EduPLEx_API
InfoPrototypeAll docs
KI-gestütztes personalisiertes Lernen ("KI-Tutor")
KI-gestütztes personalisiertes Lernen ("KI-Tutor")
  • 1. Einleitung und Kontext
  • 2. Zielsetzung des Teilprojekts und Vorgehensweise
  • 3. Methodische Schritte im Überblick
  • 4. System- und Konzeptübersicht
  • 5. Herausforderungen und Lösungsansätze
  • 6. Erkenntnisse und mögliche Weiterentwicklung
  • 7. Ausblick und Empfehlungen
  • 8. Zusammenfassung
  • 9. Anhänge
Powered by GitBook
On this page

3. Methodische Schritte im Überblick

Phase 1 des Projekts gliederte sich in mehrere methodische Schritte, die im Folgenden überblicksartig dargestellt werden:

1. Skizzierung von Wireframes und Informationsbedarfen

  • Erste Entwürfe einer funktionalen Benutzeroberfläche wurden direkt in der No-Code-Entwicklungsumgebung Bubble umgesetzt.

  • Learning: Für vergleichbare Vorhaben empfiehlt sich in der frühen Konzeptionsphase der Einsatz spezialisierter UI/UX-Design-Tools (z. B. Figma), um erste Gestaltungsideen strukturierter und schneller zu visualisieren. Bubble hingegen erwies sich für die spätere Implementierung funktionaler Logiken als sehr leistungsfähig.

2. Aufbau der Datenbankstruktur

  • Erstellung von Tabellen, Datenfeldern und Beziehungen zwischen zentralen Entitäten (z. B. Kurseinheiten, KI-Einstellungen, Nutzerprofile).

  • Die strukturierte Datenmodellierung diente als Grundlage für alle weiteren Entwicklungsschritte.

3. Know-how-Aufbau und API-Verprobung mit Large Language Models

  • Durchführung erster Funktionstests mit verschiedenen LLM-Endpunkten (u. a. GPT-3.5) zur Beantwortung von Fachfragen.

  • Ziel war das Verständnis für die Integration von Sprachmodellen und die Identifikation technischer Grenzen (z. B. Token-Limitierungen, Temperature-Einstellungen, System-Prompts).

4. Implementierung eines Retrieval-Augmented Generation (RAG) Systems

  • Früh zeigte sich, dass reines Prompting nicht ausreicht, um spezifische Fachinhalte zuverlässig abzubilden.

  • Zur Lösung wurde ein RAG-System implementiert, das mit einer Vektordatenbank (z. B. Pinecone) und Ähnlichkeitssuche (Cosine Similarity) arbeitete.

5. Feedbackschleifen mit Stakeholdern und Lernbegleitungen

  • Durchführung erster Usability- und Qualitätstests der KI-generierten Antworten.

  • Iteratives Vorgehen: Das Feedback floss direkt in die Optimierung technischer Parameter (Tokenanzahl, Temperature, Prompting-Strategie, Streaming-Optionen) und die Verfeinerung des RAG-Systems (u. a. durch besseres Chunking und Metadatenmanagement) ein.

6. Pilotierung im Fachbereich Finanzbuchhaltung (WBS TRAINING AG)

  • Mangels externem KMU-Partner wurde der Prototyp im realen Weiterbildungskontext der WBS TRAINING AG getestet.

  • Erkenntnisse: Die Benutzerfreundlichkeit wurde als hoch eingeschätzt. Jedoch zeigten sich Schwächen in der fachlichen Genauigkeit – insbesondere bei mathematisch geprägten Inhalten.

  • Herausforderung: Balance zwischen eingebettetem Fachwissen (über RAG) und generativem Wissen des LLMs. Zudem war GPT-3.5 zum damaligen Zeitpunkt weniger leistungsfähig als spätere Modelle (z. B. GPT-4).

7. Auswertung und Differenzierung der Einsatzebenen

  • Aus den Tests ließen sich drei Ebenen ableiten, auf denen ein KI-Tutor wirksam agieren kann:

    • Makro-Ebene: Auswahl und Empfehlung geeigneter Lerninhalte

    • Meso-Ebene: Fachliche Unterstützung bei konkreten Fragen

    • Mikro-Ebene: Methodisch-didaktische Begleitung, z. B. durch individuelles Feedback

8. Überführung in ein MVP und Pilotierung

  • Erkenntnisse aus Phase 1 wurden in eine konsolidierte Anforderungsliste überführt.

  • Auf dieser Basis wurde ein nutzbares MVP in Bubble realisiert, das in einer weiteren Testphase mit Teilnehmenden (TN) evaluiert wurde.

  • Die Ergebnisse dieser Pilotierung sind im separaten Bericht „KI-Tutor@WBS – Abschlussbericht“ dokumentiert.


Fazit zu Phase 1

  • Die Phase des Rapid Prototypings erwies sich als entscheidend, um technische, didaktische und organisatorische Anforderungen frühzeitig zu identifizieren und gezielt weiterzuentwickeln.

  • Der kombinierte Ansatz aus schnellen Iterationen und enger Stakeholder-Einbindung schuf eine belastbare Grundlage für die zielgerichtete Entwicklung des MVP in Phase 2.

Previous2. Zielsetzung des Teilprojekts und VorgehensweiseNext4. System- und Konzeptübersicht

Last updated 10 days ago