Aktuelle Studien betonen die Notwendigkeit, verschiedene Stakeholder in
Learning Analytics (LA) einzubeziehen. Dies hat zu einem neuen Bereich namens Human-
Centered Learning Analytics (HCLA) geführt. HCLA konzentriert sich auf die menschliche Seite
von LA und verwendet Methoden der Mensch-Computer-Interaktion (MCI), um Stakeholder
in den LA-Prozess einzubeziehen. Obwohl die aktuelle Forschung erfolgreiche HCLA-Lösungen
mit verschiedenen Stakeholdern zeigt, konzentrieren sich diese Lösungen hauptsächlich auf
die Gestaltung von LA-Tools und -Plattformen (macro design level) und weniger auf das
spezifische Design der zugrunde liegenden Indikatoren (micro design level). Um dies zu
adressieren, stellen wir hier den Indicator Editor in dem Open Learning Analytics Platform
(OpenLAP) vor. Dies ist ein No-Code-Tool, das Nutzern ohne Programmierkenntnisse
ermöglicht, die Erstellung von Indikatoren basierend auf ihren Bedürfnissen und Zielen zu
steuern.

Der rasante technologische Fortschritt der letzten Jahre ist in der Studienplanung an Hochschulen noch nicht angekommen. Während Vorschläge für nächste Filme oder Einkäufe alltäglich sind, lässt die Unterstützung von Studierenden an Universitäten bei der Auswahl von Studieninhalten häufig noch zu wünschen übrig. Hier werden entscheidungsrelevante Materialien wie Modulhandbücher und Studienordnungen meist noch als statisches PDF ausgegeben und Studierende planen ihr Studium teils noch mit Zettel und Stift [1]. Die Digitalisierung in der Studienplanung hinkt dem aktuellen Fortschritt hinterher, entsprechend haben digitale Studienassistenten in den letzten Jahren als Forschungsthema zunehmend Interesse geweckt [2].

Ein solcher Assistent – mit einem Schwerpunkt auf der individuellen Planungsunterstützung – wird derzeit an der Universität Bamberg entwickelt und beforscht. Baula [3, 4] ist eine Webanwendung, welche Studierende durch die Zentralisierung von relevanten Informationen sowie durch datengestützte Empfehlungen im Planungsprozess unterstützt. Als Einstiegspunkt dient ein Dashboard mit individuellen Kennzahlen und anpassbaren Funktionen. Weitere Features sind ein interaktiver Modulkatalog, in welchem Studierende die Informationen aus dem Modulhandbuch zielgerichtet durchsuchen können sowie Planungskomponenten für eine kurzfristige Semester- und eine langfristige Studienverlaufsplanung. Erweiternd bietet Baula ein Modulempfehlungssystem – derzeit primär auf Basis von Kohortendaten – mit welchem Studierende zusätzlich unterstützt werden sollen. Ergänzend wurden studienrelevante Suchszenarien identifiziert und sollen zur weiteren Unterstützung in den Assistenten implementiert werden [5]. Bis zur Tagung soll dieses Empfehlungssystem um perspektiverweiternde Empfehlungen sowie Empfehlungen auf Basis von individuellen Faktoren (z. B. Interessen, Vorkenntnisse) erweitert werden. In der Demo werden die Funktionen von Baula vorgestellt und können ausprobiert werden.

Literaturangaben

[1] Hirmer, T., Ochs, M., & Henrich, A. (2023). Studierende und die Studienplanung: Untersuchung von Herausforderungen und Entwicklungsperspektiven eines digitalen Studienplanungsassistenten. Poster auf der DELFI 2023, Aachen, https://doi.org/10.18420/delfi2023-60.

[2] C. Karrenbauer, C. M. König, und M. H. Breitner, „Individual Digital Study Assistant for Higher Education Institutions: Status Quo Analysis and Further Research Agenda“, Innovation Through Information Systems: Volume III: A Collection of Latest Research on Management Issues. Springer International Publishing, Cham, S. 108–124, 2021. doi: 10.1007/978-3-030-86800-0_8.

