Veranstaltungsprogramm

<p>Mentoring gilt als effektive Maßnahme zur Unterstützung von Lernprozessen (Eby &amp; Dolan, 2015; Nora &amp; Crisp, 2007; Ziegler, 2009). In Lehrveranstaltungen an Hochschulen mit vielen Studierenden ist diese individuelle Betreuung aufgrund der benötigten Ressourcen jedoch häufig nicht möglich. Gleichzeitig ergeben sich angesichts kontinuierlicher Entwicklungen im Bereich Künstlicher Intelligenz (KI) und damit zusammenhängender Technologien für den Bereich der digitalen Hochschulbildung neue Perspektiven und Herausforderungen. KI-Dienste bieten hierbei das Potenzial, als digitale Unterstützungsmöglichkeiten von Studierenden Anwendung zu finden (Gimpel et al., 2023). Das erlaubt die Frage, in welcher Form Ansätze von Mentoring in hybriden didaktischen Szenarien skaliert werden können (Klamma et al. 2020). <br />Vor diesem Hintergrund soll in einem Projektbeitrag die Mentoring Workbench (MWB) vorgestellt werden, eine Oberfläche (Abb. 1), die verschiedene Dienste zur Unterstützung selbstgesteuerten Lernens bereitstellt und über ein Kubernetes Cluster miteinander vernetzt (Klamma et al., 2020), z.B. Kommunikations- und Interaktionselemente in Form eines zum Teil LLM-basierten Chatbots für konkrete inhaltliche und organisatorische Fragen einer Lehrveranstaltung, eines Dashboards und eines Zeitplaners zur Organisation des Studiums, einer Suchmaschine auf Basis indexierten Lernmaterials sowie Lerneinschätzungswerkzeuge wie Schreibaufgaben und LLM-basiertes Feedback. Neben der theoretischen Einordnung der Konzeption dieses digitalen Unterstützungsangebotes in der Lehrer:innenbildung an Universitäten in Deutschland sowie der Beschreibung der Implementierung mit Fokus auf den o.g. LLM-basierten Diensten sollen auch Evaluationsergebnisse und Erfahrungen aus dem iterativen FuE-Prozess (DBR) vorgestellt werden, um einen Beitrag zur Diskussion um Innovationspotenziale sowie didaktische, technische und organisationale Gestaltungskonzepte von vertrauenswürdigen Bildungstechnologien, insbesondere Künstlicher Intelligenz, an Hochschulen zu leisten.</p>

<p>Welche Kompetenzen werden in der KI-geprägten Welt von morgen benötigt? <br /> Dieser Frage widmet sich die deutschlandweit größte Studie zum Thema KI-Kompetenzen aus dem Jahr 2023. Um der Notwendigkeit, alle Bürger:innen auf die technischen Fortschritte vorzubereiten, entgegenzutreten, ist der AIComp eine wegweisende Orientierungshilfe, durch den Kompetenzbedarfe aufgedeckt wurden und Personen sich selbst befähigen können, in einer von KI geprägten Lebens- und Arbeitswelt handlungsfähig zu bleiben.</p>

<p>Die NextEducation Forschungsgruppe der Dualen Hochschule Baden-Württemberg in Karlsruhe entwickelte im Rahmen der KI-Campus Initiative das Kompetenzmodell AIComp (Artificial Intelligence Competences), das auf einer empirischen Studie basiert, in der über 1.600 Arbeitnehmer:innen in Baden-Württemberg zu den Anforderungen der zunehmend KI-durchdrungenen Arbeits- und Lebenswelt befragt wurden.</p>

<p><strong>Forschungsdesign &amp; Methodik</strong></p>

<p>Die Entwicklung des AIComp basiert auf einem Ansatz, in dem Kompetenzen als Handlungsdispositionen definiert werden. Dieser Ansatz geht über rein instrumentelle Anwendungskompetenzen hinaus und bildet die Grundlage für die empirische Konstruktion für die in einer KI-geprägten Lebens- und Arbeitswelt benötigten zukünftigen Fähigkeiten.</p>

<p>Die Methodik integriert verschiedene empirische Ansätze, darunter Literaturrecherchen und Aufarbeitung des Status Quo, die iterative Entwicklung mehrerer Kompetenzkataloge den Einsatz von qualitativen, halbstrukturierten Interviews und Gruppendiskussionen. Dieser Entwicklungsprozess bildete die Basis für eine quantitative Studie, in der 36 kompetenzbezogene Items von 1.644 Befragten eingeschätzt wurden. Mit Hilfe des Verfahrens der Hauptkomponentenanalyse, eines multivariaten statistischen Verfahrens, wurden auf Basis des Antwortverhaltens der Befragten Strukturen herausgearbeitet, die die Kompetenzfelder des Modells bildeten.</p>

