THISuccessAI - Studienerfolg durch KI-gestützte Lernpfade
Das Projekt THISuccessAI zielt darauf ab, den Studienerfolg in MINT-Studiengängen durch individualisierte Lernpfade für Studierende signifikant zu erhöhen. Dabei wird die KI-Kompetenz der Hochschule genutzt, um über Learning Analytics Studierenden-, Lern- und Lehrinformationen zu sammeln, über Mustererkennung auszuwerten und daraus individualisierte Lernpfade abzuleiten. Diese werden u.a. mit (digitalen) Lehr- und Lerneinheiten ausgestaltet. Ein Dashboard visualisiert für Studierende und Dozenten den Lernstatus. Das Projekt schließt die Erstellung von KI-gesteuerten Tools, die sich durch weitere Datenanreicherung kontinuierlich weiterentwickeln, ebenso ein, wie die Erstellung digitaler Learning Nuggets für die Gestaltung der individualisierten Lernpfade. Nach der dreijährigen Entwicklungs- und Implementierungsphase mit Fokus auf bestehenskritische Fächer wird das Projekt über alle Fächer und Studiengänge der THI ausgerollt.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
Augmented reality und KI in der Medizinlehre
Im klinischen Abschnitt lernen Medizinstudierende Krankheitsbilder kennen, welche durch MRT/CT diagnostiziert werden. Das Erkennen der Pathologie, die Umsetzung des Schnittbildes in eine dreidimensionale Welt und der Transfer auf den tatsächlichen Patienten ist schwierig. Zudem erhalten Studierende im OP bei minimal-invasiven Eingriffe nur limitierte Einblicke in das Operationsgeschehen. Aus konventionellen Dünnschicht MRTs können inzwischen automatisiert naturgetreue 3D Abbilder der Patientenanatomie entstehen. In diesem Verbundprojekt der Universität Siegen (technischer Anteil) und dem Universitätsklinikum Bonn (medizindidaktischer Anteil) soll diese Technik im Blockpraktikum der Fächer Neurologie, Innere Medizin, Chirurgie, Anästhesie und Gynäkologie an den Siegener Lehrkrankenhäuser eingesetzt werden. Konkret erheben Studierende an realen Patient:innen klinische Befunde und erhalten danach Zugang zu 3D-Animationen der gleichen Patient:innen allerdings in geänderter Reihenfolge. Unter Supervision durch die Lehrenden sollen sie dann versuchen, reale Patient:innen und 3D-Animationen einander zuzuordnen und so ihr Verständnis der zugrundeliegenden Pathologie zu schärfen. Der Lernerfolg wird mit dem einer Bonner Kohorte von Blockpraktikant:innen verglichen, die keinen Zugang zu den 3D-Animationen hat. Die Technik soll auch in den Studiengängen der Lebenswissenschaftlichen Fakultät in Siegen eingesetzt werden
Projekt anzeigen
Schritt-für-Schritt-Ansatz
Nach Motivationsbildung und Kontexteinbettung, wird die Vermittlung technisch komplexer Inhalte in kleine, logisch aufeinander aufbauende Schritte gegliedert, um Überforderung bei der Zielgruppe zu vermeiden. Durch diese kleinschrittige Struktur können sich die Nutzenden systematisch in technische und didaktische Konzepte einarbeiten. Diese Maßnahme haben wir in einem Tutorial zur Erstellung von Open Educational Resources (OER) und im Rahmen eines Workshops angewandt, in dem die Teilnehmenden ihre eigene OERs für die Hochschullehre technisch implementieren sollen.
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