Smart Learning Design (eBook)

2.1 Was sind Smart Learning Environments?

Die wissenschaftlichen Zugänge zu Smart Learning sind davon geprägt, Erkenntnisse aus unterschiedlichen Perspektiven zu betrachten. Der Forschungsbereich zu Smart Learning ist ein interdisziplinäres Feld. Neben der (Wirtschafts-)Informatik beschäftigen sich sozialwissenschaftliche Disziplinen mit Smart Learning Environments (SLEs) als Forschungsgegenstand – z. B. die (Medien-)Pädagogik oder die Psychologie. Entsprechend gibt es unterschiedliche Zugänge und Definitionen von SLEs, die nachfolgend zusammengefasst werden.

2.1.1 Definitionen

Seit Jahren feile ich an einer eigenen Definition. Immer, wenn ich danach gefragt werde, beziehe ich mich im Wesentlichen auf Koper und Hwang, da deren Definitionen ziemlich unterschiedlich sind, aber im Kern eine ähnliche Bedeutung haben.

Nach Koper (2014) sind Smart Learning Environments physische Lernumgebungen, in denen mithilfe von digitalen, kontextsensitiven und anpassungsfähigen Geräten (devices) Lernen verbessert und beschleunigt werden soll.

Demgegenüber definiert Hwang (2014) Smart Learning Environments als technologisch angereicherte Lernumgebungen, die Anpassungen vornehmen und die richtige Unterstützung (wie z. B. Anleitungen, Feedback, Tipps oder Tools) am richtigen Ort, zur richtigen Zeit und auf die richtige Art und Weise anbieten, basierend auf der Analyse des Lernverhaltens sowie dem realweltlichen Kontext, in dem sich die Lernenden befinden.

Es ist nicht ganz einfach, Smart Learning eindeutig von anderen Lernformen abzugrenzen – die Übergänge sind fließend und die Lernformen überlappen sich. Insbesondere bei adaptivem und ubiquitärem Lernen gibt es starke Überschneidungsbereiche und die eindeutige Differenzierung fällt schwer. Die zwei Infografiken, die du über den QR-Code erreichst, schaffen Klarheit zwischen Definitionen und erweiterten Bezügen.

Aus den Definitionen kann man ableiten, dass bei Smart Learning adaptives und ubiquitäres Lernen kombiniert werden. Vor fünf Jahren war das Konzept von Smart Learning definitiv noch mehr Vision als Realität. Heute ist das anders, da sich adaptives wie auch ubiquitäres Lernen durch Technologien aus den Bereichen XR, IoT und AI immer einfacher realisieren lässt.

2.1.2 Ziele und Visionen

SLEs verfolgen mehrere Ziele. Aus den o. a. Definitionen von Koper (2014) und Hwang (2014) lassen sich bereits die zwei wesentlichen Stoßrichtungen ableiten. Zum einen geht es darum, einen fließenden Übergang zwischen digitalen und analogen Lernprozessen herzustellen (ubiquitous learning). Zum anderen sollen die richtigen Informationen zur richtigen Zeit und am richtigen Ort zur Verfügung stehen (adaptive learning).

Basierend auf diesen Zielen kann man feststellen, dass sich das Ziel der Hybridisierung, also das nahtlose Verschmelzen von digitalen und physischen Lernwelten, heutzutage sehr gut umsetzen lässt und keine nennenswerten Herausforderungen mit sich bringt. Es gibt etliche Anbieter, die sich auf »phygitale« Lösungen spezialisiert haben, also auf physisch-digitale Lösungen in Echtzeit, wie sie z. B. mithilfe von Augmented Reality umsetzbar sind. Zu den Anbietern gehören kreative Digitalagenturen, aber auch Start-ups, die für ein starkes Aufkommen vielfältiger XR-Plattformen in Kombination mit passenden XR-Apps sorgen. Viele XR-Beispiele wirst du im weiteren Verlauf des Buches finden, insbesondere auch in Kapitel 2.2.5.

EdTech-Start-ups entwickeln kontinuierlich neue Produkte, Services und Plattformen und tragen dazu bei, dass ein neuer Markt entsteht. Treibstoff für die neuen Produkte, Services und Plattformen sind die exponentiellen Fortschritte im technologischen Umfeld. Insbesondere Technologien aus den Bereichen Augmented, Mixed und Virtual Reality sowie KI-Lösungen haben in den vergangenen Monaten Einzug in den Bildungsbereich gehalten, sodass man hier tendenziell von Smart Learning Environments sprechen könnte, falls auch Formen des adaptiven Lernens damit schneller umgesetzt werden können.

