24. Oktober 2024
Elisa Cole
StudyBuddy und BuddyAnalytics – zwei Anwendungen, die mit Hilfe von Künstlicher Intelligenz helfen können, Studienverläufe individuell zu gestalten und zu einem erfolgreichen Studienabschluss zu bringen. Um deren Entwicklung kümmert sich unser Projekt AIStudyBuddy, in dessen Arbeit wir hier einige Einblicke geben.
Vom individuellen Scheitern überindividueller Pläne
Oktober. Neues Semester, neue Module, neue organisatorische Herausforderungen. Doch wie planen Studierende eigentlich, welche Module sie wann belegen? Der erste Blick geht in der Regel in den von der Hochschule bereitgestellten Studienverlaufsplan. Und oft stellt sich heraus: Eine Veranstaltung kollidiert mit dem Nebenjob, eine zweite mit dem Ehrenamt, vereinzelte Module wurden aus einem vorherigen Studium angerechnet, ein Modul wurde aus dem vorangegangenen Semester ins nächste geschoben… Es gibt zahlreiche, individuelle Gründe, warum Studierende vom vorgegebenen Studienverlaufsplan abweichen (müssen).
Aber wie können Studierende entscheiden, welcher Weg sinnvoll und erfolgsversprechend ist und welcher in eine Sackgasse führt? Sicherlich können Austausch und Vergleich mit Kommiliton*innen hier helfen oder Studierende können sich an die Studienfachberatung oder Dozierende wenden, die auf Basis der Prüfungsordnung und von Erfahrungswissen zum Studienverlauf beraten. Eine zusätzliche Möglichkeit bieten technische Lösungen.
Studieren ist und bleibt individuell und Technik kann unterstützen
In unserem Projekt AIStudyBuddy beschäftigen wir uns genau mit solchen individuellen Studiensituationen mit dem Ziel, Entscheidungen zu Studienverläufen auch technisch zu unterstützen. Konkret entwickeln wir im Rahmen des Projekts technische Lösungen in Form von zwei Anwendungen:
StudyBuddy: diese Anwendung soll Studierenden bei ihrer individuellen Studienverlaufsplanung helfen. Sie können darin beispielsweise interaktiv Module zwischen den Semestern verschieben und erhalten sofort eine Rückmeldung, ob diese Verschiebung im Sinne der Prüfungsordnung erlaubt ist oder zeitliche Abhängigkeiten zu anderen Modulen konfligieren.
BuddyAnalytics: diese Anwendung soll Studiengangsdesigner*innen bei der Curriculumsentwicklung und Beratung unterstützen. Sie erhalten unterschiedliche Statistiken zum Studienverlauf von Kohorten und können diese individuell in ihrem Dashboard anordnen und die in den Analysen zu berücksichtigen Daten filtern. Auch erfolgswahrscheinliche Studienverlaufspläne aufgrund der historischen Studienverläufe können angezeigt werden.
Beide Anwendungen arbeiten mit Hilfe von Künstlicher Intelligenz. Die Künstliche Intelligenz in StudyBuddy und BuddyAnalytics hat allerdings so gar nichts mit großen Sprachmodellen wie bspw. ChatGPT zu tun.
Was hat AIStudyBuddy mit Künstlicher Intelligenz zu tun?
Die Stärke von Künstlicher Intelligenz besteht in der Erkennung von Mustern in großen Datenmengen. Mit sog. Process Mining kann aus den Daten von Campusmanagement-Systemen, beispielsweise in Form der Modulabschlüsse der Studierenden, der tatsächliche Studienverlauf analysiert werden. Dieser unterscheidet sich häufig von den idealtypischen Studienverlaufsplänen. Mit Hilfe von Process Discovery können reale Studienverlaufspläne den intendierten gegenübergestellt und Abweichungen erkannt werden. Die Ergebnisse der KI-Analyse können so in grafische Darstellungen und Empfehlungen zur Studienverlaufsplanung für die Studierenden und Studiengangsdesigner*innen überführt werden. In unserem Projekt wird Künstliche Intelligenz also nicht dazu genutzt, Studienverlaufspläne lediglich anhand der Informationen aus den Prüfungsordnungen zu generieren (so wie ChatGPT das würde). KI wird genutzt, um für den erfolgreichen Studienabschluss Muster in großen Datenmengen von bereits erfolgreichen Studierenden mit einem ähnlichen Studienprofil/-verlauf zu erkennen und daraus individuelle, handlungsleitende Informationen bereitzustellen.