<p>Das Kompetenzmodell enthält 3 Kompetenzbereiche: (1) Arbeitsbezogene Kompetenzen, (2) persönliche Entwicklung und (3) soziales Umfeld und Organisation. Jeder Bereich umfasst mehrere Kompetenzfelder, die durch thematische Handlungsdispositionen definiert sind. Das AIComp-Modell dient somit der Identifizierung von Kompetenzen, die für erfolgreiches Handeln in einem zunehmend von KI geprägten beruflichen und persönlichen Leben wichtig sind. Es bietet eine strukturierte Möglichkeit, das Zusammenspiel von Wissen, Werten und einer Vielzahl von Fähigkeiten zu verstehen, die für das Navigieren in einer KI-integrierten Realität erforderlich sind. Die Kompetenzfelder wurden jeweils zusätzlich in den Kontext des wachsenden Einflusses von KI am Arbeitsplatz gestellt und in umsetzbare Erkenntnisse und Verhaltensweisen unterteilt<strong></strong></p>

<p>Abgefragt wurden jeweils drei Dimensionen der Kompetenzen: 1) Bereits gesammelte Erfahrungen mit diesen Kompetenzen, 2) die Souveränität der Befragten in Situationen, in denen die jeweilige Kompetenz notwendig ist und 3) die Einschätzung zur zukünftigen Bedeutung der Kompetenzen.</p>

<p>Die Integration künstlicher Intelligenz (KI) in pädagogische Praktiken repräsentiert eine innovative Entwicklung, insbesondere durch die Verwendung von KI-gestützten Lernassistenten in Bildungsumgebungen (Chen et al., 2020). Diese technologischen Fortschritte bergen das Potential zur Individualisierung von Lernpfaden (Plass &amp; Pawar, 2020; Hummel &amp; Donner, 2023; Lee et al., 2022). Speziell die personalisierte und adaptive Unterstützung durch KI-Avatare vermag, im Kontext des Konzepts des situierten Lernens (Lave &amp; Wenger, 1991; Schmohl, 2021), selbstgesteuerte Lernerfahrungen zu erleichtern und die Lernenden über den gesamten Bildungsverlauf hinweg unterstützen (Sekeroglu et al., 2019; Ninaus &amp; Sailer, 2022). Die Fragestellung dieses Beitrags konzentriert sich darauf, welche Parameter die Akzeptanz und Effizienz von KI-Avataren unter Berücksichtigung der grundlegenden Prinzipien des selbstregulierten Lernens erhöhen können (Zimmerman, 1989).</p>

<p>Eine Online-Erhebung mit 68 Studierenden aus den Fachbereichen der Sozial- und Geisteswissenschaften wurde durchgeführt, wobei offene und geschlossene Fragen gestellt und die Daten mittels der Grounded Theory ausgewertet wurden. Neben der „Personifizierung des Avatars“, welche das äußere Erscheinungsbild (visuelle Ästhetik und Identifizierbarkeit des Avatars) und die kommunikative Ausdrucksweise (sprachliche und nonverbale Kommunikation) umfasst, spielt die prozessuale Unterstützung des individuellen Lernprozesses eine entscheidende Rolle.</p>

<p>Die Ergebnisse zeigen, dass die adaptive und personalisierte Unterstützung durch KI-Avatare die Akzeptanz und das Vertrauen der Lernenden signifikant erhöht. Insbesondere formative Rückmeldungen, die den individuellen Lernfortschritt berücksichtigen und sowohl präzise als auch konstruktiv sind, tragen maßgeblich zur Effizienz und zur positiven Wahrnehmung der KI-Avatare bei. Ferner haben Mechanismen zur Förderung der Selbstreflexion sowie metakognitive Strategien, die den Lernenden helfen, ihre Lernfortschritte einzuschätzen, ihr eigenes Lernen zu planen, zu überwachen und ihre Ergebnisse zu bewerten, einen erheblichen positiven Einfluss auf die Akzeptanz und das Engagement der Lernenden. Auch die Bereitstellung von unterstütztem Lernen durch Scaffolding und klare pädagogische Zielsetzungen erweist sich als förderlich. Darüber hinaus erhöhen sozio-emotionale Unterstützung und die Förderung interaktiver Lernerfahrungen durch die Avatare die Bereitschaft der Lernenden, diese Technologien anzunehmen und aktiv zu nutzen.</p>

<p>Diese Erkenntnisse können als Grundlage für die evidenzbasierte Weiterentwicklung von KI-Avataren als individuelle Lernbegleiter für selbstregulierter Lernen herangezogen werden und gewinnen insbesondere im Kontext der digitalen Bildung und des technologiegestützten Lernens an Bedeutung (Zhai et al., 2021).</p>