Engagement and Equity as Evidence for AI-Informed Instructional Design: A Learning Analytics Study of Two Large-Scale Datasets
Durch die Analyse zweier groß angelegter Lern-Datensätze zeigt diese Studie, dass das verhaltensbezogene Engagement zwar der stärkste Prädiktor für akademischen Erfolg ist, dessen ungleiche Verteilung über sozioökonomische Gruppen und Gruppen mit Behinderungen hinweg jedoch erfordert, dass KI-gestütztes Instruktionsdesign den Fokus auf Gerechtigkeit und frühzeitige Bindungsstrategien statt auf bloße Automatisierung legt, um inklusive Bildung effektiv voranzutreiben.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Bildung findet seit einiger Zeit eine stille Revolution statt. Schulen und Universitäten wenden sich zunehmend der Technologie zu, um das Lernen von Studierenden zu unterstützen, in der Hoffnung, dass digitale Werkzeuge den Unterricht an individuelle Bedürfnisse anpassen, Arbeiten sofort bewerten und Lernende auf Kurs halten können. Dieses Feld, bekannt als Learning Analytics, beinhaltet die Erhebung riesiger Datenmengen darüber, wie Studierende mit ihren Kursen interagieren – worauf sie klicken, wie lange sie auf einer Seite verweilen und wann sie Aufgaben einreichen. Das Ziel ist es, diese Informationen zu nutzen, um zu verstehen, was funktioniert und was nicht. Doch während künstliche Intelligenz verspricht, diese Werkzeuge auf die nächste Stufe zu heben, wächst die Besorgnis unter Pädagogen. Sie befürchten, dass der Drang, neue, glanzvolle Technologien einzuführen, schneller voranschreitet als die Evidenz, die nötig wäre, um zu beweisen, dass sie tatsächlich helfen. Die zentrale Frage ist nicht mehr nur, was Technologie leisten kann, sondern welche spezifischen Designentscheidungen in einem Kurs zuverlässig zum Erfolg der Studierenden führen und ob diese Entscheidungen allen Studierenden helfen oder nur wenigen Glücklichen.
Eine neue Studie von Forschern der KCA University geht dieser Frage nach, indem sie zwei massive Sammlungen realer Daten untersucht. Anstatt ein neues Gadget in einem kleinen Klassenzimmer zu testen, untersuchte das Team Datensätze von fast 29.000 Studierenden einer großen britischen Fernuniversität sowie eine separate Stichprobe von 4.000 Nutzern, die mit einem kommerziellen KI-Tutoring-System für Englischtests interagierten. Durch die Analyse dieser riesigen Datensätze suchten die Forscher nach den stärksten Signalen für Erfolg und wollten sehen, ob das Versprechen der künstlichen Intelligenz auf einem soliden Fundament steht oder ob es Gefahr läuft, die Kluft zwischen denen, die Erfolg haben, und denen, die zurückfallen, zu vergrößern.
Die Untersuchung begann mit einem Blick auf die Struktur der Kurse selbst. Die Forscher untersuchten, wie die Anzahl der Tests, die Länge des Kurses und die Art der Aufgaben beeinflussten, ob Studierende bestanden oder durchfielen. Sie fanden heraus, dass das spezifische Design eines Kurses wichtiger ist als der Ruf des Dozenten. Längere Kurse, die Bewertungen über einen längeren Zeitraum verteilen, tendierten zu höheren Erfolgsquoten, während Kurse, die mit vielen Tests vollgepackt waren, oft dazu führten, dass mehr Studierende Schwierigkeiten bekamen oder abbrachen. Interessanterweise spielte die Art der Bewertung eine geringere Rolle als der Zeitpunkt. Computergestützte Aufgaben, die verspätet eingereicht und oft wiederholt werden können, wurden von Studierenden als flexibles Übungsinstrument genutzt, während strenge, zeitlich begrenzte Prüfungen als finale Hürden behandelt wurden. Dies deutet darauf an, dass der Rhythmus und die Flexibilität eines Kurses wichtiger sind als das bloße Volumen der Arbeit oder die spezifische Technologie, die zur Bewertung genutzt wird.
Die wohl auffälligste Entdeckung betraf jedoch das Verhalten der Studierenden. Die Forscher fanden heraus, dass der stärkste Prädiktor dafür, ob ein Studierender bestehen würde, schlichtweg war, wie sehr er mit den Kursmaterialien interagierte. Studierende, die auf Kursseiten klickten, Forenbeiträge lasen und Übungsquizze absolvierten, waren weita viel wahrscheinlicher erfolgreich als diejenigen, die dies nicht taten. Diese Verbindung war so stark, dass sie jedes strukturelle Merkmal des Kursdesigns übertraf, das sie untersucht hatten. Tatsächlich war der Unterschied in der Aktivität zwischen Studierenden, die bestanden, und jenen, die den Kurs abbrachen, massiv. Studierende, die die besten Noten erzielten, klickten mehr als zwanzigmal häufiger auf die Kursmaterialien als jene, die den Kurs abbrachen. Dieser Befund legt nahe, dass es die wichtigste Aufgabe für jedes Bildungssystem ist, Studierende interessiert und aktiv zu halten, egal ob dieses System von einem menschlichen Lehrer oder einer künstlichen Intelligenz geleitet wird.
