# 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.<br>

**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<br>

**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.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.eduplex.eu/ki-gestutztes-personalisiertes-lernen-ki-tutor/3.-methodische-schritte-im-uberblick.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.