Fördergelder

Finanzplan und Zeitplan für das aiMOOC Projekt

Projekthintergrund

Das aiMOOC Projekt zielt darauf ab, die Bildungsgerechtigkeit zu erhöhen und digitale Kompetenzen durch den Einsatz von digitalen Bildungslösungen wie adaptiven Lernsystemen und gezielte Schwerpunkte auf MINT- und KI-Bildung zu stärken. Die Telekom-Stiftung unterstützt dieses Vorhaben mit einem Förderungsbetrag von 500.000 EUR.

Glanz-Verlag gGmbH

Zeitplan

Das Projekt wird nun über einen Zeitraum von fünf Jahren, von März 2025 bis März 2030, ausgeführt. Die erweiterte Projektdauer ermöglicht eine umfassende Entwicklung, Implementierung und Evaluation der Bildungsinnovationen.

Projektphasen

1. Phase 1: Planung und Konzeption (März 2025 - Mai 2025)
   • Festlegung der Bildungsziele im Bereich MINT und künstliche Intelligenz.
   • Entwicklung des Konzepts für das Lernmanagementsystem.
2. Phase 2: Entwicklung des Lernmanagementsystems (Juni 2025 - Dezember 2026)
   • Entwicklung der Software, einschließlich KI-basierter Lernmodule.
   • Pilotierung von Prototypen in ausgewählten Bildungseinrichtungen.
3. Phase 3: Pilotierung und Feedback (Januar 2027 - Dezember 2027)
   • Einsatz des Systems in realen Bildungsumgebungen.
   • Sammlung und Auswertung von Nutzerfeedback.
4. Phase 4: Implementierung und Skalierung (Januar 2028 - Dezember 2028)
   • Vollständige Implementierung der Bildungsplattform.
   • Ausweitung der Nutzerbasis und Skalierung der technologischen Kapazitäten.
5. Phase 5: Evaluation und Abschlussbericht (Januar 2029 - März 2030)
   • Auswertung der Projektergebnisse und -wirkungen.
   • Dokumentation und Verbreitung der gewonnenen Erkenntnisse.

Detaillierte Finanzübersicht

Entwicklung des Lernmanagementsystems (LMS) für aiMOOC.org

1. Gesamtbudget für die Entwicklung: 180.000 EUR
   • Softwareentwicklung und Programmierung: 100.000 EUR
     • Kosten für Full-Stack-Entwickler zur Erstellung und Implementierung des Backend- und Frontend-Codes.
   • Softwaretests und Qualitätssicherung: 30.000 EUR
     • Durchführung von Integrationstests und User Acceptance Tests, um sicherzustellen, dass die Software fehlerfrei funktioniert.
   • Lizenzierung und Beschaffung von Technologien: 50.000 EUR
     • Kauf von Lizenzen für Spezialsoftware und Integration von KI-Technologien.
2. Infrastruktur und Server: 50.000 EUR
   • Hardwarebeschaffung: 20.000 EUR
     • Kauf von Servern und anderer erforderlicher Hardware für den Betrieb des LMS.
   • Cloud-Hosting und Wartung: 30.000 EUR
     • Monatliche Kosten für Cloud-Dienste zur Sicherstellung einer skalierbaren und sicheren Infrastruktur.
3. Testing und Qualitätssicherung: 20.000 EUR
   • Interne Tests: 10.000 EUR
     • Durchführung von Lasttests und Sicherheitstests durch das Entwicklungsteam.
   • Externe Auditierung: 10.000 EUR
     • Beauftragung externer Sicherheitsfirmen für Penetrationstests und Sicherheitsaudits.

Personalkosten

1. Gesamtbudget für Personalkosten: 150.000 EUR
   • Gehälter für technisches Personal: 100.000 EUR
     • Monatliche Gehälter für Entwickler, Technische Leiter und Datenanalysten.
   • Gehälter für Projektmanagement und Verwaltung: 50.000 EUR
     • Vergütungen für Projektleiter, Administratoren und unterstützendes Personal.