Die Studie offenbarte auch eine beunruhigende Realität darüber, wer an dieser Interaktion teilhaben kann. Die Daten zeigten, dass der Erfolg nicht gleichmäßig verteilt war. Studierende aus wohlhabenderen Vierteln bestanden ihre Kurse mit einer wesentlich höheren Quote als jene aus den ärmsten Gegenden. Die Kluft wurde noch größer, wenn Behinderungen hinzukamen; Studierende mit Behinderungen, die zudem aus benachteiligten Verhältnissen stammten, waren am wenigsten wahrscheinlich erfolgreich. Die Forscher fanden heraus, dass sich diese Nachteile gegenseitig verstärkten und eine Barriere schufen, die weitaus höher war als jeder Faktor allein. Dies bedeutet, dass das bloße Hinzufügen von mehr Technologie zu einem Kurs diese Probleme nicht automatisch löst. Wenn das Design die Ungleichheiten nicht berücksichtigt, könnten die neuen Werkzeuge letztlich nur den Studierenden helfen, die ohnehin schon gut positioniert sind, und andere weiter zurücklassen.
Das Bild wurde noch klarer, als die Forscher das KI-Tutoring-System betrachteten. Sie fanden heraus, dass die Interaktion mit diesem KI-Tool extrem ungleichmäßig war. Eine kleine Gruppe hochaktiver Nutzer generierte die überwiegende Mehrheit der Interaktionen, während die Hälfte aller Nutzer das System nach nur einer Sitzung nicht mehr nutzte. In vielen Fällen loggten sich diese Nutzer nur für einen einzigen Tag ein und kehrten nie wieder zurück. Dies ist ein kritisches Problem für künstliche Intelligenz, da diese Systeme Zeit und wiederholte Interaktionen benötigen, um zu lernen, was ein Studierender weiß, und um ihre Lektionen entsprechend anzupassen. Wenn ein Studierender nach dem ersten Versuch aufhört, bekommt die KI nie die Chance, ihre Arbeit zu tun. Die Daten zeigten, dass die größte Herausforderung für Designer nicht darin besteht, die KI intelligenter oder adaptiver zu machen, sondern vielmehr herauszufinden, wie man Studierende dazu bringt, lange genug dranzubleiben, damit das System wirken kann.
Diese Ergebnisse bieten einen klaren Weg für jeden, der versucht, künstliche Intelligenz in die Bildung zu integrieren. Die Studie argumentiert, dass die Priorität nicht darin liegen sollte, zuerst die Benotung zu automatisieren oder Inhalte zu generieren. Stattdessen muss der Fokus auf drei Dingen liegen: die Studierenden von der allerersten Sitzung an zu binden, die Kursstruktur flexibel und unterstützend zu gestalten und sicherzustellen, dass das System für Studierende aus allen Hintergründen funktioniert, nicht nur für den Durchschnittsstudenten. Die Forscher schlagen vor, dass Designer vor dem Hinzufügen einer neuen KI-Funktion fragen sollten, ob der Kurs eine diverse Gruppe von Studierenden interessiert hält, ob die Arbeitslast angemessen verteilt ist und ob das System denjenigen hilft, die am meisten Schwierigkeiten haben.
Letztlich kommt die Studie zu dem Schluss, dass das Versprechen der künstlichen Intelligenz in der Bildung nur dann eingelöst werden kann, wenn sie auf diesen bewährten Prinzipien aufgebaut ist. Die Technologie selbst ist keine magische Lösung, die einen kaputten Kurs oder einen desinteressierten Studierenden reparieren kann. Die Evidenz zeigt, dass das mächtigste Werkzeug für den Erfolg ein Design ist, das Studierende dazu ermutigt, weiterhin präsent zu sein und teilzunehmen. Damit künstliche Intelligenz wirklich helfen kann, muss sie dazu genutzt werden, diese menschlichen Verhaltensweisen zu unterstützen und sicherzustellen, dass jeder Studierende, unabhängig von seinem Hintergrund oder seinen Fähigkeiten, die Chance hat, engagiert zu bleiben und zu lernen. Die Zukunft der Bildungstechnologie hängt nicht davon ab, wie fortschrittlich die Algorithmen sind, sondern wie gut sie den grundlegenden Bedürfnissen der Lernenden dienen, die sie unterstützen sollen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.