VoLL-KI@FAU

Beschreibung

Das Verbundprojekt VoLL-KI entwickelt die Hochschulbildung auf drei Ebenen weiter: Makro-Ebene: evidenzbasierte Weiterentwicklung von Studiengängen/-programmen Meso-Ebene: kontextadaptive, korrigierbare Empfehlungen für die individuelle Studienplanung Mikro-Ebene: lernendenspezifische Diagnose und Unterstützung in Lerneinheiten Dazu werden daten- und wissensbasierte Ansätze der Künstlichen Intelligenz (KI) kombiniert. Basierend auf Vorarbeiten zu Wissensgraphen, Fehlerbibliotheken für Programmierung, intelligenten Tutorsystemen, erklärbarem und interaktivem maschinellem Lernen, Chatbots, virtueller Realität und Empfehlungssystemen, werden für ausgewählte Lehrveranstaltungen sowie KI-Einführungsveranstaltungen intelligente Unterstützungssysteme für Teilgebiete entwickelt.

• Problem/Fragestellung: Die Vorkenntnisse und Hintergründe der Studierenden werden zunehmend diverser. Um dem vor allem aus hochschuldidaktischer Perspektive gerecht zu werden, braucht es Unterstützung durch KI-Technologien, da eine Lehrperson das gerade in großen Vorlesungen nicht leisten kann. Im Projekt beschäftigen wir uns damit, wie eine Lernplattform basierend auf Domänenmodellierung und Lernenden Modellen das individuelle Lernen unterstützen kann.


• Rahmenbedingungen: Im Projekt wird eine Lernplattform entwickelt, die basierend auf semantisch annotierten Lernmaterialien und Lernendenmodellen verschiedenen Funktionen zum individualisierten Lernen liefert. Dazu gehören angepasstes Feedback, Quizfragen und Aufgaben sowie Möglichkeiten zum Peer-Lernen.


• Lernziele: Die Ziele hängen von den individuellen Kursen ab.

• wissensbasiert / symbolisch

• Adaptive Lernunterstützung
• Automatisiertes Feedback

• Daten aus Lernmanagementsystemen, Online Anwendungen im Lehrbetrieb (z. B. Studierendenbeteiligung, eingereichte Freitextaufgaben, Quiz-Ergebnisse, Klick- und Login-Daten, etc.)
• Evaluations- / Forschungsdaten (z. B. Interviews, Usability-Testung, Befragungen, etc.)
• Evaluations- / Forschungsdaten (z. B. Interviews, Usability-Testung, Befragungen, historische Daten der standardisierten Studierendenpanelbefragungen etc.)
• Studiengangsspezifisches Kursmaterial
• Studierendeninformationen und Daten aus Datenbanken (z. B. Notendurchschnitt, vorherige Kurse, erreichte Punktzahlen im standardisierten Aufnahmetest, etc.)

• Daten aus Lernmanagementsystemen, Online Anwendungen im Lehrbetrieb (z. B. Studierendenbeteiligung, eingereichte Freitextaufgaben, Quiz-Ergebnisse, Klick- und Logindaten etc.)

• Anwendung in einer Versuchsumgebung (z. B. Sandbox) zu Forschungszwecken
• Entwicklung eines Prototypen zu Forschungszwecken
• Grundlagenforschung
• Weiterentwicklung eines Prototypen zu Forschungszwecken

• Anwendung für den Regelbetrieb
• Anwendung in einer Versuchsumgebung (z. B. Sandbox)
• Entwicklung eines Prototypen
• Weiterentwicklung eines Prototypen zur Implementierung

• Gesetzliche Vorgaben
• Ideelle kulturelle standardisierte Vereinbarungen der Hochschule (Digitalisierungsstrategie, Hochschulentwicklungsplan, Audit Diversität, Charta, Verhaltenskodex, DIN-Normen, ISO-Normen o.ä.)
• Sensibilisierung der Mitarbeitenden (Weiterbildung / Multiplikator*innen)
• Vorgaben der Hochschule (Ordnungen, Satzungen)

• Digitalisierungsstrategie