Automatisiertes Feedback zu Diagrammen mit FeeDi
Die Fähigkeit, komplexe Inhalte in Diagrammen darzustellen, ist besonders in MINT-Fächern essenziell – etwa in UML-, Prozess-, Schalt- oder XY-Diagrammen. Doch in großen Lehrveranstaltungen mit bis zu 500 Studierenden ist eine individuelle Korrektur eingereichter Modellierungen kaum möglich. Selbst in kleineren Gruppen entsteht so ein hoher Bewertungsaufwand. In der Lehrveranstaltung Datenbanksysteme der HTWK Leipzig kam das E-Assessment-Tool FeeDi zum Einsatz: Lehrende hinterlegten eine Musterlösung, auf deren Basis Studierende automatisiert grafisches, numerisches und textuelles Feedback zu ihren ER-Diagrammen erhielten. Zudem wurden Bewertungsschemata und Feedbacktexte für typische Fehlerklassen vorbereitet. Ziel war es, Studierenden zeitnahes, prozessbezogenes Feedback zu geben und Lehrende zu entlasten. Die Studierenden erhielten direkt nach der Abgabe farblich markierte Rückmeldungen zu korrekten und fehlerhaften Elementen, numerische Bewertungen (absolut/prozentual) sowie text
Kategorien
Beschreibung
Herausforderung
Grafische und diagrammatische Aufgaben sind didaktisch wertvoll, erzeugen aber hohen Korrekturaufwand. Detailliertes Feedback zu geben bedeutet oft viele Stunden Korrekturarbeit. Eine Folge ist, dass Lehrende die Anzahl diagrammatischer Aufgaben reduzieren. Dadurch gehen wertvolle Lernchancen verloren. Eine andere Folge ist, dass Studierende zeitverzögert Feedback erhalten. Dadurch fehlt Studierenden unmittelbare Rückmeldung und der Lernprozess wird unterbrochen, was die Motivation senkt.
Herangehensweise
Effektives Feedback ist ein starker Treiber für Lernerfolg – vor allem dann, wenn es nicht nur zeigt, was falsch ist, sondern erklärt, wie man besser wird. Genau dieses prozess- und reflexionsorientierte Feedback ist bei grafischen Aufgaben bisher nur in Einzelfällen realisierbar (v.a. UML-Diagramme).
Mit FeeDi wurde ein Tool eingesetzt, das verschiedene Diagramme automatisiert auswertet. Lehrende erstellen eine Musterlösung und definieren Bewertungsschemata sowie eigene Feedbacktexte. Studierende laden ihre erstellten Diagramme (z. B. .pptx oder .drawio) hoch und erhalten direkt grafische, numerische und textuelle Rückmeldungen. Das Feedback erfolgt automatisiert auf Aufgabenebene, individuell ergänzt um Feedback auf Prozess- und Selbstregulationsebene und orientiert sich am Modell von Hattie & Timperley (2007). FeeDi ist geeignet für formative Übungen im Semesterverlauf – mit Fokus auf kontinuierlichem Üben, Selbstreflexion und der Reduktion des Korrekturaufwands für Lehrende.
Zusammenhang
FeeDi wurde als formative Lernumgebung in der zur Vorlesung gehörigen Übung in der Mitte des Semesters eingesetzt. Konkret wurde das E-Assessment-Tool FeeDi im WS 2024/25 eingesetzt im Modul Datenbanksysteme (4. Fachsemester, Master Informations- und Kommunikationstechnik, dual/kooperativ, 26 Studierende). Vier ER-Diagrammaufgaben wurden über FeeDi bereitgestellt. Studierende nutzten das Tool freiwillig in Einzelarbeit oder Kleingruppen, meist jedoch in Tandems.
Voraussetzung
Technisch: FeeDi läuft serverbasiert (Docker-Container) und kann als webbasierter Dienst integriert werden.
Organisatorisch:
Da der formative Einsatz im Übungsbetrieb empfohlen wird, sind keine Anpassungen der Prüfungsordnung nötig.
