OpenMAIC: Eine neue Ära der KI-gestützten Online-Bildung

Die digitale Transformation hat in den letzten Jahren nahezu alle Lebensbereiche erfasst, und die Bildung bildet hier keine Ausnahme. Mit dem Aufkommen fortschrittlicher Künstlicher Intelligenz (KI) und insbesondere großer Sprachmodelle (Large Language Models, LLMs) eröffnen sich neue Möglichkeiten für die Gestaltung von Lernumgebungen. Ein aktuelles Beispiel hierfür ist die Einführung von OpenMAIC (Open Multi-Agent Interactive Classroom) durch die renommierte Tsinghua Universität. Diese Open-Source-Plattform verspricht, die Online-Bildung durch den Einsatz von Multi-Agenten-Systemen grundlegend zu verändern.

Die Vision hinter OpenMAIC: Eine interaktive KI-Klasse

OpenMAIC wurde mit dem Ziel entwickelt, Online-Kurse nicht nur skalierbarer, sondern auch adaptiver und interaktiver zu gestalten. Im Kern der Plattform steht ein System von KI-Agenten, das eine vollständige Klassenzimmerumgebung simuliert. Dies umfasst:

• KI-Lehrer: Diese Agenten halten Vorlesungen, erklären komplexe Sachverhalte und passen das Lerntempo dynamisch an die Bedürfnisse der Studierenden an. Sie können visuelle Hilfsmittel wie Whiteboards nutzen und per Text-to-Speech-Funktion sprechen.
• KI-Tutoren: Sie unterstützen die Studierenden bei Fragen und helfen, den Lernprozess zu moderieren.
• KI-Klassenkameraden: Diese Agenten simulieren die Interaktion unter Studierenden, stellen Fragen, beteiligen sich an Diskussionen und können unterschiedliche Persönlichkeiten annehmen.

Das Besondere an OpenMAIC ist die Fähigkeit, aus einem einzigen Prompt oder einem bereitgestellten Dokument einen vollständigen, interaktiven Kurs zu generieren. Dies beinhaltet die Erstellung von Folien, Quizfragen, interaktiven Simulationen und projektbasierten Lernaktivitäten. Die Plattform ist dabei flexibel gestaltet und kann Inhalte in verschiedenen Formaten exportieren, beispielsweise als bearbeitbare PowerPoint-Präsentationen oder interaktive HTML-Seiten.

Architektur und Funktionalität: Ein Blick hinter die Kulissen

Die technische Grundlage von OpenMAIC basiert auf einer zweistufigen Pipeline, die als MAIC-Craft bezeichnet wird:

Die "Read"-Phase (Inhaltsextraktion)

In dieser ersten Phase geht es darum, die rohen Lernmaterialien in eine strukturierte und maschinenlesbare Form zu überführen. Hierbei kommen multimodale LLMs zum Einsatz, die in der Lage sind, sowohl textuelle als auch visuelle Inhalte von Präsentationsfolien zu erfassen und zu analysieren. Der Prozess umfasst:

• Folieninhalts-Extraktion: Ein multimodales LLM verarbeitet die einzelnen Seiten der bereitgestellten Folien, um deren Text- und Bildinhalte zu erfassen.
• Struktur-Extraktion: Anschließend werden die extrahierten Inhalte in eine kohärente Textbeschreibung umgewandelt und das Kernwissen jeder Seite in einer baumartigen Taxonomie organisiert. Dies schafft eine Wissensstruktur, die für die weiteren Schritte der Kursgenerierung essenziell ist.