[3] Ochs, M., Hirmer, T., Henrich, A. (2023). Concept and Possible Impacts of a Study Planning Assistant in Higher Education. In 2023 International Symposium on Educational Technology (ISET), Ho Man Tin, Hong Kong, pp. 161-165. IEEE, 10.1109/ISET58841.2023.00039.

[4] Bartel, L., Ochs, M., Hirmer, T., Henrich, A. (2024). Design Principles for a Study Planning Assistant in Higher Education. In Proceedings of the 2024 ACM SIGIR Conference on Human Information Interaction and Retrieval (CHIIR ’24), Sheffield, United Kingdom. ACM, New York, NY, USA, 18 pages (In Publikation).

[5] Hirmer, T., Ochs, M., Henrich, A. (2024). Vertical Search Scenarios within a Digital Study Planning Assistant. In: M. Leyer, Wichmann, J. (Eds.): Proceedings of the LWDA 2023 Workshops: BIA, DB, IR, KDML and WM, Marburg, Germany (In Publikation).

Der “AI-Tutor” ist ein Lernassistent für Studierende, der individuelles Lernen unterstützt, AI Literacy fördert und Lehrende entlastet.

Ziel des aktuell laufenden Pilotprojekts (02.–09.2024) zum “AI-Tutor” ist es, ein KI-Tool zu entwickeln, das über eine kontrollierte Wissensbasis verfügt, für Studierende jederzeit verfügbar ist, individuelle Lernbedürfnisse berücksichtigt und sich dauerhaft in Moodle oder ähnliche Lernplattformen integrieren lässt.

Lehrende stellen Kursmaterialien bereit, die als kursspezifische Wissensbasis aufbereitet werden. Der AI-Tutor passt sich an die individuellen Lernbedürfnisse der Studierenden an und kann jederzeit zum besseren Verständnis von Lerninhalten, zur Prüfungsvorbereitung oder zur Reflexion von generativer KI genutzt werden.

Die Entwicklung des AI-Tutor wird von einem einem Startup durchgeführt, das an dem Gründungsförderungsprogramm der Universität teilgenommen hat und über Expertise im Bereich der Linguistik, Didaktik sowie Machine und Deep Learning verfügt. Das Projekt zeichnet sich durch seinen schnellen Rollout aus: Bereits zum Sommersemester 2024 wird der AI-Tutor in vier verschiedenen Veranstaltungen aus drei Studiengängen (ca. 2000–3000 Studierende) eingesetzt. Die Besonderheiten sind die fachbereichsübergreifende Durchführung und die mehrsprachige (de, en) Anwendung. In der technischen Umsetzung werden virtuell getrennte AI-Tutoren verwendet, die auf einem Large Language Model basieren, das an eine eigene Datenbasis angebunden ist. Die Datenbasis setzt sich aus durch die Lehrenden bereitgestellte Vorlesungsmaterialien (Fachliteratur, Vorlesungsfolien etc.) zusammen, die mittels Retrieval Augmented Generation (RAG) aufbereitet worden sind. Der AI-Tutor wird in der Pilotphase (SoSe 2024) laufend sowohl technisch als auch linguistisch und didaktisch evaluiert.

Beim “Markt der Möglichkeiten” können die AI-Tutoren getestet werden. Gleichzeitig soll über den Ablauf, die Ziele und erste Evaluationsergebnisse informiert werden.

Empfehlungssysteme für den Bildungsbereich (Educational Recommender Systems, ERS) spielen eine zentrale Rolle bei der
Bereitstellung von Empfehlungen für personalisierte Ressourcen und Aktivitäten für Schüler, die auf deren individuelle Lernbedürfnisse zugeschnitten sind. Ein grundlegender Bestandteil der Generierung von Empfehlungen ist der Prozess der Lernermodellierung,
der den Wissensstand der Studierenden ermittelt. Derzeitige ERS haben jedoch Einschränkungen, die hauptsächlich mit der mangelnden
Transparenz und Überprüfbarkeit der Lernermodelle sowie der Erfassung der Semantik von Lernermodellen und Lernmaterialien
zusammenhängen. Um diese Einschränkungen anzugehen, werden wir zeigen, wie Studierenden ihre persönlichen Wissensgraphen (PKGs) erstellen können, indem sie Konzepte hervorheben, die sie nicht verstehen (DNU), während sie die MOOC-Plattform CourseMapper verwenden. Wir verwenden diese PKGs dann, um semantisch angereicherte Lernermodelle zu erstellen und personalisierte Empfehlungen für externe
Lernressourcen wie YouTube-Videos und Wikipedia-Artikel zu geben. Darüber hinaus geben wir den Studierenden die Möglichkeit, den
Empfehlungsprozess zu steuern, indem sie mit dem Input, dem Prozess und dem Output des ERS interagieren.

