Personalisiertes Lernen in der Programmierung

AP 5.1 Personalisiertes Lernen in der Programmierung

  • Initiale Umsetzung durch automatisierte E-Mail-Rückmeldungen bei Git-Commits
  • Weiterentwicklung zu einem KI-basierten Chatbot auf Basis von LLMs (zunächst PATE, später AVERT)
  • AVERT ersetzt PATE und kombiniert Feedback mit Autorschaftsanalyse
  • Personalisiertes Feedback soll künftig direkt im Dialogkontext eingebunden werden

AP 5.2 KI-basierte Plagiatserkennung in der Programmierung

  • Entwicklung des Systems AVERT (Authorship Verification and Evaluation through Responsive Testing)
  • Nutzung eines Custom GPT mit:
    • Chain-of-Thought-Prompting
    • Sokratischer Fragelogik
    • Kontextverfolgung und Reflexionsmechanismus
  • Sitzungen werden protokolliert und den Lehrenden bereitgestellt
  • Simulierte Szenarien mit Studierendenprofilen: Anfänger, Fortgeschrittene, Erfahrene
  • Evaluation der Effektivität zur Plagiatserkennung bei KI-generiertem Code

AP 5.3 Vergleich Studierendengenerationen

  • Feinjustierung der GPT-Parameter für realistische Authentizität und Erkennung
  • Erstellung und Überarbeitung von Fragebögen für Studierende und Lehrende
  • Abstimmung der Pilotphase mit Beteiligten: Umfang, Zeitplan, Methodik
  • Ziel: Validierung der Wirksamkeit unter realen Bildungsbedingungen im SoSe 2025

Relevanz & Perspektiven

  • Herausforderung: Zunahme von KI-generiertem Code untergräbt klassische Plagiatsprüfung
  • Antwort: AVERT prüft Verständnis statt nur Code-Inhalte
  • Langfristiges Ziel: Förderung von Problemlösekompetenzen und Eigenständigkeit
  • Technischer Ausblick: Integration in LMS, adaptive Tutoring-Systeme, skalierbare KI-Fragelogik
  • Wirtschaftliche Anwendung: Perspektiven für Weiterbildung & Industrie (z. B. ethisches Coding)

Meilensteine

  • M5.1: Automatisches Feedback im Abgabeworkflow (Moodle/Git) – erreicht
  • M5.2: Entwicklung von Mustererkennung zur Plagiatsidentifikation – erreicht
  • Publikation: Vintila, F. (2024). AVERT: an LLM-Based Procedure that Interactively Verifies Code Authorship and Evaluates Student Understanding, IEEE ITHET 2024
  • M5.3: Vergleich Studierendengenerationen – teilweise erreicht
AVERT Prozessdarstellung

Abbildung: Prozessbeschreibung der KI-gestützten Plagiatserkennung durch AVERT

Verantwortliche für den Themenbereich

Prof. Dr. Peter Heusch
Dipl.-Ing. Florentin Vintila