Informatik-Kolloquien
365. Informatik-Kolloquium
Öffentliche Verteidigung im Rahmen des Promotionsverfahrens
Herr M.Sc. Alexander Pögelt
TU Chemnitz
Fakultät für Informatik
Professur Technische Informatik
"Individualisierte E-Mentoringinterventionen in der Hochschulbildung"
Donnerstag, 04.06.2026, 13:00 Uhr, Straße der Nationen 62, Böttcher-Bau, A12.336 (alt: 1/336)
Alle interessierten Personen sind herzlich eingeladen!
Abstract
Der Vortrag befasst sich mit der Entwicklung und Evaluierung eines individualisierten E-Mentoring-Empfehlungssystems für die Hochschulbildung.
Das Ziel ist es, der zunehmenden Vielfalt der Studierendenpopulationen und der daraus resultierenden Notwendigkeit systematischer, individuell zugeschnittener Unterstützung der Lernprozesse durch die Bereitstellung skalierbarer Lernumgebungen gerecht zu werden.
In solchen Lernumgebungen werden Lehrende im Zuge einer als ideal angesehenen Hochschul-Mentoringbeziehung systematisch dabei unterstützt, Studierende durch die individualisierte Empfehlung relevanter Lernobjekte zu fördern.
Im entwickelten E-Mentoring-Empfehlungssystem wird die systematische Unterstützung durch die Berücksichtigung bildungswissenschaftlicher Theorien wie dem Constructive Alignment und der Nutzung von anerkannten Lernzieltaxonomien ermöglicht.
Die Relevanz von Lernobjekten bezieht sich dabei neben diesen fachlichen Auswahlaspekten auch auf affektive Zustände von Studierenden. Dazu werden im Empfehlungssystem psychophysiologische Daten und daraus abgeleitete Erregungsniveaus verarbeitet.
Kern des Empfehlungssystems ist ein Reinforcement-Learning-Agent, der über die Auswahl relevanter Lernobjekte entscheidet.
Theoretisches Fundament ist die Modellierung als Markov-Entscheidungsprozess, in dessen Zustandsraum die dynamische Entwicklung der Wissensstände der Lernenden, elektrodermale Erregungsniveaus sowie durch Hochschullehrende variabel vorgegebene Lernziele integriert werden.
Der Aktionsraum repräsentiert die Lernobjekte, deren Auswahl durch den Entscheidungsprozess entsprechend der zu erwartenden Relevanz belohnt wird.
Auf Basis dieser Modellierung werden die Parameter eines Reinforcement-Learning-Agenten trainiert, um eine möglichst optimale Strategie zur Auswahl relevanter Lernobjekte zu entwickeln.
Die Arbeit untersucht hierbei sowohl diskrete als auch kontinuierliche Aktionsräume und nutzt mehrere Teilbelohnungsfunktionen, die es Lehrenden gestatten, das Systemverhalten an ihre jeweiligen didaktischen Prioritäten anzupassen.
Empirische Studien mit synthetischen und realen Daten einschließlich eines Datensatzes aus einem Erstsemesterkurs der HTWK Leipzig zeigen, dass der diskrete Aktionsraum durchweg besser abschneidet als der kontinuierliche Ansatz. Das System erreicht insgesamt eine robuste Leistung in der Empfehlung relevanter Lernobjekte, die auf die Kompetenzen der Lernenden und die aktuellen Teillernziele abgestimmt sind.
Die Ergebnisse unterstreichen das Potenzial von adaptiven Systemen in der Hochschulbildung und bilden eine Grundlage für skalierbare, datengesteuerte Interventionen, die darauf abzielen, individuelle Lernverläufe zu verbessern.
Der präsentierte Ansatz zeigt dabei einen konkreten Nutzen, indem Hochschullehrende im täglichen Lehralltag durch die automatisierte Auswahl und Bereitstellung geeigneter Lernobjekte entlastet werden, während Studierende zugleich von einem auf ihre Lernbedürfnisse abgestimmten Lernprozess profitieren.
