19.11.2025

"AI for Advancing Instruction Challenge": Zweiter Platz für Team aus Tübingen und München

Forschung für mehr Unterrichtsqualität: Wie KI Unterrichtsvideos besser auswerten kann, untersuchte ein Forschendenteam bei der "AIAI-Challenge".

_{Von Rebecca Beiter}

Videoaufnahmen von Unterrichtssituationen liefern wertvolle Einblicke in den Unterricht eines Lehrers, die Interaktionen zwischen Schülern und die Dynamik im Klassenzimmer. Werden Unterrichtsvideos automatisiert analysiert, können Einblicke generiert werden, die Lehrkräfte dabei unterstützen, ihren Unterricht zu verbessern, und zeitnahes Feedback zu ihrem Unterricht erhalten. Eine KI-gestützte Auswertung von Unterrichtsvideos ist jedoch eine große Herausforderung, der sich der Wettbewerb “AIAI-Challenge” widmete. Die Forscher:innen Ivo Bueno, Ruikun Hou, Dr. Babette Bühler (TU München, Mitglieder des LEAD Graduate School & Research Network) sowie Dr. Tim Fütterer (Hector-Institut für Empirische Bildungsforschung & LEAD-Mitglied, Universität Tübingen) gewannen mit ihrem Ansatz den zweiten Platz. 

Wie vermittle ich Inhalte während des Unterrichts? Wie interagiere ich mit Schüler:innen und wie qualitativ hochwertig ist mein Unterricht? Auf Fragen wie diese bekommen Lehrkräfte selten Antworten. Unterrichtsvideos können unterstützen, denn sie liefern wertvolle Einblicke in den Unterricht, in die Interaktionen von Lehrkräften und Schüler:innen sowie in die Dynamik im Klassenzimmer. In den letzten Jahren haben die Nutzung von Unterrichtsvideos in der Lehrkräfteausbildung und die Erforschung von Unterrichtsqualität zwar zugenommen, die flächendeckende Nutzung von Unterrichtsvideos bleibt jedoch aufgrund des Zeit- und Ressourcenaufwands für die Bearbeitung und Analyse eine Herausforderung.

Der von AIAI und der University of Virginia geförderte und organisierte Wettbewerb “AIAI-Challenge” suchte nach Algorithmen zur automatisierten Kategorisierung von Unterrichtsbeobachtungsdaten. Die Teilnehmenden entwickelten Modelle des maschinellen Lernens, die den aufgezeichneten Unterricht anhand von Videos und anonymisierten Audioaufzeichnungen identifizieren. Aufgrund der Sensibilität der Unterrichtsvideodaten waren der Wettbewerb und die Daten nur für Teilnehmende von Forschungseinrichtungen unter strengen Datennutzungsvereinbarungen zugänglich. 

Das Projektteam nutzte die Unterrichtsaufzeichnungen, um zu testen, wie gut KI-Modelle bestimmte Handlungen in den Daten erkennen. Sehr gut konnten Modelle beispielsweise erkennen, ob eine Lehrkraft steht oder sitzt. Schwieriger war es für die Modelle unter anderem, zu identifizieren, ob sich Schüler:innen miteinander unterhalten oder ob eine Lehrkraft gerade eine:n Schüler:in unterstützt. Dr. Tim Fütterer war mit den Ergebnissen zufrieden: “Der Wettbewerb hat uns dabei geholfen, noch besser zu verstehen, welche Unterrichtsmerkmale KI-Modelle bereits sehr sicher korrekt identifizieren können und welche Modelle mit der Einordnung bestimmter Situationen im Klassenzimmer noch Schwierigkeiten haben. Das Wissen, dieses Grundlagentraining, nutzen wir direkt für weitere Forschungsprojekte, insbesondere im Projekt ETQ-AI.”

Details zur Challenge und den entwickelten Lösungen des Projektteams finden Sie unter: https://drivendata.co/blog/aiai-winners. 

Forschungsprojekte zu KI und Unterrichtsqualität am Hector-Institut für Empirische Bildungsforschung 

Ein Schwerpunktthema des Hector-Instituts für Empirische Bildungsforschung, an dem Dr. Tim Fütterer arbeitet, ist die Erforschung und Weiterentwicklung der Unterrichtsqualität. KI kann Referendar:innen und Lehrkräften dabei eine Unterstützung bieten – ein Themenfeld , dem sich gleich mehrere Forschungsprojekte widmen.

ETQ-AI – Mit KI-Feedback Unterrichtsqualität in Echtzeit verbessern.

ETQ-AI steht für “Enhancing Teaching Quality with Artificial Intelligence”. Das Projektteam erforscht die Verbesserung der Unterrichtsqualität durch künstliche Intelligenz und entwickelt ein KI-Feedbacksystem, das Lehrkräften in Echtzeit Rückmeldung zu ihrer Unterrichtsqualität gibt.
Zum Projekt ETQ-AI

INFER – Intelligentes Feedback-System zur Unterrichtsqualität

Das Projekt INFER entwickelt und erprobt intelligente Feedbacksysteme zur professionellen Unterrichtswahrnehmung für Lehramtsstudierende und Lehrkräfte. Mit Methoden der natürlichen Sprachverarbeitung (NLP) und des maschinellen Lernens (ML) geben die Systeme unmittelbares Feedback zur Wahrnehmung der Unterrichtsqualität.

Zum Projekt INFER

Medienkontakt

Rebecca Beiter
presse@lead.uni-tuebingen.de