{"id":4872,"date":"2023-09-27T07:08:50","date_gmt":"2023-09-27T07:08:50","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/ki-bildung-intelligente-tutorielle-systeme\/"},"modified":"2025-11-12T14:53:12","modified_gmt":"2025-11-12T14:53:12","slug":"ki-bildung-intelligente-tutorielle-systeme","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/ki-bildung-intelligente-tutorielle-systeme\/","title":{"rendered":"Lernpfade (digital) begleiten: Intelligente Tutorielle Systeme"},"content":{"rendered":"\n

Im Bereich der Bildung hat die Synergie zwischen Technologie und P\u00e4dagogik zu neuen Ans\u00e4tzen gef\u00fchrt, die es erlauben, die traditionellen Praktiken des Klassenzimmers neu zu gestalten. Dabei ist K\u00fcnstliche Intelligenz zunehmend pr\u00e4sent, wird aber in der Bildung unterschiedlich und l\u00e4ngst nicht fl\u00e4chendeckend eingesetzt. Eine Sorge, die in der Diskussion um K\u00fcnstliche Intelligenz h\u00e4ufig mitschwingt, ist, dass solche Systeme intransparente und nicht mehr nachvollziehbare Entscheidungen treffen. Um dieser Sorge entgegenzuwirken, ist es notwendig zu verstehen, wie solche Systeme funktionieren. In diesem Beitrag stellen wir Intelligente Tutorielle Systeme vor und erkl\u00e4ren, wie Lernen mithilfe dieser Tutorensysteme personalisiert werden kann. Durch Personalisierung k\u00f6nnen Lernende individuelle Lernpfade beschreiten, obwohl alle dasselbe Lernziel verfolgen. So k\u00f6nnen Lehrkr\u00e4fte mithilfe Intelligenter Tutorieller Systeme auch in gro\u00dfen und heterogenen Lerngruppen personalisiertes Lernen erm\u00f6glichen.<\/p>\n\n\n\n

Intelligente Tutorielle Systeme<\/h2>\n\n\n\n

Intelligente Tutorielle Systeme (ITS) werden seit den 80er Jahren eingesetzt, um das Lernen in unterschiedlichen Anwendungsdom\u00e4nen zu unterst\u00fctzen. Insbesondere in den USA wurden Intelligente Tutorielle Systeme f\u00fcr unterschiedliche Anwendungsdom\u00e4nen, unter anderem Physik (AutoTutor, Graesser et al., 2005) und Mathematik (MathTutor, Carnegie Mellon University, 2009-2023) entwickelt und in Schulen eingesetzt. In zahlreichen gro\u00df angelegten Studien in den USA konnte gezeigt werden, dass der Einsatz von Intelligenten Tutoriellen Systemen die Leistung bei Lernenden steigern kann (z.B., Kulik & Fletcher, 2016; VanLehn, 2011).<\/p>\n\n\n\n

Das Kernmerkmal solcher Systeme ist ihre Funktion, jedem Lernenden, basierend auf der Analyse des Lernstands (Issing & Klimsa, 2002), individuell und passgenau R\u00fcckmeldung zu geben bzw. Lerninhalte anzubieten. Diese Adaptivit\u00e4t ist wichtig, da sie ber\u00fccksichtigt, dass Lernende unterschiedliche Unterst\u00fctzungsbedarfe haben, die sich auch auf individueller Ebene \u00fcber den Lernprozess hinweg ver\u00e4ndern k\u00f6nnen. Tutorensysteme k\u00f6nnen dabei sowohl das Wissen als auch verwendete Strategien, die Selbstregulierung der Lernenden oder die Motivation adressieren (Aleven et al., 2017). Die Unterst\u00fctzung erfolgt „just in time“, also genau im richtigen Moment w\u00e4hrend des Lernprozesses. Die Idee dahinter: Lernende lernen am besten, wenn sie von einem\/r Tutor*in (Lernbegleiter*in) unmittelbar R\u00fcckmeldung erhalten. Dies kann beispielsweise in Form von Hinweisen geschehen, wie: „Du hast auf beiden Seiten der Gleichung Konstanten. Wie kann man alle Konstanten auf der linken Seite und keine auf der rechten Seite haben?“. Aber auch R\u00fcckmeldungen in Folge einer fehlerhaften Eingabe sind m\u00f6glich, wie z. B.: „Es fehlt ein Gleichheitszeichen. Achte darauf, die gesamte Gleichung einzugeben.“ (siehe Abbildung 1).<\/p>\n\n\n\n

