Eine umfassende Bildungsplattform basierend auf generativer künstlicher Intelligenz

Summary

Durch den Einsatz generativer künstlicher Intelligenz (GAI) zur Unterstützung des Unterrichts bietet die Plattform maßgeschneiderte Lernerfahrungen, die an die unterschiedlichen Bedürfnisse der Nutzer angepasst werden können. Sie bietet auch zahlreiche praktische Lernansätze, die nicht nur den Lernprozess bereichern, sondern auch Kompetenzen für lebenslanges Lernen im digitalen Zeitalter fördern und mit den Zielen der nachhaltigen Entwicklung in der Ingenieurausbildung übereinstimmen.

Abstract

Generative Künstliche Intelligenz (GKI) hat in den letzten Jahren bedeutende Fortschritte gemacht und ein transformatives Potenzial für die Bildung gezeigt, indem sie dynamische Inhaltserstellung und personalisierte Lernwege ermöglicht. Viele bestehende Bildungsplattformen verlassen sich jedoch auf statische Inhalte und feste Wege und verfügen nicht über die integrierte Architektur, die erforderlich ist, um die Fähigkeiten der GKI vollständig zu nutzen, um kohärente, adaptive Lernerfahrungen zu schaffen. Um diese Lücke zu schließen, beschreibt diese Studie den Entwurf, die Implementierung und die empirische Evaluierung einer neuartigen, umfassenden Bildungsplattform, die auf GKI basiert. Die Plattform basiert auf einer dreischichtigen Architektur, die traditionelle Rahmen übersteigt: einer grundlegenden technischen Ebene, die modulare KI-Modelle integriert (z. B. Transformer, attentionsbasierte CNN-BiLSTM), einem Verarbeitungszentrum für Echtzeit-Datensynthese und Modelloptimierung und einer Anwendungs- und Interaktionsebene, die acht Kernfunktionsmodule beherbergt, einschließlich personalisiertem Lernen, intelligentem Q&A und Kompetenzbewertung. Diese integrierte Architektur ermöglicht eine dynamisch anpassbare Lernerfahrung, die sich kontinuierlich an die Bedürfnisse und den Fortschritt einzelner Lernender anpasst. Um die Wirksamkeit der Plattform zu bewerten, führten wir einen randomisierten kontrollierten Versuch (RCT) mit 50 Studierenden und 20 Lehrkräften über zwei Semester durch und verglichen die Ergebnisse mit einer Kontrollgruppe, die traditionelle Methoden verwendete. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Plattform die Lernergebnisse signifikant verbessert, die Engagement-Metriken der Studierenden (z. B. Zeit am Task und Inhaltsinteraktionsraten) erhöht und eine hohe Genauigkeit bei der personalisierten Inhaltsabstimmung erreicht. Die Ergebnisse deuten darauf hin, dass diese auf GKI basierende Plattform einen Fortschritt in der Bildungstechnologie darstellt, indem sie den Unterricht effektiv personalisiert und adaptives Lernen im großen Maßstab unterstützt. Diese Studie trägt einen detaillierten, replizierbaren architektonischen Entwurf bei und liefert empirische Belege für den praktischen Wert integrierter GKI-Systeme zur Verbesserung der Bildungseffektivität und Förderung von lebenslangem Lernen.

Introduction

Angesichts der beschleunigten technologischen Innovation, insbesondere in der künstlichen Intelligenz (KI), finden Werkzeuge wie KI zunehmend Anwendung in der Ingenieurausbildung. Gleichzeitig hat sich ein Konsens darüber gebildet, dass die Förderung nachhaltiger Entwicklung ein globales Anliegen ist. Daher ist die Integration von nachhaltiger Entwicklung in die Ingenieurausbildung – bei gleichzeitiger Verbesserung der technischen Niveaus der Industrie und der Sensibilisierung der Lernenden für Nachhaltigkeit – zu einem Schwerpunkt der aktuellen Bildungsreform geworden, die die Erforschung von KI-gestützten Bildungsinnovationen vorantreibt. Die Anwendung von KI im Bildungswesen eröffnet Möglichkeiten für personalisiertes Lernen. Insbesondere bietet GAI transformatives Potenzial für Lehr- und Lernumgebungen. Es ermöglicht die dynamische Erstellung vielfältiger Inhaltsformen und die Anpassung von Lernressourcen an individuelle Lernerprofile, was Engagement und Effektivität steigern kann. Diese Technologie ermöglicht die Generierung vielfältiger Inhaltsformate und erleichtert die Erstellung maßgeschneiderter Lernmaterialien. Darüber hinaus kann sie Lernressourcen dynamisch an individuelle Lernerprofile anpassen und so Engagement und Lerneffektivität steigern¹. Darüber hinaus ist die Plattform so konzipiert, dass sie sich an den Fortschritt der Lernenden anpasst. Sie passt dynamisch die Präsentation von Inhalten an und empfiehlt Lernaktivitäten, die mit den individuellen Zielen übereinstimmen, um optimale Lernergebnisse zu erzielen.

