Lernfeedback durch Kontrafaktische Erklärungen
Die Maßnahme adressiert die Herausforderung, dass Lernende in digitalen Lernumgebungen stark hetero-gen in ihren selbstregulierten Lernfähigkeiten (SRL) sind und herkömmliches Feedback diese Unterschiede nicht berücksichtigt. Auf Basis der SRL-Theorie wurden Anforderungen an personalisiertes Feedback abge-leitet und mit Verfahren des Maschinellen Lernens sowie Erklärbare KI (XAI) umgesetzt. Dadurch konnten Lernverhalten und individuelle Charakteristika von Studierenden erfasst und mittels kontrafaktischer Er-klärungen in handlungsleitendes Feedback übersetzt werden. Eine universitäre Lehrveranstaltung diente als Testfeld, in dem signifikante Verbesserungen bei Plattformnutzung und Prüfungsergebnissen nachge-wiesen wurden.
Kategorien
Beschreibung
Herausforderung
Lernende unterscheiden sich stark in Motivation, Metakognition und Selbststeuerung. Standardisierte Feedbacksysteme verfehlen daher oft ihren Zweck und benachteiligen insbesondere Studierende mit Schwierigkeiten im selbstregulierten Lernen.
Herangehensweise
Wir leiteten aus der SRL-Theorie Anforderungen an Feedbacksysteme ab und nutzten maschinelles Lernen, um Beziehungen zwischen Lernverhalten, individuellen Merkmalen und Studienerfolg zu modellieren. Mit-hilfe von Erklärbarer KI (XAI), insb. kontrafaktischer Erklärungen wurden personalisierte Handlungsemp-fehlungen generiert, die Lernende gezielt beim Planen, Überwachen und Anpassen ihres Lernverhaltens unterstützen. Die Lösung wurde prototypisch implementiert und in einer Lehrveranstaltung empirisch eva-luiert.
Zusammenhang
Die Maßnahme wurde im Rahmen einer universitären Lehrveranstaltung als randomisierte kontrollierte Studie erprobt. Studierende erhielten systematisch KI-gestütztes Feedback zu ihrem Lernverhalten inner-halb einer Lernplattform.
Voraussetzung
Wesentlich waren: eine digitale Lernumgebung mit hinreichend großen Datenmengen zu Lernaktivitäten (Log-Events), Bereitschaft zur Teilnahme seitens der Studierenden sowie die enge Verknüpfung von Theorie (SRL) und Technik (ML/XAI). Zudem war ein didaktisches Setting erforderlich, in dem Feedback kontinuier-lich integriert und von Lehrenden begleitet wurde.
Vorgehen/Schritte
Theoriegeleitet entwickeln: Nutzen Sie SRL-Theorie, um Anforderungen an Feedback abzuleiten.
Technische Basis schaffen: Stellen Sie sicher, dass genügend Lerndaten (Log-Events, Nutzungsdaten) vor-liegen und qualitativ aufbereitet werden können.
Erklärbarkeit sicherstellen: Lernende müssen das Feedback nachvollziehen und annehmen können.
Pilotieren und evaluieren: Starten Sie mit einer Pilotveranstaltung, führen Sie formative Evaluationen durch und passen Sie das System iterativ an.
Didaktische Einbettung: Ergänzen Sie Feedbacksysteme durch begleitende Reflexionsaufgaben oder Tuto-rien, damit Studierende das Feedback aktiv verarbeiten.
Skalierbarkeit berücksichtigen: Planen Sie frühzeitig, wie die Lösung auf weitere Kurse/Studiengänge über-tragbar ist.
Hinweise
Effekte
Neben den erwarteten Verbesserungen von Plattformnutzung und Studienleistungen zeigte sich, dass auch Studierende mit geringen metakognitiven Fähigkeiten und hoher Prokrastinationsneigung vom adaptiven Feedback profitierten. Unerwartet war zudem die hohe Akzeptanz der erklärbaren Feedbackmechanismen.
Learnings
Theoriegeleitete Entwicklung erhöht Akzeptanz und Wirksamkeit.
Erklärbare Feedbackmethoden stärken das Vertrauen in KI-Systeme.
Adaptive Rückmeldungen wirken über verschiedene Kompetenzniveaus hinweg.
Kontakt
Das könnte Sie auch interessieren
Partnerschaft für innovative E-Prüfungen. Projektverbund der baden-württembergischen Universitäten
Mit »PePP« verfolgen alle baden-württembergischen Universitäten gemeinsam das Ziel, bislang ungenutzte Potentiale elektronischer Prüfungen für Lernende & Lehrende systematisch zu erschließen sowie bestehende Erfahrungen breiter verfügbar zu machen. In der Corona-Pandemie haben elektronische Prüfungen an Relevanz hinzugewonnen. Jetzt geht es darum, erfolgreiche Ansätze in nachhaltige Lösungen zu überführen. Mit »PePP« werden in Reallaboren technisch-didaktische Innovationen (weiter-)entwickelt und an mehreren Universitäten ausgerollt, unter verschiedenen fachlichen, infrastrukturellen und organisatorischen Rahmenbedingungen erprobt sowie qualitätsorientiert weiterentwickelt und skaliert. Angestrebt werden eine Stärkung der Kompetenzorientierung, mehr Mobilität und Flexibilität sowie eine größere Lernendenzentrierung von Prüfungen. Querschnittscluster geben hochschuldidaktische Impulse, unterstützen die Qualifizierung Lehrender und generieren Feedback zur Güte von E-Prüfungen. Begleitend werden rechtliche Fragen sowie Chancengerechtigkeit, Inklusion und Akzeptanz reflektiert. Das alle Bereiche einschließende Qualitätsentwicklungs- und Supportkonzept sowie der verbundübergreifende Transfer runden das Gesamtvorhaben ab.
Projekt anzeigen
Vernetzungshomepage STACK Connect
STACK Connect fördert den Austausch und die Vernetzung innerhalb der deutschsprachigen STACK-Community, indem es eine interaktive Plattform bereitstellt. Sie ermöglicht den Nutzenden den Austausch über fachspezifische Themen und Best Practices. Die Plattform wird durch verschiedene interaktive Visualisierungen unterstützt, die eine gezielte und datenbasierte Vernetzung ermöglichen.
Maßnahme anzeigen
Automatisierte Durchführung und Auswertung von ingenieurwissenschaftlichen Online-Praktika in der Messtechnik
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen