AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Wissensgraph

Erstellt 2026-08-09 · Aktualisiert 2026-10-10

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Wissensgraph — eine strukturierte Repräsentation von Konzepten und ihren Beziehungen, die genutzt wird, um Fachwissen, Verständnis der Studierenden und Lernabhängigkeiten in Systemen der KI in der Bildung zu modellieren. Wissensgraphen ermöglichen es KI-Systemen, darüber zu schlussfolgern, was Studierende wissen, was sie als Nächstes lernen müssen und wie Konze miteinander zusammenhängen.

Fragen zum Nachdenken

  • Ein Wissensgraph erfasst nicht nur Konzepte, sondern ihre Beziehungen — Voraussetzungen, Ähnlichkeit, Hierarchie. Warum könnte es für ein adaptives System nützlicher sein zu wissen, wie Konzepte zusammenhängen, als eine flache Liste von Fertigkeiten zu haben?
  • Wie sehen Voraussetzungsbeziehungen in einem Fach wie dem Ihren aus? Können Sie an ein Thema denken, an dem Studierende regelmäßig scheitern, weil ihnen ein grundlegendes Konzept fehlt, das der Graph offenlegen würde?
  • Die Seite beschreibt den Einsatz von Wissensgraphen, um Wissenslücken zu erkennen — wo Lernenden grundlegende Konzepte fehlen. Wie könnte das Sichtbarmachen dieser Lücke verändern, was ein KI-Tutor als Nächstes zu unterrichten beschließt?
  • Wissensgraphen können manuell oder automatisch von LLMs aus Bildungstexten gebaut werden. Welche Risiken birgt es, eine KI die Konzeptstruktur konstruieren zu lassen, über die ein Tutor dann schließen wird?
  • Wenn Wissensgraphen die Fachstruktur liefern, über die KI-Agenten schließen, was passiert dann mit Vertrauen und Genauigkeit, wenn der Graph selbst einen Fehler oder eine verzerrte Beziehung enthält?
  • Ein Wissensgraph wird als strukturelles Rückgrat beschrieben, das feinkörnige Diagnose und personalisierte Pfade ermöglicht. Was müsste in Ihrem eigenen Unterricht oder Design ein Wissensgraph Ihres Fachs erfassen — und was würde er auslassen?

Einführung

Wissensgraphen liefern das strukturelle Rückgrat für viele intelligente Bildungssysteme. Anders als flache Listen von Fertigkeiten oder Konzepten erfassen Wissensgraphen Voraussetzungsbeziehungen, Ähnlichkeit und hierarchische Organisation — unverzichtbar für adaptives Lernen, Knowledge Tracing und Modellierung der Studierenden.

Wie Wissensgraphen in der AIED genutzt werden

Wissensgraphen sind ein wiederkehrender struktureller Mechanismus in der AIED-Forschung der Wissensbasis und dienen mehreren ausgeprägten Rollen:

