Eine umfassende Bildungsplattform auf Basis generativer künstlicher Intelligenz

Zusammenfassung

Die Plattform nutzt generative künstliche Intelligenz (GAI) zur Unterstützung des Unterrichts und bietet maßgeschneiderte Lernerfahrungen, die an die unterschiedlichen Bedürfnisse der Nutzer angepasst werden. Es bietet zudem zahlreiche praktische Lernansätze, die nicht nur den Lernprozess bereichern, sondern auch lebenslange Lernkompetenzen im digitalen Zeitalter fördern und damit mit den Zielen nachhaltiger Entwicklung in der Ingenieurausbildung übereinstimmen.

Zusammenfassung

Generative Künstliche Intelligenz (GAI) hat in den letzten Jahren bedeutende Fortschritte gemacht und zeigt ein transformatives Potenzial für die Bildung, indem sie dynamische Inhaltserstellung und personalisierte Lernwege ermöglicht. Viele bestehende Bildungsplattformen basieren jedoch auf statischen Inhalten und festen Wegen, denen die integrierte Architektur fehlt, die nötig ist, um die Fähigkeiten von GAI voll auszuschöpfen und kohärente, adaptive Lernerfahrungen zu schaffen. Um diese Lücke zu schließen, beschreibt diese Studie das Design, die Umsetzung und empirische Bewertung einer neuartigen, umfassenden Bildungsplattform, die auf GAI basiert. Die Plattform basiert auf einer dreischichtigen Architektur, die traditionelle Frameworks übersteigt: eine Basic Technical Layer, die modulare KI-Modelle integriert (z. B. Transformer, aufmerksamkeitsbasierte CNN-BiLSTM), ein Processing Centre für Echtzeit-Datensynthese und Modelloptimierung sowie eine Anwendungs- und Interaktionsschicht mit acht Kernfunktionalmodulen, darunter personalisiertes Lernen, intelligente Frage-und-Antwort-Authentifizierung und Kompetenzbewertung. Diese integrierte Architektur ermöglicht ein dynamisch anpassbares Lernerlebnis, das sich kontinuierlich an die Bedürfnisse und den Fortschritt der einzelnen Lernenden anpasst. Um die Wirksamkeit der Plattform zu bewerten, führten wir eine randomisierte kontrollierte Studie (RCT) durch, an der 50 Bachelor-Studierende und 20 Lehrende über zwei Semester teilnahmen, wobei die Ergebnisse mit einer Kontrollgruppe mit traditionellen Methoden verglichen wurden. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Plattform die Lernergebnisse signifikant verbessert, die Kennzahlen für das Engagement der Studierenden erhöht (z. B. Time-on-Task und Inhaltsinteraktionsraten) und eine hohe Genauigkeit bei personalisiertem Inhaltsangleichung erreicht. Die Ergebnisse deuten darauf hin, dass diese GAI-basierte Plattform einen Fortschritt in der Bildungstechnologie darstellt, indem sie den Unterricht effektiv personalisiert und adaptives Lernen in großem Umfang unterstützt. Diese Studie liefert einen detaillierten, replizierbaren architektonischen Bauplan und liefert empirische Belege, die den praktischen Wert integrierter GAI-Systeme zur Verbesserung der Bildungseffektivität und zur Förderung lebenslanger Lernkompetenzen unterstützen.

