RWTH Analytics
AIStudyBuddy
KI-basierte Unterstützung zur Studienplanung
Der Verbundantrag “AIStudyBuddy: KI-basierte Unterstützung zur Studienplanung” wurde mit der RWTH als antragstellender Hochschule im Rahmen der Bund-Länder-Initiative zur Förderung der Künstlichen Intelligenz in der Hochschulbildung gestellt. Gemeinsam mit der RWTH arbeiten die Ruhr-Universität Bochum (RUB) und die Bergische Universität Wuppertal (BUW) daran, moderne KI-Technologien zu nutzen, um die Planung und Reflexion individueller Studienverläufe zu unterstützen.
StudyBuddy für Studierende
Studierende erhalten mit dem StudyBuddy ein Werkzeug zur informierten und evidenzbasierten Planung des Studiums über mehrere Semester in die Zukunft. Der Study Buddy ermöglicht die grafische Repräsentation des Studienfortschritts und gibt handlungsleitendes Feedback.
Dieses stützt sich auf regelbasierte Studienverlaufspläne sowie auf durch KI-Technologie ermittelte Verlaufsprofile, die zu erfolgreichen Studienabschlüssen führen. Generische Studienpläne werden so durch ein Tool zur individuellen Studienplanung ergänzt, die kontinuierlich angepasst, begründet und reflektiert werden.
Studierende erhalten mit dem StudyBuddy ein Werkzeug zur informierten und evidenzbasierten Planung des Studiums über mehrere Semester in die Zukunft. Der Study Buddy ermöglicht die grafische Repräsentation des Studienfortschritts und gibt handlungsleitendes Feedback.
Dieses stützt sich auf regelbasierte Studienverlaufspläne sowie auf durch KI-Technologie ermittelte Verlaufsprofile, die zu erfolgreichen Studienabschlüssen führen. Generische Studienpläne werden so durch ein Tool zur individuellen Studienplanung ergänzt, die kontinuierlich angepasst, begründet und reflektiert werden.
BuddyAnalytics für Studiengangsdesigner:innen
Studiengangsdesigner:innen erhalten mit BuddyAnalytics ein interaktives Tool, das Planungsentscheidungen wie die kompetenzorientierte Curriculumsentwicklung und Studienberatung unterstützt.
Durch die Analyse und Visualisierung der Studienverlaufsdaten aus unterschiedlichen Hochschulsystemen können Anpassungen und Verbesserungen der Studiengänge evidenzbasiert entwickelt werden. Dabei können Probleme in der Gestaltung von Studiengängen und Studienverhalten abweichend von der Studienverlaufsplanung identifiziert werden.
Studiengangsdesigner:innen erhalten mit BuddyAnalytics ein interaktives Tool, das Planungsentscheidungen wie die kompetenzorientierte Curriculumsentwicklung und Studienberatung unterstützt.
Durch die Analyse und Visualisierung der Studienverlaufsdaten aus unterschiedlichen Hochschulsystemen können Anpassungen und Verbesserungen der Studiengänge evidenzbasiert entwickelt werden. Dabei können Probleme in der Gestaltung von Studiengängen und Studienverhalten abweichend von der Studienverlaufsplanung identifiziert werden.
Das Projekt AIStudyBuddy nutzt moderne KI- Technologien
Das Projekt kombiniert hierfür zwei KI-Paradigmen: datengestützt (Process Mining) und regelbasiert (Answer Set Programming, ASP). Beide Komponenten sind Teil einer Referenzarchitektur, die Prinzipien wie Ethics-by-Design und Privacy-Preservation folgt.
Process Mining / Machine Learning
Mit Process Mining wird das Studienverhalten anhand der Daten aus Campus-, Lernmanagement- und Prüfungssystemen analysiert. Es stellt reale Studienverläufe den intendierten gegenüber.
Answer Set Programming (ASP)
Mithilfe von Answer Set Programming werden Prüfungsordnungen und andere Regularien in ein Modell aus Regeln und Constraints überführt, um transparente Begründungen für Feedback in der Studienplanung zu generieren, das für Nichtdomänenexperten verständlich ist.
Ziele des Projekts
Strategisches Ziel ist der standardisierte Austausch von Studierendendaten zwischen den Hochschulen als erster Schritt zum hochschulübergreifenden Studienmonitoring. Das Projekt widmet dabei den Determinanten von Akzeptanz bei der Einführung KIbasierter Unterstützungstechnologien besondere Aufmerksamkeit.
Im Ergebnis möchte der Projektverbund, getragen von Prof. Dr. Ulrik Schröder, PD Dr. Malte Persike, Prof. Dr. Gerhard Lakemeyer (RWTH), Prof. Dr. Wil van der Aalst (RWTH), Prof. Dr. Maren Scheffel (RUB), Prof. Dr. Sebastian Weydner-Volkmann (RUB), Dr. Peter Salden (RUB), Prof. Dr. Kerstin Schneider (BUW) und Dr. Simon Görtz (BUW), das evidenzbasierte Studienmonitoring, interaktive Werkzeuge zur Studienverlaufsplanung und datengestütztes Curriculumsdesign nutzen, um noch erfolgreichere Studienverläufe und Absolvent*innen zu ermöglichen.
Lernen
Durch automatische Überprüfungen und individuelle Empfehlungen können Studienverlaufspläne ausgestaltet und optimiert werden.
Durch automatische Überprüfungen und individuelle Empfehlungen können Studienverlaufspläne ausgestaltet und optimiert werden.
Lehre
Durch das Identifizieren von Problemen können Studienverlaufspläne, Prüfungsordnung und die Organisation des Studiums angepasst und verbessert werden.
Durch das Identifizieren von Problemen können Studienverlaufspläne, Prüfungsordnung und die Organisation des Studiums angepasst und verbessert werden.
Anwenden
Unterstützung der individuellen Planung und Reflexion von Studienverläufen durch Kombination von Machine Learning und Answer Set Programming.
Unterstützung der individuellen Planung und Reflexion von Studienverläufen durch Kombination von Machine Learning und Answer Set Programming.
Netzwerken
Austausch von Ansätzen und Erfahrungen. Das evidenzbasierte Studienmonitoring, interaktive Werkzeuge zur Studienverlaufsplanung sowie datengestütztes Curriculumsdesign sollen genutzt werden, um noch erfolgreichere Studienverläufe und Absolvent*innen zu ermöglichen.
Austausch von Ansätzen und Erfahrungen. Das evidenzbasierte Studienmonitoring, interaktive Werkzeuge zur Studienverlaufsplanung sowie datengestütztes Curriculumsdesign sollen genutzt werden, um noch erfolgreichere Studienverläufe und Absolvent*innen zu ermöglichen.