Skip to main content

BlenderBot

  • Projektleitung: Christian Roduner (christian.roduner@bbw.ch) und Fabio Derendinger
  • Institution: BBW Winterthur
  • Kontakt: Christian Roduner (christian.roduner@bbw.ch)
  • Wie weit kann ein Chat-Bot das Lehrgespräch effizienter und (!) effektiver machen?

Beschreibung

Spätestens seit den alten Griechen ist das individuelle Lehrgespräch (LG) die Paradedisziplin des Lehrens. Das untermauert auch die Forschung immer wieder. Das LG holt das Gegenüber bei seinen Bedürfnissen und seinem Vorwissen ab, führt es in seinem Tempo durch den Stoff. Es lässt das Gegenüber seine Lücken klären und den Lernpfad mit Fragen mitgestalten. Die Aufmerksamkeit und Begeisterung der Lehrperson (LP) gibt dem Inhalt Wichtigkeit, aber auch dem Gegenüber, und steckt an.

In den grossen Klassen, die wir unterrichten, ist es schwierig, die grossen Stärken des LG zu entfalten. Noch schwieriger wird es über Video-Chat, wo die Kommunikation leidet. Und dem individuellen Lernen zu Hause fehlt der soziale Charakter weitgehend. Derweil ist die Individualisierung im Klassenzimmer schwierig.

Wir wollen zeigen, dass ein Chat-Bot ein gutes Lehrgespräch führen und dabei erst noch auf die Lernenden einzeln eingehen kann – zu Hause wie auch im Klassenzimmer. So wird unser BlenderBot zum idealen Unterstützer im Blended Learning. Dabei nimmt er folgende Rollen ein:

• TeacherBot: Als digitaler Lehrer ermöglicht er individualisiertes soziales Lernen im LG,

• GuideBot: Als Leiter führt er die Lernenden zu Hause und im Klassenzimmer individuell durch die verschiedenen Lernmodule, nicht nur indem er ihre Reihenfolge aufzeigt, sondern sie gleich in den grösseren Zusammenhang stellt,

• InfoBot: Als Auskunft verhilft er den Lernenden leicht und rasch zu Informationen.

Nach diesem Pilotversuch möchten wir unsere Lehrerkolleg:innen und die Schuladministration technisch und didaktisch so schulen, dass sie selbstständig ChatBots erstellen, anwenden und optimieren können. Wir möchten damit unsere Schule für das digitale Lernen der Zukunft vorbereiten, wo ChatBots eine zentrale Rolle spielen werden, und so auch das Bewusstsein schärfen, welche neuen Räume sich uns dabei für den klassisch analogen Unterricht auftun.

Innovationspotenzial

Die erste Innovation ist, dass wir mit dem BlenderBot viele Stärken des sozialen Lernens nach Hause bringen. Auch wenn die Lernenden wissen, dass sie «nur» mit einem programmierten Chat-Bot interagieren, so zeigt diese Interaktion doch sozialen Charakter, v. a. wenn der Dialog natürlich und nahe an den Bedürfnissen der Lernenden programmiert ist. Ganz besonders profitieren Lernende, die Mühe mit dem selbstständigen Lernen haben, denn der Chat-Bot fokussiert, unterhält, fragt, aktiviert und animiert, scherzt, gibt ein Feedback und lindert sogar ein allfälliges Einsamkeitsgefühl. Darüber hinaus vermittelt er auch soziale Interaktionen innerhalb der Klasse, z. B. einen Meinungsaustausch in einem Forum oder eine Lösungsbesprechung über OneNote. Er vermittelt zudem den Dialog mit der LP, indem er testet und Fragen sowie Anregungen aufnimmt.

