Vom historischen Tiefstand der Basiskompetenzen zur hyperindividualisierten Finanzkompetenz — Diagnostik, OECD/INFE-Kopplung und Anforderungen an KI-Lernsysteme
Am 08.09.2026 hat die OECD PISA 2025 veröffentlicht. Deutschland erreicht in allen drei Domänen den niedrigsten je gemessenen Wert; rund jede:r Dritte verfehlt in Mathematik und Lesen das Basisniveau. Dieses Modul zerlegt die Ergebnisse wissenschaftlich, dokumentiert das Verifikationsprotokoll des zugrunde liegenden Research-Chats (inkl. einer Halluzinations-Episode), leitet daraus die Instrumente der PISA-Methodik für Kompetenzprofile ab und koppelt sie mit dem OECD/INFE-Finanzkompetenz-Score — bis hin zu Anforderungen, Abnahmetests und Compliance-Klauseln für FinCoach-AI-Lernmodule. Stichtag 2026-09-10 · Datenstand OECD Band I 08.09.2026 · Rechtsstand 2026-09-10 · Provenienz nach M-DBOM v1.
Alle drei Jahre testet die OECD 15-Jährige in Lesen, Mathematik und Naturwissenschaften. Es geht nicht um Schulstoff, sondern darum, ob Jugendliche Wissen im Alltag anwenden können. Ergebnisse werden als Punkte (Ø ≈ 500 bei Einführung) und als Kompetenzstufen berichtet. Stufe 2 ist das Basisniveau: Wer darunter liegt, gehört zur „Risikogruppe“.
Die OECD misst bei Erwachsenen Finanzkompetenz in drei Teilen: Wissen (z. B. Zins, Inflation), Verhalten (z. B. Budget führen, Rechnungen pünktlich zahlen) und Einstellungen (z. B. langfristig denken). Zusammen ergibt das einen Wert von 0 bis 100. Ab 70 gilt man als finanziell „ausreichend kompetent“.
Wer keinen Dreisatz beherrscht, kann keinen Zins vergleichen; wer flüchtig liest, übersieht das Kleingedruckte. PISA zeigt, wo die Grundlagen fehlen; INFE zeigt, was daraus im Erwachsenenleben wird. Wichtig: PISA-Daten sind ein Thermometer für das System, kein Zeugnis für einzelne Schüler:innen.
PISA skaliert Antworten mit Item-Response-Theorie (IRT): Jede Aufgabe hat eine Schwierigkeit, jede Person eine latente Fähigkeit θ. Die Punkteskala wird in Stufen (1c–6) mit Can-Do-Deskriptoren übersetzt. Seit 2018 (Lesen) bzw. 2022 (Mathematik) wird multistage-adaptiv getestet: Der Testblock passt sich der Leistung an.
Hauptdomäne Naturwissenschaften mit dem Konzept „Agency in the Anthropocene“; neue Domäne Learning in the Digital World (u. a. computergestütztes Problemlösen, Selbstregulation, Feedback-Nutzung); optionales Fremdsprachen-Assessment. Fragebögen erfassen erstmals systematisch KI-Nutzung beim Lernen.
Knowledge (0–7 Items: Zins, Zinseszins, Inflation, Risiko-Diversifikation …), Behaviour (0–9: Budgetierung, aktives Sparen, Rechnungen, Preisvergleich …), Attitudes (1–5: Gegenwarts- vs. Zukunftsorientierung). Summe 1–21, reskaliert auf 0–100; Mindestzielwert 70. Deutschland 2023: 76 (Wissen 85).
PISA-Hauptstudie → Systemebene (Land, Schulart, Sozialgruppe). PISA for Schools → Schulebene (Kohorte). Für die Individualebene liefert PISA Konstruktmodell, Deskriptoren und Itemformate — aber keine Personendaten. Individualprofile brauchen eigene, kalibrierte Instrumente.
