WrongWorlds

WrongWorlds ist ein pädagogisches Spielkonzept, das als selbstberichteter Prototyp für den OpenAI 2026 Hackathon entwickelt wurde. Der Autor beschreibt es als ein fünfaktiges Reasoning-Spiel, in dem Lernende in Welten eintreten, die von ihren Fehlvorstellungen gesteuert werden, diese Überprüfungen vornehmen und stärkere kausale Modelle aufbauen. Es nutzt GPT-5.6 zur Interpretation der Sprache der Lernenden und deterministische TypeScript-Engines zur Steuerung der Simulationsergebnisse.

Das Projekt wird als experimentelles pädagogisches Werkzeug präsentiert, ohne Belege für Einnahmen, Kunden oder Traction über die eigene Einreichung hinaus. Die Systemarchitektur trennt die generative Interpretation von der deterministischen Autorität, um Reproduzierbarkeit und Vertrauenswürdigkeit in der pädagogischen Bewertung zu gewährleisten.

Die Beschreibung besagt, dass WrongWorlds ein fünfaktiges illustriertes Reasoning-Spiel ist. Es beginnt mit einer Fehlvorstellung des Lernenden, die zu einem "Belief Core" wird und ein Portal zu einer Welt aktiviert, in der diese Überzeugung wahr ist.

In dieser Welt:

• Müssen Lernende die Konsequenzen ihrer Überzeugung untersuchen.
• Widersprüchliche Beweise sammeln.
• Falsche Gesetze brechen.
• Eine stärkere Erklärung aufbauen.
• Durch den Beweis, dass Reasoning auf andere Bereiche übertragbar ist, entkommen.

Das System nutzt GPT-5.6 zur Interpretation der Sprache der Lernenden in strukturierte Überzeugungsmodelle und deterministische TypeScript-Engines zur Steuerung von Simulationen, Beweisgenerierung, Bewertung und Zustandsübergängen.

Es wird als vollständige pädagogische Spielerfahrung beschrieben, einschließlich:

• Zwei visuell unterschiedlichen Welten.
• Tastaturnavigation.
• Mobile Layouts.
• Englisch/Spanisch Lokalisierung.
• Barrierefreiheit (reduzierte Bewegung, 2D-Modus).
• Deterministische Wiedergabefähigkeit.
• Öffentliches Evidence Archive.

Nicht belegt Es gibt keine Erwähnung von tatsächlichen Nutzern, Einnahmequellen oder Adoptionsmetriken. Das System wird als Prototyp präsentiert, der für einen Hackathon entwickelt wurde.

Der Autor positioniert WrongWorlds als Alternative zum traditionellen korrekturorientierten Lernen, bei dem Lernende die richtige Antwort erhalten, aber ihre mentalen Modelle nicht ändern.

Stattdessen behandelt WrongWorlds Fehlvorstellungen als testbare Realitäten – eine Welt, in die man eintreten, erkunden und entkommen kann, sobald besseres Reasoning nachgewiesen wurde.

Es behauptet:

• Fehlvorstellungen sichtbar zu machen.
• Das Testen von Überzeugungsprognosen zu ermöglichen.
• Kinoartige Realitätsbrüche zu ermöglichen.
• Die Rekonstruktion kausaler Modelle zu unterstützen.
• Die Übertragbarkeit über Bloom Station zu validieren.

Die Positionierung entwickelt sich von einem konzeptionellen Rahmen (ein "Museum möglicher Realitäten") zu einem funktionalen Prototyp, wobei der Autor betont, dass es nicht nur um die Korrektur von Fehlern geht, sondern darum, zu verändern, wie Lernende reasonen.

Schlussfolgerung Dies ist ein neuartiger pädagogischer Ansatz, aber es gibt keine Belege dafür, dass er über die eigenen Behauptungen hinaus getestet oder validiert wurde.

Die Beschreibung impliziert, dass WrongWorlds Lernende in pädagogischen Settings anspricht, insbesondere solche, die sich mit kausalem Reasoning befassen – wie Studierende in Marketing, Wissenschaft, Wirtschaft, Geschichte, Statistik, Systemdenken oder Medienkompetenz.

Es ist so konzipiert, dass es Lernenden hilft:

• Zu verstehen, warum ihr anfänglicher Glaube fehlerhaft war.
• Sich intensiv mit der Logik hinter Kausalität auseinanderzusetzen.
• Gelernte Schlussfolgerrungs muster in neuen Kontexten anzuwenden.

Das System unterstützt Englisch und Spanisch, was auf ein globales Publikum hindeutet, und enthält Barrierefreiheitsfunktionen wie Tastaturnavigation und reduzierte Bewegung.

Nicht belegt Es werden keine spezifischen Kundensegmente, Altersgruppen oder institutionellen Anwendungsfälle identifiziert. Die Zielgruppe ist impliziert, aber nicht definiert.

In der Beschreibung gibt es keine Hinweise auf ein Geschäftsmodell oder eine Preisstruktur.

Der Autor erwähnt:

• Von Lehrern erstellte WrongWorlds.
• Klassenraum-Kohorten.
• Fortschrittsverläufe der Lernenden.
• Adaptive Welten.
• Kontrollierte Studien.

