Skip to content
GitLab
Commit 4fe3c6ed authored by Traboulsi's avatar Traboulsi
Browse files

Update public/personalisiertes-lernen.html, public/assets/img/AVERT-ST.png

parent 22a6daf7
Pipeline #11414 passed with stage
in 11 seconds
Hide whitespace changes
Inline Side-by-side
public/personalisiertes-lernen.html
View file @ 4fe3c6ed
...@@ -42,75 +42,88 @@ ...@@ -42,75 +42,88 @@
<!-- Main Content --> <!-- Main Content -->
<main> <main>
<section class="container"> <section class="container my-5 item-red " >
<!-- Optional Intro Section if needed --> <header class="mb-4">
</section> <h1 class="display-4"> Personalisiertes Lernen in der Programmierung </h1>
<hr class="mt-2 mb-4" />
</header>
<article class="mb-5">
<h2>AP 5.1 Personalisiertes Lernen in der Programmierung</h2>
<ul>
<li>Initiale Umsetzung durch automatisierte E-Mail-Rückmeldungen bei Git-Commits</li>
<li>Weiterentwicklung zu einem KI-basierten Chatbot auf Basis von LLMs (zunächst PATE, später AVERT)</li>
<li>AVERT ersetzt PATE und kombiniert Feedback mit Autorschaftsanalyse</li>
<li>Personalisiertes Feedback soll künftig direkt im Dialogkontext eingebunden werden</li>
</ul>
</article>
<article class="mb-5">
<h2> AP 5.2 KI-basierte Plagiatserkennung in der Programmierung</h2>
<ul>
<li>Entwicklung des Systems <strong>AVERT</strong> (Authorship Verification and Evaluation through Responsive Testing)</li>
<li>Nutzung eines Custom GPT mit:
<ul>
<li>Chain-of-Thought-Prompting</li>
<li>Sokratischer Fragelogik</li>
<li>Kontextverfolgung und Reflexionsmechanismus</li>
</ul>
</li>
<li>Sitzungen werden protokolliert und den Lehrenden bereitgestellt</li>
<li>Simulierte Szenarien mit Studierendenprofilen: Anfänger, Fortgeschrittene, Erfahrene</li>
<li>Evaluation der Effektivität zur Plagiatserkennung bei KI-generiertem Code</li>
</ul>
<section class="container"> <div class="image-frame my-4">
<div> <img src="assets/img/plagiatserkennung.png" alt="AVERT Prozessdarstellung" class="img-fluid">
<h1>Personalisiertes Lernen in der Programmierung</h1> </div>
<p> <p class="fst-italic text-center">Abbildung: Prozessbeschreibung der KI-gestützten Plagiatserkennung durch AVERT</p>
<h3>AP 5.1 Personalisiertes Lernen in der Programmierung</h3> </article>
<ul>
<li>Initiale Umsetzung durch automatisierte E-Mail-Rückmeldungen bei Git-Commits</li>
<li>Weiterentwicklung zu einem KI-basierten Chatbot auf Basis von LLMs (zunächst PATE, später AVERT)</li>
<li>AVERT ersetzt PATE und kombiniert Feedback mit Autorschaftsanalyse</li>
<li>Personalisiertes Feedback soll künftig direkt im Dialogkontext eingebunden werden</li>
</ul>
<h3>AP 5.2 KI-basierte Plagiatserkennung in der Programmierung</h3> <article class="mb-5">
<ul> <h2>AP 5.3 Vergleich Studierendengenerationen</h2>
<li>Entwicklung des Systems <strong>AVERT</strong> (Authorship Verification and Evaluation through Responsive Testing)</li> <ul>
<li>Nutzung eines Custom GPT mit: <li>Feinjustierung der GPT-Parameter für realistische Authentizität und Erkennung</li>
<li>Erstellung und Überarbeitung von Fragebögen für Studierende und Lehrende</li>
<li>Abstimmung der Pilotphase mit Beteiligten: Umfang, Zeitplan, Methodik</li>
<li>Ziel: Validierung der Wirksamkeit unter realen Bildungsbedingungen im SoSe 2025</li>
</ul>
</article>
<article class="mb-5">
<h2>Relevanz & Perspektiven</h2>
<ul> <ul>
<li>Chain-of-Thought-Prompting</li> <li><strong>Herausforderung:</strong> Zunahme von KI-generiertem Code untergräbt klassische Plagiatsprüfung</li>
<li>Sokratischer Fragelogik</li> <li><strong>Antwort:</strong> AVERT prüft Verständnis statt nur Code-Inhalte</li>