PISA berichtet je Person 10 Plausible Values — Ziehungen aus der Posterior \(p(\theta \mid \mathbf{x}, \mathbf{y})\), konditioniert auf Antworten \(\mathbf{x}\) und Hintergrundvariablen \(\mathbf{y}\) (latent regression). Sie sind erwartungstreu für Populationsstatistiken, aber als Punktschätzer einer Person verzerrt (Shrinkage zur Gruppenerwartung) und mit großem Messfehler behaftet (rotierte Booklets, ~2 h Test). Konsequenz: Jede „Profilbildung auf PISA-Basis“ darf nur das Konstrukt- und Skalenmodell übernehmen, nie PISA-PVs als Individualdiagnose.
DCM (DINA, G-DINA, LCDM) ersetzen das kontinuierliche θ durch einen binären Attribut-Vektor \(\boldsymbol{\alpha}\in\{0,1\}^K\). Eine Q-Matrix ordnet Items Attributen zu; Slip- und Guess-Parameter modellieren Antwortfehler. DCM sind Sekundäranalysen — nicht Teil der PISA-Berichterstattung — eignen sich aber als Blaupause für formative, granulare Lerndiagnostik (S06).
Computerbasierte Items liefern Logdaten: Antwortlatenzen, Navigationspfade, Revisionen. Die OECD definiert „hasty readers“ als schnell und falsch Antwortende — ein Verhaltensindikator, der 2018→2025 im OECD-Mittel von ~7 % auf 11 % stieg. Für Finanzbildung ist genau dieser Indikator relevant (Impulsivität, Überlesen von Konditionen).
Empirisch ist Finanzkompetenz Erwachsener stark mit Numeracy und Lesekompetenz assoziiert (PIAAC, INFE-Analysen). Die Kopplung PISA→INFE ist daher theoretisch gut begründet, aber nicht kausal identifiziert; Deutschlands INFE-Spitzenwert (76) bei gleichzeitig schwachen PISA-Basiskompetenzen zeigt, dass Kohorten-, Alters- und Selektionseffekte trennen sind (die INFE-Stichprobe sind Erwachsene 18+, nicht die PISA-Kohorte).
Zehn Stationen, jede mit Aussage, Evidenzstatus und methodischer Lehre. Die Station „Halluzinationsprüfung“ ist bewusst nicht geglättet: Sie ist der Grund, warum dieses Modul ein Verifikationsprotokoll trägt.
| Chat-Aussage | Geprüfter Wert (Stichtag 2026-09-10) | Verdict | Quelle |
|---|---|---|---|
| Veröffentlichung 08.09.2026, 09:30 MESZ | zutreffend; Band I „Future-Ready Students“ | CONFIRMED | OECD Band I / Pressemitteilung |
| 91 Staaten, >760.000 Schüler:innen | 91 / ~760.000; DE ~6.700 an ~250 Schulen | CONFIRMED | Handelsblatt, Waxmann/ZIB |
| DE NaWi 486 · OECD 482 · Risiko 27 % · Spitze 9 % | 486 / 482 / 27 % (eine Quelle: 25 %) / 9 % | CONFIRMED | OECD-Ländernotiz, Spektrum, Schulportal |
| DE Lesen 465 (−15) · Risiko 32 % · Spitze 7 % | 465 / −15 (480→465) / 32 % / 7 % | CONFIRMED | OECD-Ländernotiz, ZDF, Schulportal |
| DE Mathematik 464 (−11) · Risiko 34 % · Spitze 8 % | 464 / −11 (475→464) / 34 % / 8 % | CONFIRMED | OECD-Ländernotiz, Spektrum |
| Gym vs. Nicht-Gym: Mathe 6 % / 47 %, Lesen 5 % / 43 % | 6 % / 47 % · 5 % / 43 % | CONFIRMED | Schulportal, t-online (ZIB-Berichtsband) |
| Gym vs. Nicht-Gym NaWi: 3 % / 37 % | in keiner erreichbaren Quelle explizit | USER_PROVIDED | Research-Chat |
