Dresden 2026 – scientific programme

Parts | Days | Selection | Search | Updates | Downloads | Help

DD: Fachverband Didaktik der Physik

DD 37: Lehr- und Lernforschung

DD 37.1: Talk

Wednesday, March 11, 2026, 10:45–11:05, SCH/A252

Entwicklung und Evaluation eines LLM-basierten Feedbacksystems für das physikalische Problemlösen — •Fabian Kieser¹, Paul Tschisgale², Holger Maus², Stefan Petersen², Marcus Kubsch¹ und Peter Wulff³ — ¹FU Berlin, Berlin, Deutschland — ²IPN, Kiel, Deutschland — ³PH Ludwigsburg, Ludwigsburg, Deutschland

Künstliche Intelligenz eröffnet neue Möglichkeiten für individualisiertes und adaptives Lernen. Besonders Feedbacksysteme auf Basis großer Sprachmodelle (LLMs) versprechen flexible Lernunterstützung. Während sich bisherige Forschung vornehmlich darauf konzentriert, konzeptuelles Verständnis zu fördern, adressiert dieser Beitrag die Frage inwieweit LLM-basierte Feedbacksysteme auch bei komplexeren Fähigkeiten wie dem physikalischen Problemlösen reliabel und valide funktionieren. Zugleich sind LLMs als probabilistische Systeme nicht frei von Risiken: Sie können fehlerhafte Antworten erzeugen und ihre Nutzung zu einer übermäßigen Abhängigkeit der Lernenden führen. Um das Potenzial und die Grenzen solcher KI-basierten Feedbacksysteme unter anspruchsvollen Bedingungen zu untersuchen, haben wir unser System mit hochmotivierten Teilnehmenden des deutschen Auswahlwettbewerbs der Internationalen PhysikOlympiade erprobt. Ziel ist es, zu untersuchen, unter welchen Bedingungen solche Systeme Lernprozesse unterstützen können. Im Beitrag wird die oben gestellte Forschungsfrage mit Hilfe von empirischen Daten aus einer Erprobung einer solchen LLM-basierten Webanwendung im Projekt WasP beantwortet und zur Diskussion gestellt.

Keywords: Physikalisches Problemlösen; Adaptives Feedback; Intelligente Tutoringsysteme