AIducator
AIducator ist ein auf künstlicher Intelligenz basierendes Tutorensystem für kompetenzorientierte Assessments in der konzeptuellen Modellierung. AIducator generiert personalisiertes Feedback in Echtzeit und stimmt es auf individuelle Bedürfnisse der Lernenden ab, wie z. B. Medienpräferenz, Sprache, Lernniveau und Personalität. AIducator erstellt Lernpfade für die Aufgabenbearbeitung unter Berücksichtigung vorgegebener Lernziele und gemessenen Lernfortschritts und ermöglicht skalierbare und effiziente Unterstützung der Lernenden.AIducator adressiert Lernende aller Bildungsschichten, Altersgruppen und Geschlechter, indem er den Lernenden personalisiertes, fachbezogenes und korrektes Feedback in Echtzeit bereitstellt. Das fördert die Motivation, vorgegebene Lernziele zu erreichen, und ein höheres Problemlösungsverständnis.AIducator erlaubt es Lehrkräften erstmalig, alle KursteilnehmerInnen optimal auf ihre individuellen Bedürfnisse abgestimmt zu betreuen, indem der Aufwand für Einzelbetreuungen reduziert und nachhaltig an AIducator übertragen werden. AIducator steigert die Qualität der Betreuung der Lernenden und ermöglicht effektives selbsttätiges orts- und zeitunabhängiges Lernen.Bildungsstätten profitieren langfristig von AIducator durch gesteigerte Abschlussquoten und institutionelle Reputation und können datengetriebene Analysen von Kompetenzdefiziten und Anpassungen der Lernmaterialien und Betreuung vornehmen.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
Brücke zwischen Universität und Schüler:inne
Im Sinne der 3rd Mission unterstützt die Universität Tübingen die Übernahme gesellschaftlicher Verantwortung. Das BUS-Projekt verbindet Engagement und Hochschullehre in besonderer Weise, fördert Bildungsgerechtigkeit und den Erwerb überfachlicher Kompetenzen. Um der gesellschaftlichen Herausforderung Bildungsgerechtigkeit zu begegnen, vernetzt das BUS-Projekt bestehende Mentoringprogramme von NGOs und Studierendeninitiativen und bindet sie als Praxispartner und Experten in das Projekt ein. Durch die gezielte Verbindung von Studierenden aus benachteiligten Kontexten mit Praxispartnern werden strukturelle Barrieren für ein Engagement nachhaltig reduziert. Die Praxispartner erhalten so Zugang zu einer vielfältigeren Gruppe engagierter Studierender mit neuen Perspektiven und Ideen, die sich aktiv für mehr Bildungsgerechtigkeit einsetzen. Der vorurteilsfreie Austausch zwischen Studierenden und Schüler:innen kann Hemmschwellen abbauen und Orientierung in der komplexen Informationslandschaft zum Thema Studium bieten. BUS ist ein Lehr-Lernprojekt. In Workshops werden akademisches Wissen vermittelt und spezifische Fähigkeiten gestärkt, während die Studierenden praktische Erfahrungen im Mentorat sammeln. Zudem wird durch explizite Reflexionsprozesse die Wissens- und Erfahrungsebene verknüpft. Durch die curriculare Verankerung und die Vergabe eines Zertifikats werden das Engagement und die erworbenen Kompetenzen der studentischen Mentor:innen anerkannt und sichtbar gemacht.
Projekt anzeigen
Fertigung Versuchsaufbau-Komponenten mit 3D-Druck
Durch 3D-Druck konnten spezifische Komponenten bedarfsgerecht konstruiert und gefertigt werden, wodurch sich zeitintensive Entwicklungszyklen (Recherche, Beschaffung, Prüfung, Anpassung) deutlich verkürzten. Ein weiterer Vorteil des 3D-Drucks liegt darin, dass Anpassungen auf Basis bestehender Konstruktionsdaten schnell eingearbeitet oder defekte Teile bei Bedarf schnell ersetzt werden konnten.
Maßnahme anzeigen
Bot or Not? Differences in Cognitive Load Between Human- and Chatbot-Led Post-Simulation Debriefings
Understanding how different debriefing formats impact learner’s cognitive load is crucial for designing effective post-simulation reflection activities. This paper examines cognitive load after post-simulation debriefings facilitated either by a human instructor or a generative AI Chatbot. In a controlled study with N = 45 educational science students, 23 participants engaged in a lecturer-facilitated debriefing, while 22 completed a chatbot-guided session. Cognitive load was assessed across intrinsic, extraneous, and germane dimensions. Results revealed no statistically significant differences between the two debriefing methods. Future research should examine AI-led debriefings with larger samples and employ complementary measures of cognitive load to provide a more comprehensive understanding.
Publikation anzeigen