Wie Künstliche Intelligenz Lese- und Sprachkompetenzen unterstützen kann

Das Projekt iRead entwickelt EdTech-Anwendungen zur Leseförderung für Kinder bis zwölf Jahren

INTERVIEW mit Prof. Dr. Günter Neumann vom Forschungsbereich „Sprachtechnologie und Multilingualita?t“ (MLT) des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI GmbH) und der Universität des Saarlandes, der als Informatiker im EU-Projekt „iRead – Personalised Reading Apps for Primary School Children” für die Sprachverarbeitungssysteme zuständig ist. In dem europäischen Kooperationsprojekt entwickeln etwa 40 Expertinnen und Experten ein Framework von personalisierten, adaptiven Technologien und Anwendungen, das Grundschülerinnen und -schüler beim Lesenlernen unterstützen soll. Konkret handelt es sich dabei um das Navigo-Game und den Amigo-E-Reader, zwei „EdTech-Anwendungen“, bei deren Entwicklung neueste KI-Verfahren aus dem Bereich des Deep Learning eingesetzt wurden. Das Interessante am Projekt iRead ist aber nicht nur der Einsatz von KI-Methoden, sondern auch die europaweite Kooperation – die Infrastruktur wird nämlich gleichzeitig für vier Sprachen entwickelt: für Englisch, Griechisch, Deutsch und Spanisch. Seit September 2019 werden die beiden Instrumente in Grundschulklassen in ganz Europa erprobt. Wir sprachen mit Günter Neumann darüber, wie Künstliche Intelligenz für die Förderung von Lese- und Sprachkompetenzen genutzt werden kann.

Herr Neumann, wie ist die Idee zu diesem EU-Projekt entstanden?

Das Projekt iRead ist ein Nachfolgeprojekt von iLearn RW „Integrated Intelligent Learning Environment for Reading and Writing“, einem EU-Projekt mit sieben Partnern aus vier EU-Ländern – Malta, Griechenland, Rumänien und Großbritannien. Auf der Grundlage der Ergebnisse aus dem dreijährigen Projekt bauen bei iRead jetzt ungefähr 40 Personen eine Infrastruktur auf und entwickeln die Software. Sie stammen aus den Ländern der Projektpartner, also aus Großbritannien, Schweden, Griechenland, Norwegen, Spanien, Deutschland, Rumänien und Nord-Mazedonien. Hauptakteure sind Griechenland, Großbritannien, Deutschland und Rumänien.

Was ist die Kernidee des Projekts?

Wir entwickeln digitale Instrumente, die für personalisierte und adaptive Lernprozesse im Bereich der Lese- und Sprachförderung eingesetzt werden können. Unser Framework ermöglicht es, Schülerprofile zu erstellen, auf deren Basis für jeden Schüler und für jede Schülerin individuelle Lernziele entwickelt und Lernerfolge überprüft werden können.

Kernidee ist, die Lesefähigkeit mithilfe von Sprachspielen zu überprüfen und zu verbessern.

Die beiden von uns entwickelten EdTech-Anwendungen, das Navigo-Game und der Amigo-Reader, sind nach einer zweijährigen Entwicklungszeit jetzt in der Pilotierungsphase und werden seit September 2019 von Lehrerinnen und Lehrern europaweit an ausgewählten Primary Schools getestet.

Können Sie uns die beiden Anwendungen kurz erklären?

Fangen wir mit dem Navigo-Game an: Aus einem Set von Spielfiguren suchen sich die Schülerinnen und Schüler eine Figur aus, mit der sie im Spielverlauf verschiedene Abenteuer bestehen müssen, zum Beispiel aus einem Labyrinth herausfinden oder eine Mauer überwinden. Das kann ihnen aber erst gelingen, wenn sie vorher eine – natürlich mit Lernzielen hinterlegte – Aufgabe gelöst haben. Ein Serious Game also, das es den Kindern ermöglichen soll, ihre Lese- und Sprachfähigkeiten spielerisch zu verbessern. Um beispielsweise die korrekte Deklination von Substantiven zu üben, müssen die Kinder das richtig deklinierte Hauptwort in einem Satz ergänzen.

„Um die Attraktivität des Spiels hat sich einer unserer Projektpartner aus England gekümmert.“

Das Entscheidende an unserer Entwicklung ist nun, dass diese Lernspiele automatisch für das individuelle Kompetenzniveau erzeugt werden – und zwar anhand der aus den Schülerantworten entstehenden Daten. Diese werden gesammelt und mit verschiedenen linguistischen Tools so analysiert, dass die Lehrkräfte daraus Schülerprofile zur individuellen Förderung der Schülerinnen und Schüler erstellen. Die Algorithmen sind also so programmiert, dass sie Fähigkeiten und Kenntnisse jedes einzelnen Schülers erkennen und ihn „automatisch“ auf das Level leiten, das seiner individuellen Kompetenzstufe und seinem Lernziel entspricht.

Und wo genau kommt die Künstliche Intelligenz ins Spiel?

Über Verfahren der Sprachtechnologie werden die Sätze automatisch analysiert und festgestellt, welche Fehler der Schüler oder die Schülerin gemacht hat; das System macht auf Inkonsistenzen der Schülerantworten aufmerksam.

