Im August und September wurden die adaptiven mathematischen Trainings von den Vorkursstudierenden am Standort Mosbach zur Vertiefung des Erlernten genutzt. Als letzte Station eines jedem Vorkurstages konnten die Teilnehmenden für jeweils ca. eine Stunde die Trainings nutzen, um in ihrem individuellen Tempo und Schwierigkeitsgrad zu üben.

Nun steht die Vorstudienphase an der DHBW, der TH OWL und der HSBI an, wo Ada, die vom letzten Blogbeitrag bekannt ist, bereits eingesetzt wird und die Studierenden tatkräftig unterstützt. Um die Usability der Trainings weiter zu steigern wurden Nutzende qualitativ durch Daniel Rübel befragt. Die dort gewonnenen Erkenntnisse fließen dann bis zum nächsten Durchgang im kommenden Jahr in die Trainings mit ein.

Da der Herbst auch traditionell Tagungszeitraum ist wurden unsere Ergebnisse auch auf drei Workshops und Tagungen mit unterschiedlichem Hintergrund präsentiert: 

Zunächst gab es am 18.9./19.9. einen Vortrag mit dem Titel „Integration automatisierter Mathematiktrainings in Vorkurse und Einführungsvorlesungen“ auf dem 2. Workshop zu digitaler Lehre im Rahmen der Grundlagenausbildung in MINT-Fächern an Hochschulen an der HTW Berlin. Hier ging es insbesondere um die Beschreibung und didaktische Einbettung der verschiedenen Use-cases der adaptiven Trainings, die zu einem spannenden, fachdidaktischen Austausch mit den Teilnehmenden direkt nach dem Vortrag und auch im Nachgang führten.

Am 29. September ging es im Vortrag „An approach to implement user-based recommendation systems with small-sized data sets” auf dem 2. AI Transfer Congress in Heilbronn insbesondere um die grundlegende Herausforderung, wie KI-Methoden sinnvoll im Bildungsbereich genutzt werden können, obwohl es dort üblicherweise nur eine kleinere Menge an Nutzendendaten gibt. Ein entsprechender Weg wurde am Beispiel des Vorgehens bei den adaptiven Trainings vorgestellt.

Und im Dezember steht noch der Vortrag „Can Neural Networks Distinguish High-school Level Mathematical Concepts?“ auf der International Conference on Data Mining in Shanghai an, welches in Zusammenarbeit mit dem Data Science Chair der Universität Würzburg entstand. Dort geht es um die Frage, inwiefern mit Methoden der künstlichen Intelligenz automatisiert Ähnlichkeiten zwischen vorher unbekannten Mathematikaufgaben gefunden werden können. Sobald es gelingt, ausreichend deutliche Ähnlichkeiten zu identifizieren lässt sich das Empfehlungssystem für Mathematikaufgaben weiter optimieren, indem die Vorhersagen verbessert werden und neue Aufgaben leichter und ohne größeren Mehraufwand in das Empfehlungssystem integriert werden können.

Anschließend steht dann die Evaluation der diesjährigen Nutzungsdaten an, von denen wir uns erhoffen, dass sie weiteren Aufschluss darüber geben, wie sich die Empfehlungen innerhalb der Trainings noch weiter verbessern lassen.