# Lehrpersonen-Anleitung

Amasworld · Next Generation · Modell 2.2-behaviour · Stand: 17. Oktober 2026

## Wozu dient die Anwendung?

Amasworld ist ein regelbasiertes Gedankenexperiment über eine erfundene Schule. Einzelne Modellpersonen erhalten Startwerte. Rechenregeln verändern diese Werte über mehrere Tage. Ein Normalverlauf wird mit einem Ereignisverlauf verglichen. Die Anwendung untersucht damit ihre eigenen Annahmen – sie prognostiziert keine echte Klasse und vergibt keine realen Noten.

Alle Personen sind fiktiv. Keine echten Namen, Leistungsdaten oder persönlichen Problemlagen eingeben. Die Zahlen sind Modellskalen; ein Wert von 70 bedeutet beispielsweise nicht „70 Prozent Wahrscheinlichkeit“.

## 1. Eine Schule aufbauen

Auf dem Dashboard startet **Beispiel starten** eine Schule mit 300 Modellpersonen, 12 Klassen und einem bereits berechneten zehntägigen Prüfungsvergleich. Für eine eigene Schule **Schule erstellen** öffnen und Schülerzahl, Klassenanzahl, Alter und Seed anpassen. Ein Seed ist die Startnummer für reproduzierbare Pseudozufallszahlen. Mit derselben Konfiguration entsteht dieselbe Modellschule. Anschließend die Schule erzeugen. Bei einer geänderten Schulkonfiguration muss neu erzeugt werden; eine geänderte Eingabe allein ist noch kein neues Ergebnis.

Regulär sind 50 bis 300 Personen möglich. In den Zusatzfeldern den Klassenraummodus ausdrücklich aktivieren, um auch 1 bis 49 Personen zu erzeugen. Für eine Klasse mit 24 Personen beispielsweise 24 Personen und 1 Klasse einstellen. Es gelten höchstens 24 Klassen, nie mehr Klassen als Personen. Alterswerte: 10 bis 19. Ohne eigene Klassengrößen verteilt der Generator möglichst gleichmäßig; eigene Größen sind positive ganze Zahlen mit der richtigen Gesamtsumme.

Motivation, Organisation und Leistung können um −20 bis +20 Modellpunkte verschoben werden. Ihre Streuung lässt sich getrennt von 0 bis 2 einstellen: 1 erhält die bisherige Verteilung, 0 entfernt diese Startstreuung, 2 verbreitert sie vor der Skalenbegrenzung. Die Variation der Stresssensitivität reicht von 0 bis 0,4; neutral ist 0. Diese Parameter sind Modellannahmen, keine psychologischen Messungen.

**Dynamisches Beispiel** startet einen bereits berechneten Vergleich mit Verhaltensrückkopplung und Kontakten. **Beispiel starten** behält die einfachere Referenz ohne diese Erweiterungen bei.

## 2. Eine Modellperson untersuchen

Im Personenbereich nach Name oder ID suchen und eine Klasse auswählen. Ein Profil öffnen. Die ID bleibt der eindeutige Bezug; Namen und Altersangaben sind synthetische Metadaten, keine Ursachen in den Gleichungen.

Nach einer Berechnung zeigt das Profil den Tagesverlauf für Normalfall und Szenario. Tag 0 enthält die gemeinsamen Startwerte. Mit dem Tagesregler einen echten gespeicherten Tag auswählen und die sechs Werte sowie die zugehörige Tabelle lesen. Ein Tages- oder Klassenwechsel wertet gespeicherte Zustände aus; er ist kein neuer Zufallsversuch.

## 3. Einen kontrollierten Vergleich rechnen

Im Szenariobereich Dauer, Ereignis, Intensität und Versuchsseed festlegen. Das Modell unterstützt 5 bis 30 Tage; die regulären Intensitätsstufen sind 1 bis 3. „Kontrolle · 0ד setzt die Ereignisterme dieses Ereignisses auf null, nicht die anderer Ereignisse.

Ein Ereignisfenster mit Start- und Endtag wählen oder die automatische Zeitplanung beibehalten. Die Klassenauswahl begrenzt die unmittelbaren Ereigniseffekte; ohne Auswahl gilt die ganze Schule. Danach den Vergleich berechnen. Das Ergebnis muss zu den zuletzt berechneten Einstellungen gelesen werden, nicht zu inzwischen nur geänderten Eingabefeldern.

Normalfall und Szenario starten mit denselben Personen und denselben täglichen Hintergrundschwankungen. Nur die ausgewählten Ereignisregeln unterscheiden sich. Für einen zweiten Versuch möglichst nur eine Einstellung ändern. Bei einem anderen Schulseed entstehen andere Personen; bei einem anderen Versuchsseed ändern sich die Tagesschwankungen. Das sind zwei verschiedene Fragen.

