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

5. Herausforderungen und Lösungsansätze

Trotz durchweg positiver Resonanz seitens der Stakeholder zeigte sich im Projektverlauf eine Reihe technischer, organisatorischer und didaktischer Herausforderungen. Im Folgenden werden zentrale Problemstellungen sowie erste Lösungsansätze dargestellt:

1. Unstrukturierte Datenlage

  • Problem: Viele vorhandene Lerninhalte liegen in proprietären Formaten vor (z. B. PDF-Dateien, WBTs oder Articulate-Module), was die Extraktion und das Chunking der Inhalte für RAG-Systeme erheblich erschwert.

  • Lösungsansatz: Für den gezielten Zugriff auf Fachinhalte sind strukturierte Datenquellen (z. B. Glossare, CSV-Dateien oder reine Textformate) deutlich besser geeignet. Eine gezielte Aufbereitung vorhandener Materialien oder die Entwicklung KI-freundlicher Content-Formate kann die Grundlage für eine leistungsfähige RAG-Anbindung schaffen.

2. Dynamische Einbettung von Prompting-Daten

  • Problem: Um personalisierte Lernerlebnisse zu ermöglichen, müssen KI-Prompts flexibel auf Nutzereigenschaften wie Sprache, Lernstand oder Präferenzen reagieren können. Dies erfordert die Verarbeitung sowohl statischer als auch dynamischer Daten.

  • Lösungsansatz: Die Entwicklung adaptiver Prompt-Strategien und der Aufbau technischer Schnittstellen zur Nutzerprofilintegration (z. B. über APIs) sind essenziell. Die dynamische Steuerung von Systemprompts kann so individualisierte Lerndialoge ermöglichen.

3. Begrenzte Verlässlichkeit aktueller LLMs

  • Problem: Bei komplexen oder fachlich spezialisierten Themenfeldern (z. B. Finanzbuchhaltung) lieferten Sprachmodelle vereinzelt fehlerhafte oder unpräzise Informationen.

  • Lösungsansatz: Kurzfristig hilft eine gezielte RAG-Anbindung mit geprüften Inhalten, um die Zuverlässigkeit zu erhöhen. Langfristig wird die Qualität maßgeblich durch die Weiterentwicklung leistungsfähiger Modelle wie GPT-4 und folgende Generationen bestimmt bleiben. Dennoch bleibt die Prüfung von KI-generierten Inhalten durch Fachexpert:innen ein kritischer Faktor.

4. Change-Prozess und Integration der Stakeholder

  • Problem: Die Einführung KI-gestützter Lernsysteme stellt eine tiefgreifende Veränderung dar, die ohne begleitende Maßnahmen auf Widerstand bei Lehrenden, Fachexpert:innen und Lernenden stoßen kann.

  • Lösungsansatz: Der Change-Prozess sollte frühzeitig durch partizipative Formate begleitet werden. Die gemeinsame Entwicklung konkreter Use Cases und eine transparente Kommunikation der Potenziale fördern Akzeptanz und Nutzungsbereitschaft.

5. Unklare Wirkung auf den Lernerfolg

  • Problem: Der tatsächliche Einfluss eines KI-Tutors auf den individuellen Lernerfolg konnte im Projektverlauf noch nicht umfassend empirisch belegt werden.

  • Lösungsansatz: Für eine belastbare Evaluation sind klar definierte Lernziele, geeignete Messinstrumente und ein systematisches Monitoring erforderlich. Die Nutzung von Analyse-Standards wie xAPI kann helfen, differenzierte Erkenntnisse über Lernverläufe, Interaktionen und die Wirksamkeit der KI-Unterstützung zu gewinnen.

Previous4. System- und KonzeptübersichtNext6. Erkenntnisse und mögliche Weiterentwicklung

Last updated 10 days ago