Die Studierenden erhalten den Link zu FeeDi über die Vorlesungsfolien oder das LLM, erstellen ihre Lösung in PowerPoint, laden die fertigen Diagramme in FeeDi und bekommen unmittelbar Feedback auf ihre Lösung angezeigt.
Pädagogisch/didaktisch:
Die auf Aufgabenebene (richtig/falsch) automatisch generierten Feedback-Texte von FeeDi sollten von der Lehrperson ergänzt werden um eigene Feedbacktexte, welche typische Fehlerklassen identifizieren und prozessuale Hilfestellungen bieten.
Aufgaben sollten klar umrissen sein, um Varianz in den Diagrammlösungen zu minimieren.
Lernziele der Aufgabe(n) sollten definiert sein.
Die automatische Punktevergabe des Systems kann auf die Lernziele angepasst werden.
Kurz: Docker, Aufgabe, Lernziel, Link, PowerPoint
Eignung
Der Erfolg von FeeDi zeigt sich darin, dass Lehrende ihren Korrekturaufwand deutlich reduzieren und erstellte Aufgaben mehrfach nutzen können, ohne an Feedbackqualität zu verlieren.
Für Studierende bedeutet der Einsatz, dass sie im Semesterverlauf mehr Übungsaufgaben bearbeiten und dabei unmittelbares, visuelles Feedback erhalten. Durch die farbliche Markierung fehlerhafter Diagrammelemente werden Fehler sofort sichtbar und können selbstständig korrigiert werden (Selbststeuerung). Die Kombination aus grafischer Rückmeldung, Angabe des Lernziels und Einsicht in die Musterlösung fördert eigenständiges Lernen und Reflexion. Damit verbessert FeeDi nicht nur die Feedbackkultur, sondern steigert die Lernaktivität und Motivation zur Verbesserung.
Erfolgreich ist der Einsatz insbesondere dann, wenn Lehrende vielfältige mit Feedback annotierte Aufgaben wiederverwenden können und Studierende den iterativen Übungsprozess aktiv nutzen – FeeDi macht so Feedback in der Lehre skalierbar.
Vorgehen/Schritte
Aufgabe formulieren und Diagrammtyp identifizieren: Diagrammatisch abbildbare Aufgaben identifizieren (z. B. ER-, UML-, Prozessdiagramme).
Lernziel definieren: Klären, welche Kompetenzfacetten oder -stufe adressiert wird (z. B. „create“ nach Anderson & Krathwohl).
Musterlösung erstellen: Eine korrekte Diagrammlösung als Referenz vorbereiten.
Fehlerklassen festlegen: Mögliche typische Fehler und Varianten im Voraus überlegen.
Punktevergabe planen: Kriterien und Gewichtung für Bewertungspunkte definieren.
Feedbacktexte formulieren: Kurze, prägnante Hinweise für häufige Fehler vorschreiben und Prozesshinweise formulieren.
Aufgabe in FeeDi anlegen: Musterlösung ins Tool laden, Aufgabe und Link für spätere Weiterbearbeitung speichern, Feedbackpunkte/-texte eingeben.
Testlauf durchführen: Eigenes „Studierendenbeispiel“ zur Kontrolle hochladen und Ergebnis prüfen.
Korrekturen im System anpassen: Feedback und Punkteschema nach Testlauf überarbeiten.
Aufgabenlink für Studierende erzeugen: Automatisch generierten FeeDi-Link für Studierende speichern.
Aufgabe bereitstellen: Link über LMS (z. B. OPAL) oder Übungsfolien veröffentlichen.
Tool einführen: FeeDi vorab in der Lehrveranstaltung kurz erklären und Testdurchlauf anbieten.
Übungsphase starten: Studierende arbeiten eigenständig oder in Gruppen an Diagrammaufgaben.
Selbstkontrolle fördern: Musterlösung freigeben, um Vergleich und Selbstkorrektur zu ermöglichen.
Nutzung evaluieren: Rückmeldungen der Studierenden zu Verständlichkeit und Nutzen einholen, ggf. selbst Nutzung beobachten.
