KI:edu.nrw

Didaktik, Ethik und Technik von Learning Analytics und KI in der Hochschulbildung

Ziel des Projekts ist es, sowohl an der im Schwerpunkt geförderten Ruhr-Universität als auch an der partnerschaftlich verbundenen RWTH Aachen exemplarisch zu erarbeiten, wie Regeln, Konzepte, Prozesse und Technik für den Einsatz von Learning Analytics ausgestaltet werden können. Das Projekt leistet so einen Beitrag zur Entwicklung einer „Datenkultur“ in den Hochschulen und zur (Auf-)Klärung, was man mit Daten im Bereich der Lehrentwicklung erreichen oder auch nicht erreichen kann, um Studierende besser zu beraten, ihnen individuellere Lernsettings zu bieten und die Lehre zu gestalten. Ein weiteres Thema des Projekts sind Sprachsoftware-Anwendungen aus dem Bereich des Natural Language Processing.

Themenfelder

Die im Projekt zu bearbeitenden Themenfelder Didaktik, Ethik, Datenschutz und Technik werden nachfolgend umrissen und mit beispielhaften Fragestellungen und Situationsbeschreibungen ergänzt. Die inhaltliche Darstellung der Themenfelder ist nicht vollständig und soll auszugsweise die Relevanz der einzelnen Bereiche verdeutlichen.

Treten Sie bei Fragen und für einen detaillierteren Austausch gerne mit uns in Kontakt.

Didaktik

Bei Learning Analytics geht es um ein didaktisches Ziel, nämlich: den Lernerfolg von Studierenden zu unterstützen. Dies kann z.B. durch die individuelle Rückmeldung von Lernständen erfolgen. Bei einer solchen Rückmeldung stellen sich unterschiedliche didaktische Fragen. So kann z.B. mit Ziel der Motivationssteigerung der aktuelle Leistungsstand von Studierenden zurückgespiegelt werden, indem dieser ins Verhältnis zu anderen Leistungsständen gesetzt wird. Damit diese Rückspiegelung nicht demotivierend ist, stellt sich die Frage, was eine sinnvolle Bezugsnorm ist, d.h. in Bezug auf welche anderen Leistungsstände die vergleichende Spiegelung erfolgt.

Didaktische Fragen können sich aber auch stellen, wenn Lehrende mit den Ergebnissen von Lerndatenanalysen umgehen sollen. Beispielsweise könnten Studierende identifiziert werden, die entsprechend der Analyse ihrer Lerndaten Gefahr laufen, das Studium nicht zu bestehen. Die Rückmeldung dieser Information an die betroffene Person bedarf didaktischer und voraussichtlich auch beraterischer Kompetenzen.

Technik

Technische Grundlage von Learning Analytics ist die Zusammenführung von Daten, die im Zusammenhang mit dem Studium entstehen. Diese werden dann in einem Analysemodul („Engine“) ausgewertet. Die Analyseergebnisse werden den Lernenden und Lehrenden anschließend visuell dargestellt (beispielsweise im Lern-Management-System) und können durch Empfehlungen ergänzt werden.

Wenn ein solches System aufgebaut wird, müssen zunächst technische Schnittstellen zwischen den relevanten Systemen hergestellt und dabei Datenformate angeglichen werden. Anschließend muss die KI-basierte Analyse der Daten im Analytics-Engine programmiert werden. Hierbei sind die datenschutzrechtlichen und ethischen Restriktionen, wie beispielsweise die Anonymisierung, Zusammenfassung und Speicherdauer von Daten oder der Aspekt der Individualität von Studierenden technisch umzusetzen.

Datenschutz

Im Kontext von Learning Analytics stellen sich vielfältige datenschutzrechtliche Fragen. So stellt sich dann, wenn individuelle Rückmeldungen an Studierende gegeben werden sollen, die Frage nach der Einwilligung bzw. der Rechtsgrundlage. Soll dagegen auf Grundlage aggregierter Daten lediglich eine Gruppe betrachtet werden, ist wichtig, dass die einzelnen Datensätze nicht so individuell sind, dass nachträglich doch einzelne Studierende identifiziert werden können. Aus diesem Grund muss abgewogen werden, welche Daten verarbeitet werden sollen und wie dies datenschutzrechtlich abgesichert werden kann. Im Projekt KI:edu.nrw werden datenschutzrechtliche Aspekte unter Einbezug des Datenschutzbeauftragten der RUB bearbeitet.