Einige Ergebnisse aus den ersten drei Jahren
In den letzten drei Projektjahren ist viel passiert, was die Länge eines Blogbeitrags überschreiten würde. An dieser Stelle gehen wir für einen groben Überblick auf einige Meilensteinen im Projekt ein:
Zunächst wurde eine einheitliche und maschinenlesbare Aufbereitung der zumeist in Textform vorliegenden Prüfungsordnungen entwickelt, damit diese in den beiden Softwareprodukten technisch abbildbar sind.
Des Weiteren wurden die notwendigen Datenpunkte für die von den befragten Studierenden und Studiengangsdesigner*innen gewünschten Analysen im StudyBuddy und BuddyAnalytics definiert.
Aus den beiden vorherigen Bedarfen, also den rechtlichen Vorgaben der Prüfungsordnungen und den technisch Notwendigen Datenpunkten, wurden ein Datenmodell und die Struktur des zugrunde gelegten Data Warehouse entwickelt, damit die Daten verschiedener Universitäten und verschiedenster Campusmanagement- und teilweise auch Lernmanagementsysteme zur Analyse an einem Ort zusammengeführt werden können. Dieser Datenpool im Data Warehouse wird u.a. entsprechend der obigen Beschreibung KI-gestützt analysiert.
Während der Projektlaufzeit wurden mehrere Prototypen von StudyBuddy und BuddyAnalytics entwickelt und mit den jeweiligen Nutzenden evaluiert. Aktuell arbeiten wir auf Hochtouren daran, die letzten Evaluationsergebnisse in neuen Versionen der Software umzusetzen, damit die Anwendungen mit Ende der Projektlaufzeit im April 2025 in den Regelbetrieb überführt werden können.
Projekttreffen im ZfW
Zweimal im Jahr finden wir uns an einem der drei Standorte für eine Präsenzklausur zusammen, um auch als Konsortialprojekt die wichtige hochschulübergreifende Zusammenarbeit sicherzustellen und strategische Entscheidungen zu treffen. Hierzu haben wir für den 30. September alle Projektmitarbeiter*innen und Projektleiter*innen ans Zentrum für Wissenschaftsdidaktik der RUB eingeladen. Sieben Monate vor Projektende ging es hier vor allem um die bereits geschafften und noch bevorstehenden Meilensteine, die Abstimmung zur Erstellung eines Abschlussbandes sowie um die konkreten Empfehlungen und Warnhinweise, die die beiden Anwendungen den Nutzenden liefern sollen.
Wir blicken auf spannende und erfolgreiche drei Jahre zurück und gehen nun voller Motivation in das letzte halbe Jahr der Projektlaufzeit.
Angeklickt und weitergelesen
Bildnachweise:
Beide Prototypen aus Röpke, R., Judel S., Schröder, U. (2024). Study path analysis for quality assurance and support of study planning. Informatik Spektrum.
Foto vom Projekttreffen mit freundlicher Genehmigung
Kommentare
Neuigkeiten aus dem ZfW per E-Mail erhalten
Alle Schlagwörter
5x5000
BNE@RUB
Demokratiebildung
Didaktik-Tipp
DigitalChangeMaker
Digitalisierung
E-Learning
eTeam Digitalisierung
Für Lehrende
Für Studierende
Game Based Learning
GPT@RUB
Hausarbeiten schreiben
HD-Absolvent*innen im Interview
Hochschuldidaktik
Hochschuldidaktische Qualifizierung
Ideen für die Lehre
Internationalisierung
KI:edu.nrw
Künstliche Intelligenz in Studium und Lehre
Learning AID
LEHRELADEN
Lehrflächen der Zukunft
Leitbild Lehre und Studium
Lesen und recherchieren
Methoden-Tipp
Moodle
Nachhaltigkeit
Net[t]working
Neues aus der Community
Open Educational Resources
Projekte
Prüfen
Recht
Schreibcafé
Schreiben an der Uni
Schreibmaschine
Schreibtipps
Storytelling
Studentische Partizipation
Tools
Über den Tellerrand
UNIC
Veranstaltungen
ZfW HÖRsaal
