Skip to main content Skip to main navigation

Projekt | tech4compKI

Laufzeit:

Personalisierte Kompetenzentwicklung und hybrides KI-Mentoring

Ziel des Vorhabens ist die Automatisierung von Mentoringprozessen durch Wissensdienste unter Verwendung von Methoden der hybriden KI. Dazu wird das didaktische Wissen zu Mentoring-Prozessen in Regelsystemen und über Verfahren des Maschinellen Lernens (ML) modelliert. Dadurch können die Wissensdienste relevante Situationen und Emotionen erkennen und den Lernenden individuell-angepasst Unterstützung geben. Um das Ziel zu erreichen, werden in der Zusammenarbeit mit den anderen Projektpartnern die grundlegenden Komponenten adaptiver Lernsysteme, d.h. Modelle von Mentoring- und Lernprozessen, von Wissen und Kompetenzen, konzipiert, implementiert und evaluiert.

Die Formalisierung des relevanten didaktischen Wissens geschieht einerseits regelbasiert: Modelle mit Lernmaterialien werden personalisierte Empfehlungen und adaptive Bewertungen ermöglichen, betrachtend die Personenmerkmale und Kontextfaktoren. Anderseits werden Verfahren des ML angewandt: bei sensorbasierten Erkennung affektiver Lernzustände und Mentoringsituationen, sowie multimodalen Analysen von aggregierten Daten aus Sensoren, LMS und Chatbots. Dafür werden die bisherigen Arbeiten mit dem Moodmetric Ring um Gesichtserkennung und Analyse des EKG-Signals erweitern, da diese beiden Signale viel aussagekräftiger sind.

Partner

  • Universität Leipzig
  • Technische Universität Dresden
  • Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
  • Martin-Luther-Universität Halle-Wittenberg
  • Technische Universität Chemnitz
  • Hochschule für Technik, Wirtschaft und Kultur Leipzig
  • Freie Universität Berlin
  • RWTH Aachen

Publikationen zum Projekt

  1. Scalable Mentoring Support with a Large Language Model Chatbot

    Hassan Soliman; Milos Kravcik; Alexander Tobias Neumann; Yue Yin; Norbert Pengel; Maike Haag

    In: Rafael Ferreira Mello; Nikol Rummel; Ioana Jivet; Gerti Pishtari; José A. Ruipérez Valiente (Hrsg.). Technology Enhanced Learning for Inclusive and Equitable Quality Education. European Conference on Technology Enhanced Learning (EC-TEL-2024), 19th European Conference on Technology Enhanced Learning, EC-TEL 2024, September 16-20, Krems, Austria, Pages 260-266, Lecture Notes in Computer Science…
  2. Individualised Mathematical Task Recommendations through Intended Learning Outcomes and Reinforcement Learning

    Alexander Pögelt; Katja Ihsberner; Norbert Pengel; Milos Kravcik; Martin Grüttmüller; Wolfram Hardt

    In: Angelo Sifaleras; Fuhua Lin (Hrsg.). Generative Intelligence and Intelligent Tutoring Systems. International Conference on Intelligent Tutoring Systems (ITS-2024), located at 20th International Conference, ITS 2024, June 10-13, Thessaloniki, Greece, Pages 117-130, Lecture Notes in Computer Science (LNCS), Vol. 14798, ISBN 978-3-031-63027-9, 978-3-031-63028-6, Springer, Cham, 6/2024.
  3. IMPECT-POSE: A Complete Front-end and Back-end Architecture for Pose Tracking and Feedback

    Abhishek Samanta; Hitesh Kotte; Patrick Handwerk; Khaleel Asyraaf Mat Sanusi; Mai Geisen; Milos Kravcik; Nghia Duong-Trung

    In: UMAP Adjunct '24: Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization. International Conference on User Modeling, Adaptation, and Personalization (UMAP-2024), July 1-4, Cagliari, Italy, Pages 142-147, ISBN 979-8-4007-0466-6, ACM, New York, NY, United States, 6/2024.

Fördergeber

BMBF - Bundesministerium für Bildung und Forschung

16DHB2208

BMBF - Bundesministerium für Bildung und Forschung