Ethik

Auch dann, wenn Lerndatenanalysen in einem rechtlich sicheren Rahmen stattfinden, müssen Entscheidungen in diesem Bereich stets auch ethisch reflektiert werden. Hier ist z.B. zu bedenken, dass Analyseergebnisse von der Datenbasis und Entscheidungen im Programmierprozess abhängen. Beispielsweise können Analysen dazu tendieren, typische Lernende in einem Studiengang als Bezugspunkt zu nehmen. Aus ethischer Perspektive ist dann wichtig, dass auch kleine (prekäre) Studierendengruppen und Einzelfälle adäquat berücksichtigt werden bzw. dass Abweichungen von einer Norm nicht per se als Problem eingestuft werden. Im Projekt KI:edu.nrw werden alle Teilvorhaben durch ein Teilprojekt angewandter Ethik begleitet, um alle Maßnahmen ethisch reflektiert anzulegen und auszugestalten.

Projektbeteiligte

RUB:
Teilprojekt Erziehungswissenschaft

Projektverantwortliche:

Prof. Dr. Maren Scheffel: Lehrstuhl Educational Data Science

Prof. Dr. Nikol Rummel & Meike Osinski, M.A.: Lehrstuhl Pädagogische Psychologie

Im Rahmen des Teilprojektes am Institut für Erziehungswissenschaft wird das übergeordnete Ziel verfolgt, Möglichkeiten auszuloten, Lehr-Lernkonzepte mithilfe von Learning Analytics zu unterstützen und weiterzuentwickeln sowie eruiert, wie die Konzepte in den Regelbetrieb überführt werden könnten, um individuelle (wie kooperative) Lernprozesse auf verschiedenen Dimensionen (kognitiv, metakognitiv, motivational) zu fördern. Zur Erreichung dieses Ziels werden zwei Parallelvorhaben realisiert:

Neuentwicklung und Untersuchung einer Learnings Analytics-Implementation

In diesem Teilvorhaben wird im ersten Schritt der Dialog durch qualitative sowie quantitative Befragungen von Studierenden und Lehrenden des Instituts für Erziehungswissenschaft der RUB gesucht, um Bedarfe für einen Einsatz von Learning Analytics zu identifizieren. Entlang dieser Bedarfe wird ein Rahmenkonzept für eine Learning Analytics-Implementation entwickelt, welches zunächst in einem geschützten Raum getestet und entsprechend den Ergebnissen angepasst wird. Anschließend erfolgt der Einsatz in einer Lehrveranstaltung. Während dieser sollen Wirkmechanismen und Gelingensbedingungen für die Implementation in einem möglichen Regelbetrieb identifiziert werden. Die Ergebnisse werden schließlich in Form von Handlungsempfehlungen sowie eines an den jeweiligen Lehrkontext anpassbaren didaktischen und technischen Rahmenkonzeptes insbesondere für die erziehungswissenschaftliche Lehre an der RUB reflektiert. Eine Verbreitung der im Teilprojekt entstandenen Produkte im Sinne von Open Educational Resources (OER) wird auch über die Fach- und Hochschulgrenze hinaus angestrebt.

Optimierung eines bestehenden Lehr-Lernkonzeptes mithilfe von Learning Analytics

Dieses Teilvorhaben setzt an einem bereits bestehenden und über mehrere Semester bewährten Lehr-Lernkonzept für das Modul „Statistik für Erziehungswissenschaftler:innen“ im erziehungswissenschaftlichen Bachelorstudiengang der RUB an. Es werden Möglichkeiten eruiert und erprobt, wie das komplexe Lehr-Lernkonzept mithilfe von Learning Analytics teilweise automatisiert und weiterentwickelt werden kann. Ziel ist es einerseits, durch den Einsatz von Learning Analytics die aufwändige, bisher händisch erfolgende Organisation und Durchführung der vielfältigen didaktischen Maßnahmen innerhalb der miteinander verzahnten Lehrangebote in diesem Modul (Vorlesung, Übungen, Tutorien) automatisiert zu gestalten. Andererseits soll gleichzeitig sowohl den Lehrenden als auch den Studierenden in diesem Modul durch die Analyse von Lerndaten ein tiefgreifender Einblick in die Lernprozesse ermöglicht werden, um darauf aufbauend fundierte Entscheidungen hinsichtlich der Ausrichtung ihrer Lehr- bzw. Lernhandlungen treffen zu können. In die Konzeption der Learning-Analytics-Implementation fließen auch die Ergebnisse aus den Befragungen und Untersuchungen ein, die im Rahmen des ersten Teilvorhabens realisiert wurden.

