SLOW: KI‑Tutor mit dedizierter Denkfläche für gezielte Lernanpassung

Ein neues Forschungsprojekt namens SLOW (Strategic Logical‑Inference Open Workspace) präsentiert einen innovativen Ansatz für KI‑basierte Lernunterstützung. Im Gegensatz zu herkömmlichen generativen Tutoren, die meist auf schnelle, ein‑Durchlauf‑Generierung setzen, schafft SLOW einen transparenten Arbeitsbereich, in dem Lernzustände systematisch erfasst und analysiert werden können.

Der Rahmen basiert auf dualen Prozessmodellen menschlicher Tutoren und trennt die Ermittlung des Lernenden‑Zustands von der Auswahl der Lehrstrategie. Dabei werden drei zentrale Komponenten eingesetzt: die Analyse kausaler Beweise aus dem Lernenden‑Sprachgebrauch, eine fuzzy‑basierte Lerndiagnose kombiniert mit einer Stabilitätsanalyse von Gegenfaktiken sowie eine vorausschauende affektive Bewertung, die vorhersagt, wie Lehrentscheidungen die emotionale Entwicklung beeinflussen.

In einer Evaluation, die menschliche und KI‑Bewertungen kombiniert, zeigte SLOW signifikante Verbesserungen in der Personalisierung, der emotionalen Sensibilität und der Klarheit der Lerninteraktionen. Ablationsstudien bestätigten, dass jede der drei Module für die Gesamtleistung unerlässlich ist. Durch die Visualisierung des Entscheidungsprozesses bietet SLOW zudem eine nachvollziehbare und zuverlässige Grundlage für intelligentes Tutoring.