KI-unterstütze Programmierübung
In technischen Lehrveranstaltungen werden Übungen häufig in Form von Programmieraufgaben durchgeführt. Zum einen, weil die Softwareentwicklung das größte Innovationspotenzial von technischen Systemen aufweist und zum anderen die Lehre möglichst anwendungsorientiert sein soll. Die selbstständige Bearbeitung der Aufgaben wird durch Tutoren unterstützt, sodass die Unterstützung mit der Anzahl der Tutoren skaliert. In der universitären Lehre zeigt sich, dass die finanziellen Lehremittel begrenzt sind, sodass nur eine geringe Anzahl an Tutoren zur Verfügung steht. Deshalb verfolgt die vorliegende Projektidee die Entwicklung eines KI-Systems, dass die Programmierergebnisse der Studierenden analysiert und entsprechend der identifizierten Fehler Hinweise gibt. Grundlegende Probleme und häufige Fragen der Studierenden sollen so mithilfe von Maschinellen Lernen geklärt werden, ohne den Einsatz eines Tutors. Die Tutoren können sich dann vor allem auf individuelle Fragestellungen bzw. auf Studierende mit größerem Unterstützungsbedarf konzentrieren. Darüber hinaus bietet eine KI-unterstützte Programmierübung das Potenzial, dass Studierende auch außerhalb der Präsenzzeit Unterstützung erhalten.
Auf einen Blick
Ausführliche Beschreibung
Das Projekt „KI-unterstützte Programmierübung“ (KI-sup-CODING) wurde am Institut für Regelungstechnik der RWTH Aachen entwickelt. Es soll Studierende bei der eigenständigen Bearbeitung von Programmieraufgaben unterstützen. Dazu wurde ein KI-Tutor entwickelt, der auch außerhalb der Präsenzzeiten Hilfestellungen gibt. Die menschliche Betreuung soll dadurch ergänzt, aber nicht ersetzt werden.
Zu Beginn des Projekts wurde ein Verfahren untersucht, das die Ergebnisse der Studierenden anhand von Grafiken bewertet. Dabei zeigte sich, dass sich aus einem fehlerhaften Ergebnis nicht immer eindeutig auf die Ursache im Programmcode schließen lässt. Deshalb wurde das System weiterentwickelt. Der heutige Ansatz kombiniert eine ergebnisbasierte Bewertung mit einer KI-gestützten Analyse des Programmcodes. Bei Fehlern erhalten die Studierenden passende Hinweise. Diese werden bei wiederholten Fehlversuchen konkreter, ohne die Lösung direkt vorwegzunehmen.
Das System wurde in der Lehrveranstaltung „Maschinelles Lernen in der industriellen Regelungstechnik“ (RWTH Aachen University) eingesetzt und evaluiert. Die Rückmeldungen der Studierenden waren überwiegend positiv. Besonders geschätzt wurden die ständige Verfügbarkeit und die auf die jeweilige Aufgabe abgestimmten Hilfestellungen. Die bisherigen Untersuchungen waren jedoch zu klein, um belastbare Aussagen über den tatsächlichen Lernerfolg zu treffen.
Eine wichtige Erkenntnis des Projekts ist, dass KI-Tutoren vor allem bei wiederkehrenden Programmierproblemen helfen können. Für komplexe fachliche Fragen bleibt die persönliche Betreuung wichtig. Außerdem hat sich gezeigt, wie entscheidend gute Informationen zur jeweiligen Aufgabe für die Qualität der KI-Hilfestellungen sind.
Damit andere Lehreinrichtungen das System nutzen und weiterentwickeln können, wurde der vollständige Quellcode als Open Source veröffentlicht. Die Software ist modular aufgebaut und kann auf eigenen Servern betrieben werden. Auch das Sprachmodell läuft lokal. Dadurch werden studentische Lösungsdaten nicht zur Verarbeitung an externe KI-Anbieter übermittelt.
Über das Projekt hinaus soll das System weiterentwickelt und auf weitere Lehrveranstaltungen übertragen werden. Dazu gehören insbesondere bessere lokale Sprachmodelle, individuell anpassbare Hilfestellungen und weitere Untersuchungen zum Lernerfolg. Die Erfahrungen und veröffentlichten Projektergebnisse sollen anderen Lehrenden helfen, ähnliche Ansätze in ihren eigenen Programmierübungen einzusetzen.
Kontakt
AI Tutor for Programming Exercises : Combining Results- and Code-Based Feedback
Poster
Publikation anzeigenKI-unterstützte Programmierung mittels ergebniszentrierter Fehlerklassifikation. Potenziale zur Schaffung neuer Lernräume
Programmierkenntnisse gewinnen in technischen Studiengängen zunehmend an Bedeutung. Jedoch stehen in Programmierübungen häufig zu wenige Tutor:innen zur Verfügung, die die Studierenden beim Lösen der Programmieraufgaben unterstützen. Deshalb wird ein KI-System entwickelt, das die Studierenden jederzeit und individuell beim Lösen der Programmierübungen unterstützt. Im Gegensatz zu klassischen Ansätzen analysiert das KI-System nicht den programmierten Code, sondern fokussiert sich auf die Zwischen- und Endergebnisse (z. B. erzeugte Daten, Plots). Anhand dieser gibt das KI-System Hinweise und Erklärungen, um das selbstständige Arbeiten und kritische Denken ohne Musterlösung zu fördern. Ein erster Prototyp wurde im Rahmen einer Programmierübung eingesetzt und mit positiver Resonanz evaluiert.
