Imke A.M. Meyer und Karsten D. Wolf präsentierten Forschungsergebnisse zu UI-Research für Diagnostik-Dashboards und multimodalem KI-Feedback in Zurich
5. September 2025
Am 4. und 5. September 2025 präsentierten Imke A.M. Meyer und Karsten D. Wolf aktuelle Forschugnsergebnisse zu den Themen User-Interface Studie zur Nutzung eines diagnostischen Dashboards in der Grundbildung sowie Multimodales KI-Feedback zu Erklärvideos.
Im folgenden die Abstracts:
Viele Kinder, Jugendliche und Erwachsene in Deutschland haben erhebliche Probleme beim Lesen und Schreiben. Laut der LEO-Studie 2018 (Grotlüschen & Buddeberg 2020) gelten 6,2 Millionen Erwachsene als gering literalisiert. Zudem bescheinigen die Pisa-Studie 2018 und der IQB-Bildungstrend 2022 einem erheblichen Teil der Jugendlichen mangelnde Lese- und Schreibkompetenzen (Weis et al. 2019; Stanat et al. 2023). Folglich sollte die Unterstützung und Förderung von Menschen mit geringen Grundbildungskompetenzen nicht erst im Erwachsenenalter ansetzen, sondern bereits vor Verlassen des Schulsystems systematisch durchgeführt werden. Hier bieten Berufsschulen die letzte Möglichkeit jungen Menschen während ihrer Schullaufbahn zu erreichen. Betroffene Erwachsene können u.a. Kurse an Volkshochschulen (Ortmanns et al. 2023) besuchen, an Berufsschulen ist das Thema Grundbildung jedoch in der Regel nicht Teil von Lehrplänen.
Da die Kompetenzlücken von Menschen mit geringer Literalität stark variieren, ist die Diagnose und Förderung der Betroffenen aufwendig (Wolf et al. 2011). Gerade deshalb kann der Bereich der Grundbildung durch die Potentiale von differenzierten, automatisierten Auswertungen von diagnostischen Daten (Mandinach und Jackson 2012; Krein und Schiefner-Rohs 2024) profitieren. Gleichzeitig ist es entscheidend, dass Lehrende die Kompetenz und die strukturellen Möglichkeiten besitzen, diese Daten auszuwerten und in ihr pädagogisches Handeln mit einfließen zu lassen (Datnow und Hubbard 2016; Mandinach & Gummer 2016; Schildkamp et al. 2018). Dashboards bieten die Möglichkeit diagnostischen Daten durch interaktive Visualisierungen verständlich und anschaulich aufzubereiten. Bislang bleiben jedoch Fragen nach spezifischen Gestaltungsanforderungen an Dashboards für Lehrende weitestgehend unbeantwortet (Isaias und Viana 2020).
Im Rahmen des BMBF geförderten Projekts A wurde die bestehende Testumgebung B, mit welcher Lernende eigenständig einen Kompetenztest absolvieren können überarbeitet (Koppel et al. 2023). Außerdem wurde das C-Dashboard zur interaktiven Auswertung der B-Testergebnisse durch Lehrende systematisch entwickelt und veröffentlicht (D) und kann nun im Realeinsatz evaluiert werden. Im Rahmen des vorliegenden Beitrages sollen folgenden Fragestellungen beantwortet werden:
(a) Welchen Nutzungsweisen zeigen die Lehrenden im Realeinsatz?
(b) Welche Nutzungshürden ergeben sich in authentischen Nutzungssettings?
(c) Welche Hilfe und Impulse bietet die Software für die Optimierung der eigenen Unterrichtstätigkeit?
Durch eine Prozessbeobachtung in Form einer Logdatenanalyse lässt sich das reale Nutzungsverhalten der Lehrenden abbilden und auswerten. Dies liefert Erkenntnisse darüber, wann die Lehrenden das Dashboard wie lange und mit welchen Interaktionen nutzen (Forschungsfragen (a) und (b)). Auf Basis der Nutzungsdatenanalyse werden kontrastierende Nutzer:innen für die qualitativen Interviews gewählt. Inhalte der Interviews sind mögliche Nutzungshürden sowie der Einfluss der Nutzung des Dashboards auf die eigene Unterrichtspraxis (Forschungsfrage (b) und (c)).
Im Rahmen der Lehramtsausbildung bietet sich das Erstellen von Erklärvideos an, um sowohl die Erklärkompetenz als auch verständnisorientierte Lernstrategien von Studierenden zu fördern (Autoren, 2022). Aber auch iterative Micro Teaching Zyklen, bei denen Erklär- und Lehrsequenzen von Studierenden auf Video aufgezeichnet werden, finden vermehrt Einsatz (Mukuka & Alex, 2024). Zeitnahes formatives Feedback steigert insbesondere bei solchen generativen Lernaufgaben das Engagement, die Zufriedenheit sowie die Lernergebnisse von Studierenden. Die Bereitstellung individueller Feedbacks ist jedoch äußerst ressourcenintensiv für das Lehrpersonal. Multimodale KI-basierte Feedbacks könnten hier eine Möglichkeit zur Unterstützung von Lernenden und Lehrenden gleichermaßen sein.
Im Rahmen eines bi-nationalen Projektes (D und NL) wurde deshalb ein detailliertes Bewertungsraster für die Gestaltungsqualität von Erklärvideos mittels Prompt-Engineering für den Einsatz in einer KI-basierten Feedback Pipeline (Autoren., 2024) operationalisiert, um automatisiert Feedback für Lehrkräfte in der Ausbildung erstellen zu können.
In der hier beschriebenen Pilotstudie werden dazu für einen Korpus ausgewählter Erklärvideos aus dem schulischen Bereich (Quellen: YouTube sowie universitäre Veranstaltungen) automatisierte Feedbacks mit ausgewählten Kriterien (z.B. Visualisierung, Hervorhebung, Aktivierung, direkte Ansprache) aus unserem Framework erstellt und die Qualität der Feedbacks sowie unterschiedliche Einschätzungen durch Lehrende und Studierende evaluiert.