Forschungsprojekt KAINE

Knowledge based learning platform with Artificial Intelligent structured content

Heute stehen berufsbegleitende Weiterbildungen nicht nur zunehmend im Spannungsfeld der familiären und beruflichen Vereinbarkeit sowie der stetig sinkenden Weiterbildungszyklen, sondern auch in dem der Vermittlung von komplexem Fachwissen, steigenden Anforderungen an die Lerneffizienz sowie einem nachhaltigen Wissenstransfer in den betrieblichen Alltag. Um ein solches Spannungsverhältnis bestmöglich zu lösen, impliziert es eine Forschung, Entwicklung und Erprobung von intelligenten Lehr- und Lernangeboten. Das Forschungsprojekt KAINE spezialisiert sich insbesondere auf die Effektivität und Nachhaltigkeit des Lernens durch smarte nutzendenindividuelle Lernmaterialbereitstellung und durch dialogorientierte Tutoringsysteme.

Untersuchungsgegenstand des Forschungsprojekts

Das Projekt vertritt drei wesentliche Aspekte, welche sich im Zusammenspiel ergänzen und einen großen Mehrwert für den Lehr- und Lernprozess in der beruflichen Weiterbildung darstellen. Zum einen die algorithmenbasierte Individualisierung des Lernprozesses, umgesetzt durch Methoden der künstlichen Intelligenz, als auch der Learning Journeys (Curriculum) durch die Verwendung von Nutzenden- und Nutzungsdaten zur Clusterung (Branche, Vorkenntnisse, berufliche Erfahrung) in Kombination mit Learning Analytics (Lerngewohnheiten). Die Besonderheit an KAINE stellt die barrierefreie Begleitung des Lernverlaufs durch einen Voice- bzw. Chatbot dar, welcher die zeitlich und räumlich unabhängige adaptive Unterstützung des Lernprozesses ermöglicht.

Mit dem Forschungsprojekt KAINE wird die Erhöhung der didaktischen Qualität und die innovative Weiterentwicklung eines bereits am Markt bestehenden internetbasierten Lernmanagementsystems bzw., einer internetbasierten Lernplattform verfolgt und angestrebt. Durch den Einsatz von Methoden aus dem Bereich der künstlichen Intelligenz (KI) in Kombination mit Methoden aus der pädagogischen Psychologie soll das Forschungsziel erreicht werden. Der Einsatz von künstlicher Intelligenz stellt einen wichtigen Faktor dar, da es auf die Individualisierung von Learning Journeys auf Basis von nutzenden- und betriebsspezifischen Merkmalen abzielt. Durch den Ausbau und der Optimierung des digitalen Weiterbildungsraums mittels Entwicklung und Erprobung von künstlicher Intelligenz durch Voice- bzw. Chatbot, soll die berufliche Handlungsfähigkeit, als auch der Wissenstransfers in Unternehmen langfristig sichergestellt werden.

Ein Video zur Projektvorstellung finden Sie hier auf unserem Youtube-Kanal.

Ziele

Basierend auf dem aktuellen Handlungsbedarf aus dem Bereich des technologischen Entwicklungsstands werden mit dem Forschungsvorhaben KAINE folgende Ziele angestrebt:

Ziel 1: Die Sicherstellung und Verbesserung der Transparenz der Lernmedienqualität bezogen auf Aktualität, Evidenzbasierung, Wissenschaftlichkeit sowie didaktische und pädagogische Gestaltung des Lernmaterials.

Ziel 2: Steigerung von Lerneffizienz und Lerneffektivität durch die Adressierung der branchenspezifischen Anforderungen und der individuellen Bedürfnisse sowie Anforderungen der Lernenden durch nutzendenindividuelle Lernmaterial-Bereitstellung.

Ziel 3: Individuelle Lernverlaufsbegleitung zur Steigerung der zeitunabhängigen Interaktion mit dem Lernenden durch ein dialogorientiertes Tutoringsystem.

Ziel 4: Verbesserter Wissenstransfer von neu erlernten Weiterbildungsinhalten in den betrieblichen Alltag.

Verbundpartner

Ruhr-Universität Bochum

Lehrstuhl für Produktionssysteme, RUB

Prof. Dr.-Ing. Bernd Kuhlenkötter
Dr.-Ing. Christopher Prinz

Arbeitsgruppe Bildungspsychologie, RUB

Dr. Julia Waldeyer
Prof. Dr. Julian Roelle

Gemeinsame Arbeitsstelle, RUB/IGMetall

Prof. Dr. Manfred Wannöffel

IG Metall Bildungszentrum Sprockhövel

Guido Brombach

Deutsche Edelstahlwerke Karrierewerkstatt GmbH

Gunnar Dachrodt

Bochumer Institut für Technologie gGmbH

Marc Otten

Deutsches Forschungszentrum für Künstliche Intelligenz gGmbH

Dr. Nicolas Großmann

Akademie der Ruhr-Universität

Dr. Yves Gensterblum (Akademie der Ruhr-Universität), Verbundkoordinator

Arbeitspakete

Das Forschungsprojekt beinhaltet sechs Arbeitspakete, welche in unterschiedlich viele Arbeitseinheiten gegliedert sind. Die angeführte Abbildung bildet die Themenbereiche der Arbeitspakete sowie die der Arbeitseinheiten ab.

