Ein kürzlich stattgefundenes Hackathon, veranstaltet von /dev/color, brachte ausgewählte Organisationen zusammen, um den Science Tutor for Effective Problem Solving (STEPS) des Stanford Ideal Learning Lab zu erkunden – ein KI-gestütztes pädagogisches Mittel, das dazu dient, MINT-Studierenden im Grundstudium bei der Stärkung ihrer Problemlösungsprozesse zu unterstützen.
Wir haben das ETS Research Institute vertreten, um zu untersuchen, wie Messwissenschaft in KI-Nachhilfeumgebungen integriert werden kann. Da STEPS bereits als formative Bewertungsplattform fungiert, bot uns der Hackathon eine zeitnahe Gelegenheit zu untersuchen, wie Belege für das Lernen der Schüler in Echtzeit genutzt werden können, um KI-Nachhilfe zu personalisieren.
Brückenmesswissenschaft und LLM-Prompting
Unser primäres Ergebnis war eine umfassende architektonische Kartierung einer End-to-End-Pipeline für geschlossene Lernmodelle, die in die STEPS-Plattform eingebettet werden konnte. Wir haben diese Architektur in Zusammenarbeit mit unserem ETS-Team und /dev/color entwickelt. In unserem vorgeschlagenen Design nutzen wir mehrere Evidenzquellen, darunter Messgrößen aus der Nutzung von STEPS durch Schüler, diagnostische Bewertungsergebnisse und Selbstberichte, um ein personalisiertes Lernen zu unterstützen. Diese Datenströme werden dann zu Lernprofilen zusammengefasst, die das Nachhilfeerlebnis steuern können. Konkret übersetzten wir quantitative Messwerte, wie Ergebnisse oder Muster der Interaktion zwischen Schüler und Chatbots, in pädagogische Anweisungen für den KI-Tutor. Diese bestimmen, wie viel Unterstützung geleistet werden soll und wann zur Reflexion anregt wird. Diese pädagogischen Anweisungen werden in die Prompts des generativen KI-Nachhilfesystems innerhalb von STEPS integriert, sodass der Tutor seine Unterstützung basierend auf den Bedürfnissen jedes Lernenden anpassen kann, um ein personalisierteres Lernerlebnis zu schaffen. Unsere Zusammenarbeit mit /dev/color hat dazu beigetragen, sicherzustellen, dass der Ansatz forschungsbasiert und praktisch umsetzbar ist.
Strategische Erkenntnisse für ETS
Basierend auf dem positiven Feedback, das wir vom Direktor des Ideal Learning Labs von Stanford, Dr. Shima Salehi, und anderen Hackathon-Teilnehmern erhalten haben, haben wir mehrere Möglichkeiten für ETS identifiziert:
- Messung als Ermöglicher adaptiver KI: Während KI-Nachhilfesysteme reifen, suchen ihre Entwickler aktiv nach systematischen, evidenzbasierten Methoden, um den Lernfortschritt der Schüler, nicht-kognitive Merkmale und dauerhafte Fähigkeiten zu modellieren. ETS ist einzigartig positioniert, um diese Lücke zu schließen.
- Der Wert unserer Werkzeuge: Die Integration von ETS-Messforschung und -Fähigkeiten in KI-Nachhilfesysteme zeigt einen klaren Weg, wie unsere Forschung die nächste Generation von Lerntechnologien antreiben kann.
- Ein Modell für zukünftige Partnerschaften: Der Hackathon bietet einen starken konzeptionellen Fahrplan, wie ETS mit erstklassigen akademischen Forschungslaboren zusammenarbeiten kann, um die zugrunde liegende Messinfrastruktur für deren Bildungsplattformen bereitzustellen.
Indem wir unsere Expertise bei ETS mit aufkommender KI-Technologie kombinieren, können wir zu einem reaktionsschnelleren und verständnisvolleren Unterstützungssystem für jeden Lernenden arbeiten.