Easy Tutor - KI-gestütztes intelligentes Tutorensystem zur einfachen Erstellung und automatischen Korrektur komplexer E-Learning-Aufgaben
Sogenannte intelligente Tutorensystem (ITS) erlauben, komplexere Aufgaben automatisiert zu korrigieren und zu bewerten. Diese vergleichen die Abgaben der Studierenden häufig mit einem Pool an Musterlösungen der Dozierenden oder basieren auf sehr vielen Regeln. Somit ist das Feedback an die Studierenden entweder eingeschränkt oder die Erstellung ist für die Dozierenden zu zeitaufwändig. Ziel des Projektes Easy Tutor KI-gestütztes intelligentes Tutorensystem zur einfachen Erstellung und automatischen Korrektur komplexer E-Learning-Aufgaben ist es, dass Studierende hilfreiches Feedback erhalten, ohne dass Dozierende einen erhöhten Aufwand haben. Erstellt wird ein selbstlernendes System, das mit der Zeit von allein immer besser darin wird, Studierenden intelligentes Feedback zu deren Lösungen zu geben an-statt lediglich auf vorgefertigtes Feedback zurückzugreifen. Darüber hinaus wird die Aufgabenerstellung für die Dozierenden vereinfacht. Mithilfe von neuen Data-Mining-Methoden und künstlicher Intelligenz werden vorliegende Studierenden-Lösungen analysiert. So soll zukünftig möglich sein, dass das System automatisch Hilfestellungen an Studierende geben kann. Zum Beispiel können richtige Studierendenabgaben, welche nicht der Musterlösung der Dozierenden entsprechen, genutzt werden, um das System selbstständig und ohne Eingriffe der Dozierenden dazulernen zu lassen.
Auf einen Blick
Kontakt
Excel-Checker
Ziel ist es, Lernenden genauere Rückmeldungen über aufgetretene Fehler zu geben, damit sie ein besseres Verständnis für die notwendigen Korrekturen und eine Optimierung ihrer Excel-Fähigkeiten erlangen können. Dadurch erhalten Lernende präzise Hinweise, welche Aspekte ihrer Abgaben korrekturbedürftig sind. Dadurch werden praktischen Fähigkeiten im Umgang mit Excel vertieft. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigenSQL-Checker
Diese Maßnahme zielt darauf ab, die SQL-Überprüfungsverfahren für Studentenabgaben zu verbessern. Statt sich darauf zu beschränken, Abgaben als richtig oder falsch zu klassifizieren, wird eine genaue Rückmeldung zu den spezifischen Fehlern in den SQL-Anweisungen geliefert. Dadurch erhalten Lernende präzise Hinweise, welche Aspekte ihrer Abgaben korrekturbedürftig sind. Dadurch werden praktischen Fähigkeiten im Umgang mit Datenbankabfragen vertieft. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigenE-Learning Analytics Tool
Die Entwicklung zielt darauf ab, eine intuitive, webbasierte Auswertungsplattform zu erstellen, die Lehrkräften dient, um den Lernfortschritt effektiv zu visualisieren und zu verfolgen. Diese Plattform soll als zentrales Werkzeug dienen, um den Fortschritt der Studierenden in verschiedenen Bereichen zu überwachen und zu analysieren. Sie wird darauf ausgelegt sein, sowohl einfache als auch komplexe Daten über den Lernfortschritt zu erfassen, zu verarbeiten und darzustellen. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigen
Excel-Checker
Ziel ist es, Lernenden genauere Rückmeldungen über aufgetretene Fehler zu geben, damit sie ein besseres Verständnis für die notwendigen Korrekturen und eine Optimierung ihrer Excel-Fähigkeiten erlangen können. Dadurch erhalten Lernende präzise Hinweise, welche Aspekte ihrer Abgaben korrekturbedürftig sind. Dadurch werden praktischen Fähigkeiten im Umgang mit Excel vertieft. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigenSQL-Checker
Diese Maßnahme zielt darauf ab, die SQL-Überprüfungsverfahren für Studentenabgaben zu verbessern. Statt sich darauf zu beschränken, Abgaben als richtig oder falsch zu klassifizieren, wird eine genaue Rückmeldung zu den spezifischen Fehlern in den SQL-Anweisungen geliefert. Dadurch erhalten Lernende präzise Hinweise, welche Aspekte ihrer Abgaben korrekturbedürftig sind. Dadurch werden praktischen Fähigkeiten im Umgang mit Datenbankabfragen vertieft. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigenE-Learning Analytics Tool