Aufgaben iterativ verbessern: Feedbacktexte und Bewertung regelmäßig anpassen.
Aufwand reflektieren: Nach der ersten Durchführung den Erstellungsaufwand bewerten und optimieren.
Wiederverwendung planen: Aufgaben für kommende Semester archivieren und direkt einsetzbar halten.
Verbreitung fördern: Kolleg:innen über Erfahrungen informieren und Austausch zu FeeDi-Nutzung anregen, ggf. Aufgabenlinks teilen.
Hinweise
Effekte
Erwartet war eine deutliche Entlastung beim Korrekturaufwand und die Möglichkeit, Studierenden zeitnahes Feedback zu geben. Diese Erwartungen wurden erfüllt: Lehrende konnten Aufgaben effizienter gestalten und Feedbackprozesse automatisieren. Unerwartet zeigte sich jedoch, dass Studierende vor allem das grafische Feedback intensiv nutzten – farbige Markierungen halfen, Fehler schnell zu erkennen und selbstständig zu korrigieren. Textuelle Hinweise wurden seltener beachtet, numerische Bewertungen wirkten unterschiedlich: teils motivierend, teils irritierend. Besonders positiv war der beobachtete Abbau von Hemmschwellen – Studierende trauten sich, unvollständige oder fehlerhafte Lösungen abzugeben, da die Rückmeldung zunächst anonymisiert und automatisiert durch FeeDi erfolgte. Damit wurde Feedback nicht nur effizienter, sondern auch angstfreier und lernförderlicher gestaltet.
Learnings
Der Einsatz von FeeDi zeigt: Der initiale Aufwand für die Erstellung von Aufgaben, Musterlösungen und Feedbacktexten ist vergleichsweise hoch, sinkt jedoch bei wiederholter Nutzung deutlich. Nach der ersten Implementierung können Aufgaben mit minimalem Anpassungsbedarf erneut eingesetzt werden, was den Vorbereitungsaufwand langfristig stark reduziert. Entscheidend für den Erfolg ist eine klare und variantenarme Aufgabenstruktur – je eindeutiger die Modellierungsaufgabe formuliert ist, desto besser kann das automatische Feedback greifen. Besonders bei komplexen Diagrammen empfiehlt es sich, mögliche Fehlerklassen im Voraus zu definieren und Aufgaben schrittweise zu gestalten. So bleibt das Feedback konsistent, nachvollziehbar und lernwirksam. Diese Erfahrung deckt sich mit Forschungsergebnissen, die betonen, dass gut strukturierte formative Assessments die Qualität von Feedback und Lernprozessen entscheidend steigern (vgl. Hattie & Timperley, 2007; Striewe et al., 2021).
Empfehlung
Bei sehr kleinen Gruppen (< 10 Personen) lohnt der initiale Aufwand, eine Aufgabe in FeeDi zu erstellen, weniger. Hier können klassische Rückmeldungen in handschriftlicher Form effektiver sein.
Tipps
Aufgaben so gestalten, dass sie klar strukturierte Diagramme erwarten.
Feedback möglichst mit Hinweisen zum Verbesserungsprozess formulieren.
Fehlerfeedback auf Aufgabenebene generiert FeeDi bereits automatisch.
Bei ersten Einsätzen: kleinen Testlauf durchführen.
Nachnutzung planen: Einmal erstellte Aufgaben sind mehrfach verwendbar.
Aufgaben mehrfach im Semester einbauen, um Feedback in den Lernprozess einzubetten.
Sonstiges
Langfristig soll FeeDi durch KI-gestützte Feedbackvorschläge und erweiterte Diagrammtypen weiterentwickelt werden.
Ziel ist eine Community of Practice, die den Einsatz in verschiedenen Disziplinen teilt und weiterträgt, Aufgaben untereinander teilt und die Nutzung evaluiert.
Anfragen zur Nutzung oder Erweiterung des Feedbacktools können jederzeit an andreas.thor@htwk-leipzig.de gestellt werden.
Methoden
Empfohlen
Nicht empfohlen
Kontakt
Das könnte Sie auch interessieren
VReiraum - ein interdisziplinärer VR/AR-Makerspace für Studierende
In der Lehrkräftebildung der Universität Potsdam werden vermehrt Virtual- und Augmented Reality-Szenarien eingesetzt, um bei Studierenden fachspezifische Kompetenzen im Umgang mit VR und AR aufzubauen. Das VReiraum-Projekt führt die Aktivitäten sechs verschiedener Fächer in einem interdisziplinären Makerspace zusammen. Dazu stehen einerseits zwei VR-Labore zur Verfügung, andererseits ist der VReiraum-Makerspace v.a. durch Wissenstransfer und interdisziplinären Austausch gekennzeichnet. Denn die Lehrveranstaltungen werden so verschränkt, dass Studierende fachübergreifend kollaborieren und auf die Forschungsexpertise und Beratung aller Dozierenden zugreifen können. Die angehenden Lehrkräfte entwickeln so unter professioneller Anleitung eigenständig virtuelle Lernwelten und testen sie in der Schulpraxis. Ende des Wintersemesters wird das Format des Makerspace zwischenevaluiert und für das Sommersemester angepasst. Das Projekt schließt mit einem BarCamp ab, in dem die Produkte der Studierenden und die Projekterkenntnisse mit allen Interessierten diskutiert werden. Ziel des Projekts ist, mittels iterativer, qualitativer Forschungsansätze Gelingensbedingungen für den Einsatz von VR/AR in der universitären Lehrkräftebildung zu extrahieren und das Format des Makerspace als innovatives Lehrformat zu evaluieren.
Projekt anzeigen
Das Digital-Humanities-Zertifikat der UA Ruhr
Im Verbund der Universität Duisburg Essen, der Ruhr-Universität Bochum und der Technischen Universität Dortmund wurde ein hochschulübergreifendes Digital-Humanities-Zertifikat implementiert, das Studierenden aller drei Standorte eine formale Zusatzqualifikation ermöglicht. Das dreistufige Modell aus Einführung, Vertiefung und Kolloquium mit Posterpräsentation setzt bewusst auf die Öffnung bereits bestehender Lehrveranstaltungen und schafft so Sichtbarkeit für DH-bezogene Lehre in der Universitätsallianz Ruhr (UAR). Wer ein ähnliches Zertifikat einführen möchte, sollte wissen: Die größten Herausforderungen liegen in der Information von Lehrenden und der Akquise von anrechenbaren Lehrveranstaltungen sowie in der Abstimmung im Verbund. Unterschiedliche Anrechnungsregelungen und Zuständigkeiten erforderten viel Koordinationsaufwand in der Pilotphase. Hilfreich ist es, Prozesse fortlaufend nachzusteuern sowie Lehrende frühzeitig aktiv mit einzubinden.
Maßnahme anzeigen
Digitale Methoden des Lernens und Lehrens in der Archäologie. Chancen und Herausforderungen
Data Literacy hat in den vergangenen Jahren in den archäologischen Disziplinen zunehmend an Bedeutung gewonnen. Während in der Forschung schon lange mit digitalen Werkzeugen gearbeitet wird, sind in der Lehre sowohl die Vermittlung digitaler Kompetenzen als auch die Anwendung digitaler Lehrformate bislang eher noch die Ausnahme. Das Netzwerk „Digitale Kompetenzen in der Archäologie“ hat es sich zur Aufgabe gemacht, hier für Verbesserung zu sorgen. Auf einem Workshop an der TU Darmstadt im Juni 2024 wurden Chancen und Herausforderungen digitaler Methoden des Lernens und Lehrens angeregt diskutiert und zahlreiche Best Practice-Beispiele vorgestellt. Die Ergebnisse dieses Workshops werden in dem hier vorliegenden Band präsentiert. Sie bieten wertvolle Anregungen für die zukünftige Entwicklung digitaler Lehrkonzepte in der Archäologie.
Publikation anzeigen