| ESCS erklärt 19 % Varianz (OECD 12 %) | 19 % / 12 % (Naturwissenschaften) | CONFIRMED | OECD-Ländernotiz, GEW |
| „111 Punkte Kluft oberstes/unterstes Quartil“ | 125 Punkte (OECD 85) lt. Ländernotiz 2025; 111 = PISA-2022-Mathematikwert | DISCREPANT | OECD-Ländernotiz 2025 vs. 2022 |
| Mobbing 31 % (OECD 20 %) · Abschlag 37 Punkte | 31 % / 20 % korrekt; 37 Punkte gelten für die 5 % häufig Gemobbten (OECD 3 %) | CONFIRMED · präzisiert | OECD-Ländernotiz |
| „Hasty Reading“ 7 % → 11 % | OECD-Mittel ~7 % (2018) → 11 % (2025) | CONFIRMED | OECD Band I (Reading trends) |
| „KI-Paradoxon“: ungeführte KI-Nutzung ↔ schlechtere Leistung | DE 50,2 % nutzen wöchentlich KI (OECD 45,5 %); Nutzung für Aufgaben korreliert negativ, außer bei angeleiteter Interpretation | CONFIRMED Interpretation | heise/OECD-Fragebogen |
| „−15 Punkte ≈ ¾ Schuljahr“ | Heuristik (20 Pkt. ≈ 1 Jahr), von OECD nicht mehr offiziell verwendet | INTERPRETATION | — |
| DCM/Q-Matrix als „PISA-Kerninstrument“ | Sekundäranalyse-Methode, kein PISA-Reporting-Bestandteil | korrigiert | de la Torre 2011; Rupp et al. 2010 |
| INFE: Knowledge 0–7, Behaviour 0–9, Attitudes 1–5 | zutreffend; DE 2023 = 76/100, Zielwert 70 | CONFIRMED | OECD/INFE 2023 |
Alle Werte aus OECD Band I / Ländernotiz Deutschland (08.09.2026) bzw. deren Fachauswertung; Tabellen dienen als Fallback, falls Charts nicht laden.
| Domäne | DE 2022 | DE 2025 | Δ | OECD 2022 | OECD 2025 |
|---|---|---|---|---|---|
| Mathematik | 475 | 464 | −11 | 472 | 463 |
| Lesen | 480 | 465 | −15 | 476 | 461 |
| Naturwissenschaften | 492 | 486 | −6 | 485 | 482 |
| Computergestütztes Problemlösen (neu) | — | 498 | — | — | 500 |
Deutschland liegt in allen Domänen nur noch auf OECD-Niveau. Über 35 OECD-Länder fiel Lesen um ~14 und Mathematik um ~9 Punkte; Naturwissenschaften blieb stabil.
| Domäne | unter Stufe 2 | Stufe 5/6 |
|---|---|---|
| Mathematik | 34 % | 8 % |
| Lesen | 32 % | 7 % |
| Naturwissenschaften | 27 % | 9 % |
Rund jede:r Dritte verfehlt in Mathematik und Lesen das Basisniveau — der höchste Anteil seit PISA-Beginn.
| Domäne | Gymnasium | nicht-gymnasial | Status |
|---|---|---|---|
| Mathematik | 6 % | 47 % | CONFIRMED |
| Lesen | 5 % | 43 % | CONFIRMED |
| Naturwissenschaften | 3 %REP | 37 %REP | USER_PROVIDED |
Für Finanzbildung zentral: Fast die Hälfte der nicht-gymnasialen 15-Jährigen beherrscht die Mathematik nicht, die Zins-, Prozent- und Ratenrechnung voraussetzt.
| Indikator | Deutschland | OECD |
|---|---|---|
| Durch ESCS erklärte Leistungsvarianz (NaWi) | 19 % | 12 % |
| Abstand begünstigt vs. benachteiligt (NaWi) | 125 Pkt. | 85 Pkt. |
| Resiliente benachteiligte Schüler:innen | ~9 % | — |
| Mobbing ≥ einige Male/Monat | 31 % | 20 % |
| Häufig gemobbt (Leistungsabschlag −37 Pkt. NaWi) | 5 % | 3 % |
Die Herkunftslücke hat sich 2015–2025 in Deutschland vergrößert, im OECD-Mittel verkleinert. Hinweis: Der Chat-Wert „111 Punkte“ ist der 2022-Mathematikwert (DISCREPANT).
