Misconception Map

Das Unternehmen scheint ein Zwei-Personen-Team zu sein, das ein KI-gestütztes Werkzeug zur Unterrichtsvorbereitung für Mathematiklehrkräfte der Klassenstufen 5–8 entwickelt. Das Produkt, Misconception Map, behauptet, anonyme Schülerantworten zu analysieren und in evidenzbasierte Missverständnis-Muster zu gruppieren, um anschließend korrigierbare Kleingruppen und Nachbereitungspläne für Lehrkräfte zu generieren.

Diese Analyse basiert ausschließlich auf der von den Autoren bereitgestellten, selbstberichteten Projektdarstellung. Sie enthält keine verifizierten Finanzdaten, Kundendaten, Kennzahlen zur Marktdurchdringung oder unabhängige Validierung.

Die Beschreibung besagt, dass Misconception Map ein evidenzbasiertes Werkzeug zur Unterrichtsvorbereitung für Mathematiklehrkräfte der Klassenstufen 5–8 ist. Lehrkräfte geben ein:

• Ein Lernziel
• Eine Frage und ein Bewertungsraster
• Anonyme Schülerantworten

Die Anwendung dann:

• Identifiziert wiederkehrende Missverständnis-Muster
• Gruppiert Schüler nach ihrer Denkstrategie und nicht nur nach Korrektheit
• Zeigt Belege aus den Schülerarbeiten, die jedes Muster stützen
• Generiert lehrfreundliche didaktische Empfehlungen
• Erstellt gezielte Kleingruppen
• Schlägt eine Mini-Lektion und Übungsaufgaben vor
• Erstellt einen Exit-Ticket für die folgende Lektion
• Exportiert Berichte für Planung und Dokumentation

Es wird als Full-Stack-Webanwendung beschrieben, die mit Next.js, React, TypeScript, Tailwind CSS, OpenAI GPT-5.6, Codex, Zod und anderen entwickelt wurde.

Das System soll GPT-5.6 in der didaktischen Schicht zur Analyse von Schülerantworten und zur Identifizierung von Missverständnis-Mustern nutzen.

Es enthält auch einen Demo-Modus für die Jury, der keine API-Zugangsdaten erfordert, und unterstützt sowohl die Live-Analyse mit GPT-5.6 als auch deterministische Demo-Funktionalitäten.

Nicht belegt: ob es sich um einen funktionierenden Prototyp oder ein produktionsreifes Produkt handelt; wie es mit bestehenden LMS-Plattformen integriert wird; oder ob es in echten Klassenzimmern getestet wurde.

Die Autoren geben an, dass Misconception Map darauf abzielt, den Fokus von der Bewertung auf das Verständnis des Schülerdenkens zu verlagern. Es positioniert sich als ein KI-System, das die Entscheidungsfindung von Lehrkräften unterstützt, anstatt deren Urteil zu ersetzen.

Es wird als nicht nur ein weiterer KI-Bewerter beschrieben, sondern als ein Werkzeug, das sich auf Schülerdenken statt auf Noten konzentriert, KI-Analysen in konkrete didaktische Maßnahmen übersetzt und Lehrkräfte in der Kontrolle der didaktischen Entscheidungen belässt.

Die Positionierung des Projekts betont:

• Evidenzbasierte Gruppierung von Missverständnissen
• Korrigierbare Kleingruppen für Lehrkräfte
• Umsetzbare Nachbereitungspläne
• Transparenz gegenüber Black-Box-Ausgaben
• Vertrauensaufbau durch überprüfbare Belege

Abgeleitet: Das Tool wird als unterstützender KI-Begleiter für Lehrkräfte positioniert, nicht als Ersatz. Der Anspruch, „nicht nur ein weiterer KI-Korrekturdienst“ zu sein, ist jedoch nicht verifiziert oder durch Vergleichsdaten belegt.

Die Zielkundengruppe sind Mathematiklehrkräfte der Klassenstufen 5–8, gemäß dem Slogan und der Projektbeschreibung.

Die Autoren beschreiben ihre ideale Nutzerin bzw. ihren idealen Nutzer als jemanden, der:

• Exit Tickets oder kurze Assessments bewertet
• Verstehen muss, warum Schüler falsch geantwortet haben
• Schüler nach ihrer Denkstrategie und nicht nur nach der Richtigkeit der Antwort gruppieren möchte
• Handlungsorientierte Unterrichtspläne auf Basis des Schülerdenkens sucht

Nicht belegt: Ob es sich um einen definierten ICP (Ideal Customer Profile) über die genannte Klassenstufe und das Fach hinaus handelt. Es werden keine Segmentierungen, Personadetails oder Nutzerforschungsdaten bereitgestellt.

