Projektbeschreibung

Auf künstlicher Intelligenz basierende Anwendungen, insbesondere Deep Learning Techniken, erlauben die Manipulation visueller und auditiver Informationen. Im Kontext von Wissenserwerb bieten diese technischen Entwicklungen aber das Potential Lernmaterialien zu personalisieren und deren Nutzen zu optimieren. In diesem Projekt wird untersucht, inwieweit eine Angleichung des Tutors an die lernende Person den Lernprozess beeinflusst.

Bereits frühe Untersuchungen zum Modell-Lernen beschäftigten sich mit der Frage, welche Eigenschaften des Modells den Lernprozess beeinflussen. Dabei zeigte sich, dass eine Ähnlichkeit zwischen Modell und Lernenden den Wissenserwerb fördern kann. Erklärt werden kann dieser Befund damit, dass es Lernenden leichter fällt sich mit einem ähnlichen Modell zu identifizieren, was wiederum eine Nachahmung beobachteter Verhaltensweisen vereinfacht. Bei Pädagogischen Agenten, die in interaktiven Lernumgebungen eingesetzt werden, zeigten sich bisher keine eindeutig positiven Auswirkungen der Angleichung des Agenten an den Lernenden auf den Wissenserwerb. Allerdings wurden lediglich globale Aspekte, wie Alter und Geschlecht, manipuliert. Untersuchungen, die sich mit der Imitierung des Gegenübers in sozialen Interaktionen auseinandersetzen, haben dagegen gezeigt, dass verbale Imitation das Handeln, Denken und Empfinden des Imitierten beeinflussen kann. Diese verbale Imitation umfasst die Verwendung ähnlicher Wörter und Satzstrukturen, sowie die Angleichung von Sprachmelodie, Sprechgeschwindigkeit und Tonhöhe. Inwiefern sich Pädagogische Agenten, die eine solche verbale Mimikry anwenden, positiv auf den Wissenserwerb auswirken, wird in diesem Projekt untersucht. Dazu werden neueste Deep Learning Verfahren verwendet, um Sprachmerkmale von Lernenden zu analysieren und auf virtuelle Tutoren zu übertragen.