Thema der Dissertation:
Förderung physikalischer Problemlösefähigkeiten mit Largue Language Models Studien zur Entwicklung einer KI-gestützten Lernumgebung
Förderung physikalischer Problemlösefähigkeiten mit Largue Language Models Studien zur Entwicklung einer KI-gestützten Lernumgebung
Abstract: Das Forschungsfeld automatisierter Feedbacksysteme hat durch die Entwicklung leistungsfähiger Large Language Models (LLMs) in den letzten Jahren stark an Bedeutung gewonnen. Diese Dissertation untersucht das Potenzial von LLMs zur Unterstützung physikalischer Problemlösefähigkeiten. Hierfür wurde eine digitale Lernumgebung entwickelt, die automatisiertes Feedback auf Basis von LLMs generiert und mit Teilnehmenden des deutschen Auswahlwettbewerbs zur Internationalen PhysikOlympiade erprobt wurde.
Der Vortrag stellt zunächst Studien zum Einsatz von LLMs im Kontext physikalischer Problemlöseprozesse vor. Darauf aufbauend wird das physikalische Konzeptverständnis von LLMs im Bereich der klassischen Mechanik analysiert, insbesondere im Hinblick auf die Reproduktion fachdidaktisch relevanter Präkonzepte. Zudem werden diagnostische Verfahren sowie die automatische Feedbackgenerierung des Systems evaluiert.
Die Ergebnisse zeigen, dass LLMs zentrale Aspekte physikalischer Problemlöseprozesse abbilden können. Durch gezieltes Prompting lassen sich Problemlösestrategien und Präkonzepte simulieren. Während LLMs bei klar strukturierten Lösungswegen qualitativ hochwertiges Feedback generieren können, bestehen Herausforderungen insbesondere in frühen oder wenig strukturierten Phasen des Problemlösens. Die Arbeit liefert also einen Beitrag zur Frage, wie diese neuen Technologien zur Gestaltung lernförderlicher Aktivitäten beitragen können.
Der Vortrag stellt zunächst Studien zum Einsatz von LLMs im Kontext physikalischer Problemlöseprozesse vor. Darauf aufbauend wird das physikalische Konzeptverständnis von LLMs im Bereich der klassischen Mechanik analysiert, insbesondere im Hinblick auf die Reproduktion fachdidaktisch relevanter Präkonzepte. Zudem werden diagnostische Verfahren sowie die automatische Feedbackgenerierung des Systems evaluiert.
Die Ergebnisse zeigen, dass LLMs zentrale Aspekte physikalischer Problemlöseprozesse abbilden können. Durch gezieltes Prompting lassen sich Problemlösestrategien und Präkonzepte simulieren. Während LLMs bei klar strukturierten Lösungswegen qualitativ hochwertiges Feedback generieren können, bestehen Herausforderungen insbesondere in frühen oder wenig strukturierten Phasen des Problemlösens. Die Arbeit liefert also einen Beitrag zur Frage, wie diese neuen Technologien zur Gestaltung lernförderlicher Aktivitäten beitragen können.
Zeit & Ort
23.03.2026 | 15:30
MediaLab (1.3.43/47)
(Fachbereich Physik, Arnimallee 14, 14195 Berlin)