Prompting-Station ist offen für alle Besucher*innen, die nicht nur verschiedene KI-Tools ausprobieren, Ideen entwickeln und diese für ihre Lehrveranstaltungen nutzbar machen wollen, sondern auch für `Digital Natives`, die sich für die Zusammenarbeit und das gemeinsame Lernen in einer spiel-basierten, hybriden Umgebung begeistern. In dieser virtuellen WorkAdventure-Karte können Sie zusammen mit anderen Teilnehmer*innen verschiedene KI-Werke erstellen. Ihr Werk können Sie als nostalgisches Polaroid-Foto ausdrucken und mit nach Hause nehmen und/oder es gemeinsam mit den Werken anderer Teilnemer*innen zu einem größeren Kunstwerk auf einer digitalen Pinnwand zusammenfügen.

Im Zuge der Pandemie haben sich neue Möglichkeiten für hybride Szenarien zum Arbeiten, Lernen, Lehren und Interagieren eröffnet. Allerdings gehen damit auch Herausforderungen im Hinblick auf die soziale Interaktion einher. Mit unserer Prompting-Station bieten wir den Online- und Präsenzteilnehmer*innen einen “Playground”, in dem sie zusammenarbeiten und gemeinsam lernen können.

Wofür ist die Prompting Station nutzbar? Prompting-Station kann in freien Settings eingesetzt werden und erlaubt auf niedrigschwelliger Ebene das Ausprobieren unspezifischer Recherchen und das Realisieren spontaner kreativer Ideen. Ebenso besteht die Möglichkeit zum zielgerichteten Einsatz in Workshop-Szenarien. Umsetzbar sind beispielsweise Szenarien wie „KI-basierte Prüfungsgestaltung“ oder „KI-gestützte Lehrinhalte“. Zu den Aktivitäten, die Sie mit der Erstauswahl an Tools an der Prompting-Station umsetzen können, gehören: Das Übersetzen mit dem KI-Writing Assistant DeepL, das Generieren von Bildern mit Leonardo AI, das Erstellen von Präsentationen mit Tome und Gamma, sowie das Produzieren von Videos mit Avataren mit Descript und das Rechercherien mit Perplexity AI Pro und Keenious.

Welche Anwendungen gehören dazu? Von der Übersetzung mit dem KI-Writing Assistant (DeepL) über die Generierung von Bildern (Leonardo AI), die Erstellung von Präsentationen (Tome und Gamma) bis hin zur Produktion von Videos mit Avataren (Descript) und KI-Tools für die eigene universitäre Recherche (Perplexity AI Pro und Keenious) bietet die Prompting-Station eine überschaubare Erstauswahl von KI-Tools aus der ersten Praxisphase. Ein Dokument zur Übersicht weiterer spannender KI-Tools befindet sich in Arbeit.

Steigende Heterogenität der Studierenden sowie die zunehmende Vielfalt an universitären Angeboten stellen für Studierende in ihrer Studienverlaufsplanung eine wachsende Herausforderung dar. Verfügbare Hilfsmittel wie Regelstudienpläne sind für viele Studierende unzureichend, sobald sie Module im vorgesehenen Semester nicht bestehen oder belegen und ihre Planungen anpassen müssen. Es bedarf individueller Unterstützung in der Studienverlaufsplanung, die unter Berücksichtigung steigender Studierendenzahlen durch begrenzte Personalressourcen nicht ausreichend geleistet werden kann.

