Degreed Experiments: Praktisches, adaptives Lernen erschließen

Taylor Blake

Mittwoch, 16. Juli 2025

Teilen

Einer der überzeugendsten Aspekte der konversationellen Sprach-KI von Degreed Maestro ist ihre Fähigkeit, bidirektionale, personalisierte und adaptive Lernerfahrungen zu schaffen. Wir wissen jedoch: Sprache ist nicht für jede Lernaufgabe die ideale Schnittstelle.

Sprach-KI stößt an ihre Grenzen, wenn:

• eine hohe Wiedergabetreue für die Erstellung oder Eingabe komplexer Inhalte erforderlich ist
• visuelle Referenzen entscheidend sind
• Zeit und Raum für umfassende Problemlösungen nötig sind
• Aufgaben nicht sprachliche Elemente wie das Eingeben von Code oder die Navigation in einer Software-Oberfläche umfassen

Das führte uns zu einer zentralen Frage: Können wir die Interaktivität und Anpassungsfähigkeit von Sprache auf nichtsprachliche Kontexte übertragen?

Unser neuestes Experiment: Adaptive Lernübungen

Unsere Antwort darauf war ein innovativer „Learning by doing“-Ansatz. Das Prinzip ist denkbar einfach: Man startet mit einem Lernziel, das in Anforderungen oder Meilensteine unterteilt wird, die aufeinander aufbauen.

Die KI erstellt daraus schrittweise Mikro-Aufgaben, die gezielt das Verständnis und die praktische Anwendung fördern. Nach jedem Versuch gibt es sofort individuelles Feedback, und die nächste Aufgabe wird automatisch an den aktuellen Fortschritt und das Verständnis angepasst. 

Frühes Feedback

• „Ich fand es intuitiv. Mir hat gefallen, dass man nach jeder Erklärung und Aufgabenbeschreibung eine praktische Aufgabe bekam.“
• „Insgesamt verlief alles reibungslos. Das Feedback zu meinen Antworten war sehr hilfreich.“

Diversifizierung der Lernformate 

Die praktische Interaktion war entscheidend. Wir begannen mit der Texteingabe für verschiedene Aufgaben und erweiterten dann die Funktionen um einen Code-Editor für technisch anspruchsvollere Anwendungen.

Als Nächstes kamen Webcam- und Bildschirmaufzeichnungen hinzu. Besonders die Bildschirmaufzeichnungen erwiesen sich als wertvoll, da sie es ermöglichten, Fähigkeiten direkt im beruflichen Kontext oder in spezifischen Anwendungen zu zeigen. 

Frühes Feedback

• „Ich fand es gut, dass ich nicht nur schreiben, sondern auch sprechen musste. Ich konnte das Gelernte vertiefen. Das Konzept ist echt gut.“ 
• „Es war auf jeden Fall interaktiv und motivierend.“

Zusätzlich führten wir Multiple-Choice-Fragen ein, da ständige Texteingaben als lästig empfunden werden können. Auswahlfragen bieten hingegen eine einfachere Möglichkeit, das Verständnis zu überprüfen.

Mit dieser vielfältigen Palette an Modalitäten kann KI für jede Aufgabe das am besten geeignete Format auswählen und diese schrittweise aneinanderreihen. Dadurch wird die kognitive Belastung reduziert. In der Praxis bedeutet das: Zunächst wird das Verständnis mit Multiple-Choice-Fragen geprüft, anschließend folgen praktische Text- oder Codeeingaben und zum Abschluss Webcam- oder Bildschirmaufzeichnungen, um die Beherrschung zu demonstrieren.

Maßgeschneiderte Unterstützung gestalten

Eine Herausforderung war, den richtigen Grad an Hilfestellung zu finden: genug, um Frustration zu vermeiden, aber nicht so viel, dass der Lernprozess gestört wird. Unsere aktuelle Lösung umfasst mehrere Konfigurationsoptionen:

• Hinweise – auf Anfrage erhältlich
• KI-gestützte Fragen und Antworten – für eine sofortige Klärung
• Anpassbare Unterrichtstiefe – von oberflächlich über normal bis intensiv

Wir fügen außerdem jeder Aufgabe ein „Kaninchenbau“-Symbol hinzu, über das frühe Testpersonen bei Bedarf zusätzliche Kontextinformationen oder Erläuterungen aus spezifischen Lernressourcen abrufen können. 