Publikation anzeigenOpen-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
AI Tutor for Programming Exercises : Combining Results- and Code-Based Feedback
Poster
Publikation anzeigenKI-unterstützte Programmierung mittels ergebniszentrierter Fehlerklassifikation. Potenziale zur Schaffung neuer Lernräume
Programmierkenntnisse gewinnen in technischen Studiengängen zunehmend an Bedeutung. Jedoch stehen in Programmierübungen häufig zu wenige Tutor:innen zur Verfügung, die die Studierenden beim Lösen der Programmieraufgaben unterstützen. Deshalb wird ein KI-System entwickelt, das die Studierenden jederzeit und individuell beim Lösen der Programmierübungen unterstützt. Im Gegensatz zu klassischen Ansätzen analysiert das KI-System nicht den programmierten Code, sondern fokussiert sich auf die Zwischen- und Endergebnisse (z. B. erzeugte Daten, Plots). Anhand dieser gibt das KI-System Hinweise und Erklärungen, um das selbstständige Arbeiten und kritische Denken ohne Musterlösung zu fördern. Ein erster Prototyp wurde im Rahmen einer Programmierübung eingesetzt und mit positiver Resonanz evaluiert.
Publikation anzeigenOpen-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 anzeigenDas könnte Sie auch interessieren
digital augmented Science Teaching and Research
DigiSTAR schließt die digitale Kluft in der Studieneinstiegsphase, indem die Lehrveranstaltungen im Grundstudium mit fachdidaktisch fundierten, passenden digitalen Lernmodulen (Add-Ons) angereichert werden. Diese sind je nach Anforderungsbereich Multimedia-Selbstlern-Module, AR-Ergänzungen (z. B. zur besseren Vorstellung der Teilchenebene) oder die gezielte Integration von digitaler Messwerterfassung & Datenauswertung in Praktika. Dabei werden speziell Analogien zwischen Grundvorlesungen und fachwissenschaftlicher Forschung herausgearbeitet. Basierend und in Anlehnung an bereits publizierte Best-Practice-Beispiele werden diese Lernmodule unter Anleitung des Projektteam von fachdidaktisch ausgebildeten Lehramtsstudierenden im Masterstudium in einer speziell dafür eingerichteten Lehrveranstaltungen entwickelt und zur freien Nutzung (OER) bereitgestellt. Die Lernmodule implementieren dabei aktuelle Erkenntnisse fachdidaktischer Forschung (insb. im Bereich Digitalisierung) und fokussieren a) mediale Ergänzungen (u.a. AR/VR, multiple Repräsentationen) zu davon besonders profitierenden Fachwissensinhalten (Nichtsichtbares sichtbar machen) und b) fachtypische Verwendungen digitaler Technologien in den Naturwissenschaften.
Projekt anzeigen
Etablierung einer digitalen Prüfungsumgebung
Ausbau des THI Moodle-Prüfungsservers hinsichtlich seiner Kapazität und Funktionalität. Etablierung und Testung des Plugins Safe Exam Browser und weiterer technischer Möglichkeiten zur Schaffung einer sicheren Prüfungsumgebung. Ausstattung von zwei Hörsälen mit notwendiger Technik zur Erprobung hybrider Prüfungsformen und Anschaffung flexibel einsetzbarer Laptops und Tablets für die Erprobung von Bring Your Own Device Settings und zur Schaffung von Redundanzen in den Laboren. [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 anzeigenDigitale Kulturen der Lehre entwickeln. Rahmenbedingungen, Konzepte und Werkzeuge
Die Digitalisierung sowie der damit einhergehende Wandel von Gesellschaft und Arbeitsleben verändern die Anforderungen an Hochschulen, Lehrende und Studierende. Dabei entsteht eine neue Kultur digitaler Lehre mit großen Chancen und Herausforderungen für alle Akteursgruppen. Die Beiträge des vorliegenden Open-Access-Sammelbandes beleuchten die Entstehung digitaler Kulturen in der Hochschullehre und stellen neue Konzepte, Gestaltungsmöglichkeiten sowie Evaluationsergebnisse digitaler Lehr-Lern-Wege vor. Vor diesem Hintergrund werden in den Ausführungen auch digitale Werkzeuge und deren Anwendung sowie Weiterentwicklung in den Blick genommen – sowohl für reine Online-Formate als auch für Mischformen aus digitalen und klassischen Lehransätzen.
Publikation anzeigen