Misconception Map

Die Beschreibung besagt, dass Misconception Map ein KI-Tutor ist, der die falschen Antworten von Schülern in eine "lebende Karte der Missverständnisse" verwandelt. Es nutzt GPT-5.6, um Fragen und Lektionen anzubieten, die auf individuelle Schülerfehler zugeschnitten sind, wobei jede falsche Auswahl mit einem dokumentierten Missverständnis verknüpft ist.

Es umfasst:

• Eine Knowledge-Graph-Visualisierung, die Konzepte (türkis) und Missverständnisse (rot) zeigt.
• Tägliche Mikro-Lektionen, die aus dem häufigsten Missverständnis generiert werden.
• Ein Lehrer-Dashboard, das gemeinsame Missverständnisse unter Schülern hervorhebt.
• Native Sprachunterstützung für Koreanisch und Japanisch über GPT-5.6.

Das System wird als Nutzung von drei Varianten von GPT-5.6 beschrieben:

• sol (xhigh reasoning) für die Generierung von Fragen/Lektionen.
• terra (xhigh) für die Live-Diagnose von Freitext-Antworten.
• luna für Taxonomie-Matching.

Es nutzt auch D3.js für die Graphen-Rendering, Next.js für das Frontend, Node.js für die Backend-Logik und SQLite für die Datenspeicherung. Die UI ist mit React und TailwindCSS gebaut, und das Projekt ist in TypeScript mit Zod-Validierung geschrieben.

Das Produkt wird als vollständig aus einer einzigen Codex-Sitzung entwickelt behauptet, einschließlich Debugging-Schleifen, in denen Codex Probleme in seiner eigenen SDK diagnostiziert und behoben hat.

Schlussfolgerung Dies ist ein Proof-of-Concept oder ein Prototyp-Tool, noch kein kommerzielles Produkt. Es gibt keine Belege dafür, dass es von Lernenden oder Schulen genutzt wird.

Der Autor positioniert Misconception Map als einen KI-Tutor, der:

• Schülerfehler in handlungsorientierte Lerninsights verwandelt.
• Die mentalen Modelle der Schüler durch einen Knowledge Graph modelliert.
• Personalisierten Unterricht basierend auf tatsächlichen Missverständnissen und nicht auf Lehrbuchseiten bietet.
• Native Sprachunterstützung für Koreanisch und Japanisch anbietet.

Es behauptet, sich von traditionellen Tools dadurch zu unterscheiden, dass es sich auf das Signal falscher Antworten konzentriert, anstatt sie nur als falsch zu markieren. Der Autor schlägt vor, dass gute menschliche Tutoren dies bereits tun – sie achten darauf, wie ein Schüler falsch liegt – und Misconception Map zielt darauf ab, dieses Verhalten in großem Maßstab zu replizieren.

Schlussfolgerung Diese Positionierung spiegelt die Absicht wider, traditionelle Mathematik-Unterrichtswerkzeuge zu disrupten, indem KI-gestütztes, missverständnisbewusstes Tutoring eingeführt wird. Es gibt jedoch keine Belege für eine Marktvalidierung oder eine Wettbewerbsdifferenzierung über die eigenen Aussagen des Autors hinaus.

Die Beschreibung gibt an, dass Misconception Map für folgende Zielgruppen konzipiert ist:

• Schüler, die Bruchrechnung in der Mittelstufe lernen.
• Lehrkräfte, die verstehen möchten, was ihre Schüler missverstehen.
• Schulen, die nach Werkzeugen suchen, um kollektive Missverständnisse zu identifizieren und zu beheben.

Es wird auch eine potenzielle zukünftige Zielgruppe erwähnt: Nutzer mit „seat-based subscription“, was auf eine Verschiebung hin zu institutionellen Käufern wie Schulen oder Schulbezirken hindeutet.

Schlussfolgerung Die aktuelle ICP scheint aus einzelnen Lernenden in der Mathematik der Mittelstufe zu bestehen, mit einer möglichen Erweiterung auf lehrerorientierte Werkzeuge und Bildungseinrichtungen. Es werden keine Belege für tatsächliche Kunden oder Nutzungsdaten vorgelegt.

In der Beschreibung wird weder ein Preis noch ein Geschäftsmodell explizit erwähnt. Der Autor merkt jedoch an:

• Das Lehrkräfte-Dashboard könnte zu einer „seat-based subscription“ werden.
• Schulen verfügen derzeit nicht über ein solches Instrument.
• Die Integration in LMS (Learning Management Systems) ist als nächster Schritt aufgeführt.

