Digitale Zwillinge für kolllaborative Remote-Labs
Laborarbeit ist essenziell für die Forschungskompetenz in MINT-Studiengängen, unterliegt jedoch Ressourcenbeschränkungen. Während Remote-Labs logistische Probleme lösen, fehlt ihnen oft die für effektives Lernen wichtige soziale Kollaboration, die Williams und Layman (2007) als zentral für die Berufswelt betonen. Unser Projekt entwickelt ein didaktisch fundiertes Konzept für digitale Zwillingslabore mit Fokus auf Kollaborationen im Labor. Anders als bisherige Ansätze, die nach Blackwell et al. (2024) meist nur traditionelle Lehrmethoden digitalisieren, fokussieren wir uns auf zwei neue Aspekte: die Anpassung von Instrumenten zur Identifikation individueller Kollaborationsschwächen und die Implementierung adaptiver Unterstützungssysteme im digitalen Zwilling. Die Verbindung von VR-Technologie mit evidenzbasierten didaktischen Konzepten schließt eine wichtige Forschungslücke. Der von Deiglmayr (2018) betonte Fokus auf adaptive Unterstützung zur Förderung der Selbstregulation ist ein Kernaspekt. In vier Arbeitspaketen entwickeln und erproben wir ein Modell zur Klassifikation von Kollaborationsanforderungen, erstellen individuelle Kollaborationsprofile, implementieren ein VR-gestütztes Zwillingslabor mit personalisierten Aufgaben und evaluieren die Wirksamkeit durch Vorher-Nachher-Messungen in realen Laborumgebungen. Das Projekt verbessert sowohl individuelle Kompetenzen als auch die Ressourceneffizienz der Laborlehre in MINT-Studiengängen.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
KI gestütztes Planspiel: Nachhaltige Stadtplanung
Die Entwicklung smarter, nachhaltiger Städte verlangt von künftigen Fachkräften mehr als reines Fachwissen: Sie müssen Daten kritisch auswerten, in interdisziplinären Teams unter Unsicherheit entscheiden und die Dynamiken realer urbaner Ziel- und Interessenkonflikte verstehen.In der Hochschullehre werden diese Spannungsfelder bislang meist nur theoretisch behandelt; klassische Lehrveranstaltungen bilden diese in der Realität vorkommenden Unvorhersehbarkeiten und Wechselwirkungen kaum ab.Hier setzt KIPlan an und entwickelt ein KI-gestütztes Planspiel, das Studierenden ermöglicht, urbanen Herausforderungen durch adaptive Problemlösung zu begegnen, datenbasierte Entscheidungen zu treffen, systemisch zu denken und Aushandlungsprozesse zwischen städtischen Akteuren verantwortungsvoll zu gestalten.Mit Unterstützung einer generativen KI (GPT) werden dynamische Szenarien erzeugt. Diese liefern multidimensionales Feedback (ökonomisch, ökologisch, sozial, politisch) aus mehreren Akteursperspektiven (z.?B. Verwaltung, Wirtschaft, Zivilgesellschaft). Entwickelt wird das Format in Co-Design mit Studierenden; ein Mixed-Methods-Design vergleicht Lernerfolge mit und ohne KI-Feedback. Die modulare Struktur erlaubt es, das Planspiel auf weitere Themen anzupassen.KIPlan verbindet damit didaktische Planspieltradition, Gamification und Generative AI zu einem skalierbaren Lehrinstrument, das Studierende befähigt, urbane Transformation verantwortungsvoll, dateninformiert und kreativ zu gestalten
Projekt anzeigen
Unterrichtsvideos interaktiv aufbereiten
Die Analyse von Unterrichtsvideos erweist sich im Rahmen der Lehrkräfteprofessionalisierung als vielver-sprechend, gilt jedoch nicht per se als wirkungsvoll. Unterrichtsvideos müssen so aufbereitet werden, dass insbesondere Studienanfänger:innen systematisch angeleitet werden und so einen nachhaltigen Lerneffekt erzielen können. Im Projekt wurden Unterrichtsvideos ausgewählt, in denen beobachtet werden kann, wie eine Lehrkraft konstruktiv oder weniger konstruktiv mit Leistungsheterogenität umgeht. Für diesen Beobachtungsfokus relevante Szenen wurden ausgewählt und in kurze Videosegmente unterteilt. Zu diesen Segmenten wurden Beobachtungsfragen formuliert, die sich an den Subprozessen der professionellen Wahrnehmung orientie-ren. Nach der Bearbeitung der Beobachtungsfragen können Studierende auf einen Sprachkommentar der Dozierenden zurückgreifen, der als Modellantwort dient. Evaluationen zeigen, dass insbesondere der Sprachkommentar sehr positiv von den Studierenden aufge-nommen wird
Maßnahme anzeigen
Open-Source Intelligent Tutoring System for Programming Exercises in Engineering Education
Implementing control and machine learning algorithms in MATLAB and Simulink is a critical competency in advanced control engineering. While immediate feedback is essential for fostering intuitive understanding, it is traditionally constrained to scheduled exercise sessions or consultation hours. To bridge this gap, this project introduces an open-source intelligent tutoring platform that provides continuous, on-demand feedback. To accommodate diverse solution strategies, the platform employs a hybrid evaluation strategy combining result-based and code-based metrics. This ensures that valid alternative solutions that differ from predefined sample solutions are not misclassified. In case of incorrect solutions, a Large Language Model, contextualized with sample solutions and task classification results, offers auxiliary support for students struggling to initiate or complete tasks. Instructional scaffolding is adaptively adjusted to guide students toward independent problem-solving. We position this platform as a supplementary tool designed to enhance, rather than replace, valuable interactions between students and human tutors. Built on open-source tools, the system is architected for reusability, enabling lecturers across engineering subjects to adapt the framework to their teaching needs easily.
Publikation anzeigen