Options
Improving adaptive argumentation learning through Artificial Intelligence
Type
doctoral thesis
Date Issued
2022-09-19
Author(s)
Abstract
Argumentation is an omnipresent rudiment of daily communication and thinking. The ability to form convincing arguments is not only fundamental to persuading an audience of novel ideas but also plays a major role in strategic decision-making, negotiation, and constructive civil discourse. However, humans often struggle to develop argumentation skills owing to a lack of individual and instant feedback in their learning process. Providing feedback on the individual argumentation skills of learners is time-consuming and not scalable if conducted manually by educators. With the help of new adaptive argumentation learning systems, students would be able to learn autonomously and independently of the instructor, time, and place. Although the use of Artificial Intelligence (AI) seems to be a promising approach, current literature lacks (1) insights on the theory-based and learner-centered requirements for adaptive argumentation skill learning, (2) knowledge in how to design and embed AI-based adaptive argumentation learning systems to improve students' learning outcomes and user-experience, and (3) insights on the influence of adaptive argumentation learning systems on students argumentation skills. This dissertation tackles these literature gaps to explore the potential of adaptive argumentation skill learning based on AI by designing, implementing, and evaluating new technology-enhanced pedagogical concepts to actively support students in developing the ability to argue in a structured, logical, and reflective way. Using a design science research approach, I develop new student-centered pedagogical scenarios with empirically evaluated design principles, linguistic corpora, ML algorithms, and innovative learning tools. I introduce and contribute to two novel classes of technology-mediated argumentation learning tools: (1) AI-based argumentation writing support system and (2) conversational argumentation learning systems. My results indicate that the two novel classes of adaptive learning tools based on ML algorithms and user-centered design patterns help students to develop better argumentation writing skills in different domains. Thereby, I firstly bridge the boundaries of argumentation learning and argumentation mining by examining new pedagogical scenarios for adaptive argumentation learning from a student-centered perspective. Therefore, I contribute not only with new rich argumentation annotation schemes, argumentation corpora, and novel ML models in German language, but most of all insights into the overall socio-technical embedding, design, and the impact of AI-based argumentation writing support systems and conversational argumentation learning systems to teach students how to argue.
Abstract (De)
Die Fähigkeit, überzeugende Argumente zu formulieren, ist nicht nur von grundlegender Bedeutung, um ein Publikum von neuen Ideen zu überzeugen, sondern spielt auch eine wichtige Rolle bei strategischen Entscheidungsfindungen, bei Verhandlungen und im allgemeinen politischen Diskurs. Menschen haben jedoch oft Schwierigkeiten, Argumentationsfähigkeiten zu entwickeln. Ein Grund dafür ist der Mangel an individuellem und formativem Feedback im Lernprozess von Studierenden oder in der Aus-und Weiterbildung. Eine Rückmeldung über den Stand der individuellen Argumentationsfähigkeiten von Lernenden ist zeitaufwändig und für Lehrkräfte nicht skalierbar. Neuartige adaptive Argu-mentationslernsysteme haben das Potential, Studierende zu unterstützen selbstständig und unabhängig von Lehrkräften, Zeit und Ort zu lernen. Obwohl der Einsatz von Künstlicher Intelligenz (KI) ein vielversprechender Ansatz zu sein scheint, fehlt es in der aktuellen Literatur (1) an Erkenntnissen über die theoriebasierten und lernerzentrierten Anforderungen an Lernen von Argumentationsfähigkeiten mit adaptiven Lerntools, (2) an Wissen darüber wie KI-basierte adaptive Argumentationslernsysteme konzipiert und gebaut werden können, um die individuellen Lernpfade und die Nutzung der Studierenden zu verbessern und (3) an Erkenntnissen über den Einfluss adaptiver Argumentationslernsysteme auf die eigentlichen Argumentationsfähigkeiten der Studierenden.Diese Dissertation greift diese drei Forschungslücken auf und untersucht das Potential von adaptivem Lernen von Argumentationsfähigkeiten mit Hilfe von KI. Dazu werden neue technologiegestützte pädagogische Konzepte entworfen, implementiert und evaluiert, die Studierende aktiv unterstützen, strukturiert, logisch und reflektiert zu argumentieren. Auf Basis eines designwissenschaftlichen Forschungsansatzes entwickle ich neue studierenden-zentrierte pädagogische Szenarien mit empirisch evaluierten Designprinzipien, linguistischen Korpora, ML-Algorithmen und innovativen Lernwerkzeugen. Ich stelle dazu zwei neuartige Klassen von IT-basierten Lernwerkzeugen für das Argumentieren vor: (1) KI-basierte Systeme zur Unterstützung des Schreibens von Argumenten und (2) dialog-basierte Argumentationslernsysteme. Meine Ergebnisse zeigen, dass die beiden neuen Systemklassen den Studierenden helfen bessere Argumentationsfähigkeiten in verschiedenen pädagogischen Bereichen zu entwickeln. Dabei überbrücke ich erstmals die Grenzen von Argumentationslernen und Argumentation Mining, indem ich neue pädagogische Szenarien für adaptives Argumentationslernen aus einer studierendenzentrierten Perspektive untersuche. Daher trägt diese Arbeit nicht nur mit neuen, reichhaltigen Argumentationsannotationsschemata, Argumentationskorpora und neuartigen ML-Modellen in deutscher Sprache bei, sondern vor allem mit Einblicken in die allgemeine sozio-technische Einbettung, das Design und die Auswirkungen von KI-basierten Argumentationslernsysteme, um Lernenden zu helfen besser zu argumentieren.
Language
English
Keywords
Maschinelles Lernen
Mensch-Maschine-Kommunikation
Unterrichtstechnologie
EDIS-5259
Machine Learning
Human-Computer Interaction
Adaptive Learning
Educational Technology
Conversational Agents
HSG Classification
not classified
HSG Profile Area
None
Publisher
Universität St. Gallen
Publisher place
St.Gallen
Subject(s)
Division(s)
Eprints ID
267372
File(s)