Im Rahmen eines betreuten Masterprojekts wurde von vier Studierenden des Applied Data Science (MADS) ein prototypisches KI-gestütztes Hilfsmittel zur Unterstützung der Anerkennung von im Ausland erbrachten Studienleistungen konzipiert und umgesetzt. Das Masterprojekt wurde von der NORDAKADEMIE in Auftrag gegeben und von Prof. Dr. Arne Ewald betreut.
Die von den Studierenden als ANKER (=ANerkennung Kompetenz ERrwerb im Ausland) benannte KI-Anwendung ist ein Prototyp, der auf Basis historischer Anerkennungsfälle und bestehender Modulbeschreibungen Textvergleiche insbesondere bezüglich der Qualifikationsziele und Lernergebnisse zwischen ausländischen und Heimmodul ermöglicht und damit perspektivisch zu mehr Transparenz, Effizienz und Nachvollziehbarkeit im Anerkennungsprozess beitragen kann.
Langfristiges Ziel ist eine effiziente und nachvollziehbare Anerkennungspraxis mit kurzen Bearbeitungszeiten und hoher Transparenz für die Studierenden. Mit ANKER entsteht eine technische und konzeptionelle Grundlage, auf der Anerkennungsprozesse perspektivisch stärker digital unterstützt und in einzelnen Schritten automatisiert vorbereitet werden könnten. Gleichzeitig leistet das Projekt einen Beitrag zur verantwortungsvollen Integration von KI in die Hochschulverwaltung und zeigt beispielhaft, wie moderne KI-Technologien verantwortungsvoll und unterstützend in Verwaltungsprozessen von Hochschulen erprobt werden können. Hierbei ist zu berücksichtigen, dass KI-Anwendungen im Bildungs- und Hochschulkontext je nach konkretem Einsatzbereich unter die Hochrisiko-Regelungen des EU AI Act fallen können. Entsprechend ist insbesondere sicherzustellen, dass die abschließende Entscheidung weiterhin durch einen Menschen getroffen wird.
Der von den Studierenden entwickelte Prototyp bietet mehrere Funktionen, die den Anerkennungsprozess vereinfachen sollen. Zunächst werden einmalig alle Heimmodule vektorisiert und in einer Datenbank abgelegt, um spätere Vergleiche und Suchen zu vereinfachen. Als Grundlage für die vom System erzeugten Hinweise dienen sowohl algorithmisch bestimmte Ähnlichkeits-Scores zwischen Gast- und Heimmodul als auch historische Anerkennungsentscheidungen über eine sog. Äquivalenzliste.
Der Workflow mit ANKER sieht wie folgt aus:
Wird ein Anerkennungsantrag gestellt, wird zunächst automatisiert geprüft, ob bereits eine Entscheidung bezgl. des beantragten Fremdmoduls in der Äquivalenzliste vorliegt. Falls ja, wird die historische Entscheidung als Hinweis für die weitere Bearbeitung angezeigt. Liegt noch keine Äquivalenzentscheidung vor oder soll das Modul auf ein anderes Heimmodul als bisher anerkannt werden, wird das Fremdmodul zum einen durch ein Large Language Model (LLM) zusammengefasst und vektorisiert. Zum anderen werden die Komponenten des Moduls (Lernziele, Inhalte) in semantische Einheiten unterteilt. Auf Basis der vektorisierten Zusammenfassung und der semantischen Einheiten wird ein rechnerischer Ähnlichkeits-Score erzeugt, der als zusätzliche Orientierung für den manuellen Abgleich dienen kann. Dieser wird in einem Ampelsystem visualisiert, um eine algorithmische Einschätzung der inhaltlichen Nähe zwischen Fremd- und Heimmodul sichtbar zu machen. Zudem werden ausgewählte Textstellen des Fremdmoduls ausgewiesen, um einen manuellen Abgleich und ggf. eine Nachkorrektur zu unterstützen. Die finale Entscheidung wird in der Sachbearbeitung getroffen und in die Äquivalenzliste zurückgespiegelt, um künftige Fälle zu unterstützen.
ANKER kann darüber hinaus Hinweise auf mögliche Alternativmodule geben, die im weiteren Prüfprozess betrachtet werden könnten. Weiterhin kann das verbundene LLM verwendet werden, um die Modulbeschreibung des Fremdmoduls zu übersetzen, um so den inhaltlichen Abgleich für den Menschen auch dann zu ermöglichen, wenn die Modulbeschreibung nicht auf Deutsch oder Englisch vorliegt.
Durch die digitale Abbildung des Antragsprozesses wird zugleich die Dokumentation und Archivierung früherer Entscheidungen in Form einer Äquivalenzliste strukturiert unterstützt, wodurch sichergestellt werden kann, dass Studierende bei der Vorbereitung ihrer Learning Agreements eine aktuelle Datenbasis vergangener Entscheidungen zugrunde legen können und künftige Entscheidungen weiter beschleunigt werden, indem die dokumentierten Entscheidungen schneller (insb. innerhalb des Tools) abrufbar sind.
Zusammenfassend lässt sich festhalten, dass ANKER das „Anwendungsbeispiel B: Matching“ bedient, welches von der HRK als einer von mehreren Fällen beschrieben wird, in welchen KI-Systeme gewinnbringend für Hochschulen eingesetzt werden können. Das algorithmische Ermitteln möglicher Übereinstimmungen von Lernzielen, Hinweise auf alternative Anerkennungsmöglichkeiten sowie der Abgleich mit historischen Entscheidungen können künftig dabei unterstützen, neue Anträge besser vorzubereiten und bestehende Dokumentation strukturierter zu nutzen.
Der Prototyp zeigt damit einen möglichen nächsten Schritt in Richtung papierloser Mobilität (auch außerhalb von ERASMUS) und macht sichtbar, wie relevante Prozesse für alle Beteiligten perspektivisch vereinfacht werden könnten.