Ein Versuch, bei dem angehende Lehrer, denen beigebracht wurde, Schüler mit potenziellen Lernschwierigkeiten zu identifizieren, ihre Arbeit durch künstliche Intelligenz „markieren“ ließen, hat ergeben, dass der Ansatz ihre Argumentation erheblich verbessert hat.
Die Studie mit 178 angehenden Lehrkräften in Deutschland wurde von einem Forschungsteam unter der Leitung von Wissenschaftlern der University of Cambridge und der Ludwig-Maximilians-Universität München (LMU München) durchgeführt. Es liefert einige der ersten Beweise dafür, dass künstliche Intelligenz (KI) das „diagnostische Denken“ von Lehrern verbessern könnte: die Fähigkeit, Beweise über einen Schüler zu sammeln und zu bewerten und angemessene Schlussfolgerungen zu ziehen, damit sie maßgeschneiderte Unterstützung erhalten können.
Während des Versuchs wurden die Auszubildenden gebeten, sechs fiktive „simulierte“ Schüler mit potenziellen Lernschwierigkeiten zu beurteilen. Sie erhielten Beispiele für ihre Schularbeiten sowie weitere Informationen wie Verhaltensaufzeichnungen und Transkriptionen von Gesprächen mit den Eltern. Sie mussten dann entscheiden, ob jeder Schüler Lernschwierigkeiten wie Legasthenie oder Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) hatte oder nicht, und ihre Argumentation erläutern.
Unmittelbar nach Abgabe ihrer Antworten erhielt die Hälfte der Auszubildenden eine vorab von einem qualifizierten Fachmann verfasste Prototyp-„Expertenlösung“ zum Vergleich mit ihrer eigenen. Dies ist typisch für das Übungsmaterial, das Lehramtsstudierende normalerweise außerhalb des Unterrichts erhalten. Die anderen erhielten KI-generiertes Feedback, das die richtigen Teile ihrer Lösung hervorhob und Aspekte hervorhob, die sie möglicherweise verbessert hätten.
Nach Abschluss der sechs vorbereitenden Übungen absolvierten die Auszubildenden zwei ähnliche Folgetests – diesmal ohne Feedback. Die Tests wurden von den Forschern bewertet, die sowohl ihre „diagnostische Genauigkeit“ (ob die Auszubildenden Fälle von Legasthenie oder ADHS korrekt identifiziert hatten) als auch ihre diagnostische Argumentation bewerteten: wie gut sie die verfügbaren Beweise genutzt hatten, um diese Beurteilung zu treffen.
Die durchschnittliche Punktzahl für diagnostisches Denken unter den Auszubildenden, die während der sechs Vorübungen KI-Feedback erhalten hatten, war schätzungsweise 10 Prozentpunkte höher als diejenigen, die mit den vorgefertigten Expertenlösungen gearbeitet hatten.
Der Grund dafür könnte in der „adaptiven“ Natur der KI liegen. Da es die eigene Arbeit der angehenden Lehrkräfte analysierte, anstatt sie zu bitten, sie mit einer Expertenversion zu vergleichen, glauben die Forscher, dass das Feedback klarer war. Es gibt daher keine Beweise dafür, dass KI dieser Art das Eins-zu-eins-Feedback eines menschlichen Tutors oder eines hochqualifizierten Mentors verbessern würde, aber die Forscher weisen darauf hin, dass eine solch enge Unterstützung für angehende Lehrer nicht immer ohne Weiteres zur Wiederholung verfügbar ist üben, insbesondere auf größeren Kursen.
Die Studie war Teil eines Forschungsprojekts im Rahmen der Cambridge LMU Strategic Partnership. Die KI wurde mit Unterstützung eines Teams der Technischen Universität Darmstadt entwickelt.
