<h1>Personalisiertes Lernen in der Programmierung</h1>
<p>Auf der Seite „Personalisiertes Lernen in der Programmierung“ wird erläutert, wie KI-basierte Ansätze eingesetzt werden, um Lerninhalte und Aufgaben individuell auf den Fortschritt der Studierenden abzustimmen. Besucher erfahren, wie diese personalisierten Lernangebote entwickelt werden, um den unterschiedlichen Lernbedürfnissen gerecht zu werden und die Effektivität des Lernens zu steigern.</p>
</section>
<main>
<sectionclass="container">
<!-- Optional Intro Section if needed -->
</section>
<!-- Section 2: Beschreibung des Themas -->
<sectionclass="mb-5"data-aos="fade-up">
<h2>Beschreibung des Themas</h2>
<p>Wir entwickeln und implementieren PATE, einen fortschrittlichen KI-Chatbot, der auf großen Sprachmodellen (LLM) basiert und Studierende proaktiv bei der Lösung von Programmieraufgaben unterstützt. PATE nutzt die fortschrittlichen Fähigkeiten großer Sprachmodelle, um die Ansätze der Studierenden bei Programmieraufgaben zu identifizieren und zu analysieren, um so relevante und kontextbezogene Antworten zu generieren.</p>
</section>
<sectionclass="container">
<div>
<h1>Personalisiertes Lernen in der Programmierung</h1>
<p>
<h3>AP 5.1 Personalisiertes Lernen in der Programmierung</h3>
<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>
<!-- Section 3: Konzeptabbildung - AVERT -->
<sectionclass="mb-5"data-aos="fade-up">
<h2>Konzeptabbildung: AVERT</h2>
<p>Eine bedeutende Erweiterung von PATE ist AVERT (Authorship Verification and Evaluation through Responsive Testing), eine Schlüsselkomponente zur Überprüfung der Urheberschaft eingereichter Programmieraufgaben. AVERT verstärkt die akademische Integrität und fördert interaktives Lernen, indem es Studierende durch maßgeschneiderte Dialoge aktiv einbezieht. Diese Dialoge bewerten das Verständnis der Studierenden für die Programmieraufgaben und adressieren die Hauptursachen für akademische Unehrlichkeit wie Motivationsdefizite und mangelndes Fachverständnis. AVERT stellt dynamisch zielgerichtete Fragen basierend auf den Einreichungen der Studierenden und bestätigt durch deren Antworten das echte Verständnis der Aufgaben.
<h3>AP 5.2 KI-basierte Plagiatserkennung in der Programmierung</h3>
<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 4: Was bieten wir im Rahmender Hochschule an -->
<sectionclass="mb-5"data-aos="fade-up">
<h2>Was bieten wir im Rahmen der Hochschule an</h2>
<p>PATE und AVERT bieten aufgrund ihrer adaptiven Technologie eine individualisierte Interaktion, die es ermöglicht, strukturierte und personalisierte Inhalte anzubieten. Diese Systeme fördern durch direktes Feedback und interaktive Dialoge nicht nur die Problemlösungsfähigkeiten und analytischen Kompetenzen der Studierenden, sondern tragen auch dazu bei, ein tieferes und engagierteres Lernerlebnis zu schaffen.</p>
<p>
Zum Beispiel wird bei Programmieraufgaben, die den initialen Test bestehen, mittels AVERT die Originalität überprüft. Die Ergebnisse werden nicht nur den Studierenden mitgeteilt, sondern auch an die Lehrenden weitergeleitet. Falls ein Studierender nicht nachweisen kann, dass er den Code verstanden hat, bietet AVERT ihm die Möglichkeit, den Code oder Teile davon nachzubearbeiten. Dies geschieht nach demselben Prozess wie bei Aufgaben, die den Test nicht bestanden haben.
<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>
<p>
Darüber hinaus hilft AVERT den Studierenden, die Kernpunkte einer Aufgabe zu verstehen und ihre Gedanken zur Problemlösung zu strukturieren, indem es relevante Informationen und Ressourcen bereitstellt. Durch personalisierte Anleitung werden die Studierenden dazu angeleitet, den Code so zu schreiben, dass er die Tests besteht, wobei der Chatbot darauf ausgelegt ist, Unterstützung zu geben, ohne direkten Code bereitzustellen.
</p>
<p> Diese umfassende Unterstützung verbessert nicht nur die Lernergebnisse, sondern fördert auch eine Kultur der Integrität und Zusammenarbeit unter den Studierenden.
</p>
<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>
</section>
<h3>Meilensteine</h3>
<ul>
<li>M5.1: Automatisches Feedback im Abgabeworkflow (Moodle/Git) – <strong>erreicht</strong></li>
<li>M5.2: Entwicklung von Mustererkennung zur Plagiatsidentifikation – <strong>erreicht</strong></li>
<li>
<strong>Publikation:</strong> Vintila, F. (2024). <i>AVERT: an LLM-Based Procedure that Interactively Verifies Code Authorship and Evaluates Student Understanding</i>,