Einleitung

Angesichts der beschleunigten technologischen Innovation, insbesondere im Bereich der künstlichen Intelligenz (KI), finden Werkzeuge wie KI zunehmend Anwendung in der Ingenieurausbildung. Gleichzeitig haben die Menschen einen Konsens erzielt, dass das Ziel, nachhaltige Entwicklung zu fördern, ein globales Ziel ist. Daher ist die Integration nachhaltiger Entwicklung in die Ingenieurausbildung – gleichzeitig die Verbesserung des technischen Niveaus in der Branche und die Stärkung des Nachhaltigkeitsbewusstseins der Lernenden – zu einem zentralen Schwerpunkt der aktuellen Bildungsreform geworden, die die Erforschung KI-gestützter Bildungsinnovationen vorantreibt. Die Anwendung von KI in der Bildung eröffnet Möglichkeiten für personalisiertes Lernen. Insbesondere bietet GAI transformative Potenziale für Lehr- und Lernumgebungen. Es ermöglicht die dynamische Erstellung vielfältiger Inhaltsformen und die Anpassung von Lernressourcen an individuelle Lernprofile, was die Beteiligung und Effektivität steigern kann. Diese Technologie ermöglicht die Erstellung vielfältiger Inhaltsformate und erleichtert die Erstellung maßgeschneiderter Lernmaterialien. Darüber hinaus kann es Lernressourcen dynamisch an individuelle Lernprofile anpassen und so das Engagement und die Lerneffektivität steigern¹. Darüber hinaus ist die Plattform darauf ausgelegt, sich an den Lernfortschritt anzupassen. Es passt die Inhaltspräsentation dynamisch an und empfiehlt Lernaktivitäten, die mit den individuellen Zielen übereinstimmen, um die Lernergebnisse zu optimieren.

Die Integration von KI in Bildungsplattformen erfordert jedoch das Überwinden erheblicher technischer Hürden. Erstens müssen Deep-Learning-Modelle auf riesigen Datensätzen trainiert werden, um sicherzustellen, dass sie hochwertige Inhalte erzeugen, die Bildungsstandards erfüllen. Zusätzlich müssen Reinforcement-Learning-Algorithmen fein abgestimmt werden – nicht nur, um Lernpfade für einzelne Nutzer genau anzupassen, sondern auch, um die Vollständigkeit der Unterrichtsinhalte zu bewahren. Darüber hinaus sind natürliche Sprachverarbeitungsfähigkeiten unerlässlich, um interaktive Nachhilfesysteme zu schaffen, die menschenähnliche Dialoge simulieren und Echtzeit-Feedback liefern^{können 2,3,4}. Vor diesem Hintergrund besteht ein dringender Bedarf an einer umfassenden Bildungsplattform, die das volle Potenzial von GAI nutzt, um personalisierte, ansprechende und adaptive Lernerfahrungen zu bieten⁵. Solche Plattformen haben ein erhebliches Potenzial, die Landschaft der Online-Bildung umzugestalten, indem sie sie anpassungsfähiger und personalisierter gestalten und so die Ziele zeitgenössischer lebenslanger Lernparadigmen unterstützen. In dieser neuen Ära wird der Bildungsinhalt nicht fest bleiben; Stattdessen wird sie sich parallel zum persönlichen Wachstum der Lernenden und den ständig wandelnden Bedürfnissen der Lernenden entwickeln.

Bestehende Forschungen haben gezeigt, dass aufkommende Technologien wie KI und groß angelegte Modelle die Qualität von Lehre und Lernen in der^{Ingenieurausbildung} effektiv verbessern können, und viele Studien haben die potenziellen Anwendungen von GAI in personalisierten Bildungsplattformen untersucht, mit dem Ziel, maßgeschneiderte Lernerfahrungen^{für Schüler zu} bieten 6. Gleichzeitig ist Bildung für nachhaltige Entwicklung (ESD) zu einer zunehmend zentralen Priorität in der globalen Ingenieurausbildung geworden, wobei bestehende Forschungen kontinuierlich hervorheben, dass Nachhaltigkeitskompetenz und Systemdenken nicht verhandelbare Kernkompetenzen zeitgenössischer^Ingenieure sind. Um diesem kritischen Trainingsbedarf gerecht zu werden, stellt die in dieser Studie vorgeschlagene GAI-Architektur eine praktische, umsetzbare Verbindung zwischen ESD-Lernzielen und dem Aufbau von ingenieurwissenschaftlichen Fähigkeiten her: Unsere Plattform integriert Module zur Bewertung der Nachhaltigkeit, Lebenszyklusanalysen (LCA) und szenariobasierte nachhaltige Designanregungen in ihren Kernrahmen, sodass ingenieurwissenschaftliche Lernende Nachhaltigkeitsprinzipien direkt in technische Entscheidungsprozesse im gesamten Rahmen umsetzen können Ingenieur-Designzyklus. Ein Schwerpunkt liegt auf der Nutzung von GAI zur Automatisierung der Erstellung von Bildungsinhalten. Moulaei et ^al.7 haben untersucht, wie KI-Algorithmen Übungen, Quizze und sogar ganze Lektionen basierend auf den spezifischen Bedürfnissen und Lernstilen einzelner Schüler generieren können. Dieser Ansatz zeigt das Potenzial, die Arbeitsbelastung der Lehrkräfte zu verringern und den Schülern ein persönlicheres Lernerlebnis zu bieten, was eine gewisse technische Grundlage für die späteren Arbeiten von Zhao et ^al.8 gebildet hat.