Modulverantwortliche: Dr. Katja (Ekaterina) Serova, OStR i.H.

https://ife.rub.de/qua-for/team/katjaSerova

Weiterführende Informationen zum bestehenden Lehr-Lernkonzept des Statistikmoduls und seiner Wirksamkeit unter: https://news.rub.de/studium/2016-12-20-erfolgreiche-lehre-statistik-und-gute-laune-eine-unmoegliche-kombination

Teilprojekt Mathematik

Projektverantwortliche:

Prof. Dr. Katrin Rolka, Dr. Michael Kallweit & Nadine König, M. Ed.: Lehrstuhl Didaktik der Mathematik

Das Mathematikstudium sowie mathematikhaltige Studiengänge (z. B. Ingenieurwissenschaften) stellen Studierende oftmals vor große Herausforderungen. Dazu zählen beispielsweise die besonderen Charakteristika der Hochschulmathematik, die sich zum Teil sehr von denen der Schulmathematik unterscheiden, oder auch die veränderten Lernbedingungen an der Hochschule. Die große Heterogenität der Studierenden, beispielsweise hinsichtlich ihrer persönlichen Merkmale (z. B. Motivation) oder der Nutzung des Lehrangebots (z. B. Selbstregulation), führt zu unterschiedlichen Strategien, um diesen Herausforderungen zu begegnen. Wünschenswert ist daher eine individuellere Unterstützung der Studierenden in Mathematikveranstaltungen, was allerdings durch die hohen Teilnehmerzahlen derzeit kaum möglich ist.

Der Einsatz von Learning Analytics, also das Sammeln und Analysieren von Daten über Lernende und zugehörige Lernkontexte mit dem Ziel der Verbesserung von Lernprozessen, hat das Potenzial, hier Abhilfe zu schaffen. Dazu sollen in diesem Teilprojekt zunächst das Nutzungsverhalten und die Lernaktivitäten der Studierenden in Moodle-Kursen zu verschiedenen Mathematikveranstaltungen mit Hilfe von Learning Analytics, unterstützt durch maschinelles Lernen, in den Blick genommen werden. Die so generierten Aktivitätsdaten der Studierenden sollen genauer untersucht werden, um ihr Potenzial im Hinblick auf Rückschlüsse zum Lernverhalten der Studierenden zu analysieren. Auf der Grundlage dieser Daten soll ein automatisiertes Empfehlungssystem konzipiert, konstruiert, implementiert und evaluiert werden, um die notwendige individuelle Unterstützung von Mathematikstudierenden zu realisieren. Dementsprechend sollen die Aktivitätsdaten aus den Moodle-Kursen als Indikatoren für mögliche individuelle Empfehlungen zum Lernverhalten dienen, die ebenfalls über Moodle kommuniziert werden sollen. Die zielführende Kommunikation solcher Empfehlungen wird einen weiteren Schwerpunkt des Teilprojekts darstellen.

Teilprojekt Neuroinformatik

Projektverantwortliche:

Prof. Dr. Laurenz Wiskott & Frederik Baucks, M. Sc.: Lehrstuhl Theory of Neural Systems

Das Institut für Neuroinformatik (INI) ist eine interdisziplinär geprägte und vielfältig vernetzte Zentrale Wissenschaftliche Einrichtung der RUB. In diesem Teilprojekt soll anhand des Studiengangs angewandte Informatik erprobt werden, inwieweit ausgehend von elektronisch verfügbaren Daten der Studienerfolg verbessert werden kann. Hierfür sollen unter Beachtung datenschutzrechtlicher und ethischer Vorgaben u. a. Studienverlaufsdaten, Daten aus dem Bewerbungsportal des Studiengangs und auch eigens erhobene Daten für eine KI-gestützte Analyse (Regression, Klassifikation, Clustering, Entscheidungsbäume etc.) genutzt werden, mit dem Ziel, ein Vorhersagemodell für den Studienverlauf in diesem Studiengang zu entwickeln. Auf diesem Weg sollen sowohl kritische Schwachstellen des Studiengangs identifiziert als auch Ansätze gefunden werden, Studierende früh und individuell zu beraten sowie ggf. auch Lehr-Lernsettings anzupassen.