Doch dies sind spekulative zukünftige Funktionen, keine aktuellen Angebote.

Nicht belegt Es werden keine Umsatzquellen, Monetarisierungsstrategien oder Preistiers beschrieben. Das Projekt wird als Prototyp für einen Hackathon präsentiert.

WrongWorlds wurde mit folgenden Technologien erstellt:

• Codex und GPT-5.6 für die Interpretation.
• TypeScript, React, Next.js, Node.js für die Implementierung.
• Playwright, Vitest für das Testen.
• Vercel, GitHub für den Deployment.

Zu den wichtigsten technischen Entscheidungen gehören:

• Trennung der generativen Interpretation von der deterministischen Autorität.
• Deterministische Wiedergabe mit null POST-Anfragen.
• Öffentliches Evidence Archive und reproduzierbare Screenshots.
• Git-gestützte Produktivveröffentlichung.
• Barrierefreiheit auf Augenhöhe (2D-Modus, Tastaturnavigation).

Die Systemarchitektur wird wie folgt beschrieben:

• GPT-5.6 interpretiert die Sprache der Lernenden in ein Glaubensmodell.
• Deterministische Engines steuern Simulationsergebnisse, Evidenz, Bewertung usw.

Schlussfolgerung Der technische Stack deutet auf einen starken Fokus auf Reproduzierbarkeit und pädagogische Integrität hin, gibt aber keine Hinweise auf Skalierbarkeit oder Infrastruktur über den Prototyp hinaus.

Das Projekt wird als vollständige fünfaktige Spielerfahrung beschrieben, mit:

• Zwei Welten.
• Transferbewertung über Bloom Station.
• Öffentliches GitHub-Repository.
• Evidence Archive.
• Lokalisierung in Englisch/Spanisch.
• Barrierefreiheitsfunktionen.

Es bestanden:

• 143 Vitest-Tests.
• 26 Playwright-Tests.
• Produktionsbuild-Verifizierung.
• Öffentliche QA-Prüfungen.

Allerdings stellt der Autor ausdrücklich fest, dass:

• Das aktuelle Evidence Archive explorativ ist.
• Es keine Daten zur pädagogischen Wirksamkeit gibt.
• Größere Studien erforderlich sind, um Lernergebnisse zu messen.

Nicht belegt Keine Nutzerbasis, Nutzungs- oder Leistungskennzahlen. Das System wird als Prototyp ohne Traction-Indikatoren präsentiert.

Die Beschreibung erwähnt Wettbewerber nicht direkt. Das Konzept entspricht jedoch:

• Bildungs-Tools mit KI, die sich auf Schlussfolgern und die Korrektur von Missverständnissen konzentrieren.
• Gamifizierten Lernplattformen, die Simulation oder Erzählung nutzen, um Konzepte zu lehren.
• Kausalen Schlussfolgerrungsrahmen, die in der STEM-Bildung verwendet werden.

Es scheint sich um einen neuartigen Ansatz im Bereich der Bildungsspiele zu handeln, der KI zur Interpretation der Absicht der Lernenden nutzt, während die Kontrolle über die Ergebnisse deterministisch bleibt.

Schlussfolgerung Das Produkt wird als experimentelle Innovation positioniert, nicht als Teil einer bestehenden Wettbewerbslandschaft. Es werden keine bekannten direkten Wettbewerber genannt.

1. Nur Prototyp-Status: Das System wird ausschließlich als Hackathon-Prototyp beschrieben, ohne Belege für Tests in der realen Welt oder Adoption.
2. Unbewiesener pädagogischer Einfluss: Es liegen keine Daten zu Lernzuwächsen, Retention oder der Verbesserung des logischen Denkens vor.
3. Begrenzte Skalierbarkeitsannahmen: Die Architektur impliziert eine starke Kontrolle über die Ausgaben, es gibt jedoch keine Hinweise darauf, wie sich dies über einen einzelnen Entwickler hinaus skaliert.
4. KI-Abhängigkeit ohne klare Governance: Während GPT-5.6 für die Interpretation verwendet wird, steuert der deterministische Engine die Ergebnisse – dieses Gleichgewicht kann fragil sein, wenn die KI-Qualität nachlässt.
5. Keine Monetarisierungsstrategie: Es ist kein Geschäftsmodell oder Preismodell erkennbar.

Nicht belegt Es gibt keine Belege für Marktnachfrage, Nutzerfeedback oder eine Wettbewerbspositionierung über die eigenen Aussagen hinaus.

1. Welche spezifischen pädagogischen Ergebnisse haben Sie in Pilottests (falls vorhanden) beobachtet?
2. Wie planen Sie, das System über einen einzelnen Entwickler hinaus zu skalieren?
3. Gibt es Pläne für eine formale pädagogische Validierung oder kontrollierte Studien?
4. Was würde ein Minimum Viable Product (MVP) für dieses Konzept darstellen?
5. Wie beabsichtigen Sie, dies in realen pädagogischen Umgebungen zu monetarisieren oder einzusetzen?
6. Können Sie demonstrieren, wie der deterministische Engine eine konsistente Bewertung über verschiedene Lernereingaben hinweg sicherstellt?
7. Welche sind die zentralen Annahmen über das Nutzerverhalten und die Engagement, die das Design untermauern?