BeLearn-Socratic Tutor

Wie kann man mit LLM-Tutoren besser lernen? Unser Projekt untersucht Verhaltens- und Lernmuster, die auf erfolgreiches menschliches Lernen in der Interaktion mit LLM-Tutoren hindeuten.

Fiche signalétique

Départements participants Technique et informatique
Institut(s) Institute for Patient-centered Digital Health (PCDH)
Unité(s) de recherche PCDH / AI for Health
Organisation d'encouragement BFH
Durée (prévue) 01.01.2026 - 31.12.2026
Direction du projet Prof. Dr. Kerstin Denecke
Partenaire BeLEARN
Universität Bern
PHBern
Mots-clés LLM; Sokratischer Tutor; Personalisiertes Lernen

Situation

Jüngste Fortschritte in der generativen KI erlauben personalisiertes Lernen mittels LLM-basierten Chatbots. Eine vielversprechende Anwendung von LLMs ist ihr Einsatz als sokratische Tutoren, die aktives Lernen und kritisches Denken anregen. Anstatt direkte Antworten zu geben, stellen sie zum Nachdenken anregende Fragen. Die Auswirkungen von LLMs auf das Lernen hängen jedoch davon ab, wie sie eingesetzt werden. Aktives Engagement und kritisches Denken, wie z. B. das Erkennen und Hinterfragen plausibler, aber falscher Informationen, können tiefgreifendes Lernen fördern. Im Gegensatz dazu kann passiver Einsatz zu kognitiver Entlastung führen: Aufgaben werden korrekt erledigt, aber oft mit wenig Verständnis und minimalem langfristigem Lernerfolg. Lernende benötigen also Fähigkeiten, die sie benötigen, um LLMs so einzusetzen, dass sie das Lernen wirklich unterstützen.

Approche

Das Ziel dieses Projekts ist es, Merkmale in der Interaktion zwischen Studierenden und einem LLM-basierten Tutor zu identifizieren, die mit effektivem Lernen in Verbindung stehen, und gleichzeitig zu untersuchen, wie individuelle Eigenschaften wie Vorwissen, kognitive Fähigkeiten, Motivation und Technologieakzeptanz die Interaktionsqualität beeinflussen. Das Projekt baut auf einer Lernsequenz mit einem LLM-basierten Tutor auf, die in einem früheren BeLearn-Projekt entwickelt wurde. Die Interaktionen zwischen Studierenden und Tutoren aus einem Blended-Learning-Kurs aus dem Jahr 2025 werden analysiert, um Merkmale zu identifizieren, die mit Lernerfolg in Verbindung stehen. Zu den Methoden gehören natürliche Sprachverarbeitung, maschinelles Lernen, Sprachmodelle und Expertenbewertungen. Um die Rolle individueller Lernereigenschaften zu untersuchen, werden die Studierenden eine Bewertung ihres kognitiven Potenzials absolvieren, und wir werden ihre Vorkenntnisse, ihre Motivation und ihre Technologieakzeptanz bewerten. Auf der Grundlage jeder Messung werden sie in niedrige, mittlere und hohe Niveaus eingeteilt, und die Unterschiede in den wichtigsten Interaktionsmerkmalen werden zwischen diesen Gruppen analysiert.

Résultat

Nach der Umsetzung der Lernsequenz und der Schulung von Lehrkräften in verschiedenen Bildungskontexten im Rahmen des Projekts wird die gesamte Lernsequenz als Open-Source-Lösung auf GitHub veröffentlicht, um eine breite öffentliche Zugänglichkeit zu gewährleisten. Der vollständig als Open Source verfügbare Arbeitsablauf ist auf Übertragbarkeit ausgelegt: Pädagoginnen und Pädagogen aller Fachrichtungen und Bildungsstufen können die Materialien an ihre spezifischen Unterrichtskontexte anpassen und so einen effizienten und reflektierten Einsatz von LLMs im Unterricht fördern.