Ein weiteres Interessensgebiet ist die Nutzung von GAI für adaptive Lernsysteme⁹. Diese Systeme nutzen KI-Algorithmen, um die Lernleistung der Schüler zu analysieren und die Lernmaterialien in Echtzeit anzupassen, wodurch die Bedürfnisse der Schüler präziser berücksichtigt werden. Dieser Ansatz verbessert nicht nur die Lernergebnisse, sondern stellt auch sicher, dass die Schüler auf einem angemessenen Niveau gefordert werden – weder zu leicht, dass es an Stimulation mangelt, noch zu schwer, Schritt zu halten. Darüber hinaus wurde GAI auch hinsichtlich seines Potenzials zur Automatisierung von Bewertungs- und Rückmeldungsprozessen¹⁰ sowie als intelligente Entscheidungsunterstützungsplattform¹¹ untersucht. KI-Algorithmen können verwendet werden, um Aufgaben der Schüler automatisch zu bewerten und zeitnahes Feedback zu geben, was Lehrkräften Zeit spart und den Schülern hilft, effektiver zu lernen. Smith et ^al.12 untersuchten außerdem die Anwendung von GAI-Tools wie ChatGPT in der Hochschulbildung, mit Schwerpunkt auf der Akzeptanz und Nutzung dieser Technologien bei Studierenden und Lehrern verschiedener Generationen. Die Studie zeigte, dass Digital Native Studierende aufgrund ihres lebenslangen Eintauchens in digitale Technologien eine höhere Akzeptanz für solche Anwendungen zeigen; Im Gegensatz dazu neigen digitale Einwanderer-Lehrkräfte dazu, gegenüber diesen digitalen Anwendungen vorsichtiger und konservativer zu sein und zögern, sie beiläufig auszuprobieren. Dieser Generationenunterschied bringt neue Herausforderungen und Chancen für die Integration von Lehrstilen und Bildungstechnologien mit sich. Imran et ^al.13 untersuchten die Anwendung der nächsten Generation generativer KI-Tools in der Bildung, insbesondere bei der Erstellung von Lehrmaterialien und der Bereitstellung personalisierter Rückmeldungen.