Die zweite Innovation ist, dass wir mit dem BlenderBot die Stärken des individualisierten Lernens viel breiter umsetzen – gerade auch im Klassenzimmer. Jede:r Lernende kann in ihrem bzw. seinem Lerntempo vorwärtsgehen. Schnelllerner sparen Zeit gegenüber dem Präsenzunterricht, Langsam-Lerner sparen ebenfalls Zeit, weil sie nicht abgehängt werden. Geschickt programmiert, berücksichtigt der BlenderBot das Vorwissen der Lernenden und geht auf ihre Bedürfnisse und Interessen ein. Er zeigt interessante Quellen, erzählt, fragt, erklärt, fragt nach, gibt Aufträge, sammelt sie ein, überprüft den Lernerfolg, fasst zusammen und nimmt am Schluss jedes Moduls noch offene Fragen auf. Die LP kann den Lernprozess jedes bzw. jeder einzelnen Lernenden mitverfolgen und die Fragen individuell beantworten. So kann die LP die Lernenden noch besser individualisiert führen, auch in der Klasse. Auf diesen Erfahrungen aufbauend kann sie den BlenderBot anschliessend optimieren.

Die dritte Innovation ist, dass wir mit dem BlenderBot einen oder mehrere rote Fäden durch den Mediensalat legen können. Denn multimediales Lernen droht am eigenen Erfolg zu scheitern. Es gibt so viele informative Videos, interessante Artikel, aktuelle Daten, coole Simulationen, spielerische Übungen, digitale Arbeitsflächen etc. Die Lernenden laufen Gefahr, den Überblick zu verlieren. Die Herausforderung ist also, die Perlen herauszupicken und auf dem roten Faden zu einer Perlenkette zu verbinden. Lernplattformen oder Skripte führen nur mangelhaft von einem Medium zum anderen. Unser BlenderBot beherrscht blendend die eleganten Überleitungen von Medium zu Medium. Er kann zeigen, wie sie sich im Lernpfad einordnen, ihre Relevanz aufzeigen, Rückmeldungen einholen usw. Dabei kann er leicht auch je nach Profil auf unterschiedliche rote Fäden durch die Materialien führen.

Die vierte Innovation ist, dass wir mit dem BlenderBot die gängigen Fragen sofort beantworten und auf die zentralen Informationsquellen, Übungen, Zusammenarbeitsplattformen etc. verweisen. Damit ersetzt er die LP als erste Ansprechperson für häufig gestellte Fragen und entlastet sie so. Das gibt ihr mehr Zeit für Begleitung der Lernenden in schwierigeren Angelegenheiten.

 

Didaktisch-methodisches Konzept

Gespräche haben normalerweise sehr viele Freiheitsgrade, was für das Programmieren von Chat-Bots eine grosse Herausforderung ist. In der Rolle als TeacherBot allerdings folgt unser BlenderBot einer didaktischen Struktur (z. B. induktiver/deduktiver Ansatz). Zwischen den Modulen vermittelt er als InfoBot zwischen den Modulen nach einer organisatorischen Struktur (z. B. aufzeigen, welche Module an das Vorwissen der Lernenden anknüpfen und wie sie zusammenhängen). Bei der Information folgt er als InfoBot einer thematischen Struktur. Damit sind in allen Rollen die Freiheitsgrade stark reduziert, was sie programmierbar macht. Ja es ist gerade diese Orientierung an einer didaktischen, organisatorischen bzw. thematischen Struktur, die für die Lehrtätigkeit und das Lernen ganz zentral ist. Die Herausforderung ist also, die Flexibilität des Chat-Bots so zu nutzen, dass die Benützer:innen bei ihren Bedürfnissen und ihrem Vorwissen abgeholt werden.

Das ist genau die Aufgabe unseres GuideBots. Er überprüft Lehrgang, Vorwissen und Bedürfnisse und schlägt dann dem bzw. der Lernenden einen Lernpfad durch die verschiedenen Lernmodule vor. Als Alternative schlägt er vor jedem Modul eine Abkürzung vor: eine sternförmige Struktur, wir nennen sie «La Place de l'Étoile», von der aus die Lernenden nach eigenem Bedarf auf jedes Modul und jede Zusammenfassung und Übung zugreifen können. Vor jedem Modul leitet unser GuideBot vom Vorwissen auf das Modul über, ordnet es inhaltlich ein. Am Ende des Moduls bietet er den Lernenden eine Zusammenfassung mit Lernzielen und Übungen und wieder die Abkürzung zur Place de l'Étoile an.

