Fine-Tuning (Feinabstimmung) beschreibt den Prozess, ein bereits vortrainiertes KI-Modell mit zusätzlichen, spezifischen Daten nachzutrainieren, um es für bestimmte Aufgaben zu spezialisieren. Man nimmt ein allgemeines Sprachmodell und passt es an, zum Beispiel für medizinische Texte, juristische Dokumente — oder eben für den Bildungsbereich.
Im Schulkontext ist Fine-Tuning der Grund, warum spezialisierte Bildungs-KI-Tools oft bessere Ergebnisse liefern als allgemeine Chatbots. Wenn MagicSchool.ai oder Eduaide.ai Unterrichtsmaterialien erstellen, nutzen sie häufig Modelle, die mit pädagogischen Inhalten, Lehrplänen und didaktischen Konzepten feinabgestimmt wurden. Dadurch „verstehen" diese Tools besser, was eine Lehrkraft braucht, und liefern passendere Ergebnisse.
Für Lehrkräfte ist Fine-Tuning vor allem als Auswahlkriterium relevant: Tools, die speziell für den Bildungsbereich entwickelt (feinabgestimmt) wurden, sind in der Regel besser für schulische Zwecke geeignet als allgemeine KI-Tools. Sie kennen pädagogische Begriffe, verstehen Differenzierungsanforderungen und erzeugen altersgerechte Inhalte. Das ist wie der Unterschied zwischen einem Allgemeinmediziner und einem Kinderarzt — beide kompetent, aber der Spezialist kennt die besonderen Bedürfnisse der Zielgruppe besser.