Die Ergebnisse legen nahe, dass diese Werkzeuge Pädagogen dabei helfen können, vielfältige Bildungsressourcen zu generieren und Echtzeit-Feedback zu geben, aber auch Herausforderungen im Zusammenhang mit ethischen Standards und gerechter Nutzung aufzeigen. Cabrera et ^al.14 analysierten das Bewusstsein und die Nutzung von GAI durch Studierende anhand von Umfragen an sechs Universitäten in Hongkong. Die meisten Schüler haben eine positive Einstellung und erkennen dessen Nutzen für personalisiertes Lernen und sofortiges Feedback. Allerdings werden auch Bedenken hinsichtlich Überabhängigkeit und möglicher Vorurteile geäußert. Mishra et ^al.15 erläutern die Anwendung von GAI, ähnlich wie ChatGPT, in der Lehrerausbildung, insbesondere bei der Lehrplanplanung, kritischem Denken und pädagogischer Offenheit. Es hebt hervor, dass GAI spezifische Unterstützungsmechanismen und Bildungsressourcen für Lehrkräfte bereitstellen kann, betont aber auch die Notwendigkeit, seine Grenzen und potenziellen Verzerrungen sorgfältig zu bewerten, um seine Wirksamkeit als pädagogisches Instrument sicherzustellen. Mishra et ^al.16 reflektiert über die transformative Wirkung von GAI-Strategien auf Lehre und Lehrerausbildung. Die Methode plädiert dafür, Ethik und Richtlinien bei der Nutzung von Bildungstechnologie zu berücksichtigen, um eine gerechte und effektive Nutzung von KI-Technologien sicherzustellen.

Bestehende akademische Bestrebungen 17,18,19,20,21,22 deuten darauf hin, dass GAI das Potenzial hat, Bildung zu transformieren, indem es personalisierte Lernerfahrungen bietet, sich in Echtzeit an die Bedürfnisse der Schüler anpasst und zeitaufwändige Aufgaben für Lehrkräfte automatisiert. Es gibt jedoch auch Herausforderungen im Zusammenhang mit dem Einsatz von KI in der Bildung, wie etwa den Bedarf an genauen Daten zum Training von KI-Modellen und mögliche Verzerrungen bei KI-Algorithmen^23,24. Weitere Forschung ist erforderlich, um diese Herausforderungen anzugehen und das Potenzial von GAI in effektiver Bildung voll auszuschöpfen. Frühere Forschungen haben die Wirksamkeit von KI-Technologien 20,21,22,23,24,25 bei der Ermöglichung adaptivers Lernens ^26,27, der Bereitstellung maßgeschneiderten Feedbacks^28,29 und der Erforschung breiterer Bildungsanwendungen^30,31 bestätigt. Bestehende Studien zu GAI-fähigen Bildungsplattformen konzentrieren sich jedoch weitgehend auf inkrementelle funktionale Optimierung und isolierte Anwendungsfallstudien. Eine kritische, ungelöste Forschungslücke bleibt bestehen: Bestehende GAI-Bildungsplattformen verfügen nicht über eine einheitliche, skalierbare und pädagogisch robuste integrierte Architektur, mit weitreichenden Einschränkungen, darunter fragmentiertes Moduldesign, schlechte inter-szenarioübergreifende Interoperabilität und keinen eingebetteten Rahmen für systematische Kompetenzschulungen (einschließlich Nachhaltigkeitsbewusstsein für ingenieurwissenschaftliche Lernende). Um diese Lücke zu schließen, untersucht diese Studie eine umfassende GAI-basierte Bildungsplattform aus einer grundlegenden architektonischen Perspektive und beschreibt systematisch deren modulare Gestaltung, den interszenarioübergreifenden Interoperabilitätsrahmen und die empirische Bewertung mehrerer Interessengruppen. Diese Arbeit bringt das Fachgebiet voran, indem ein standardisiertes, integriertes architektonisches Paradigma für GAI-Anwendungen in der Ingenieurausbildung etabliert wird, um sowohl die Bildungsergebnisse als auch die Entwicklung der Kernkompetenzen zu verbessern. Die drei Hauptbeiträge dieses Werks sind wie folgt aufgeführt.