Auf den vom GuideBot erhobenen Daten über Lehrgang, Vorwissen und Bedürfnisse baut der Teacher-Bot dann innerhalb des einzelnen Moduls sein Lehrgespräch auf. Dabei führt er mit geeigneten Medien in einer für das Thema geeigneten didaktischen Struktur durch den Stoff. Um wirklich ein Lehrgespräch zu programmieren, muss der TeacherBot immer wieder das Verständnis der bzw. des Lernenden überprüfen, Fragen und Rückmeldungen aufnehmen, Vertiefungsmöglichkeiten anbieten etc. Dabei sollten auch unbedingt Elemente natürlicher Unterhaltung eingebaut werden: spontane Phrasen wie «Ich habe mir gerade überlegt…», humoristische oder neckische Bemerkungen, persönliche Bekenntnisse oder Nach-fragen nach der Meinung der Lernenden. Das hält das Gespräch natürlich, entspannt und macht es auch auf einer emotionalen Ebene interessant, was den Lernerfolg erhöht.

In der Rolle des InfoBots bewährt sich eine Baumstruktur für das Auffinden von Informationen. Er verweist auch auf La Place de l'Étoile.

Für Themen und didaktische Methoden mit vielen Freiheitsgraden, für das Lernen in den höchsten beiden Taxonomiestufen und für richtiges soziales Lernen sind Chat-Bots momentan nur beschränkt geeignet. Da hat der klassische Präsenzunterricht seine Stärke. Diese kann er dank der Unterstützung durch BlenderBot auch verstärkt ausspielen.

Wirkung

Mit unseren Chat-Bots können wir für unsere Lernenden einige der grössten Probleme des individuellen Lernens von zu Hause aus lösen:

• Wir bringen das Lehrgespräch nach Hause und individualisieren es.

• Wir führen die Lernenden zu Hause und im Klassenzimmer besser durch den Stoff.

• Wir klären ihre Fragen ohne grossen Aufwand.

• Wir machen das Lernen auch zu Hause zum sozialen Erlebnis.

Das alles hilft den Lernenden, auch zu Hause motiviert, konzentriert, effizient und effektiv zu lernen.

Die anwendenden Lehrpersonen werden stark entlastet, v. a. im Bereich der Instruktionen und des Fragenbeantwortens und in der Lektionenführung, und können sich auf die Begleitung der Lernenden konzentrieren. Das Programmieren aller Eventualitäten eines Chat-Bots zwingt sie, die didaktischen und organisatorischen

...

BMA Coach Bot (BCB)

  • Projektleitung: Christian Roduner, Fabio Derendinger, Benjamin Gmür und Tea Zoric
  • Institution: BMS Winterthur
  • Kontakt: christian.roduner@bms-w.ch
  • Die Instruktion und Betreuung der Lernenden im BMA-Erstellungsprozess mit einem ChatBot weiter individualisieren - darauf zielt dieses Projekt.