Projektpartner sind stellvertretend für den Studiengang der ehemalige Studiendekan Prof. Dr. Laurenz Wiskott und sein wissenschaftlicher Mitarbeiter Frederik Baucks. Neben der fachlichen Expertise im Bereich Theory of Neural Systems und Machine Learning werden auch umfangreiche eigene Erfahrungen mit E-Learning in das Vorhaben eingebracht.

Teilprojekt Medizin

Projektverantwortliche:

Prof. Dr. med. Thorsten Schäfer, Dr. rer. medic. Matthias Joswig & Philipp Ruschke, M. Sc.: Zentrum für Medizinische Lehre

Im Rahmen des Teilprojekts der Medizin werden Anwendungsmöglichkeiten von Learning Analytics und KI in der medizinischen Ausbildung untersucht. Hierzu werden Daten aus Lehrveranstaltungen, Prüfungen, Lernplattformen und die komplexen Wechselwirkungen zwischen diesen analysiert, um Zusammenhänge zu erkennen und Muster zu identifizieren. Möglicherweise gibt es Indikatorkurse im Studienverlauf, die etwa das Bestehen der Examina signifikant beeinflussen.

Aufbauend auf den Ergebnissen soll eine adaptive, auf KI basierende Lernplattform zum Einsatz kommen, die den Lernenden auf sie abgestimmte Inhalte und Lernstandsüberprüfungen anbietet. Auf diese Weise sollen Studierende individuelle Unterstützung erhalten und ggf. curriculare Potenziale abgeleitet werden.

Teilprojekt Maschinenbau

Projektverantwortliche:

Prof. apl. Dr.-Ing. Andreas Kilzer & Joline Hansen, M. Sc.: Lehrstuhl für Verfahrenstechnische Transportprozesse

Im Teilprojekt Maschinenbau sollen mit Hilfe von Tools aus dem Bereich Learning Analytics und Educational Data Mining Zusammenhänge zwischen der Studienperformance in den ersten Semestern und dem Studienerfolg analysiert werden.

Die Untersuchungen werden im Bachelor-Studiengang Maschinenbau durchgeführt, der – wie ein Großteil der ingenieurwissenschaftlichen Studiengänge an deutschen Universitäten – eine zwar über die Jahre schwankende, aber dauerhaft hohe Abbruchquote aufweist. Ziel ist es, durch unterschiedliche statistische Auswertungsmethoden und Machine Learning Algorithmen, sowie Studierenden- und Lehrendenbefragungen Verlaufsmuster und kritische Punkte im Studienablauf zu identifizieren. Gewonnene Erkenntnisse sollen sowohl in die Studiengangentwicklung einfließen als auch zum Aufbau von Beratungskonzepten und frühen Interventionen genutzt werden. In diesem Sinne geht es in dem Teilprojekt auch darum, die generellen Möglichkeiten der Datenanalysen anhand der vorliegenden Datenbestände im Bachelorstudiengang Maschinenbau auszuloten.

Flankiert wird der Prozess durch die Zusammenarbeit im Gesamtprojekt, indem technisch-organisatorische, ethische und datenschutzrechtliche Fragen systematisch diskutiert und Perspektiven für mögliche Beratungsangebote entwickelt werden. Langfristig sollen Ansatzpunkte gefunden und Optimierungen erarbeitet werden, um Studienabbruchgefährdungen von Studierenden so früh wie möglich zu erkennen und passende Unterstützung bzw. Beratungsangebote zu entwickeln.

Teilprojekt Ethik

Projektverantwortliche:

Prof. Dr. Sebastian Weydner-Volkmann & Christos Simis, M. A.: Lehrstuhl Ethik der digitalen Methoden und Techniken

Das Teilprojekt Ethik (TP:E) ist für die ethische Reflexion der Erforschung und Erprobung von Learning Analytics (LA) Lösungen an der RUB zuständig. Ziel des TP:E ist, Potenziale und Gefahren von LA auszuloten und abzuwägen zwecks der Verbesserung der Lehre an der RUB. Die Arbeit des TP:E stützt sich auf drei Säulen:

  • Wir bieten ethische Kompetenzbildung für LA-Konstrukteur:innen und -Anwender:innen, um sie zu befähigen, ethisch wohlbegründete Entscheidungen in ihren LA-Aktivitäten treffen zu können, z. B. durch Angebote zur Kultivierung von ethisch kritischem Reflexionsvermögen. Wir unterstützen sie dabei, ethisch relevante Aspekte zu identifizieren, sie systematisch methodisch zu reflektieren, Problem- und Konfliktkomplexe zu identifizieren und abzuwägen, sowie Begründungsmuster zu erkennen und konstruieren.
  • Das TP:E bietet außerdem eine Plattform für einen kritisch ethischen Diskurs. Im Mittelpunkt steht der offene und kritisch reflektierte interdisziplinäre Austausch. Ziel ist es, durch die Begegnung verschiedener Perspektiven in partizipativen Prozessen, die Bildungsgerechtigkeit im Kontext der LA an der RUB zu erhöhen. 
  • Ethische Reflexion von LA benötigt u. a. begriffliche und konzeptionelle Klärung und Präzisierung von ethisch relevanten Werten, Normen und Prinzipien, wie z.B. Autonomie, Transparenz, Fairness. Durch unsere ethische Expertise tragen wir zur wohlbegründeten Substanzbestimmung der einschlägigen Wert- und Normkonstellationen bei verschiedenen LA-Lösungen bei. Im Mittelpunkt unserer ethischen Analysen steht insbesondere die Frage, wie eine individuelle (personalisierte) Förderung von Studierenden durch Learning Analytics gelingen kann, ohne dabei den Schutz der Privatsphäre, die Autonomie sowie die Diversität der Studierenden zu gefährden.

Unser ethischer Beitrag kann als ein Instrument zur ethischen Sensibilisierung, Befähigung und Unterstützung von LA-Beschäftigten verstanden werden.

Teilprojekt Zentrale Studienberatung

Projektverantwortliche:

Mark Zeuch & Jessica Posenau: Zentrale Studienberatung

In dem Gesamtprojekt leistet die Studienberatung unter anderem als zentraler Transferpartner der Teilprojekte ihren Beitrag. . Zudem wird angestrebt, die Beratungsangebote des Student Lifecycle noch stärker an den Bedarfen der Studierenden auszurichten. In diesem Kontext ist zu erproben, ob und wie eine diesbezügliche Evaluation (ggf. teilweise) automatisiert werden kann und neue (KI-basierte) Anwendungen zum Einsatz kommen (Beispiel Chatbot). Mittels verfügbarer Daten sollen Gruppen von Studierenden identifiziert werden, die ähnliche Problemlagen in die Studienberatung führen wie z.B. Prüfungsangst, fehlende soziale Integration usw.

Entsprechende Erkenntnisse haben sich als höchst bedeutsam für die Informations-, Beratungs- und Unterstützungsangebote der Studienberatung erwiesen, um überfachliche Angebote vor und während des Studiums zu machen. Möglich wird so zugleich aber auch die Einrichtung fachspezifischer, ausdifferenzierter Angebote aufgrund von Typenbildungen.

Ziel des Projektes ist es, Methoden zu entwickeln, mit deren Hilfe die Verknüpfung bestehender Datenquellen sowie die Erhebung zusätzlicher Daten und deren Analyse die Erkenntnisse über Studienprobleme geschärft werden können. Dies soll zu einer weiteren Professionalisierung der Beratungsprozesse beitragen und es ermöglichen, Angebote im Austausch mit Fachstudienberatungen möglichst stark zu individualisieren.

Teilprojekt Datenschutz

Projektverantwortliche:

Dr. Kai-Uwe Loser & Christopher Lentzsch, M. Sc.: Datenschutzbeauftragte

Das Teilprojekt Datenschutz betrachtet die rechtlichen Rahmenbedingungen für die Erprobung und den Einsatz von Learning-Analytics an Hochschulen. Dabei müssen die entstehenden Vorteile durch die Datenerhebung, mit den für die betroffenen Personen entstehenden Folgen abgewogen und geeignete technische und organisatorische Maßnahmen getroffen werden. Das Teilprojekt Datenschutz erarbeitet gemeinsame mit den anderen Teilprojekten nach dem Privacy-by-Design-Ansatz datenschutzfreundliche Lösungen für die Erprobung der jeweiligen Ansätze und prüft, wie diese verstetigt werden können. Darüber hinaus wird in dem Teilprojekt sondiert, wie der Einsatz von KI und Learning-Analytics im Bereich der NRW-Hochschulen in den Regelbetrieb überführt werden könnten.

