Wir stellen die Ergebnisse der Evaluation des Einsatzes des Lern- und Übungssystems GOALS (Graph oriented and AI based Learning Siegen) in der Einführungsveranstaltung Objektorientierte und funktionale Programmierung in der Informatik vor.

Gerade in der Informatik zeichnen sich die Studierendenkohorten, auch bedingt durch die unterschiedliche Verankerung des Pflichtfachs Informatik in den Schulen, durch eine große Heterogenität hinsichtlich des Vorwissens aus. Dies kann bei einigen Studierenden zu einer Überforderung und bei anderen zu einer Unterforderung führen. Gerade die zunächst unterforderten Studierenden verpassen häufig den Einstieg, wenn die Kompetenzanforderungen der Lehrveranstaltungen steigen und nicht mehr durch das Vorwissen abgedeckt werden können. Auf Basis einer Befragung von Studierenden in der Studieneingangsphase wurde ein neues Lehr-/Lernkonzept entwickelt, das auf digitalen asynchronen Lernangeboten basiert und individuelle Lernwege entlang der vorhandenen Vorkenntnisse ermöglicht.

Ziel von GOALS ist es, die Kompetenzerwartungen sowie den individuellen Lernfortschritt für alle Inhalte in einem Kompetenz-Dashboard transparent darzustellen. Über dieses Kompetenz-Dashboard navigieren die Studierenden gleichzeitig zu den einzelnen Lern- und Übungsinhalten. Die Graphen-ähnliche Struktur stellt einerseits die Abhängigkeiten der Inhalte und andererseits die benötigten und geförderten Kompetenzen für alle Inhalte dar. Durch den Einsatz von Large Language Models (LLMs) wurden innovative individuelle Unterstützungsmöglichkeiten wie automatisches Feedback für Programmier- und Freitextaufgaben umgesetzt. Des Weiteren ist es durch LLMs auf Basis der vollständig transkribierten Vorlesung möglich, automatische Aufgaben mit Lösungen zu allen Vorlesungsinhalten generieren, welche von den verantwortlichen Lehrenden in einem einstufigen Review-Verfahren freigegeben werden. Diese Aufgaben bieten den Studierenden umfangreiche Übungsgelegenheiten.

Statistische Lehrveranstaltungen werden von Studierenden erziehungswissenschaftlicher Studiengänge oft mit erheblichen Vorbehalten wahrgenommen und besucht. Diese Vorbehalte sind größtenteils auf defizitäre Selbstkonzepte zurückzuführen. Ausgangspunkt des Vortrags ist ein Master-Statistik-Seminar für angehende Berufspädagog:innen, welches mit der Programmiersoftware R durchgeführt wird. Im Vortrag werden zwei Ziele verfolgt: Zum einen soll die Wirksamkeit von KI-unterstütztem Lehren und Lernen mittels generativer KI wie ChatGPT überprüft werden. Zum anderen soll die Förderung von Data und AI Literacy erreicht werden, was in Verbindung mit dem ersten Ziel steht. Konzeptuell wird auf das Data Literacy Framework von Schüller und Busch (2019) zurückgegriffen. Das Framework umfasst das Lernstufen-Modell "The Kirkpatrick Four Levels", sowie die Betrachtung der affektiven Ebene (Haltung, Werte, Ethik) und der kognitiven Ebene (Wissen und Fähigkeiten). Es wird zudem differenziert, ob die Leistungserbringung extrinsisch oder intrinsisch motiviert erfolgt. Die übergeordnete Forschungsfrage lautet: Inwiefern verändern sich statistikbezogene Einstellungen und Kompetenzen durch die Integration von generativer KI wie ChatGPT in der Lehre? Dabei werden qualitative und quantitative Daten (N = 60) aus vier Semestern herangezogen. Zum Beispiel können Selbsteinschätzungen der eigenen statistischen Kenntnisse in Beziehung zu objektiven Leistungsdaten gesetzt werden. Für eine Teilstichprobe (N₁ = 30) liegen längsschnittliche Ergebnisse zu Besorgtheits-, Aufgeregtheits- und Vermeidungskognitionen (Faber et al., 2018) im Hinblick auf statistische Anforderungen im Studium vor. Es besteht außerdem die Möglichkeit, einen Vergleich zu früheren Semestern (N₂ = 30) anzustellen, in denen noch keine generative KI in der Lehre eingesetzt wurde. Somit ergeben sich verschiedene Betrachtungsmöglichkeiten.