Beschreibung

Künstliche Intelligenz (KI) erschüttert die Schulen. Mit der Lancierung von ChatGPT im November 2022 finden sich nun alle Lehrpersonen (LP) mit der Herausforderung konfrontiert, dass KI inhaltlich wie auch sprachlich hochqualitative Texte verfasst. Sie hat aber auch das Potenzial, das Lernen grundlegend neu zu gestalten. Genau dieses Potenzial wollen wir hier mit unserem Projekt möglichst bald schon für alle Lernenden gleichermassen nutzbar machen und zugleich die Betreuung der Berufsmaturitätsarbeit (BMA) rationalisieren. Sie ist für die Lernenden extrem aufwändig: Sie müssen ganz viele Methoden-und prozedurale Kompetenzen neu erwerben und aufeinander abgestimmt zugleich auf fünf Leistungsebenen (vgl. eingefärbte Zeilen in Grafik nebenan) einsetzen und sich damit zudem noch inhaltlich tief in ein neues Thema einarbeiten! Auch für die LP ist die BMA sehr aufwändig, denn sie müssen diese Kompetenzen vermitteln und die Betreuung der Lernenden ist hochindividualisiert, was auch deren Rationalisierung bisher enorm erschwerte. Nun, mit ChatGPT, können wir dies aber plötzlich erreichen, es gibt u. E. sogar keinen besseren schulischen Einsatzort für ChatGPT als in der BMA!
So möchten wir zur Unterstützung beider Seiten einen dritten Partner einbringen, indem wir einen Chat-Bot programmieren: unseren BMA Coach Bot (BCB). Er begleitet die Lernenden zeit- sowie ortsunabhängig fortschrittsangepasst im methodischen und prozeduralen Kompetenzaufbau durch den BMA-Prozess. Er unterstützt gleichermassen alle Lernenden in der Anwendung von ChatGPT, um die individuellen Inhalte selbstständig zu erarbeiten und konkrete Probleme zu lösen.
Wie das aussehen könnte, können Sie in unserem BCB-Pilotversuch und Illustrationsbeispiel unter diesem Link ausprobieren: https://landbot.pro/v3/H-2228596-7718GYV4LYO2RKWB/index.html

Unser BCB stellt sich hier ganz kurz vor und macht dann sofort die Triage auf die verschiedenen didaktischen Coaching-Rollen. Wir haben auch schon ein einfaches Teaching-Modul programmiert. Wenn Sie «Sue, führe mich bitte (weiter) durch den ganzen BMA-Erstellungsprozess.» und «Gib mir eine Einführung in die BMA.» wählen, dann bekommen Sie eine Einleitung und Motivation für die BMA. Unser BCB kann leicht später auf die gymnasiale Matura und die VA adaptiert werden.

Innovationspotential

Die zwei technologischen Innovationen: Erstmals setzen wir KI in der individualisierten Betreuung von Lernenden ein, wodurch wir eine niederschwelligere und zeitnähere Begleitung erreichen. Zudem rationalisieren wir einen bis anhin sehr aufwändigen Prozess, die BMA-Betreuung, massiv und gewinnen dadurch viel Zeit auf Seite der LP. So kann sie ihrerseits die Lernenden besser und individueller begleiten.

Die pädagogische Innovation: Dort im Unterricht, wo ChatGPT das grösste Einsatzpotenzial hat, im Schreiben der grossen BMA, wollen wir allen Lernenden gleichermassen ermöglichen, diese Unterstützung möglichst fruchtbar zu machen, ihnen zugleich aber auch die legalen Grenzen aufzeigen.

Die didaktischen Innovationen: Bisher wurden die Methoden meist LP-zentriert im Klassenunterricht vermittelt –also für alle gleichzeitig, gleich schnell auf demselben Niveau. Mit dem BCB können wir die Lehre nicht nur im Tempo und Niveau den Lernenden anpassen, sondern v. a. auch im Zeitpunkt, denn schon kurz nach Start der BMA unterscheiden sich die Lernenden massiv in ihrem Prozessfortschritt. Derweil ist die Vermittlung der Methoden für die LP sehr repetitiv und lässt sich gut und gerne automatisieren.

Mit Hilfe von ChatGPT können wir auch auf die individuellen Fragestellungen und Probleme der Lernenden eingehen. Damit erreichen wir hier mit einem Chat-Bot erstmals die obersten drei Taxonomiestufen.

Die Orientierung im für die Lernenden neuen Prozess der BMA-Erstellung ist eine Riesenherausforderung. Unser BCB erfragt den Fortschritt, nimmt die Lernenden an die Hand, führt jede:n persönlich durch den Prozess und erklärt diesen bei Bedarf. Er überprüft checklistenartig, ob etwas vergessen gegangen ist. Das ermöglicht eine viel engere Begleitung als durch die LP, auch ausserhalb der Schule.

