@article{BruckschFalter, author = {Brucksch, Michael and Falter, Thomas}, title = {Sprache im Transfer- und Innovationsgeschehen}, series = {Transfer_i, Scientific Glossary, Sprache im Transfergeschehen}, journal = {Transfer_i, Scientific Glossary, Sprache im Transfergeschehen}, pages = {1 -- 4}, abstract = {Transfer kann als Beziehungsgeschehen zwischen Transferakteuren, die im Dialog stehen, aufgefasst werden. Beziehungsgeschehen gestaltet sich in erster Linie durch Sprache aus. Sprache wiederum erzeugt Wirklichkeit sowohl auf der auf der Inhalts- wie auch auf der Beziehungsebene. Sprache verbindet Dialogpartner oder trennt sie - je nach Sprachgebrauch. Die fachliche Ausdrucksweise, die Verwendung von Fachterminologien sowie die Kommunikation der fachlichen und {\"u}berfachlichen Werte sind dabei pr{\"a}gend f{\"u}r den Sprachgebrauch und auch f{\"u}r das Sprachverst{\"a}ndnis. Soll Transfer und das damit verbundene Transfergeschehen erfolgreich sein, muss die genutzte Sprache f{\"u}r alle Transferpartner im Dialog definiert, verst{\"a}ndlich und motivierend, also direkt handlungsanregend, sein. Das bedeutet letztendlich, dass es klar sein muss, wor{\"u}ber man spricht und auf welcher Grundlage ein (Transfer-)Dialog stattfindet. Was Transfer aber genau beinhaltet, wie er strukturiert ist, wo und wie Transfer verortet ist und wie Transfer gemessen wird, dar{\"u}ber herrscht keineswegs Einigkeit. Damit schm{\"a}lern sich die grundlegenden Voraussetzungen f{\"u}r einen erfolgreichen Transfer. Umso wichtiger erscheint es deshalb, einen eindeutigen Sprachgebrauch zu pflegen, der auf Definitionen und Begriffsabgrenzungen referenziert. Diese m{\"u}ssen Bestandteile eines konkludent durchdachten und wissenschaftstheoretisch basierten Systemmodells sein und ein gemeinsam getragenes Transferverst{\"a}ndnis sicherstellen.}, language = {de} } @article{BruckschFalter, author = {Brucksch, Michael and Falter, Thomas}, title = {Modelle zur Beschreibung des Transfers im Innovationsgeschehen}, series = {TRANSFER}, journal = {TRANSFER}, pages = {2}, language = {de} } @inproceedings{GuentherFalterBruckschetal., author = {G{\"u}nther, Swen and Falter, Thomas and Brucksch, Michael and Beckmann, Wilhelm and Lang, Gabriele and Findeisen, Vivien and Bormann, Paula-Marie}, title = {Relevance of transfer processes and indicators in practice 3 Results of a cross-subsystem expert survey in Germany}, series = {Academic and Practitioner Proceedings of the 2023 UIIN Conference Series, June 9-11, 2023, Budapest}, booktitle = {Academic and Practitioner Proceedings of the 2023 UIIN Conference Series, June 9-11, 2023, Budapest}, publisher = {UIIN}, pages = {104 -- 119}, language = {en} } @inproceedings{HauserStauferRoehrletal., author = {Hauser, Florian and Staufer, Susanne and R{\"o}hrl, Simon and Nadimpalli, Vamsi Krishna and Ezer, Timur and Grabinger, Lisa and Mottok, J{\"u}rgen and Falter, Thomas}, title = {LEVERAGING FIVE QUESTIONNAIRES TO ANALYZE STUDENT LEARNING STRATEGIES AND GENERATE AI-POWERED INDIVIDUALIZED LEARNING PATHS}, series = {ICERI2025 Proceedings}, booktitle = {ICERI2025 Proceedings}, editor = {G{\´o}mez Chova, Luis and Gonz{\´a}lez Mart{\´i}nez, Chelo and Lees, Joanna}, publisher = {IATED}, doi = {10.21125/iceri.2025.0658}, pages = {1775 -- 1784}, abstract = {Background: The COVID-19 pandemic has significantly accelerated the shift toward online and blended learning in higher education, placing renewed emphasis on the individualization of learning content to meet diverse student needs. Even high-quality learning materials may fail to engage learners if they do not align with students' personal preferences and learning styles. Identifying these learner preferences, therefore, emerges as a critical challenge. Objectives: This paper presents ongoing work within a larger research project aimed at employing artificial intelligence to recommend optimal learning path for students in specific courses. Beyond mere optimization, the goal is to ensure the best possible fit between learning materials and individual learners. Sample \& Methods: A total of 27 students from technical degree programs took part in this survey. All participation was voluntary, and data were handled in full compliance with GDPR regulations. Although our broader project integrates fine-grained learning analytics from Moodle, the present abstract focuses exclusively on the self-report questionnaire results. Participants completed five instruments: 1. Index of Learning Styles (ILS) 2. LIST-K (Learning and Study Strategies Inventory - Short version) 3. BFI-10 (Big Five Inventory - 10 items) 4. Custom Preferences Instrument, capturing preferences for specific learning elements (e.g. instructional videos, lecture notes, summaries) and basic demographic data 5. Motivational Value Systems Questionnaire (MVSQ), piloted last semester to assess value orientations and motivational drivers Results: Preliminary analyses of the questionnaire data reveal: - Learning Styles (ILS): The majority lean toward the visual learning type (M = 5.740, SD = 3.430). - Learning Strategies (LIST-K): High scores on metacognitive strategies (M = 3.000; SD = 0.520) and collaboration with peers (M = 3.190; SD = 0.540). - Preferred Learning Elements: Summaries, overviews, and self-checks are most favored. - Value Orientations (MVSQ): Students are primarily driven by the pursuit of personal achievement (M = 4.400; SD = 11.140). Conclusion \& Significance: By integrating these five standardized questionnaires, we gain valuable insights into student learning preferences—insights that complement our Moodle analytics in the broader project. Observed trends suggest that learning materials should be concise and designed to facilitate peer interaction and knowledge deepening. These findings will guide the refinement of our AI-driven recommendation engine, enhancing its ability to deliver personalized learning paths that boost both engagement and effectiveness.}, language = {en} } @unpublished{Falter, author = {Falter, Thomas}, title = {Werkstattbericht: Erfahrungen aus der Zusammenarbeit mit KI-Agenten f{\"u}r individualisiertes Lernen}, doi = {10.13140/RG.2.2.20204.63360}, pages = {15}, abstract = {DDer Artikel reflektiert praxisbasiert und philosophisch die Zusammenarbeit von Menschen mit KI-Agenten - insbesondere im Kontext des Lernens von Skills auf Experten-Level im Hochschulbereich. Am Beispiel der Entwicklung des KI-unterst{\"u}tzten Multiagentensystem LASSI, das Lernen unterst{\"u}tzt, wird eine Lernreise in drei Phasen erz{\"a}hlt - vom produktiven Staunen {\"u}ber die Verschiebung von Autorenschaft bis hin zur {\"U}bernahme von Verantwortung. Die Perspektiven von Entwickler, Professor und Studierenden zeigen, wie sich Mensch-Agenten-Systeme durch Zusammenarbeit ver{\"a}ndern. Erg{\"a}nzend werden drei philosophische Dimensionen - Embodied Knowledge, Enhanced Technologies und Embedded Ethics - herangezogen, um Potenziale und Risiken dieser Systeme zu beleuchten: Was passiert, wenn Intelligenz entk{\"o}rperlicht, menschliche F{\"a}higkeiten an Technologien ausgelagert und Werte kodiert werden? Der Text pl{\"a}diert daf{\"u}r, Agenten nicht als neutrale Werkzeuge, sondern als Mitgestalter im Soziotechnischen System Bildung zu begreifen. In der Schlussbetrachtung wird die Hochschule als Denkwerkstatt skizziert, die durch KI ihre Rolle neu definieren muss: weg vom Pr{\"u}fungsbetrieb hin zu einem Raum f{\"u}r Urteilskraft und Selbstreflexion. Lernen mit und von Agenten heißt: Lernen neu denken - gemeinsam gestalten.}, language = {de} }