KI-basierte Unterrichtsanalyse: Anpassung und Optimierung von Sprachmodellen für den naturwissenschaftlichen Unterricht​

​Unterrichtserfahrungen zu machen und zu reflektieren, stellen Schlüsselmomente in der Aus- und Fortbildung von Lehrkräften dar. Jedoch kann das notwendige individualisierte Feedback, z.B. durch Kolleg:innen an den Schulen, ressourcenintensiv und oft je nach Fall sehr unterscshiedlich sein. Mit dem Ziel Feedback für Unterrichtsgespräche teils datengestützt und automatisiert bereit zu stellen, wird ein bestehendes großes Sprachmodell (GSM), das an englischsprachigen Mathematikunterricht trainiert wurde, zur Analyse von „Talk Moves“ weiterentwickelt. Kolleg:innen der Naturwissenschaftsdidaktiken und der Computerlinguistik adaptieren dazu die Konzeption von „Talk Moves“ für Biologie-, Chemie- und Physikunterricht und finetunen das GSM an deutschsprachige Aufzeichnung dieser Fächer. Gleichzeitig wird getestet, ob bestehende GSM internationaler Firmen, wie z. B. ChatGPT, vergleichbare oder bessere Ergebnisse liefern können. Somit wird herausgearbeitet, welche Strategie – fine-tuning basierte Weiterentwicklung oder Prompt Engineering – vielversprechender für eine KI-basierte Analyse von Chemieunterricht sein kann.