Optional „Mehrere Ereignisse kombinieren“ öffnen, Zusatzereignisse aktivieren und bis zu vier Einträge hinzufügen. Jeder Eintrag hat eigene Stärke, Start-/Endtag und Zielklassen. Überlappende direkte Terme werden addiert, aber der Tag wird nur einmal fortgeschrieben; alle Ereignisse teilen einen gemeinsamen Ereigniszufallswert je Person/Tag. Für einen Nullvergleich jede Stärke auf 0 setzen. Die Gesamtwirkung ist wegen Rückkopplung und Begrenzung nicht einfach die Summe separater Ergebnisdifferenzen. JSON, beide CSV-Arten, Profile und Druckberichte enthalten den gesamten Plan. Siehe [vollständige Kombinationsregeln](EVENT-PLAN.md).

## 4. Mittelwert, Klassen und Verteilungen lesen

Die sechs Kennzahlen sind Motivation, Stress, Lernzeit, Konzentration, Organisation und Leistung. Lernzeit hat die Modellgrenze 0 bis 6 Stunden; die übrigen Skalen reichen von 0 bis 100. Organisation bleibt im derzeitigen Tagesmodell konstant.

Die Differenz wird als Szenario minus Normalfall berechnet. Ein negativer Stressunterschied bedeutet im Modell weniger Stress; ein positiver Leistungsunterschied bedeutet eine höhere Modellleistung. Ein Schulmittelwert kann gegensätzliche Einzelverläufe verdecken. Deshalb dieselbe Kennzahl an demselben Tag zusätzlich nach Klassen, im Histogramm und in einzelnen Profilen betrachten. Eine Klasse mit zehn Personen zählt beim Schulmittel weniger als eine Klasse mit dreißig Personen; es wird über Personen gemittelt.

Histogramme zählen Personen in Wertebereichen. Perzentile beschreiben die Lage innerhalb der modellierten Verteilung. Sie sind weder Unsicherheitsintervalle noch Belege für eine echte Schülerpopulation.

## 5. Speichern, importieren und exportieren

Die Schulkonfiguration lokal speichern und zusätzlich als JSON exportieren. Schule und gültige Versuchseinstellungen werden automatisch für ein Neuladen gesichert; danach zuerst neu berechnen, bevor Ergebnisse vorliegen. Die manuell gespeicherte Schule kann zusätzlich über „Lokal gespeicherte Schule laden“ zurückgeholt werden. „Lokale Daten löschen“ entfernt diese app-eigenen Einstellungen, nicht fremde Browserdaten oder schon heruntergeladene Dateien. Lokaler Browserspeicher ist kein verlässliches Backup: Er kann gelöscht oder vom Browser blockiert werden und wandert nicht automatisch auf ein anderes Gerät mit.

Unter **Einstellungen → Dateien und lokale Daten** eine JSON-Datei auswählen; die Oberfläche akzeptiert höchstens 2 MiB. Die größere interne Modulgrenze von 10 MiB erweitert diesen sichtbaren Importweg nicht. CSV verwendet Semikolon als Trennzeichen und Dezimalkomma.

Ein Schulexport enthält die reproduzierbare Schulkonfiguration. Ein Versuchsexport hält Schule, Einstellungen und Versionsangaben fest. Beim JSON-Import sollen gültige Konfigurationen neu aufgebaut und Versuche neu gerechnet werden; mitgelieferte Ergebniszahlen sind kein vertrauenswürdiger Rechenbeleg. Fehler oder unbekannte Versionen nicht durch manuelles Entfernen von Versionsfeldern umgehen.

Ältere Versuche aus Modell 1.1-controlled werden über den vorgesehenen Importpfad in eine neutrale Modellschule übertragen. Es entstehen dabei keine nachträglich belegten echten Klassen: Die neue Klassenzuordnung ist synthetisch. Schulgröße, Seed, Tage, Ereignis und Intensität werden erhalten, soweit das Altformat sie gültig enthält. Ein alter CSV-Export ist keine importierbare Versuchskonfiguration.

CSV-Exporte dienen der eigenen Auswertung: Mittelwerte und individuelle Tageswerte sind unterschiedliche Datensätze. Beim Vergleich immer Person/ID, Bedingung, Tag, Kennzahl und Einstellungen prüfen. JSON/CSV sind unverschlüsselt. Nicht mit echten personenbezogenen Schuldaten anreichern und dann öffentlich teilen.

## Unterrichtsvorschlag ohne vorgetäuschte Ergebnisse

1. Eine neutrale Schule erzeugen und zunächst Normalfall und Normalfall vergleichen.
2. Eine Prüfungsphase für ein festes Ereignisfenster rechnen.
3. Eine einzelne betroffene und eine nicht betroffene Klasse untersuchen.
4. Schulmittel, Verteilung und zwei einzelne Profile am selben Tag gegenüberstellen.
5. Die Organisationsverschiebung ändern, die Schule bewusst neu aufbauen und die Aussagekraft des Vergleichs diskutieren.
6. Gemeinsam trennen: Was wurde programmiert? Was wurde gerechnet? Was wäre erst empirisch zu untersuchen?