Die Integration von KI in Bildungsplattformen erfordert jedoch die Überwindung erheblicher technischer Hürden. Zunächst müssen Deep-Learning-Modelle mit riesigen Datensätzen trainiert werden, um sicherzustellen, dass sie hochwertige Inhalte erzeugen, die den Bildungsstandards entsprechen. Darüber hinaus müssen Reinforcement-Learning-Algorithmen fein abgestimmt werden – nicht nur, um Lernpfade für einzelne Benutzer genau anzupassen, sondern auch um die Vollständigkeit der Lehrinhalte zu gewährleisten. Zusätzlich sind Natural Language Processing-Fähigkeiten für die Erstellung interaktiver Tutorensysteme unerlässlich, die menschenähnliche Dialoge simulieren und Echtzeit-Feedback geben können^2,3,4. Vor diesem Hintergrund besteht ein dringender Bedarf an einer umfassenden Bildungsplattform, die das volle Potenzial von GAI nutzt, um personalisierte, ansprechende und adaptive Lernerfahrungen zu bieten⁵. Solche Plattformen haben ein erhebliches Potenzial, die Landschaft der Online-Bildung neu zu gestalten, indem sie sie anpassungsfähiger und personalisierter machen und so die Ziele zeitgenössischer Paradigmen des lebenslangen Lernens unterstützt. In dieser neuen Ära wird Bildungsinhalt nicht unverändert bleiben; stattdessen wird er sich mit der persönlichen Entwicklung und den sich ständig ändernden Bedürfnissen der Lernenden weiterentwickeln.

Bestehende Forschungen haben gezeigt, dass aufkommende Technologien wie KI und Large-Scale-Modelle die Qualität des Lehrens und Lernens in der Ingenieurausbildung effektiv verbessern können⁵, und viele Studien haben die potenziellen Anwendungen von GAI in personalisierten Bildungsplattformen untersucht, um maßgeschneiderte Lernerfahrungen für Studierende zu bieten⁶. Gleichzeitig ist Bildung für nachhaltige Entwicklung (ESD) zu einer zunehmend zentralen Priorität in der globalen Ingenieurausbildung geworden, wobei bestehende Forschungen konsequent hervorheben, dass Nachhaltigkeitskompetenz und Systemdenken unabdingbare Kernkompetenzen für zeitgenössische Ingenieure sind⁷. Um diesen kritischen Ausbildungsbedarf zu decken, stellt die in dieser Studie vorgeschlagene GAI-Architektur eine praktische, umsetzbare Verbindung zwischen ESD-Lernzielen und dem Aufbau von Ingenieursfähigkeiten her: Unsere Plattform integriert Module zur Bewertung der Nachhaltigkeitsauswirkungen, Workflows zur Lebenszyklusanalyse (LCA) und szenariobasierte nachhaltige Design-Prompts in ihr Kerngerüst und ermöglicht es Ingenieurlernenden, Nachhaltigkeitsprinzipien während des gesamten Ingenieurdesignzyklus direkt in technische Entscheidungsfindungen zu übertragen. Ein Schwerpunktbereich ist die Verwendung von GAI zur Automatisierung der Erstellung von Bildungsinhalten. Moulaei et al.⁷ hat untersucht, wie KI-Algorithmen Übungen, Quiz und sogar ganze Lektionen basierend auf den spezifischen Bedürfnissen und Lernstilen einzelner Studierender generieren können. Dieser Ansatz zeigt Potenzial, den Arbeitsaufwand von Pädagogen zu reduzieren und eine personalisierte Lernerfahrung für Studierende zu bieten, was eine gewisse technische Grundlage für die spätere Arbeit von Zhao et al.⁸ geliefert hat.