Dabei geht es nicht darum, die Lehrkraft zu ersetzen, sondern dort eine eins-zu-eins R\u00fcckmeldung zu erm\u00f6glichen, wo Personalisierung und Differenzierung andernfalls nur schwerlich m\u00f6glich sind \u2013 etwa in gro\u00dfen Lerngruppen oder beim \u00dcben zuhause. Dort k\u00f6nnen Lehrkr\u00e4fte Intelligente Tutorielle Systeme nutzen, um individuelles Lernen zu realisieren und dabei den \u00dcberblick zu behalten, sodass sie gezielt p\u00e4dagogisch-didaktisch intervenieren k\u00f6nnen. <\/p>\n\n\n\n

Lernermodell als Grundlage tutorieller Entscheidungen<\/h2>\n\n\n\n

Beim Lernen mit Intelligenten Tutoriellen Systemen bearbeiten Lernende Aufgaben, bei denen sie aufeinanderfolgende Schritte durchlaufen m\u00fcssen. W\u00e4hrend sie diese Schritte durchlaufen, erhalten die Lernenden automatische R\u00fcckmeldungen zur Richtigkeit ihrer Eingaben wie Rechenschritte oder Antworten. Zudem kann das System auf Anfrage oder automatisch zus\u00e4tzliche Hinweise geben, wie sich eine Aufgabe richtig l\u00f6sen l\u00e4sst bzw. wie Fehler korrigiert werden k\u00f6nnen. <\/p>\n\n\n\n

Der Schl\u00fcssel zur passgenauen R\u00fcckmeldung liegt in der Modellierung des Lernendenverhaltens, dem sogenannten Lernermodell <\/strong>(Learner Model). Anhand des Lernermodells kann das System absch\u00e4tzen, welche Wissenskomponenten bereits erworben wurden und welche noch gelernt werden m\u00fcssen. Ein typisches Intelligentes Tutorielles System umfasst neben dem Lernermodell zudem ein Expertenmodell (Expert Model), ein Tutormodell (Tutor Model) und eine Schnittstelle (Interface) (Nwana, 1990). Das Expertenmodell <\/strong>bildet den Wissensraum aus einer bestimmten Anwendungsdom\u00e4ne ab. Es stellt den Wissensstand dar, den die Lernenden am Ende ihres Lernprozesses erreichen m\u00fcssen und hilft somit dabei, durch Abgleich mit vorher definierten Regeln Fehler der Lernenden zu erkennen. Das Tutormodell <\/strong>bildet die didaktische Grundlage f\u00fcr die R\u00fcckmeldung an den Lernenden, beispielsweise durch alternative Lernstrategien. Mithilfe des Tutormodells kann das System in Abh\u00e4ngigkeit vom Lernstand Aufgaben ausw\u00e4hlen bzw. passgenaue R\u00fcckmeldung geben. \u00dcber die Schnittstelle<\/strong>, sprich die Ansicht der Lernenden, werden Aufgaben in einem didaktisch sinnvollen Format repr\u00e4sentiert. Dies k\u00f6nnen Multiple-Choice-Aufgaben sein, aber auch Simulationen oder Chat-Dialoge. <\/p>\n\n\n\n

Adaptivit\u00e4t von Tutorensystemen am Beispiel „Lynnette“<\/h2>\n\n\n\n

Auf Basis der Lernermodelle und mit Hilfe von Verfahren aus dem Bereich des Maschinellen Lernens bieten intelligente Tutorsysteme ein dynamisches Ger\u00fcst aus kontextbezogenen Hinweisen, Hilfen und R\u00fcckmeldung, das die Lernenden Schritt f\u00fcr Schritt durch die Aufgaben f\u00fchrt. Dabei werden das individuelle Wissen und dessen Anwendung auf Aufgaben mit dem Ziel analysiert, die Entwicklung der einzelnen Wissenskomponenten zu f\u00f6rdern. Ein frei verf\u00fcgbares Intelligentes Tutorielles System f\u00fcr das L\u00f6sen von Gleichungen ist Lynnette.  Es wurde von den Wissenschaftler*innen an der Carnegie Mellon University in den USA entwickelt und ist \u00fcber MathTutor<\/a> \u00f6ffentlich zug\u00e4nglich. Lynnette wurde f\u00fcr den Mathematikunterricht konzipiert und ist ein Tutor f\u00fcr das L\u00f6sen von Gleichungen. Es bietet schrittweise Anleitung, z. B. Hinweise, R\u00fcckmeldung zur Korrektheit der eingegebenen L\u00f6sung, Fehlerr\u00fcckmeldung und adaptive Problemauswahl. <\/p>\n\n\n\n