„Die Künstliche Intelligenz steckt in den entwickelten Sprachtools, die auf der Forschung und Entwicklung vergangener Jahre basieren.“

Die Künstliche Intelligenz steckt in den entwickelten Sprachtools, die auf der Forschung und Entwicklung vergangener Jahre basieren, als man beispielsweise für die englische Sprache das ganze linguistische Wissen über Morphologie von Hand eingetippt und alles auf Widerspruchsfreiheit überprüft hat. Heute muss man nur noch Beispiele eingeben und das System lernt Regeln eigenständig dazu. Die KI-Verfahren selbst laufen gewissermaßen im Hintergrund ab. Unsere Leistung ist es, das Instrumentarium um Tools für Satzbauregeln weiterentwickelt zu haben, mit denen nun auch komplexe Syntax-Analysen ermöglicht werden. Für die Schülerinnen und Schüler bedeutet das konkret, dass sie mit dem Spiel nun beispielsweise die Konstruktion von Passivsätzen üben können.

Wo genau kommt die Künstliche Intelligenz bei iRead zum Einsatz?

Zum einen werden die KI-Methoden in der natürlich-sprachlichen Analyse eingesetzt, zur Extraktion von linguistischen Merkmalen, wie Phonologie, Morphologie und Syntax, zum anderen zur automatischen Klassifikation und Empfehlung von relevanten Dokumenten.
Verwendet werden neueste KI-Verfahren aus dem Bereich des Deep Learning, die auf der Basis von „tiefen“, sehr vielschichtigen neuronalen Netzen beruhen. Verfahren wie die syntaktische Analyse von Sätzen oder Verfahren zur Klassifikation neuer Dokumente laufen dabei teilweise in Echtzeit. Weil die aktuellen KI-Verfahren noch sehr ressourcenlastig sind und die verwendeten Standardtablets und E-Reader eine „On-board“-Verarbeitung noch nicht zufriedenstellend zulassen, wird eine cloud-basierte Infrastruktur verwendet.

Wie viele Schulen nehmen an der Pilotphase teil?

Bei der Anzahl der Schulen bin ich überfragt, aber es werden insgesamt 5.000 Kinder an der Pilotphase teilnehmen. Den Klassen werden dazu vorprogrammierte Tablets zur Verfügung gestellt. Während es in Griechenland, Großbritannien oder Rumänien nicht allzu schwierig war, eine größere Anzahl Schulen zur Teilnahme zu motivieren, war das in Deutschland etwas komplizierter. Zum einen sind die Lehrkräfte in diesen Ländern interessierter und neuen digitalen Lernformen gegenüber aufgeschlossener als in Deutschland. Zum anderen sind auch die bildungspolitischen Voraussetzungen homogener als bei uns. Auch die mangelnde technische Infrastruktur in den Klassenräumen vieler Grundschulen in Deutschland ließ eine Teilnahme am Pilotprojekt nicht zu. Bislang haben sich acht Grundschulen aus Baden-Württemberg beteiligt. Hinzu kommt, dass die Entwicklung des deutschsprachigen Spiels schwieriger war als die Versionen für Rumänien oder Großbritannien, weil sich in Deutschland die Curricula nicht nur nach Bundesland, sondern auch bis in die einzelnen Schulen unterscheiden. Diese sehr vielen unterschiedlichen Lernziele als Spielspezifikationen zu programmieren war einigermaßen kompliziert.

Die zweite im Projekt entwickelte Anwendung ist der Amigo-Reader. Welches Ziel wird mit ihm verfolgt?

Auch der Reader wird zur Förderung von Sprach- und Lesekompetenz im Unterricht eingesetzt. Lehrer bereiten auf dem Lesegerät eine Auswahl von Texten vor, anhand derer jedes Kind seinem Kompetenzniveau entsprechend seine individuellen Lese- und Schreibfähigkeiten üben und verbessern kann. Die Funktionsweise ist ähnlich wie beim Navigo-Game.

Das eigentlich Neue an diesem E-Reader ist ein von uns entwickeltes Recommender-System, das Lehrkräften gezielt Schulbücher für das Erreichen spezifischer Lernziele empfiehlt. Dahinter stecken maschinelle Lernverfahren, bei denen vom System nicht nur auf textueller Ebene, sondern auch auf semantischer Ebene Ähnlichkeiten erkannt und gelernt werden müssen. Zur Klassifikation verwenden wir neuronale Netze, die auf der Basis von Beispielen trainiert werden. Gespeist werden sie mit Ergebnissen aus der linguistischen Analyse – Merkmale, die sich auf die Komplexität von Wörtern und Sätzen beziehen.

Bauen die beiden Anwendungen denn aufeinander auf?

Spiel und E-Reader sind nicht eng verzahnt, in dem Sinne, dass sie interagieren, sondern sie benutzen wo immer möglich dieselben Wissensquellen – zum Beispiel linguistische Tools oder Regeln zur Bestimmung der Komplexität von Wörtern und Sätzen. Die Künstliche Intelligenz steckt dabei in den einzelnen Tools – bei der Erstellung von nötigen Wissensquellen wie Wörterbüchern und Grammatiken oder bei der Klassifikation von Texten und deren Ranking. Dieses modulare Baukastensystem erlaubt es überhaupt erst, dass die Kinder die im Spiel eingeübten Fähigkeiten in Büchern und Texten des eReaders anwenden können.