Die "Plan"-Phase (Lehrfunktionsgenerierung)

Nach der Strukturierung der Inhalte folgt die Phase der Kursplanung, in der die eigentlichen Lehrfunktionen und Agenten generiert werden. Hierbei werden die strukturierten Folien als Basis genutzt, um interaktive Lehrskripte und Aufgaben zu erstellen:

• Funktionsgenerierung: Lehr- und Lernaktivitäten wie Vorlesungen, Fragen und Quizze werden als "Lehraktionen" konzipiert. Jede Aktion hat einen Typ (z. B. "ShowFile", "ReadScript", "AskQuestion") und einen Wert, der den Inhalt der Aktion detailliert. Dies ermöglicht eine flexible Konfiguration der Klassenzimmeraktionen.
• Agentengenerierung: Basierend auf den Kursinhalten und optionalen Personalisierungsinformationen (z. B. Stimmpräferenzen, Lehrstile) werden individuelle KI-Agenten für Lehrer und Tutoren erstellt. Hierbei wird auch die RAG-Technologie (Retrieval-Augmented Generation) eingesetzt, um die Agenten mit erweitertem Kursmaterial zu versorgen.

Das Multi-Agenten-Klassenzimmer: Interaktion und Adaptivität

Das Herzstück des Lernerlebnisses in OpenMAIC ist die Multi-Agenten-Klassenzimmerumgebung, die einem "1 Student + N KI-Agenten"-Modell folgt. Hierbei steuert der KI-Lehrer den Lernfortschritt, erklärt Inhalte und stellt Fragen, während der KI-Tutor die Ordnung im Klassenzimmer aufrechterhält. Die Studierenden können jederzeit Fragen stellen und Diskussionen führen, wobei die intelligenten Agenten den Lehrprozess und die Inhalte kontinuierlich an die Leistung der Studierenden anpassen.

Zur Steuerung dieser komplexen Interaktionen kommt ein Session Controller zum Einsatz. Dieser Meta-Agent überwacht den Dialog im Klassenzimmer, interpretiert die laufenden Aktivitäten und entscheidet über die nächste auszuführende Aktion. Dies gewährleistet, dass die Lernumgebung adaptiv und reaktionsschnell bleibt, indem sie sich an die sich entwickelnden Bedürfnisse der Lernenden anpasst.

OpenMAIC bietet zudem verschiedene Arten von KI-Klassenkameraden mit unterschiedlichen Persönlichkeiten, wie den "Class Clown", den "Deep Thinker" oder den "Inquisitive Mind". Diese sollen die Dynamik eines traditionellen Klassenzimmers nachbilden und die Interaktion der Studierenden fördern.

Erste Ergebnisse und zukünftige Perspektiven

Erste Pilotstudien an der Tsinghua Universität mit über 500 Studierenden haben vielversprechende Ergebnisse geliefert. Die Studierenden zeigten ein hohes Engagement und positive Bewertungen der Lehrqualität der KI-Agenten. Insbesondere die Möglichkeit, proaktiv Fragen zu stellen und den Lernprozess mitzugestalten, wurde als vorteilhaft empfunden.

Die Studie zeigte auch, dass die Akzeptanz von KI-Tools bei den Studierenden nach der Teilnahme an den MAIC-Kursen signifikant anstieg. Zudem wurde ein positiver Einfluss auf das abstrakte und kritische Denken festgestellt, was darauf hindeutet, dass LLMs das kognitive Vermögen der Studierenden verbessern können.

Dennoch gibt es auch Herausforderungen. Einige Studierende empfanden die Interaktion im "kontinuierlichen Modus" als zu passiv, und es wurde ein Mangel an tiefgehenden Diskussionsmöglichkeiten im Vergleich zu menschlich geführten Kursen festgestellt. Auch die Personalisierung und die Fähigkeit der KI-Tutoren, individuelle Stärken und Schwächen zu erkennen, wurden als verbesserungswürdig eingestuft.

Ethische Implikationen und Ausblick

Die Einführung von OpenMAIC wirft wichtige ethische Fragen auf, die sorgfältig abgewogen werden müssen. Dazu gehören der Datenschutz und die Sicherheit von Lerninformationen, das Risiko von Diskriminierung und Voreingenommenheit durch Algorithmen sowie die Genauigkeit der von der KI generierten Inhalte. Die Tsinghua Universität hat hierzu umfassende Richtlinien veröffentlicht, die einen verantwortungsvollen Umgang mit KI in Lehre und Forschung gewährleisten sollen.

