
Virtuelle kieferorthopädische Therapieplanung
Die Planung einer kieferorthopädischen (KFO) Therapie basiert auf der Bewertung einer Vielzahl von Einzelbefunden und -diagnosen, d. h. Analysen von Röntgenbildern, Kiefermodellen und klinischen Befunden. Wesentliche Bausteine des Therapieplans sind sog. Problemkomplexe, für welche jeweils ein konzeptionelles therapeutisches Vorgehen festzulegen ist. Zudem sind eine chronologische Therapieabfolge und apparative Umsetzung zu definieren. Der Planungsprozess ist sehr komplex und daher im Rahmen des Zahnmedizinstudiums schwierig vermittelbar. So ergaben Befragungen von Studierenden den Wunsch einer Implementierung digitaler, unterstützender Tools. Ziel dieses Antrags ist die Konzeption und Realisierung einer systematischen digitalen KFO-Therapieplanung. Das modulare Grundkonzept wird durch aufeinander aufbauende Stufen bzw. Softwaremodule reflektiert. Durch das Projekt soll das Lehrkonzept substanziell didaktisch weiterentwickelt, und die Anzahl der im Studium geplanten KFO-Patientenfälle deutlich erhöht werden. Der Prozess wird interaktiv gestaltet und durch Feedback-Schleifen nachvollziehbarer gestaltet. Zudem sollen auch KI-gestützte Methoden für adaptive, individuelle Antworten angebunden werden können. Studierende sind in die didaktische Konzeption eingebunden, und evaluieren die entwickelten Tools hinsichtlich deren Usability. Neben dem direkten Nutzen für die Studierenden sollen durch implementierte Datenanalysen Schwachstellen im Lehrkonzept identifiziert werden können.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren

Implizite Vorurteile in der Medizin
Wissenschaftliche Befunde zeigen, dass implizite Vorurteile gegenüber Patient*innen, u.a. in Form von Stereotype und (geschlechtsbezogener) Diskriminierungen, die Qualität der medizinischen Behandlung negativ beeinflussen können bis hin zu fehlerhaften Diagnosen oder mangelhaften Therapien. Ärzt*innen sehen sich ebenfalls Diskriminierungen von Patient*innen und Kolleg*innen ausgesetzt, die die Arbeitszufriedenheit negativ beeinflussen können. Trotz der Bedeutsamkeit dieser Faktoren wird der Umgang mit impliziten Vorurteilen und Diskriminierung in der medizinischen Lehre bisher kaum thematisiert. Ziel dieses Projektes ist es daher, den Studierenden im Rahmen eines longitudinalen Curriculums im klinischen Abschnitt eigene implizite Vorurteile bewusst zu machen und Verhaltensweisen zu fördern, um auf diskriminierendes Verhalten von Kolleg*innen und Patient*innen adäquat reagieren zu können. Dabei werden zwei didaktische Ansätze verfolgt: (1) Patient*innenfälle, die die Grundlage diverser Lehrformate mit Simulationspersonen bilden und u.a. als Videofälle vorliegen, sollen hinsichtlich der Sichtbarmachung gesellschaftlich vorhandener Diversität überarbeitet bzw. neu entwickelt werden; (2) basierend auf dem psychologischen Nudging-Konzept sollen kleinere, aber wiederkehrende Stimuli in die Simulationen integriert werden, um implizite Vorurteile wiederholt sichtbar zu machen und Formen und Ursachen zu thematisieren. Die Wirksamkeit der Maßnahmen soll fortlaufend evaluiert werden.
Projekt anzeigen
Arbeitsstruktur-/Prozessanalysen im Verbund
Im Rahmen der Qualitätssicherung und -entwicklung im Verbundprojekt D2C2 soll auch sicherge-stellt werden, dass die Mitarbeitenden im Verbund gut zusammenarbeiten. Hierfür werden geeignete Arbeitsstrukturen und Prozessabläufe benötigt, die den unterschiedlichen Projektphasen gerecht werden. Als Maßnahme wurde regelmäßig erfasst, wie die Strukturen und Prozesse genutzt bzw. um-gesetzt werden. Dies erfolgt über regelmäßige interne Online-Befragungen mit den Verbundmitarbei1. Projektkoordinationtenden, qualitativen Feedbacks während der Treffen.
Maßnahme anzeigen
Beyond ChatGPT: A Comparative Mapping of AI Research in STEM and Engineering Education and the Contemporary AI Tool Ecosystem
Artificial intelligence (AI) is increasingly shaping higher education. However, the diversity of the contemporary AI tool ecosystem is only partially reflected in educational research. This study examines the research visibility of a curated set of 85 AI tools and systems in STEM, engineering, and laboratory education using a comparative mapping approach. The analysis revealed a marked concentration of research visibility: only 36 of the 85 tools were research-visible, while Conversational AI/LLMs accounted for 73.7% of the 927 positive Paper × Tool connections identified across 592 publications. Laboratory-based learning environments were particularly sparsely represented, with only 23 publications having an established laboratory context. Taken together, these findings reveal a mismatch between the technological and functional diversity represented in the curated contemporary AI tool ecosystem and the more concentrated patterns of research visibility identified for these tools. This mismatch can be understood as a broader complexity gap. The findings highlight the need for more function-oriented and context-sensitive AI research and contribute to current discussions on the responsible integration of AI into STEM and engineering education, particularly in laboratory-based learning environments.
Publikation anzeigen