Marketing und Kommunikation

1. Gesamtbudget für Marketing: 30.000 EUR
   • Digitales Marketing: 15.000 EUR
     • Online-Marketing-Kampagnen, einschließlich Social Media und bezahlte Suchanzeigen.
   • Öffentlichkeitsarbeit und Informationsmaterialien: 15.000 EUR
     • Produktion und Verbreitung von Drucksachen, Organisation von Informationsveranstaltungen.

Betriebskosten

Gesamtbudget für Betriebskosten: 20.000 EUR

1. Bürokosten: 10.000 EUR: Miete, Nebenkosten und Büromaterial.
2. Reisekosten: 10.000 EUR: Reisekosten für Teammitglieder zu Konferenzen, Meetings und Partnerinstitutionen.

Qualitätsmanagement und Evaluation

Gesamtbudget für Evaluation: 20.000 EUR

1. Kosten für externe Berater: 10.000 EUR
   • • Honorare für Bildungsexperten zur Bewertung der Lehrinhalte und Benutzerfreundlichkeit.
2. Kosten für Abschlussbericht und Empfehlungen: 10.000 EUR
   • Erstellung eines umfassenden Evaluationsberichts und Formulierung von Verbesserungsvorschlägen.

Notfall- und Reservefonds

Budget für unvorhergesehene Ausgaben: 20.000 EUR

Notfallfonds: 20.000 EUR >> Rücklagen für unerwartete Kosten oder technische Probleme während des Projektverlaufs.

Gesamtbudget

Gesamtbudget: 500.000 EUR

Eine sorgfältige Planung stellt sicher, dass alle Aspekte innerhalb des Budgets von 500.000 EUR effektiv verwaltet werden, um die Ziele und Anforderungen der Telekom-Stiftung zu erfüllen.

Schlusswort

Dieser detaillierte Finanz- und Zeitplan stellt sicher, dass das aiMOOC Projekt innerhalb des erweiterten Zeitraums von fünf Jahren erfolgreich durchgeführt wird. Die Fokussierung auf MINT- und KI-Bildung, unterstützt durch digitale Bildungslösungen, steht im Einklang mit den Zielen der Telekom-Stiftung zur Förderung der Bildungstechnologie in Deutschland.

Warum sollte man aiMOOC.org fördern & Abgrenzung zu anderen Portalen

1. Frei zugänglich, individuell und klimafreundlich
2. Datenschutz: Kein direkter Kontakt der Lernenden mit der KI (gläserne SchülerInnen vermeiden).
3. KI löst nicht die Aufgaben, sondern stellt diese.
4. KI erstellt eine kompletten Lerneinheit, nicht nur Teile eines Lernkurses. ChatGPT benötigt dafür ca. 2-3 Minuten.
5. Die interaktiven Aufgaben werden direkt
6. Lernende bekommen ein KI-Feedback ohne direkten Kontakt mit der KI.
7. Auf aiMOOC.org werden die besten OERs simpel zusammengeführt. Siehe OERs
8. YouTube: Die Kultusministerien haben Bedenken wegen YouTube-Videos, an welchen aber kein Weg vorbei führt, selbst wenn KI Videos erstellen kann. Es wird auf den Datenschutz mit einem Hinweis aufmerksam gemacht (Datenschutzrichtlinien). YouTube wird bei uns für die einzelnen Projekte differenziert betrachtet:
   • Ganz ohne Werbung: Überall einsetzbar
   • Inter-Werbung: Wird bei uns nicht angezeigt
   • Erzwungene Werbung: Für einzelne Projekte einsetzbar (Musik). Die Nutzer werden an YouTube weitergeleitet. Auf aiMOOC.org selbst läuft keine Werbung.

Qualitätsmanagement: 3 Stufen-Modell

Beim Erstellen der Lernkurse greift ein innovatives Qualitätsmanagement, das sowohl aus modernen, als auch aus traditionellen Elementen besteht.