Die fachliche Innovation: Mit dieser engeren und bedarfsorientierten Zusatzbetreuung durch den BCB arbeiten die Lernenden effizienter und effektiver, wodurch sie wertvolle Lernzeit sparen und die BMA fachlich auf ein höheres Niveau bringen, als wenn eine LP eine ganze Klasse alleine betreut.

 

 

Didaktisch-methodisches Konzept

Aus unseren vielseitigen Erfahrungen mit Chat-Bot-Projekten wissen wir, dass wir das Lehrgespräch mit Chat-Bots v. a. bei der Stofferarbeitung in den unteren drei Taxonomiestufen nach Anderson und Krathwohl (erinnern, verstehen, anwenden) sehr gut nachbauen können, da sie wenige Freiheitsgrade aufweisen. Gerade die Instruktion der für die BMA notwendigen Methoden (z. B. Quellensuche, Informations-, Arbeits-und Textstrukturierung, Zeitplanung, Zitieren, Referenzieren, Bibliografieren, Arbeitsjournal führen, Reflexion schreiben etc.) erfüllt diese Kriterien und kann daher gut von einem klassisch programmierten Chat-Bot vermittelt angeleitet werden (s. grünes Feld in Grafik unten).
Derweil waren die oberen drei Taxonomiestufen (analysieren, evaluieren, kreieren) bis anhin nur schwierig zu programmieren, da diese sich durch hohe inhaltliche Freiheitsgrade auszeichnen und wir diese in der Programmierung der Chat-Bots kaum alle berücksichtigen konnten. Im BMA-Erstellungsprozess betrifft das bspw. die individuelle Themenfindung, deren Zuspitzung auf eine Fragestellung bzw. Hypothese, die Anwendung der genannten Methoden auf das konkrete Thema, die Feedbacks auf verfasste Inhalte, auf Auswertungen, Schreibstil und Grammatik usw. (s. goldenes Feld in Grafik unten). Alles Aufgaben, die bisher die betreuende LP begleitete, was aber praktisch schwer zu stemmen war.

coachbot

Um den BCB so zu programmieren, dass er die Lernenden bei ihren Bedürfnissen abholt und gemäss kantonalem Lehrplan für die Berufsmaturität (LP-BM) anleitet, möchten wir neben diesem auch alte BMA-Bewertungen sichten und Lehrerkolleg:innen befragen, um häufige Problemzonen zu eruieren und diese in die Planung mitaufnehmen. In den BCB werden wir Frage- und Feedbackmöglichkeiten einbauen, damit einerseits die Lernenden die betreuende LP jederzeit beiziehen können, aber auch damit wir als Entwickler unseren BCB stets weiter auf ihre Bedürfnisse hin anpassen können.

Damit der BCB die Lernenden auch auf das von uns angestrebte hohe Niveau bringt, müssen wir ihm unterschiedliche didaktische Rollen geben, welche sich auf die typischen Coaching-Rollen abstützen:

  • Als TeacherBot vermittelt er im Lehrgespräch sowohl die für die BMA notwendigen Methoden als auch das Verständnis für deren Einsatz im BMA-Erstellungsprozess und den Prozess selber. Er leitet deren Anwendung an wie auch diejenige von ChatGPT für die BMA zur Erreichung der obersten Taxonomiestufen.
  • Als GuideBot führt er die Lernenden zu Hause und im Klassenzimmer individuell durch die vielen Lern- und Arbeitsschritte, nicht nur indem er ihre Reihenfolge aufzeigt, sondern sie gleich in den grösseren Zusammenhang stellt und anhand von Muster-BMAs illustriert. (ohne ChatGPT)
  • Als InfoBot gibt er Auskunft nach Bedarf und verhilft so den Lernenden leicht, rasch und direkt zu gewünschten Informationen, ohne dem TeacherBot durch das ganze Modul folgen zu müssen. ChatGPT beantwortet offene Fragen, auch da, wo sie über die vermittelten Inhalte hinausgehen.
  • Als PlannerBot hilft er beim Aufstellen eine Projektplanung und bei deren Einhaltung. ChatGPT beurteilt diese kritisch und gibt Tipps.
  • Als ChecklistBot fragt er die Lernenden ab, ob alle Kriterien optimal erfüllt sind. (ohne ChatGPT)
  • Als GrowthBot begleitet er die Lernenden in der Reflexion und Dokumentation ihrer Lernfortschritte. Hier kann ChatGPT erstaunlich gut wertschätzende Feedbacks auf die Reflexion geben und weitere Entwicklungsschritte vorschlagen.
  • Als Q-Bot holt er bei seinen Anwendern regelmässig Feedbacks ein (ohne ChatGPT). So finden wir Fehler, fehlende Optionen und Inspiration zu seiner Weiterentwicklung.

Intelligente tutorielle Systeme erstellen mit KI

  • Projektleitung: Roy Franke, Christian Flury, Christian Hirt und Christian Roduner
  • Institution: EB Zürich
  • Kontakt: roy.franke@eb-zuerich.ch
  • Mit der Einführung von KI in intelligenten tutoriellen Systemen (ITS) wird erstmals die automatisierte, dynamische Schaffung individueller Lernpfade, die keiner vorherigen umfassenden Planung bedürfen, möglich. Dieser Ansatz verspricht, mit geringem Aufwand ein neues Mass an Individualisierung und Effizienz in den Lernprozess zu tragen.

Beschreibung

In vielen Berufen befinden sich Schulabgänger aus Gymnasien, sowie aus der Sek A oder B in den gleichen Klassen. Die Lernenden auf einem geeigneten intellektuellen Niveau anzusprechen ist nicht einfach. Unterforderung und Überforderung sind die Folge. KI-basierende intelligente tutorielle System (ITS) können einen Beitrag zur Lösung dieses Problems liefern. Es handelt sich um computerbasierte Systeme, die individuelle Anleitung und personalisiertes Feedback für Lernende bieten.

Bisher war die Entwicklung eines ITS eine grosse Herausforderung, weil das Bereitstellen verschiedener Lernpfade und Schwierigkeitsgrade sowie die zeitnahe und detaillierte Analyse des Verhaltens eines Lernenden im Verlauf des Lernprozesses enorm aufwändig war. Hauptgrund dafür war die «statische» Planung, die sämtliche Möglichkeiten voraussehen musste. 

Nebst profunder Grundlagenarbeit zur Umsetzung bzw. Erstellung eines KI-basierenden ITS wird ein erster, praktisch einsetzbarer Prototyp  erstellt, der die Funktionsfähigkeit demonstriert. Es wird aufgezeigt, wie eine breitere Anwendbarkeit erreicht werden könnte.

Bei erfolgreichem Abschluss soll in einem Folgeprojekt die Generalisierung der gewonnenen Konzepte erarbeitet und umgesetzt werden, mit dem Ziel, ITSs für Lernsequenzen in zahlreichen Fächern bzw. Berufen einsetzen zu können. Die notwendigen Anpassungen eines solchen Systems an die spezifischen Bedürfnisse einer Lehrperson sollen so einfach sein, dass sie von dieser selbst vorgenommen werden können.

Die Kombination des Konzepts eines ITS mit Mitteln der KI bietet die Chance, dem Ideal von individualisiertem Unterricht bzw. Lernen im Sinne der Binnendifferenzierung ein grosses Stück näher zu kommen. Die Heterogenität der Lernenden wird zur Chance statt wie so oft zum Hindernis. Wenn jede/r der Lernenden einem eigenen Lernpfad folgt, werden der gezielte Austausch über das Gelernte und die gemachten Erfahrungen ungemein wichtig. Eine Lehrperson kann mit der gewonnenen Zeit ihren Fokus genau auf diesen Punkt richten und somit ihren Aufwand in «Quality Time» für die Lernenden umsetzen.