• Ein Rahmenwerk für die Generierung dynamischer Lernerfahrungen. Das Framework nutzt GAI, um eine Lernumgebung zu erstellen, die sich auf Basis von Nutzerinteraktionen und Leistungsdaten weiterentwickelt. Dieses Framework baut eine sich dynamisch entwickelnde Lernumgebung über GAI auf, die sich in Echtzeit basierend auf den Interaktionsmustern und Lerngewohnheiten der Nutzer anpasst und optimiert – und so sicherstellt, dass die Bildungsinhalte aktuell, ansprechend und auf individuelle Bedürfnisse abgestimmt bleiben. Dieser dynamische Mechanismus bewirkt zwei wichtige Dinge: Erstens sorgt er dafür, dass Bildungsinhalte aktuell bleiben und nicht veraltet werden, und zweitens macht er die Inhalte ansprechender – und das alles, während er die individuellen, individuellen Bedürfnisse jedes Lernenden erfüllt.
• Ein integriertes und adaptives architektonisches Design. Die dreischichtige Architektur koordiniert adaptive Komponenten ganzheitlich, sodass die Lernwerkzeuge während des gesamten Fortschritts des Benutzers effektiv bleiben. Diese dreischichtige Architektur koordiniert ganzheitlich adaptive Komponenten, die sich mit den Nutzern weiterentwickeln, und stellt sicher, dass Bildungsinhalte und Werkzeuge während des gesamten Lernprozesses effektiv bleiben und gleichzeitig ein kohärentes, umfassendes Bildungserlebnis bieten.
• Datengetriebene Personalisierung in großem Maßstab. Die Plattform nutzt kontinuierliche Lernanalysen, um großflächige, datengetriebene Personalisierung zu ermöglichen. Sie passt Lerninhalte, Tempo und Unterrichtsstil dynamisch an die individuellen Lernvorlieben und kognitiven Fähigkeiten des Lernenden an. Die Kernziele des Designs sind es, die überflüssige kognitive Belastung zu reduzieren, die Lerneffizienz zu verbessern und das gesamte Lernerlebnis zu verbessern. Diese Studie prüft eine zentrale Forschungshypothese anhand einer randomisierten kontrollierten Studie. Die Hypothese besagt, dass diese GAI-fähige, personalisierte Lernplattform die kognitive Belastung von Ingenieurlernern deutlich reduzieren, die Lerneffizienz verbessern und sowohl ESD-bezogene Lernergebnisse als auch das Lernerlebnis im Vergleich zu traditionellen, nicht personalisierten Ingenieursmodellen verbessern kann.

Die Arbeit prüft eine zentrale Forschungshypothese. Diese GAI-fähige, personalisierte Lernplattform kann die kognitive Belastung von Ingenieurlernern erheblich reduzieren, die Lerneffizienz verbessern und sowohl ESD-bezogene Lernergebnisse als auch das Lernerlebnis im Vergleich zu traditionellen, nicht personalisierten Ingenieursunterrichtsmodellen verbessern.

Protokoll

Diese Studie wurde gemäß den ethischen Richtlinien der Education University of Hong Kong durchgeführt. Vor der Datenerhebung wurde von allen Teilnehmern eine informierte Zustimmung eingeholt.

1. Plattformspezifikation

Das bewertete System ist ein maßgeschneiderter Forschungsprototyp, der als webbasierte Anwendung implementiert wird. Die Softwareumgebung basiert auf Python 3.9 und TensorFlow 2.12. Die Kern-KI-Modelle (CNN-BiLSTM, Transformer) werden auf einer NVIDIA A100 GPU (40 GB VRAM) innerhalb einer serverbasierten Verarbeitungspipeline gehostet. Die Architektur besteht aus drei Schichten: Erstens eine grundlegende technische Schicht, die ein aufmerksamkeitsverstärktes CNN-BiLSTM-Netzwerk integriert, ein Transformer-Modul und Reinforcement-Learning-Komponenten; zweitens ein Verarbeitungszentrum für Echtzeit-Multimodale Datenfusion und Modelloptimierung; und drittens eine Anwendungsebene mit acht funktionalen Modulen, darunter personalisiertes Lernen, Q&A, Kompetenzbewertung und Verhaltensanalyse (Abbildung 1).