Es ist entscheidend, dass KI-Systeme wie OpenMAIC als unterstützende Werkzeuge verstanden werden, die die menschliche Rolle im Bildungsprozess nicht vollständig ersetzen. Stattdessen sollen sie menschliche Lehrkräfte entlasten und ihnen ermöglichen, sich auf komplexere Aufgaben wie die Förderung höherer kognitiver Fähigkeiten und die persönliche Betreuung der Studierenden zu konzentrieren.

OpenMAIC stellt einen bedeutenden Schritt in der Evolution der Online-Bildung dar. Durch die Bereitstellung einer Open-Source-Plattform und die fortlaufende Forschung und Entwicklung strebt die Tsinghua Universität an, eine kollaborative Umgebung zu schaffen, in der Pädagogen, Forscher und Innovatoren gemeinsam die Zukunft der KI-gesteuerten Online-Bildung gestalten können. Die Balance zwischen Skalierbarkeit, Adaptivität und der Wahrung menschlicher Interaktion wird dabei eine zentrale Rolle spielen.

Bibliographie

Almarzouqi, A., Aburayya, A., Alfaisal, R., Elbadawi, M. A., & Salloum, S. A. (2024). Ethical implications of using chatgpt in educational environments: A comprehensive review. Artificial Intelligence in Education: The Power and Dangers of ChatGPT in the Classroom, 185-199.
Cain, W. (2024). Prompting change: exploring prompt engineering in large language model ai and its potential to transform education. TechTrends, 68(1), 47-57.
Chen, W., Su, Y., Zuo, J., Yang, C., Yuan, C., Qian, C., ... & Sun, M. (2023). Agentverse: Facilitating multi-agent collaboration and exploring emergent behaviors in agents. arXiv preprint arXiv:2308.10848, 2(4), 6.
Dang, F., Tang, J., & Li, S. (2019, December). Mooc-kg: A mooc knowledge graph for cross-platform online learning resources. In 2019 IEEE 9th International Conference on Electronics Information and Emergency Communication (ICEIEC) (pp. 1-8). IEEE.
Epstein, Z., Hertzmann, A., Akten, M., Farid, H., Fjeld, J., Frank, M. R., ... & Leach, N. (2023). Art and the science of generative AI. Science, 380(6650), 1110-1111.
Garrison, D. R., & Arbaugh, J. B. (2007). Researching the community of inquiry framework: Review, issues, and future directions. The Internet and higher education, 10(3), 157-172.
Golchin, S., Garuda, N., Impey, C., & Wenger, M. (2024). Large language models as moocs graders. arXiv preprint arXiv:2402.03776.
Hong, S., Zheng, X., Chen, J., Cheng, Y., Wang, J., Zhang, C., ... & Zhou, L. (2023). Metagpt: Meta programming for multi-agent collaborative framework. arXiv preprint arXiv:2308.00352, 2(4), 6.
Huang, H., Zheng, O., Wang, D., Yin, J., Wang, Z., Ding, S., ... & Zheng, Q. (2023). ChatGPT for shaping the future of dentistry: the potential of multi-modal large language model. International Journal of Oral Science, 15(1), 29.
Jiang, W., Pardos, Z. A., & Wei, Q. (2019, March). Goal-based course recommendation. In Proceedings of the 9th international conference on learning analytics & knowledge (pp. 36-45).
Jing, X., & Tang, J. (2017, August). Guess you like: course recommendation in moocs. In Proceedings of the international conference on web intelligence (pp. 783-789).
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). Ai-enabled adaptive learning systems: A systematic mapping of the literature. Computers and Education: Artificial Intelligence, 2, 100017.
Kurdi, G., Leo, J., Parsia, B., Sattler, U., & Al-Emari, S. (2020). A systematic review of automatic question generation for educational purposes. International Journal of Artificial Intelligence in Education, 30, 121-204.
Nabizadeh, A. H., Leal, J. P., Rafsanjani, H. N., & Shah, R. R. (2020). Learning path personalization and recommendation methods: A survey of the state-of-the-art. Expert Systems with Applications, 159, 113596.