Der dynamische Charakter von Large Language Models (LLMs) bietet die Chance, den in herkömmlichen ITSs stark limitierenden Aspekt des Vorhersehens aller möglichen Verästelungen des Systems zu überwinden. Neu soll sich der Lernpfad jedes/er Lernenden aufgrund seiner/ihrer Lernfortschritte laufend automatisch anpassen. Möglich wird dies aufgrund von unverzüglichem Feedback zu den Leistungen jedes/er Lernenden, was wiederum das Verständnis verbessert und den Lernprozess beschleunigt.

Es besteht die Aussicht, mit Hilfe von KI die Erstellung von ITSs enorm zu vereinfachen und sie damit zum ersten Mal in breiterem Umfang einsetzbar zu machen. Damit wird ein Beitrag zur vieldiskutierten Individualisierung des Unterrichts bzw. des Lernens geleistet.

 

Didaktisch-methodisches Konzept

Der Lernprozess läuft für Lernende folgendermassen ab:

1.        Einstufung und Profilerstellung: Zu Beginn werden Wissensstand und Lernstil jede/er Lernen-den bewertet, um ein individuelles Lernerprofil zu erstellen.

2.        Personalisierter Lernpfad: Basierend auf dem Profil erstellt das ITS einen personalisierten Lern-pfad mit spezifischen Inhalten und Übungen.

3.        Interaktives Lernen: Der Lernende arbeitet durch die bereitgestellten Materialien, Übungen und Aktivitäten, oft mit multimedialer Unterstützung.

4.        Kontinuierliches Feedback: Das System gibt sofortiges Feedback zu Antworten und Aktivitäten, ermöglicht die Reflexion und fördert das selbstgesteuerte Lernen.

5.        Anpassung und Fortschritt: Der Lernpfad passt sich kontinuierlich an den Fortschritt und die Bedürfnisse des Lernenden an, wobei neue Herausforderungen und Inhalte integriert werden.

6.        Bewertung und Reflexion: Regelmässige Bewertungen messen den Fortschritt und helfen den Lernenden, ihren Lernerfolg zu reflektieren.

•        Adaptive Lernpfade personalisieren den Lernprozess basierend auf dem individuellen Fortschritt und den Bedürfnissen des Lernenden; so wird Unter- und Überforderung vermieden .

•        Interaktives Lernen: Einsatz von interaktiven Elementen wie Quizzes, Simulationen und Spielen fördert das Engagement und das Verständnis.

•        Problemorientiertes Lernen: Die Konfrontation der Lernenden mit realen oder hypothetischen Problemen fördert das kritische Denken und die Problemlösungsfähigkeiten.

•        Feedback und Reflexion: Bereitstellung von sofortigem, personalisiertem Feedback und Reflexionsmöglichkeiten über das eigene Lernen.

Wirkung

Ein dynamisches ITS verspricht eine langfristige Nutzbarkeit aufgrund seiner designbedingten Anpassungsfähigkeiten. Allerdings lässt die schnelle technische Entwicklung mutmassen, dass ein solches System ohne kontinuierliche Updates schnell veralten könnte. Eine Beurteilung dieser Sachlage wird ebenfalls ein Projektresultat sei und bildet wiederum einen der Inputs für das Folgeprojekt.

Grundsätzlich ist ein ITS in jedem Schultyp und in jedem Fach/ Beruf einsetzbar. Wie ein Pfad für das Übertragen des Systems in jede der beiden Dimensionen aussehen könnte und wie aufwändig dies ist, wird eines der Ergebnisse des Projekts sein und als Basis für das angestrebte Folgeprojekt dienen.

 

SAMR-Modell

Im SAMR-Modell kann das Projekt in den Bereich "Redefinition" eingeteilt werden, da es eine neue Art von Aufgabenformat ermöglicht, welches vorher so nicht denkbar war.