Die Beschreibung enthält keine Informationen über:

• Ertragsmodell (z. B. SaaS-Abonnement, Freemium, Einmalkauf)
• Preisstruktur
• Monetarisierungsstrategie
• Kundenakquisitionspläne
• Go-to-market-Ansatz

Nicht belegt: Es gibt keinen Hinweis darauf, wie das Produkt verkauft werden soll oder wer dafür zahlen würde.

Die Anwendung ist als moderne Full-Stack-Web-App aufgebaut und nutzt:

• Next.js
• React
• TypeScript
• Tailwind CSS
• OpenAI GPT-5.6
• Codex
• Zod
• Markdown- und CSV-Export-Utilities

Es wird GPT-5.6 für instruktives Reasoning und Codex zur Beschleunigung der Entwicklung in mehreren Phasen verwendet, darunter Architektur, UI-Komponenten, serverseitige Integration, Schema-Design, Exportfunktionalität, automatisierte Tests und Dokumentation.

Das System umfasst:

• Eine strukturierte Analyse-Pipeline mit Schema-Validierung
• Ein klar gekennzeichneten Demo-Modus für die Jury
• Unterstützung sowohl für Live-Analyse mit GPT-5.6 als auch für deterministischen Demo-Modus

Abgeleitet: Der Einsatz von KI-Tools wie Codex deutet auf einen schnellen Entwicklungsprozess hin, es liegen jedoch keine Belege für Skalierbarkeit oder Zuverlässigkeit in Produktivumgebungen vor.

Das Projekt wird als Hackathon-Einreichung für den OpenAI 2026 Hackathon auf Devpost beschrieben. Es wurde von zwei Teammitgliedern (Hanxia Li und June Y) entwickelt.

Keine Belege für:

• Umsatz
• Kunden
• Nutzerakzeptanz
• Product-Market-Fit
• Iterationshistorie oder Feedback-Schleifen
• Marktvalidierung

Nicht belegt: Keine Traction-Daten, Nutzungsmetriken oder Indikatoren für Produktreife über den anfänglichen Prototyp hinaus.

Die Beschreibung erwähnt keine direkten Wettbewerber. Es wird jedoch angegeben, dass eine der wichtigsten Herausforderungen darin bestand, die Falle zu vermeiden, „nur einen weiteren KI-Korrekturdienst“ zu bauen, was impliziert, dass solche Tools auf dem Markt existieren.

Abgeleitet: Das Tool konkurriert mit traditionellen Bewertungssystemen und möglicherweise anderen KI-gestützten Bildungsplattformen, jedoch wird keine Wettbewerbslandschaft beschrieben oder analysiert.

• Unbewiesene Marktnachfrage: Keine Belege für Interesse, Nutzung oder Feedback von Lehrkräften.
• Begrenzte Teamgröße: Nur zwei Entwickler; wirft Fragen zur Skalierbarkeit und Ausführungsfähigkeit auf.
• Kein Umsatz oder Monetarisierungsstrategie: Das Produkt hat keinen klaren Weg zur kommerziellen Tragfähigkeit.
• Abhängigkeit von KI-Tools: Die starke Abhängigkeit von GPT-5.6 und Codex ist ohne weitere Entwicklung möglicherweise nicht nachhaltig oder skalierbar.
• Fehlende Tests in der Praxis: Das Tool wird als Hackathon-Prototyp beschrieben, es gibt keine Hinweise auf den Einsatz im Unterricht oder auf seine Wirksamkeit.
• Ungeprüfte Behauptungen: Alle Vorteile werden selbst gemeldet; es gibt keine unabhängige Validierung der Genauigkeit der KI oder des pädagogischen Werts.

1. Welches spezifisches Feedback haben Sie von Lehrkräften erhalten, die das Tool ausprobiert haben?
2. Wie planen Sie zu validieren, dass Ihr Clustering von Missverständnissen in der Praxis genau und nützlich ist?
3. Haben Sie dies in tatsächlichen Klassenräumen getestet, oder ist es rein theoretisch?
4. Was ist Ihre Go-to-Market-Strategie, um Mathematiklehrkräfte der Klassenstufen 5–8 zu erreichen?
5. Wie werden Sie dieses Produkt monetarisieren? Gibt es ein Preismodell oder einen Umsatzplan?
6. Welche technischen Einschränkungen bestehen bei der Abhängigkeit von GPT-5.6 für die Echtzeitanalyse in Bildungsumgebungen?
7. Können Sie beschreiben, wie sich der Demomodus von der Live-Funktionalität unterscheidet und was das für die Benutzerfreundlichkeit bedeutet?
8. Gibt es Datenschutz- oder Compliance-Bedenken im Zusammenhang mit der Verarbeitung von Schülerdaten?