Probabilistische Lernendenmodelle für adaptives, kompetenz-basiertes Lernen

Adaptive Lernumgebungen ermöglichen die Individualisierung durch die Analyse der Lernenden (learning analytics) und die Anpassung des Unterrichts an deren spezifische Bedürfnisse und Ziele. Es existiert bereits eine Vielzahl von Verfahren zur Analyse von Lernenden und Empfehlung/Anpassung von Lerninhalten (Zawacki-Richter et al., 2019).
Dieses Forschungsprojekt untersucht den Einsatz probabilistischer Lernendenmodelle zum Zwecke des kompetenzbasierten Lernens. Da die latenten Kompetenzen einer/s Lernenden nicht direkt gemessen werden können, ermöglichen probabilistische Lernendenmodelle (z. B. Dynamische Bayes’sche Netze) die Modellierung unserer ungewissen Einschätzungen über die sich ständig ändernden Kompetenzen einer Person. Informationen aus Lernaktivitäten („Evidenz“) können zur Aktualisierung des Lernendenmodells verwendet werden, während die Einschätzungen des Modells wiederum zur Erstellung personalisierter Unterrichtsinterventionen genutzt werden können – bspw. Lernpfadempfehlungen (Makro-Adaptivität), individualisiertes Feedback oder adaptive Schwierigkeitsanpassung von Aufgaben (Mikro-Adaptivität). Die Analyse des/der Lernenden und die Empfehlung von Interventionen bilden zusammen eine Schleife, die darauf abzielt, den/die Lernende in einem Zustand des „Flow“ zu halten und dabei gleichzeitig seine/ihre Kompetenz zu steigern.