Prof. Dr. Niels Pinkwart

Prof. Dr. Niels Pinkwart forscht an der Schnittstelle von Künstlicher Intelligenz und Bildung, mit einem Schwerpunkt auf intelligenten Tutorensystemen, adaptivem Lernen und Learning Analytics. Seine Arbeit integriert empirische Methoden zur Analyse von Lernprozessen und entwickelt technologische Lösungen für inklusivere Bildungssettings, insbesondere im MINT-Bereich. Zudem engagiert er sich in der Lehrkräftebildung und der strategischen Transformation von Hochschulen durch KI, wobei ethische Aspekte und soziale Gerechtigkeit eine zentrale Rolle spielen.

🔒 Das System hat 1.625 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• 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 · Softwaretechnik

  Zeitraum: 02/2016 - 04/2016 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