WhyRight

Was das Unternehmen zu sein scheint: WhyRight ist eine selbstberichtete, auf Reasoning ausgerichtete Plattform für Klassenraum-Assessments, die Lehrkräften helfen soll, Missverständnisse von Schülerinnen und Schülern zu diagnostizieren, indem sie schriftliche Erklärungen, die Qualität des Reasonings und Konfidenzniveaus analysiert. Sie zielt darauf ab, falsche Antworten nicht als Misserfolge, sondern als Belege für mentale Modelle zu behandeln, die identifiziert, hinterfragt und korrigiert werden können.

Was sich geändert hat: Das Projekt wurde beim OpenAI 2026 Hackathon eingereicht, was darauf hindeutet, dass es sich um einen Prototyp oder ein Produkt in einer frühen Phase handelt, für das keine bekannte frühere Entwicklungshistorie oder Traction vorliegt. Der Autor beschreibt eine ambitionierte Vision zur Transformation des Klassenraum-Assessments durch KI-gestützte Reasoning-Analyse.

Wichtigste offene Frage: Gibt es Belege für den tatsächlichen Einsatz im Klassenraum, die Adoption durch Lehrkräfte oder einen messbaren Einfluss auf Lernergebnisse? Die Beschreibung enthält keine Daten zu Nutzung, Wirksamkeit oder Kundenvalidierung, die über die eigenen Behauptungen des Autors hinausgehen.

Die Beschreibung besagt, dass WhyRight eine auf Reasoning ausgerichtete Plattform für Klassenraum-Assessments ist. Sie hilft Lehrkräften, diagnostische Fragen zu erstellen und Erklärungen von Schülerinnen und Schülern zu sammeln, um konkurrierende mentale Modelle zu identifizieren, gezielte Herausforderungen zu liefern, Veränderungen im Reasoning zu messen und die informativste Frage zu bestimmen, die als Nächstes gestellt werden sollte.

Sie umfasst Funktionen wie:

• Strukturierte diagnostische Pakete mit Fragen, Distraktoren und Labels für Missverständnisse
• Erfahrung der Schülerinnen und Schüler, die Auswahl, Erklärung und Kalibrierung von Konfidenz umfasst
• KI-Analyse der Antworten von Schülerinnen und Schülern zur Klassifizierung von Reasoning-Mustern
• Mapping von mentalen Modellen, damit Lehrkräfte das Denken der Klasse visualisieren können
• Gezielte Herausforderungen mit Gegenbeispielen auf der Grundlage erkannter Missverständnisse
• Ansichten zur Migration von Missverständnissen, die Veränderungen im Reasoning über die Zeit zeigen
• Reasoning-first-Bewertungssystem, das durchdachtes Überarbeiten belohnt

nicht belegt: Keine Informationen zur tatsächlichen Implementierung, technischen Architektur oder dem Auslieferungsmechanismus, die über die Beschreibung des Autors hinausgehen.

Die Beschreibung besagt, dass WhyRight von einer Lücke in traditionellen Assessment-Tools inspiriert wurde, die sich nur auf Ergebnisse (richtige/falsche Antworten) konzentrieren, anstatt auf das Verständnis hinter diesen Antworten. Die Plattform positioniert sich als Werkzeug, um Lehrkräften ein klareres, überprüfbares Bild des Reasonings im Klassenraum zu geben, damit sie bessere unterrichtliche Entscheidungen treffen können.

Sie behauptet:

• Falsche Antworten nicht nur als Misserfolge, sondern als Belege für mentale Modelle zu behandeln
• Produktives Reasoning über bloße Korrektheit oder Geschwindigkeit zu belohnen
• Lehrkräften zu ermöglichen, auf detaillierte Erkenntnisse über das Denken der Schülerinnen und Schüler zu reagieren

Schlussfolgerung: Die Positionierung deutet auf einen Wandel von summativem zu formativem Assessment hin, mit einem Schwerpunkt auf diagnostischem und adaptivem Lernen.

nicht belegt: Keine Erwähnung früherer Versionen, Markttests oder Feedback-Schleifen von Pädagogen.

Die Beschreibung gibt an, dass WhyRight für Lehrkräfte in K-12-Klassenräumen konzipiert ist, insbesondere für diejenigen, die mit Schülern der 8. Klasse an Konzepten wie fallenden Objekten und Schwerkraft arbeiten. Es richtet sich an Pädagogen, die die Begründung hinter den Antworten der Schüler verstehen und den Unterricht entsprechend verbessern möchten.

nicht belegt: Keine Daten zur Größe des Zielsegments, zu spezifischen Klassenstufen oder zum geografischen Geltungsbereich. Die ICP ist impliziert, aber nicht quantitativ definiert.

