Learning to learn

Ein KI-gestütztes, adaptives Lernsystem, das auf Large Language Models (LLMs) und Retrieval-Augmented Generation (RAG) basiert, um personalisierte Lernerfahrungen zu schaffen.

Die personalisierte Modulübersicht: Lernkonzepte werden übersichtlich dargestellt und der individuelle Fortschritt wird durch Metriken wie das Elo-Rating in Echtzeit visualisiert.

Ausgangslage

Das Vorgängerprojekt «FHNW GPT» konnte bereits qualitativ hochwertige Multiple-Choice-Fragen aus PDF-Lernmaterialien generieren. Allerdings war das System auf statische Fragen beschränkt und konnte sich nicht dynamisch an den Lernfortschritt anpassen oder tiefere Verständnisebenen durch offene Frageformate erfassen. Diese Arbeit erweitert das bestehende System zu einer vollständig adaptiven Lernumgebung, die individuelle Lernprozesse optimal unterstützt.

Zielsetzung

Das Hauptziel ist die Konzeption, Entwicklung und Evaluation eines KI-gestützten adaptiven Lernsystems. Das System soll individuelle Lernprozesse durch drei Kernkomponenten optimal unterstützen: automatische Generierung von multimodalen Lerninhalten, adaptive Anpassung der Schwierigkeit von Fragen und eine umfassende Bewertung des Lernerfolgs durch Multiple-Choice- und validierte Freitext-Antworten.

Ergebnisse

Die systematische Evaluation zeigte signifikante Verbesserungen gegenüber dem Basissystem. Die Kernkomponenten wurden erfolgreich implementiert und validiert, was zu einem multifunktionalen, adaptiven Lernsystem führte.

• Multimodale Inhalte: Die Einbindung von Bildern in Quizfragen führte zu einem signifikanten didaktischen Mehrwert und unterstützte das Verständnis der Studierenden nachweislich.
• Freitext-Validierung: Die automatisierte Bewertung von Freitextantworten erreichte eine hohe Übereinstimmung mit den Beurteilungen von Fachexperten, insbesondere bei der Prüfung der fachlichen Korrektheit.
• Adaptive Schwierigkeitsanpassung: Es wurde eine optimale Systemkonfiguration identifiziert, die den Schwierigkeitsgrad der Fragen dynamisch an das Niveau der Lernenden anpasst und so eine ideale, motivierende Lernherausforderung schafft.

Technische Schlüsselbegriffe

• KI-ModelleGPT-4.1, Claude 4 Sonnet, Gemini 2.5 Pro
• FrameworksAngular, Node.js, Express.js, LangChain
• DatenbankenFirebase Firestore, Pinecone
• KonzepteRAG, Bidirektionales Elo-Rating, Bloom-Taxonomie
• KeywordsAdaptives Lernsystem, Freitext-Validierung, Bildungstechnologie

Auftraggeberin

Fachhochschule Nordwestschweiz, Hochschule für Technik
Klosterzelgstrasse 2
5210 Windisch

Team