Aktuelles
Mit KI den eigenen Lernstrategien auf der Spur
[16.09.2026]Wie lernen Studierende eigentlich? Planen sie ihre Zeit bewusst, überprüfen sie ihren Lernerfolg, suchen sie sich Hilfe, wenn sie nicht weiterkommen? Diese Fragen stehen im Zentrum der Forschung zu selbstreguliertem Lernen (SRL). Genau hier setzt das Projekt SRL-Agent an.
Foto: Hardy Welsch
Im Mittelpunkt steht ein digitales Interview-Tool, das Studierende auf natürliche, gesprächsähnliche Weise zu ihren Lernstrategien befragt. Praktisch für Lehrende: Über ein Dashboard erhalten sie einen schnellen Überblick darüber, wo ihre Lernenden stehen, und können ihre Lehre gezielt darauf abstimmen.
Wie der SRL-Agent die Lehre unterstützen kann
Kurzüberblick SRL-Agent
- SRL-Agent verbindet ein bewährtes psychologisches Forschungsinstrument mit moderner Interviewtechnologie und macht es so praktisch nutzbar – für die Forschung ebenso wie für den Lehralltag.
- Der erste Praxiseinsatz in einem Kurs mit Studierenden hat gezeigt, dass sich das Tool gut in bestehende Lernumgebungen integrieren lässt und wertvolle Einblicke in das Lernverhalten liefert.
- Ob als eigenständige Anwendung, eingebunden in Moodle oder Ilias, oder als flexibel skalierbarer Docker-Stack für ganze Kursreihen – SRL-Agent lässt sich an ganz unterschiedliche Einsatzszenarien anpassen, vom kleinen Pilotversuch bis zum campusweiten Einsatz.
Selbstreguliertes Lernen gilt als einer der stärksten Erfolgsfaktoren für gutes Lernen. Studierende, die ihre Lernprozesse planen, überwachen und gezielt anpassen können, kommen in der Regel besser durchs Studium. Nur: Wie findet man als Lehrperson heraus, welche Strategien die eigenen Studierenden tatsächlich nutzen?
Genau dabei hilft SRL Agent. Studierende führen einen kurzen, geführtes Interview per Chat mit dem System – auf Deutsch oder Englisch, ganz wie es passt. Das Tool fragt nach typischen Lernsituationen, etwa wie beim Lernen für eine Prüfung oder beim Schreiben einer Hausarbeit vorgegangen wird, und erkennt daraus automatisch, welche Lernstrategien zum Einsatz kommen. Anschließend geben die Studierenden noch an, wie häufig sie eine Strategie jeweils nutzen. Am Ende erhalten sie eine persönliche Zusammenfassung der von ihnen genutzten und noch nicht genutzten Lernstrategien. Der Agent geht dabei flexibel auf die individuellen Antworten der Studierenden ein, stellt bei Bedarf gezielte Rückfragen und greift bereits Gesagtes im weiteren Verlauf wieder auf – so gleicht kein Interview dem anderen.
Lässt sich in Lernplattformen integrieren
Für Lehrende entsteht daraus ein Dashboard mit einer Übersicht über die Ergebnisse der eigenen Studierenden. So lässt sich auf einen Blick erkennen, wo eine Gruppe insgesamt steht, und die Lehrperson kann die eigene Lehre gezielter daran anpassen – zum Beispiel durch zusätzliche Hinweise zur Zeitplanung oder zu Strategien passend zur Lehrveranstaltung, wenn sich zeigt, dass viele Studierende hier Unterstützung gebrauchen könnten.
Wichtig für den Einsatz im Studienalltag: Der SRL-Agent lässt sich direkt in bestehende Lernplattformen wie Moodle oder Ilias einbinden, sodass Studierende es im gewohnten Kursraum nutzen können. Vor dem Start werden alle Teilnehmenden über Zweck und Nutzen des Systems informiert und müssen der Nutzung aktiv zustimmen. Am Ende können sie ihre eigenen Ergebnisse einsehen und herunterladen. Der SRL Agent kann im Verlauf eines Semesters auch mehrfach verwendet werden.
Das System wurde bereits in einem FernUni-Kurs eingesetzt und hat sich dabei im Praxisbetrieb bewährt.
