Entwicklung und Evaluation eines KI-gestützten Python-Lernsystems nach 4C/ID

Abstract

Kann ein KI-gestützter Tutor den Einstieg ins Programmieren erleichtern? Die vorliegende Bachelorarbeit untersucht, inwiefern die Integration eines KI-gestützten Chat-Tutors und einer adaptiven Drill-Auswahl die Lernerfahrung beim Erwerb von Python-Grundlagen verbessert. Hierzu wurde ein webbasiertes Lernsystem entwickelt, das Einsteigende schrittweise durch die Implementierung eines vollständigen BMI-Rechner-Programms führt und dabei KI-basierte Assistenz über die OpenAI-API integriert. Als theoretischer Rahmen dient das 4C/ID-Modell (Four-Component Instructional Design) nach van Merriënboer, wobei der Fokus auf den Komponenten Learning Tasks und Part-task Practice liegt.

Eine kontrollierte empirische Studie mit 18 Teilnehmenden im Between-Subjects-Design untersuchte, ob KI-gestützte Komponenten zu günstigeren Lernindikatoren führen. Die Kontrollgruppe arbeitete ohne KI-Funktionen, während die Experimentalgruppe Zugang zu KI-gestützter Aufgabenauswahl und einem KI-Chat-Tutor erhielt. Die Datenerhebung umfasste System-Logs, NASA-TLX-Fragebögen, Usability-Skalen sowie KI-spezifische Evaluationsitems.

Die Ergebnisse zeigen keine signifikanten Unterschiede in objektiven Leistungsindikatoren wie Fehlerrate oder Abschlussquote. Auf subjektiver Ebene wies die Experimentalgruppe konsistent günstigere Werte auf: geringere Frustration im NASA-TLX, höhere hedonische Qualität im UEQ-S sowie einen besseren Net Promoter Score. Eine qualitative Analyse der Chat-Verläufe identifizierte sowohl produktive Nutzungsmuster als auch systemseitige Schwachstellen, aus denen konkrete Verbesserungsmaßnahmen abgeleitet werden.

Volltext

Verfügbar auf Anfrage.