\"In
Abbildung 1: Die Lernendenansicht des Lynnette Tutors mit den charakteristischen Tutoring-Funktionen \u00a9 CAIS<\/figcaption><\/figure>\n\n\n\n

Model-Tracing und Knowledge-Tracing<\/h2>\n\n\n\n

In Intelligenten Tutoriellen Systemen wie Lynnette gibt es zwei technische Verfahren, die eingesetzt werden, damit das System seine Reaktionen an das Verhalten der Lernenden anpassen kann \u2013 Model-Tracing und Knowledge-Tracing.<\/p>\n\n\n\n

    \n
  1. Model-Tracing <\/strong>erm\u00f6glicht die Erfassung der individuellen Herangehensweise an ein Problem und die Nachverfolgung der L\u00f6sungsschritte. Sollten Lernende dabei L\u00f6sungsschritte verfolgen, die auf ein typisches Fehlkonzept schlie\u00dfen lassen, kann der Tutor beispielsweise durch korrigierendes Feedback reagieren.<\/li>\n\n\n\n
  2. Durch Knowledge-Tracing<\/strong> wird der aktuelle Lernstand erfasst und es findet eine Bewertung der Lernleistung statt, worauf mit adaptiver Auswahl an neu zur Verf\u00fcgung gestellten Aufgaben reagiert werden kann. Dabei wird der Lernfortschritt, konkret die Beherrschung spezifischer Wissenskomponenten, auf der Grundlage von Interaktionen mit Lernaufgaben erfasst und bewertet. Dadurch kann durch das tutorielle System eine personalisierte, d.h. dem Lernstand und Lerntempo entsprechende Aufgabenauswahl erfolgen. Dies kann sowohl den Schwierigkeitsgrad betreffen, aber auch das Wiederholen oder \u00dcberspringen entsprechender Aufgaben bedeuten. Folglich wird gleichsam das Lerntempo angepasst (Aufgabenauswahl basierend auf dem Lernfortschritt) und jeder Lernende erh\u00e4lt das richtige bzw. angemessene Ma\u00df an \u00dcbung f\u00fcr alle Wissenskomponenten der durch den Tutor abgedeckten Wissensdom\u00e4nen. <\/li>\n<\/ol>\n\n\n\n

    Ausblick: Intelligente Tutorielle Systeme und die Herausforderungen der Personalisierung<\/h2>\n\n\n\n

    Intelligente Tutorielle Systeme erm\u00f6glichen es Lernenden, bei selben Lernzielen individuelle Lernpfade zu beschreiten. Lehrende erhalten durch die Verfolgung sowie Analyse der Lernpfade lernbegleitend Einblicke in den Lernprozess. Dadurch k\u00f6nnen Lehrende insbesondere in gro\u00dfen und\/oder heterogenen Lerngruppen sowie beim \u00dcben zu Hause personalisiertes Lernen und differenzierten Unterricht anbieten, indem sie intelligente Tutoren gezielt einsetzen. Der effektive Einsatz Intelligenter Tutorieller Systeme setzt voraus, dass es evaluierte Tutorensysteme gibt, die die Curricula abbilden. Es ist also erforderlich, dass diese Systeme kontinuierlich \u00fcberpr\u00fcft und angepasst werden, um sicherzustellen, dass sie die definierten Teilkompetenzen in den jeweiligen Wissensbereichen ad\u00e4quat abdecken. Zurzeit ist die Entwicklung unter Ber\u00fccksichtigung der Qualit\u00e4tsstandards immer noch sehr zeit- und kostenintensiv. Jedoch konnten in den letzten Jahren enorme Fortschritte erzielt werden. Die Wissenschaftler*innen an der Carnegie Mellon University, einschlie\u00dflich des Teams hinter Lynnette, haben beispielsweise CTAT<\/a> entwickelt. CTAT ist ein Autorensystem, das es Wissenschaftler*innen erm\u00f6glicht, Intelligente Tutorielle Systeme auch ohne umfassende Programmierkenntnisse zu erstellen. Zudem entstehen zunehmend hybride Formen der Adaptivit\u00e4t, die verschiedene psychologische Aspekte, wie beispielsweise Affekte und Motivation, das Wissen sowie Lernwege und -strategien ber\u00fccksichtigen und kombinieren. Daf\u00fcr braucht es aber weiterhin evidenzbasierte Forschung, um Automatisierung und KI in der Bildung dort einzusetzen, wo es didaktisch sinnvoll ist.<\/p>\n\n\n\n

    <\/p>\n\n\n\n

    Referenzen:<\/h2>\n\n\n\n
    \n