1. KI: Generiert Inhalte mit der aktuellsten / besten KI-Version.
2. Redaktion: Prüfung des Inhalts und Funktion der Lernkurs-Elemente
3. Wiki-Crowd: Erweiterung, Anpassung und Optimierung der Inhalte durch Experten (Lehrkräfte) und die Lernenden durch die Wiki-Optionen Diskussion, Versionsgeschichte, Beobachten, Melden, Schützen, Nutzerrechte, Bewerten, Zertifikat (siehe Qualität).

Warum ein LMS für das aiMOOC.org Projekt unbedingt erforderlich ist

Zentralisierte Bildungsplattform

Ein Lernmanagementsystem (LMS) ist essenziell für das aiMOOC.org Projekt, da es als zentrale Plattform dient, die alle Kursmaterialien, Lehrpläne und Lehrmittel effizient organisiert. Dies ermöglicht eine systematische Bereitstellung der Bildungsinhalte und erleichtert die Skalierung der Bildungsangebote, um eine größere Anzahl von Lernenden zu erreichen.

Unterstützung adaptiver Lernsysteme

Adaptive Lernsysteme sind ein zentraler Bestandteil des Projekts, da sie eine personalisierte Lernerfahrung ermöglichen. Das LMS passt die Lerninhalte und -geschwindigkeit individuell an die Bedürfnisse und Fortschritte der Lernenden an. Diese Technologie unterstützt effektives Lernen und erhöht die Bildungsgerechtigkeit durch individuell zugeschnittene Bildungserfahrungen.

Zugang zu MINT- und KI-Bildung

Das Projekt fokussiert auf MINT- (Mathematik, Informatik, Naturwissenschaft und Technik) und KI-Bildung, um zukunftsweisende Kompetenzen zu vermitteln. Ein LMS ermöglicht den Zugang zu spezialisierten Kursen und Ressourcen in diesen Schlüsselbereichen und garantiert die Aktualität und hohe Qualität der Bildungsinhalte.

Nachhaltigkeit und Skalierbarkeit

Durch den Einsatz von Cloud-Hosting und moderner Infrastruktur kann das LMS leicht skaliert werden, um den Anforderungen einer wachsenden Nutzerbasis gerecht zu werden. Dies ist entscheidend für die langfristige Zielsetzung des Projekts, eine breite und inklusive Bildungszugänglichkeit zu gewährleisten.

Qualitätssicherung und Zuverlässigkeit

Investitionen in Softwaretests, Qualitätssicherung und externe Auditierungen gewährleisten, dass das LMS stabil und sicher funktioniert. Diese Maßnahmen sind unerlässlich, um das Vertrauen der Nutzer in die Plattform zu stärken und eine störungsfreie Nutzung zu ermöglichen.

Interaktive und engagierte Lernerfahrung

Ein LMS fördert nicht nur das selbstständige Lernen, sondern auch die Interaktion zwischen den Lernenden durch Foren, Chats und Gruppenarbeit. Diese sozialen Lernkomponenten sind wichtig, um die Lernmotivation zu fördern und eine Gemeinschaft von Lernenden aufzubauen.

Datenanalyse und Feedback

Ein weiterer Vorteil eines LMS ist die Möglichkeit, umfangreiche Daten über Lernaktivitäten zu erfassen und zu analysieren. Diese Daten helfen, den Lernfortschritt zu überwachen, Feedback zu geben und die Lehrmethoden kontinuierlich zu verbessern, was zu effektiveren Bildungsergebnissen führt.

Schlussfolgerung

Durch die Entwicklung eines robusten Lernmanagementsystems kann das aiMOOC.org Projekt seine Ziele effektiv erreichen und einen nachhaltigen Einfluss auf die Bildungslandschaft haben, indem es Bildungsgerechtigkeit fördert und digitale Kompetenzen stärkt.

Generierung individueller Lernnachweise auf aiMOOC.org

Einführung

Das Lernmanagementsystem (LMS) auf aiMOOC.org bietet eine innovative Methode zur Erstellung individueller Lernnachweise. Diese basieren auf den spezifischen Aufgaben, die Lernende innerhalb des Kurses bearbeiten. Durch diese personalisierte Bewertungsmethode wird die Relevanz der Lerninhalte für den Lernenden betont und gleichzeitig eine differenzierte Beurteilung ihrer Kompetenzen ermöglicht.

