PACE: A Personalized Adaptive Curriculum Engine for 9-1-1 Call-taker Training

Das Paper stellt PACE vor, eine personalisierte adaptive Curriculum-Engine, die in Zusammenarbeit mit dem Metro Nashville Department of Emergency Communications entwickelt wurde, um die Ausbildung von 9-1-1-Notrufentnehmern durch datengestützte Empfehlungen und Echtzeit-Analysen zu beschleunigen, was zu einer signifikant schnelleren Kompetenzentwicklung, höherer Abschlussqualität und einer drastischen Reduzierung der Bearbeitungszeit führt.

Das Wesentliche

🚨 PACE: Der persönliche Coach für Notruf-Telefonisten

Stell dir vor, du musst jemanden darauf vorbereiten, den Notruf 112 zu bedienen. Das ist keine normale Arbeit. Wenn jemand anruft und sagt „Mein Auto brennt", muss der Telefonist innerhalb von Sekunden entscheiden: „Rufe ich die Feuerwehr? Den Arzt? Die Polizei?" Oder vielleicht sogar alle drei? Ein kleiner Fehler kann hier lebensbedrohlich sein.

Das Problem: Es gibt über 1.000 verschiedene Fähigkeiten, die man lernen muss. Und es fehlen dringend Trainer, die jedem einzelnen Lernenden persönlich helfen können.

Hier kommt PACE ins Spiel. PACE steht für „Personalized Adaptive Curriculum Engine" (auf Deutsch etwa: Persönliche, sich anpassende Lern-Maschine). Man kann es sich wie einen super-intelligenten Co-Piloten für die Trainer vorstellen.

---

🧩 Das Problem: Der „One-Size-Fits-All"-Ansatz funktioniert nicht

Stell dir einen normalen Unterricht vor: Alle 12 Schüler bekommen das gleiche Arbeitsblatt, egal ob einer schon alles kann und der andere noch nicht mal den Stift hält.

• Der eine lernt schnell, vergisst aber schnell wieder (wie ein Goldfisch).
• Der andere braucht lange, merkt sich Dinge aber ewig.

In der echten Welt haben Trainer oft keine Zeit, jedem genau zu sagen: „Hey, du bist gut bei Unfällen, aber bei Herzinfarkten hast du einen Fehler gemacht." Das dauert zu lange.

🚀 Die Lösung: Wie PACE funktioniert

PACE ist wie ein digitaler Detektiv und Trainer in einem. Er macht drei Dinge, die wir mit einfachen Bildern erklären können:

1. Der „Gedanken-Atlas" (Die Wissens-Karte)

Stell dir das Wissen als eine riesige Landkarte mit 1.000 Städten vor. Jede Stadt ist eine Fähigkeit (z. B. „Frage nach dem Bewusstsein des Patienten").

• Das Geniale: Diese Städte sind nicht isoliert. Wenn du die Stadt „Herzinfarkt" kennst, hilft dir das auch bei der Stadt „Atemnot", weil sie auf der Karte nah beieinander liegen.
• PACE nutzt das: Wenn ein Lernender eine Frage zu einem Herzinfarkt richtig beantwortet, weiß PACE: „Aha! Wahrscheinlich kann er auch die Atemnot-Frage beantworten, auch wenn wir das noch nicht getestet haben." Das spart Zeit.

2. Der „Gedächtnis-Detektiv" (Lernen und Vergessen)

Jeder Mensch vergisst unterschiedlich schnell.

• Der schnelle Lerner: Lernt wie ein Schwamm, behält aber lange.
• Der schnelle Vergesser: Lernt schnell, aber vergisst alles nach zwei Tagen.
• PACE beobachtet das: Er schaut sich an, wie schnell jemand lernt und wie schnell er vergisst. Wenn PACE merkt, dass ein Lernender etwas vergisst, schlägt er genau jetzt eine Übung vor, bevor das Wissen komplett weg ist. Es ist wie ein intelligenter Wecker, der dich weckt, bevor du den Schlüssel im Kühlschrank vergisst.

