Hybrides Unterstützungssystem für SRL
Das Projekt HUSL entwickelt ein hybrides Unterstützungssystem zur Förderung selbstregulierten Lernens (SRL) im Hochschulkontext. Im Zentrum steht die Frage, wie Studierende bei der Entwicklung ihrer Lernkompetenz optimal durch das Zusammenspiel von Mensch und KI begleitet werden können. Dabei wird die menschliche Unterstützung durch Lehrende, Tutor*innen oder Coaches als unverzichtbar betrachtet: Sie sorgt für Orientierung, fördert Reflexion und emotionale Unterstützung in anspruchsvollen Lernsituationen. KI-gestützte Werkzeuge ergänzen diese Begleitung gezielt durch adaptive Impulse, Feedback und Strukturierung. Statt auf technische Neuentwicklung setzt das Projekt auf die didaktische Konfiguration der etablierten KI- und Learning-Analytics-Tools, um den Transfer und die Adaption in andere Lehr-Lern-Kontexte zu erleichtern. Die Konzeption erfolgt in enger Abstimmung mit Lehrenden und Studierenden, etwa durch Co-Design-Workshops und partizipative Reflexionsformate. Auch ethische Fragestellungen, wie Autonomie oder der Umgang mit sensiblen Daten, werden gemeinsam diskutiert. Erprobt wird das System in vier Settings, die sowohl extracurriculare wie auch curriculare Angebote abdecken: individuelles Coaching, Workshops, Gruppenarbeit, individuelles Lernen in Lehrveranstaltungen. Ein designbasierter Ansatz (DBIR) ermöglicht die gezielte Weiterentwicklung der entwickelten Unterstützungselemente im laufenden Projekt.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
Kausale Inferenz, Maschinelles Lernen und Reproduzierbare Forschung
Das Projekt KMR strebt an, moderne empirische Verfahren der kausalen Inferenz, des maschinellen Lernens und der reproduzierbaren Forschung in große verpflichtende Lehrveranstaltungen der Ökonometrie in wirtschaftswissenschaftlichen Studiengängen zu tragen, hier zunächst konkret die Einführung in die Ökonometrie (Wintersemester, 6 ECTS) an der Universität Duisburg-Essen (UDE). Umfangreiche open source-Materialien machen die Projektergebnisse anderen Studierenden und Lehrenden zugänglich. Der Arbeitsplan des Projektes gliedert sich in die vier Arbeitspakete Identifikationsstrategien (AP1), Maschinelles Lernen (AP2), Implementierung empirischer Forschung (AP3) und einem open-source-Kompendium (AP4). AP1 macht moderne kausale empirische Strategien wie difference-in-differences oder regression discontinuity zugänglich für Bachelorstudierende. AP1 adressiert erfolgreiche prädiktive Verfahren wie decision und regression trees und random forests. AP3 widmet sich der Vermittlung von Kompetenzen zur reproduzierbaren Forschung. Hierzu gehören die Integration von Text und statistischer Analyse ("RMarkdown"), interaktive Präsentation ("Shiny"), Versionskontrolle ("Github") oder die Erstellung von Paketen. AP4 erstellt ein open source-Online Kompendiums (AP4), das die Inhalte des Moduls frei zugänglich veranstaltungsbegleitend, aber auch zum Selbststudium bereitstellt.
Projekt anzeigen
E-Learning Analytics Tool
Die Entwicklung zielt darauf ab, eine intuitive, webbasierte Auswertungsplattform zu erstellen, die Lehrkräften dient, um den Lernfortschritt effektiv zu visualisieren und zu verfolgen. Diese Plattform soll als zentrales Werkzeug dienen, um den Fortschritt der Studierenden in verschiedenen Bereichen zu überwachen und zu analysieren. Sie wird darauf ausgelegt sein, sowohl einfache als auch komplexe Daten über den Lernfortschritt zu erfassen, zu verarbeiten und darzustellen. [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
Zwischen Wunsch nach Austausch und Präferenz von Einzelarbeit in videobasierten Blended-Learning-Settings: Annäherung an ein ambivalentes Verhältnis.
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen