2LIKE - Lernpfade und Lernprozesse individualisieren durch KI-Methoden

Abstract

Das Projekt 2LIKE (Lernpfade und Lernprozesse individualisieren durch KI-Methoden) adressiert die zunehmende Heterogenität von Studierenden, insbesondere in Master- und Weiterbildungsstudiengängen. Ziel ist es, durch KI-gestützte individualisierte digitale Lernangebote den Studienerfolg zu fördern. Auf der Makroebene werden in das Lernmanagementsystem Moodle integrierte Lernpfade entwickelt, die Wissensdefizite - etwa in Mathematik - ausgleichen und eine kompetenzorientierte Vertiefung ermöglichen. Auf der Mikroebene unterstützen personalisierte Feedbacksysteme das Erlernen wissenschaftlichen Schreibens und von Programmiertechniken. Beide Ansätze verzichten bewusst auf die Verarbeitung personenbezogener Daten und nutzen stattdessen offene Datenquellen wie arXiv oder GitHub. Das Projekt wurde in neun Arbeitspaketen und drei Phasen umgesetzt, die den Schritten Analyse, Konzeption, Implementierung und Evaluation folgten. Nach ersten Tests in Masterkursen wurden die Angebote auf größere Bachelormodule ausgeweitet, um aussagekräftige Evaluationen zu ermöglichen. Neben der inhaltlichen Individualisierung wurden auch motivationale Aspekte wie Selbstregulation und Reflexionsfähigkeit integriert. Die Ergebnisse zeigen, dass adaptive Lernangebote besonders effektiv sind, wenn Studierende zeitliche Flexibilität beim Lernen haben. Die entwickelten Lerninhalte und Tools werden über das Projektende hinaus auf verschiedenen Plattformen bereitgestellt und tragen zur nachhaltigen Förderung des Studienerfolgs und zur frühen Einbindung von Studierenden in KI-basierte Forschung bei.

The 2LIKE project (Artificial Intelligence for Individualised Learning Path and Processes) addresses the growing heterogeneity among students, especially in Master’s and continuing education programs. Its goal is to improve academic success through AI-supported, individualized digital learning environments. On the macro level, personalized learning paths integrated into the Moodle LMS help students close knowledge gaps - particularly in mathematics - and deepen their understanding in exam preparation. On the micro level, personalized feedback systems support learning in academic writing and programming. Both approaches deliberately avoid the use of personal student data, relying instead on open-access resources such as arXiv and GitHub. The project was organized into nine work packages and three phases, following an iterative user-centered design cycle of analysis, design, implementation, and evaluation. After initial pilots in Master’s courses, the project shifted to larger Bachelor modules to ensure robust evaluation results. Motivational components, such as fostering self-regulation and reflection, were integrated into the adaptive learning materials. Results indicate that individualized learning works best when students have flexible time structures. The developed tools and materials continue to be available beyond the project’s duration and contribute to promoting academic success and early student engagement in AI-based educational research.