Adaptive Scaffolding steigert Lernleistung in intelligenten Tutoringsystemen

Das ICAP‑Framework unterscheidet vier Stufen kognitiver Beteiligung – Passiv, Aktiv, Konstruktiv und Interaktiv. Je höher die Beteiligung, desto besser die Lernergebnisse. Doch die Herausforderung besteht darin, Lernaktivitäten so zu personalisieren, dass genau die optimale Beteiligungsstufe erreicht wird.

In der vorliegenden Studie wurde ein System entwickelt, das die kognitive Beteiligung adaptiv unterstützt, indem es dynamisch zwischen zwei Arten von Arbeitsbeispielen wählt: geführte Beispiele (aktiv) und fehlerhafte Beispiele (konstruktiv). Für die adaptive Auswahl wurden zwei Verfahren verglichen – Bayesian Knowledge Tracing (BKT) und Deep Reinforcement Learning (DRL) – gegenüber einer nicht‑adaptiven Basisstrategie.

Bei 113 Studierenden zeigte sich, dass beide adaptiven Ansätze die Leistung bei Testaufgaben deutlich steigerten. BKT führte zu den größten Verbesserungen bei Lernenden mit niedrigem Vorwissen, sodass sie mit ihren leistungsstarken Kollegen Schritt hielten. DRL hingegen erzielte signifikant höhere Endnoten bei Studierenden mit hohem Vorwissen.

Die Ergebnisse liefern neue Einblicke in die komplexen Wechselwirkungen zwischen kognitiver Beteiligung, adaptiven Lernstrategien und den daraus resultierenden Lernerfolgen. Sie verdeutlichen, dass gezielte, adaptive Unterstützung die Lernleistung maßgeblich verbessern kann.