Kursbewertungsmodell in der beruflichen Bildung basierend auf einem durch genetischen Algorithmus optimierten BPNN

Warum neue Messmethoden für Kompetenzen wichtig sind

Da immer mehr junge Menschen in China und weltweit Berufsfachschulen wählen, stehen die Einrichtungen unter Druck, Studierende fair und zügig zu beurteilen. Traditionelle Kursbewertungen stützen sich häufig auf Lehrereindrücke oder einfache Mittelwerte von Testergebnissen, die subjektiv sein, nur langsam aktualisiert werden und sich schwer auf Tausende Lernende skalieren lassen. Diese Studie untersucht, wie eine speziell angepasste Form künstlicher Intelligenz chaotische Aufzeichnungen aus vielen Quellen in klare, verlässliche Darstellungen der Schülerleistung verwandeln kann, um Schulen bei der Unterstützung der Lernenden und der Verbesserung der Unterrichtsqualität zu helfen.

Die Herausforderung, reales Lernen zu bewerten

Berufliche Bildung konzentriert sich auf praktische Fertigkeiten: eine Naht schweißen, einen Stromkreis verdrahten oder eine Unternehmenssimulation durchführen. Solches Lernen zu beurteilen ist schwieriger als die Bewertung einer einzelnen Prüfung. Hochschulen sammeln viele Informationsbausteine – Anwesenheit, Laborarbeiten, Lehrereinschätzungen und mehr – die oft in unterschiedlichen Formaten gespeichert sind. Menschliche Gutachter gewichten diese Faktoren möglicherweise unterschiedlich, was zu inkonsistenten Ergebnissen führt. Zugleich benötigen manche modernen KI‑Modelle sehr große Datensätze und Rechenleistung, die viele Schulen nicht haben. Die Autorinnen und Autoren haben deshalb ein leichteres, transparenteres System entworfen, das mit heterogenen Daten umgehen und gleichzeitig möglichst objektive Urteile liefern kann.

Ein intelligenter Motor, abgestimmt auf Berufsdatensätze

Im Zentrum der Studie steht ein Kursbewertungsmodell, das auf einem Backpropagation‑Neuronalen Netzwerk basiert, einer klassischen KI‑Technik, die Muster durch wiederholten Abgleich ihrer Vorhersagen mit tatsächlichen Ergebnissen erlernt. Damit dieses Netzwerk bei Bildungsdaten gut funktioniert, bereinigen und normieren die Forschenden zunächst alle Eingabewerte, sodass unterschiedliche Indikatoren – etwa Testergebnisse oder Anwesenheitsquoten – auf derselben Grundlage vergleichbar sind. Anschließend verwenden sie ein Entropie‑Verfahren, um zu berechnen, wie informativ jeder Indikator ist, wodurch Faktoren, die sich über Schüler hinweg aussagekräftig unterscheiden, stärker gewichtet werden und solche, die wenig variieren, weniger Einfluss haben. Dadurch verringert sich der Spielraum für Vermutungen darüber, welche Indikatoren am wichtigsten sind.

Evolution als Vorbild zur Verbesserung des Lernens

Auf dieses Kernnetz legen die Forschenden einen genetischen Algorithmus, der von der natürlichen Selektion inspiriert ist. Mögliche Einstellungen für die internen Verbindungen des Netzwerks werden wie Individuen in einer Population behandelt. Durch wiederholte Selektions‑ und Rekombinationsrunden durchsucht der Algorithmus weitläufig mögliche Kombinationen von Gewichten und Schwellenwerten und hilft dem System, nicht in suboptimalen Lösungen stecken zu bleiben. Sobald ein vielversprechender Bereich gefunden ist, übernimmt ein zweites Verfahren, bekannt als Levenberg–Marquardt, um die Parameter schnell und präzise feinzujustieren. Dieser zweistufige Prozess balanciert breite Exploration mit schneller, lokaler Anpassung und ermöglicht dem Modell, aus relativ moderaten Datensätzen genau zu lernen.

Wie gut funktioniert das Modell im Unterricht?

Um ihren Ansatz zu testen, erstellten die Autorinnen und Autoren zwei reale Datensätze aus chinesischen Berufsbildungseinrichtungen, die Tausende von Kursaufzeichnungen aus mehreren Studienrichtungen und Schulen enthalten, sowie zusätzliche öffentliche Studentendatensätze. Sie verglichen ihr hybrides Modell mit mehreren Alternativen, darunter traditionelle neuronale Netze, rekurrente Netze und andere Optimierungsschemata. Über Maße wie Vorhersagefehler, Stabilität bei wiederholten Versuchen und Übereinstimmung zwischen vorhergesagten und tatsächlichen Kursnoten schnitt das neue Modell durchweg am besten ab. Es reduzierte typische Vorhersagefehler auf einstellige Prozentbereiche, erreichte eine sehr hohe Übereinstimmung mit realen Bewertungsergebnissen und hielt auch dann eine starke Leistung, wenn es auf unterschiedlichen Studentengruppen trainiert und getestet wurde.

Was das für Studierende und Schulen bedeutet

Alltäglich ausgedrückt zeigt die Studie, dass ein sorgfältig gestaltetes KI‑System komplexe, vielschichtige Aufzeichnungen beruflicher Lernleistungen in verlässliche Kursbewertungen verwandeln kann, die weniger voreingenommen und konsistenter sind als viele derzeitige Methoden. Indem das System Wissensprüfungen, praktische Übungen und breitere Qualitäten wie Teamarbeit automatisch ausbalanciert, spiegelt es die Ziele moderner beruflicher Bildung wider und entlastet zugleich Lehrkräfte und Verwaltung. Zwar sind weitere Arbeiten nötig, um Aspekte wie Fairness zwischen unterschiedlichen Studentengruppen und die Anpassung an Bildungssysteme anderer Länder zu adressieren, doch weist dieses Rahmenwerk in Richtung intelligenterer, transparenterer Wege, praktische Fertigkeiten anzuerkennen und Lernende auf berufsorientierten Wegen zu unterstützen.

Zitation: Luo, W., Zang, L., Liang, W. et al. Course assessment model in vocational education based on BPNN optimized by genetic algorithm. Sci Rep 16, 12686 (2026). https://doi.org/10.1038/s41598-026-43397-9

Schlüsselwörter: berufliche Bildung, Kursbewertung, neuronale Netze, genetische Algorithmen, Educational Data Mining