Künstliche Intelligenz als Mentor für das lebenslange Lernen

Ausgangssituation und Problemstellung

Die gesellschaftliche Transformation zur Wissensgesellschaft und der immer schnellere technologische Fortschritt führen zu einem hohen Bedarf, berufliche Fähigkeiten und berufliches Wissen im Sinne des lebenslangen Lernens auch nach der beruflichen Erstausbildung aktuell zu halten und zu erweitern. Durch die hohe Geschwindigkeit des technologischen Fortschritts und die immer breiter werdende Wissensbasis sowie vielfältige Weiterbildungsangebote wird die individuelle Identifikation und Wahl geeigneter Kurse für die Weiterbildungsinteressierten zunehmend komplexer. Ferner ist für die einzelnen Weiterbildungsinteressierten schwer absehbar, wie zukunftsfähig einzelne Weiterbildungsinhalte und angestrebte Kompetenzen auf einem sich ständig weiterentwickelnden Arbeitsmarkt sind.

Das Verbundvorhaben „KIM“ setzt sich daher zum Ziel, die Weiterbildungsinteressierten in den Mittelpunkt zu stellen und ihnen bei der Wahl ihrer Weiterbildungsangebote zielgerichtete Unterstützung zu bieten. Hierfür wählen diese ein Berufsziel aus und laden ihren Lebenslauf auf der Projektwebsite hoch, anhand dessen die KI bereits erworbene und noch zu fördernde Fähigkeiten ermittelt. Diese können anschließend von Nutzer*innen bestätigt oder händisch abgeändert werden. Unter Zuhilfenahme dieser Information werden passgenaue Fort- und Weiterbildungskurse identifiziert/vorgeschlagen, um die, für das gewünschte Berufsziel förderlichen/notwendigen Fähigkeiten zu erwerben. Bei der Suche nach geeigneten Kursen fließen außerdem Trendanalysen des Arbeitsmarkts und der Wissenschaft mit ein.

Fragestellung

• Welche Kriterien tragen zur KI-Akzeptanz der Nutzer*innen bei?

• Welche Kriterien beeinflussen die subjektiv empfundene Passgenauigkeit der von der KI vorgeschlagenen Fort- und Weiterbildungskurse?

• Wie kann eine dauerhafte Nutzung der Anwendung erreicht werden?

Vorgehensweise

Für die zu entwickelnde Gesamtlösung war es essenziell, Berufe, zugehörige Kompetenzen und Qualifikationen möglichst durchgängig in einer einheitlichen Taxonomie zu verwenden. Nach entsprechender Analyse wurde entschieden, hier auf die Klassifikation ESCO zurückzugreifen, da diese eine vergleichsweise große Datenbasis an Berufen und hinterlegten Kompetenzen bot. Zudem bot ESCO eine Datenschnittstelle, über die die benötigten Inhalte auf dem jeweilig aktuellen Stand in die eigene Lösung eingebunden werden konnten. Statt die über 14.000 in ESCO gelisteten Kompetenzen zu verwenden, wurde allerdings eine höhere Abstraktionsebene verwendet, die eine Reduzierung auf ca. 2000 Kompetenzbereiche ermöglichte. Mit diesem Schritt wurde das manuelle Training der KI für die Zuordnung der Lebenslaufdaten zu den Kompetenzbereichen erleichtert und der Aufwand des manuellen Matchings der Kursinhalte verringert. Die für das Training der KI benötigten Lebensläufe beinhalteten sensible Daten. Um sichergehen zu können, dass datenschutzkonform gearbeitet wurde, wurde während des gesamten Projektablaufes ein besonderes Augenmerk auf den Datenschutz gelegt und ein entsprechendes Datenschutzkonzept aufgebaut. Die Lebenslaufdaten wurden in einzelne Sätze zerlegt, sodass keine zusammenhängenden Lebensläufe gespeichert wurden. Sie wurden stattdessen lokal auf dem Rechner der Nutzenden gespeichert und erst nach dem manuellen Filtern der personenbezogenen Daten in die Datenbank hochgeladen. Diese Maßnahmen trugen dazu bei, die Datenschutzstandards im Projekt zu gewährleisten und gleichzeitig die für das Training der KI erforderlichen Daten in einer sicheren und datenschutzkonformen Weise zu erheben und zu verarbeiten. Die zum Training der KI benötigten Datensätze setzten sich zusammen aus zur Verfügung gestellten Lebensläufen sowie aus öffentlichen Lebenslaufdaten der Bundesagentur für Arbeit, welche eine breite Auswahl an Berufskategorien abdeckten. Zur Erfassung der Nutzer*innenakzeptanz, der individuell empfundenen Passgenauigkeit und des langfristigen Nutzungsverhaltens der Anwender*innen wurden qualitative und quantitative Untersuchungen mit potenziellen Nutzer*innen durchgeführt und ausgewertet. Die Ergebnisse der Umfragen konnten in die weitere Umsetzung mit einfließen. Output des Projektes war eine Anwendung, die Nutzer*innen je nach Berufswunsch passgenaue Fort- und Weiterbildungscurricula in Form verschiedener Kurse präsentierte, welche den Erwerb einer oder mehrerer angestrebter Fähigkeiten förderten. Diese Kurse konnten direkt von den Nutzer*innen ausgewählt und gebucht werden.