Leitfragen: Ist ein höherer Mittelwert für jede Person besser? Warum ist ein anderer Seed noch keine andere Theorie? Wie beeinflussen willkürliche Koeffizienten das Ergebnis? Welche echten Daten wären nötig, und dürfte man sie überhaupt erheben?

## Grenzen, KI-Nutzung und Prüfstand

Kontakte und Fachzähler sind nur synthetische Modellgrößen. Es gibt keine KI-Vorhersage. Mehrfachereignisse, Verhaltensregeln, Unterrichtsmethode, zusätzliche Lernkontrollen und längere Pausen sind hypothetisch. Weder Richtung noch Stärke dieser Regeln wurden mit echten Schülerdaten kalibriert.

Code und Dokumentation wurden mit KI-Unterstützung erstellt. Es gibt keine behauptete Lehrpersonenfreigabe und keine erfundene persönliche Schülerreflexion. Verständnis, eigener Beitrag, Quellenkritik, Vortrag und schulische KI-Regeln müssen vom Schüler selbst geklärt werden.

Der Dokumentationsstand ersetzt keine technische Abnahme. Testzahlen werden hier nicht vorweggenommen. Echte Browser-, Leistungs-, Export-/Import- und Druckprüfungen sowie die öffentliche Bereitstellung sind nur dann bestätigt, wenn ein zugehöriger Prüfbeleg vorliegt. Siehe FEATURE-STATUS.md.

## 6. Fachwerte, Verhaltensregeln und Kontakte

Im Szenario-Studio die optionalen Zusatzmodelle öffnen. Verhaltensregeln und Peerregeln getrennt aktivieren, Parameter prüfen und neu berechnen. Beide Bedingungen verwenden dieselben Zusatzregeln. Veränderte Formularwerte gehören noch nicht zu einem alten Ergebnis.

Im Personenbereich „Zusatzmerkmale“ und „Kontakte“ aufklappen. Die Zusatzmerkmale zeigen generierte Anfangseigenschaften. Der Graph zeigt ausschließlich tatsächlich gespeicherte Kanten der gewählten Bedingung und des gewählten Tages. Die Rasterposition ist bedeutungslos; Linienstärke steht für Gewicht. Die Kantentabelle zeigt exakte Werte. Ein Knoten öffnet das Profil auch mit Tab und Enter/Leertaste. Escape schließt das Profil. Profile zeigen Fachstartwerte, gespeicherte Fachzähler, Rückkopplungsterme und gepaarte Kontaktgewichte, soweit die jeweilige Erweiterung aktiv ist.

Die Topologie bleibt fest; Gewichte können sich ändern. Peerregeln verwenden Vortagswerte. Daher können nicht direkt ausgewählte, aber verbundene Klassen später indirekte Unterschiede zeigen. Zum isolierten direkten Klassenvergleich Peerregeln deaktivieren. Vollständige Formeln: [Erweiterungsmodell](BEHAVIOUR-MODEL.md).

## 7. Textwünsche und optionale Online-KI

Im Studio den Textassistenten öffnen. Beispiel: „Prüfungsphase Tag 3 bis 5, Klasse 1, Stärke 2“. **Lokal vorschlagen** erkennt begrenzte deutsche/englische Formulierungen ohne Netzverbindung. Der sichtbare Plan muss geprüft und ausdrücklich übernommen werden; danach separat **Vergleich berechnen** wählen. Unklare oder nicht unterstützte Wünsche manuell einrichten statt den Vorschlag ungeprüft zu benutzen.

Für die zusätzliche Online-KI zuerst unter Einstellungen die Sitzungsfreigabe lesen und aktivieren. Die Freigabe allein sendet keine Anfrage. Erst **KI-Vorschlag anfragen** oder **KI-Lesehilfe anfragen** überträgt Text beziehungsweise ausgewählte aggregierte Kennzahlen an Cloudflare. Keine echten Schülerdaten eingeben. Die KI darf nur dokumentierte Ereignisse kombinieren; sie erzeugt keine freien Gleichungen und verändert keine Zahlen. Fehler und Kontingentgrenzen führen nicht zu erfundenen Ersatzantworten. Offline und ohne Zustimmung bleiben Modell, manuelle Einstellungen und lokale Texterkennung nutzbar. [Datenschutz und Kosten](AI-SECURITY.md).

## Weiterlesen

- [Anwendung öffnen](../index.html)
- [Modell und Gleichungen](model.html)
- [Berichtsergänzung](report-update.html)
- [Präsentation](presentation-update.html)
- [Quellenregister](source-register.md)
- [Funktions- und Prüfstatus](FEATURE-STATUS.md)
- [Veröffentlichungsanleitung](DEPLOYMENT.md)