Teilprojekt Technik

Projektverantwortliche:

Martin Bovermann & Christian Metzger: IT.SERVICES

IT.SERVICES unterstützt das Projekt KI:edu.nrw u. a. durch die Installation, Evaluation, Bereitstellung und Weiterentwicklung der durch den Projektpartner der RWTH Aachen entwickelten Infrastruktur für Learning Analytics-Anwendungen. Diese Infrastruktur beinhaltet jeweils einen Datastore für die Rohdaten sowie für die berechneten Ergebnisse der verschiedenen Analysen. Die Analysen werden mittels eines Dashboards in Moodle dargestellt. Die Testung der Infrastruktur außerhalb des Regelbetriebs ist für Mitte 2022 geplant.

Eine weitere Aufgabe besteht in der datenschutzkonformen Bereitstellung der Daten für die anderen Teilprojekte. Hierfür erfolgt zunächst eine Bestandsaufnahme, welche Daten an der RUB in welchen Systemen vorhanden sind. Die Definition von Schnittstellen zum automatisierten Exportieren der Daten in den Datastore schließt sich der Bestandsaufnahme an. Bei diesem Prozess entstehen datenschutzrechtliche sowie ethische Fragen, welche mit den jeweiligen Teilprojekten dieser Themenbereiche diskutiert und in der Umsetzung berücksichtigt werden.

Die verschiedenen Fächergruppen im Projekt berät IT.SERVICES in allen Belangen der IT, angefangen mit der Auswahl und der Bereitstellung von Daten über die Implementierung der Algorithmen in die sogenannten Kerne der Learning-Analytics-Anwendung bis hin zur (grafischen) Darstellung der Ergebnisse durch interoperable Widgets, die in einem Dashboard eingebunden werden können.

Teilprojekt Didaktik

Projektverantwortliche:

Dr. Peter Salden & Jonas Leschke, M. Ed.: Zentrum für Wissenschaftsdidaktik

Das Teilprojekt Didaktik sondiert die hochschuldidaktischen Implikationen von Learning Analytics-Anwendungen auf verschiedenen Ebenen und unterstützt die anderen Teilprojekte in didaktischen Entscheidungen.

Für den Einsatz von Learning Analytics-Systemen müssen, wie bei anderen (technischen) Systemen und Methoden der Hochschullehre auch, didaktische Fragen beantwortet werden. Es stellt sich beispielsweise die Frage, welche Daten relevant sind, um den Lernprozess der Studierenden bedarfsgerecht auswerten und an die Studierenden und Lehrenden zurückmelden zu können. Zudem muss überlegt werden, wie diese Daten erzeugt werden können (Learning Analytics-Perspektive) und was die Datenerzeugung für ein Lehrveranstaltungsdesign bedeutet (didaktische Perspektive). Mit der Rückmeldung an die Lehrenden und Studierenden stellen sich auch in Bezug auf das technische System weitere didaktische Fragen.

Die Didaktik beschäftigt sich im Projekt außerdem damit, wie Lehrende für den Einsatz von Learning Analytics-Systemen weitergebildet werden müssen. Hierfür wird ein hochschuldidaktisches Weiterbildungsformat zum Einsatz von Learning Analytics-Systemen in der Hochschuldbildung entwickelt und evaluiert. 

Nicht zuletzt unterstützt das Teilprojekt der Didaktik die anderen Teilprojekte hinsichtlich der Bewertung des didaktischen Mehrwerts des jeweiligen Einsatzszenarios und für das Gesamtsystem Hochschule.

Teilprojekt Schreibdidaktik

Projektverantwortliche: Maike Wiethoff & Nadine Lordick, M.A.: Schreibzentrum

In diesem Teilprojekt wird untersucht, was der technische Fortschritt im Bereich künstlicher Intelligenz für die Schreibdidaktik bedeutet. Welchen Nutzen können Schreibdidaktiker:innen und -berater:innen, Lehrende und Studierende aus KI-basierten Schreibtools ziehen, welche Gefahren bestehen aber auch für die Hochschullehre, wenn Texte mithilfe künstlicher Intelligenz bewertet oder verfasst werden? Um Chancen und Herausforderungen für die Schreibdidaktik zu eruieren, werden einschlägige KI-basierte Schreibtools gesichtet und getestet, rechtliche Grundlagen ihres Einsatzes geprüft und beurteilt, ob und wie sie sinnvoll in die Schreibdidaktik eingebunden werden können.