Schritt-für-Schritt Prozess

Schritt 1: Erfassung der Lernaktivitäten

Jeder Lernende arbeitet interaktiv an verschiedenen Modulen und Aufgaben innerhalb der aiMOOCs. Die Antworten und Lösungen, die von den Lernenden eingereicht werden, werden vom LMS in Echtzeit erfasst. Das System dokumentiert nicht nur die korrekten und falschen Antworten, sondern auch die Zeit, die für jede Aufgabe benötigt wird, und andere interaktionsbezogene Daten wie die Nutzung von Hilfsmitteln oder zusätzlichen Ressourcen.

Schritt 2: Analyse und Erstellung von Prüfungsgrundlagen

Basierend auf den gesammelten Daten analysiert das LMS die Leistungen und Lernmuster jedes Schülers. Diese Analyse berücksichtigt verschiedene Kriterien wie die Konsistenz der Leistung, die Komplexität der korrekt gelösten Aufgaben und die Verbesserungsraten über die Zeit. Das System verwendet Algorithmen, um aus dieser Analyse eine personalisierte Prüfung zu erstellen, die spezifisch auf die Stärken und Schwächen des Lernenden abzielt.

Schritt 3: Intervention der Lehrkraft

Lehrkräfte erhalten Zugang zu den vom LMS generierten Prüfungen und können diese einsehen und modifizieren. Diese Anpassung ermöglicht es den Lehrkräften, auf spezielle Bildungsbedürfnisse einzugehen, bestimmte Themenbereiche zu betonen oder zusätzliche Herausforderungen einzuführen, um die Prüfung umfassender zu gestalten. Lehrkräfte können auch Feedback und Anmerkungen hinzufügen, um die Lernenden auf die Prüfung vorzubereiten.

Schritt 4: Durchführung der Prüfungen

Die finalisierten Prüfungen werden den Lernenden dann zur Bearbeitung über das LMS zur Verfügung gestellt. Die Prüfungen können in einem überwachten oder offenen Format durchgeführt werden, abhängig von den Anforderungen des Kurses und den pädagogischen Zielen.

Schritt 5: Bewertung und Feedback

Nach der Durchführung der Prüfung wertet das LMS die Ergebnisse automatisch aus und stellt detaillierte Berichte bereit. Diese Berichte enthalten nicht nur die Noten, sondern auch analytische Einsichten in die Leistungsdaten der Lernenden. Lehrkräfte können dieses Feedback nutzen, um weiterführendes individuelles Feedback zu geben, das auf spezifische Stärken und Verbesserungsbereiche eingeht.

Schlussfolgerung

Die Nutzung eines solchen Systems auf aiMOOC.org transformiert die traditionelle Prüfungserstellung und -bewertung in einen dynamischen, adaptiven und vor allem individualisierten Prozess. Dies fördert nicht nur ein tieferes Verständnis und eine höhere Engagement der Lernenden, sondern trägt auch dazu bei, Bildungserfolge präziser und relevanter zu dokumentieren und zu fördern.

Technische Details zur Implementierung des LMS auf aiMOOC.org

Einleitung

Die Implementierung eines effektiven Lernmanagementsystems (LMS) auf aiMOOC.org stellt eine komplexe Herausforderung dar, die den Einsatz fortschrittlicher technologischer Lösungen und eine enge Integration in die Wiki-basierte Plattform erfordert. Ziel ist es, ein System zu schaffen, das individuelle Lernpfade unterstützt und personalisierte Lernnachweise basierend auf den spezifischen Interaktionen und Leistungen der Lernenden generiert.

Schritt 1: Erfassung der Lernaktivitäten

Datenbanksysteme

1. NoSQL-Datenbanken: Auswahl und Implementierung von NoSQL-Datenbanken wie MongoDB oder CouchDB, die durch ihre Schemafreiheit eine dynamische Speicherung vielfältiger Lernaktivitäten ermöglichen.
2. Realtime-Datenverarbeitung: Entwicklung von Mechanismen zur Echtzeit-Datenerfassung und -verarbeitung, um unmittelbares Feedback und adaptive Lernunterstützung zu bieten.

