modulo

Projektbeschreibung

Hintergrund

Fast jeder Studiengang an der TUM fordert Leistungen, die in interdisziplinären Kursen zu erbringen sind. Diese an sich gute Sache kann für Studenten durch die Kurswahl, die durch die unübersichtliche Vielfalt an angebotenen Kursen sehr langwierig sein kann, schnell zum Störfaktor werden. Deswegen wollten wir eine Anwendung entwickeln, die basierend auf den Präferenzen der Anwender für jeden Einzelnen am besten passende Kurse vorschlug. Die Kursvorschläge wurden dabei mit Hilfe von künstlicher Intelligenz (KI) ermittelt. Das Prinzip funktionierte folgendermaßen: Der Algorithmus ordnet Eingaben des Nutzers, zum Beispiel seine Interessen, Kursen aus der Datenbank zu. Künstliche Intelligenz kommt dann ins Spiel, wenn der Nutzer eine Rückmeldung zur Qualität der Vorschläge gibt. Das System lernt dadurch, welche Themen und Kurse miteinander korrelierten und die Wahrscheinlichkeit für passende Vorschläge werden höher. Je öfter das System benutzt wird, desto besser wird es.

Ziele und Methoden

Das primäre Ziel unseres Projektes war es, den Entscheidungsprozess der Studenten der TUM zu analysieren und sie auf ein intelligentes Empfehlungssystem zu übertragen, damit es die Studenten wiederum bei diesem Prozess unterstützen konnte. Wir beschränkten unser Forschungsgebiet auf die Fakultät für Elektrotechnik und Informationstechnik, um den (Zeit)-Aufwand sowohl für die Programmierung des Systems als auch für die Informationserhebung zu reduzieren. Je nach Erfolg des Projektes in diesem Teilbereich könnte das Resultat aber auch auf die gesamte Universität ausgeweitet werden. Für die Analyse unserer Ergebnisse führten wir qualitative Interviews, durch deren Auswertung wir unseren Empfehlungsdienst kontinuierlich weiter verbesserten. Gleichzeitig standen wir mit den betroffenen Stellen der Universität in Kontakt, um eventuelle (z.B. rechtliche) Hürden zu erkennen und unser Projekt im gegebenen Rahmen gezielt und mit der Unterstützung aller weiterzubringen. Außerdem wurde der gesamte Fortschritt unseres Projektes dokumentiert, damit wir etwas über die Entscheidungsprozesse der Entwickler solcher Systeme – also auch uns selbst – lernen konnten.

Ergebnis und Diskussion

Unser Prototyp wurde unter Berücksichtigung der im Vorfeld geführten Interviews implementiert. Die Benutzeroberfläche genügte noch keinen hohen Ansprüchen, aber die grundlegende Funktionalität war bereits gegeben. Auch der Aspekt der künstlichen Intelligenz war bereits verwirklicht, sodass das System schon damals, basierend auf den vorherigen Nutzungen, immer bessere Vorschläge generierte. Insofern war gegeben, dass die ersten ‚echten’ Tests und Auswertungen demnächst anlaufen konnten. Dass hierbei noch nicht alle Kriterien mit einbezogen werden konnten, die wir in einer finalen Version des Empfehlungsdienstes gerne sahen, tat dem keinen Abbruch.

Zusammenfassung und zukünftige Ziele

Das Projekt lief soweit gut voran. Immer dort, wo Daten zur Verfügung gestellt werden sollten, gab es erst einmal Skepsis und es war Aufklärungs- und Überzeugungsarbeit vonnöten, um dann im gemeinsamen Dialog klare Kanten auszuarbeiten, was rechtlich möglich war und was nicht. Das war verständlich, ja sogar nötig, und deshalb war es wichtig, alle betroffenen Parteien mit ins Boot zu holen. Aus diesem Grund war eines unserer nächsten Ziele, den Verantwortlichen beim MCTS unseren bisherigen Ergebnisse vorzustellen und gemeinsam auszuloten, welche Daten man möglicher- und sinnvollerweise noch in den Algorithmus einfließen lassen könnte.

Parallel dazu führten wir erste Studien zur Benutzerfreundlichkeit unseres Dienstes durch, um auch von Seite der Studenten eine Rückmeldung zu bekommen, wo es noch weiterer Verbesserungen bedurfte. Erst wenn diese ‚halbtechnische’ Umfrage ausgewertet und der Dienst dementsprechend angepasst wurde, gab es unserer Meinung nach Sinn, tatsächliche Nutzerstudien durchzuführen. Das wäre dann der nächste Schritt, um zu analysieren, wie sehr unser System die Studenten bei ihrer Kurswahl unterstützen konnte.

Team