<li>Kontextverfolgung und Reflexionsmechanismus</li> <li><strong>Langfristiges Ziel:</strong> Förderung von Problemlösekompetenzen und Eigenständigkeit</li>
<li><strong>Technischer Ausblick:</strong> Integration in LMS, adaptive Tutoring-Systeme, skalierbare KI-Fragelogik</li>
<li><strong>Wirtschaftliche Anwendung:</strong> Perspektiven für Weiterbildung & Industrie (z. B. ethisches Coding)</li>
</ul> </ul>
</li> </article>
<li>Sitzungen werden protokolliert und den Lehrenden bereitgestellt</li>
<li>Simulierte Szenarien mit Studierendenprofilen: Anfänger, Fortgeschrittene, Erfahrene</li>
<li>Evaluation der Effektivität zur Plagiatserkennung bei KI-generiertem Code</li>
</ul>
<h3>AP 5.3 Vergleich Studierendengenerationen</h3> <article class="mb-5">
<ul> <h2>Meilensteine</h2>
<li>Feinjustierung der GPT-Parameter für realistische Authentizität und Erkennung</li> <ul>
<li>Erstellung und Überarbeitung von Fragebögen für Studierende und Lehrende</li> <li>M5.1: Automatisches Feedback im Abgabeworkflow (Moodle/Git) – <strong>erreicht</strong></li>
<li>Abstimmung der Pilotphase mit Beteiligten: Umfang, Zeitplan, Methodik</li> <li>M5.2: Entwicklung von Mustererkennung zur Plagiatsidentifikation – <strong>erreicht</strong></li>
<li>Ziel: Validierung der Wirksamkeit unter realen Bildungsbedingungen im SoSe 2025</li> <li>
</ul> <strong>Publikation:</strong> Vintila, F. (2024). <i>AVERT: an LLM-Based Procedure that Interactively Verifies Code Authorship and Evaluates Student Understanding</i>,
<a href="https://doi.org/10.1109/ITHET59629.2024.1234567" target="_blank">IEEE ITHET 2024</a>
</li>
<li>M5.3: Vergleich Studierendengenerationen – <strong>teilweise erreicht</strong></li>
</ul>
</article>
<h3>Relevanz & Perspektiven</h3>
<ul>
<li><strong>Herausforderung:</strong> Zunahme von KI-generiertem Code untergräbt klassische Plagiatsprüfung</li>
<li><strong>Antwort:</strong> AVERT prüft Verständnis statt nur Code-Inhalte</li>
<li><strong>Langfristiges Ziel:</strong> Förderung von Problemlösekompetenzen und Eigenständigkeit</li>
<li><strong>Technischer Ausblick:</strong> Integration in LMS, adaptive Tutoring-Systeme, skalierbare KI-Fragelogik</li>
<li><strong>Wirtschaftliche Anwendung:</strong> Perspektiven für Weiterbildung & Industrie (z. B. ethisches Coding)</li>
</ul>
<h3>Meilensteine</h3> <div>
<ul> <h3>Verantwortliche für den Themenbereich</h3>
<li>M5.1: Automatisches Feedback im Abgabeworkflow (Moodle/Git) – <strong>erreicht</strong></li> <p>
<li>M5.2: Entwicklung von Mustererkennung zur Plagiatsidentifikation – <strong>erreicht</strong></li> Prof. Dr. Peter Heusch<br>
<li> Dipl.-Ing. Florentin Vintila
<strong>Publikation:</strong> Vintila, F. (2024). <i>AVERT: an LLM-Based Procedure that Interactively Verifies Code Authorship and Evaluates Student Understanding</i>, </p>
<a href="https://doi.org/10.1109/ITHET59629.2024.1234567" target="_blank">IEEE ITHET 2024</a> </div>
</li>
<li>M5.3: Vergleich Studierendengenerationen – <strong>teilweise erreicht</strong></li>
</ul>
<div class="image-frame my-4">
<img src="assets/img/plagiatserkennung.png" alt="AVERT Prozessdarstellung" class="img-fluid">
<p class="fst-italic text-center">Abbildung: Prozessbeschreibung der KI-gestützten Plagiatserkennung durch AVERT</p>
</div>
<h3>Verantwortliche für den Themenbereich</h3>
<p>
Prof. Dr. Peter Heusch<br>
Dipl.-Ing. Florentin Vintila
</p>
</div>
</section> </section>
......
Supports Markdown
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment

Dies ist die Gitlab-Instanz des Transferportals der Hochschule für Technik Stuttgart. Hier geht es zurück zum Portal