Kenne Sie Lernhürden in Ihren Veranstaltungen, die bisher jeder didaktischen Intervention widerstanden haben? Decoding the Disciplines ist ein bewährtes didaktisches Konzept, um gerade solche „Bottlenecks“ zu identifizieren und Studierende beim Erwerb disziplinspezifischer Denk- und Handlungsmuster zu unterstützen. (Middendorf & Pace, 2004). Hartnäckige Lernhürden entstehen oft, wenn ein Charakteristikum des Expertentums zum Fallstrick wird: Hochschullehrende sind Expert:innen ihrer Disziplin. Expertise bedeutet auch, dass komplexe Denk- und Handlungsmuster in implizites Wissen umgewandelt werden (Wyss, 2012). Dem bewussten Denken ist dieses implizite Wissen nicht unmittelbar zugänglich und kann folglich nicht transparent vermittelt werden.
Das Decoding-Interview ist deshalb eine Schlüsselmethode, um Bottlenecks zu begegnen: Zwei fachfremde Interviewführende erarbeiten mit dem Experten oder der Expertin seinen Problemlösungsprozess und unterstützten dabei, blinde Flecken zu finden und implizites Wissen wieder formulierbar zu machen. Mit diesem explizierten Wissen können Lehrende dann neue Materialien, Aufgaben oder Arten der Darstellung entwickeln, die die Studierenden besser dabei unterstützten, die Lernhürden zu überwinden.
Doch die interpersonelle Seite der Decoding-Interviews ist anspruchsvoll: Interviewende müssen sich empathisch in unbekannte Denkweisen einfühlen, professionelle Gesprächstechniken aus Coaching und Beratung beherrschen und den Fokus des Gesprächs bewahren (Foltz, 2019). Expert:innen wiederum fühlen sich mitunter in ihrer Rolle und Glaubwürdigkeit hinterfragt, sowohl als Fachleute als auch als Lehrende. Zudem sind Decoding-Interviews zeitaufwändig und nur schwer zu unterbrechen.

Der Einsatz von Large Language Models im Decoding-Interview kann Decoding the Disciplines mehr Lehrenden auf niederschwelligere Art zugänglich zu machen.
KI-gestützte Interviews ermöglichen es, entspannt und unabhängig von Ort, Zeit und Kooperationspartnern implizite Expertise effizient zu entschlüsseln. Da der digitale Interviewpartner verschwiegen ist, weder urteilt noch ungewollte Ratschläge gibt, entfallen viele der sozialen und emotionalen Herausforderungen, die in interpersonellen Interviews auftreten können, wie der Einsatz von Chatbots in Coaching und Therapie bereits belegen konnte (vgl. z.B. Mai & Rutschmann, 2023).

In diesem interaktiven Workshop arbeiten die Teilnehmenden nach einer Einführung in die Methode des Decoding the Disciplines an einem Bottleneck Ihrer Veranstaltungen und lassen sich von einer entsprechend instruierten KI durch ein Decoding-Interview führen, um Lösungsansätze für Ihre Lehrveranstaltungen zu finden. Reflexionsphasen ermöglichen es, sowohl den Decoding-Prozess als auch die Zusammenarbeit mit KI zu bewerten.

Dieser Workshop bietet Lehrenden die Möglichkeit, Decoding in einem geschützten Rahmen zu erproben und durch KI-basierte Interviews neue Perspektiven auf ihre Expertise zu gewinnen.

Unser Projekt FANTASTIC (Feedback based on Analytics of Teaching and Studying meets Individual Coaching) wurde durch Studien inspiriert, die zeigen, dass Feedback-E-Mails das Lernverhalten der Studierenden positiv beeinflussen und Durchfallquoten in MINT-Prüfungen deutlich reduzieren können.

Mithilfe von Learning Analytics werden im Projekt Datenspuren von Studierenden genutzt, um KI-Modelle zu trainieren. Ziel ist es, den Studierenden kommentiertes Feedback und eine Vorhersage zu ihrem voraussichtlichen Prüfungsergebnis zu geben. Dies soll den Lernzielerreichungsgrad steigern und das Risiko eines Studienabbruchs reduzieren. Voraussetzung dafür ist ein Datenschutzkonzept mit Einwilligung der Studierenden.

Im Physikkurs für Wirtschaftsingenieurwesen, der seit zehn Jahren aktivierende Lehrmethoden (z. B. Just-in-Time-Teaching, Peer Instruction) nutzt, werden Prognose-Modelle mittels sieben Jahren historischer Daten trainiert, um Prüfungsergebnisse vorherzusagen. Indikatoren für den Prüfungserfolg umfassen unter anderem Vorwissen, Quiz-Leistungen, sowie Moodle-Aktivitäten. Um eine Nachvollziehbarkeit der getroffenen Vorhersage zu gewährleisten und damit individuelles Feedback zu unterstützen, wurden bisher Decision-Tree-Modelle und solche mit logistischer Regression entwickelt und getestet. Beide Prädiktionsverfahren liefern erklärbar Modelle. Hauptherausforderungen bei der Modellierung sind die Datenaufbereitung, z.B. Umgang mit fehlenden Werten und die Merkmalsauswahl, z.B. Auswahl der Indikatoren und Kovariablen.