Nguyen, N. X. V., Ngo, Q. H., & Pham, Q. N. M. (2023, December). Automatic transcript generation from presentation slides. In Proceedings of the 37th Pacific Asia Conference on Language, Information and Computation (pp. 670-678). Association for Computational Linguistics.
Nye, B. D., Graesser, A. C., & Hu, X. (2014). Autotutor and family: A review of 17 years of natural language tutoring. International Journal of Artificial Intelligence in Education, 24, 427-469.
Pal Chowdhury, S., Zouhar, V., & Sachan, M. (2024, May). Autotutor meets large language models: A language model tutor with rich pedagogy and guardrails. In Proceedings of the Eleventh ACM Conference on Learning@ Scale (pp. 5-15).
Pappano, L. (2012). The year of the mooc. The New York Times, 2(12), 2012.
Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023, October). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th annual acm symposium on user interface software and technology (pp. 1-22).
Qian, C., Cong, X., Yang, C., Chen, W., Su, Y., Xu, J., ... & Sun, M. (2023). Communicative agents for software development. arXiv preprint arXiv:2307.07924, 6.
Reich, J. (2015). Rebooting MOOC research. Science, 347(6217), 34-35.
Reich, J., & Ruipérez-Valiente, J. A. (2019). The MOOC pivot. Science, 363(6423), 130-131.
Rizvi, S., Rienties, B., Rogaten, J., & Kizilcec, R. F. (2022). Beyond one-size-fits-all in MOOCs: Variation in learning design and persistence of learners in different cultural and socioeconomic contexts. Computers in Human Behavior, 126, 106973.
Schwanke, D. (1981). Classroom interaction research: A survey of recent literature. Journal of Classroom Interaction, 8-10.
Thornberg, R., Forsberg, C., Chiriac, E. H., & Bjereld, Y. (2022). Teacher–student relationship quality and student engagement: A sequential explanatory mixed-methods study. Research papers in education, 37(6), 840-859.
Tsinghua University (2025, December 1). Tsinghua University Releases the First University-Wide Framework Governing AI in Teaching and Research. PR Newswire.
Tu, S., Zhang, Z., Yu, J., Li, C., Zhang, S., Yao, Z., ... & Li, J. (2023, October). Littlemu: Deploying an online virtual teaching assistant via heterogeneous sources integration and chain of teach prompts. In Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (pp. 4843-4849).
Wu, Q., Bansal, G., Zhang, J., Wu, Y., Zhang, S., Zhu, E., ... & Wang, C. (2023). Autogen: Enabling next-gen llm applications via multi-agent conversation framework. arXiv preprint arXiv:2308.08155.
Xie, X. (2023). Influence of ai-driven inquiry teaching on learning outcomes. International Journal of Emerging Technologies in Learning, 18(23).
Yu, J., Wang, Y., Zhong, Q., Luo, G., Mao, Y., Sun, K., ... & Zeng, K. (2021, November). Mooccubex: a large knowledge-centered repository for adaptive learning in moocs. In Proceedings of the 30th ACM International Conference on Information & Knowledge Management (pp. 4643-4652).
Zhang, Z., Zhang-Li, D., Yu, J., Gong, L., Zhou, J., Liu, Z., ... & Li, J. (2024). Simulating classroom education with llm-empowered agents. arXiv preprint arXiv:2406.19226.
Zheng, Y., Li, X., Huang, Y., Liang, Q., Guo, T., Hou, M., ... & Luo, W. (2024). Automatic Lesson Plan Generation via Large Language Models with Self-critique Prompting. In Artificial Intelligence in Education. Posters and Late Breaking Results, Workshops and Tutorials, Industry and Innovation Tracks, Practitioners, Doctoral Consortium and Blue Sky (pp. 163-178). Springer Nature Switzerland, Cham.
Zhong, Q., Yu, J., Zhang, Z., Mao, Y., Wang, Y., Lin, Y., ... & Tang, J. (2022). Towards a general pre-training framework for adaptive learning in moocs. arXiv preprint arXiv:2208.04708.