Speakers
Description
Dieser Beitrag präsentiert die KI-Lernplattform KIWi. Durch Retrieval-Augmented Generation (RAG) und adaptives Scaffolding ermöglicht das System personalisiertes, quellenbasiertes Lernen und verhindert Kompetenzverluste durch schrittweise reduzierte Hilfestellungen. Der Einsatz von Open-Source-Modellen erlaubt dabei einen ressourcenschonenden, lokalen Betrieb für viele Studierende bei vollem Datenschutz.
Zielgruppe: Studierende, Lehrende, Forschende
Abstract
Passend zum Vertiefungsschwerpunkt KI im universitären Alltag und Track II Gestaltung von Lehrveranstaltungen stellt dieser Beitrag die von uns entwickelte KI-Lernplattform KIWI vor. Obwohl generative KI großes Potenzial für die Hochschullehre bietet, ist ihr unbegleiteter Einsatz mit Herausforderungen verbunden: Systeme generieren teils fehlerhafte Informationen, die unkritisch übernommen werden. Zudem kann eine zu starke Abhängigkeit von KI-Antworten grundlegende analytische Kompetenzen der Studierenden untergraben.
Um diesen Risiken zu begegnen und eine kontinuierliche, personalisierte Lernbegleitung zu gewährleisten, kombiniert KIWI technologische und didaktische Funktionen. Mittels Retrieval-Augmented Generation (RAG) liefert das System zunächst fachlich korrekte, strikt quellenbasierte Antworten. Darauf aufbauend fördern persistente Lernpfade und ein adaptives Scaffolding das selbstständige Lernen. Dabei werden Hilfestellungen schrittweise reduziert, um die Lernenden aktiv vor einem Kompetenzverlust zu bewahren.
Getragen wird dieses didaktische Konzept von einer effizienten Systemarchitektur. Der Einsatz von Open-Source-Modellen ermöglicht es, KIWI ressourcenschonend auf lokaler Hardware zu betreiben. So kann das System von vielen Studierenden gleichzeitig genutzt werden, während strenger Datenschutz und Chancengleichheit sichergestellt bleiben.