4. System- und Konzeptübersicht

Im Rahmen des Vorprojekts wurden zentrale Systemkomponenten und konzeptionelle Grundlagen geschaffen, die in der zweiten Projektphase weiterentwickelt und produktiv eingesetzt wurden. Die folgenden Entwicklungen bildeten das technologische und funktionale Fundament für die spätere MVP-Pilotierung:

1. Backend-Struktur

• Content- und Kursmanagement: Aufbau einer hierarchischen Kursstruktur mit übergeordneten Lernangeboten und untergeordneten Lerneinheiten.

• Integration KI-relevanter Steuerungsparameter: Speicherung und Verwaltung von Metadaten zur Konfiguration von Systemprompts (Start-/Endprompts), Bewertungsskalen, Tokenlängen, Temperature-Werten, Text-to-Speech-Optionen u. v. m.

• Seiten-Typisierung: Definition verschiedener Seitentypen für Lernformate mit und ohne KI-Unterstützung, um differenzierte Nutzererfahrungen zu ermöglichen.

Ansicht für Lernelement-Verwaltung

2. Benutzerverwaltung

• Nutzerprofil-Management: Einrichtung und Konfiguration individueller Profile (z. B. Spracheinstellungen, gewünschter Schwierigkeitsgrad).

• Perspektivisch adaptiv ausbaufähig: Schnittstellen zur Anbindung an adaptive Lernsysteme wurden konzipiert, um künftig Lernverläufe und persönliche Lernziele dynamisch berücksichtigen zu können.

3. Nutzer-Frontend und erste UX-Skizzierung

• Navigationsmenü: Ermöglicht die Auswahl unterschiedlicher Lernangebote und -einheiten.

• Hauptbereich: Darstellung von Lerninhalten sowie interaktiven, KI-gestützten Formaten wie z. B. „Check-In“, „Lerntagebuch“ oder „Quiz“.

• KI-Chatbot (Pop-up-Funktion): Permanente, aber deaktivierbare Begleitfunktion zur Beantwortung lernzielbezogener Fragen im jeweiligen inhaltlichen Kontext.

• Feedbacksystem: Nutzer:innen können die Qualität der KI-Antworten sowie der bereitgestellten Lerninhalte bewerten – eine wichtige Grundlage für Optimierung und Qualitätssicherung.

User-Ansicht

4. Geplante Funktionalitäten

• Lernstandsbasierte Rückmeldung: Integration von Fortschrittsdaten, um Antworten der KI dynamisch an individuelle Lernstände anzupassen.

• Automatisierte RAG-Anbindung: Zielgerichtete Verknüpfung mit Fachinhalten über ein Retrieval-Augmented Generation-System, um kontextspezifische und valide Informationen in Echtzeit bereitstellen zu können.