Text

Fragestellung/Zielsetzung: Individuell zugeschnittene Lernmaterialien können das selbstgesteuerte Lernen im Medizinstudium signifikant fördern [1]. Dennoch stehen Studierenden oft nur standardisierte Inhalte zur Verfügung, die wenig auf individuelle Wissensstände und Lernbedarfe eingehen. Dies erschwert sowohl die gezielte Wiederholung von Schwachstellen als auch die Anwendung theoretischen Wissens. Vor diesem Hintergrund wurde der Lernbuddy als KI-gestütztes, adaptives Lernsystem auf Basis des NKLM 2.0 [https://nklm.de/zend/menu] entwickelt. Er soll personalisierte Lernpfade erstellen, sich dynamisch an individuelle Stärken und Schwächen anpassen und simulationsbasierte Fallszenarien für den Kompetenzerwerb nutzen.

Methoden: Das Lernsystem nutzt eine Retrieval-Augmented Generation (RAG)-Architektur zur gezielten Bereitstellung medizinischer Fachliteratur. Studierende werden anhand der NKLM 2.0 Lernziele abgefragt, wobei das System Antworten analysiert, Wissenslücken erkennt und Fragen adaptiv anpasst.

Die simulationsbasierten Fallszenarien nutzen Chain-of-Thought-Reasoning und Role-Specific Prompting. Ein iterativer Design-Prozess integriert usability-orientierte Validierung und didaktische Optimierung, um das System kontinuierlich weiterzuentwickeln. Diese Arbeiten erfolgen derzeit in Kooperation mit der Psychologischen Ergonomie der Julius-Maximilians-Universität Würzburg.

Ergebnisse: Der Lernbuddy ist webbasiert, plattformunabhängig und über eine öffentliche URL zugänglich. Er vereint zwei Kernfunktionen: Adaptive Abfragen und simulationsbasierte Fallszenarien. Die adaptive Abfragefunktion basiert auf vordefinierten Lernzielen und ermöglicht eine gezielte Wissensüberprüfung.

Die Studierenden tippen/sprechen ihre Antwort in ein Antwortfeld ein und erhalten personalisertes Feedback, welches optional als Sprachausgabe bereitgestellt werden kann. In den simulationsbasierten Fallszenarien wählen Nutzende ein Themengebiet aus, woraufhin die KI einen klinischen Fall erstellt, der im Dialog über eine Texteingabe durchgespielt wird. Hierbei werden physiologische Parameter, Laborwerte und EKG-Daten analysiert und dynamisch eingebunden.

Diskussion: Der erste Beta-Test bestätigt die technische Funktionalität und adaptive Anpassung. Die KI analysiert Antworten, erkennt Wissenslücken und passt Fragen dynamisch an. In den Simulationen steuert sie den Fallverlauf und integriert relevante diagnostische Parameter. Die nächste Entwicklungsphase konzentriert sich auf die Optimierung personalisierter Lernalgorithmen und eine systematische Evaluation.

Literatur