Arbeitspaket: Aufarbeitung und informationstechnische Vorbereitung von verfügbaren Lernmaterialien (LPS)
Arbeitspaket: Nutzenden- und Nutzungsdaten für digitale Nutzendenprofile (Akademie, AG BPSY)
Arbeitspaket: Implementation in die Lernplattform (LPS, BO-I-T)
Arbeitspaket: Algorithmus zur adaptiven Erstellung von nutzendenindividuellen Learning Journeys (DFKI)
Arbeitspaket: Dialogorientiertes und (fast-) barrierefreies Lerntutoringsystem (Akademie, DFKI)
Arbeitspaket: Nachhaltiger Wissenstransfer durch ein intelligentes Beratungssystem (RUB/IGM, Akademie)

Rahmendaten

Steigerung der Effizienz, Effektivität und Nachhaltigkeit des Lernens auf Weiterbildungsplattformen durch smarte nutzendenindividuelle Lernmaterialbereitstellung und dialogorientiertem Tutoringsystem

(Knowledge based learning platform with Artificial Intelligent structured content)

Art des Vorhabens: Verbundvorhaben von mehreren wissenschaftlichen Einrichtungen, praktischen Weiterbildungsgesellschaften und assoziierten Industriepartnern

Projektstart: 01.09.2021

Projektlaufzeit: 3 Jahre

Projektvolumen: 2.243.711 €

gefördert durch das BMBF in der Förderlinie INVITE

Projektträger: BIBB

Verbundkoordinator: Akademie Ruhr-Universität Bochum/ Dr. Yves Gensterblum

Publikationen

Reliable and Content-specific Support for Keyword Selection through AI and Statistics: Characterising Educational Content with Large Language Models & Agreement Analyses / Tim Strube; Till Nowak; Mykyta Pokotylo; Bernd Kuhlenkötter

In: Current Directions in Biomedical Engineering. 10 (2024), H. 4, S. 627–630.

https://doi.org/10.1515/cdbme-2024-2154 [Zugriff: 09.05.2025]

Abstract: Due to the recent popularity and availability of Large Language Models (LLMs), creators of educational materials can more efficiently extract keywords for use in personalised learning recommendations than ever before. However, due to the LLMs’ probabalistic nature, the automation of the otherwise labour-intense keyword extraction inherits the risk of biased and non-explainable results. In this research, we present an original framework to enhance keyword selection based on content title and description through a novel, reliability-sensitive, keyword selection algorithm. For this, we collected 38 potential keywords (together with their definitions) for five topics on dementia care from previous studies, together with two contents per topic. To assess the new method’s support in extracting keywords, we then prompted 5 human experts and 3 LLMs (using Retrieval Augmented Generation (RAG) for the keyword definitions) to select keywords to include and exclude for each content. Using Krippendorf’s 𝛼 metric, we then were able to adapt to the present agreement, and to reliably select keyword sets for inclusion and exclusion for each content individually. Last, we compared these LLM-based keyword sets with those selected by humans to assess the impact of the adaptive keyword selection algorithm. Overall, the results suggest that LLMs generally struggle with the task (66% of extraction attempts either contained hallucinated or did not return any keywords), and topic-wise internal agreement is low ( 𝛼=0.59 (0.42) for model 3 (using RAG) on average; 𝛼=0.68 for human raters). Due to this, the reliable keyword selection resulted in a median set of 6|27 keywords for inclusion|exclusion per topic, with many of those keywords being within the benchmark keyword sets selected by human raters. To conclude, this approach shows effective in adapting to different levels of agreement in extracting keywords.

Adaptive Unterstützung in der Online-Weiterbildung: Bedarf, Gestaltung und Perspektiven am Beispiel einer Weiterbildung für Bauingenieure / Katharina Teich; Yves Gensterblum

Teich, K. & Gensterblum, Y. (2025). Adaptive Unterstützung in der Online-Weiterbildung.
weiter bilden. DIE Zeitschrift für Erwachsenenbildung 32 (1), 23–27.
http://www.die-bonn.de/id/42264

Abstract: Adaptive Unterstützungssysteme und Künstliche Intelligenz ermöglichen eine individuelle Anpassung des Lernprozesses, indem sie Inhalte und Aktivitäten auf der Grundlage von Daten über den bisherigen Lernverlauf personalisieren. Insbesondere in der Erwachsenenbildung können damit Herausforderungen wie begrenzte Lernzeit und heterogene Vorkenntnisse adressiert werden. Am Beispiel eines Online-Kurses diskutieren die Autorin und der Autor verschiedene Formen adaptiver Unterstützung, deren Potenziale sowie Herausforderungen bei der Implementierung KI-gestützter Lernmechanismen.