API-Entwicklung

1. RESTful APIs: Konzeption und Implementierung von RESTful APIs mit Node.js oder Python Flask, die eine robuste Schnittstelle für das Frontend darstellen, um Benutzereingaben zu erfassen und in der Datenbank zu speichern.
2. WebSockets: Einsatz von WebSockets für eine bidirektionale Kommunikation zwischen Client und Server, um eine reaktionsfähige Benutzererfahrung zu gewährleisten.

Integration in das Wiki

1. MediaWiki-Integration: Nutzung der MediaWiki API zur Integration der LMS-Funktionalitäten in das bestehende Wiki-System, was eine konsistente Benutzererfahrung und den Zugang zu gespeicherten Lernmaterialien ermöglicht.
2. Benutzerinteraktionen: Entwicklung von speziellen Wiki-Seiten, die Lernaktivitäten erfassen und direkt in das LMS einfließen lassen.

Schritt 2: Analyse und Erstellung von Prüfungsgrundlagen

Machine Learning und Datenanalyse

1. Predictive Analytics: Einsatz von Predictive Analytics und Machine Learning, insbesondere TensorFlow und PyTorch, zur Auswertung von Benutzerdaten und zur Vorhersage von Lernbedürfnissen.
2. Adaptive Testgenerierung: Automatisierte Erstellung von Prüfungen basierend auf den Analyseergebnissen, die sich an den individuellen Lernfortschritt anpassen.

Datenverarbeitungsinfrastruktur

1. Big Data-Plattformen: Implementierung von Big Data-Plattformen wie Apache Spark oder Hadoop, die in der Lage sind, große Mengen an Lernaktivitätsdaten effizient zu verarbeiten und zu analysieren.

Schritt 3: Intervention der Lehrkraft

UI/UX-Design

1. Interaktive Benutzeroberflächen: Entwicklung von anpassbaren und interaktiven Benutzeroberflächen mit modernen JavaScript-Frameworks wie React, Vue.js oder Angular, die Lehrkräften die Anpassung von Prüfungen erleichtern.
2. Benutzerfreundlichkeit: Sicherstellung einer intuitiven Bedienbarkeit und Zugänglichkeit der LMS-Funktionen, um die Akzeptanz und Effizienz der Lehrkraft-Interventionen zu maximieren.

Authentifizierung und Sicherheit

1. Sichere Authentifizierung: Implementierung fortschrittlicher Authentifizierungstechniken, einschließlich OAuth und JWT, um sicherzustellen, dass nur autorisierte Personen Zugang zu sensiblen Prüfungsanpassungsfunktionen haben.

Schritt 4: Durchführung der Prüfungen

Skalierbare Webtechnologien

1. Serverkonfiguration: Einsatz und Konfiguration von Hochleistungs-Webservern wie Nginx und Apache, unterstützt durch Technologien für Load Balancing, um Zuverlässigkeit und Skalierbarkeit während der Prüfungsphasen zu gewährleisten.
2. Cloud-Infrastruktur: Aufbau einer skalierbaren Cloud-Infrastruktur, unterstützt durch Dienste wie AWS EC2 oder Google Compute Engine, die dynamisch auf Lastspitzen reagieren kann.

Schritt 5: Bewertung und Feedback

Automatisierte Bewertungssysteme

1. Skripte zur automatischen Bewertung: Programmierung von Skripten in Python oder Java, die in der Lage sind, Prüfungsantworten automatisch auszuwerten und objektive Bewertungen zu liefern.
2. Feedback-Systeme: Entwicklung von Systemen zur Generierung von umfassenden Feedback-Berichten, die Lehrkräften und Lernenden detaillierte Einblicke in die Leistungsdaten bieten und durch Data Visualization unterstützt werden.

