Beyond Note-Taking
Ein datenschutzorientiertes Human-in-the-Loop-System für transparentere Nachweise und Rückmeldungen in mündlichen Prüfungen.
Prüfende unterstützen, ohne Bewertung an ein Modell zu delegieren.
- FTL-Rolle
- KI-Forschung · Systemarchitektur · Prototyping · Evaluation
- Feld
- Bildung · Sprachtechnologie · Verantwortliche KI
- Format
- Forschungsprototyp · Prüfungsassistenz · Publikation
- Credits
- Developed at MUC.DAI, Munich University of Applied Sciences, by Maximilian Dauner, Ricky Liu and Gudrun Socher.
Kontext
Mündliche Prüfungen erzeugen reichhaltige, aber flüchtige Evidenz. Notizen allein können Sprecher, Kontext und Kriterien nur begrenzt zusammenhalten.
Kreative Vision
Ein Assistent soll relevante Beobachtungen auffindbar machen und transparent auf Aussagen und Kursmaterial zurückführen.
Herausforderung & Grenzen
Audio, Sprecherzuordnung, fachlicher Kontext, Datenschutz und nachvollziehbare Generierung mussten in einer lokalen institutionellen Pipeline verbunden werden.
Was geschaffen wurde
Ein lesbarer Bericht, der Beobachtungen mit sprecherbezogenen Transkriptausschnitten, Kursmaterial und Bewertungskriterien verbindet.
Was gebaut wurde
Eine lokal betriebene Pipeline für Audioaufbereitung, Diarisation, Transkription, Retrieval und begrenzte Beobachtungsgenerierung.
Erlebnis / System
Das sichtbare Ergebnis und seine Infrastruktur bleiben Teil derselben Projektwahrheit.
Was Menschen sehen und erleben
Prüfbare Evidenz für Prüfende
Beobachtungen bleiben mit Sprecher, Zeitpunkt, Material und Kriterium verbunden.
Richtung bleibt in jeder Stufe sichtbar.
Menschliche Verantwortung
- Bewertungskriterien definieren
- Beobachtungen prüfen
- Fehler und Kontext einordnen
- Bewertung und Feedback verantworten
Technische Verantwortung
- Audio verbessern
- Sprecher identifizieren
- Transkripte ausrichten
- Relevantes Wissen abrufen
- Begrenzte Beobachtungen erzeugen
Jede Beobachtung muss auf nachvollziehbare Evidenz verweisen; Transkriptions- und Diarisationsfehler bleiben sichtbar und korrigierbar.
Als datenschutzorientierter Forschungsprototyp innerhalb universitärer GPU-Infrastruktur entwickelt.
Eine Architektur für transparente, evidenzgebundene Assistenz in sensiblen institutionellen Prozessen.
Der größte Nutzen liegt im Wiederfinden von Evidenz, nicht in automatisierter Bewertung.
Aussagen behalten ihren Kontext.
Methode und System wurden 2026 auf der IEEE EDUCON veröffentlicht und präsentiert.
Evaluation mit weiteren Prüfungssituationen und klar definierten Qualitäts- und Fairnesskriterien vertiefen.
Weiter durch das System.
KI-Werkstatt
Eine interaktive KI-Lernumgebung und wiederverwendbare Content-Pipeline für die Hochschule München.
Erleben
Learning the Invisible
Ein internationaler Kurs und Forschungsvortrag, der Windvorhersage mit neuronalen Operatoren in eine greifbare Luftfahrtanwendung übersetzt.
Erleben
The Craft of the Future
Ein interaktiver Workshop, der KI-natives Unternehmertum von der Prompt-Übung zum verantwortlichen, beobachtbaren Workflow führt.
Erleben