AI-based STEM education. Generating individualized exercises in mathematics.

Autor/inn/en	Lange-Hegermann, Markus; Schmohl, Tobias; Watanabe, Alice; Heiss, Stefan; Rubart, Jessica
Titel	AI-based STEM education. Generating individualized exercises in mathematics.
Quelle	Aus: Conference proceedings. International conference "New perspectives in science education", 10th edition. Virtual event, 18-19 march 2021. Bologna: Filodiritto Editore (2021) 4 S. PDF als Volltext kostenfreie Datei (1); PDF als Volltext kostenfreie Datei (2) Link als defekt meldenVerfügbarkeit
Sprache	englisch
Dokumenttyp	online; Sammelwerksbeitrag
DOI	10.25656/01:27944
URN	urn:nbn:de:0111-pedocs-279445
Schlagwörter	Learning Analytics; Künstliche Intelligenz; 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 den Hochschulen wird durch die COVID-19-Pandemie noch verstärkt. Allerdings weisen gerade in der Studieneingangsphase einige Studierende erhebliche Defizite in Bezug auf die Selbstlernkompetenzen auf. Deshalb wird in der Mathematiklehre ab der ersten Studienwoche versucht, Wissenslücken durch Feedback in Kleingruppen oder durch die Korrektur von Hausaufgaben zu verhindern. Die dennoch hohe Zahl der Studienabbrecher in den MINT-Fächern steht im Gegensatz zum wachsenden Bedarf der Wirtschaft an qualifizierten Absolventen. Wir schlagen vor, diese Abbrecherquote durch ein auf KI-Algorithmen basierendes Unterrichtsdesign anzugehen, das mathematische Aufgaben mit einem maßgeschneiderten, individuellen Schwierigkeitsgrad für Studierende erstellt. Unsere Hypothese ist, dass diese Intervention dem selbst eingeschätzten Gefühl der Überforderung entgegenwirkt und die individuelle Studienmotivation erhöht. Die Aufgaben hängen von vielen Parametern ab, die den Schwierigkeitsgrad bestimmen. Diese werden iterativ angepasst, basierend auf End- oder Zwischenergebnissen von zuvor bearbeiteten Aufgaben und Learning Analytics-Daten durch Bayes'sche Optimierung. (Autor). During the COVID-19 pandemic, the trend towards self-directed learning at universities received a strong boost. However, some students show considerable deficits regarding their self-learning competences. These become especially apparent in the first semesters, creating gaps in the students' knowledge which will not only slow down their progress in later semesters but may even lead to their dropping out of university altogether. For this reason, several approaches in the field of mathematics teaching attempt to prevent knowledge gaps from the very first week of studies, usually by employing educational instruments such as peer feedback or corrected homework. Despite these efforts, dropout rates in STEM subjects remain high. We propose to address this problem with an instructional design based on AI algorithms which create mathematical exercises, tailoring their degree of difficulty individually to fit each student's skills and speed. Our hypothesis is that this individualized training will keep students from feeling overwhelmed and increase their motivation to study. As the exercises depend on many parameters to determine the appropriate degree of difficulty, they are adjusted iteratively, based on final or intermediate results of previously processed tasks and Learning Analytics data through Bayesian optimization. (DIPF/Orig.).
Erfasst von	DIPF \| Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main
Update	2024/1