Untersuchung von Mustern erfolgreichen Lernens mit Large Language Models-Tutoren.
Projekt-Beschrieb
Jüngste Fortschritte in der generativen KI haben es ermöglicht, LLM-basierte Chatbots für personalisiertes Lernen einzusetzen. Eine besonders vielversprechende Anwendung ist ihr Einsatz als sokratische Tutoren, die aktives Lernen und kritisches Denken fördern, indem sie anregende Fragen stellen, anstatt direkte Antworten zu geben. Der Einfluss von LLMs auf das Lernen hängt jedoch entscheidend davon ab, wie sie genutzt werden. Aktive Auseinandersetzung und kritisches Denken – etwa das Erkennen und Hinterfragen plausibler, aber falscher Informationen – können tiefes Lernen fördern. Im Gegensatz dazu kann eine passive Nutzung zu kognitivem Auslagern führen: Aufgaben werden zwar korrekt gelöst, jedoch mit geringem Verständnis und minimalem langfristigem Lernerfolg. Dies unterstreicht die Bedeutung, Lernende mit den Kompetenzen auszustatten, die notwendig sind, um LLMs so zu nutzen, dass sie das Lernen tatsächlich unterstützen.
Das Ziel dieses Projekts ist es, Merkmale in Interaktionen zwischen Lernenden und einem LLM-basierten Tutor zu identifizieren, die mit effektivem Lernen zusammenhängen, und gleichzeitig zu untersuchen, wie individuelle Merkmale wie Vorwissen, kognitive Fähigkeiten, Motivation und Technologieakzeptanz die Interaktionsqualität beeinflussen. Da die Analyse solcher Interaktionen zeitaufwendig ist und teilweise menschliche Expertise erfordert, wird im Projekt auch erforscht, wie dieser Prozess automatisiert werden kann. Schliesslich sollen die Ergebnisse in die Entwicklung von Trainingsmaterialien für Lernende und Lehrpersonen einfliessen, um den Einsatz von LLM-basierten Tutoren zu verbessern.
Das Projekt baut auf einer Lernsequenz mit einem LLM-basierten Tutor auf, die in einem früheren BeLEARN-Projekt entwickelt wurde. Interaktionen zwischen Lernenden und Tutor aus einem Blended-Learning-Kurs im Jahr 2025 werden analysiert, um Merkmale zu identifizieren, die mit Lernerfolg zusammenhängen. Dabei werden Methoden wie Natural Language Processing (NLP), Maschinelles Lernen, Sprachmodelle und Expertenbewertungen eingesetzt. Um den Einfluss individueller Lernmerkmale zu untersuchen, absolvieren die Student*innen einen kognitiven Fähigkeitstest, und ihr Vorwissen, ihre Motivation sowie ihre Technologieakzeptanz werden erfasst. Anhand dieser Werte werden sie in Gruppen mit niedrigem, mittlerem und hohem Niveau eingeteilt, und die Unterschiede in zentralen Interaktionsmerkmalen werden zwischen den Gruppen analysiert. Das Projekt wird in der Hochschulbildung, an Sekundarschulen und im betrieblichen Lernen getestet.
Nach der Implementierung der Lernsequenz und der Lehrpersonenschulung in verschiedenen Bildungskontexten wird die gesamte Lernsequenz als Open-Source-Lösung auf GitHub veröffentlicht, um eine breite öffentliche Zugänglichkeit zu gewährleisten. Der vollständig offene Workflow ist auf Übertragbarkeit ausgelegt: Lehrpersonen verschiedener Fachrichtungen und Bildungsstufen können die Materialien an ihre spezifischen Unterrichtskontexte anpassen und so einen effizienten und reflektierten Einsatz von LLMs im Lernprozess fördern. Aus wissenschaftlicher, wie gesellschaftlicher Perspektive ist es entscheidend zu verstehen, wie Lernende den angemessenen Umgang mit LLMs erlernen können, da die rasante Entwicklung dieser Technologien tiefgreifende gesellschaftliche Veränderungen bewirkt. Gleichzeitig erfordert die Förderung von Bildungsgerechtigkeit, dass die vielfältigen Bedürfnisse von Lernenden berücksichtigt werden, um bestehende Unterschiede nicht weiter zu vergrößern. Dieses Projekt zielt darauf ab, die zentralen Merkmale erfolgreicher Lernenden–LLM-Interaktionen zu identifizieren und die entsprechenden Erkenntnisse in die Schulung von Lernenden und Lehrpersonen zu integrieren. Die Wirksamkeit dieses Ansatzes wird sowohl von Student*innen als auch von Lehrpersonen in verschiedenen Bildungskontexten bewertet.