Abschluss

Die umfassende Implementierung dieser technischen Komponenten erfordert ein multidisziplinäres Entwicklungsteam, das in der Lage ist, fortschrittliche Softwarelösungen zu schaffen, die nahtlos in die Wiki-Umgebung von aiMOOC.org integriert sind und die Bildungsziele durch adaptives und personalisiertes Lernen effektiv unterstützen.

Vergleich zwischen dem AIS-Projekt des FWU und aiMOOCs

Gemeinsamkeiten

• Adaptives Lernen: Sowohl das AIS als auch aiMOOCs nutzen adaptive Lernmethoden, um Bildungsinhalte individuell auf die Bedürfnisse und Fähigkeiten der Lernenden anzupassen.
• Einsatz von KI: Beide Projekte setzen Künstliche Intelligenz ein, um den Lernprozess zu personalisieren und zu optimieren.
• Unterstützung für Lehrkräfte: AIS und aiMOOCs bieten Werkzeuge an, die Lehrkräften helfen, effizienter zu arbeiten und besser auf die Bedürfnisse ihrer Schüler einzugehen.
• Digitale Bildungsressourcen: Beide Konzepte integrieren digitale Medien wie Texte, Bilder und Videos, um das Lernen anzureichern.

Unterschiede

• Zugänglichkeit und Format:
  • AIS: Fokussiert auf die Integration in das deutsche Schulsystem mit einer Nutzung, die möglicherweise an Schulen und andere Bildungseinrichtungen gebunden ist.
  • aiMOOCs: Global ausgerichtet, frei zugänglich für jeden über das Internet ohne geografische oder institutionelle Einschränkungen.
• Inhaltserstellung und -kuratierung:
  • AIS: Nutzt möglicherweise bestehende Bildungsressourcen, die durch KI-Technologie adaptiv angepasst werden.
  • aiMOOCs: Erstellt und kuratiert Inhalte vollständig durch KI, überprüft durch Experten, was eine breitere Themenvielfalt und Innovationskraft in den Inhalten ermöglicht.
• Plattformintegration:
  • AIS: Kann in bestehende Lernmanagementsysteme und Bildungsplattformen der Länder eingebettet werden.
  • aiMOOCs: Steht als eigenständige Plattform zur Verfügung, die auf interaktive und kollaborative Online-Lernumgebungen setzt.
• Pädagogischer Ansatz:
  • AIS: Unterstützt vorrangig das Blended Learning und hybride Unterrichtsformate innerhalb des schulischen Rahmens.
  • aiMOOCs: Bietet Selbstlernmöglichkeiten sowie Mehrfachdifferenzierung für ein breites Spektrum von Lernszenarien, einschließlich Flipped Classroom und selbstgesteuertem Lernen.
• Kostenstruktur:
  • AIS: Könnte durch staatliche Bildungsfinanzierung unterstützt werden, was die Kostenstruktur und den Zugang beeinflusst.
  • aiMOOCs: Explizit als kostenlos beschrieben, um niedrige Zugangsbarrieren zu gewährleisten und eine breite Nutzung zu fördern.
• Datenschutz und Compliance:
  • AIS: Muss strenge EU-Datenschutzrichtlinien einhalten, insbesondere im Kontext des deutschen Bildungssystems.
  • aiMOOCs: Ebenfalls datenschutzkonform, jedoch mit möglicherweise variierenden Standards abhängig von der Hosting-Region.

Fazit

Der Vergleich zwischen dem AIS-Projekt des FWU und den aiMOOCs zeigt, dass beide Projekte innovative Ansätze in der Bildungstechnologie verfolgen, sich aber in ihrer Ausrichtung, Methodik und Zielsetzung deutlich unterscheiden. Beide tragen dazu bei, Bildung personalisierter, zugänglicher und an die moderne digitale Welt angepasster zu machen.

Teilen

Schulfach+

aiMOOCs

aiMOOC Projekte

KI-STIMMEN: WAS WÜRDE ... SAGEN? JESUS MOSES BUDDHA MOHAMMED DALAI LAMA GOTT SATAN EINSTEIN MEPHISTO MARVIN GREGOR SAMSA KI STIMMEN A-Z

0.00 (0 Stimmen)