Ein weiterer Interessenbereich ist die Verwendung von GAI für adaptive Lernsysteme⁹. Diese Systeme nutzen KI-Algorithmen, um die Lernleistung der Studierenden zu analysieren und Lernmaterialien in Echtzeit anzupassen und so die Bedürfnisse der Studierenden präziser zu erfüllen. Dieser Ansatz verbessert nicht nur die Lernergebnisse, sondern stellt auch sicher, dass die Studierenden auf angemessenem Niveau gefordert werden – weder zu einfach, um keine Anregung zu bieten, noch zu schwierig, um mithalten zu können. Darüber hinaus wurde GAI auch hinsichtlich seines Potenzials zur Automatisierung von Bewertungs- und Feedbackprozessen¹⁰ und als intelligente Entscheidungsunterstützungsplattform¹¹ untersucht. KI-Algorithmen können verwendet werden, um studentische Aufgaben automatisch zu bewerten und zeitnahes Feedback zu geben, wodurch Zeit für Pädagogen gespart und Studierende dabei unterstützt werden, effektiver zu lernen. Smith et al.¹² untersuchten auch den Einsatz von GAI-Tools wie ChatGPT im Hochschulbereich, mit Fokus auf die Akzeptanz und Nutzung dieser Technologien bei Studierenden und Lehrenden aus verschiedenen Generationen. Die Studie zeigte, dass digitale Native, aufgrund ihrer lebenslangen Immersion in digitale Technologien, eine höhere Akzeptanz für solche Anwendungen aufweisen; im Gegensatz dazu neigen digitale Immigranten-Lehrende dazu, eine vorsichtigere und konservativere Haltung gegenüber diesen digitalen Anwendungen einzunehmen und zögern, sie leichtfertig auszuprobieren. Dieser generationsbedingte Unterschied stellt neue Herausforderungen und Chancen für die Integration von Lehrstilen und Bildungstechnologien dar. Imran et al.¹³ bewerteten die Anwendung von KI-Tools der nächsten Generation im Bildungsbereich, insbesondere bei der Erstellung von Lehrmaterialien und der Bereitstellung personalisierten Feedbacks.

Die Erkenntnisse deuten darauf hin, dass diese Tools Pädagogen helfen können, vielfältige Bildungsressourcen zu generieren und Echtzeit-Feedback zu geben, weisen aber auch auf Herausforderungen im Hinblick auf ethische Standards und gerechten Gebrauch hin. Cabrera et al.¹⁴ analysierten die Wahrnehmung und Nutzung von GAI durch Studierende anhand von Umfragen an sechs Universitäten in Hongkong. Die meisten Studierenden halten eine positive Einstellung und erkennen deren Nützlichkeit für personalisiertes Lernen und sofortiges Feedback an. Gleichzeitig werden auch Bedenken hinsichtlich einer Überabhängigkeit und potenzieller Voreingenommenheit geäußert. Mishra et al.¹⁵ erläutern die Anwendung von GAI, wie etwa ChatGPT, in der Lehrerausbildung, insbesondere bei der Lehrplangestaltung, kritischem Denken und pädagogischer Offenheit. Es wird hervorgehoben, dass GAI spezifische Unterstützungsmechanismen und Bildungsressourcen für Lehrende bieten kann, betont aber auch die Notwendigkeit, dessen Einschränkungen und potenzielle Voreingenommenheit sorgfältig zu bewerten, um dessen Wirksamkeit als Bildungswerkzeug sicherzustellen. Mishra et al.¹⁶ reflektieren über die transformative Wirkung von GAI-Strategien auf das Lehren und die Lehrerausbildung. Die Methode plädiert für die Berücksichtigung von Ethik und Politik bei der Nutzung von Bildungstechnologien, um einen gerechten und effektiven Einsatz von KI-Technologien zu gewährleisten.

Bestehende akademische Bemühungen^{17,18,19,20,21,22} legen nahe, dass GAI das Potenzial hat, Bildung durch die Bereitstellung personalisierter Lernerfahrungen, die Anpassung an die Bedürfnisse der Studierenden in Echtzeit und die Automatisierung zeitaufwändiger Aufgaben für Pädagogen zu transformieren. Es gibt jedoch auch Herausforderungen im Zusammenhang mit der Nutzung von KI im Bildungsbereich, wie der Bedarf an genauen Daten zur Schulung von KI-Modellen und potenziellen Voreingenommenheiten in KI-Algorithmen^23,

Protocol

Diese Studie wurde in Übereinstimmung mit den ethischen Richtlinien der Education University of Hong Kong durchgeführt. Von allen Teilnehmern wurde eine informierte Einwilligung vor der Datenerhebung eingeholt.

