Am 21. Januar 2026 fand im Rahmen der CATALPA Lecture Series ein bemerkenswerter Vortrag von Tanja Käser statt. Der Fokus des Vortrags lag auf der Verallgemeinerbarkeit versus Interpretierbarkeit von Lernmodellen in der Bildungstechnologie. Laut den Informationen von Fernuni Hagen sind Wissens- und Verhaltensmodelle von zentraler Bedeutung, jedoch leiden diese häufig unter mangelnder Generalisierbarkeit und Interpretierbarkeit.

Tanja Käser, Assistant Professor mit Tenure Track an der EPFL School of Computer and Communication Sciences in Lausanne, leitet das ML4ED-Labor (Machine Learning for Education Laboratory). Ihre Forschung beschäftigt sich intensiv mit der Schnittstelle von maschinellem Lernen, Data Mining und Bildung. Dabei liegt ein besonderer Schwerpunkt auf der Entwicklung genauer Modelle des menschlichen Verhaltens und Lernens.

Herausforderungen in der Modellierung

Im Rahmen der Lecture wurden die Herausforderungen bei der Entwicklung von Modellen erörtert, die sowohl verallgemeinerbar als auch erklärbar sind. Die bisherige Forschung konzentrierte sich vor allem auf präzise Wissens- und Verhaltensmodelle, dabei wurden jedoch erhebliche Einschränkungen festgestellt. Die gegenwärtigen Modellierungsansätze sind oft spezifisch und benötigen hohen Expertenaufwand, was die Generalisierbarkeit dieser Modelle einschränkt.

Ein innovativer Aspekt des Vortrags war die Diskussion über den Einsatz von Künstlicher Intelligenz zur Verbesserung dieser Modelle. Fortschritte in generativer KI und großen Sprachmodellen (LLMs) könnten helfen, diese Einschränkungen zu überwinden. Dennoch ist es wichtig zu beachten, dass LLMs nicht optimal auf Bildungsziele ausgerichtet sind und Mängel im fundierten Wissen aufweisen.

Präsentation von Erkenntnissen

Käser stellte in ihrem Vortrag verschiedene Modelle vor, die das Lernen in offenen Umgebungen verfolgen und zwischen verschiedenen Gruppen verallgemeinern können. Zudem diskutierte sie Arbeiten im Bereich erklärbarer KI, einschließlich der Bewertung bestehender Ansätze und der Entwicklung interpretierbarer Modelle.

Die Zuhörer erhielten spannende Einblicke in aktuelle Forschungsarbeiten, die traditionelle Modellierungsansätze mit LLMs kombinieren. Als zentrale Erkenntnisse aus Vortrag und Diskussion wurden drei wesentliche Punkte herausgearbeitet:

  • Das Potenzial von LLMs für personalisierte Lernunterstützung steht im Spannungsverhältnis zur echten Individualisierung.
  • Es besteht eine Notwendigkeit für eine präzisere Unterscheidung zwischen Interpretierbarkeit und Explainable AI.
  • Vertrauen in KI-basiertes Feedback kann durch gute Kommunikation und transparente Erklärungen gestärkt werden.

Zusammenfassend lässt sich sagen, dass der Vortrag von Tanja Käser nicht nur die aktuellen Herausforderungen in der Bildungstechnologie beleuchtete, sondern auch Wege aufzeigte, wie innovative Ansätze zur Verbesserung von Lernmodellen beitragen können. Diese Entwicklungen sind entscheidend, um Bildungstechnologien sowohl effektiver als auch nachvollziehbarer zu gestalten.