  • Knowledge-Tracing-Modelle nutzen Konzeptgraphen, um Schätzungen der Studierendenkompetenz über verwandte Fertigkeiten hinweg auszubreiten, was die Vorhersagegenauigkeit verbessert, wenn die Daten spärlich sind.
  • Systeme zur Modellierung der Studierenden nutzen Wissensgraphen, um semantisch aussagekräftig darzustellen, was Lernende wissen, und ermöglichen damit feinkörnige Diagnose.
  • Adaptive Plattformen nutzen Voraussetzungsgraphen, um Inhalte zu sequenzieren und personalisierte Lernpfade zu empfehlen.
  • Die Algorithmenwahl über dem Graphen verändert Ergebnisse. In G4L erzeugte das Ausbreiten von Meisterschaft durch einen Evolving Knowledge Space Graph mit Bayesscher Wissensausbreitung +24% gemessenes Wissen (0.717 → 0.887), gegenüber +5% für Knowledge Space Theory und +1% für Weighted Distance Dependent Induction (Csépányi-Fürjes & Kovács, 2026).
  • Kognitive-Diagnose-Rahmenwerke wie HiLLM-CD konstruieren Konzeptbäume aus Bildungstexten mithilfe von LLMs und beseitigen damit manuelle Annotation.
  • Wissensgraph-gestütztes Tutoring: ITAS nutzt einen Wissensgraphen von Quantenkonzepten (mit expliziten Voraussetzungsbeziehungen), um ein Multi-Agenten-Tutoring-System anzutreiben, und traversiert den Graphen, um die nächsten Themen für kontraintuitives Material auszuwählen.
  • Curriculum- und Kursmodellierung: CourseGraph vergleicht Strukturen von Informatikkursen über Institutionen hinweg mithilfe von Graphenrepräsentationen; Learnity-Graphen modellieren Wege lebenslangen Lernens.
  • Lernen von Voraussetzungsbeziehungen: ProPrL lernt Voraussetzungsbeziehungen zwischen Konzepten und formalisiert damit die Kanten, die Wissensgraphen kodieren.
  • Erkennung von Wissenslücken: Erkennung von Wissenslücken nutzt graphenbasiertes Schlussfolgern in KI-Lehrassistenten, um zu erkennen, wo Lernenden grundlegende Konzepte fehlen.
  • Multimodales und erklärbares Schlussfolgern: multimodale Wissensgraphen erweitern die Graphenstruktur über Inhaltsmodalitäten hinweg; faire und erklärbare Empfehlungen verbinden Wissensgraphen-Embeddings mit sequenzieller Modellierung (ein hybrides HKG-GRU-Rahmenwerk).
  • Unterrichtlich strukturierte Graphen für Ressourcenempfehlung: Liu, Sun & Song (2026) zerlegen jede Entität einer Lehrressource in vier unterrichtliche Dimensionen (Unterrichtskontext, kognitive Stufe, technologisches Merkmal, kulturelle Anpassungsfähigkeit), berechnen nutzungsabhängige semantische Ähnlichkeit über diesen Dimensionen und verschmelzen sie mit kollaborativem Filtern über einen fähigkeits- und fortschrittsbewussten Koeffizienten — was pädagogische Struktur direkt in das Empfehlungssignal kodiert, statt Ressourcen als Konsumgüter zu behandeln.
  • Ontologiebasierte Wissensbasen: Ivanova (2026) schlägt eine geschichtete, hybride Wissensbasis-Architektur vor, die in Beschreibungslogik gegründet ist und die klassischen Einzelontologie-Modelle von ITS durch Systeme abgebildeter Ontologien ersetzt — und prozedurales (regelbasiertes), probabilistisches/unscharfes und ML-extrahiertes implizites Wissen hinzufügt —, plus ein Metadaten-Rahmenwerk zum Beschreiben, Entdecken und Wiederverwenden bildungspolitischer Ontologien.
  • Scaffolding und Schreiben: Veriforge und visuelles Query-Tracing wenden graphenbasierte Struktur auf narratives Entwerfen und Lernen deklarativer Logik an.
  • Von Menschen kuratierte literarische Graphen, und was ein Audit offenlegt: Incipit grapht literarische Prämissen — 1,455 Axiom-Datensätze, 1,464 Zuordnungen zu 149 Werken und 472 typisierte Beziehungen —, wobei Sprachmodelle Kandidatenformulierungen vorschlagen, die menschliche Kurator:innen auswählen und begründen. Sein nachgerechnetes Audit ist so lehrreich wie seine Struktur: jeder Endpunkt löst sich auf, und kein Duplikat oder Selbstlink bleibt, doch ordnen sich 1,448 der 1,455 Axiome genau einem Werk zu (kreuzwerkliche Wiederverwendung ist also spärlich), die Kontext-Taxonomie kann ihre zwei Kontexttypen nicht trennen, und kein Provenienz-Datensatz überlebt, sodass die Momentaufnahme ihre eigene Pipeline nicht rekonstruieren kann. Strukturelle Validität ist nicht interpretative Qualität, und ein kuratierter Graph ohne Provenienz kann weder auditiert noch aktualisiert werden.

LLM-getriebene Konstruktion von Wissensgraphen

Neuere Forschung untersucht den Einsatz von LLMs, um Wissensgraphen automatisch aus bildungspolitischen Inhalten zu konstruieren. Das HiLLM-CD-Rahmenwerk nutzt Multi-Agenten-LLM-Pipelines, um Aufgaben-Konzept-Verknüpfungen und hierarchische Konzeptbäume zu erzeugen, und verringert damit die Abhängigkeit von Expert:innenannotation. Das verbindet sich mit breiteren Anwendungen der generativen KI im Curriculum-Design und in der automatisierten Inhaltsorganisation, und mit RAG (retrieval-augmented generation), wo graphenstrukturiertes Wissen die Retrievalqualität gegenüber flacher Ähnlichkeitssuche verbessern kann.

Beziehung zu anderen Konzepten

Wissensgraphen verbinden sich mit Lerndesign (definieren, was zu lehren ist), Curriculum-Design (wie es zu sequenzieren ist) und Learning Analytics (Einsichten aus Interaktionsdaten der Studierenden extrahieren). Sie sind grundlegend für Systeme des intelligenten Tutorings, die strukturierte Repräsentationen bildungspolitischer Bereiche brauchen. Da KI-Agenten in der Bildung üblicher werden, liefern Wissensgraphen die Bereichsstruktur, über die agentische Systeme schließen — ein Muster, das in ITAS und Lehrassistenten zur Erkennung von Wissenslücken zu sehen ist.

Verbundene Konzepte

Verbundene Artikel

Metadaten

Technologien und VerfahrenGenerative KI, Intelligentes Tutoring, Wissensstandsverfolgung, Lernanalyse, Große Sprachmodelle (LLMs), Modellierung der Lernenden und adaptive Instruktion
Grundlagen von KI in der BildungKI in der Bildung, Curriculum-Design
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.