KI-basiertes Feedback in simulierten Lernsettings

Mit der Maßnahme wurde die Herausforderung adressiert, kommunikatives und professionelles Verhalten von Studierenden in praxisnahen Lehr-Lern-Situationen objektiv, reliabel und skalierbar zu erfassen und zu bewerten. Bisher ist qualifiziertes Feedback stark von individuellen Beobachtungen Lehrender abhängig, zeitintensiv und nur begrenzt standardisierbar. Die Maßnahme reagiert somit auf die begrenzte Objektivität menschlichen Feedbacks, den hohen personellen Aufwand sowie wiederholbarem Training

Im technisch-methodischen Strang werden effiziente Multi-Task-Architekturen zur Analyse affektiver Stimme und emotionaler Mimikry entwickelt. Für nicht-verbale „vocal bursts“ zeigt ein mehrzieliges Netzwerk auf Basis moderner Sprachrepräsentationen (z. B. data2vec, wav2vec2), dass sich Emotion, Herkunft und weitere Merkmale simultan vorhersagen lassen – mit deutlicher Überlegenheit gegenüber Baselines. Anwendungsbezogen wurde untersucht, wie Mimik (z. B. Lächeln, Blickkontakt) Ad-hoc-Anvertrauen in klinischen Entscheidungssituationen beeinflusst. Die Er-gebnisse zeigten eine positive Korrelation zwischen wahrgenommener Vertrauenswürdigkeit und Anvertrauen, jedoch keinen isolierten Effekt eines (digitalen) Lächelns – ein Hinweis auf die Bedeutung kontextueller und komplexer nonverbaler Muster für Ent-rustable Professional Activities.

Die Maßnahme wurde primär als Lehrinnovationsprojekt als auch als Forschungstool erprobt. Der Einsatz erfolgte in curricular verankerten Lehrveranstaltungen, in denen kommunikative Kompetenzen systematisch trainiert werden. Konkret wurde das Verfahren im Seminar Grundschulpädagogik eingesetzt, das auf das Training kommunikativer Fertigkeiten – insbesondere im Kontext von Eltern-LehrerInnen-Gesprächen – ausgerichtet ist.

Zentrale Voraussetzung war eine enge interdisziplinäre und interprofessionelle Zusammenarbeit zwischen Informatik, Medizindidaktik, Medizinischer Psychologie und Grundschulpädagogik. Durch die Bündelung technischer Expertise (Machine Learning, Algorithmik), fachdidaktischer Perspektiven sowie kommunikations- und professionsbezogener Kompetenzmodelle konnte ein praxisnahes System entwickelt werden. Die unterschiedlichen fachlichen Perspektiven ermöglichten die Operationalisierung von Verhaltenskriterien und eine didaktisch sinnvolle Einbettung in Lehrveranstaltungen.

Die Eignung der Maßnahme zeigt sich in den Ergebnissen der Begleitforschung (Medizin) sowie begleitenden Evaluation in den Pilotseminaren der Grundschulpädagogik. Dabei wurde sowohl die technische Funktionalität als auch die didaktische Wirksamkeit (Nützlichkeit, Verständlichkeit und Anschlussfähigkeit des Feedbacks für die Kompetenzentwicklung) untersucht. Die Rückmeldungen der Studierenden weisen in der Medizin als auch in der Grundschulpädagogik auf eine hohe Akzeptanz sowie einen wahrgenommenen Mehrwert des KI basierten Feedback im Vergleich zu rein mündlichem Feedback hin. Besonders hervorgehoben wurden die strukturierte Rückmeldung, die Möglichkeit wiederholter Übungsszenarien sowie die Transparenz der zugrunde liegenden Kriterien. Zudem zeigt die erfolgreiche Implementierung in unterschiedlichen Kontexten (Medizin und Grundschulpädagogik), dass der Ansatz übertragbar und skalier-bar ist. Die Kombination aus empirischer Evaluation, curricularer Verankerung und interdisziplinä

Eine zentrale – zugleich erwartete wie herausfordernde – Voraussetzung war die sehr präzise Operationalisierung kommunikativer Kompetenz in ihren verbalen, nonverbalen und paraverbalen Dimensionen. Die Notwendigkeit, diese Aspekte für die algorithmische Analyse eindeutig zu definieren, stellte eine wesentliche inhaltliche Herausforderung dar und führte zu einer deutlich geschärften curricularen Klärung von Bewertungskriterien. Der Einsatz von Avataren ermöglichte darüber hinaus skalierbare, wiederholbare Trainingssituationen. Unerwartet deutlich war die hohe Akzeptanz KI-gestützter Feedbackformate bei den Studierenden.

Die Operationalisierung kommunikativer Kompetenz (verbal, nonverbal, paraverbal) ist die zentrale fachliche Schlüsselaufgabe – und zugleich der größte Qualitätshebel für KI-gestütztes Feedback. Interdisziplinäre und interprofessionelle Zusammenarbeit ist unverzichtbar, um technische Machbarkeit, fachliche Validität und didaktische Sinnhaftigkeit zu verbinden.

KI-gestütztes Feedback wird von Studierenden gut akzeptiert, wenn Kriterien transparent gemacht und nachvollziehbar erläutert werden.

nein

Vor der technischen Umsetzung sollten verbale, nonverbale und paraverbale Kriterien präzise definiert und fachlich abgestimmt werden. Die Qualität der Operationalisierung entscheidet über die Qualität des Feedbacks. Mit kleineren Lehrsettings starten, Evaluationsergebnisse systematisch nutzen und das System schrittweise weiterentwickeln.