-
Der SRL-Agent basiert auf dem klassischen strukturierten Interview zur Erfassung selbstregulierten Lernens von Zimmerman und Martinez-Pons (1986). Dieses etablierte Protokoll wurde in ein interaktives, mehrstufiges Gesprächssystem übersetzt, das Studierende durch Einleitung, Strategieerkennung, Häufigkeitsbewertung und eine automatisch generierte Zusammenfassung führt.
Ein zentrales technisches Element ist die automatische Erkennung von Lernstrategien aus den freien Antworten der Studierenden. Optional kommt dafür ein RAG-Ansatz (Retrieval-Augmented Generation) zum Einsatz: Antworten werden mittels Embeddings in einer Vektordatenbank (pgvector) mit bekannten Strategiebeschreibungen abgeglichen, wodurch auch frei formulierte Antworten zuverlässig einer Strategie zugeordnet werden können.
Alle Interaktionen werden persistent gespeichert – Interviewverläufe, erkannte Strategien, Häufigkeitsbewertungen sowie ein detailliertes Aktivitätslog der Nutzung (Klicks, Seitenaufrufe, eingegebene Zeichen). Diese Daten bilden die Grundlage für die Dashboards, die sowohl Forschenden als auch Lehrenden zur Verfügung stehen.
Bereit für unterschiedliche Einsatzmöglichkeiten
Für den Einsatz in unterschiedlichen Kontexten unterstützt SRL Agent mehrere Deployment-Modi: als eigenständige Webanwendung, als LTI-Tool, also direkt zur Einbindung in Plattformen wie Moodle oder Ilias, sowie Plattform-unabhängig als vollständiger Docker-Compose-Stack für den einfachen Betrieb. Optional lässt sich zudem eine Discord-Anbindung für Benachrichtigungen aktivieren.
Die benötigte Infrastruktur skaliert dabei überschaubar mit der Nutzungsgröße: Für einen campusweiten Einsatz mit über hundert gleichzeitigen Studierenden skaliert das System auf einem relativ kleinem Server mit 4 GB RAM und üblichen CPU-Kapazitäten. Ein separater Server für das eigentliche Sprachmodell wird in jedem Fall zusätzlich benötigt. Im Projekt greifen wir im Sinne der Digitalen Souveränität auf das von KI:connect bereitgestellte französiche Model Mistral-small 119b zurück.
In der aktuellen Version von SRL Agent ist auch eine angepasste Variante des SRL-O Fragebogens integriert. Auf diese Weise ist es möglich, die Ergebnisse des Interviews mit etablierten Fragebogeninstrumenten und auch Verhaltensdaten aus dem Learning-Management-System zu triangulieren.
Wissenschaftlich fundiert und praktisch erprobt
SRL-Agent ist kein reines Technikprojekt, sondern eng mit der Forschung bei CATALPA zu selbstreguliertem Lernen verzahnt. Der Ansatz, das klassische Interviewprotokoll von Zimmerman und Martinez-Pons mithilfe generativer KI umzusetzen, wurde in mehreren wissenschaftlichen Beiträgen vorgestellt und diskutiert, unter anderem im Journal of Research on Technology in Education, auf der International Conference on Education Technology and Computers 2025 und zuletzt auf der Learning Analytics & Knowledge 2026.
Entwickelt wurde SRL Agent von einem kleinen, interdisziplinären Team: Dr. Niels Seidel (Projektleitung, Entwicklung/Technologie), Dr. Slavisa Radovic (Projektleitung, SRL-Experte), Elisabeth Wetchy (Entwicklerin des initialen Prototypen), Prasoon Tiwari und Abdulrouf Emsilkh. Der SRL-Agent soll im Wintersemester 2026/27 in weiteren Lehrveranstaltungen eingesetzt und anschließend evaluiert werden.
Ausblick
Perspektivisch kann die technische Struktur von SRL-Agent auch für andere strukturierte Interviews genutzt werden. Das Konzept zur Erhebung qualitativer Daten mit Hilfe agentischer KI hat die Arbeitsgruppe indes auch auf Think-Aloud-Protokolle angewendet. Inspiriert durch einen Ethikworkshop von KI:edu.nrw arbeitet das Team zudem an einem EthicsCompanion, einem skriptgestützten Reflexionswerkzeug, das Entwickler:innen und Designer:innen von Bildungstechnologie dabei unterstützt, ethische Fragestellungen bereits während des Entwicklungsprozesses gezielt zu reflektieren.