Die Entwicklung zielt darauf ab, eine intuitive, webbasierte Auswertungsplattform zu erstellen, die Lehrkräften dient, um den Lernfortschritt effektiv zu visualisieren und zu verfolgen. Diese Plattform soll als zentrales Werkzeug dienen, um den Fortschritt der Studierenden in verschiedenen Bereichen zu überwachen und zu analysieren. Sie wird darauf ausgelegt sein, sowohl einfache als auch komplexe Daten über den Lernfortschritt zu erfassen, zu verarbeiten und darzustellen. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigenDas könnte Sie auch interessieren
ForSE - Forest, System and Education - Reale und digitale Lernwelten im Marburg Open Forest vernetzen - Reale und digitale Lernwelten im Marburg Open Forest vernetzen
Im Projekt ForSE Forest, System and Education - Reale und digitale Lernwelten im Marburg Open Forest vernetzen arbeiten Studierende, Dozierende und Lehrer*innen Hand in Hand. In einem Wechselspiel aus Theorie und Praxis und im Austausch mit verschiedenen Akteur*innen aus Wissenschaft und Schulpraxis sollen umweltwissenschaftliche Fragestellungen in einer authentischen Forschungsumgebung mit einer Bildung für nachhaltige Entwicklung kombiniert werden. Lehramt-Studierende sollen dabei komplexe sozial-ökologische Systeme aus einer Fachperspektive heraus fachdidaktisch modellieren und im Austausch mit Lehrer*innen in schulische Kontexte überführen. Ziel ist es, datenbasierte Erkenntnisse zur nachhaltigen Nutzung des Ökosystems Wald zu nutzen, um ein Bewusstsein für sozial-ökologische Systeme zu bilden. Als Lernumgebung wird der Universitätswald Marburg Open Forest genutzt.
Projekt anzeigenKultur der Digitalität
Das übergeordnete Ziel des Projektes KuDiKo war es, die Potentiale der Digitalisierung für die Hochschullehre in einem ganzheitlichen und vernetzten Ansatz zu nutzen und eine „Kultur der Digitalität“ mit im Projektverlauf entwickelten Leitlinien zu schaffen. Digitalität meint dabei die Vernetzung der „analogen“ und „digitalen“ Wirklichkeit. Im Gegensatz zu Digitalisierung eröffnet Digitalität zudem eine nicht ausschließlich technikzentrierte Perspektive auf die Veränderungsprozesse der Hochschullehre. Infolgedessen stellte die Entwicklung und der nachhaltige Aufbau einer Kultur der Digitalität an der Hochschule Koblenz weniger ein rein technisches als vielmehr ein tiefgreifend organisationales Transformationsprojekt dar. Daher wurden soziale (Aufbau von digitalen Lehr-/ Lernkompetenzen) und organisatorisch-strukturelle (Schaffung von flexiblen Strukturen) Aspekte in den Entwicklungsdiskurs getragen.
Maßnahme anzeigen
Multimodale Modellantworten als direktes Feedback bei der individuellen Unterrichtsvideoanalyse
Im Diskurs um Reformen in der Lehrkräftebildung wird der Forderung nach fundierten, berufspraktisch relevanten Kompetenzen u. a. mit dem Einsatz von Unterrichtsvideos begegnet. Dabei stellt sich nicht nur die Frage nach geeigneten Maßnahmen, um den Kompetenzerwerb auch im digitalen Raum bei der individuellen Videoanalyse zu begleiten, sondern es gilt auch zu untersuchen, welche Modalität diese Begleitmaßnahmen haben sollten, um für Studierende im Sinne der Cognitive Theory of Multimedia ansprechend und gut nutzbar zu sein. Es wurde eine Erhebung in einem videobasierten Online-Lernsetting durchgeführt, bei dem 137 Grundschullehramtsstudierende zwischen auditiven und transkribierten Modellantworten als direktes Feedback wählen konnten. Analog zur Feedbackmodalitätsforschung bestätigte sich das Audio als präferierte Modalität. Jedoch wurde ein einschränkender Reihenfolgeeffekt festgestellt. Erste Erklärungen, warum Studierende Audio oder Transkript präferieren, liefert eine Inhaltsanalyse.
Publikation anzeigen