Prof. Dr. Niels Pinkwart
Profil
Zusammenfassung
Prof. Pinkwart entwickelt digitale Lernumgebungen und intelligente Tutorensysteme, die Schüler und Studierende beim Lernen unterstützen – von automatischer Fehleranalyse über adaptive Systeme bis zu kollaborativen Lernplattformen. Seine Expertise liegt in der Verbindung von Künstlicher Intelligenz mit Pädagogik, um Lernen inklusiver, personalisierter und effektiver zu gestalten, insbesondere in komplexen Fachgebieten wie Naturwissenschaften, Programmierung und Argumentation.
Skills
Stammdaten
Identität, Organisation und Kontakt aus HU-FIS.
Forschungsthemen29
Aaron Matchmaking Tool V1 (Transferbonus)
Quelle ↗Förderer: Wirtschaftsunternehmen / gewerbliche Wirtschaft Zeitraum: 12/2015 - 05/2016 Projektleitung: Prof. Dr. Niels Pinkwart
Analyse und Verbesserung der Usability des WebST-Autorensystems für die Online-Lehre / Transferbonus
Quelle ↗Förderer: Wirtschaftsunternehmen / gewerbliche Wirtschaft Zeitraum: 02/2015 - 07/2015 Projektleitung: Prof. Dr. Niels Pinkwart
Anforderungsprofil für Software
Quelle ↗409-02-A · SoftwaretechnikZeitraum: 02/2016 - 04/2016 Projektleitung: Prof. Dr. Niels Pinkwart
Mögliche Industrie-Partner321
Details nur für eingeloggte sichtbar
🔒 Das System hat 321 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden
Publikationen25
Top 25 nach Zitationen — Quelle: OpenAlex (BAAI/bge-m3 embedded für Matching).
International Journal of Computer-Supported Collaborative Learning · 405 Zitationen · DOI
314 Zitationen · DOI
With high dropout rates as observed in many current larger-scale online courses, mechanisms that are able to predict stu-dent dropout become increasingly impor-tant. While this problem is partially solved for students that are active in online fo-rums, this is not yet the case for the more general student population. In this pa-per, we present an approach that works on click-stream data. Among other features, the machine learning algorithm takes the weekly history of student data into ac-count and thus is able to notice changes in student behavior over time. In the later phases of a course (i.e., once such his-tory data is available), this approach is able to predict dropout significantly better than baseline methods.
International Journal of Artificial Intelligence in Education · 124 Zitationen · DOI
Kooperationen7
Bestätigte Forscher↔Partner-Paare aus HU-FIS — Gold-Standard-Positive für das Matching.
WayIn – Der Inklusionswegweiser für Arbeitgeber: Technische Entwicklung und wissenschaftliche Begleitanalyse
other
Chinese-German Perspectives on AI-supported Educational Technologies
university
Digitalisierung und Inklusion – Grundsatzfragen und Gelingensbedingungen einer inklusiven digitalen Schul- und Unterrichtsentwicklung
university