Arbeitsgruppe Prof. Kuhn

Individualisiertes, studienbegleitendes KI-ePortfolio für die Eingangsphase in MINT-Studiengängen

Ziel: Förderung von Schlüsselkompetenzen in MINT Disziplinen durch individualisiertes KI-basiertes Feedback

MathematischeFähigkeiten
-"Mathematik ist das Rückgrat der Physik" und "Viele Physikstudenten tun sich schwer, wenn sie versuchen, mathematische Fähigkeiten zu entwickeln" (Bing & Redish, 2009)
-Mathematische Fähigkeiten zeigen die stärkste Korrelation mit dem Lernzuwachs im Vergleich zu Vorwissen und räumlichen Fähigkeiten in einem Physikkurs (Hake, 2002)

Repräsentationskompetenz
-Die Problemlöseleistung von Schülerinnen und Schülern hängt stark von ihrer Repräsentationskompetenz ab (Kohl, Finkelstein, 2006)
-Das Verständnis von Graphen ist eine Voraussetzung für das Lernen in den meisten Fächern der Hochschulbildung (Bowen & Roth, 1998). Es ist eine zentrale Facette bereichsübergreifender allgemeiner Fähigkeiten wie Online-Argumentation (Wineburg et al., 2016), Medienkompetenz (Shah & Hoeffner, 2002) und Datenkompetenz (Cowie & Cooper, 2017).

Data Literacy/Statistical Literacy
-Grundlage für datenbasierte Entscheidungsfindung (Kippers, Poortman, Schildkamp, Visscher, 2018)
-Schlüsselkompetenz des 21. Jahrhunderts, da sie es ermöglicht, Daten zu analysieren, relevante Daten bereitzustellen, Daten zu interpretieren und so systematisch Wissen aus Daten zu generieren (Schüller & Pusch, 2019)

Phase 1: Personalisierte KI-ePortfolios

Phase 1: RATs

Anpassung auf Basis der Sensordaten

Systematische Vernetzung von Phase 1 & 2

Zusammenfassung

Phase 1:
•Keinen Eingriff in Lehrveranstaltungen (Akzeptanz, Übertragbarkeit)
•Wöchentliches Lösen von RATs (strukturell valide)
•Individuelles Feedback in der Studieneingangsphase auf Basis von KI-Algorithmen zur Verbesserung des Klausurerfolgs
•Einhaltung ethischer Grundsätze und Datenschutzrichtlinien

Phase 2:
•Unterstützung während der Laborpraktika
•KI-basierte Ergänzung zusätzlicher Repräsentationen auf Basis von Blickdaten zur Steigerung des Verständnisses

Referenzen

•Bing, T. J., & Redish, E. F. (2009). Analyzing problem solving using math in physics: Epistemological framing via warrants. Physical Review Special Topics-Physics Education Research, 5(2), 020108.
•Hake, R. R. (2002, August). Relationship of individual student normalized learning gains in mechanics with gender, high-school physics, and pretest scores on mathematics and spatial visualization. In Physics education research conference (Vol. 8, No. 1, pp. 1-14).
•Kippers, W. B., Poortman, C. L., Schildkamp, K., & Visscher, A. J. (2018). Data literacy: What do educators learn and struggle with during a data use intervention?. Studies in Educational Evaluation, 56, 21-31.
•Kohl, P. B., & Finkelstein, N. D. (2006). Effect of instructional environment on physics students’ representational skills. Physical Review Special Topics-Physics Education Research, 2(1), 010102.
•Schüller, K., & Busch, P. (2019). Data Literacy: Ein Systematic Review.

Ansprechpartner

Prof. Dr. Jochen Kuhn, Dr. Stefan Küchemann
Didaktik der Physik, Fachbereich Physik

Prof. Dr.-Ing. Norbert Wehn
Entwurf Mikroelektronischer Systeme, Fachbereich Elektrotechnik und Informationstechnik

Prof. Dr. Stefan Ruzika
Optimierung, Fachbereich Mathematik

Prof. Dr. Karen Joisten
Philosophie, Fachbereich Sozialwissenschaften

Prof. Dr. Paul Lukowicz
Eingebettete Intelligenz, Fachbereich Informatik

Zum Seitenanfang