history Diese Seite ist nicht editierbar. Sie können den Quelltext sehen, jedoch nicht verändern. Kontaktieren Sie den Administrator, wenn Sie glauben, dass hier ein Fehler vorliegt. ====== Lohr (2026) Feedback-Strategien für Programmierlernsysteme: Von empirischen Analysen zur automatisierten Bereitstellung (Dissertation) ====== ===== Referenz ===== [[Person:Lohr_Dominic|Lohr, Dominic]]: Feedback-Strategien für Programmierlernsysteme: Von empirischen Analysen zur automatisierten Bereitstellung. Dissertation, [[institution:Friedrich-Alexander-Universität Erlangen-Nürnberg]], 2026 ===== Publikation ===== online: [[https://doi.org/10.25593/open-fau-2874]] ===== Zusammenfassung ===== Algorithmische Denk- und Handlungsweisen gelten zunehmend als Schlüsselkompetenzen in einer von Software- und Datenstrukturen geprägten Gesellschaft. Programmieren wird dabei nicht nur als technische Fertigkeit, sondern als zentrales Mittel zur Förderung dieser Kompetenzen verstanden. Das Erlernen von Programmieren unterstützt zentrale Aspekte des Computational Thinking, insbesondere analytisches Problemlösen, Mustererkennung und die Zerlegung komplexer Aufgaben in algorithmisch lösbare Teilprobleme, ist jedoch mit erheblichen Herausforderungen verbunden. Empirische Übersichtsarbeiten verweisen auf persistente Hürden beim Einstieg in die Programmierung, die zu hohen Abbruchraten in entsprechenden Studiengängen beitragen. Um Lernprozesse wirksam zu fördern, sind daher differenzierte Begleitung und gezielte Rückmeldungen von besonderer Bedeutung. In der Bildungsforschung gilt Feedback als zentraler Einflussfaktor auf Lern- und Leistungsentwicklungen. Im Kontext des Programmierenlernens kann es nachweislich dazu beitragen, Fehlkonzepte zu korrigieren, Denkstrategien zu fördern und Lernprozesse zu stabilisieren. Offene Forschungsfragen bestehen jedoch hinsichtlich der Bedingungen und Kontexte, unter denen Feedback im Programmierlernprozess tatsächlich lernwirksam ist. Unterschiedliche Definitionen, Zielsetzungen und Untersuchungskontexte erschweren bislang die Vergleichbarkeit von Studien und deren Übertragbarkeit auf konkrete Lehrsituationen. Vor diesem Hintergrund gewinnen sogenannte Feedback-Strategien – abgestimmte Kombinationen von Inhalt, Zeitpunkt, Funktion und Form von Feedback – an Bedeutung, da sie eine systematische und kontextsensible Gestaltung sowie Erforschung von Feedbackprozessen ermöglichen. Eine zentrale Herausforderung besteht darin, solche Strategien auch in digitalen Lernumgebungen umzusetzen. Programmierlernsysteme versuchen, Lernende durch automatisiertes Feedback zu unterstützen, jedoch zeigen systematische Untersuchungen, dass sich dieses in der Praxis meist auf einfache Korrektheitsinformationen oder generische Hinweise beschränkt und individuelle Lernkontexte nur unzureichend berücksichtigt werden. Damit bleibt das Potenzial adaptiver Lernumgebungen zur Bereitstellung kontextsensitiven Feedbacks bislang weitgehend ungenutzt. Hier setzt die vorliegende Dissertation an und verfolgt das Ziel, Feedback-Strategien beim Programmierenlernen didaktisch zu fundieren und technologisch zu operationalisieren. Ausgangspunkt ist eine empirische Analyse der Entscheidungslogiken erfahrener Lehrpersonen, die zeigt, dass professionelles Feedback nicht primär der Fehlerkorrektur dient, sondern als situativ begründete Intervention verstanden werden sollte, welche Produkt- und Prozessindikatoren integriert. Um solche didaktischen Intentionen mit maschinenlesbaren Zustandsbeschreibungen zu verknüpfen und damit die Grundlage regelgeleiteter Feedbackentscheidungen zu bilden, werden anschließend zwei Modellbausteine hergeleitet: das Y-Modell zur systematischen Beschreibung von Aufgabenkontexten sowie das Konzept der Antwortklassen als diagnostisches Beschreibungssystem zur kategorialen Erfassung und Interpretation von Lernendenantworten. Um kontextsensitives Feedback nicht nur konsistent, sondern auch skalierbar bereitzustellen, wird anschließend untersucht, inwieweit sich große Sprachmodelle (LLMs) eignen, auf Basis dieser Strukturen qualitativ hochwertiges, situationsangemessenes Feedback zu generieren. Hierfür werden zwei Studien durchgeführt, deren Befunde zeigen, dass präzise definierte Aufgaben- und Antwortkontexte die Relevanz und Kohärenz der von LLMs generierten Rückmeldungen deutlich verbessern. Sie verdeutlichen zugleich, in welchem Umfang sich verschiedene Feedback-Typen automatisiert erzeugen lassen und welche Grenzen in Bezug auf Konsistenz, Nachvollziehbarkeit und didaktische Steuerbarkeit bestehen. Aufbauend darauf wird mit APFEL ein konzeptueller Systementwurf vorgestellt, der die gewonnenen Erkenntnisse integriert, regelbasierte mit datengetriebenen Ansätzen verbindet und exemplarisch aufzeigt, wie kontextsensitive Feedbackentscheidungen in Programmierlernsystemen transparent, adaptiv und didaktisch steuerbar umgesetzt werden können. Die Arbeit leistet damit einen Beitrag zur theoretischen Fundierung, empirischen Beschreibung und technologischen Umsetzung kontextsensitiver Feedbackprozesse. Sie zeigt, wie didaktische Modelle, empirische Evidenz und KI-gestützte Verfahren zusammengeführt werden können, um Lernprozesse beim Programmierenlernen gezielt zu unterstützen und deren systematische Erforschung in digitalen Lernumgebungen zu fördern. {{tag>Dissertation 2026 Institution:"Friedrich-Alexander-Universität Erlangen-Nürnberg" Person:"Dominic Lohr"}}
