Abschlussvortrag: KI-gestützte Clusterung von studentischen Programmierlösungen zur Verbesserung automatisierter Feedbackprozesse

Prof. Dr. Michael Striewe

Kurzfassung:
Der zunehmende Einsatz von Programmieraufgaben in der Hochschullehre stellt Lehrkräfte vor die Herausforderung, eine große Anzahl an studentischen Einreichungen effizient und gleichzeitig qualitativ hochwertig zu bewerten. Insbesondere der zeitliche Aufwand für individuelles Feedback nimmt mit wachsender Teilnehmerzahl erheblich zu. In dieser Arbeit wurde ein Verfahren zur KI-gestützten Clusterung von studentischen Programmierlösungen entwickelt, das den Bewertungsprozess entlasten und die Feedbackqualität verbessern soll.

Ziel war es, eine Pipeline zu implementieren, die Java-Dateien automatisiert einliest, in numerische Vektorrepräsentationen überführt und anschließend mittels Dimensionsreduktion und Clustering gruppiert. Durch diese Clusterungen sollen ähnliche Lösungen identifiziert werden, um repräsentative Beispiele pro Cluster für ein standardisiertes Feedback auszuwählen.

Im Verlauf der Arbeit wurden verschiedene Clustering- und Dimensionsreduktionsalgorithmen getestet und hinsichtlich ihrer Eignung bewertet. Besonderes Augenmerk lag auf der Konsistenz der Cluster bei großen und ungleichen Datensätzen sowie der Einbeziehung von Punktzahlen als ergänzendes Kriterium zur Verbesserung der Clusterqualität. Die entwickelte Lösung wurde modular umgesetzt und anhand eines beispielhaften Experiments von rund 1000 studentischen Einreichungen in Java evaluiert.

Die Ergebnisse zeigen, dass sich die entwickelte Pipeline prinzipiell eignet, Programmierlösungen automatisiert zu clustern und somit den Korrekturaufwand zu reduzieren. Gleichzeitig konnte aufgezeigt werden, dass eine rein syntaktisch-semantische Clusterung kontextabhängig nicht ausreicht, um homogene Gruppen für Feedbackzwecke zu bilden. Ergänzend wurden dafür Punktzahlenintervalle und die Konkatenation von Einreichungen eingebaut, um Clusterungen weiter einzugrenzen. Die Arbeit legt damit eine fundierte Grundlage für weiterführende Entwicklungen im Bereich automatisierter Feedbacksysteme für die Hochschullehre.