3. Der „Lern-Drehbuch-Autor" (Die richtige Übung zur richtigen Zeit)

Statt zufällige Übungen zu geben, wählt PACE Szenarien aus, die genau die Lücken füllen, die der Lernende gerade hat.

• Die Analogie: Stell dir vor, du trainierst für einen Marathon. Ein schlechter Trainer lässt dich jeden Tag 10 km laufen. Ein guter Trainer (PACE) sagt: „Heute hast du schlechte Beine, wir machen Krafttraining. Morgen hast du gute Beine, wir laufen 5 km schnell."
• PACE wählt die Szenarien so aus, dass der Lernende nicht gelangweilt wird (zu leicht) und nicht frustriert ist (zu schwer), sondern genau an der Grenze lernt, wo er wächst.

---

📊 Was hat das gebracht? (Die Ergebnisse)

Die Forscher haben PACE mit echten Trainingsdaten und simulierten Lernenden getestet. Die Ergebnisse waren beeindruckend:

1. Schneller zum Ziel: Lernende waren 20 % schneller fertig als mit herkömmlichen Methoden.
2. Besser im Endeffekt: Sie beherrschten am Ende 11 % mehr Fähigkeiten.
3. Der „Super-Coach": In Tests stimmte PACE in 95 % der Fälle mit der Meinung von echten, erfahrenen Trainer-Experten überein. Das bedeutet, die Maschine denkt fast genauso wie ein Mensch.
4. Zeitersparnis: Das war der größte Knaller: Was früher 11,5 Minuten dauerte, einen Lernenden zu bewerten und die nächste Übung zu planen, dauert mit PACE nur noch 34 Sekunden.
   • Vergleich: Stell dir vor, du wartest 11 Minuten auf eine Ampel, aber dann springt sie sofort auf Grün. Das spart enorm viel Zeit im Alltag.

💡 Warum ist das wichtig?

Notrufzentralen sind oft unterbesetzt und überlastet. PACE hilft den wenigen verbleibenden Trainer-Experten, sich auf das zu konzentrieren, was sie am besten können: Menschen motivieren und unterstützen. Die Maschine übernimmt die harte Arbeit des Planens und Überwachens.

Zusammengefasst:
PACE ist wie ein persönlicher Navigator für das Gehirn. Er weiß genau, wo du gerade bist, wie schnell du fahren kannst und wohin du musst, damit du sicher und schnell dein Ziel erreichst – ohne dass du den Weg selbst suchen musst. Und das rettet im Ernstfall Leben.

Technische Zusammenfassung

1. Problemstellung

Die Ausbildung von 9-1-1-Notrufentgegnern ist extrem anspruchsvoll und lebenskritisch. Sie erfordert die Beherrschung von über 1.000 voneinander abhängigen Fähigkeiten, die von verschiedenen Incident-Typen (z. B. Verkehrsunfälle, medizinische Notfälle) und protokollspezifischen Nuancen abhängen.

Die aktuellen Herausforderungen sind:

• Skalierbarkeit: Ein landesweiter Fachkräftemangel belastet die Ausbildungskapazitäten. Die traditionelle Methode, bei der menschliche Trainer den Fortschritt überwachen und individuelle Ziele setzen, lässt sich nicht skalieren.
• Individuelle Lernunterschiede: Lernende unterscheiden sich stark in ihrer Lerngeschwindigkeit und Vergessensrate. Eine starre, einheitliche Lehrplanstruktur ignoriert diese Unterschiede und führt zu ineffizienten Lernpfaden.
• Engagement-Learning-Diskrepanz: Bestehende Empfehlungssysteme optimieren oft für Engagement (z. B. Klicks) statt für echte Kompetenzerweiterung. Lernende neigen dazu, einfache Szenarien zu bevorzugen, was jedoch nicht zu einer Beherrschung komplexer, stressiger Situationen führt.
• Mangelnde Granularität: Viele Systeme bewerten Fähigkeiten auf grober Ebene (z. B. „medizinische Anrufe"). In der 9-1-1-Praxis ist jedoch eine feingranulare Unterscheidung notwendig, da das Versagen einer einzelnen Basisfähigkeit (z. B. Bewusstseinsprüfung) den gesamten Behandlungsprozess für verschiedene Incident-Typen gefährden kann.
• Persistente Modellierung: LLM-basierte Tutor-Systeme scheitern oft an langen Trainingszeiträumen (6–8 Wochen), da sie den Kontext nicht über mehrere Sitzungen hinweg effektiv verwalten können und Vergessensprozesse nicht modellieren.

