Dr. Christian M. Meyer

Automatische Analyse
von Diagnosekompetenzen
in Fallsimulationen

Abstract. Diagnosekompetenzen spielen in vielen beruflichen Situationen eine wichtige Rolle. Diagnostizieren ist das zielgerichtete Sammeln und Integrieren von Informationen zum Zweck der bestmöglichen Entscheidungsfindung. Um Diagnosekompetenzen von Studierenden zu fördern und diese dadurch hinreichend auf ihre beruflichen Aufgaben vorzubereiten, bieten sich Fallsimulationen an. Dabei werden Studierenden berufsnahe Situationen geschildert, in denen diagnostisches Denken und Schlussfolgern erforderlich ist. Ohne hinreichendes inhaltliches Feedback ist es Studierenden jedoch nur schwer möglich ihre Diagnosekompetenzen zu verbessern. Klassische Methoden des Feedbacks, insbesondere für große Gruppen an Studierenden, sind entweder wenig Lehrkraft-intensiv jedoch allgemein (z.B. Muster- bzw. Expertenlösungen) oder adaptiv jedoch Lehrkraft-intensiv (z.B. individuelles Feedback von Experten). Automatisches adaptives Feedback bezüglich Diagnosekompetenzen kann helfen die Nachteile klassischer Feedbackmethoden zu überwinden. Ziel ist es, Methoden zu entwickeln, die Diagnosekompetenzen automatisch analysieren und evaluieren, und daher zur automatischen Erstellung von adaptivem Feedback genutzt werden können. Methoden aus der Künstlichen Intelligenz (KI) wurden bereits erfolgreich in Lehr-Lernumgebungen eingesetzt und haben hohes Zukunftspotential (Luckin, Holmes, Griffiths & Forcier, 2016), da sie sich zur automatischen Analyse von Daten eignen. Die hier untersuchte Forschungsfrage ist, inwieweit Methoden aus der KI auf Studierendenlösungen in Fallsimulationen anwendbar sind, um diese automatisch bezüglich Diagnosekompetenzen zu analysieren.

Submitted: 30.09.2017 | Published: 15.02.2018