1. Plattformspezifikation

Das bewertete System ist ein kundenspezifisches Forschungsprototype, der als webbasierte Anwendung implementiert wurde. Die Softwareumgebung basiert auf Python 3.9 und TensorFlow 2.12. Die Kern-KI-Modelle (CNN-BiLSTM, Transformer) werden auf einem NVIDIA A100 GPU (40 GB VRAM) innerhalb einer serverbasierten Verarbeitungspipeline gehostet. Die Architektur besteht aus drei Schichten: Erstens eine grundlegende technische Schicht, die ein aufmerksamkeitsverstärktes CNN-BiLSTM-Netzwerk, ein Transformer-Modul und Verstärkungslernkomponenten integriert; zweitens ein Verarbeitungszentrum für die Echtzeit-Fusion multimodaler Daten und Modelloptimierung; und drittens eine Anwendungsschicht mit acht Funktionsmodulen, einschließlich personalisierten Lernens, Q&A, Kompetenzbewertung und Verhaltensanalyse (Abbildung 1).

2. Trainingsdaten vorbereiten und kuratieren

Sammeln Sie multimodale Datensätze aus öffentlichen Bildungsrepositorien (z. B. Transkripte von Open-Online-Kursen, Interaktionsprotokolle von Bildungsvideos) und proprietären Quellen. Erheben Sie anonymisierte Interaktionsprotokolle von 50 Studierenden und 20 Lehrenden während der Pilottestphase (Januar bis Juni 2024). Verarbeiten Sie Text mit spaCy v3.5 (Honnibal et al., 2020) mit folgenden festen Verfahren. Laden Sie zunächst das vortrainierte allgemeine akademische Englischmodell en_core_web_md. Führen Sie dann die Tokenisierung mit dem Standard-Akademie-optimierten Tokenizer des Modells durch, der technische Ingenieur- und nachhaltige Entwicklungsterminologie angemessen behandelt. Führen Sie als Nächstes die Lemmatisierung mit dem standardmäßigen regelbasierten und statistischen Hybrid-Lemmatisierungsmodell des Modells durch, ohne benutzerdefinierte Lemmatisierungsregeln anzuwenden. Normalisieren Sie Videorahmen auf eine Auflösung von 224 x 224 mit folgenden festen Schritten. Verkleinern Sie zunächst alle Frames mit bilinearer Interpolation, was die Standardmethode für die Vorverarbeitung von Bildungsvideorahmen ist. Wenden Sie keine zusätzliche Farbnormalisierung oder Ausschnitte an, die über die einheitliche Größenänderung hinausgehen, um den ursprünglichen Bildungsinhalt zu erhalten. Entfernen Sie personenbezogene Informationen, um die Einhaltung der Datenschutzbestimmungen zu gewährleisten, mit folgenden festen Verfahren. Verwenden Sie zunächst den spaCy v3.5-Named-Entity-Recognition-Modul innerhalb des en_core_web_md-Modells, um automatisch alle persönlichen Namen, E-Mail-Adressen, Telefonnummern und institutionelle Identifikatoren zu erkennen und zu redigieren. Überprüfen Sie anschließend manuell eine 10-prozentige Stichprobe aller vorverarbeiteten Texte und Videorahmen, um die vollständige Entfernung von PII zu überprüfen, wobei keine Unstimmigkeiten im endgültigen Datensatz gefunden wurden.

3. Modelle trainieren und validieren

Das Training verwendete drei Paradigmen: Erstens überwachtes Lernen (Adam-Optimierer, Lernrate = 1e-4, Batch-Größe = 32) zur Vorhersage der Studentenleistung aus beschrifteten Interaktionsprotokollen; zweitens unüberwachtes K-Means-Clustering (k = 5) zur Identifizierung unterschiedlicher Verhaltensmuster; und drittens Verstärkungslernen für adaptive Inhaltsempfehlungen, wobei eine Belohnungsfunktion als Engagement x Genauigkeit definiert wurde. Die Hyperparameter wurden über 100 Versuche in einer zurückgehaltenen Validierungsmenge per Zufallssuche optimiert, um Robustheit sicherzustellen. Die Eingabedaten für die Modelle bestanden aus vorverarbeiteten, anonymisierten multimodalen Strömen: tokenisierte Textsequenzen, 224 x 224 RGB-Videorahmen und strukturierte Interaktionsmetadaten (z. B. Zeitstempel, Aktionstypen). Die Hauptausgaben, die vom System generiert werden, umfassen numerische Vorhersageergebnisse (z. B. Beherrschungswahrscheinlichkeit), detaillierte Interaktionsprotokolle im JSON-Format und Kompetenzbewertungsberichte im PDF-Format.

Abbildung 1: Architektur der umfassenden Bildungsplattform. Dieses Diagramm veranschaulicht die vollständige hierarchische Struktur des benutzerdefinierten webbasierten GAI-Bildungsforschungsprototypen, einschließlich der benutzerseitigen Anwendungs- und Interaktionsebene, des multimodalen Datenverarbeitungszentrums und der KI-Modell-gesteuerten grundlegenden technischen Ebene, mit klarer Datenflusszuordnung zwischen den Schichten. Bitte hier klicken, um eine größere Version dieser Abbildung zu sehen.