Ein zentraler Bereich, mit dem sich das Projekt beschäftigt, sind Betrugsversuche in der Hochschullehre. Einerseits sollen Tools zur Plagiatserkennung durch den Einsatz künstlicher Intelligenz präziser und aussagekräftiger werden (auch im Bereich des Ghostwriting, z. B. durch Stilanalysen zur Verifikation von Autor:innenschaft). Andererseits gibt es mittlerweile Softwareangebote zur automatischen Textgenerierung, die sich auch explizit an Studierende richten und die beim Schreiben von Hausarbeiten oder anderen Prüfungsleistungen helfen sollen. Dies kann sich in Zukunft als Gefahr für gängige Prüfungsformen erweisen.

Zudem untersucht das Projekt die Frage, inwiefern KI-basierten Schreibtools für die Schreibdidaktik relevant sind. So gibt es beispielsweise Onlineangebote, die sich an Schüler:innen und Studierende richten und Hilfe zur Korrektur und Überarbeitung von Texten anbieten, sowie umfangreichere Softwarepakete, die Bildungsinstitutionen erwerben und in den Unterricht integrieren können, um mit automatisiertem Feedback Lernprozesse zu begleiten. Auch Software zur automatischen Textgenerierung – deren Einsatz auch in der Forschung zu diskutieren ist – wird im Bereich der Schreibdidaktik in Zukunft eine Rolle spielen. Das Projekt setzt sich mit der Frage auseinander, inwiefern solche Tools den Schreibkompetenzerwerb behindern oder befördern können.

Ziel ist es, die Ergebnisse so aufzubereiten, dass Lehrende und Studierende für das Thema sensibilisiert und über Chancen und Gefahren aufgeklärt werden können. Dabei soll auch über die Ruhr-Universität Bochum hinaus ein Austausch mit Schreibdidaktiker:innen anderer Hochschulen in NRW initiiert werden.

Teilprojekt Dialog

Projektverantwortliche:

Dr. Peter Salden & Jonas Leschke, M. Ed.:  Zentrum für Wissenschaftsdidaktik

Prof. Dr. Maren Scheffel: Lehrstuhl Educational Data Science

Im Rahmen der Überlegungen zu einem möglichen Einsatz von Learning Analytics-Systemen und Künstlicher Intelligenz an einer Universität lassen sich unterschiedliche Stakeholder identifizieren. Insbesondere die Wünsche und Vorbehalte von Studierenden und Lehrenden sind in entsprechenden Überlegungen zu berücksichtigen. Um diese Aspekte systematisch im Erkundungsprozess zu erfassen, sind im Rahmen des Projekts Studierenden- und Lehrendenbefragungen, Fokusgruppengespräche und ein universitätsweiter Dialogtag vorgesehen. Auf Grundlage der Ergebnisse und den Ergebnissen aus den Teilprojekten, soll eine Learning Analytics-Policy für die RUB entwickelt und nach Zustimmung durch die zuständigen Gremien veröffentlicht werden. Diese Ergebnissicherung des Dialogprozesses stellt auch langfristig die Berücksichtigung der Wünsche der Stakeholder im Rahmen von Learning Analytics sicher – unabhängig davon ob entsprechende Systeme schon kurzfristig an der RUB eingesetzt werden sollen oder nicht.

Weiterhin wird im Projekt ein NRW-weiter Dialog angeregt, mit dem die Erfahrungen der anderen NRW-Hochschulen eingeholt sowie aus dem Projekt geteilt werden sollen. Dafür sind neben dem direkten Austausch zwischen den Hochschulen auch Konferenztage und eine nachhaltige Sicherung und Bereitstellung der Projektergebnisse vorgesehen.

RWTH Aachen:

Das war die erste Learning AID an der RUB

140 Anmeldungen aus ganz Deutschland, spannende Podiumsdiskussionen, Workshops und viele Möglichkeiten zur Vernetzung – das war die erste Learning AID an der RUB! Im Fokus des Konferenz- und Workshop-Tages stand die gemeinsame Auseinandersetzung mit dem praktischen Einsatz von Learning Analytics und Künstlicher Intelligenz (KI) in der Hochschulbildung. Initiiert und organisiert wurde die Learning AID von KI:edu.nrw.

Dr. Peter Salden
Leiter des Zentrums für Wissenschaftsdidaktik
  1. +49 234 32 22770
  1. FNO 02/38

Mehr zur Person

Jonas Leschke
Projektkoordination
  1. +49 234 32 26416
  1. FNO 02/77