Individuelle Lernwege und adaptive Unterstützung sind zentrale Herausforderungen moderner Hochschullehre. Die präzise Erhebung des Lernstands sowie die datenbasierte Schätzung der Zone of Proximal Development (ZPD) bilden das Fundament für wirksames KI-basiertes Scaffolding. Im Rahmen des Multi-Agenten-Scaffolding-Projekts an der Universität St. Gallen soll ein Profiling-Agent entwickelt und konzeptuell wie praktisch evaluiert werden. 
Du kannst flexibel den Schwerpunkt deiner Arbeit wählen: (a) als empirische Anforderungsanalyse mit Studierenden, (b) als systematische Literaturreview zum State-of-the-Art in KI-basierter Lernstanddiagnostik oder (c) als konzeptionelle Taxonomiearbeit zur Klassifikation und Vergleichbarkeit von ZPD-Schätzverfahren. 

• Erhebung und Analyse von Anforderungen an Profiling- und Diagnostik-Agenten durch qualitative oder quantitative Nutzerbefragungen. 

• Systematische Literaturrecherche zu existierenden Methoden der KI-gestützten Lernstandsdiagnostik und ZPD-Schätzung. 

• Entwicklung einer fundierten Taxonomie von ZPD-Diagnostik- und Scaffolding-Ansätzen, ggf. mit Mapping auf internationale Good Practices. 

• Erarbeitung von Empfehlungen für die Integration diagnostischer Verfahren in Multi-Agenten-Systeme und ihre empirische Evaluation im Prototyp. 

• Welche Erwartungen, Anforderungen und Vorbehalte haben Studierende gegenüber automatisierten Profiling-Agenten in Lernumgebungen? 

• Welche Methoden, Algorithmen und Datenquellen werden in der Literatur für ZPD-Schätzung und adaptives Scaffolding diskutiert? 

• Wie lassen sich unterschiedliche Ansätze systematisch klassifizieren und hinsichtlich Qualität, Fairness und Privacy vergleichen? 

• Wie kann ein Profiling-Agent optimal in das Gesamtsystem eingebettet und sein Nutzen empirisch nachgewiesen werden?

• Qualitative Interviews oder Online-Umfrage mit Studierenden des Assessmentjahrs (Datenerhebung & -auswertung) 

• Systematische Literaturreview und/oder Frameworkanalyse 

• Entwicklung und Evaluation einer Taxonomie (z.B. nach Nickerson et al.) 

• Kombination der Ansätze je nach Interesse 

• Enge wissenschaftliche Betreuung und Sparring in der Methodenwahl 

• Zugang zu Prototyp, Systemdaten und ggf. Teilnehmendenpool 

• Möglichkeit zur Mitgestaltung der nächsten Generation adaptiver KI-Systeme in der Lehre 

• Regelmäßige Meetings und Unterstützung bei Publikationsvorhaben 

Interesse? 
Melde dich gern per E-Mail mit einer kurzen Beschreibung deiner Interessen und ggf. Präferenz für eine der oben genannten Optionen! diana.kozachek@unisg.ch