- Titel
- Konzeption, Entwicklung und empirische Evaluation eines KI-basierten, lernzielorientierten Feedbacksystems auf der Grundlage kompetenzorientierten Lehrens und Prüfens
- Untertitel
- Ein theoriegeleiteter Ansatz auf Basis eines instruktionsmodellierten Feedbackkonzepts mit geschlossener Wissensdomäne
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-1010491
- Datum der Einreichung
- 20.06.2025
- Datum der Verteidigung
- 10.12.2025
- Abstract (DE)
- Die vorliegende Dissertation widmet sich der Entwicklung, Implementierung und empirischen Evaluation eines KI-gestützten adaptiven Feedbacksystems zur Förderung kompetenzorientierten Lernens in der Hochschulbildung. Zentrales Anliegen war die Frage, wie künstliche Intelligenz so gestaltet werden kann, dass sie curricular valide, lernzielgerichtete Rückmeldungen generiert und zugleich Motivation, Selbststeuerung und Lernleistung Studierender unterstützt. Im Gegensatz zu generativen KI-Systemen mit offenen, nicht validierten Wissensquellen basiert das entwickelte System auf einer geschlossenen, domänenspezifischen Wissensbasis, die aus explizit definierten Lehrzielen und Aufgabenmodellen generiert wurde. Das interdisziplinäre Forschungsdesign integriert Perspektiven der Lehr-Lern-Psychologie, der Didaktik und der Informatik. Das KI-System erzeugt sowohl formative als auch summative Rückmeldungen, die adaptiv an den individuellen Lernstand angepasst werden. Theoretische Grundlage bildet das Modell der parallelen Ziel- und Inhaltsvalidität (Schott & Azizi Ghanbari), das die Qualität und Zielgenauigkeit der Rückmeldungen sichert. Die Evaluation erfolgte über zwei empirische Studien: Studie I untersuchte an 100 Studierenden der Universität Leipzig und TU Dresden den Einfluss der KI-Feedbacks auf den Lernoutput. Insgesamt 4922 generierte Rückmeldungen führten zu signifikanten Verbesserungen in der Lehrzielerreichung und Textqualität. Studie II analysierte auf Basis der Academic Motivation Scale sowie den Modellen von Deci & Ryan und Bandura die motivationalen Effekte. Die Ergebnisse zeigen eine Steigerung der extrinsischen Motivation, eine Reduktion von Amotivation sowie positive Korrelationen zwischen Lernfortschritt und Motivationserleben. Die Rückmeldestrategien wurden zudem im Kontext der Cognitive Load Theory (Sweller), der Selbstbestimmungstheorie und der metakognitiven Selbststeuerung reflektiert. Die adaptiven Feedbacks reduzierten extrinsische kognitive Belastung und förderten den lernzielrelevanten „germane load“. Gleichzeitig wurde einer kognitiven Überlastung durch gezielte Dosierung entgegengewirkt.
- Abstract (EN)
- This dissertation focuses on the development, implementation, and empirical evaluation of an AI-based feedback system designed to support competence-oriented learning in higher education. The central research question investigates how artificial intelligence can be didactically and systematically designed to deliver valid, goal-aligned feedback that enhances students’ learning performance, motivation, and self-regulation. Unlike generative AI models such as ChatGPT, which rely on broad, non-validated knowledge sources, the system presented here is based on a domain-specific, closed knowledge model derived directly from curriculumbased learning objectives and instructor-defined tasks. The research adopts an interdisciplinary perspective, combining educational psychology, instructional design, and AI-based technology. The system was developed to generate both formative and summative feedback and to adapt this feedback dynamically to individual student progress. Central to its design is the model of parallel goal and content validity (Schott & Azizi Ghanbari, 2012 & 2014), which ensures that feedback is not only aligned with curricular goals but also promotes competence acquisition. A two-study empirical design was conducted to evaluate the system’s effectiveness. In Study I, 100 students from Leipzig University and TU Dresden participated in a quantitative analysis of learning outcomes. Across 4,922 feedback instances generated by the AI system, significant improvements were observed in the achievement of defined learning objectives and the quality of student submissions. Inferential statistics (e.g., t-tests, Wilcoxon tests, effect sizes) confirmed the effectiveness of the system. Study II examined the system’s impact on student motivation using the Academic Motivation Scale (AMS) and the theoretical frameworks of Deci & Ryan and Bandura. The findings showed an increase in extrinsic motivation and a significant reduction in amotivation, while intrinsic motivation remained stable. Correlational analyses indicated a close relationship between performance gains and motivational activation. The system’s instructional framework is further grounded in Cognitive Load Theory (Sweller), Self-Determination Theory (Deci & Ryan), the Expectancy-Value Model (Heckhausen), and theories of metacognitive self-regulation. The feedback was designed to reduce extraneous load while enhancing germane load, thus supporting cognitive efficiency without overwhelming learners.