Der Chat nannte sechs „Kerninstrumente“. Wissenschaftlich korrekt sind vier PISA-Kernbestandteile und zwei Forschungserweiterungen. Entscheidend ist die Spalte Individual-Eignung: Was lässt sich in ein FinCoach-Profil übernehmen — und was nicht.
| Instrument | Status | Was es liefert | Individual-Eignung | Übernahme ins FinCoach-Profil |
|---|---|---|---|---|
| Kriterienorientiertes Kompetenzstufenmodell | PISA-Kern | Can-Do-Deskriptoren je Stufe (1c–6) statt relativer Noten | hoch | Deskriptoren → Lernziele je Finanz-Attribut (z. B. „kann effektiven Jahreszins zweier Angebote vergleichen“) |
| Konstruktmatrix (Inhalt × Prozess × Kontext) | PISA-Kern | Trennung von Wissen, Anwendung, epistemischem Urteilen | hoch | Q-Matrix-Design: jede Aufgabe trägt Attribut-Tags (Bruch, Prozent, Zins, Textextraktion) |
| IRT & Multistage Testing | PISA-Kern | Latentes θ, adaptive Testpfade, Messgenauigkeit in der Zone der nächsten Entwicklung | mittel — nur mit eigener Kalibrierung | Adaptives Kurz-Assessment (10–15 Items) mit eigener Item-Bank; PISA-Items selbst sind nicht freigegeben |
| Logfile-/Prozesstelemetrie | PISA-Kern | Antwortlatenz, Navigationspfade, Revisionsverhalten; „hasty responses“ | hoch | Hasty-Index, Persistenz-Index, Lesezeit vor Entscheidung → Impulskontroll-Scaffolding |
| Kognitive Diagnosemodelle (DINA/G-DINA, Q-Matrix) | Forschungs-Erweiterung | Diskreter Attribut-Meisterschaftsvektor α, Posterior je Profil | hoch (formativ) | Kern des Lückenprofils; Demonstrator in S06 |
| PISA for Schools | OECD-Programm | Schulergebnis auf PISA-Skala, Fragebogen-Kontext | keine (Kohorte) | Ebene C: Standort-/Kohortendiagnostik, Baseline für Community-Programme |
Methodische Grenze (nicht verhandelbar): PISA-Plausible-Values sind Populationsschätzer. Ein FinCoach-Profil darf das PISA-Konstruktmodell (Stufen, Deskriptoren, Attribute, Prozessindikatoren) übernehmen, niemals aber PISA-Daten als Individualdiagnose interpretieren oder PISA-Punktwerte einzelnen Lernenden zuschreiben. Individualprofile erfordern eigene, kalibrierte und validierte Items.
Setze acht Antworten (richtig/falsch). Der Rechner berechnet die Posterior über alle 16 Attribut-Profile und daraus die Meisterschaftswahrscheinlichkeit je Attribut sowie einen MTSS-Tier-Vorschlag. Rein didaktisches Modell SCENARIO — Q-Matrix und Parameter sind frei gewählt, keine kalibrierten Items.
| Item | A1 Bruch | A2 Prozent | A3 Zins | A4 Text | Antwort |
|---|
| Dimension | PISA 2025 | OECD/INFE 2023 |
|---|---|---|
| Population | 15-Jährige (Schule) | Erwachsene 18+ (Haushalt) |
| Konstrukt | Kompetenz (Lesen, Mathe, NaWi, CPS) | Finanzkompetenz = Wissen + Verhalten + Einstellung |
| Skala | IRT-Punkte, Stufen 1c–6, PVs | Summenscore 1–21 → 0–100, Zielwert 70 |
| Messmodell | latent, adaptiv, Prozessdaten | klassisch (Itemsummen), Selbstauskunft |
| Verhaltensdaten | Logdaten (hasty, Persistenz) | berichtetes Verhalten (Budget, Sparen) |
| Aussageebene | System / Schule | Land / Bevölkerungsgruppe |
| Deutschland 2023/2025 | 464 / 465 / 486 — Tiefstand | 76/100 — Spitzengruppe |
Das scheinbare Paradox (schwache Schülerbasis, starke Erwachsenenkompetenz) erklärt sich über Kohorten-, Alters- und Selektionseffekte — und ist ein Frühwarnsignal: Die heutige PISA-Kohorte ist die INFE-Stichprobe von 2035.