2. Vorbereitung und Kuratierung von Trainingsdaten

Sammeln Sie multimodale Datensätze aus öffentlichen Bildungsdatenbanken (z. B. offene Online-Kurstranskripte, Protokolle der Interaktion mit Bildungsvideos) und proprietären Quellen. Sammeln Sie anonymisierte Interaktionsprotokolle von 50 Bachelor-Studierenden und 20 Lehrkräften während der Pilottests (Januar–Juni 2024). Vorbearbeitung von Texten mit SpaCy v3.5 (Honnibal et al., 2020) mit den folgenden festen Verfahren. Laden Sie zuerst das vortrainierte allgemeine akademische Englischmodell en_core_web_md. Zweitens: Tokenisierung wird mit dem standardmäßig akademisch optimierten Tokenizer des Modells durchgeführt, der technische Ingenieurskunst und nachhaltige Entwicklungsterminologie angemessen behandelt. Drittens: Lemmatisierung wird mit dem standardmäßigen regelbasierten und statistischen Hybridlemmatisierer des Modells durchgeführt, ohne dass benutzerdefinierte Lemmatisierungsregeln angewendet werden. Normalisiere Videoframes auf 224 x 224 x 224 mit den folgenden festen Schritten. Erstens: Skaliert alle Frames mittels bilinearer Interpolation, die Standardmethode für die Vorverarbeitung von Bildungsbildern bei Videobildern ist. Zweitens: Keine zusätzliche Farbnormalisierung oder Beschnitt anwenden, abgesehen von gleichmäßiger Größenänderung, um den ursprünglichen Bildungsinhalt zu erhalten. Entfernen Sie personenbezogene Informationen, um die Einhaltung der Privatsphäre unter Verwendung der folgenden festen Verfahren sicherzustellen. Verwenden Sie zunächst das spaCy v3.5 benannte Entitätenerkennungsmodul im en_core_web_md-Modell, um automatisch alle persönlichen Namen, E-Mail-Adressen, Telefonnummern und institutionellen Kennungen zu erkennen und zu schwärzen. Zweitens: Überprüfen Sie manuell eine 10-prozentige Zufallsstichprobe aller vorverarbeiteten Text- und Videoframes, um die vollständige PII-Entfernung zu überprüfen, ohne dass im endgültigen Datensatz Unstimmigkeiten festgestellt werden.

3. Modelle trainieren und validieren

Das Training nutzte drei Paradigmen: Erstens überwachtes Lernen (Adam-Optimierer, Lernrate = 1e-4, Batchgröße = 32), um die Leistung der Schüler anhand beschrifteter Interaktionsprotokolle vorherzusagen; zweitens, unüberwachtes K-Means-Clustering (k = 5), um unterschiedliche Verhaltensmuster zu identifizieren; und drittens Verstärkungslernen für adaptive Inhaltsempfehlungen, mit einer Belohnungsfunktion, die als Engagement x Genauigkeit definiert ist. Hyperparameter wurden über 100 Studien per Zufallssuche auf einem gehaltenen Validierungsset optimiert, um die Robustheit sicherzustellen. Die Eingabedaten für die Modelle bestanden aus vorverarbeiteten, anonymisierten multimodalen Strömen: tokenisierte Textsequenzen, 224 x 224 RGB-Videoframes und strukturierte Interaktionsmetadaten (z. B. Zeitstempel, Aktionstypen). Die primären vom System generierten Ausgaben umfassen numerische Vorhersagewerte (z. B. Mastery-Wahrscheinlichkeit), detaillierte Interaktionsprotokolle im JSON-Format und Kompetenzbewertungsberichte in PDF.

