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
Transformers for Sustainable Futures
TranSForm entwickelt mit dem Bachelor Ressourcenökologie und Transformationsmanagement eine Synthese aus Fachexzellenz und demokratischer Integrität an der TU Bergakademie Freiberg. Studierende werden als Co-Designer:innen zu transformativen Akteuren ausgebildet. Studentisch-individuelle Wirkung: Regionale Transformations-Challenges (RTCs) befähigen Studierende, Zukunftsfragen eigenverantwortlich zu gestalten. Als T-shaped Experts erwerben sie transdisziplinäre Expertise und entwickeln evidenzbasierte Lösungen in Konfliktfeldern der Transformation zwischen Wissenschaft, Wirtschaft, Politik und Gesellschaft. Gesellschaftlich-demokratische Wirkung: RTCs öffnen die Universität für regionale Transformationsherausforderungen. Im Quintuple-Helix-Dialog erarbeiten Studierende mit Bürger:innen, Unternehmen und Verwaltung Lösungen für Rohstoffkreisläufe, Energiewende und Strukturwandel innerhalb ökologischer Grenzen. Dies fördert demokratischen Diskurs, stärkt Wissenschaftsakzeptanz und adressiert Fachkräftemangel und demokratische Partizipation. Wissenschaftlich-akademische Wirkung: Das Projekt etabliert ein übertragbares Modell für transformative Hochschulbildung. Das neue Profil Akademischer Rat für transformative Lehre verbindet Fachexpertise, didaktische Innovation und Forschung. Challenge-Based Learning wird zentral im transdisziplinären Bachelor und eine Blaupause für effektive Interdiziplinarität. OER-Materialien und Transferdatenbank ermöglichen Skalierung.
Projekt anzeigen
Digitale Lehr- & Lerninfrastruktur: Erprobung (KI-spezifischer) Tools
Aufgrund der Entwicklungen im Bereich generativer KI wurden KI-Tools für unterschiedliche Anwendungsgebie-te in Studium und Lehre erprobt. Ziel war die systematische Evaluation neuer Möglichkeiten von KI Tools für Studium und Lehre gemeinsam mit Lehrenden und Studierenden.
Maßnahme anzeigen
Räume der Hochschullehre
Wie gestalten wir die Hochschullehre der Zukunft? Welche Räume fördern effektives Lernen und kreative Entfaltung? Die Beiträger*innen zeigen aus interdisziplinärer Perspektive die Wechselwirkungen zwischen Raum, Technologie und Lehrmethoden. Von hybriden Lernumgebungen, die Studierende in ihrer Selbstorganisation unterstützen, bis zu digitalen Prüfungsformaten im Nachhaltigkeitskontext verdeutlichen sie, wie universitäre Räume als Katalysatoren für kritisches Denken und kreatives Lernen fungieren. Das Fazit: Interaktive Formate und neue didaktische Konzepte transformieren die Lehre und revolutionieren das Lernen.
Publikation anzeigen