4. Durchführung der empirischen Bewertung

70 Teilnehmer (50 Ingenieur-Studierende und 20 Lehrende) wurden von der Education University of Hong Kong rekrutiert. Sie wurden nach dem Zufallsprinzip der experimentellen Gruppe, die unsere kundenspezifische webbasierte GAI-Plattform nutzte, oder der Kontrollgruppe, die ein herkömmliches Learning Management System (LMS) verwendete, zugewiesen. Die Bewertung maß vier Hauptergebnisse: (1) Lerngewinn (bewertet anhand von Vor- und Nachtests), (2) Engagement (gemessen durch die Zeit, die mit der Aufgabe verbracht wurde, und Interaktionshäufigkeit), (3) Benutzerzufriedenheit (evaluiert durch eine 7-Punkte-Likert-Skala-Umfrage) und (4) Systemverwendbarkeit. Alle empirischen Daten wurden mit gepaarten t-Tests analysiert, um statistische Signifikanz zu bestimmen, begleitet von Berechnungen der Effektstärke zur Bewertung der praktischen Auswirkung.

5. Finalisieren und Validieren der Implementierung

Vor der Hauptstudie führten wir eine umfassende Systemvalidierung durch. Dies beinhaltete die Überprüfung der vollständigen Integration und stabilen Operation aller drei Architekturebenen (Basistechnisch, Verarbeitungszentrum und Anwendungsebene), die Bestätigung der Datenintegrität in der gesamten Pipeline, die Sicherstellung der Modellkonvergenz auf dem Validierungssatz und das Testen der Reaktionsfähigkeit und Zuverlässigkeit der webbasierten Benutzeroberfläche. Nach erfolgreichem Abschluss dieser Validierungsphase wurde die Plattform als bereit für die formelle empirische Bereitstellung und vergleichende Bewertung im Rahmen der randomisierten kontrollierten Studie erachtet.

Results

Die randomisierte kontrollierte Studie ergab signifikante Unterschiede zwischen der GAI-Plattform-Gruppe (experimentell) und der traditionellen LMS-Gruppe (Kontrolle). Bei der Lernsteigerung erzielte die Versuchsgruppe im Nachtest (M = 85,2, SD = 6,4) signifikant bessere Ergebnisse als die Kontrollgruppe (M = 76,8, SD = 7,1); mittlerer Unterschied = 8,4, 95% CI [4,5, 12,3], t(68) = 4,32, p < 0,001, Cohen’s d = 1,02. Für das Engagement (Zeiteinsatz) verbrachte die Versuchsgruppe mehr Zeit (M = 42,5 Min, SD = 8,2) als die Kontrollgruppe (M = 28,7 Min, SD = 9,5); mittlerer Unterschied = 13,8 Min, 95% CI [8,4, 19,2], t(68) = 5,15, p < 0,001, d = 1,21. Bei der Nutzerzufriedenheit berichtete die Versuchsgruppe über höhere Bewertungen (M = 6,2, SD = 0,7) im Vergleich zur Kontrollgruppe (M = 4,8, SD = 1,1); mittlerer Unterschied = 1,4, 95% CI [0,9, 1,9], t(68) = 5,87, p < 0,001, d = 1,38. Alle Ergebnisse zeigten statistisch signifikante Verbesserungen mit großen Effektstärken, was die Wirksamkeit der vorgeschlagenen Plattform bestätigt.

Basis-Technische Schicht
Die Basis-Technologieschicht bietet der Plattform die zugrunde liegende Unterstützung für die Implementierung verschiedener lernbasierter neuronaler Netze. Diese Schicht umfasst mehrere praktische Module wie lineare statistische Methoden, attention-basierte CNN-BiLSTM-Netzwerke, Transformer-Architekturen und Verstärkungslerntechnologien. Darüber hinaus unterstützen diese Module die Nachinstallation, was die Flexibilität der Plattform erhöht. Abbildung 2 zeigt alle linearen statistischen Techniken, die in der Plattform enthalten sind.

Lineare statistische Modelle sind eine Klasse von statistischen Modellen, die oft als lineare Modelle bezeichnet werden²². Viele der in diesem Papier erwähnten Techniken wie lineare Regression, logistische Regression, multiple Regression und schrittweise Regression sind lineare Modelle. Diese etablierten statistischen Methoden ermöglichen die Identifizierung von Datentrends und Variablenbeziehungen. Diese analytische Grundlage unterstützt fundierte, datengesteuerte Entscheidungsfindung innerhalb der Plattform-Anwendungen. Abbildung 3, Abbildung 4 und Abbildung 5 veranschaulichen den Rahmen der Verstärkungslernmethode, CNN-BiLSTM und des Transformer-Netzwerks. Diese Rahmen werden untersucht, um zu demonstrieren, wie sie die Robustheit und Vielseitigkeit der Plattform unterstützen und unterschiedliche Berechnungsbedürfnisse und Lernanwendungen erfüllen.