Die Feinabstimmung 

Die Entwicklung eines wirklich adaptiven Prozesses brachte eine Reihe von Herausforderungen mit sich. Zu offen formulierte Aufgaben führten zu unklaren Erwartungen bezüglich Zeit- und Arbeitsaufwand. Unsere Lösung: eine klare Grundstruktur kombiniert mit flexibler Anpassung, sodass Fortschritte jederzeit sichtbar bleiben.

Auch die Fortschrittsmessung war eine Hürde – besonders, wenn die Beherrschung einer Aufgabe mehrere Anläufe über eine unbestimmte Anzahl von Aufgaben hinweg erforderte. Um den „genau richtigen“ Grad an Anpassung zu erreichen, waren viele Iterationen nötig. Das System musste sich anpassen, wenn Lernende Schwierigkeiten hatten. Es musste Aufgaben in überschaubare Einheiten aufteilen, auf Vorwissen aufbauen und Beispiele und Anweisungen dynamisch anpassen, ohne aber die Übungen zu einfach zu machen.

Vom Prototyp zur Weiterentwicklung: Die Reise geht weiter

Dank des Feedbacks von über 50 Testpersonen, denen wir herzlich danken, entwickeln wir das Konzept kontinuierlich weiter. Zukünftig werden Admins und Kurator:innen Lernziele definieren, adaptive Erfahrungen in Lernpfade integrieren und von detaillierten Berichten profitieren. Eine häufig genannte Wunschfunktion: bestehende Dokumentationen oder Schulungsmaterialien hochladen und automatisch in personalisierte Lernanforderungen umwandeln – basierend auf dem spezifischen Unternehmenswissen und den Aufgaben der Mitarbeitenden. 

Ein Tester fand: „Es ist ein tolles Tool. Es hat mir gezeigt, wie Unternehmen ihr eigenes Wissen nutzen können, um gezielte Unterstützung zu leisten – ein Online-Assistent, der in Echtzeit hilft.“

Das Experiment erwies sich als flexibles, motivierendes und effektives Lerninstrument. Die Möglichkeit, sofort und ohne Verwaltungsaufwand personalisiertes Feedback zu geben, ist von unschätzbarem Wert. Der KI-gesteuerte adaptive Lernfortschritt sorgt dafür, dass der Schwierigkeitsgrad immer optimal angepasst ist, während optionale Vertiefungen den individuellen Lernbedarf abdecken. 

Frühes Feedback

• „Für Menschen, die bei der Arbeit lernen und schnell etwas verstehen müssen, ist es auf jeden Fall sinnvoll.“
  

Die Zukunftsaussichten für adaptives Lernen

Aus dem Erfolg dieses Prototyps ergeben sich natürlich spannende neue Möglichkeiten für die zukünftige Entwicklung, darunter:

• Adaptive Beurteilungen: Eine neue Art, Skills und Wissen zu messen
• Adaptive Lernunterstützung und Motivation: Nicht nur eine Anpassung von Unterrichtsweise und Aufgaben, sondern eine personalisierte Unterstützung und Motivation der Lernenden während des gesamten Lernprozesses
• Adaptive Workflows: Bildschirmaufzeichnungen sind datenschutzrechtlich bedenklich – kann KI stattdessen kopierbare Workflows generieren, die für die Praxis optimiert sind und keine Risiken für reale Daten bergen? 

Seien Sie dabei

Wenn Sie diesen Prototyp selbst ausprobieren möchten, haben Sie folgende Möglichkeiten:

• Taylor Blake eine Direktnachricht auf LinkedIn senden
• Für unsere E-Mail-Liste zu Experimenten anmelden
• Degreed auf LinkedIn folgen