Das Feedback-Design, in Workshops mit Studierenden entwickelt, fokussiert auf konstruktive und motivierende Rückmeldungen. Dies fördert bei den Studierenden die Akzeptanz und die Wirksamkeit des Feedbacks. Peer-Coachings ergänzen die Rückmeldungen während des Semesters. Die Feedback-E-Mails enthalten: Vergleiche der eigenen Leistung mit der von Mitstudierenden samt individueller Lernempfehlungen, Prognosen des KI-Modells zum erwarteten Klausurergebnis mit personalisiertem Feedback, sowie Hinweise zu weiteren Unterstützungsangeboten und allgemeine Lerntipps.

95 % der Studierenden des aktuellen Semesters nutzen das Learning Analytics Angebot. Sie empfinden das Feedback überwiegend als hilfreich und motivierend. Im Sommersemester 2024 wurde mit hoher statistischer Signifikanz (p<0,001) die niedrigste Durchfallquote in der Geschichte des Kurses erreicht – bei gleichbleibendem Dozenten; sie sank im Vergleich zum Sommersemester 2023 von 34% auf 20%.

Weitere Projektinformationen: https://projekte.th-rosenheim.de/forschungsprojekt/1180-freiraum-2023_fantastic. FANTASTIC ist Teil von www.pro-aktjv.de

Statistik erfordert von Novizen das Erlernen einer Vielzahl von Begriffen (einschließlich gängiger Synonyme) und ihrer Beziehungen, um Konzepte zu beschreiben, flexibel zu recherchieren und digital umzusetzen. Dabei variieren auch Umfang und Tiefe von Statistik-Lehrveranstaltungen. Ähnliche Herausforderungen bestehen auch in anderen Fachgebieten.

Der Beitrag behandelt die Fragen, wie ein KI-gestützter Tutor realisiert werden kann, der eine aktive Rekonstruktion und Vernetzung von Fachterminologie in Statistik-Lehrveranstaltungen fördert. Wie kann eine datenschutzfreundliche Proxy-Lösung verwendet werden? Wie bewerten Studierende den Nutzen und die Benutzerfreundlichkeit?

Die Konzeption des KI-Tutors (Chatbot) „HSOh! Help students outline terminology and concepts” orientiert sich an folgenden didaktischen Prinzipien. Aktivität und schrittweises Lernen soll gefördert werden. Lernende formulieren Definitionen und Beziehungen zwischen Begriffen aktiv. Der Tutor bestätigt korrekte Teile und gibt bei fehlenden Aspekten gezielte, kurze Tipps. Er wendet dabei Teilprinzipien des sokratischen Dialogs an. Vollständige Erklärungen soll nur auf Nachfrage erfolgen. Die Begriffsnetzbildung soll gefördert werden, in dem der Tutor aktiv nach Beziehungen zu verwandten Begriffen fragt. Der Tutor fördert die Kenntnis von gängigen Synonymen, Abkürzungen, umgangssprachlichen Formulierungen und Merkregeln und somit die Flexibilität im Umgang mit Fachterminologie. Für die kognitive Passung bezieht sich der Tutor primär auf lehrveranstaltungsbezogene Materialien wie Glossare und Skript-Auszüge.

Dieser Beitrag richtet sich an Lehrende, Entwickler von Bildungssoftware und Forschende, die sich mit der Integration von KI in der Hochschullehre befassen. Er umfasst die Entwicklung und Evaluation des KI-Tutors „HSOh!“. Dabei werden Vor- und Nachteile bei der Umsetzung mit unterschiedlichen Chatbot-Frameworks und LLMs dargestellt, insbesondere eine Umsetzungsvariante mit Anbindung eines LLM-Proxy, um User-Anfragen anonymisiert, datenschutzkonform und mit Kostenkontrolle an (verschiedene) LLM-Modelle weiterzuleiten. Bei der Evaluation des Einsatzes in der Lehrveranstaltung Statistik (mit Python) im SS2025 liegt der Fokus des ersten Durchlaufs auf Befragungen hinsichtlich Akzeptanz, Lernmotivation und Lernförderlichkeit des Angebots. Die Übertragbarkeit auf andere Fachgebiete unter Berücksichtigung von Aufwand, KI-Kenntnissen der Lehrenden, KI-Infrastruktur und Nutzungskosten werden diskutiert.