- Freie Schlagwörter (DE)
- künstliche Intelligenz, Bildung, Instruktion Design, Adaptivität, Feedback
- Freie Schlagwörter (EN)
- artificial intelligence, education, instructional design, adaptivity, feedback
- Klassifikation (DDC)
- 370
- Klassifikation (RVK)
- AL 34000
- GutachterIn
- Prof. Dr. Thomas Köhler
- Prof. Dr. Shahram Azizi Ghanbari
- BetreuerIn Hochschule / Universität
- Prof. Dr. Thomas Köhler
- BetreuerIn - externe Einrichtung
- Prof. Dr. Shahram Azizi Ghanbari
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Dresden, Dresden
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-1010491
- Veröffentlichungsdatum Qucosa
- 16.12.2025
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY 4.0- Inhaltsverzeichnis
1 Einführung und Forschungsziele 1.1 Forschungsziele 1.2 Aufbau der Arbeit 2 Theoretischer Rahmen 2.1 Kompetenzorientiertes Lehren und Prüfen 2.1.1 Definition Kompetenz 2.1.1.1 Die zugrunde liegende, festgelegte Kompetenzdefinition dieser Forschungsarbeit 2.1.2 Lehrziele und deren Definition 2.1.2.1 Die zugrunde liegende, festgelegte Definition der Lehrziele in dieser Forschungsarbeit 2.1.3 Lehrstoff- und Aufgabenanalyse 2.1.3.1 Kriterien und didaktische Anforderungen für die Konstruktion von Aufgaben 2.1.4 Lernerfolgsdiagnostik und Output-Evaluation 2.1.4.1 Modell der parallelen Ziel- und Contentvalidität 2.1.4.2 Anwendung des Modells für KI-gestützte Empfehlungen 2.2 Cognitive Load Theorie 2.2.1 Aufgabeninduzierte Beanspruchung 2.2.2 Lernzielrelevante Beanspruchung 2.2.3 Sachfremde Beanspruchung 2.2.4 Bedeutung der Cognitive Load Theorie für individuelles Lernen 2.3 Mentale Anstrengung in der Lern- und Lehrforschung 2.3.1 Leistungsmotivation 2.3.1.1 Definition in der Lern- und Lehrforschung 2.3.1.2 Leistungsmotivation nach Atkinson 2.3.1.3 Leistungsmotivation nach Heckhausen 2.4 Selbststeuerung 2.4.1 Selbstwirksamkeit nach Bandura 2.4.2 Förderung der Selbstwirksamkeit durch Lernangebote 2.4.3 Selbstreguliertes Lernen nach Zimmerman 2.4.4 Lernmotivation 2.4.5 Didaktische Verknüpfung von Kompetenzorientierung, kognitiver Belastung und Motivation 2.5 Stand der Forschung zu KI-basierten adaptiven Lern- und Lehrsystemen 2.5.1 Technologische Grundlagen von KI in Bildungssystemen 2.5.1.1 Künstliche Intelligenz 2.5.1.2 Large Language Modelle und ihr Einfluss auf das Bildungswesen 2.5.2 Pädagogische und didaktische Anwendungen von KI 2.5.2.1 Aktuelle didaktische und pädagogische Anforderungen an KI in adaptiven Lernumgebungen 2.5.2.2 Taxonomien und Technologien für KI in der Bildungsforschung 2.5.2.3 Beispiele adaptiver KI-Anwendungen im schulischen und hochschulischen Kontext 2.5.3 Formative und summative KI-gestützte Feedbacksysteme 2.5.3.1 Formative Feedbacksysteme und ihr didaktischer Nutzen 2.5.3.2 Summative Feedbacksysteme und ihre Grenzen 2.5.3.3 Quellen von Feedback 2.5.4 Herausforderungen und Forschungslücken in der KI-gestützten Bildung 2.5.4.1 Systematische Literaturanalyse zu KI-gestützten Feedbacksystemen 2.5.4.2 Identifikation der Forschungslücke und Ableitung offener Forschungsfragen ⸻ 3 Forschungsdesign 3.1 Forschungsansatz und Methodik 3.1.1 Forschungsfragen und Hypothesen 3.1.2 Stichprobe und Teilnehmermerkmale 3.1.3 Methodik und Datenerhebung 3.1.4 Auswertungsmethode 3.1.5 Gütekriterien 3.2 Ethik und Datenschutz im Forschungsdesign 3.3 Zusammenfassung des Forschungsdesigns ⸻ 4 Entwicklung des KI-basierten Feedbacksystems 4.1 Didaktische und methodische Grundlagen der KI-Implementierung 4.2 Anforderungen an das KI-Feedbacksystem 4.2.1 Didaktische Instruktion zur Generierung adaptiven Feedbacks 4.3 Technische Umsetzung des KI-Systems ⸻ 5 Ergebnisse 5.1 Lernoutput im Kontext von KI-Feedbacksystemen 5.1.1 Pre-Test als Pilotstudie 5.1.1.1 Deskriptive Analyse 5.1.1.2 Inferenzstatistische Analyse 5.1.2 Primärerhebung 5.1.2.1 Deskriptive Analyse 5.1.2.2 Inferenzstatistische Analyse 5.1.3 Post-Test zur Validierung 5.1.3.1 Deskriptive Analyse 5.1.3.2 Inferenzstatistische Analyse 5.1.4 Zusammenfassung der Ergebnisse 5.2 Leistungsmotivation im Kontext von KI-gestütztem Lernen 5.2.1 Primärerhebung 5.2.2 Korrelation zwischen Motivation und Lernoutput 5.2.3 Interpretation der Korrelationsergebnisse ⸻ 6 Diskussion 6.1 Interpretation der Ergebnisse der Studie 1 6.2 Interpretation der Ergebnisse der Studie 2 6.3 Gesamtinterpretation der Forschungsergebnisse 6.4 Forschungslücke und Implikationen für zukünftige Forschung 6.5 Limitationen der Studien ⸻ 7 Schlussfolgerung 7.1 Zentrale Erkenntnisse und Beantwortung der Forschungsfragen 7.2 Implikationen für die Praxis 7.3 Ausblick und zukünftige Forschung ⸻ 8 Anhänge 8.1 Literaturverzeichnis 8.2 Abkürzungsverzeichnis 8.3 Darstellung des Kompetenzzuwachses für das jeweilige Seminar 8.4 Teilausblick auf den Code des KI-basierten adaptiven Feedbacksystems 8.5 Fragebogen 8.6 Glossar