Künstliche Intelligenz und forschendes Lernen - ein ideales Paar im Hochschulstudium!?

Literaturnachweis - Detailanzeige

Trefferliste

Autor/inn/en	Wrede, Silke E.; Gloerfeld, Christina; Witt, Claudia De; Wang, Xia
Titel	Künstliche Intelligenz und forschendes Lernen - ein ideales Paar im Hochschulstudium!?
Quelle	Aus: Schmohl, Tobias (Hrsg.); Watanabe, Alice (Hrsg.); Schelling, Kathrin (Hrsg.): Künstliche Intelligenz in der Hochschulbildung. Chancen und Grenzen des KI-gestützten Lernens und Lehrens. Bielefeld: transcript (2023) S. 195-212 PDF als Volltext kostenfreie Datei (1); PDF als Volltext kostenfreie Datei (2) Link als defekt meldenVerfügbarkeit
Reihe	Hochschulbildung: Lehre und Forschung. 4
Sprache	deutsch
Dokumenttyp	online; Sammelwerksbeitrag
ISSN	2749-7623; 2749-7631
ISBN	978-3-8376-5769-2; 978-3-8394-5769-6
DOI	10.25656/01:27838
URN	urn:nbn:de:0111-pedocs-278384
Schlagwörter	Künstliche Intelligenz; Forschendes Lernen; Digitalisierung; Studium; Hochschullehre; Hochschule; Lebenslanges Lernen; Heterogenität
Abstract	Universitäre Lehre unterliegt gesellschaftlichen und politischen, aber besonders auch technologischen Entwicklungen wie Künstliche Intelligenz (KI), die an die Gestaltung von Lehre neue Anforderungen formuliert. Ebenso stehen Studierende zukünftig durch KI vor Herausforderungen, denen es mit den sogenannten 21. Century Skills (Bellanca & Brandt, 2010) zu begegnen gilt. Zur Ausbildung dieser Skills bietet das forschende Lernen einen adäquaten Erfahrungsraum. Ziele des forschenden Lernens liegen in der Konstruktion von Wissen, dem aktiven Erfahren von Zusammenhängen in Forschungssituationen und dem kritischen Reflektieren innerhalb sozialer Kontexte (vgl. Dewey 1916/2011; Bogdanow & Kauffeld, 2019). Gegenstand dieses Beitrags sind Überlegungen zu Unterstützungsmöglichkeiten von KI im Prozess des forschenden Lernens und das AI.EDU Research Lab des Forschungsschwerpunkts Digitalisierung, Diversität und Lebenslanges Lernen (D² L²) an der FernUniversität in Hagen als konkretes Fallbeispiel. Hier wird das didaktische Konzept forschenden Lernens nach Wildt (2009) in Kombination mit KI so eingesetzt, dass es einen typischen Forschungszyklus mit Kolbs Lernzyklus (Wildt, 2009) verbindet und auf einen Semesterverlauf überträgt. Mit dem Einsatz eines Automatic Assessment-Tools auf Basis des maschinellen Lernens können Studierenden ihren Wissensstand zu Beginn des Semesters ermitteln (Wang et al. 2020) und ein Unterstützungs- bzw. Recommender-System, basierend auf einem wissensbasierten System, begleitet sie in ihren verschiedenen Forschungs- bzw. Lernphasen. Für eine zukunftsorientierte Hochschullehre gilt es herauszufinden, inwieweit Methoden und Anwendungen von KI den Prozess des forschenden Lernens unterstützen und zur Förderung eines selbstbestimmten Lernens eingesetzt werden können. (DIPF/Orig.). University teaching underlies social and political, but especially technological developments such as AI which formulate new requirements for the design of teaching. And students will face challenges in the future due to AI which must be met with the so-called 21st Century Skills (Bellanca & Brandt, 2010). For the training of these skills, inquiry-based learning offers an adequate experiential space. The goals of this approach are the construction of knowledge, the active experience of contexts in research situations, and critical reflection in a social context (cf. Dewey 1916/2011; Bogdanow & Kauffeld, 2019). In this article, we will consider how AI can support the process of inquiry-based learning. As a concrete case study, the AI.EDU Research Lab of the research focus Digitalization, Diversity and Lifelong Learning (D² L²) at the FernUniversität in Hagen is presented. It uses a didactic concept of inquiry-based learning according to Wildt (2009) together with AI to achieve these goals by combining a typical research cycle with Kolb's learning cycle (Wildt, 2009) and transferring it to a semester course. A recommender system, based on a knowledge-based system, accompanies students in their different research/learning phases; with the use of an auto-assessment tool based on machine learning, they determine their knowledge level at the beginning of the semester (Wang et al., 2020). Ultimately, it is important to find out to what extent methods and applications of AI support the process of inquiry learning and can be used to promote self-directed learning. (DIPF/Orig.).
Erfasst von	DIPF \| Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main
Update	2024/1