Abbildung 1: Architektur der umfassenden Bildungsplattform. Dieses Diagramm illustriert die vollständige hierarchische Struktur des maßgeschneiderten webbasierten GAI-Bildungsforschungsprototyps, einschließlich der benutzerorientierten Anwendungs- und Interaktionsschicht, dem multimodalen Datenverarbeitungszentrum und der KI-modellgetriebenen Basic Technical Layer, mit klaren Datenflussabbildungen zwischen den Schichten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

4. Durchführung empirischer Bewertung

Rekrutierte 70 Teilnehmer (50 Bachelor-Ingenieurstudierende und 20 Pädagogen) von der Education University of Hong Kong. Sie wurden zufällig entweder der experimentellen Gruppe zugeordnet, die unsere maßgeschneiderte, webbasierte GAI-Plattform nutzte, oder der Kontrollgruppe, die ein herkömmliches Learning Management System (LMS) nutzte. Die Bewertung maß vier zentrale Ergebnisse: (1) Lerngewinn (bewertet anhand von Vor- und Nachtestergebnissen), (2) Engagement (gemessen an Zeit-auf-Aufgabe und Interaktionshäufigkeit), (3) Nutzerzufriedenheit (bewertet durch eine 7-Punkte-Umfrage auf der Likert-Skala) und (4) Systemnutzbarkeit. Alle empirischen Daten wurden mittels gepaarter t-Tests analysiert, um die statistische Signifikanz zu bestimmen, begleitet von Effektgrößenberechnungen zur Bewertung der praktischen Auswirkung.

5. Die Umsetzung abschließen und validieren

Vor der Hauptstudie führten wir eine umfassende Systemvalidierung durch. Dies beinhaltete die Überprüfung der vollständigen Integration und stabilen Betriebs aller drei Architekturschichten (Basic Technical, Processing Centre und Application Layer), die Bestätigung der Datenintegrität in der gesamten Pipeline, die Sicherstellung der Modellkonvergenz auf dem Validierungsset sowie das Testen der Reaktionsfähigkeit und Zuverlässigkeit der webbasierten Benutzeroberfläche. Nach erfolgreichem Abschluss dieser Validierungsphase galt die Plattform als bereit für eine formelle empirische Einführung und vergleichende Bewertung im randomisierten kontrollierten Studienrahmen.

Ergebnisse

Die randomisierte kontrollierte Studie zeigte signifikante Unterschiede zwischen der GAI-Plattformgruppe (experimentell) und der traditionellen LMS-Gruppe (Kontrollgruppe). Beim Lernfortschritt erzielte die experimentelle Gruppe im Post-Test signifikant höhere Werte (M = 85,2, SD = 6,4) als die Kontrollgruppe (M = 76,8, SD = 7,1); mittlere Differenz = 8,4, 95 % KI [4,5, 12,3], t(68) = 4,32, p < 0,001, Cohens d = 1,02. Für das Engagement (Time-on-Task) verbrachte die Versuchsgruppe mehr Z...

Diskussion

Diese Studie wollte die zentrale Forschungshypothese testen: dass eine GAI-fähige, personalisierte Lernplattform die kognitive Belastung von Ingenieurlernern deutlich reduzieren, die Lerneffizienz verbessern und sowohl ESD-bezogene Lernergebnisse als auch das Gesamtlernerlebnis verbessern kann, verglichen mit traditionellen nicht-personalisierten Ingenieursunterrichtsmodellen. Unsere randomisierten RCT-Ergebnisse liefern eine vollständige empirische Unterstützung für diese Hypothese, wob...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Zum Hosten von Kern-KI-Modellen innerhalb der serverbasierten Verarbeitungspipeline verwendet.
en_core_web_md (spaCy-Modell)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Vorgeschultes allgemeines akademisches Englisch-Modell, das für Tokenisierung und Lemmatisierung verwendet wird. Version: v3.5.
Python	Python Software Foundation	https://www.python.org/	Programmiersprache für die Softwareumgebung. Version: 3.9.
SlimPajama-Datensatz	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Großes, quelloffenes Vortraining-Korpus, das von RedPajama abgeleitet wurde.
spaCy	Explosion AI	https://spacy.io/	Natural Language Processing-Bibliothek für Textvorverarbeitung. Version: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Open-Source-Maschinelles-Lernen-Framework. Version: 2.12.