Rubric + Heatmap (JSON)
- **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
- **Traffic-Router**: Tutor-Fragen → GPT-5 Mini; Groß-Generierung (Video) → GPT-5 Full
- **Token-Caps & Caching**: Shared-Cache für statische Abschnitte, max_tokens=4000 im Tutor-Chat
- **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«
- **Kompetenz-Snapshot**: GET /progress/{user}.json
- **Blueprint-Prompt**: "Schreibe eine 45-min-Klassenarbeit für {user}. Pflichtthemen: …"
- **Ausgabeformate**: Markdown (MediaWiki), DOCX (pandoc), PDF (wkhtmltopdf)
- **Version-Stempel**: Kopfzeile enthält Model GPT-5-Full • UTC 2025-08-03T14:23
- **Archivierung**: Assessments/{user}/{yyyy-mm-dd}.pdf
Extension C – »Learning-Analytics Cockpit 2.0«
- **Pipeline**: Event-Log → Kafka → TimescaleDB (Retention 2 Jahre)
- **UI**: React-Tabelle „Meine MOOCs“ – Spalten: Status | Score | Pflicht/Wunsch | Zeitaufwand
- **PDF-Nachweis**: Zeilen markieren → Button Export → GPT-5 Mini generiert Bericht + Signatur
- **Badges & Heatmap**: Kalender-Heatmap (ähnlich GitHub) visualisiert Aktivität; Badges bei Meilensteinen
- **Privacy**: Schalter „Private Mode“ blendet persönliche KPIs für Mitschüler aus
DevOps-Checkliste
- Vertrag & Budget freigegeben
- API-Keys hinterlegt / SDK aktualisiert
- Extensions AiCourseBuilder, AiLearnerCreator, AiAssessmentBuilder deployed
- Pilotkurs & Pilot-Assessment erfolgreich generiert
- Datenschutz-Folgenabschätzung dokumentiert
- Lehrkräfte / Lernende geschult (2 h Workshop + Wiki-Guides)
- Monitoring & Alerts (Prometheus + Grafana) aktiv
Endergebnis
Creation → Learning → Assessment → Certification
- **Lernende erstellen eigene MOOCs** – z. B. „Satzglieder mit FC Bayern“
- **Personalisierte Prüfungen** auf Basis ihrer Pflicht- & Wunsch-Kurspfade
- **Live-Nachweise** für Lehrkräfte – automatisch, DSGVO-konform, ohne Zusatzaufwand