AI-supported learning assistance for programming education in Python

Large Language Models (LLMs) haben sich schnell zu einem Hilfsmittel für Studierende beim Lösen von Programmieraufgaben entwickelt, da sie unmittelbare Erklärungen liefern und sogar komplette Lösungen bereitstellen können. Frühere Untersuchungen zeigen jedoch, dass besonders Anfänger:innen stark auf LLMs zurückgreifen und dabei eigene Problemlösefähigkeiten vernachlässigen. Vor diesem Hintergrund untersucht die vorliegende Arbeit, wie KI-gestützte Tutoring-Systeme eingesetzt werden können, um selbständiges didaktisches Verständnis von Inhalten sowie experimentelles Lernen zu fördern. Im Fokus steht zunächst die Identifikation von Faktoren, die den erfolgreichen Einsatz KI-basierter Tutoring-Systeme bestimmen, auf Grundlage einer Literaturrecherche. Darauf aufbauend erfolgt die Entwicklung eines didaktisch gestalteten KI-basierten Tutors bzw. Bots, der kontextsensitiv agiert, Kursmaterialien einbezieht und durch gezielte Hinweise sowie Rückfragen eigenständiges Denken und Problemlösen fördert. Abschließend wird die Wirksamkeit des entwickelten Systems untersucht. Ziel der Arbeit war es, ein eigenes KI-basiertes Tutoring-System für einen Python Programmierkurs zu entwickeln, das auf den bereitgestellten Kursunterlagen basiert. Dabei sollte das System Studierende nicht mit fertigen Lösungen versorgen, sondern sie durch schrittweise Hinweise, erklärende Impulse und Rückfragen beim eigenständigen Denken und Problemlösen unterstützen. Darauf aufbauend wurden drei Forschungsfragen formuliert: RQ1: Welche KI-gestützten Tutoring Systeme existieren für Programmierkurse in der Lehre und welche Faktoren beeinflussen ihren erfolgreichen Einsatz?, RQ2: Wie kann ein KI-basierter Chat-Bot für einen Programmiereinführungskurs in Python entwickelt werden und in eine Lehrveranstaltung integriert werden?, RQ3: Inwiefern kann der entwickelte Chat-Bot Studierende beim Lernen neuer Programmierkonzepte unterstützen? Methodisch verbindet die Arbeit einen systematischen Literaturüberblick mit einem Design Science Research Ansatz. Die Literaturrecherche identifizierte die relevanten Gestaltungsprinzipien, die anschließend in die Entwicklung eines prototypischen Python Tutors einflossen. Dieser wurde mithilfe von Retrieval Augmented Generation (RAG) und einem kontrollierten Prompt Design umgesetzt und anschließend im Rahmen einer Lehrveranstaltung mit 39 Studierenden evaluiert. 602 Interaktionen bildeten dabei die Grundlage für die Analyse des Nutzungsverhaltens. Die Ergebnisse zeigen, dass der entwickelte Tutor didaktisch wirksam, technisch stabil und für Lernende nachvollziehbar agiert. Er fördert das Verständnis zentraler Konzepte, unterstützt beim Lernen und motiviert zu mehr eigenständigem Arbeiten und wird von vielen Studierenden als hilfreicher wahrgenommen als generische LLM Systeme. Die Arbeit leistet damit einen Beitrag zum Verständnis, wie KI Lernsysteme gestaltet sein sollten, um im Hochschulkontext einen Mehrwert zu bieten und zeigt zugleich konkrete Perspektiven für weiterführende Entwicklungen auf.