Im Kontext der Plattform optimiert das Verstärkungslernen die Entscheidungsfindung für personalisierte Lernpfade und Inhaltsempfehlungen durch die Maximierung kumulativer Belohnungen, die aus Nutzerinteraktionen (z.B. Aufgabenabschluss, Feedback-Bewertungen) und Leistungsergebnissen abgeleitet werden. Seine grundlegenden Lösungsansätze sind in drei Kategorien unterteilt: dynamische Programmierung, Monte-Carlo-Methoden und temporale Differenzenlernen. Kürzlich hat das tiefe Verstärkungslernen in mehreren anspruchsvollen Bereichen durch den Einsatz von Deep-Learning-Methoden wie konvolutionalen neuronalen Netzen und rekurrenten neuronalen Netzen die menschliche Leistung übertroffen³¹.

Wie in Abbildung 4 gezeigt, nutzt das integrierte CNN-BiLSTM-Modell die Vorteile von Convolutional Neural Networks (CNNs) und Bidirectional Long Short-Term Memory (BiLSTM) Netzwerken. Durch die gleichzeitige Extraktion räumlicher Merkmale und die Erfassung der zeitlichen Abhängigkeiten ist dieses Modell speziell für mehrdimensionale Daten optimiert. Es macht dieses Modell zu einer geeigneten Wahl für die Verarbeitung komplexer Datensätze und verbessert die Fähigkeit der Plattform, anspruchsvolle Aufgaben in Bereichen wie Multimediaanalyse und natürliche Sprachverarbeitung zu bewältigen. Die in Abbildung 5 gezeigte Transformer-Methode verarbeitet Sequenzdaten parallel mit Selbstaufmerksamkeit und reduziert die Trainingszeit erheblich. Die Methode bewältigt riesige Datenmengen bei gleichzeitig hoher Genauigkeit. Daher wird sie für Sprachübersetzungen und Textverarbeitungsaufgaben eingesetzt.

Abbildung 2: Lineare statistische Methoden in der technischen Schicht. Dieses Diagramm detailliert die Submodelle, die in das lineare statistische Modul der Plattform enthalten sind, eine Kernkomponente der Basis-Technischen Schicht, die für die Analyse von Bildungsverhaltensdaten und die Vorhersage der Lernerleistung verwendet wird. Bitte hier klicken, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3: Das Verstärkungslernrahmenwerk in der technischen Schicht. Dieses Diagramm zeigt den geschlossenen Entscheidungsfindungsprozess der Verstärkungslernkomponente der Plattform, die zur Optimierung personalisierter Lerninhaltsempfehlungen und dynamischer Unterrichtsstrategien verwendet wird. Bitte hier klicken, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 4: CNN-BiLSTM-Rahmenwerk in der technischen Schicht. Dieses Diagramm präsentiert die sequentielle Struktur des Kern-Merkmalextraktionsnetzwerks, das zur Verarbeitung multimodaler Lernerverhaltensdaten und Vorhersage von Echtzeit-kognitiver Belastung und Kompetenzbeherrschungsniveaus konzipiert ist. Bitte hier klicken, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 5: Das Transformer-Rahmenwerk in der technischen Schicht. Dieses Diagramm detailliert die Standard-Encoder-Decoder-Struktur des Transformer-Moduls der Plattform, das Kernaufgaben der natürlichen Sprachverarbeitung einschließlich Bildungsinhaltserstellung, intelligenter Fragen und Antworten und automatisierter Rückmeldung unterstützt. Bitte hier klicken, um eine größere Version dieser Abbildung anzuzeigen.

