Was tun, wenn die Prüfung näher rückt, das Skript noch Fragen offenlässt und die nächste Sprechstunde erst in ein paar Tagen stattfindet? Viele Studierende nutzen in solchen Situationen heutzutage generative KI: Sie lassen sich Aufgaben erklären, schwierige Inhalte zusammenfassen oder Übungsfragen erstellen.

Doch wie hilfreich ist ein KI-System, wenn es die konkrete Lehrveranstaltung gar nicht kennt? Kann es zwischen hilfreichen Hinweisen und vorschnellen Lösungen unterscheiden? Und woran erkennen Studierende, ob eine Antwort fachlich passt?

Genau hier setzt das Praxisprojekt PrepAIre an der Hochschule Niederrhein an. Seit dem 01.10.2025 entwickelt das Projekt ein KI-gestütztes Tutorensystem, das Studierende in Selbstlernphasen unterstützt, besonders bei der Prüfungsvorbereitung. Im Mittelpunkt steht nicht die Idee, Lernen an KI auszulagern. PrepAIre soll vielmehr helfen, Inhalte besser zu verstehen, gezielter nachzufragen und den eigenen Lernprozess aktiver zu gestalten. Erprobt wird das System zunächst in Lehrveranstaltungen wie Data Science und Big Data Technologien.

Selbstlernphasen gehören zum Studium dazu. Gerade vor Prüfungen arbeiten Studierende mit Vorlesungsfolien, Skripten, Übungsaufgaben, Programmiernotebooks und eigenen Mitschriften. Dabei entstehen Fragen, die sich nicht sofort klären lassen: Warum funktioniert dieser Code nicht? Wie hängt ein Konzept mit dem vorherigen Kapitel zusammen? Welche Idee steckt hinter einer Aufgabe?

Generative KI kann hier wie ein zusätzlicher Gesprächspartner wirken. Sie ist schnell verfügbar, reagiert auf individuelle Fragen und kann Inhalte in unterschiedlichen Schwierigkeitsgraden erklären. Allgemeine KI-Systeme kennen jedoch meist nicht die Begriffe, Beispiele, Modelle und Lösungswege einer konkreten Lehrveranstaltung. PrepAIre möchte diese Lücke schließen.

Damit PrepAIre veranstaltungsnah antworten kann, müssen die Lehrmaterialien zunächst aufbereitet werden. Am Fachbereich für Ingenieurwissenschaften und Informatik der Hochschule Niederrhein liegen diese Materialien in unterschiedlichen Formaten vor: Vorlesungsskripte und Folien als PDF, eingebundene Grafiken sowie Programmieraufgaben, häufig in Form von Jupyter-Notebooks.

Diese Vielfalt ist didaktisch wertvoll, technisch aber anspruchsvoll. Ein KI-Tutor muss nicht nur mit Fließtext umgehen können, sondern auch Code, Aufgabenstellungen, Abbildungen und Folien sinnvoll einordnen. PrepAIre nutzt dafür den Ansatz der Retrieval Augmented Generation, kurz RAG.

Bei PrepAIre werden Vorlesungsfolien, Skripte, Aufgaben und Notebooks so aufbereitet, dass relevante Inhalte wiedergefunden werden können. Textabschnitte werden dafür in Vektoren übersetzt und in einer Datenbank gespeichert. Stellt eine Studentin oder ein Student eine Frage, sucht das System nach ähnlichen Inhalten und gibt diese dem Sprachmodell als Kontext mit.

Das Ziel: Die Antwort soll besser zur konkreten Lehrveranstaltung passen und für Studierende überprüfbar bleiben.

In einer ersten Entwicklungsphase arbeitet PrepAIre mit einer Chatoberfläche auf Basis von Open WebUI. Für Studierende ist die Nutzung damit vertraut: Sie können eine Unterhaltung starten und Fragen zur Lehrveranstaltung stellen. Im Hintergrund sucht das RAG-System passende Inhalte aus den vorbereiteten Materialien und stellt sie dem Sprachmodell zur Verfügung.

Open WebUI ist für den Einstieg hilfreich, erzeugt aber eine zusätzliche Schnittstelle neben den bestehenden Lern- und Arbeitsumgebungen. Deshalb wird PrepAIre auch direkt in die Jupyter-Umgebung eingebunden. Studierende können dort in der gewohnten Umgebung Fragen stellen und direkt auf eigene Code-Abschnitte Bezug nehmen.

PrepAIre wird mit Blick auf Datenschutz, Transparenz und langfristige Nutzbarkeit entwickelt. Das System nutzt Open-Source-Sprachmodelle, die auf einem hochschulinternen Cluster betrieben werden. Das hat mehrere Vorteile: Die Daten und Anfragen der Studierenden bleiben in einer kontrollierten Umgebung, die Hochschule wird weniger abhängig von externen Plattformen, und das System lässt sich besser an eigene Lehrformate, Prüfungsformen und fachliche Kontexte anpassen. Am Ende der Projektlaufzeit soll der aktuelle Stand des Systems als Open Source auf GitHub verfügbar sein. Damit knüpft PrepAIre an andere KI:edu.nrw-Praxisprojekte wie Sokratesᵗ (Link Sokratest) an, richtet den Fokus aber besonders auf Prüfungsvorbereitung und veranstaltungsnahe Selbstlernphasen.

Über das Projektende hinaus sollen Lernpfade, Konzepte und Kompetenzen stärker eingebunden werden. Auch ein Lernenden-Modell ist denkbar, das den Lernfortschritt sichtbar macht und passende nächste Schritte vorschlägt: Welche Inhalte sollten wiederholt werden? Welche Folgeaufgaben passen? Welche Themen helfen, eine Übung besser zu verstehen?

Die Perspektive der Studierenden bleibt dabei zentral. In Masterprojekten wurden bereits eigene KI-Tutorsysteme entwickelt und Anforderungen von Studierenden an PrepAIre sichtbar gemacht. Gezielte Befragungen sollen zeigen, wie Studierende KI-Tutoren nutzen, Antworten kritisch einordnen und welche Unterstützung im Selbststudium wirklich hilft.