2. Methodik: Das PACE-System

PACE (Personalized Adaptive Curriculum Engine) ist ein Co-Pilot-System, das die Entscheidungsfindung von Trainern unterstützt. Es basiert auf drei Kernkomponenten:

A. Wissensgraph-Repräsentation

Der Trainingsinhalt wird als strukturierter, gerichteter Wissensgraph $G = (V, E)$ modelliert:

• Knoten ($V$): Umfassen Bedingungsknoten (Zustände des Vorfalls), Fragenknoten (Informationsbeschaffung) und Instruktionsknoten (Handlungsanweisungen). Der Graph enthält 1.053 Knoten und 1.283 Kanten über 63 Incident-Typen.
• Kanten ($E$): Erfassen sequenzielle Abhängigkeiten, Implikationen und Entailments (Folgerungen). Dies ermöglicht es, zu inferieren, dass das Beherrschen einer Fähigkeit auch das Verständnis verwandter Fähigkeiten impliziert.

B. Unsicherheitsbasierte Lernmodellierung (Belief Tracker)

Da der wahre Kompetenzzustand $\Theta$ eines Lernenden nicht direkt beobachtbar ist, führt PACE ein probabilistisches Glaubensmodell $\hat{\Theta}$:

• Beobachtungsextraktion: Ein LLM analysiert Transkripte von Simulationen und extrahiert strukturierte Beobachtungen (Erfolg, Fehler, Teil-Erfolg) sowie Fehlerkategorien (Slips, Misskonzepte, Auslassungen).
• Bayessche Aktualisierung: Für jeden Knoten wird eine Beta-Verteilung $Beta(\alpha_v, \beta_v)$ als Posterior über die Beherrschung $\theta_v$ geführt. Die Parameter werden basierend auf den Beobachtungen und deren Zuverlässigkeit (gewichtet nach Fehlertyp) aktualisiert.
• Induktive Propagierung: Durch einen vorab berechneten Ähnlichkeitsindex (basierend auf semantischen Embeddings und Graph-Position) werden Evidenzen auf ähnliche, nicht direkt beobachtete Knoten übertragen. Dies beschleunigt die Diagnose.

C. Dynamik-Schätzung (Dynamics Estimator)

PACE modelliert individuelle Lern- und Vergessensprozesse:

• Lerngeschwindigkeit ($\lambda$): Wird als durchschnittlicher marginaler Kompetenzzuwachs pro Übungseinheit geschätzt.
• Vergessensrate ($\psi$): Wird durch ein Potenzgesetz-Modell erfasst, das den Zerfall der Kompetenz über die reale Zeit $\tau$ beschreibt: $\theta(\tau+\Delta\tau) = \theta(\tau) \cdot (1 + \kappa \cdot \Delta\tau)^{-\psi}$. Dies erlaubt eine präzise Planung von Wiederholungsübungen.

