SRL-Agent

In der Hochschulbildung wird selbstreguliertes Lernen zunehmend als wichtige Fähigkeit anerkannt, die Studierenden hilft, komplexe akademische Anforderungen zu bewältigen. SRL bedeutet, dass Lernende ihr Lernen aktiv durch Zielsetzung, strategische Planung, Fortschrittsüberwachung und Reflexion steuern. Es gibt verschiedene theoretische Modelle zur Beschreibung von SRL-Phasen und -Strategien, darunter die von Winne und Hadwin, Pintrich und Zimmerman. Dieser Artikel konzentriert sich auf Zimmermans einflussreiches Modell von 2000, das drei miteinander verbundene Phasen umfasst: Vorausdenken (Zielsetzung und motivationale Aktivierung), Leistung (Strategieumsetzung und Selbstüberwachung) sowie Selbstreflexion (Bewertung der Ergebnisse und Anpassung zukünftiger Handlungen). Diese Phasen integrieren kognitive, emotionale und verhaltensbezogene Regulation und ermöglichen es Lernenden, ihr Studium in verschiedenen Kontexten zu steuern.

Die genaue Messung von SRL ist jedoch entscheidend für die Gestaltung wirksamer Interventionen. Aktuelle Forschung hebt zwei Hauptansätze hervor: Erstens Selbstauskunfts-Fragebögen wie MSLQ, SRLIS oder LASSI. Zweitens die Analyse von Logdaten aus digitalen Lernumgebungen, die Metriken wie Klicks, Aufgabendauer und Ressourcennutzung untersuchen, um SRL-Verhaltensweisen abzuschätzen. Beide Ansätze haben Einschränkungen: Fragebögen sind kostengünstig, aber anfällig für Verzerrungen; Logdaten fehlt oft kontextuelle Tiefe und sie erfassen metakognitive und motivationale Aspekte nicht. Ein seltener genutzter Ansatz sind Think-Aloud-Protokolle und Interviews wie Zimmermans strukturiertes Interview-Protokoll von 1984, bei denen Studierende ihr Lernverhalten verbalisieren. Obwohl diese Methode aufgrund ihres zeitintensiven und arbeitsaufwändigen Charakters oft vermieden wird, besteht ein starker Bedarf an Multi-Methoden-Ansätzen, um die Messgenauigkeit zu verbessern und die Komplexität von SRL effektiver zu erfassen.

In diesem Projekt erproben wir ein Multi-Agenten-System (MAS), das strukturierte SRL-Interviews automatisiert mit Hilfe generativer KI durchführt. Basierend auf etablierten Interviewprotokollen generiert es individuelles Feedback mit Lernstrategie-Empfehlungen. In mehreren Lehrveranstaltungen wird die Reliabilität im Vergleich zu etablierten Methoden und die SRL-Unterstützung untersucht. Automatisierte Interviews durch MAS machen tiefgreifende Messmethoden erstmals praxistauglich und ermöglichen personalisiertes Feedback zur gezielten Förderung des SRL – unabhängig vom jeweiligen Fach.

Publikationen

• Radović, S., Wetchy, E., & Seidel, N. (2025). Implementing the self-regulated learning structured interview protocol with generative AI: a novel approach for evaluating students’ SRL skills. Journal of Research on Technology in Education, 1–18. DOI: 10.1080/15391523.2025.2547176
• Radović, S., Wethcy, E., & Seidel, N. (2025). An AI-based Chat Agent for Measuring Students’ Self-Regulated Learning Skills. The 17th International Conference on Education Technology and Computers (ICETC 17). 18-21.9.2025, Barcelona, Spain.

Vorträge

• Seidel, N., Radovic, S. & Wetchy, E. (2025). Use of a structured interview protocol with agentic AI to assess students’ self-regulated learning skills. Workshop Learning Analytics, DELFI, Freiberg, September 7th, 2025. [Folien]
• Seidel, N., Radovic, S. & Wetchy, E. (2025). An AI-based chat agent for measuring skills in self-directed learning. Learning AID, Bochum, September 2, 2025. [Folien]