Studierendenzentriert | kollaborativ | innovativ Lehren und Lernen an der Universität Bremen
Die pandemiebedingten Entwicklungen werden zu einer Initialzündung für einen Change-Prozess in der Lehre zu stärkerer Studierendenzentrierung und zu kollaborativen und innovativen Lehr- und Lernformen. Mit dem Projekt werden digitale Lehr-, Lern- und Prüfungsszenarien in den Studiengängen lernzielorientiert curricular verankert und didaktische, organisatorische und technische Unterstützungsstrukturen weiterentwickelt. Lehrende und Studierende erhalten Angebote zum Ausbau ihrer Medien- und Digitalisierungskompetenzen und ein digital gestütztes Wissensmanagement wird etabliert. Die Universität bezieht dabei Erfahrungen aus früheren Projekten, im e-learning und Evaluationen der Corona-Semester mit ein. Die Maßnahmen setzen bei den übergreifenden technischen Desideraten und bei der studiengangsspezifischen Entwicklung an. Freiräume für die methodisch-didaktische und technische Umgestaltung von Modulen sowie professionelle Unterstützung bei den konzeptionellen Vorarbeiten und in der Umsetzung sind wegweisend für eine nachhaltige innovationsfreundliche Kultur in der Lehre. Das Projekt ist daher eingebettet in langfristige strategische Planungen und legt den Grundstein für die Bündelung der lehrbezogenen Unterstützungsstrukturen.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
25 + X: Wissenschaftlich denken und schreiben
Die Geschwindigkeit, mit der KI (Künstliche Intelligenz) den Bildungsbereich überbrandet und verändert ist exorbitant. Studierende müssen daher schnell durch professionelle, auf die einzelnen Fachgebiete abgestimmte Angebote auf das wissenschaftliche Arbeiten und Schreiben mit und ohne KI vorbereitet werden. Das Projekt 25 + X ist ein Future-Skills-Training im Kompaktformat. Hauptamtliche Dozierende der Schreibwerkstatt für wissenschaftliches Schreiben der Universität Stuttgart entwickeln dreistündige Kursformate und bieten diese als Inhouse-Veranstaltungen an den Instituten an. Dadurch soll Lehrenden und Instituten Arbeit an didaktischen Formaten mit Aussagekraft abgenommen werden. Über eine persönliche Kontaktaufnahme mit den Lehrenden im Vorfeld wird präzise identifiziert, wie fachliche Spezifika zielführend integriert werden können. Zudem werden Konzeption, Durchführung und Evaluation der Workshops von einer Peer-Tutorin/einem Peer-Tutor begleitet. Dies soll gewährleisten, dass die Perspektive der Studierenden mit deren Bedarfen und Interessen während des gesamten Projektverlaufs im Fokus bleibt. Langfristig ermöglicht dies, Workshops mit fächerübergreifendem Profil zu entwickelt, die nach Abschluss der Projektförderung in das Permanent-Angebot der Schreibwerkstatt aufgenommen werden können.
Projekt anzeigen
Entwicklung des Stud.IP-Plugins „getFeedback!“
Insbesondere in Großveranstaltungen ist es häufig schwierig, allen Studierenden prozessbezogenes Feedback auf ihre Lernprodukte (z.B. Aufgabenblätter) zu geben. Eine potenzielle Lösung liegt darin, tutorielles und/oder peer-basiertes Feedback umzusetzen. Wie die empirische Lehr-Lernforschung zeigt, muss dieser Feedbackprozess jedoch gut angeleitet werden, um erfolgreich zu sein. Wir haben daher das Stud.IP-Plugin „getFeedback!“ entwickelt, das es Lehrenden erlaubt, strukturierte tutorielle und/oder peer-basierte Lehr-Lernszenarien für ihre Lehrveranstaltungen zu entwickeln und diese entweder synchron oder asynchron (in jedem Fall aber anonymisiert) umzusetzen.
Maßnahme anzeigen
Open-Source Intelligent Tutoring System for Programming Exercises in Engineering Education
Implementing control and machine learning algorithms in MATLAB and Simulink is a critical competency in advanced control engineering. While immediate feedback is essential for fostering intuitive understanding, it is traditionally constrained to scheduled exercise sessions or consultation hours. To bridge this gap, this project introduces an open-source intelligent tutoring platform that provides continuous, on-demand feedback. To accommodate diverse solution strategies, the platform employs a hybrid evaluation strategy combining result-based and code-based metrics. This ensures that valid alternative solutions that differ from predefined sample solutions are not misclassified. In case of incorrect solutions, a Large Language Model, contextualized with sample solutions and task classification results, offers auxiliary support for students struggling to initiate or complete tasks. Instructional scaffolding is adaptively adjusted to guide students toward independent problem-solving. We position this platform as a supplementary tool designed to enhance, rather than replace, valuable interactions between students and human tutors. Built on open-source tools, the system is architected for reusability, enabling lecturers across engineering subjects to adapt the framework to their teaching needs easily.
Publikation anzeigen