D. Kontextuelle Banditen für Szenario-Auswahl

Die Auswahl der Trainings-Szenarien wird als Kontextualer Bandit formuliert:

• Kontextvektor: Enthält Metriken zur Modellqualität (Unsicherheit), zum Lernzustand (geschätzte $\lambda, \psi$) und zum Trainingsfortschritt.
• Aktionen: Auswahl von Batches von Szenarien (Incident-Typ + Konfiguration).
• Belohnung: Der erwartete Lerngewinn unter Berücksichtigung von Unsicherheit.
• Algorithmus: Es wird Thompson Sampling verwendet, um einen optimalen Kompromiss zwischen Exploration (Erkundung unsicherer Fähigkeiten) und Exploitation (Fokus auf bekannte Lücken) zu finden.

3. Schlüsselbeiträge

1. Formalisierung: Die Umwandlung des 9-1-1-Trainingsproblems in eine Optimierungsproblematik über einem strukturierten Graphen.
2. PACE-System: Entwicklung des ersten Systems dieser Art, das probabilistische Glaubensmodelle, individuelle Lern-/Vergessensdynamiken und kontextuelle Banditen integriert.
3. Feingranulare Diagnostik: Im Gegensatz zu groben Kategorien ermöglicht PACE eine Diagnose auf Ebene einzelner Fähigkeiten (1.053 Knoten), was für die Sicherheit in Hochrisikobereichen essenziell ist.
4. Praktische Validierung: Enge Zusammenarbeit mit dem Metro Nashville Department of Emergency Communications (MNDEC) und Evaluation durch erfahrene Trainer.

4. Ergebnisse

Die Evaluation erfolgte mittels simulierter Lernagenten (mit kontrollierten Ground-Truth-Parametern) und einer Co-Pilot-Studie mit echten Trainern.

• Effizienzsteigerung: PACE erreicht eine 19,50 % schnellere Zeit bis zur Kompetenz (Zero-to-Hero) im Vergleich zu State-of-the-Art-Frameworks (wie Agent4Edu oder GenMentor).
• Abschlusskompetenz: PACE erzielt eine 10,95 % höhere finale Beherrschung (Terminal Mastery).
• Robustheit bei Vergessen: Bei Lernenden mit hoher Vergessensrate („Quick Forgetter") zeigt PACE eine signifikant bessere Leistung (91,22 % Coverage) als Baselines, die ohne dynamische Vergessensmodelle auskommen (z. B. GenMentor: 67,51 %).
• Ablationsstudien: Das Entfernen der graphbasierten Propagierung oder der dynamischen Schätzung führt zu drastischen Leistungseinbußen, was die Notwendigkeit beider Komponenten unterstreicht.
• Expert-Alignment: In der Co-Pilot-Studie stimmten die Empfehlungen von PACE zu 95,45 % mit den pädagogischen Urteilen erfahrener Trainer überein.
• Zeitersparnis: Die Bearbeitungszeit für Feedback und Szenario-Auswahl wurde von durchschnittlich 11,58 Minuten auf 34 Sekunden reduziert (eine Reduktion von 95,08 %).

5. Bedeutung und Ausblick

PACE adressiert kritische Lücken in der Ausbildung für Hochrisiko-Berufe.

• Skalierbarkeit: Das System ermöglicht es, begrenzte Ressourcen von Trainern zu entlasten und die Ausbildungskapazität bei gleichzeitig höherer Qualität zu skalieren.
• Sicherheit: Durch die feingranulare Verfolgung von Fähigkeiten werden Wissenslücken frühzeitig erkannt, bevor sie zu katastrophalen Fehlern im echten Einsatz führen.
• Übertragbarkeit: Der Framework-Ansatz ist nicht auf 9-1-1 beschränkt, sondern kann auf andere prozedurale Hochrisiko-Domänen wie medizinische Triage, Fluglotsen oder Krisenintervention übertragen werden.

Zusammenfassend demonstriert PACE, wie KI-gestützte, adaptive Lehrpläne nicht nur die Effizienz steigern, sondern durch die Modellierung menschlicher Lern- und Vergessensprozesse die tatsächliche Kompetenz und Sicherheit in lebenswichtigen Bereichen verbessern können.