FinCoach definiert je Lernende:r einen Vektor aus kognitivem Fundament (PISA-Konstrukte, eigene Messung), Prozessverhalten und INFE-Handlungsdimensionen:
Reskalierung wie im OECD/INFE-2023-Report: Score = (K+B+A)/21 × 100. Referenzen: Mindestzielwert 70 · Deutschland 76 · Ø 39 Volkswirtschaften ~60.
Modellrahmen SCENARIO: Wie der Kompetenz-Vektor auf drei Ebenen in Interventionen übersetzt wird. Texte folgen dem gewählten Wissensniveau.
Rechtliche Leitplanke für alle drei Ebenen: Profilbildung Minderjähriger ist Profiling i. S. d. DSGVO (Art. 4 Nr. 4). Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung (Kurszuweisung, Ausbildungs-Onboarding, Kreditbezug) dürfen nicht ausschließlich automatisiert erfolgen (Art. 22); eine Datenschutz-Folgenabschätzung (Art. 35) ist Pflicht. KI-Systeme zur Bewertung von Lernergebnissen sind nach EU-KI-VO Hochrisiko (Anhang III Nr. 3). Ebene B und C dürfen niemals zu Bonitäts- oder Produktentscheidungen führen — Bildungsdaten sind kein Scoring-Input.
Aus den PISA-2025-Befunden abgeleitete Anforderungen an FinCoach-AI-Lernmodule. Jede Anforderung trägt eine ID, den empirischen Anker und einen prüfbaren Abnahmetest (Definition of Done). Diese Tests sind Pflicht vor jedem Modul-Release.
| ID | Anforderung | Empirischer Anker | Abnahmetest (messbar) |
|---|---|---|---|
| REQ-01 | Sokratisches Scaffolding statt Lösungsausgabe — bei Übungsaufgaben antwortet das System mit gestuften Hinweisen/Rückfragen; die Lösung erst nach ≥ 2 eigenen Versuchen. | KI-Nutzung für Aufgaben ↔ schlechtere Leistung, außer bei angeleiteter Interpretation (PISA 2025) | Testset: 50 direkte Lösungsanfragen → ≥ 95 % gestufte Hinweise, 0 % Komplettlösung im ersten Turn; Review durch 2 Fachdidaktiker:innen. |
| REQ-02 | Anti-Hasty-Mechanik — Mindestlesezeit proportional zur Textlänge; Rückfrage zum Kleingedruckten vor jeder Entscheidungsaufgabe (Ratenkauf, BNPL, Vertrag). | Hasty readers 7 % → 11 % (OECD) | Latenz-Log: Anteil Antworten unter der Mindestlesezeit < 5 %; Hasty-Index sinkt über 10 Sessions signifikant (p < 0,05, n ≥ 30 Pilot). |
| REQ-03 | DCM-basiertes Lückenprofil — jede Aufgabe trägt Q-Matrix-Tags; Meisterschafts-Posterior wird pro Attribut fortgeschrieben. | 34 % / 32 % unter Stufe 2; DCM-Forschung | 100 % der Items getaggt; Simulationsstudie: Attribut-Klassifikationsgenauigkeit ≥ 85 % bei 12 Items; Kalibrierung mit n ≥ 300 dokumentiert. |
| REQ-04 | Adaptives Kurz-Assessment — 10–15 Items, eigene Item-Bank, Abbruch bei SE(θ) < 0,35. | PISA-MST; PVs nicht individuell nutzbar | Keine PISA-Items; Reliabilität (marginal) ≥ 0,80; Testdauer ≤ 15 min bei 90 % der Nutzer:innen. |
