KI-basierte Erstellung individualisierter Mathematikaufgaben für MINT-Fächer.

Autor/inn/en	Lange-Hegermann, Markus; Schmohl, Tobias; Watanabe, Alice; Schelling, Kathrin; Heiss, Stefan; Rubart, Jessica
Titel	KI-basierte Erstellung individualisierter Mathematikaufgaben für MINT-Fächer.
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. 161-172 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	10.25656/01:27836
URN	urn:nbn:de:0111-pedocs-278369
Schlagwörter	Learning Analytics; Künstliche Intelligenz; Algorithmus; Künstliche Intelligenz; Mathematik; Studium; Hochschule; Lernsystem; Technologieunterstütztes Lernen; Selbst gesteuertes Lernen; Algorithmus; Bayes-Formel; Mathematik; Studium; Hochschule; Aufgabenstellung; STEMS (Science, Technology, Environment in Modern Society)
Abstract	Die Tendenz zum selbstgesteuerten Lernen an Hochschulen verstärkt sich durch die COVID-19-Pandemie. Allerdings weisen Studierende insbesondere in der Studieneingangsphase teils erhebliche Defizite im Hinblick auf Selbstlernkompetenzen auf. Daher wird in der Fachdidaktik Mathematik versucht, Wissenslücken ab der ersten Studienwoche unter anderem durch Feedback in Kleingruppen oder durch Korrekturen von Übungsaufgaben zu verhindern. Die trotzdem hohe Zahl an Studienabbrecher:innen in MINT-Fächern steht dem wachsenden Bedarf der Wirtschaft an qualifizierten Absolvent:innen gegenüber. Wir schlagen vor, diese Abbruchquote vermittels Methodiken des maschinellen Lernens zu adressieren: KI-Algorithmen erstellen Mathematikaufgaben mit passgenauem, individuellem Schwierigkeitsgrad für Studierende. Dies wirkt - so unsere Hypothese - Überforderungen entgegen und steigert die individuelle Studienmotivation. Sowohl der Aufgabentyp als auch der Schwierigkeitsgrad der Übungen hängen von vielen Parametern ab. Diese werden iterativ, beruhend auf End- oder Zwischenergebnissen zuvor bearbeiteter Aufgaben und Learning-Analytics-Daten, durch Bayes'sche Optimierung angepasst. (DIPF/Orig.). The COVID-19 pandemic has reinforced the tendency toward self-directed learning in higher education. During the first semesters, however, many students still lack the self-learning skills they need to thrive in this environment. For this reason, attempts are made in mathematics teaching to prevent gaps in students' knowledge by providing feedback in small groups or by correcting their homework. Still, dropout rates in STEM subjects remain high, strongly contrasting with the economy's growing demand for qualified graduates from these academic fields. We therefore propose to address this issue through an instructional design based on AI algorithms that create mathematical exercises with a degree of difficulty tailored individually to students' knowledge and skills. We hypothesise that this intervention will counteract self-assessed feelings of stress and overload while working on these exercises, instead increasing learners' motivation to study. As both the type of exercise and its difficulty depend on many parameters, they are adjusted iteratively by the AI, based on final or preliminary results of previously processed tasks and Learning Analytics data through Bayesian optimisation. (DIPF/Orig.).
Erfasst von	DIPF \| Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main
Update	2024/1