Das Forschungsprojekt untersucht die Entwicklung eines modularen, KI-gestützten Frameworks zur dynamischen Anpassung von VR-Lernumgebungen. Ziel ist es, eine adaptive Umgebung zu schaffen, die sich mithilfe generativer KI flexibel an die individuellen Bedürfnisse der Nutzer anpasst. So entsteht ein Lernraum, der durch KI-Prompts generierte 3D-Inhalte integriert und sich gestalterisch dynamisch an den zu vermittelnden Inhalt anpasst.

Das Projekt befindet sich in der frühen Umsetzungsphase und kombiniert experimentelle Prototypenentwicklung mit Benutzerstudien. Neben der Erarbeitung adaptiver Lernräume werden Module für KI-basierte Objekterstellung und die Optimierung von Designparametern wie Beleuchtung und Interaktionsdichte entwickelt und evaluiert.

Ein besonderer Fokus liegt auf der Etablierung immersiver Lernumgebungen, die sowohl das Lernerlebnis verbessern als auch die Designaufwände reduzieren. Darüber hinaus werden Evaluationsmetriken entwickelt, um die Wirksamkeit der Anpassungen und die Immersion systematisch zu messen.

Der Mehrwert liegt in der innovativen Verknüpfung von KI und VR, die es ermöglicht, flexible und effektive Lehr- und Lernkonzepte zu entwickeln. Diese Ansätze fördern ein tieferes Verständnis und eine individualisierte Lernerfahrung, wodurch sich neue Perspektiven für die Bildung im digitalen Zeitalter eröffnen. Gleichzeitig minimieren sie die bisherigen Einstiegshürden, die durch zeitlichen Aufwand und hohes Vorwissen bei der Gestaltung von VR-Welten entstanden sind, und machen innovative Lerntechnologien einer breiteren Zielgruppe zugänglich.

Der Rat der 27 EU-Mitgliedstaaten hat am 21. Mai 2024 den AI Act und damit einen einheitlichen Rahmen für den Einsatz von Künstlicher Intelligenz in der Europäischen Union verabschiedet. Ziel unserer Arbeit war zu erörtern, welche Auswirkungen dieses Gesetz auf den Einsatz von KI in der Hochschullehre hat.

Dafür wurde der Arbeit zunächst eine Kategorisierung, wo ein KI-Einsatz in der Hochschullehre möglich ist, zugrunde gelegt. Im Anschluss erfolgte eine Analyse des rechtlichen Rahmens des EU AI Acts. Es wurde untersucht, inwiefern eine Einteilung der Anwendungsbereiche in Risikoklassen möglich ist und welche Implikationen dies für den Hochschulbereich hat. Die überwiegende Mehrheit der KI-Anwendungen wurde der Kategorie des transparenzpflichtigen Risikos zugewiesen, d. h. diese Systeme unterliegen der Transparenzpflicht. Es ist hervorzuheben, dass diese Verpflichtung primär die Anbieter der jeweiligen Systeme betrifft. In diesem Zusammenhang ist von Bedeutung, ob die Hochschule die Software selbst entwickelt und anbietet.

Im nächsten Schritt wurden Auswirkungen ermittelt, welche sich unabhängig von der Zuordnung der Anwendungsbereiche in die Risikokategorien aus der Verordnung für die Integration von KI an Hochschulen ergeben. Die Ermittlung der indirekten Auswirkungen erfolgt unter Zuhilfenahme des PESTEL-Modells, welches eingesetzt wird, um Auswirkungen aus multiperspektivischer Sicht zu betrachten. Zu den hochschulpolitischen Auswirkungen zählt insbesondere die Notwendigkeit einer Anpassung der Lehrpläne sowie einer Weiterbildung des Hochschulpersonals. Auf soziokultureller Ebene lässt sich eine verstärkte Akzeptanz von KI-Systemen beobachten. Gleichzeitig birgt aus wirtschaftlicher Perspektive die Einführung strengerer Anforderungen an Hochrisiko-KI-Systeme eine Kostensteigerung. Aus technologischer Perspektive lässt sich eine zunehmende Relevanz neuer Tools, wie beispielsweise Risikomanagementsysteme für hochriskante KI-Systeme, im Hochschulbereich beobachten. Die rechtliche Dimension zeigt, dass die Einführung eines Compliance-Management-Systems zunehmend an Bedeutung gewinnt, um den gesetzlichen Anforderungen gerecht zu werden.

Die Ergebnisse dieser Arbeit fließen in die Entwicklung eines Kriterienkatalogs ein, der KI-Tools auf ihre Konformität mit rechtlichen, ethischen, sicherheitsrelevanten und pädagogischen Anforderungen überprüft.