Ergebnisse

Die Ergebnisse der Erhebung zur Nutzer*innenakzeptanz zeigten, dass ein transparentes Datenschutzkonzept ebenso zum Vertrauen in eine KI-basierte Anwendung beitrug wie die Möglichkeit, sich an reale Personen als Kontaktpersonen wenden zu können. Auch ein Video mit realen Personen ansehen zu können, welche die wichtigsten Fakten zur Anwendung beschrieben, trug zur Nutzer*innenakzeptanz bei. Weiter zeigten die Ergebnisse der Untersuchung zur wahrgenommenen Passgenauigkeit der von der KI-Anwendung vorgeschlagenen Weiterbildungscurricula, dass die KI-Akzeptanz sowie der wahrgenommene Mehrwert der Anwendungsnutzung einen positiven Effekt auf die empfundene Passgenauigkeit darstellten. Ebenso wie die Nutzungsfreundlichkeit, der vertrauenswürdige Eindruck der Anwendung und die Outputs des Back-Ends. Diese Ergebnisse waren konsistent mit den Resultaten der abschließend durchgeführten Umfrage zur dauerhaften Anwendungsbereitschaft der finalen Anwendung. So wünschten sich die Nutzer*innen eine intuitive und zielführende Darbietung der Anwendung. Die Nutzung der Anwendung bezeichneten die Teilnehmenden als „großen Unterhaltungswert“, wobei die KI an sich als faszinierend wahrgenommen wurde. Sie würde „out of the box“ Ideen liefern, die inspirierend und Interesse weckend wirken. Die vorgeschlagenen Kurse seien umfangreicher und vielfältiger, als eine selbstständige Suche ergeben hätte. Als Verbesserungsvorschläge wurden im Hinblick auf die Menge der Weiterbildungsvorschläge ein komprimiertes Ranking genannt, welches optional mit einer prozentualen Angabe zur Passgenauigkeit versehen würde. Auch sollten mit Blick auf die Effizienzsteigerung die Überschriften der einzelnen Kurse präzisiert werden.

Publikation

Gmeinder, Svenja; Petersen, Maren; Kuehne, Maxim (2026): Transfer digitaler Innovationen in der beruflichen Weiterbildung: Akzeptanzfaktoren einer KI-gestützten Mentoring-Anwendung zur Förderung lebenslangen Lernens. In bwp@ 49: Innovation und Transfer in der beruflichen Bildung, 1 - 22