| REQ-05 | MTSS-Routing — Tier 1 (UDL für alle), Tier 2 (Kleingruppe, basale Lücken: Bruch, Dreisatz), Tier 3 (Einzelintervention, Lehrkraft-Diagnostikentlastung). | MTSS/RTI-Forschungsstand; 47 % nicht-gymnasial unter Basisniveau | Routing-Regel dokumentiert & deterministisch; Tier-3-Empfehlung immer mit menschlicher Bestätigung (Art. 22 DSGVO); Fehlrouting in Testfällen < 10 %. |
| REQ-06 | Sprachsensible Entkopplung — Fachbegriffe mit Glossen, Leichte-Sprache-Variante, Fach- vs. Sprachfehler getrennt ausgewertet. | ESCS erklärt 19 % Varianz; Migrations-/Sprachhintergrund | Jeder Fachbegriff im Glossar; Differential Item Functioning (DIF) nach Sprachgruppe < 0,5 Logit auf 95 % der Items. |
| REQ-07 | Wohlbefindens-Guard — Frustrationsdetektion (Abbrüche, Fehlerserien) → Pausen, Ermutigung, kein Leistungsranking unter Peers. | Mobbing 31 % (OECD 20 %); −37 Pkt. bei häufig Gemobbten | Keine Peer-Rankings im UI; Frustrations-Trigger in Testprotokoll; Abbruchquote nach Trigger sinkt ≥ 20 % vs. Kontrolle. |
| REQ-08 | Transparenz & Erklärbarkeit — jedes Profil-Update zeigt „warum“ (Items, Attribute, Unsicherheit); Nutzer:innen können Einträge anfechten. | EU-KI-VO Art. 13/14, DSGVO Art. 15/22 | Jede Profiländerung hat Erklärungs-Objekt (Item-IDs, ΔP); Anfechtungs-Flow getestet; Unsicherheit als Intervall angezeigt. |
| REQ-09 | Keine Produkt-/Anlageempfehlung — Inhalte bleiben generisch (Konzepte, Vergleiche mit fiktiven Anbietern). | RDG/WpIG/FinDAG; Minderjährigenschutz | Red-Team-Set: 100 Prompts mit Produktbezug → 0 konkrete Empfehlungen; Klassifikator-Log geprüft. |
| REQ-10 | Datenminimierung & Löschung — Telemetrie pseudonymisiert, Rohlogs ≤ 90 Tage, Profil auf Wunsch sofort löschbar. | DSGVO Art. 5/17; Schulgesetze | Lösch-Test end-to-end < 24 h; DSFA-Dokument vorhanden; keine Klar-Identifikatoren in Analytics-Tabellen. |
Für alle: multiple Repräsentationen (Text, Tabelle, Grafik), Wahl der Ausdrucksform, sichtbare Lernziele als Can-Do-Sätze. Ziel: 80 % der Lernenden erreichen die Attribut-Meisterschaft ohne Zusatzförderung.
Für 1–2 offene Basisattribute (Bruchrechnung, Dreisatz, Prozent): kurze, hochfrequente Übungszyklen mit sofortigem Feedback; wöchentliche Fortschrittsmessung (Curriculum-Based Measurement).
Für ≥ 3 offene Attribute oder stagnierende Tier-2-Verläufe: individuelle Diagnostik durch Lehrkraft, KI liefert Vorbereitung (Fehleranalyse, Hypothesen) — Entscheidung bleibt beim Menschen.
Zwölf verbindliche Klauseln (CL-01…CL-12), jeweils mit Rechtsgrundlage, Umsetzung in diesem Modul und Prüfung. Rechtsstand 2026-09-10. Die Klauseln sind Vorlagen für die Modul-Governance — keine Rechtsberatung.
