KI-gestützte didaktische Analyse im Praxissemester
Die didaktische Analyse von Lerngegenständen stellt eine zentrale berufliche Anforderung von Lehrkräften und eine Gelingensbedingung guten Unterrichts dar. Empirische Studien lassen allerdings vermuten, dass Studierende hierbei große Schwierigkeiten haben und gezielte Anleitung benötigen (Hesse et al. subm.). KI-Anwendungen stellen diesbezüglich eine innovative Ressource für Lehrkräfte dar. So spricht etwa die Ständige Wissenschaftliche Kommission der Kultusministerkonferenz davon, dass die Anwendungen Lehrkräfte bei der Erstellung adaptiver Unterrichtskonzepte (SWK 2024, S. 11) unterstützen können. Gleichzeitig werden KI-Anwendungen kritisiert, weil sie fachlich falsche oder erfundene Inhalte generieren (ebd., S. 910). Das Projekt KIDAN (KI-gestützte didaktische Analyse) sieht hier einen Professionalisierungsbedarf und entwickelt ein Seminarkonzept für die Begleitung von Lehramtsstudierenden im Fach Deutsch im Praxissemester. Ziel ist es, anhand zweier einschlägiger Gegenstände des Sprach- und Literaturunterrichts Fähigkeiten der didaktischen Analyse (z.B. Potenziale von Gegenständen erkennen oder Lernziele formulieren) in reflektierter Ko-Aktivität mit der KI zu erarbeiten. Diese sollen dann von den Studierenden sukzessive auf die eigene Unterrichtspraxis bezogen werden. Die Evaluation des Konzepts erfolgt über ein digitales Portfolio (inkl. Ergebnisanalyse, Logs der KI-Interaktion, Reflexion der KI-Nutzung) sowie Studierendenbefragung.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
MINT Robotics Cup
Das Projekt MINT Robotics Cup zielt darauf ab, das Interesse und die Kompetenzen von Studierenden in MINT-Fächern hochschulweit spielerisch zu fördern. Angesichts des Rückgangs der Studienanfänger in technischen Disziplinen um 6,5% im letzten Jahr (Destatis, 2023) und der steigenden Nachfrage nach technisch versierten Fachkräften, adressiert unser Vorhaben ein kritisches Bildungsdefizit. Der regelmäßig stattfindende Wettbewerb soll Studierende aller Fachrichtungen, von BWL bis Informatik, sich in interdisziplinären Teams der Herausforderung zu stellen, einen Roboter zu konstruieren und zu programmieren, sodass dieser eine gestellte Aufgabe lösen kann.Für Chancengleichheit zwischen den Teilnehmern verschiedener Semester und Vorkenntnisse wird durch Anpassung fortgeschrittener technischer Möglichkeiten oder Programmierhilfen gesorgt. Dies fördert nicht nur technische Fähigkeiten, sondern auch Soft Skills wie Teamarbeit und Problemlösung.Technologisch deckt das Projekt aktuelle Themen wie agiles Projektmanagement, Rapid-Prototyping, Sensorik, Künstliche Intelligenz und IoT ab. Diese Inhalte werden durch begleitende Betreuung praxisnah vermittelt und können in weiterführende Lehrveranstaltungen integriert werden. Besonders wichtig ist uns die Relevanz technischer Grundkenntnisse auch für Studierende nicht-technischer Fachbereiche. Langfristig streben wir die Implementierung weiterer gamifizierter Lehrmethoden an, um die Motivation und den Lernerfolg nachhaltig zu steigern.
Projekt anzeigen
Lehrendenbefragung zur Zukunft der Lehre
Die Herausforderung bestand darin, nach der Covid-19-Pandemie herauszufinden, wie Lehrende an Hoch-schulen in Sachsen die Hochschullehre weiterentwickeln würden. Was von der Hochschullehre in der Pande-miezeit soll bleiben? Wohin soll sich die Hochschullehre entwickeln? Grundlage für die Erhebung bilden die Empfehlungen des Wissenschaftsrates zur zukunftsfähigen (digitalen) Gestaltung von Studium und Lehre.
Maßnahme anzeigen
Too Positive to Be True? Sentiment Analysis of AI-Guided vs. Human-Led Debriefings in Virtual Reality Counseling Training
Debriefings are a crucial component of simulation-based learning, as they allow participants to critically reflect on their performance and translate experiences into knowledge. With the rise of artificial intelligence (AI), large language models (LLMs) are increasingly being explored as conversational agents in debriefings. However, concerns have been raised that AI debriefers may display sycophantic tendencies, characterized by overly positive sentiment and a lack of critical feedback. Such tendencies could affect learners' self-evaluations. In this study, 45 university students participated in a virtual reality (VR) counseling simulation, followed by either an AI-guided or a human-led debriefing. Sentiment analysis of 958 debriefing statements (350 AI, 608 human) was conducted using a German sentiment classification model. Results show that AI debriefers expressed significantly more positive sentiment and substantially fewer negative statements compared to human debriefers, corroborating the assumption of a sycophancy effect. However, sentiment was not found to predict self-rated counseling competence or self-efficacy. While AI debriefers provide consistent encouragement, their lack of critical feedback raises questions about their long-term effectiveness for professional skill development. Future research should explore hybrid approaches that combine AI scalability with human expertise in constructive reflection.
Publikation anzeigen