Konzertierte Weiterbildungen zu künstlicher Intelligenz in der Hochschullehre 2023 - Thüringen
[Kurzbeschreibung folgt (Anm. StIL)]
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
Learning Science Teaching with Augmented Reality
Ziel des Vorhabens Learning STAR ist es, am Beispiel konkreter Experimente aus dem Naturwissenschaftlich-technischen Unterricht eine augmentierte Lernumgebung im Reallabor, also Laborsituationen, bereitzustellen, über die Lehramtsstudierende typische Fehler bei der Anleitung von Experimenten kennenlernen, die Fehler diagnostizieren und aufbauend darauf unterschiedliche Handlungsoptionen erproben können. Hierzu soll im Rahmen des Projekts für ein naturwissenschaftliches Experiment eine adaptive augmentierte Lernumgebung als Prototyp entwickelt und im Rahmen von fachdidaktischen Seminaren erprobt und evaluiert werden. Experimentieren ist für dieses Ziel eine gute Grundlage, weil die notwendigen Forschungsdaten (zu Fehlern, zur Prozessdiagnostik, zu günstigen Entscheidungen von Lehrkräften) bereitstehen und für die Programmierung der Lernumgebung genutzt werden können. Im Gegensatz zu Bildschirmlernumgebungen sind wir also in der Lage, in einem realen Ausbildungslabor der Universität eine gesamte experimentelle Unterrichtssituation zu simulieren, ohne dass dabei reale Schülerinnen und Schüler benötigt werden. Diese Ausbildung soll vor allem auf die Praxissemester besser vorbereiten, sodass in den Schulen die Unterrichtszeit effektiver genutzt werden kann. Um der Heterogenität späterer Schülergruppen besser begegnen zu können sollen zudem Fehler adressiert werden, wie sie in allen Schulstufen zu finden sind.
Projekt anzeigen
Einstieg Programmieren vereinfachen - Installparties, Tutorials, Kommunikation
Wir verringern die "Angst vorm Programmieren" und die heterogenen Voraussetzungen der Studierenden durch den niedrigschwellige Kommunikation (Slack), Installparties und Tutorials für unterschiedliche Level. Eine Pflichtabgabe (kurzes Video der fertig installierten Simulationsumgebung + IDE) innerhalb der ersten 2 Wochen des Semesters macht den Erfolg der Studierenden überprüfbar. [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
Too Positive to Be True? Sentiment Analysis of AI-Guided vs. Human-Led Debriefings in Virtual Reality Counseling Training
Debriefings are a crucial component of simulation-based learning, as they allow participants to critically reflect on their performance and translate experiences into knowledge. With the rise of artificial intelligence (AI), large language models (LLMs) are increasingly being explored as conversational agents in debriefings. However, concerns have been raised that AI debriefers may display sycophantic tendencies, characterized by overly positive sentiment and a lack of critical feedback. Such tendencies could affect learners' self-evaluations. In this study, 45 university students participated in a virtual reality (VR) counseling simulation, followed by either an AI-guided or a human-led debriefing. Sentiment analysis of 958 debriefing statements (350 AI, 608 human) was conducted using a German sentiment classification model. Results show that AI debriefers expressed significantly more positive sentiment and substantially fewer negative statements compared to human debriefers, corroborating the assumption of a sycophancy effect. However, sentiment was not found to predict self-rated counseling competence or self-efficacy. While AI debriefers provide consistent encouragement, their lack of critical feedback raises questions about their long-term effectiveness for professional skill development. Future research should explore hybrid approaches that combine AI scalability with human expertise in constructive reflection.
Publikation anzeigen