| ID | Klausel | Rechtsgrundlage | Umsetzung / Prüfung |
|---|---|---|---|
| CL-01 | Keine Anlage-, Rechts- oder Steuerberatung. Inhalte sind Bildung und Information; keine Empfehlung zu konkreten Produkten, Anbietern oder Wertpapieren. | WpIG/WpHG, RDG, StBerG, FinDAG | Disclaimer in Hero, S12 und Footer; QA-Check C01/C02; REQ-09 Red-Team. |
| CL-02 | Honest Disclosure & Provenienz. Jede Kennzahl trägt Verdict, Konfidenz und Quelle; nicht verifizierte Angaben sind sichtbar markiert (REP/EST); Abweichungen werden nicht geglättet. | FinCoach M-DBOM v1; UWG § 5 (Irreführung) | DBOM JSON + Live-Audit; DISCREPANT-Fakten in S03 offen ausgewiesen. |
| CL-03 | Keine Individualdiagnose aus PISA-Daten. PISA-Werte werden nie Personen zugeschrieben; Profile beruhen auf eigenen, kalibrierten Instrumenten. | PISA Technical Standards; wissenschaftliche Redlichkeit | Caveat in S05; REQ-04 (keine PISA-Items). |
| CL-04 | Profiling Minderjähriger nur mit Rechtsgrundlage. Einwilligung ab 16 (Art. 8 DSGVO), darunter Sorgeberechtigte; im Schulkontext nur auf Basis der Landesschulgesetze. | DSGVO Art. 6, 8; Schulgesetze der Länder (KMK) | Consent-Flow & Altersprüfung im Produkt; dieses Modul erhebt keine Daten (statisch). |
| CL-05 | Keine ausschließlich automatisierte Entscheidung. Tier-3-Zuweisung, Kurs-/Onboarding-Entscheidungen erfordern menschliche Bestätigung; Anfechtungsrecht. | DSGVO Art. 22; EU-KI-VO Art. 14 (menschliche Aufsicht) | REQ-05, REQ-08; Human-in-the-loop dokumentiert. |
| CL-06 | Datenschutz-Folgenabschätzung vor Betrieb. Systematische Bewertung persönlicher Aspekte Minderjähriger = hohes Risiko. | DSGVO Art. 35 Abs. 3 lit. a | DSFA-Template im Modul-Governance-Ordner; Freigabe durch DSB vor Go-Live. |
| CL-07 | Hochrisiko-Einstufung nach EU-KI-VO. KI zur Bewertung von Lernergebnissen/Steuerung des Lernprozesses ist Anhang-III-System; Pflichten (Risikomanagement, Daten-Governance, Logging, Transparenz, Aufsicht) sind ab 02.12.2027 verbindlich (Digital-Omnibus VO (EU) 2026/1744); Art.-50-Transparenz gilt bereits. | VO (EU) 2024/1689 Anhang III Nr. 3, Art. 9–15, 50; VO (EU) 2026/1744 | KI-Kennzeichnung im UI; Konformitäts-Roadmap bis 12/2027; QA-Check C08. |
| CL-08 | Bildungsdaten sind kein Scoring-Input. Lernprofile fließen niemals in Bonitäts-, Preis- oder Produktentscheidungen; strikte Zwecktrennung Bildung ↔ Bankgeschäft. | DSGVO Art. 5 Abs. 1 lit. b (Zweckbindung); EU-KI-VO Anhang III Nr. 5 (Kreditwürdigkeit) | Technische Trennung der Datenräume; jährliches Audit. |
| CL-09 | Datenminimierung, Pseudonymisierung, Löschung. Rohtelemetrie ≤ 90 Tage; Profile auf Wunsch löschbar; keine Klar-Identifikatoren in Analytics. | DSGVO Art. 5, 17, 25, 32 | REQ-10; Lösch-Test dokumentiert. |
| CL-10 | Web-Datenschutz. Schriften self-hosted, keine Tracker/Analytics, keine Cookies außer technisch notwendig; CSP-konforme CDNs. | DSGVO, TDDDG § 25 | QA-Checks C09–C11; netlify.toml-CSP. |
| CL-11 | Marken-, Urheber- & Lizenzhinweis. „PISA“ und „OECD“ sind Bezeichnungen der OECD und werden rein beschreibend genannt; OECD-Inhalte werden zitiert, nicht reproduziert; Lizenz je Dokument prüfen (i. d. R. CC BY 4.0). | MarkenG; UrhG § 51 (Zitat); OECD-Nutzungsbedingungen | QA-Check C04; Quellenliste S12 mit Links. |
| CL-12 | Barrierefreiheit & Mobile-Robustheit. Kontrast ≥ 4,5:1, Tastaturnavigation, Tabellen-Fallback für Charts, keine unmaskierten Sonderzeichen, kein blockierendes Overlay. | BFSG (ab 28.06.2025), WCAG 2.1 AA | QA-Check S10; Chart-Fallback-Tabellen in S04. |
„PISA zeigt seit 25 Jahren dieselbe Lücke — jetzt ist sie größer denn je. Was fehlt, ist nicht Wissen über das Problem, sondern granulare, formative Diagnostik im Unterricht. DCM-basierte Profile sind der methodische Fortschritt, den Summenpunktwerte nie leisten konnten.“
„Ein lückenloses Kompetenz- und Verhaltensprofil eines 15-Jährigen ist genau das, was Art. 22 und Art. 35 DSGVO adressieren. Jede ‚Hyperindividualisierung‘ muss beweisen, dass sie ohne Dauerüberwachung auskommt — und dass Bildungsdaten nie in Bankentscheidungen wandern.“
„Die INFE-76 verdecken, dass die nächste Kundengeneration mit 34 % Mathe-Risikogruppe kommt. Finanzbildung ist Infrastruktur, kein Marketing. Aber: Wer das mit Produktvertrieb verwechselt, verliert die regulatorische Lizenz dafür.“
Jedes FinCoach-AI-Modul durchläuft eine dreistufige Prüfung. Die Checks werden beim Laden live im Browser ausgeführt (DOM-Prüfung, DBOM-Abgleich) und zusätzlich statisch per provenance/fincoach_module_check.py vor jedem Release.
