KI in der Hochschulbildung als Metaanalyse
KI in der Hochschulbildung als Metaanalyse. In der Hochschulbildung sind immer mehr KI-Systeme im Einsatz. Häufig fehlt jedoch eine Orientierung, welches System man für welches Lehr- und Lernszenario wirklich gut verwenden kann. Hier wollen wir mit unserem Projekt ansetzen und mithilfe einer Metaanalyse verschiedene KI-Systemen in Kombination mit didaktischen Methoden testen. So soll unabhängig von KI-Tools ein Repositorium entstehen, das auch in Zukunft die Hochschuldidaktik bereichert und Lehrenden sowie Lernenden die Möglichkeit gibt, das passende System für ihren Hochschulalltag zu finden. Angesiedelt ist das Projekt an der Hochschule Ansbach (TTZ Neustadt/Aisch; SDL) , welche aufgrund unterschiedlicher Projekte und Veranstaltungsformate eine breite Kompetenz im Bereich KI und Digitaler Bildung aufbauen konnte. Unterstützt wird das Team im Verlaufe der verschiedenen Projektphasen durch Studierende und Lehrende, um mithilfe eines Iterativen Prozesses möglichst anwendernah und zeitgemäß die Ergebnisse auswerten zu können.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
WoodVision
Im Vorhaben WoodVision soll die Kausalität zwischen holzanatomischen und holztechnologischen Eigenschaften im virtuellen Raum erlebbar gemacht werden. Dafür ist geplant, eine virtuelle Xylothek mit den bedeutendsten Handelshölzern zu erstellen und in einer Augmented Reality technologische Kenngrößen wie z.B. Zug-, Druck- oder Biegelast auf segmentierte Gewebebereiche der jeweiligen Holzart zu modellieren. Mit dieser Anwendung soll Studierenden die Beziehung zwischen Materialaufbau und Materialverhalten in einer explorativen virtuellen Lernumgebung nähergebracht werden. Das Lehrangebot soll sich in erster Linie an Studierende des derzeit an der HNEE geplanten Masterstudiengangs Digitalisierung der Wertschöpfungskette Holz, aber auch an Studierende verwandter Studienprogramme (z.B. Holzingenieurwesen, Forstwirtschaft u.a.) richten.
Projekt anzeigen
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
Maßnahme anzeigen
E-Assessment für Entity-Relationship-Diagramme mit FeeDI
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen