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
SelfFin - Selfassessment für Financial Literacy
Das Projekt SelfFin Selfassessment für Financial Literacy entwickelt eine interaktive, dynamische Toolbox, die Bachelorstudierenden das Selbststudium im Bereich Investition und Finanzierung erleichtert. Ziel ist es, insbesondere fachfremde Studierende mit oder ohne wirtschaftswissenschaftlichem Hintergrund zu unterstützen und ihre finanzielle Kompetenz zu fördern.Die Toolbox bietet thematische Module zu Grundlagen der Investition, Finanzierungsarten, Zeitwert des Geldes und Risikoanalyse. Interaktive Elemente wie Quizze, Simulationen und Fallstudien ermöglichen aktives Lernen. Ein Selfassessment-Tool hilft, den Wissensstand zu ermitteln und personalisierte Lernpfade zu erstellen. Gamification-Elemente wie Punkte, Abzeichen und Ranglisten steigern die Motivation. Multimediale Inhalte sowie mobile Zugänglichkeit machen die Plattform flexibel nutzbar.SelfFin setzt auf selbstgesteuertes Lernen und praxisnahe Beispiele, ergänzt durch regelmäßiges Feedback. Die intuitive und barrierefreie Gestaltung schafft einen niederschwelligen Zugang zu komplexen Finanzthemen und stärkt die Selbstlernkompetenz der Studierenden eine wertvolle Ergänzung für Studium und Alltag.
Projekt anzeigen
Learning Inclusion by Video (LIV)
Das Forschungsprojekt „Learning Inclusion by Video (LIV)“ an der RWTH Aachen University untersucht, wie inklusiver Unterricht durch Unterrichtsvideografien erfahrbar gemacht und verbessert werden kann. Durch Videoaufzeichnungen in verschiedenen Schulen der Sekundarstufe I und II sollen wertvolle Erkenntnisse über guten inklusiven (Deutsch-)unterricht gewonnen werden.
Maßnahme anzeigen
Einfach Gruppen bilden – Das Matching-Plugin in Stud.IP
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen