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
Online-Escape Rooms in der Medizinischen Lehre
Die üblicherweise als Events genutzten Escape Rooms, in denen eine Gruppe von Menschen ein Rätsel lösen muss, um wieder freizukommen, werden zunehmend auch in der medizinischen Lehre eingesetzt. Während die studentische Zufriedenheit mit dieser spielerischen Vermittlungsmethode hoch ist, fehlen Daten zur Effektivität des Ansatzes bezüglich des Lernerfolgs. Zudem ist die Organisation eines Escape Room-Spiels in Präsenz mit einem hohen personellen Aufwand verbunden, der im Verhältnis zur kleinen Zahl der profitierenden Studierenden unverhältnismäßig erscheint. In diesem Projekt wird ein Online-Template für Escape Rooms erstellt, das mit unterschiedlichen medizinischen Fragestellungen und Inhalten gefüllt werden kann. Die Studierenden arbeiten über digitale Kommunikationskanäle miteinander zusammen und können dabei unabhängig vom aktuellen Fall immer ähnliche Features nutzen (z.B. Untersuchungsbefunde, gefilmte Zusatzinformationen, Leitlinien, Joker). Lehrende können diese Features gezielt nutzen, um auch einmal falsche Fährten zu legen. In dem Projekt werden die Expertisen zweier Standorte synergistisch genutzt: Tübingen ist hauptverantwortlich für kommunikative Funktionen und psychosomatische Inhalte; Bonn trägt eigene Expertise im Game Design, der Rheumatologie und der Medizininformatik (Programmierung) bei. In einer abschließenden Wirksamkeitsstudie, die an beiden Standorten durchgeführt wird, soll die Effektivität dieses skalierbaren Ansatzes untersucht werden.
Projekt anzeigen
Erstellung eines „Handbuchs digitale Prüfungen“
Das Vorgehen zur Erstellung und Durchführung digitaler Prüfungen wird in einem "Handbuch digitale Prüfungen" unter Berücksichtigung von organisatorischen, technischen, didaktischen und rechtlichen Fragen dokumentiert. Damit soll über das Projekt hinaus auf nachhaltige Weise digitale Prüfungskompetenz an der Hochschule aufgebaut werden. Ein kontinuierlicher Austausch mit interessierten Lehrenden an der gesamten Hochschule wird aktiv angeregt. [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 anzeigen
Chattest du nur oder lernst du auch? Lernen mit KI fördern.
Generative KI nutzen kann jede:r – aber kann KI wirklich beim Lernen helfen? Zwei Hochschulkurse mit über 2000 Teilnehmenden zeigen: Der Schlüssel liegt nicht in der Technologie, sondern im bewussten Umgang mit ihr. Was passiert, wenn Studierende KI nicht als digitalen Ghostwriter, sondern als Lernpartner entdecken? Dieser Blogbeitrag über eine interinstitutionelle Kooperation zwischen der FernUniversität Hagen und der Hochschule Koblenz liefert spannende Erkenntnisse über effektives Lernen mit KI.
Publikation anzeigen