KI-gestützte Generierung adaptiver Übungsbeispiele zur Klausurvorbereitung, die sich am individuellen Kompetenzstand der Studierenden orientieren, um eine gezielte Klausurvorbereitung zu ermöglichen.
Hintergrund:
Studierende trainieren Programmierkompetenzen typischerweise anhand eines begrenzten, von Lehrenden vorgegebenen Aufgabenpools, der zur Klausurvorbereitung oft nicht ausreicht. Zusätzliche Übungsbeispiele, die entsprechende Aufgabenstellungen abdecken, sind für Lehrende aufwändig zu erstellen und lassen sich nicht beliebig skalieren.
Moderne KI-Systeme ermöglichen es, aus bestehenden Aufgaben und Lehrinhalten automatisiert neue, thematisch passende Übungsbeispiele zu generieren. Bisherige Ansätze zur automatisierten Aufgabengenerierung berücksichtigen dabei jedoch meist nicht, wie gut eine Person die Materie bereits beherrscht, und passen den Schwierigkeitsgrad nicht an den individuellen Lernfortschritt an. Es besteht daher Bedarf an einem System, das aus bestehenden Aufgaben und Vorlesungsinhalten neue Übungsbeispiele generiert und dabei den Schwierigkeitsgrad kontinuierlich am gezeigten Kompetenzstand der Studierenden ausrichtet.
Ziel der Arbeit:
Ziel dieser Masterarbeit ist die Konzeption, Implementierung und Evaluation eines Systems, das Studierende bei der Klausurvorbereitung durch automatisch generierte, adaptive Übungsbeispiele unterstützt. Das System soll bestehende Aufgaben und Vorlesungsfolien als Wissensbasis nutzen, daraus neue, thematisch passende Beispiele generieren, den Schwierigkeitsgrad anhand der bisherigen Lösungsleistung der Studierenden anpassen, den Lernfortschritt über mehrere Beispiele hinweg berücksichtigen und die generierten Beispiele in eine von den Studierenden nutzbare Umgebung einbinden (z.B. Google Colab).
Aufgaben:
- Literaturrecherche zu KI-gestützter Aufgabengenerierung und adaptivem Lernen
- Konzeption der Systemarchitektur, insbesondere der Wissensbasis aus bestehenden Aufgaben und Vorlesungsfolien
- Implementierung eines Prototyps zur Generierung neuer Übungsbeispiele mit steuerbarem Schwierigkeitsgrad
- Implementierung einer Bewertungslogik, die aus den Lösungen der Studierenden den passenden nächsten Schwierigkeitsgrad ableitet
- Durchführung einer Evaluation mit Studierenden
Erwartete Ergebnisse:
- Prototyp zur adaptiven Generierung von Übungsbeispielen zur Klausurvorbereitung
- Evaluation der Auswirkungen auf Lernfortschritt und Kompetenzaufbau
Betreuung: Iris Groher