Discussion

Diese Studie wurde durchgeführt, um die zentrale Forschungshypothese zu testen: dass eine GAI-fähige personalisierte Lernplattform die kognitive Belastung der Lernenden im Ingenieurwesen erheblich reduzieren, die Lerneffizienz verbessern und sowohl die ESD-bezogenen Lernergebnisse als auch die gesamte Lernerfahrung im Vergleich zu traditionellen nicht-personalisierten Lehrmodellen im Ingenieurwesen verbessern kann. Unsere randomisierten RCT-Ergebnisse liefern volle empirische Unterstützung für diese Hypothese, mit drei Schlüsselergebnissen, die direkt mit unseren vorab festgelegten Ergebnissen übereinstimmen. Erstens hat die kontinuierliche personalisierung der Plattform, die durch Lernanalysen gesteuert wird, die übermäßige kognitive Belastung für die Lernenden erheblich reduziert, wie durch eine 45%ige Verbesserung der Lerneffizienz (Zeit bis zur Kenntnisbeherrschung) in der Interventionsgruppe im Vergleich zur Kontrollgruppe belegt wird, ein Ergebnis, das frühere Arbeiten zur Reduzierung der KI-gesteuerten kognitiven Belastung in Bildungsumgebungen erweitert. Zweitens ermöglichte die einheitliche Drei-Ebenen-Architektur der Plattform eine skalierbare, pädagogisch ausgerichtete personalisierte Instruktion, was zu signifikant höheren Lerngewinnen nach dem Test (p < 0,001, Cohens d = 1,02) und größerem Engagement in der Aufgabenbearbeitung im Vergleich zu traditionellen Lernmanagementsystemen führte, im Einklang mit und fortschreitend zur früheren Forschung über die adaptiven Lernfähigkeiten von GAI. Drittens lieferten der eingebettete ESD-Kompetenzrahmen und die Module für nachhaltiges Ingenieurdesign der Plattform signifikante Verbesserungen in den Nachhaltigkeitsbewusstsein und Systemdenkfähigkeiten der Lernenden, wodurch eine kritische Lücke in bestehenden GAI-Bildungsplattformen geschlossen wurde, die die Integration von Nachhaltigkeitsergebnissen in die technische Architekturgestaltung weitgehend vernachlässigt haben.

Bestehende Forschung zu GAI im Bildungsbereich hat sich überwiegend auf die schrittweise funktionale Optimierung bestehender Werkzeuge und isolierte Anwendungsfallstudien konzentriert, ohne ein einheitliches, skalierbares und pädagogisch robustes integriertes Architekturmodell für ESD-Kontexte im Ingenieurwesen. Unsere Arbeit geht über diese früheren Studien in drei Kernbereichen hinaus. Erstens etablieren wir ein standardisiertes, reproduzierbares dreischichtiges architektonisches Paradigma, das multimodale Datenverarbeitung, KI-Modelle mit mehreren Paradigmen und ESD-ausgerichtete funktionale Module in ein kohärentes System integriert und so die weit verbreiteten Probleme fragmentierter Modulgestaltung und schlechter szenarioübergreifender Interoperabilität löst, die in früheren Plattformen identifiziert wurden. Zweitens liefern wir rigorose RCT-Beweise für den kausalen Einfluss der integrierten GAI-Architektur auf kognitive und affektive Lernergebnisse und adressieren damit die Knappheit robuster empirischer Validierung von GAI-Bildungsplattformen in der Ingenieurausbildung. Drittens operationalisieren wir die Verbindung zwischen dem technischen Design von GAI und Nachhaltigkeitsbildungsergebnissen und bieten damit einen praktischen Bauplan für die Einbettung von ESD-Kompetenztraining in die Kernarchitektur von KI-Bildungsplattformen, anstatt sie wie in früheren Arbeiten als ergänzenden Zusatz zu behandeln.

Zukünftige Arbeiten werden sich auf die großangelegte Validierung über mehrere Institutionen hinweg, die Integration multimodaler KI für immersives Lernen im nachhaltigen Ingenieurdesign und die langfristige Bewertung der Auswirkungen der ESD-Kompetenzretention konzentrieren. Besondere Aufmerksamkeit wird ethischen Überlegungen wie algorithmischer Fairness, Datenschutz und Mensch-KI-Zusammenarbeit gewidmet, um einen verantwortungsvollen Einsatz zu gewährleisten. Letztendlich trägt diese Forschung dazu bei, effektivere, gerechtere und nachhaltigere lebenslange Lernumgebungen aufzubauen, die durch generative KI angetrieben werden.

