Update public/personalisiertes-lernen.html, public/assets/img/ap5-gehirn.png

public/personalisiertes-lernen.html

@@ -44,10 +44,12 @@
   <main>
      <section class="container my-5 item-red " >
       <header class="mb-4">
-        <h1 class="display-4"> Personalisiertes Lernen in der Programmierung </h1>
+        <h1 class="display-4"> KI‑gestützte fachspezifische Umsetzung in der Programmierung</h1>
         <hr class="mt-2 mb-4" />
       </header>
       <article class="mb-5">
+        <h2>Projektziel</h2>
+        <p> Entwicklung eines Systems, das Studierende bei Programmieraufgaben personalisiert unterstützt und zugleich die Plagiatserkennung erleichtert.</p>
          <div class="image-frame">
           <img src="assets/img/AVERT-ST.png" alt="KNIGHT Projektübersicht" class="img-fluid">
            </div>
@@ -55,15 +57,64 @@
          
         </article>
     
-      <article class="mb-5">
-      <h2>AP 5.1 Personalisiertes Lernen in der Programmierung</h2>
+     
+
+
+      <article class="mb-5 flex items-start space-x-4">
+      <!-- Firmenlogo -->
+      <img src="ap5-gehirn.png" alt="Firmenlogo" class="w-16 h-16 object-contain mt-1" />
+
+      <!-- Textinhalt -->
+      <div>
+        <h2>AVERT (Authorship Verification and Evaluation through Responsive Testing)</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>
+          <li>
+            AVERT begegnet den Projekt­herausforderungen, indem es von einer herkömmlichen, muster­basierten Plagiats­erkennung zu einem
+            <strong>interaktiven, sokratischen Frage­ansatz</strong> übergeht.
+          </li>
+          <li>
+            Durch den Einsatz <strong>großer Sprach­modelle (LLMs)</strong> passt AVERT seine Fragen dynamisch an, um das
+            <strong>Verständnis der Studierenden</strong> für den eingereichten Code zu evaluieren.
+          </li>
+          <li>
+            Dieses Verfahren stärkt die <strong>akademische Integrität</strong> und ermöglicht zugleich
+            <strong>personalisierte Rückmeldungen</strong>, wodurch eine skalierbare und didaktisch effektive Lösung entsteht.
+          </li>
         </ul>
-      </article>
+      </div>
+    </article>
+
+    <!-- debut -->
+
+<article class="mb-5">
+      <div class="row">
+        <div class="col-md-6 d-flex flex-column h-100">
+          <h3>Anwendungsprozess</h3>
+          <p>...........</p>
+          
+
+        </div>
+        <div class="col-md-6 d-flex flex-column h-100">
+          <h3>Bild</h3>
+         
+        </div>
+      </div>
+    </article>
+
+    <!-- fin--> 
+
+
+
+
+
+
+
+
+
+
+
+
+
 
       <article class="mb-5">
       <h2> AP 5.2 KI-basierte Plagiatserkennung in der Programmierung</h2>