Aufbau und iterative zielorientierte Entwicklung der technischen LA- und KI-Infrastruktur (AP 3a + AP 3b)

Schematische Darstellung der technischen Learning-Analytics-Infrastruktur im KNIGHT

Gesamtstruktur AP 3a + AP 3b – Learning Analytics & KI-Infrastruktur im KNIGHT-Projekt

AP 3a – Technische Learning Analytics Infrastruktur

AP 3a zielt auf den Aufbau und die iterative Weiterentwicklung einer technischen Infrastruktur für Learning Analytics, die eine evidenzbasierte Unterstützung für Studierende, Lehrende und Studienverantwortliche ermöglicht. Die untenstehende Abbildung veranschaulicht die zugrunde liegende Datenarchitektur im KNIGHT-Projekt: Durch die Integration unterschiedlicher Quellsysteme wie Moodle, Zoom oder VR-Plattformen, eine zentrale Datenspeicherung und den Einsatz von Visualisierungstools wie Grafana wird ein kontinuierlicher Feedbackprozess realisiert.

LA-Infrastruktur: Im Rahmen der LA-Infrastruktur werden…

  • lernbezogene Daten aus verschiedenen Quellen wie Moodle und VR erfasst, zentral gespeichert und ganzheitlich analysiert
  • auf Basis von gesammelten Daten Rückmeldungen an die Lernenden gegeben
  • die Wirksamkeit dieser Feedbacks auf Lernprozesse, Engagement und Motivation empirisch untersucht
LA Infrastruktur – Datenquellen

Datenfluss und Feedback-Mechanismus der LA-Infrastruktur

Digital Educational Mirror:

Einsatz des Excalibur-Plugins in Lehrveranstaltungen der Mathematik und Logistik. Bietet datengestütztes Feedback für Studierende zu ihrem Lernverhalten.

Alternative Umsetzung auf Basis von Grafana zur Überwindung technischer Limitierungen (z. B. Update-Intervalle, Visualisierungsoptionen).

Excalibur Studierenden-Dashboard

Excalibur – Studierendenansicht (Video Analytics, WiSe 2024/25)

Digital Educational Lecture Cockpit

Für Lehrende bietet das Lecture Cockpit aggregierte Nutzungsdaten und Visualisierungen zur datenbasierten Steuerung der Lehre.

Umgesetzt in Excalibur, mit geplanter Weiterentwicklung über Grafana-Dashboards.

Excalibur Lehrenden-Dashboard

Excalibur – Lehrendenansicht (Lecture Cockpit, WiSe 2024/25)

Digitaler Assistent zur Interaktionsanalyse

Analyse von VR-Interaktionen zur Unterstützung personalisierter Lernprozesse:

  • Erfassung und Analyse von Interaktionen in VR: Augenbewegungen, Gestik, Mimik, räumliche Nähe und Sprachverhalten
  • Adaptive Unterstützung individueller Lernprozesse und sozialer Gruppeninteraktionen
  • Einsatz von VIPAs (Virtuellen Intelligenten Pädagogischen Agenten)
Virtuelle pädagogische Agenten (VIPAs)

VIPA-Simulation in einer kollaborativen VR-Umgebung

Verantwortlich für AP 3a:

  • Prof. Dr. Dieter Uckelmann
  • Dr. Sunita Hirsch
  • Dr. Tatyana Podgayetskaya
  • Dr. Salam Traboulsi
  • Miguel Alejandro Munoz Gil
  • Dr. Muddsair Sharif

Publikationen für AP 3a:

  • Hirsch, S. & Uckelmann, D. (2024). Effective Feedback Systems in Learning Analytics. In: ITHET, IEEE. DOI: 10.1109/ITHET61869.2024.10837632
  • Hirsch, S., Uckelmann, D. & Podgayetskaya, T. (eingereicht). Understanding the Acceptance of Learning Analytics: The Role of Motivational and Self-Regulatory Factors.Journal of Technical Education (JOTED)
  • Hirsch, S., Traboulsi, S., & Uckelmann, D. (2025). Theory-based design of AI-driven virtual training systems. Artificial Intelligence in Education and Training (AIET), Springer Nature
  • Hirsch, S., & Uckelmann, D. (in process). Conditions for the Successful Implementation of Learning Analytics in Higher Education. In: Auer & May (Eds.), 2025 Yearbook, Springer
  • Hirsch, S., Uckelmann, D., & Sharif, M. (2025). Monitoring of Higher Education Dashboards. In: Springer Volume „Advanced Technology and the University of the Future“

AP 3b – Study Dean Cockpit & Monitoring

Im Arbeitspaket 3b wurde eine webbasierte Anwendung entwickelt, die als intelligentes Frühwarn- und Handlungssystem für Studiengangsleitungen dient.

Der Study Dean Copilot (SDC) verfolgt das Ziel, Studiengangsleitungen mithilfe datenbasierter Analysen frühzeitig auf kritische Entwicklungen im Studienverlauf aufmerksam zu machen und gezielte Unterstützungsmaßnahmen zu ermöglichen.

Im Fokus steht dabei keine abstrakte Learning-Analytics-Lösung, sondern eine konkrete, praxisnahe Anwendung zur Verbesserung des Studienerfolgs und der Organisation.

Das SDC wurde von Beginn an nicht als experimenteller Prototyp, sondern als produktionsreifes System konzipiert – mit stabiler Architektur, durchgehender CI/CD-Integration und moderner Infrastruktur, die auch für hohe Nutzerzahlen ausgelegt ist.

Darüber hinaus wurde das System einer umfassenden ethischen Analyse unterzogen. Die daraus abgeleiteten Anforderungen – insbesondere bezüglich Datenschutz, Transparenz und Verantwortlichkeit – führten zu gezielten Anpassungen in der Systemarchitektur, um eine vertrauenswürdige und verantwortungsvolle Nutzung sicherzustellen.

Übersicht aller Studierenden eines Studiengangs mit individuellem Fortschrittsbalken. Die Visualisierung zeigt den aktuellen Stand im Studium basierend auf bestandenen Modulen und Regelstudienzeit. Farbliche Markierungen weisen auf mögliche Unterstützungsbedarfe hin.

Study Dean Cockpit – Dashboard-Ansicht

Dashboard eines einzelnen Studierenden mit zentralen Kennzahlen und einer visuellen Darstellung des Studienfortschritts.

SDC-Dashboard-Ansicht

Produktionsreife Infrastruktur für hohe Lastanforderungen

SDC-Infra

Verantwortlich für AP 3b:

  • Prof. Dr. Dieter Uckelmann
  • Niko Jochim
  • Tim Herbst

Publikationen für Ap 3b:

Book Chapter: Weber, M.; Jochim, N. (2024). Implementing Ethical Considerations into AI-Supported Student Counselling – a Case Study; in: Uriel R. Cukierman, Michael Auer, Eduardo Vendrell (Hrsg.) Advanced Technologies and the University of the Future. Springer. https://link.springer.com/chapter/10.1007/978-3-031-71530-3_8