Lernen von dynamisiertem Feedback in Intelligenten Tutorsystemen

• Antragstellerinnen / Antragsteller: Professorin Dr. Barbara Hammer; Professor Dr. Niels Pinkwart
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2011 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 200292319

Online-Lehransätze wie Massive Open Online Courses (MOOCs) haben in den letzten Monaten große Resonanz erzeugt. Intelligenten Tutorensystemen (ITS) kommt im Bereich der Online-Lehre eine große Bedeutung zu: sie sind in der Lage, Lernenden automatisiert spezifische Rückmeldungen zu Ihren Aufgabenlösungen zu geben und damit Teile der Online-Lehre zu personalisieren. Da klassische ITS auf einer exakten Formalisierung der Lernaufgaben und der Interaktionen von Lernenden und System basieren, sind sie auf wohldefinierte Themenbereiche beschränkt. Zudem limitiert die aufwändige Herstellung ihre Eignung auf große, statische Anwendungen. Im Zentrum der ersten Projektphase von FIT stand die Entwicklung einer FIT-ITS Infrastruktur, welche die Anwendbarkeit von ITS-Systemen durch Techniken des maschinellen Lernens auf nicht wohldefinierte Domänen erweitert. Hierzu wurden Prototyp-basierte maschinelle Lernverfahren für Strukturdaten und adaptive Strukturmetriken erweitert. Diese Methoden erlauben eine autonome Strukturierung von ITS-Lösungsräumen in nicht wohldefinierten Domänen und eröffnen Möglichkeiten für automatische Rückmeldungen. Bisher sind die entwickelten maschinellen Lernverfahren auf einzelne Lernaufgaben beschränkt und das Feedback des Systems ist nicht auf die Lernhistorie einzelner Lerner zugeschnitten. Die Ziele von DynaFIT sind:(i) die Entwicklung von Methoden des maschinellen Lernens, die über einzelne Lernaufgaben und Nutzerverhalten hinweg generalisieren und, hierauf basierend,(ii) die Erweiterung der entwickelten ITS-Prinzipien für nicht wohldefinierte Domänen um benutzer-adaptives Feedback und offene Lerner-Modelle. Methodisch im Vordergrund stehen Dimensionsreduktionsverfahren, die wir für die Generierung von über Lernaufgaben hinweg generalisierende Repräsentationen und die Anwendung auf Strukturdaten erweitern werden. Dieses ist Voraussetzung für folgende zentrale Komponenten von DynaFIT: Eine Visualisierung relevanter Charakteristiken des Lösungsraums und Nutzerverhaltens im Rahmen offener Lerner-Modelle; eine Repräsentation von Nutzerverhalten in konsekutiven Aufgaben als Zeitreihen in einem gemeinsamen zugrundeliegenden Vektor-Raum, wo klassische Datenanalyse und Relevanzlernverfahren verfügbar sind; schließlich, darauf basierend dynamisierte Feedback-Strategien für durch solche Zeitreihen dargestelltes Nutzerverhalten. In diesem Rahmen werden wir insbesondere die für MOOCs sehr relevanten Peer-Learning-Strategien näher untersuchen. Durch die Untersuchung, wie Informationstransfer zwischen Lernaufgaben im Rahmen einer gemeinsamen Dimensionsreduktion stattfinden kann, adressiert DynaFIT ein zentrales Thema des SPP: autonomes Lernen geeigneter Repräsentationen. Darüber hinausgehend haben offene Lerner-Modelle und dynamisierte Feedback-Strategien für ITS-Systeme in nicht wohldefinierten Domänen ein großes Potential, z.B. für hochdynamische große Online-Kurse.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1527: Autonomes Lernen