GeoKI: Leitfäden für die Analyse von Geodaten
Das Bedürfnis, KI auf aktuelle Fragestellung in komplexen Forschungsgebieten, wie beispielsweise den Wechselwirkungen von Klima und Umwelt, anzuwenden, nimmt stetig zu. Angewandte Studiengänge beinhalten aber oft keine ausreichende Mathematik-und Informatikausbildung, um eine mathematisch korrekte Datenverarbeitung durchzuführen.Im Rahmen dieses Projektes soll jeder und jedem interessierten v.a. Studierenden Leitfäden für die korrekte Analyse von Geodaten zur Verfügung gestellt werden. Dies geschieht über das zu entwickelnde GeoKI-Lab, welches mithilfe von Studierenden für Studierende entwickelt wird. Im GeoKILab können Algorithmen nachvollzogen und mithilfe von Jupyter Notebooks nachprogrammiert werden. Studierende werden direkt in die Lehrentwicklung einbezogen.Darüber hinaus werden Kurse für Studierende und Schüler*innen angeboten, in denen - vom Erheben unterschiedlicher Geo-Daten über die KI-Anwendung bis hin zur Interpretation der Ergebnisse - Leitfäden praktisch erlebt werden können. Insgesamt entsteht ein deutschlandweit einzigartiges GeoKI-Lab, welches ein hohes Transferpotential auf weitere Anwendungsgebiete wie beispielsweise den Wirtschaftswissen oder der Medizin hat.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
MagicEye Augmented Reality in der Lehre
Was haben Betriebsanleitungen technischer Systeme und Versuchsbeschreibungen von technischen Laboren gemeinsam? Der Anwender oder Nutzer wird oft schon nach Schritt zwei abgehängt und kann nicht mehr folgen. Das ist nur ein Grund, warum viele Menschen Vorbehalte gegenüber Betriebsanleitungen haben, obwohl sie uns eigentlich helfen sollten, die Anwendung richtig zu nutzen. Studierende von naturwissenschaftlichen Studiengängen stehen bei der Vorbereitung zu Laborversuchen oft vor dem gleichen Problem. In der Zukunft wird uns das Thema Augmented Reality (AR) in allen Bereichen des täglichen Lebens begleiten. In der praxisorientierten Lehre bietet AR jedoch noch ein enormes Potenzial, um das Verständnis und die Umsetzung von komplexen Anweisungen zu erleichtern. Das Projekt MagicEye möchte die Potenziale aufzeigen, die eine AR-gestützte Versuchsvorbereitung und nachfolgende Versuchsdurchführung ermöglichen. Während der Vorbereitung kann bereits außerhalb des Labors ein visuelles Verständnis für die Laboreinheit geschaffen werden. Während der Versuchsdurchführung können AR-Systeme visuell bei einzelnen Schritten unterstützen, helfen Fehler zu vermeiden oder sogar die Abfolge bewerten. MagicEye wird über Tablets und auch Augmented Reality Brillen Anwendung finden.
Projekt anzeigen
Digitale Lehrkompetenz: Peergroups & Erfahrungsaustausch von Lehrenden
Mit der zunehmenden Digitalisierung der Lehre stehen Lehrende immer häufiger vor der Situation, dass sich die – oft ungeplanten und spontanen – Kontakte und Begegnungen erheblich reduzieren. Die Maßnahme zielt daher darauf ab, die Interaktion, den Kontakt und den Austausch der Lehrenden untereinander zu kultivieren. Einsatz findet dabei eine Mischung aus digitalen Austauschmöglichkeiten und Diskussionsrunden. Good-Practice-Vorstellungen und gemeinsame Reflexionsveranstaltungen zu Tooltestphasen runden das Angebot ab.
Maßnahme anzeigen
Examining the regulation of motivational and comprehension-related problems during collaborative learning
Während des kooperativen Lernens können vielfältige Probleme auftreten, die es für Gruppen erforderlich machen, wirksame Regulationsprozesse einzusetzen. Bislang ist wenig darüber bekannt, (a) welche Arten von Strategien Lernende in solchen Gruppen typischerweise anwenden, um ihr Lernen zu regulieren, und (b) auf welchen sozialen Ebenen (Selbst‑ vs. Co‑ vs. geteilte Ebene) sie diese Strategien einsetzen, um unterschiedlichen Arten von Problemen Rechnung zu tragen, die während der Zusammenarbeit auftreten können. Um diese Fragen zu untersuchen, entwickelten wir vier Fallvignetten, die eine Lerngruppe bei der Prüfungsvorbereitung beschrieben, wobei Probleme systematisch in einem 2×2‑Within‑Subjects‑Design variiert wurden (Vorhandensein vs. Nicht‑Vorhandensein motivationaler bzw. verständnisbezogener Probleme). N = 278 Studierende wurden gebeten zu beschreiben (a) welche Strategien und (b) auf welchen sozialen Ebenen sie diese Strategien in jeder der vier Problemsituationen einsetzen würden. Die Ergebnisse zeigten, dass Studierende auf motivationale Probleme mit mehr motivationalen, jedoch weniger kognitiven Strategien reagieren und auf verständnisbezogene Probleme mit mehr kognitiven, aber einem ähnlich hohen Einsatz motivationaler Strategien. Damit scheinen Studierende motivationale Probleme in einer problemsensitiveren Weise anzugehen als verständnisbezogene Probleme – ein Befund, der sich auch über die verschiedenen sozialen Ebenen hinweg zeigte.
Publikation anzeigen