Die Auswirkungen KI-gestützten Feedbacks im Kontext adaptiver Lernsysteme
| Arbeitsgruppe | Multiple Repräsentationen |
| Laufzeit | 08/2020–offen |
| Förderung | Sondertatbestand Data Science |
Projektbeschreibung
Adaptive Lernsysteme sollen Lernende durch z.B. personalisiertes Feedback unterstützen. In diesem Dissertationsprojekt wird ein Werkzeug entwickelt, das die schriftlichen Antworten der Lernenden auf Basis von Natural Language Processing Methoden automatisch analysiert. Dieses Tool wird dann in eine Lernumgebung implementiert, die automatisches, an die Antworten der Lernenden angepasstes Feedback liefert. Anschließend wird untersucht, welche Auswirkungen dieses Feedback auf die Performanz und die Akzeptanz der Nutzer*innen hat.
Vorangegangene Studien konnten bereits mehrfach zeigen, dass Lernerfolg und die damit verbundene Leistung von der Fähigkeit zum selbstregulierten Lernen abhängt: Lernende müssen ihren Lernprozess dafür fortwährend überwachen (z.B. wiederholt bewerten, ob die angewandte Lernstrategie für die jeweilige Aufgabe am besten geeignet ist, und/oder Wissenslücken ermitteln) und bei Bedarf anpassen.
Allerdings deuten verschiedene Studien darauf hin, dass Lernende oft Schwierigkeiten haben, ihren Lernprozess selbständig zu regulieren. In diesen Fällen kann Feedback als unterstützendes Hilfsmittel dargeboten werden. Dabei ist das von Menschen gegebene Feedback zeitaufwendig, kostspielig und nicht immer objektiv – v.a. bei Aufgaben, die eine textuelle Antwort verlangen. Das von computerbasierten Lernsystemen generierte Feedback hingegen steht schnell und jederzeit zur Verfügung, ist günstig und erfolgt kriterienorientiert.
Trotz der fortschreitenden Digitalisierung im Bereich der Schulbildung liegen bislang nur wenige empirische Studien vor, die den Einfluss verschiedener Arten von automatischem Feedbacks auf die selbstregulatorischen Fähigkeiten der Lernenden und die Akzeptanz der Nutzer*innen gegenüber diesem Feedback untersuchen. Als Teil des Forschungsnetzwerkes „Menschen-Agenten-Interaktion“ trägt dieses Projekt dazu bei, diese Forschungslücke zu schließen.
Kooperationen
- Prof. Dr. Katharina Scheiter, Universität Potsdam