Riikka Hofmann, außerordentliche Professorin an der Fakultät für Erziehungswissenschaften der Universität Cambridge, sagte: „Lehrkräfte spielen eine entscheidende Rolle, wenn es darum geht, die Anzeichen von Störungen und Lernschwierigkeiten bei Schülern zu erkennen und sie an Spezialisten zu verweisen. Leider haben viele von ihnen auch das Gefühl, dass sie es getan haben.“ Das Niveau der personalisierten Anleitung angehender Lehrkräfte in Deutschkursen ist anders als in Großbritannien, aber in beiden Fällen ist es möglich, dass KI ein zusätzliches Maß an individuellem Feedback bieten könnte, um ihnen bei der Entwicklung dieser wesentlichen Kompetenzen zu helfen .“
Dr. Michael Sailer von der LMU München sagte: „Natürlich argumentieren wir nicht, dass KI die Lehrerausbilder ersetzen sollte: Neue Lehrer brauchen immer noch fachkundige Anleitung, wie sie Lernschwierigkeiten überhaupt erkennen können. Es scheint jedoch, dass KI -generiertes Feedback half diesen Auszubildenden, sich auf das zu konzentrieren, was sie wirklich lernen mussten. Wo persönliches Feedback nicht ohne weiteres verfügbar ist, könnte es ein effektiver Ersatz sein.“
Die Studie verwendete ein natürliches Sprachverarbeitungssystem: ein künstliches neuronales Netzwerk, das in der Lage ist, die menschliche Sprache zu analysieren und bestimmte Sätze, Ideen, Hypothesen oder Bewertungen im Text der Auszubildenden zu erkennen.
Es wurde unter Verwendung der Antworten einer früheren Kohorte von Lehramtsstudierenden auf eine ähnliche Übung erstellt. Durch die Segmentierung und Codierung dieser Antworten „trainierte“ das Team das System, um das Vorhandensein oder Fehlen von Schlüsselpunkten in den Lösungen zu erkennen, die von den Auszubildenden während des Versuchs bereitgestellt wurden. Das System wählte dann vorgefertigte Textblöcke aus, um den Teilnehmern entsprechendes Feedback zu geben.
Sowohl bei den Vorbereitungsübungen als auch bei den Nachbereitungsaufgaben wurden die Versuchsteilnehmer entweder einzeln oder zufällig ausgewählten Paaren zugeteilt. Diejenigen, die alleine arbeiteten und während der vorbereitenden Übungen Expertenlösungen erhielten, erzielten bei den Folgeaufgaben durchschnittlich 33 % für ihr diagnostisches Argumentieren. Im Gegensatz dazu erreichten diejenigen, die KI-Feedback erhalten hatten, 43 %. Ebenso betrug die durchschnittliche Punktzahl der paarweise arbeitenden Auszubildenden 35 %, wenn sie die Expertenlösung erhalten hatten, aber 45 %, wenn sie Unterstützung von der KI erhalten hatten.
Das Training mit der KI schien keinen großen Einfluss auf ihre Fähigkeit zu haben, die simulierten Schüler richtig zu diagnostizieren. Stattdessen scheint es einen Unterschied gemacht zu haben, indem es den Lehrern geholfen hat, die verschiedenen Informationsquellen zu durchforsten, die sie lesen sollten, und spezifische Beweise für potenzielle Lernschwierigkeiten zu liefern. Dies ist die wichtigste Fähigkeit, die die meisten Lehrer tatsächlich im Klassenzimmer benötigen: Die Aufgabe, Schüler zu diagnostizieren, fällt Sonderpädagogen, Schulpsychologen und Medizinern zu. Lehrer müssen in der Lage sein, ihre Beobachtungen an Fachleute weiterzugeben und zu belegen, wenn sie Bedenken haben, um Schülern den Zugang zu angemessener Unterstützung zu erleichtern.
Inwieweit KI umfassender eingesetzt werden könnte, um die logischen Fähigkeiten von Lehrern zu unterstützen, bleibt eine offene Frage, aber das Forschungsteam hofft, weitere Studien durchführen zu können, um die Mechanismen zu untersuchen, die sie in diesem Fall effektiv gemacht haben, und dieses breitere Potenzial zu bewerten.
Frank Fischer, Professor für Pädagogik und Pädagogische Psychologie an der LMU München, sagte: „In großen Trainingsprogrammen, die in Bereichen wie der Lehrerbildung oder der medizinischen Ausbildung weit verbreitet sind, könnte der Einsatz von KI zur Unterstützung von simulationsbasiertem Lernen einen echten Wert haben Die Implementierung komplexer Tools zur Verarbeitung natürlicher Sprache für diesen Zweck erfordert Zeit und Mühe, aber wenn es hilft, die logischen Fähigkeiten zukünftiger Kohorten von Fachleuten zu verbessern, kann es sich als die Investition durchaus lohnen.“
Die Forschung ist veröffentlicht in Lernen und Unterrichten.
Adaptives Feedback von künstlichen neuronalen Netzwerken erleichtert das diagnostische Denken von Lehrkräften im Rahmen des simulationsbasierten Lernens, Lernen und Unterrichten (2022). DOI: 10.1016/j.learninstruc.2022.101620