Die Lehrkraft kann für jeden einzelnen Schüler ein eigenes Wörterbuch definieren, das die individualisierten Aufgabenstellungen im Spiel speist.

Zentral ist dabei, dass wir als Projekt quasi ein generisches Domänenmodell spezifiziert haben; es definiert für die eingesetzten Sprachen, was relevante linguistische Merkmale sind und welche Komplexitätsstufen sie haben. Ein Merkmal ist zum Beispiel das zusammengesetzte Wort; zusammengesetzte Wörter sind auf verschiedenen Ebenen, unter anderem der Phonologie und Morphologie, komplexer als einfache Wörter.

Können Sie uns die Domänenmodellierung noch ein wenig genauer beschreiben?

Wir haben ein abstraktes Schema für die Domänenmodellierung in den verschiedenen Sprachen entwickelt und es dann quasi „verdeutscht“ oder „vergriechischt“. Für die jeweiligen Domänenmodelle – jedes konkrete Domänenmodell spiegelt ja jeweils ein Curriculum wider – haben die beteiligten Pädagogen sprach-spezifische Wörterbücher erstellt. Unterstützt wurden sie dabei von Anwendungen der Künstlichen Intelligenz, in dem Fall von neuronalen Netzen zur automatischen Erkennung der Silbenstruktur von Wörtern, zur Abbildung von Phonemen auf Grapheme und auch zur syntaktischen Analyse von Sätzen. Daneben gibt es speziell für die Spiele Spezifikationen, die formulieren, welches Lernziel mit einem Spiel erreicht werden soll. Die Lernziele beziehen sich dabei auf das Domänenmodell und die Wörterbücher.

Und wie schafft man es, dass sich die Lernspiele automatisch für das individuelle Kompetenzniveau jeweils neu erzeugen?

Die Individualisierung wird unter anderem mit Hilfe der Komplexitätsstufen erreicht; zum Beispiel können in einem Spiel mehrere Levels für verschiedene Komplexitätsstufen modelliert werden. Dies wird in schülerspezifischen Benutzermodellen repräsentiert, die vom Lehrer erstellt und entsprechend der Lernerfolge aktualisiert werden. Dabei werden auch Daten aus der schülerspezifischen Verwendung der Spiele und E-Reader herangezogen: Wie schnell wurde ein Level erreicht? Wie viele Fehler wurden gemacht und wie oft?

Künstliche Intelligenz und Bildung

Das Dossier des Deutschen Bildungsservers zum Wissenschaftsjahr 2019: Mit Links zur KI-Strategie der Bundesregierung, zu mit dem Thema beschäftigten Forschungseinrichtungen, zu Informationssammlungen zum Bereich Arbeit und Qualifizierung sowie zu Materialien zur Behandlung des Themas im Schulunterricht.

Playlist bildungsserverKanal: Zusammenstellung verschiedener Videos zu Künstlicher Intelligenz und Bildung.

Können Sie schon etwas über die Pilotphase sagen?

Bei den Kindern kommt das Spiel sehr gut an, die sind voll dabei! Und auch die Lehrerinnen und Lehrer nehmen es gut an. Natürlich gibt es den Neugierde-Effekt und man muss beobachten, wie nachhaltig Einsatz und Lernerfolge von Spiel und Reader sind. Wir haben die Pilotisierungsphase deshalb auf zwei Jahre angelegt, denn die beiden Anwendungen sollen auch auf den Markt gebracht werden.

Welche Erkenntnisse haben sie in der bisherigen Projektlaufzeit gewonnen?

Als Experte für Informatik, KI und Computerlinguistik habe ich mit diesem Projekt wirklich Neuland betreten – es war mein erstes im Bildungsbereich. Obwohl unter den Projektkolleginnen und -kollegen auch Pädagogen mit Informatikhintergrund waren, war der technologische Wissensunterschied immer noch recht groß. Wir konnten also nicht gleich mit voller Kraft loslegen, und sagen, da geht’s lang; damit hätten wir die Kollegen überfordert. Wir sind also schrittweise vorgegangen und haben erst mal grundsätzlich geklärt, welche Technologie wir wo einsetzen werden. Ich habe dabei viel über das Schulwesen gelernt, auch über die komplizierten Strukturen und die Kommunikation (lacht). Aber iRead ist ein sehr interessantes Projekt, auch weil wir eine Menge geschafft und relativ innovative Technologien entwickelt haben. Ich kann mir gut vorstellen an weiteren Projekten im Bildungsbereich mit zu arbeiten!

Vielen Dank für das Gespräch, Herr Neumann!

________________________________________________________________________

Dieser Text steht unter der CC BY 4.0-Lizenz. Der Name des Urhebers soll bei einer Weiterverwendung wie folgt genannt werden: Christine Schumann für Deutscher Bildungsserver