Lehrende und Mitarbeitende der Fachhochschule Erfurt waren am 22.05.2024 herzlich eingeladen, aktiver Teil unserer Forschungsarbeit zu werden. Dazu haben wir in Kooperation mit dem Zentrum für Qualitätsforschung eine lehrBAR organisiert, um unser Team und unser Forschungsprojekt vorzustellen.

Die Veranstaltung wurde in einer hybriden Form durchgeführt und wir waren sehr erfreut, 16 Teilnehmer:innen aus den unterschiedlichsten Fachbereichen vor Ort sowie online begrüßen zu dürfen.

Einführung in die künstliche Intelligenz

Zu Beginn vermittelten wir den Teilnehmenden einige Grundlagen im Bereich der künstlichen Intelligenz und versuchten durch die Vorstellung verschiedener KI-Tools neue Impulse zu setzen. Spannend waren vor allem die Neuerungen im Bereich der Dialogführung mit einer KI, die durch die Veröffentlichung von ChatGPT 4o zum Tragen kamen. Beleuchtet wurden außerdem Themen des wissenschaftlichen Arbeitens sowie der Umgang mit KI in der Forschung und Lehre. Mit der Fragestellung "Was ist eigentlich KI?" erhielten die Teilnehmenden eine kurze Einführung in die Bereiche des maschinellen Lernens und wichtige Begrifflichkeiten wurden geklärt. 

Was macht ChatGPT so besonders?

In einer Zeit, in der künstliche Intelligenz zunehmend unseren Alltag durchdringt, sticht eine Technologie besonders hervor: ChatGPT. Entwickelt von OpenAI, hat ChatGPT in kürzester Zeit beeindruckende Fortschritte erzielt und die Art und Weise revolutioniert, wie Menschen mit Maschinen interagieren. Aber was macht ChatGPT so besonders? Von seiner Fähigkeit, menschenähnliche Konversationen zu führen, über seine Vielseitigkeit in der Anwendung bis hin zu den ethischen Überlegungen, die seine Nutzung begleiten – wir werfen einen Blick auf die Technologie, die die Zukunft der Kommunikation prägt.

Art des Trainings:

Ein bedeutender Aspekt von ChatGPT ist das Training mittels Reinforcement Learning from Human Feedback (RLHF). Diese Methode kombiniert maschinelles Lernen mit menschlichem Feedback, um die generierten Antworten zu verfeinern und zu optimieren. Durch RLHF kann das Modell fortlaufend lernen und sich verbessern, indem es Rückmeldungen von menschlichen Trainern erhält, die als Qualitätskontrolle dienen. Diese Rückkopplungsschleife ermöglicht es dem Modell, nicht nur grammatikalisch korrekte, sondern auch kontextuell passende und nützliche Antworten zu liefern.

Struktur und Architektur:

Die Architektur von ChatGPT basiert auf der Transformer-Struktur, die es dem Modell erlaubt, komplexe Wort-Beziehungen zu lernen und zu verstehen. Ein zentrales Element dieser Struktur ist die Attention-Funktion, die sicherstellt, dass das Modell relevante Teile der Eingabedaten fokussiert. Dies ermöglicht eine effektive Verarbeitung und Generierung von Texten, da die Attention-Funktion dynamisch entscheidet, welche Informationen in welchem Maß für die jeweilige Aufgabe wichtig sind. Diese Fähigkeit, Aufmerksamkeit zu lenken, ist entscheidend für das tiefgehende Verständnis und die Kohärenz der generierten Texte.

Herausforderungen und Lösungsansätze

Ein elementares Hindernis bei der Textgenerierung, wie es bei ChatGPT der Fall ist, ist der fehlende Kontext. Die KI besitzt keine Informationen über selbst erstellte Skripte oder Projektdokumentationen, wie sie in der Lehre häufig zum Einsatz kommen. Die Bereitstellung und das Training einer KI ist sehr teuer und die Antworten sind nur bedingt vorhersehbar. Abhilfe schafft hier Retrieval-Augmented Generation (RAG). Bei RAG wird die Ausgabe eines großen Sprachmodells optimiert, sodass es auf eine relevante Wissensbasis außerhalb seiner Trainingsdatenquellen verweist, bevor eine Antwort generiert wird. So kann der KI ein Kontext zur Verfügung gestellt werden, der ein erneutes Training überflüssig macht.

Neben den technischen Aspekten wurden auch die Herausforderungen bei der Arbeit mit künstlicher Intelligenz erörtert. Es stellt sich die Frage, welche Verantwortlichkeiten bei Nutzern und Entwicklern liegen und was mit den Daten passiert, die der KI zur Verfügung gestellt werden. Daraus ergibt sich die Notwendigkeit, die zentralen Fragen des Datenschutzes und der Ethik näher zu beleuchten.

