26gma101 10.3205/26gma101 urn:nbn:de:0183-26gma1017 Meeting Abstract Al-Hasani Al-Hasani Jaafar J

Universität Heidelberg, Digitalisierung und Organisationsentwicklung, Heidelberg, Deutschland

author Stiefenhöfer Stiefenhöfer Laura L

Universität Heidelberg, Digitalisierung und Organisationsentwicklung, Heidelberg, Deutschland

author Titz Titz Stefan S

Universität Heidelberg, Digitalisierung und Organisationsentwicklung, Heidelberg, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20260904 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0655 101 Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) P-01 Poster: KI-gestütztes Lehren und Lernen I Dresden 20260917 20260919 P-0101 TextProblembeschreibung/Zielsetzung: Eine qualitätsgesicherte medizinische Ausbildung erfordert ein kontinuierliches Erfassen der im Curriculum gelehrten Inhalte. Dieses Curriculumsmapping stellt die Fakultäten vor enorme Herausforderungen, da Lernziele sich dynamisch ändern können. Um einen jederzeit aktuellen Stand zu gewährleisten, ist ein hoher personeller Aufwand notwendig. Ziel dieses Projektes war es daher, eine KI-gestützte Plattform zu entwickeln, die automatisierte Workflows bereitstellt, um aus bereits vorhandenen Lehrmaterialien Lernziele zu generieren.Projektbeschreibung/Evaluationsmethoden: Unterschiedliche KI-Modelle wurden auf ihre Eignung zur Transkription der Lehrmaterialien und zur Generierung von Lernzielen aus Transkripten getestet. Verglichen wurde dabei orthographische Korrektheit, Themenvarianz sowie semantische Ähnlichkeit zu bereits vorhandenen Lernzielen. Ebenso getestet wurde der Effekt unterschiedlicher Prompts auf die Themenvarianz der generierten Lernziele. Diese wurden anschließend durch Dozierende validiert. Im Rahmen einer Anforderungsanalyse wurden die in der Plattform abzubildenden Workflows definiert.Ergebnisse: Die KI-basierte Plattform bietet eine effiziente Unterstützung bei der Umsetzung eines kontinuierlichen Curriculumsmappings. Lehrmaterialien (Audio, Video etc.) werden zunächst KI-basiert transkribiert. Aus diesen Transkripten werden dann durch ein weiteres KI-Modell Lernziele generiert. Lokale KI-Modelle sind zwar datenschutzkonform nutzbar, erzeugen aber, anders als Online-Modelle, sprachlich sehr heterogenen Output. Online-Modelle generieren zudem Lernziele mit höherer Themenvarianz. Die Wahrscheinlichkeit der Nennung eines Themas hängt jedoch weder von Modellstärke noch Häufigkeit der Nennung im Text ab. KI generiert Lernziele mit hoher Qualität, dennoch ist eine Validierung durch Dozierende unverzichtbar.Diskussion: Grundlage für die KI-basierte Lernzielerstellung ist die Verfügbarkeit digitaler Lehrmaterialien, die, zusammen mit Lehrveranstaltungsdaten, idealerweise in einer zentralen Datenbank vorliegen. Bei der Auswahl eines geeigneten KI-Modells muss sorgfältig zwischen Qualitäts- und datenschutzrechtlichen Anforderungen abgewogen werden. Auch wenn die Qualitätssicherung bzw. Validierung KI-generierter Lernziele weiterhin durch Dozierende erfolgen muss, reduziert die KI-basierte Plattform den Aufwand für ein kontinuierliches Curriculumsmapping erheblich. KI dient dabei als unterstützendes Werkzeug, nicht als ersetzende Instanz. Eine solche zentrale, von Studierenden, Dozierenden und Curriculumsverantwortlichen genutzte Lernziel-Plattform kann zudem als strukturierendes sowie kommunikatives Werkzeug in der Curriculumsentwicklung dienen.Take-Home-Message: KI kann die Lernzielerstellung und -kartierung wirksam unterstützen, ohne dabei Dozierende in diesem Prozess vollständig ersetzen zu können. 0 0 0 0