Denn beim zweiten Ziel, also der Erzeugung von intelligenten Systemen auf der Basis adaptiver Lernpfade (Intelligent Tutoring Systems) wird es dann in der Umsetzung schon etwas schwieriger. Aber auch hier gab es in den vergangenen Monaten erhebliche Fortschritte, insbesondere durch die Veröffentlichung einer Testversion des KI-Chatbots »ChatGPT« im Dezember 2022. Dies hatte zu einem regelrechten Hype in den sozialen Medien geführt. Seit 2023 gibt es die kostenpflichtige Professional-Version mit ChatGPT4. Mit dieser Premiumversion für ca. 23 Euro im Monat können laut Anbieter (Open AI) noch bessere Ergebnisse erzielt werden.

KI im Kontext von Smart Learning

ChatGPT ist ein Chatbot, der mit maschinellem Lernen trainiert wurde, um menschenähnliche Unterhaltungen zu führen. ChatGPT basiert auf einem generativen KI-Sprachmodell (GPT steht für Generalized Pre-trained Transformer), das im Jahr 2020 in der dritten Version (GPT-3) veröffentlicht wurde und bereits damals beachtliche Resultate lieferte. Was im Jahr 2022 viele Menschen erstaunt hat, war die unglaublich hohe Qualität der erzielten Ergebnisse, die zudem sehr einfach und schnell produziert werden konnten, sofern man Zugang zum Internet hat. Eine URL, eine Registrierung, ein einziges leeres Textfeld – und schon steht einem die Unendlichkeit der Textgenerierung offen.

Wichtig in diesem Kontext ist, dass ChatGPT ein generisches Werkzeug ist, das auf eine sehr breite Anwendung ausgelegt ist. GPT-3 und Co. bauen ihre Antworten primär aufgrund von statistisch zu erwartenden Wörtern und Sätzen zusammen, deren Wahrscheinlichkeiten sie in ihrem Textkorpus finden (Döbeli/Honegger, 2023). Der Korpus umfasst derzeit ca. eine Billion Wörter aus sechs Millionen Wikipedia-Artikeln und Millionen von Büchern und Websites. Es kommt deshalb mitunter vor, dass die Chatbots sachliche und/oder logische Fehler generieren. Das bedeutet, dass man die Ergebnisse stets kontrollieren und ggf. auch verbessern muss. Wenn du ChatGPT bisher noch nicht getestet hast, dann erstelle dir einen Account und frage ChatGPT: »Was sind Smart Learning Environments?«

Prof. Dr. Doris Weßels ist Professorin für Wirtschaftsinformatik an der Fachhochschule Kiel sowie Initiatorin und Leiterin der Fachgruppe »KI und Academic Writing« beim KI-ExpertLab Hochschullehre. Sie hat ChatGPT selbst gefragt, welche Gefahren bei dessen Einsatz in akademischen Schreibprozessen zu erwarten sind. Die Antworten des Chatbots sind in der Tat beeindruckend (Weßels, 2022):

Oder:

Man muss also wissen, wie man die Ergebnisse von ChatGPT einzuordnen hat und wie man damit optimal umgeht, um effizienter, also schneller und effektiver lernen bzw. arbeiten zu können. Die Meinungen dazu sind allerdings gespalten, vielfach hört man von Forderungen, ChatGPT im (Hoch-)Schulkontext zu verbieten, da insbesondere Abschlussarbeiten von einer KI übernommen werden könnten.

Ich habe da eine komplett andere Sichtweise auf das Thema, denn meiner Meinung nach ist diese Angst unbegründet. Ich persönlich finde es sogar gut, dass es intelligente Systeme gibt, die uns beim Lernen und Arbeiten unterstützen, die uns eine erste Empfehlung aussprechen, mit der wir dann weiterarbeiten können. Sie sollen uns ja nicht das Denken abnehmen, sondern nur gezielt unterstützen. Ich freue mich geradezu, weil ein meiner Ansicht nach überholtes und ausgelaufenes Lernparadigma sein Ende findet.

Lernen ist...