Ein Lösungsansatz sind digitale Studienverlaufsplaner. Im Projekt AIStudyBuddy wird unter Berücksichtigung der vielseitigen Anforderungen an die Studierenden ein digitales Werkzeug zur Unterstützung individueller Studienverlaufsplanung entwickelt und beforscht. Basierend auf maschinenlesbaren Studiengangsmodellen extrahiert aus Prüfungsordnungen (PO) und Modulhandbüchern ermöglicht der BLIND2 die Planung des eigenen Studiums. Um Studierende in der Planung des eigenen Studiums optimal zu unterstützen setzt BLIND2 auf die Integration einer regelbasierten Künstliche Intelligenz (KI), die Studienpläne auf Regelkonformität in Bezug auf die PO prüft. Die KI liefert bei Regelverletzungen nachvollziehbares Feedback und unterstützt in der Korrektur bzw. Umplanung. Im nächsten Schritt soll BLIND2 um datengetriebene KI-Ansätze erweitert werden. Hierbei wird mittels Process Mining aus vergangenen Studienverläufen gelernt und Planungsempfehlungen abgeleitet. Unterschiedliche Optimierungsziele (z.B. Studiendauer, Durchschnittsnote, fachliche Spezialisierungen) sind möglich, sodass Studierende im Rahmen ihrer Studienplanung auf individuelle Empfehlungen zurückgreifen können. In Kombination erlauben datengetriebene und regelbasierte KI auch die automatische Planung unter Berücksichtigung erfolgreicher Studienverläufe.

Die geplante Demo präsentiert BLIND2 und lädt zum Austausch über Studienverlaufsplanung ein.

In dieser Demonstration zeigen wir ein neues generatives xAI (Explainable AI), ein für Bildungszwecke optimiertes Large Language Model (LLM), das mit der DSGVO konform ist. In einer Live-Demonstration wird die Funktionsweise von xAI gezeigt, die neben der Textgenerierung auch Video-, Bild- und Audiogenerierung umfasst. Darüber hinaus wird die Erstellung interaktiver Materialien durch eine Verknüpfung mit H5P demonstriert.

Das Forschungsprojekt What2Study zielt darauf ab, die Hochschulkommunikation, insbesondere im Bereich der Studienberatung, durch den Einsatz von Conversational Agents (Chatbots) zur Unterstützung der Kommunikation mit Studierenden und Studieninteressierten zu verbessern. Durch den Einsatz von generativer KI sollen insbesondere häufige, sich wiederholende und einfache Anfragen (FAQs) automatisiert beantwortet werden und bei komplexeren Anfragen ggf. eine unmittelbare Weiterleitung zur persönlichen Beratung erfolgen.

Hierzu wird derzeit ein System entwickelt, mit dem Organisationseinheiten an Hochschulen ohne Programmierkenntnisse ihre eigenen LLM-basierten Chatbots erstellen und verwalten können. Die Wissensdatenbank kann durch das Hinzufügen von PDFs, URLs und anderen Mediendateien aufgebaut werden, die Oberfläche des Chatbots kann durch das Hinzufügen von Logos, Icons, Profilbildern und Farben an die Organisationseinheit angepasst werden und das Verhalten des Chatbots kann durch verschiedene Persönlichkeitsregler an die eigene Art der Hochschulkommunikation angepasst werden.

Erste Evaluationsergebnisse mit den Zielgruppen zeigen, dass die so aufgebauten Chatbots das Potenzial haben, einen erheblichen Teil der üblicherweise per E-Mail gestellten Anfragen deutlich zu reduzieren und damit die einzelnen Organisationseinheiten zu entlasten. Ebenso hat sich bereits gezeigt, dass die Hemmschwelle, „dumme“ Fragen zu stellen, gerade zu Beginn des Studiums gesenkt werden kann. Das Projekt stößt auf großes Interesse bei Studierenden und Studieninteressierten sowie bei über 50 Hochschulen bundesweit.

Das vom MKW NRW bis Ende 2024 geförderte Projekt wird von der Forschungsprofessur „Bildungstechnologie für die digitale Transformation“ (FernUniversität in Hagen), der Zentralen Studienberatung der Universität Siegen und den Student Lifecycle Services der Ruhr-Universität Bochum durchgeführt. Möglichkeiten der Verstetigung über die Projektlaufzeit hinaus werden derzeit geprüft.