Künstliche Intelligenz verändert nicht nur das gesellschaftliche Zusammenleben, sondern auch den
Mathematikunterricht und die mathematikdidaktische Forschung – insbesondere in der Frage, wie Lernen im
Mathematikunterricht mit KI unterstützt werden kann. Der Vortrag zeigt, wie sich mit KI-Methoden individuelle
Lerntrajektorien rekonstruieren und Lernende mit erhöhtem Risiko für unzureichenden Wissenserwerb identifizieren
lassen. Grundlage bilden feingranulare Daten aus digitalen Lernumgebungen, die mit Verfahren des maschinellen
Lernens (z. B. Random Forests, XGBoost, Support Vector Machines) ausgewertet werden. Im Zentrum steht die
Fragestellung, wie sich Lerntrajektorien sichtbar machen, Wissensentwicklung erfassen und datenbasiert Hypothesen
über erfolgreiche Lernprozesse prüfen lassen. Der Vortrag verbindet modernste KI-Analytik mit zentralen Fragen der
Mathematikdidaktik und skizziert, wie datengetriebene Forschung künftig dazu beitragen kann, Lernprozesse gezielter
zu unterstützen – und wie sowohl Lehrkräfte als auch Lernende gleichermaßen durch KI unterstützt werden können.