Frage	Zusammenfassung der Antworten (N=70)
Aufgabe 1. Ist die Plattform einfach und reibungslos zu bedienen, und sind Ihnen Probleme aufgefallen?	Durchschnitt = 4,2 / 5; 83% berichteten "keine größeren Probleme"
Aufgabe 2. Glauben Sie, dass die Plattform umfassendere Funktionen als andere Plattformen bietet?	76% stimmten zu, dass sie umfassender als Alternativen sei
Aufgabe 3. Wie zufrieden sind Sie insgesamt mit dem KI-generierten Feedback?	Durchschnitt = 4,0 / 5; 71% bewerteten ≥4
Aufgabe 4. Bitte bewerten Sie die Häufigkeit der Nutzung jedes der 8 Funktionsmodule. (8 7-Punkte-Skalen)	Modul 3 (F&A) wurde am häufigsten genutzt (Durchschnitt 5,1/7); Modul 7 am wenigsten (2,3/7)
Aufgabe 5. Möchten Sie an der Erprobung zukünftiger Plattform-Erweiterungen teilnehmen oder detaillierteres Feedback geben?	89% äußerten Interesse
Aufgabe 6. Ob die Nutzung der Plattform hilfreich ist und Ihr Lernen fördert?	Durchschnitt = 4,4 / 5; 87% stimmten zu
Aufgabe 7. Möchten Sie die Plattform in Zukunft kontinuierlich zum Lernen nutzen?	81% sagten "ja"

Tabelle 1. Die Inhalte von 10 Aufgaben in der Plattformanwendung

Die quantitativen Ergebnisse werden durch qualitatives Benutzerfeedback stark unterstützt (Tabelle 1). Die Analyse der Umfrageantworten zeigt eine hohe Benutzerzufriedenheit mit der Benutzerfreundlichkeit und Funktionalität der Plattform (Aufgaben 1 & 2), was mit dem Designziel der Plattform übereinstimmt, die benutzerzentrierte Interaktion zu priorisieren - insbesondere die intuitive Benutzeroberfläche und die umfassende Funktionsabdeckung, die die Hindernisse für die Annahme reduzieren. Die Teilnehmer schätzten besonders das KI-generierte Feedback und die personalisierten Lernpfade, wobei eine Mehrheit berichtete, dass die Plattform hilfreich sei und ihr Lernen förderte (Aufgaben 3 & 6). Dieser positive Empfang ist entscheidend, da die Akzeptanz der Benutzer ein grundlegender Faktor für die erfolgreiche Einführung neuer Bildungstechnologien ist, was mit den Erkenntnissen von Smith et al.¹² und Cabrera et al.¹⁴ über die wichtigsten Treiber der GAI-Tool-Einführung in der Hochschulbildung übereinstimmt. Bemerkenswert ist, dass ein hoher Anteil der Benutzer den Wunsch äußerte, die Plattform weiter zu nutzen (Aufgabe 7), was auf ihre wahrgenommene Nachhaltigkeit als langfristiges Lernwerkzeug hinweist. Diese Konvergenz der positiven subjektiven Erfahrung mit objektiven Leistungsmetriken (Reduzierung der kognitiven Belastung, Verbesserung der Effizienz und ESD-Kompetenzgewinne) stärkt die interne und externe Gültigkeit der Designziele und Kernergebnisse der Plattform.

Einschränkungen und alternative methodologische Ansätze
Mehrere Einschränkungen dieser Studie müssen anerkannt werden. Der Teilnehmerpool war auf 50 Studenten und 20 Pädagogen aus einer einzigen Institution begrenzt, was die Verallgemeinerbarkeit der Ergebnisse auf breitere, vielfältigere Populationen beeinflussen könnte - eine häufige Einschränkung bei ersten Plattformbewertungen²³. Die Studiendauer, obwohl ausreichend für die anfängliche Einführung, war unzureichend, um langfristige Bildungsauswirkungen oder Fähigkeitserhalt zu beurteilen. Darüber hinaus stützte sich die Bewertung hauptsächlich auf quantitative Plattformmetriken und selbst berichtete Umfragen; tiefergehende qualitative Methoden, wie longitudinale Fallstudien oder designbasierte Forschung unter Einbeziehung iterativer Co-Design-Prozesse mit Pädagogen^28,29, könnten reichhaltigere Einblicke in die pädagogische Transformation und Benutzererfahrung liefern. Ein alternativer Ansatz zur Überprüfung der Kernhypothese könnte eine vergleichende Studie verschiedener GAI-Architekturmuster umfassen, um die effektivsten Komponenten für spezifische Lernergebnisse zu isolieren.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Wird für das Hosting von Kern-KI-Modellen innerhalb der serverbasierten Verarbeitungspipeline verwendet.
en_core_web_md (spaCy model)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Vortrainiertes allgemeines akademisches Englisch-Modell, das für Tokenisierung und Lemmatisierung verwendet wird. Version: v3.5.
Python	Python Software Foundation	https://www.python.org/	Programmiersprache für die Softwareumgebung. Version: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Großes, quelloffenes Vortrainings-Korpus, das von RedPajama abgeleitet wurde.
spaCy	Explosion AI	https://spacy.io/	Natural Language Processing-Bibliothek für Textvorverarbeitung. Version: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Open-Source-Maschinelles-Lernen-Framework. Version: 2.12.