Die Beschreibung enthält keine Informationen über:

• Umsatzmodell
• Preisstruktur
• Monetarisierungsstrategie
• Kundenakquisitionsplan

nicht belegt: Es gibt keinen Hinweis darauf, wie die Plattform verkauft oder finanziert werden soll.

Das Projekt wurde laut autordeklarierten Technologie-Tags mit codex und gpt-5.6 erstellt. Die Beschreibung zeigt an, dass KI für Folgendes verwendet wird:

• Erzeugen diagnostischer Fragen
• Klassifizieren des Schülerdenkens
• Empfehlen von Gegenbeispielen
• Identifizieren von Migrationsmustern von Fehlvorstellungen

Es wird auch erwähnt, dass das System Folgendes erzeugt:

• Vorgeschlagene Klassifizierungen von Mentalmodellen
• Bewertungen der Qualität des Denkens
• Bewertungen der Konfidenzkalibrierung
• Alternative Interpretationen

Schlussfolgerung: Die Plattform nutzt wahrscheinlich Natural Language Processing (NLP) und Machine-Learning-Modelle, um Schülerantworten zu analysieren.

nicht belegt: Keine Details zu Datenschutz, Skalierbarkeit oder technischer Infrastruktur. Kein Hinweis auf API-Zugriff, Integrationen oder Bereitstellungsmethoden.

Die Beschreibung gibt an, dass es sich um eine Hackathon-Einreichung handelt, was darauf hindeutet, dass es sich um einen Prototyp in einer frühen Phase handelt, der keine bekannte vorherige Entwicklungshistorie oder Benutzerbasis aufweist.

nicht belegt: Es gibt keine Belege für:

• Umsatz
• Kunden
• Benutzer
• Product-Market-Fit
• Iterationshistorie
• Marktdurchdringung

Die Beschreibung erwähnt keine Wettbewerber oder bestehenden Lösungen in diesem Bereich. Sie impliziert, dass aktuelle Klassenzimmer-Bewertungswerkzeuge keine diagnostischen Einblicke in das Schülerdenken bieten.

nicht belegt: Keine Informationen über:

• Direkte Wettbewerber
• Indirekte Substitutionen
• Marktgroße oder Wachstumstrends
• Differenzierungsstrategie

1. Unbewiesenes Konzept: Die Plattform wird als Hackathon-Einreichung beschrieben, ohne Belege für Tests in der realen Welt oder Adoption.
2. Übermäßige Abhängigkeit von KI-Klassifizierung: Das System behandelt KI-generierte Bewertungen als überprüfbar, aber nicht als unanfechtbar – es gibt jedoch keine Klarheit darüber, wie Genauigkeit und Verzerrung verwaltet werden.
3. Fehlende Skalierbarkeitsannahmen: Kein Hinweis darauf, wie das Werkzeug auf große Klassen oder vielfältige Bildungskontexte skaliert werden könnte.
4. Keine Belege für kommerzielle Tragfähigkeit: Kein Hinweis auf Monetarisierung, Preisgestaltung oder Kundenakquisitionspläne.
5. Unklares Lehrkräfte-Engagement-Modell: Die Plattform geht davon aus, dass Lehrkräfte sie nutzen werden, aber es gibt keine Belege für Nutzerfeedback oder Anreize zur Adoption.

1. In welcher Entwicklungsphase befindet sich das Projekt derzeit? Ist dies ein Prototyp oder ein funktionsfähiges Produkt?
2. Haben Sie Pilotstudien mit tatsächlichen Lehrkräften und Schülern durchgeführt?
3. Wie planen Sie, die Genauigkeit der KI-generierten Klassifizierungen des Denkens zu validieren?
4. Was sind Ihre Pläne für die Monetarisierung und wer sind Ihre potenziellen zahlenden Kunden?
5. Wie behandelt das System Grenzfälle, in denen die Erklärungen der Studierenden mehrdeutig oder unvollständig sind?
6. Gibt es geplante Partnerschaften oder institutionelle Pilotprojekte?
7. Wie hoch ist der erwartete Zeitaufwand für Lehrkräfte, um diese Plattform effektiv zu nutzen?