Schlussfolgerung Das Geschäftsmodell scheint sich in Richtung eines B2B-SaaS- oder Abonnementmodells für Schulen zu entwickeln, jedoch werden keine Preise, Einnahmequellen oder Monetarisierungsstrategien beschrieben. Das Projekt befindet sich noch in einer frühen Entwicklungsphase.

Das Produkt wird mit folgenden Technologien erstellt:

• Cloudflare
• GPT-5.6 (drei Varianten: sol, terra, luna)
• D3.js
• Next.js
• Node.js
• React
• SQLite
• TailwindCSS
• TypeScript
• Zod

Es wird Codex für Entwicklung und Debugging verwendet, einschließlich der autonomen Behebung von SDK-Problemen über Feedback-Schleifen.

Das System wird wie folgt beschrieben:

• Deterministisches Verhalten, wenn Schüler vorab getaggte Ablenkungsantworten auswählen.
• Rückgriff auf aufgezeichnete Fixtures, falls LLM-Aufrufe fehlschlagen.
• Eine robuste Test-Pipeline (34 Commits, gesteuert durch npm run build && npm test).

Schlussfolgerung Es gibt Anzeichen technischer Reife in der Architektur und im Entwicklungsprozess, jedoch keine Belege für eine Produktivumgebung oder Skalierbarkeit über einen Prototyp hinaus.

Die Beschreibung gibt an:

• Das Projekt wurde beim OpenAI 2026 Hackathon eingereicht.
• Es ist Teil eines größeren persönlichen KI-Betriebs (tory.my), der sich in der App Store-Prüfung befindet.
• Es werden keine Daten zu Einnahmen, Kunden oder Nutzerengagement vorgelegt.

Schlussfolgerung Es gibt keine Belege für Traction, Adoption oder reale Nutzung. Das Projekt scheint ein Prototyp oder ein Proof-of-Concept zu sein, ohne nachgewiesene Marktwirkung.

Der Autor verweist nicht direkt auf Wettbewerber. Das Konzept entspricht jedoch:

• KI-gestützten adaptiven Lernplattformen.
• Werkzeugen, die Wissensgraphen für personalisierte Instruktion nutzen.
• Bildungstechnologien, die sich auf die Identifizierung und Korrektur von Missverständnissen konzentrieren.

Es wird kein Bezug zu bestehenden Werkzeugen oder Plattformen in diesem Bereich hergestellt.

Schlussfolgerung Obwohl die Idee nicht neu ist, gibt es keine Belege für eine Wettbewerbsanalyse oder das Bewusstsein für bestehende Lösungen. Das Fehlen von Verweisen auf Wettbewerber deutet entweder auf begrenzte Marktforschung oder eine nicht bewiesene Nische hin.

• Keine Traction oder Einnahmen: Keine Daten zu Nutzern, Kunden oder Monetarisierung.
• Einzelgründer-Projekt: Nur eine Person ist an der Entwicklung beteiligt.
• Prototyp-Charakter: Wird als Hackathon-Einreichung und persönliches Projekt ohne Produktivumgebung beschrieben.
• Begrenzter Umfang: Die Taxonomie deckt nur Bruchrechnungen für die Mittelstufe ab; es gibt keine Hinweise auf Expansionspläne.
• Abhängigkeit von LLMs: Die Abhängigkeit von GPT-5.6 wirft Bedenken hinsichtlich Kosten, Verfügbarkeit und Konsistenz auf.
• Ungeprüfte Behauptungen: Alle Beschreibungen sind selbst gemeldet und ungeprüft.

Schlussfolgerung Dies ist eine hochriskante, frühe Idee ohne kommerzielle Validierung oder nachgewiesene Marktnachfrage. Es gibt keinerlei Belege für die Machbarkeit jenseits der eigenen Vision des Autors.

1. Welche spezifischen Missverständnisse wurden zur Erstellung der Taxonomie verwendet? Wie wurde sie validiert?
2. Gab es bereits Tests mit echten Schülern oder Lehrern?
3. Wie ist der aktuelle Status von tory.my, und wie verhält sich dieses Projekt dazu?
4. Gibt es Pläne für den Support mehrerer Fächer oder die Integration in ein LMS?
5. Welche sind die zentralen Annahmen hinter dem Wertversprechen des Lehrer-Dashboards?
6. Wie würde das System Grenzfälle wie mehrdeutige Schülerantworten oder Sprachvarianten jenseits von Koreanisch/Japanisch handhaben?
7. Wie ist der Zeitplan für den Übergang vom Prototyp zu einem skalierbaren Produkt?