LLMath

Künstliche Intelligenz verändert zunehmend, wie Studierende in traditionellen universitären Lehrformaten lernen und arbeiten. Obwohl KI-Werkzeuge Studierenden immer häufiger zur Verfügung stehen, ist bislang nur begrenzt erforscht, wie solche Systeme in authentischen, längerfristigen Lernkontexten genutzt werden und wie sie Lernprozesse und Leistungen über die Zeit beeinflussen.

Häufig wird angenommen, dass das Formulieren hochwertiger Prompts ausreicht, um die Leistung und Genauigkeit solcher Werkzeuge zu maximieren. Deutlich weniger ist jedoch darüber bekannt, welche weiteren Faktoren eine Rolle spielen, etwa spezifische Hilfesuchstrategien, Formen der Selbstregulation oder die Art und Weise, wie sich diese Strategien im Verlauf eines Semesters verändern.

Insbesondere ist bislang wenig darüber bekannt,

• wie Studierende mit dem Lytris-Tutor Informationen suchen und dessen Nutzung regulieren, um Fortschritte beim Erwerb mathematischer Kompetenzen zu erzielen;
• welche domänenspezifischen und domänenübergreifenden Lernstrategien sie dabei einsetzen und wie sich diese im Laufe eines Semesters entwickeln;
• welche Merkmale der Interaktion zwischen Studierenden und KI langfristigen Lernfortschritt vorhersagen können.
   

Das Projekt folgt einem längsschnittlichen Forschungsdesign und erhebt lernbezogene Daten über mehrere Mathematikveranstaltungen hinweg im Verlauf eines Semesters.

Die Studierenden nutzen eine digitale Lernplattform, die verschiedene Formen KI-gestützter Interaktion bereitstellt, darunter:

• offene Chat-Interaktionen mit einem tutorähnlichen KI-Assistenten,
• kurze Multiple-Choice-Quizze zur Selbsteinschätzung und Wissensüberprüfung,
• Unterstützung bei der Bearbeitung verpflichtender Übungsblätter, die die Vorlesungen begleiten.

Zur Analyse der entstehenden Gesprächsdaten kombinieren wir theoriegeleitete und datengetriebene Ansätze. Mithilfe KI-gestützter Verfahren und epistemischer Netzwerkanalysen untersuchen wir, wie Studierende zwischen unterschiedlichen Hilfesuchstrategien wechseln, beispielsweise von ergebnisorientierter Antwortsuche hin zu stärker verständnisorientierten Strategien. Zudem analysieren wir ihre Selbstregulation und Agency bei der Nutzung des Systems sowie ihre domänenspezifischen Aktivitäten auf Grundlage relevanter mathematikdidaktischer Rahmenmodelle.

Darüber hinaus untersuchen wir, wie unterschiedliche Scaffolding-Strategien des KI-Tutors diese Interaktionsmuster beeinflussen und wie diese Muster wiederum mit individuellen Lernverlaufsbahnen zusammenhängen. Die erhobenen Interaktions- und Lerndaten werden analysiert, um besser zu verstehen, wie Studierende KI-Werkzeuge in realen Lernsituationen nutzen, wie sich ihre Nutzungsmuster über die Zeit entwickeln und wie diese Muster mit Engagement und Studienerfolg zusammenhängen.