Zusammenfassung
Metadaten
- Zielgruppe: Hochschullehrende, E-Learning-Beauftragte, Instructional Designer, interessierte Studierende, Entwickler im Bildungsbereich.
- Lernziele / Kompetenzen:
- Verständnis der Funktionsweise von Retrieval-Augmented Generation (RAG).
- Bewertung des Potenzials von KI-Tutoren für personalisiertes Lernen.
- Identifizierung von Anwendungsfällen für KI-gestützte Wissensbereitstellung.
- Kritische Auseinandersetzung mit ethischen und datenschutzrechtlichen Aspekten.
- Voraussetzungen: Grundlegendes Verständnis von Künstlicher Intelligenz (KI) und Lernplattformen (z.B. Moodle) ist hilfreich, aber nicht zwingend erforderlich.
Einführung und Überblick
Der Vortrag von Johannes Moskalink am 04.09.2025 stellte den "Elidia AI Tutor" vor, ein System zur KI-gestützten Wissensbereitstellung, das auf der Retrieval-Augmented Generation (RAG) Technologie basiert. Ziel ist es, Lernenden einen personalisierten Zugang zu Kursinhalten zu ermöglichen und die Effizienz des Lernprozesses zu steigern. Der Vortrag gliederte sich in drei Hauptteile: Vorstellung des aktuellen Stands der Entwicklung, Sammlung von Feature-Wünschen aus dem Publikum und Austausch über ähnliche Projekte.
Vorstellung des Elidia AI Tutors
Moskalink beschrieb den Elidia AI Tutor als ein System, das Anfragen nicht direkt über ein Large Language Model (LLM) beantwortet, sondern zunächst relevante Informationen aus einer vorab indizierten Wissensbasis abruft. “Die Anfrage wird zunächst mal nicht auf Basis eines Large Language Models beantwortet, so wie ihr das bei Chatship IT oder sonst was kennt, sondern die Anfrage wird als erstes Mal beantwortet auf Basis der vorab abgefragten Informationen.” Im aktuellen Prototyp wird die Wissensbasis aus einem Moodle-Kurs extrahiert und in eine Vektordatenbank überführt. Diese Vektordatenbank ermöglicht eine semantische Suche nach relevanten Informationen, die dann in Kombination mit einem LLM zur Generierung einer Antwort verwendet werden. Der Vorteil dieser Vorgehensweise liegt in der erhöhten Zuverlässigkeit der Antworten, da die KI nicht frei halluzinieren kann, sondern sich auf vorhandene Informationen stützt. “Der Vorteil ist klar, ich kriege da etwas verlässlichere Informationen, weil nämlich die KI nicht anfängt zu halluzinieren und sich irgendwas ausdenkt, sondern sie versucht erst mal die Frage, die ich an den Chatbot oder in dem Fall den Tutor stelle, zu beantworten auf Basis der Informationen, die sie vorher abgerufen hat.”
Technische Details und Funktionsweise
Die Implementierung des Elidia AI Tutors erfordert KI-Funktionalität sowohl für die Überführung der Kursinhalte in die Vektordatenbank (Chunking) als auch für das Verständnis der Nutzeranfragen. Die Anfrage wird in ein maschinenlesbares Format übersetzt und mit der Vektordatenbank abgeglichen. Bei Treffern wird eine Antwort generiert, die auf den abgerufenen Informationen basiert und durch ein LLM verfeinert wird. Moskalink betonte, dass die Performance des Systems stark von der Qualität und Größe des verwendeten LLM abhängt. Die Vektordatenbank wird nicht live aktualisiert, sondern in regelmäßigen Intervallen neu indiziert, um sicherzustellen, dass die Informationen aktuell sind.
