Prof. Dr. Niels Pinkwart

Prof. Pinkwart erforscht derzeit, wie künstliche Intelligenz und digitale Technologien das Lernen unterstützen und verbessern können – insbesondere durch intelligente Tutorensysteme, adaptive Lernplattformen und KI-gestützte Feedback-Systeme. Ein Schwerpunkt liegt auf der Frage, wie diese Technologien emotional und motivational auf Lernende wirken und wie sie inklusiv gestaltet werden können, damit auch Menschen mit Behinderungen oder besonderen Lernbedarfen profitieren. Seine Arbeiten adressieren konkrete Herausforderungen in Schulen und Hochschulen: Wie lässt sich Feedback automatisiert und fair bereitstellen? Wie können Roboter und multimodale Systeme Engagement steigern? Wie wird digitales Lernen wirklich inklusiv? Relevant ist das für Bildungseinrichtungen, EdTech-Unternehmen und Organisationen, die Weiterbildung anbieten – sowie für Gesundheitssysteme in Entwicklungsländern, wo er mobile Lösungen für Schwangerschaftsberatung erprobt hat.

🔒 Das System hat 1161 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Humboldt-ProMINT-Kolleg: Teilprojekt AG Informatik

  Quelle ↗

  Zeitraum: 08/2010 - 07/2016 Projektleitung: Prof. Dr. Niels Pinkwart

• SPP1527: FIT

  Quelle ↗

  Förderer: DFG Sachbeihilfe Zeitraum: 07/2013 - 02/2015 Projektleitung: Prof. Dr. Niels Pinkwart

• Konzeptstudie "Übungsaufgaben in der Online-Lehre mit WebST / Transferbonus

  Quelle ↗

  Förderer: Wirtschaftsunternehmen / gewerbliche Wirtschaft Zeitraum: 05/2014 - 10/2014 Projektleitung: Prof. Dr. Niels Pinkwart

• Computer-supported argumentation: A review of the state of the art

  2010

  International Journal of Computer-Supported Collaborative Learning · DOI

• Predicting MOOC Dropout over Weeks Using Machine Learning Methods

  2014

  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.

• Another 25 Years of AIED? Challenges and Opportunities for Intelligent Educational Technologies of the Future

  2016

  International Journal of Artificial Intelligence in Education · DOI