Seite - 155 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 155 3. Humanoide Roboter als Assistenten in der Hochschullehre. Die Digitalisierung der Hochschulbildung erfordert neue digitale Lehr- und Lernszenarien. Die Methode „Inverted Classroom“ (auch „Flipped classroom“ genannt) bezeichnet die Methode des umgedrehten Unterrichts. Lehrinhalte werden digital in Form von MOOCs, Lernvi- deos, Lernmaterialien und Tests auf Onlineplattformen zur Verfügung gestellt und ortsunabhängig eigenständig zur Vorbereitung auf die Präsenzveranstaltung erarbei- tet. Die Präsenzveranstaltung wird für Vertiefungen, gemeinsames üben, diskutieren und kollaboratives Arbeiten genutzt. Kollabroatives Arbeiten ist jedoch betreuungsin- tensiv – und mit wenig Lehrenden und vielen Studierenden eine Herausforderung. Wie könnten hier humanoide Roboter (charakterisiert durch menschliche Form und menschliches Verhalten) als Assistenten die Lehrenden unterstützen? Genau diese Frage wird in dem vom Bundesministerium für Bildung und Forschung geförderten Projekt „H.E.A.R.T. (Humanoid Emotional Assistant Robots in Teaching)“50 an der Phi- lipps-Universität Marburg erforscht. Der humanoide Roboter „Pepper“51 wird als Assis- tent in Lehrveranstaltungen an der Philipps-Universität Marburg eingesetzt, z.  B. um Aufgaben zu stellen, Quizze durchzuführen und auf Fragen der Studierenden zu ant- worten. Pepper ist auf menschliche Aktionen und Reaktionen programmiert und somit prädestiniert für Mensch-Maschine-Kommunikation und Mensch-Maschine-Bezie- hung. Technisch möglich ist dies durch maschinelle Spracherkennung (mehrere Spra- chen), Sprachsynthese, natürlich-sprachlicher Dialogfähigkeit, verbale Kommunikation über Gestik, Blickkontakt und Körperhaltung sowie Gesichtserkennung. Das einge- baute Tablet ermöglicht zudem den Einsatz für Lehr- und Präsentationsaufgaben. Perspektivische Anknüpfungspunkte zu Learning Analytics könnten der Einsatz humanoider Roboter als individuelle Lern- und Beratungsassistenten auf Basis der analysierten Lernendendaten sein (z.  B. aus den Online-Tests zur Vorbereitung auf die Präsenzveranstaltung) oder die persönliche Unterstützung von automatisch identifi- zierten Studierendengruppen (z.  B. hinsichtlich Interesse und Lernniveau) auf elektro- nisch verfügbarer Datengrundlage. Fazit und Ausblick Learning Analytics birgt ein großes Potenzial zur Optimierung von Lehr- und Lernpro- zessen, denn datenbasierte Erkenntnisse bieten vielfältige Vorteile für alle Beteilig- 50 https://www.project-heart.de/, zuletzt geprüft am 13.07.2018 51 https://cdn.website-start.de/proxy/apps/a1tvb2/uploads/gleichzwei/instances/3A26FA88- E7D9-41CA-BB2F-DBE354A2A784/wcinstances/epaper/a735bb42-2925-4a06-be47- 1a2f50374bee/pdf/heart_peppers_f%C3%A4higkeiten_broschuere_gro%C3%9F.pdf, zuletzt geprüft am 13.07.2018