Live-Demo und Nutzerkontext
Im Rahmen einer Live-Demo zeigte Moskalink, wie der Tutor Fragen zu einem Beispielkurs beantwortet und dabei die Quelle der Information angibt. “Das heißt, ich kriege sozusagen das Feedback, woher stammt die Information und kann dann drauf zugreifen.” Eine besondere Funktion des Tutors ist die Berücksichtigung des Nutzerkontexts. Der Tutor kennt die Kurse, in denen der Nutzer eingeschrieben ist, und kann auch Informationen aus diesen Kursen bereitstellen, selbst wenn die Anfrage in einem anderen Kurs gestellt wird. “Der Tutor kennt den Nutzerkontext. Das heißt, er weiß, in welchen Kursen ist der Nutzer sonst noch eingeschrieben.” Allerdings gibt es Einschränkungen bei der Verarbeitung von Medieninhalten. Derzeit werden hauptsächlich Textinhalte unterstützt, Bilder und Videos werden nur indirekt über ihre Beschreibungen berücksichtigt.
Feature-Wünsche und Diskussion
Ein Großteil des Vortrags war der Sammlung von Feature-Wünschen aus dem Publikum gewidmet. Es wurden verschiedene Ideen diskutiert, darunter:
- Unterstützung für audiovisuelle Inhalte: Transkription von Videos und Einbeziehung in die Vektordatenbank.
- Erweiterung der Aktivitäten: Integration von weiteren Moodle-Aktivitäten, wie z.B. Foren, Tests und Kalendereinträgen.
- Mehrsprachigkeit: Ermöglichung von Antworten in verschiedenen Sprachen.
- Integration von Grading-Funktionen: Verknüpfung des Tutors mit Bewertungssystemen, um Lernfortschritte zu messen und Feedback zu geben.
- Generierung von Fragen: Automatische Erstellung von Fragen zur Überprüfung des Verständnisses.
- Personalisierung: Anpassung des Lernpfads an die individuellen Bedürfnisse und Vorkenntnisse der Lernenden.
Einige Teilnehmer äußerten den Wunsch nach der Möglichkeit, den Tutor für komplexere Aufgaben zu nutzen, wie z.B. die Zusammenfassung umfangreicher Dokumente oder die Erstellung von Lernmaterialien. Moskalink betonte jedoch, dass die Fokussierung auf einen spezifischen Anwendungsfall – die Bereitstellung von Informationen aus Kursinhalten – ein wichtiges didaktisches Konzept darstellt.
Ethische und datenschutzrechtliche Aspekte
Die Diskussion berührte auch ethische und datenschutzrechtliche Aspekte. Es wurde darauf hingewiesen, dass KI-basierte Bewertungssysteme sorgfältig konzipiert werden müssen, um Fairness und Transparenz zu gewährleisten. “Die abschließende Bewertung, die darf keine abschließende Bewertung sein, die ausschließlich auf den Interessenten ist. Sie darf aber den Lehrer unterstützen, bei der Erkennung der Bewertung.” Es wurde betont, dass der Tutor keine umfassende Nutzerhistorie speichert, um die Privatsphäre der Lernenden zu schützen.
Handlungsempfehlungen und Ausblick
Moskalink forderte die Teilnehmer auf, das vorgestellte System zu testen und Feedback zu geben. Er bot an, Zugangsdaten für eine Testumgebung zur Verfügung zu stellen und bat um die Angabe von weiteren Projektideen, die in eine ähnliche Richtung gehen. “Ich freue mich auch noch über kleinere Themen.” Er prognostizierte, dass in Zukunft klassische Kurse durch personalisierte Lernpfade ersetzt werden könnten, die von KI-Tutoren unterstützt werden. “Ich glaube, dass es gar keine klassischen Kurse mehr geben wird. Da hat man den Tutor, und das System gibt den Studierenden dann personalisiert, individualisiert die richtigen Inputs zu lernen.” Er betonte die Bedeutung einer fokussierten KI-Anwendung, die sich auf einen spezifischen Anwendungsfall konzentriert, anstatt zu versuchen, alle möglichen Funktionen abzudecken.