Ziel der LehrBAR war es, unser Team und das Projekt MoKITUL ausführlich vorzustellen und den Austausch mit den Lehrenden der Hochschule zu fördern. Die drei Hauptziele des Forschungsprojektes umfassen die Entwicklung innovativer Lehr- und Lernformate wie automatisierte Übungen und eine 24/7-Moodle-Kursbetreuung, die Entlastung und Effizienzsteigerung der Lehrenden, um ihnen mehr Zeit für Forschungsaktivitäten zu ermöglichen – beispielsweise durch die Optimierung von Lehrplänen und -inhalten – sowie die Sensibilisierung und Vermittlung wichtiger Aspekte im Bereich Datenschutz und Ethik. Das übergeordnete Ziel besteht darin, die Lehrprozesse ganzheitlich zu optimieren.

Derzeit befinden wir uns in der Konzeptionsphase unseres Forschungsprojekts und führen eine umfassende Anforderungsanalyse durch. Die LehrBAR hat den notwendigen Rahmen geschaffen, um im Dialog mit den Lehrenden die relevanten Anforderungen zu identifizieren, die für die zukünftige Entwicklung entscheidend sind. Parallel dazu erfolgt die Implementierung erster Konzepte, wie zum Beispiel eines Plugins für die Online-Plattform Moodle.

Ab dem 1. September 2024 wird die praktische Umsetzung inklusive der technischen Betreuung in den entsprechenden Kursen gestartet. Im Anschluss erfolgt die Re-Konzeption, welche die Grundlage für die zweite Phase im Jahr 2025 bilden wird.

Moodle Plugin

Eine erste Phase der internen Anforderungsanalyse diente der Ideenfindung und der Identifizierung von Schwerpunkten. Ein wesentlicher Aspekt ist hierbei der Umgang mit vorhandenen Lehrmaterialien. Das Ziel ist es, Strategien zur automatisierten Generierung von Übungsaufgaben, individualisierten Tests zur Prüfungsvorbereitung sowie zur Erstellung von Kurzzusammenfassungen zu entwickeln. Darüber hinaus soll das zukünftige Tool die Lehrenden bei der Erstellung von Lehrplänen und bei der Suche nach wissenschaftlichen Publikationen unterstützen.

Aktuell befindet sich unser Team in der Entwicklungsphase eines Moodle-Plugins, das eine Vielzahl wichtiger Kernkomponenten und Funktionalitäten für Studierende bereitstellen soll. Dazu zählen ein allgemeiner Chat sowie ein spezifischer Chat pro Kurs, der es Studierenden ermöglichen soll, interaktiv mit der KI zu kommunizieren. Ein weiteres zentrales Merkmal des Plugins ist die Möglichkeit, einen Dialog mit PDF-Dokumenten zu führen, dieses zusammen zu fassen und zu erweitern. Zusätzlich soll das Tool in der Lage sein, zugehörige wissenschaftliche Veröffentlichungen zu identifizieren. Die Anwendung wird lokal gehostet und steht als hochschulinterne Anwendung zur Verfügung. Das Plugin kann für jede einzelne Moodle-Kurseinheit individuell aktiviert werden.

Im weiteren Entwicklungsprozess wird nun geprüft, inwieweit eine Integration externer Tools wie Claude oder Consensus möglich und sinnvoll ist.

Den Abschluss der lehrBAR bildete ein interaktiver Austausch mittels Miro-Board. In diesem kollaborativen Rahmen wurden den Teilnehmenden zwei zentrale Fragen gestellt: In welchen Modulen können Sie sich eine Begleitung durch unser Team vorstellen? Welchen Anwendungsfall würden Sie gerne umgesetzt sehen? Diese gezielten Fragen ermöglichten es den Lehrenden, ihre spezifischen Bedürfnisse und Wünsche zu äußern. Die gesammelten Rückmeldungen und Anregungen bilden die Grundlage für das weitere Vorgehen im Projekt, insbesondere für die Phasen der Entwicklung und praktischen Durchführung.

Die Ergebnisse des Dialogs waren vielfältig und aufschlussreich. Besonders häufig wurde der Wunsch nach Generatoren für Übungs- und Prüfungsaufgaben geäußert, insbesondere in Kombination mit spezifischen und gegebenen Kontexten (RAG). Darüber hinaus entstanden im Dialog zahlreiche weitere Ideen für den sinnvollen Einsatz von KI-Tools im Hochschulumfeld. Dazu zählt die Fähigkeit, bereitgestellte Dokumente präzise zusammenzufassen und zu erklären, was die Studierenden dabei unterstützen könnte, komplexe Inhalte besser zu verstehen, sowie die Bewertung und Prüfung von Antworten zu einer gegebenen Fragestellung, auf Vollständigkeit und Richtigkeit. Weiter wurde der Bedarf an KI-Werkzeugen zum Generieren von Grafiken und Präsentationen basierend auf einem gegebenen Inhalt, zum Durchsuchen der Hochschulbibliothek nach relevanten Quellen, um die Recherchearbeit effizienter zu gestalten, zur Unterstützung beim Programmieren und zur Durchführung von Rollenspielen für das Konflikt- und Führungstraining deutlich.

Diese vielfältigen und spezifischen Anregungen, Ideen und Wünsche spiegeln die breite Palette an Bedürfnissen und Erwartungen wider, die an KI-Tools in der Hochschullehre gestellt werden, und werden die zukünftige Ausrichtung und Entwicklung unseres Projekts maßgeblich beeinflussen.