AI.EDU Research Lab

AI.EDU ist ein CATALPA-Projekt.

Künstlicher Intelligenz, die Lernende und Lehrende bei der Bearbeitung und Strukturierung von Studieninhalten unterstützt - AI.EDU erforscht, wie genau das gelingen kann. Doch damit Lernende überhaupt erst durch KI unterstützt werden können, ihre Fähigkeiten zu verbessern, müssen Lehr und Lernprozesse ersteinmal entschlüsselt und beschrieben werden. Darum verläuft das Projekt in drei Phasen von der Forschung bis hin zur Implementierung und Skalierung.

Projektziele und Forschungsfragen

Künstliche Intelligenz in der Hochschulbildung ist zwar ein bisher noch relativ wenig erforschtes Gebiet, weckt gleichzeitig aber große Erwartungen an eine verbesserte Qualität des Lehrens und Lernens. In dem Kooperationsprojekt erforscht das Lehrgebiet Bildungstheorie und Medienpädagogik von Prof. Dr. Claudia de Witt gemeinsam mit dem Educational Technology Lab unter Leitung von Prof. Dr. Niels Pinkwart des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI, Nachfolge von Prof. Dr. Christoph Igel) Methoden und Anwendungen der Künstlichen Intelligenz in Studium, Lehre und Weiterbildung der FeU. Es werden sowohl Szenarien, welche bei der Bearbeitung und Strukturierung von Studieninhalten unterstützen, als auch Anwendungen zur Begleitung des gesamten Studienverlaufs entwickelt und zunächst in Testbeds erprobt. Im Fokus der Umsetzung liegen wissensbasierte Expertensysteme, Education Data Mining und Verfahren des Maschinellen Lernens. Eines der wesentlichen Ziele in dem dreijährigen Vorhaben ist es, dass diese Methoden Lernende sowohl bei der Ausbildung ihrer metakognitiven Fähigkeiten als auch bei der inhaltlichen Bearbeitung über Empfehlungssysteme unterstützen. Dafür werden Lehr- und Lernprozesse entsprechend entschlüsselt und nachvollziehbar beschrieben.

Der Projektverlauf gliedert sich in drei Phasen. In der ersten Projektphase, der Forschung, geht es um die Erarbeitung der Konzepte und die Entwicklung von Demonstratoren. In der Implementierung, welche die zweite Phase bildet, finden die Testungen und die Validierung der Konzepte sowie deren Umsetzungen statt. Schließlich werden in der dritten Phase, der Skalierung, erfolgreiche Lösungsansätze in die Breite getragen und auf weitere Anwendungsszenarien übertragen. Letztlich wird es aber auch darum gehen, Implikationen für Bildung, für die Urteilsfähigkeit und Verantwortung zukünftiger Generationen bei der Gestaltung algorithmisierter Lehr- und Lernprozesse mitzudenken.