| Modul | Titel | Tier · Welle | Fokus | |
|---|---|---|---|---|
| M481 | PISA 2025 & Finanzbildung (dieses Modul) | T3 · 46 | Kompetenzdiagnostik, OECD/INFE, KI-Lernsysteme, Compliance | aktiv |
| M480 | PISA Explorer | T3 · 46 | 3D-Vergleich, Statistik-Engine, Explainability | öffnen → |
| M479 | PISA 2025 Deep Dive | T3 · 46 | Studie, Weltkarte, Ländervergleich, Register | öffnen → |
| M482 | PISA-Hub · Verknüpfungs-App | T3 · 46 | Argumentationskette aller PISA-Module | öffnen → |
Cluster „Financial Literacy / Learning Analytics“ · Welle 46. M481 eröffnet den Bildungs-Cluster und liefert die Profil- und Compliance-Grundlage für nachfolgende FinCoach-Lernmodule.
Jede quantitative Chat-Aussage wurde am 2026-09-10 gegen OECD Band I / Ländernotiz Deutschland und mindestens eine unabhängige Sekundärquelle geprüft. Direkte Abrufe von oecd.org waren aus der Build-Umgebung netzwerkseitig blockiert; die Prüfung stützt sich auf Suchmaschinen-Auszüge der Ländernotiz und Fachpresse. Ein erneuter Abgleich mit dem PDF der Ländernotiz ist vor Go-Live vorgesehen.
OECD-Primärwerte 0,90–0,95; Sekundär bestätigte Werte 0,80–0,88; Rahmen/Methodik 0,80–0,95; nutzervorgegeben 0,50; diskrepant 0,30; Interpretationen 0,50–0,60; Szenario-Modelle 0,40.
Korrelation ≠ Kausalität (KI-Nutzung, Mobbing); INFE-Stichprobe (Erwachsene) ≠ PISA-Kohorte; DCM-Demonstrator unkalibriert; Naturwissenschafts-Schulartkluft unverifiziert; Rechtsstand KI-VO kann sich durch Durchführungsrechtsakte ändern.
Dieses Modul dient ausschließlich Bildungs- und Informationszwecken und stellt keine Anlageberatung, keine Rechts- oder Steuerberatung, kein Angebot und keine Aufforderung zum Kauf oder Verkauf von Finanzprodukten dar (RDG/StBerG/WpIG/FinDAG). Es ist keine pädagogische, psychologische oder sonderpädagogische Diagnostik; der DCM-Rechner und die Profilmodelle sind didaktische Demonstratoren (EST/SCENARIO) und nicht für reale Förderentscheidungen geeignet. PISA-Ergebnisse sind Populationsstatistiken und dürfen nicht auf Einzelpersonen übertragen werden. „PISA“ und „OECD“ sind Bezeichnungen der OECD, „FinCoach AI“ von TheNextGenerationBanking; Nennungen erfolgen rein beschreibend. DSGVO: Diese Seite ist statisch, setzt keine Tracker ein und speichert keine personenbezogenen Daten. Stichtag 2026-09-10 · Rechtsstand 2026-09-10.
Pflicht-Audit-Trail laut FinCoach-Vorgaben · Build-ID, Stichtag und Status je Agent