BEAGLE: Neuro-Symbolisches Modell simuliert authentische Lernverhalten

Ein brandneues neuro-symbolisches Framework namens BEAGLE verspricht, die Simulation von Lernverhalten in offenen Problemlösungsumgebungen zu revolutionieren. Durch die Kombination von Künstlicher Intelligenz und Lernpsychologie kann BEAGLE realistische Lernpfade erzeugen, ohne dass sensible Schülerdaten erhoben werden müssen.

Die Erhebung echter Lerndaten ist bislang mit hohen Kosten, langen Studienzeiten und Datenschutzproblemen verbunden. Klassische Large Language Models (LLMs) neigen dazu, Lernprozesse zu optimieren und dabei die typischen Fehler, Unsicherheiten und iterativen Auseinandersetzungen von Anfängern zu vernachlässigen.

BEAGLE löst dieses Problem, indem es die Theorie des selbstregulierten Lernens (Self‑Regulated Learning, SRL) in eine neuartige Architektur einbettet. Das System nutzt drei zentrale technische Innovationen, um authentische Lernverläufe zu erzeugen.

Erstens steuert ein semi‑Markov‑Modell die Zeitpunkte und Übergänge zwischen kognitiven und metakognitiven Verhaltensweisen. Zweitens wird Bayesian Knowledge Tracing mit gezielter Fehlerinjektion kombiniert, um echte Wissenslücken und „unbekannte Unbekannte“ zu simulieren. Drittens trennt ein decoupled‑Agent‑Design die strategische Planung von der eigentlichen Code‑Generierung, sodass das Modell nicht unbemerkt eigene Fehler korrigiert.

In Evaluierungen an Python‑Programmieraufgaben übertraf BEAGLE die führenden Baselines deutlich in der Reproduktion authentischer Lernpfade. Ein menschlicher Turing‑Test zeigte, dass die Nutzer die synthetischen Spuren nicht von echten Schülerdaten unterscheiden konnten – die Genauigkeit lag bei 52,8 %, was praktisch zufälliger Rat ist.

Diese Ergebnisse deuten darauf hin, dass BEAGLE ein leistungsfähiges Werkzeug für die Bildungsforschung und die Entwicklung adaptiver Lernsysteme sein kann, ohne die ethischen und finanziellen Hürden traditioneller Datenerhebungen zu erhöhen.