Show + Share Challenge #9

Challenge | Wrap-up

# 9 KI und gamebasierter Lehre

Gamebasierte Lehre ist bereits seit längerem ein Top-Thema in der (Online-)Lehre. Gerade wenn es um Motivation geht spielen Gamification und Gamebased-Learning ihre Potenziale aus. Aber die Erstellung von Games und Game-Elementen ist meist zeitaufwändig, was einige Lehrende davon abschreckt sich mit diesem Thema zu beschäftigen. Hier kommt KI ins Spiel. Gemeinsam wollen wir nach Ideen und Möglichkeiten sammeln wie KI Lehrende bei der Planung, Entwicklung oder Umsetzung von gamebasierter Lehre helfen kann.

Worum geht es inhaltlich?

Im Fokus steht die Frage: Wie kann man die vielfältigen Möglichkeiten die generative KI aktuell bereitstellt, konstruktiv für die Entwicklung von virtueller gamebasierter Lehre nutzen? Um uns der Frage zu nähern werfen wir zunächst einmal einen kurzen Blick auf unterschiedliche Varianten von Gaming im Lehr-/Lernkontext. Dazu gehören:

Beim Gaming geht es um Highscore-Listen, Punkte, Belohnungen, Spiel-Avatare, Feedback, Storytelling, Levelaufstieg, also vielfältige Game-Elemente, die in die Lehre eingebaut und mit dem Lernen verknüpft werden können.

Und was ist dabei die Aufgabe der Lehrenden? Nun z.B. ein Game zu konzipieren, spannendes Storytelling zu entwickeln, plastische Avatare zu kreieren, passende Game-Mechaniken zu finden und mit Inhalten oder Aktionen zu verbinden, Feedback-Reaktionen auf Handlungen der Lernenden zu erstellen usw. Also ein umfangreiches Repertoire von ganz unterschiedlichen Tätigkeiten.

In dieser Challenge wollen wir Ideen und Beispiele für die Verwendung von KI im Kontext der Planung, Umsetzung und Durchführung von gamebasierter Lehre sammeln. Wo kann man wie ansetzen?

Die konkrete Challenge:

Sie haben zwei Möglichkeiten

a)  Sie erstellen ein Konzeptpapier, das kurz erläutert wie Sie ganz konkret welche KI-Tools für welche Aktivitäten im Rahmen von gamebasierter Lehre nutzen würden. Geben Sie dabei bitte  folgendes an: Art des Games, online oder Präsenz? wofür wird KI eingesetzt? Welches KI-Tool kann verwendet werden?

b) Sie erstellen einfach selbst ein kleines Beispiel aus dem Game-Kontext und geben dafür an wie und wofür Sie dabei welches KI-Tool verwendet haben.

Tipp: Vielleicht hilft es sich an den oben genannten Game-Elementen zu orientieren.

Share: Teilen Sie Ihre Ideen und Aktivitäten

Veröffentlichen Sie Ihr kurzes Konzeptpapier bzw. Beispiel im Internet z.B. auf einer Webseite, einem Blog, auf Ihrer Social-Media-Seite, einem frei zugänglichen LMS, einem öffentlichen Cloud-Speicher, in edu-sharing o.ä. und teilen Sie den Link.

Kommentar hinterlassen: Verwenden Sie den Kommentarbereich unten auf dieser Seite, um einen Link (nicht das Konzept) zu Ihrer veröffentlichten Bearbeitung der Challenge zu teilen.

Sie sind neu bei den Show + Share Challenges?

Dann verschaffen Sie sich am besten erst einmal hier einen Überblick über den Ansatz.

Einen öffentlichen Kommentar schreiben

Beachten Sie bitte, dass der Inhalt Ihres Kommentars nicht aber Ihre E-Mail-Adresse veröffentlicht werden. Für Kontaktanfragen oder Veranstaltungsanmeldungen verwenden Sie stattdessen bitte die jeweiligen Formulare.

7 Kommentare zu “Show + Share Challenge #9

  1. Das folgende szenariobasierte Quiz wurde im Rahmen der “Webinar Series – KI in der Hochschullehre” erstellt. Ausgangspunkt war die Fragestellung, in welchem Ausmaß das Quiz mit KI erstellt werden kann. Das endgültige Quiz wurde entsprechend nur minimal überarbeitet. Das Ergebnis erhebt daher keinen Anspruch auf Richtigkeit.
    Zur Vorgehensweise: Zunächst wurde eine Rahmengeschichte für das Quiz generiert. Anschließend wurden Single Choice-Aufgaben sowie Bilder generiert. Das Ganze wurde dann in H5P “NDLA Virtual Tour” eingefügt – eine Erweiterung von “Virtual Tour (360)” um Escape Room-Features.

    Hier geht es zum Quiz: https://cloud.ph-karlsruhe.de/index.php/s/Md2eLokCDwwZMd8
    (Anleitung: html-Datei herunterladen und im Browser öffnen)

    Verwendete Tools: Rahmengeschichte und Aufgaben: Claude Sonnet 3.5; Bilder: Adobe Firefly, H5P-Editor: Lumi (Desktop Version)

  2. Ich nutze im Unterricht öfters Mini-Games, Dazu habe ich zunächst die KI nach Vorschlägen für Mini-Games gefragt.
    Prompt: Ich möchte ein Mini-Game für die Online-Lehre erstellen und benötige Ideen. Die KI hat hier hauptsächlich externe Tools, z.B. Kahoot, für die Erstellung von Quizzes, etc. aufgelistet. Hier hätte der Prompt spezifischer formuliert werden müssen.
    Anschließend habe ich die KI aufgefordert das Spiel „Wer wird Millionär“ zum Thema KI zu programmieren.
    Der das Spiel ist einfach gehalten, man könnte jedoch die KI auffordern das Spiel noch etwas schöner zu formatieren. (siehe Datei)
    Anschließend habe ich noch nach einem Jeopardy Spiel gefragt. Da habe ich einige Anpassungen im Prompt vornehmen müssen, um das Spiel spielbar zu machen. Auch hier ist das Layout verbesserungswürdig.

    Insgesamt hat es keine 10 Minuten gedauert zu einem Ergebnis zu kommen. Mit etwas Anpassungen der Inhalte und des Layouts könnte man innerhalb von 30 Minuten ein Mini-Game durch eine KI programmieren lassen.
    Ich habe mich noch an einem Memory-Spiel probiert. Wenn es um gleiche Paar geht, dann klappt es. Ich wollte jedoch ein Memory-Paar bilden mit einem Organ und die dazugehörige Funktion. Die Paare haben nicht so ganz gepasst und ich habe es nach einige Anläufen abgebrochen. Mit etwas mehr Zeit und Geduld ließe sich das bestimmt anpassen.
    Hier der Link zu den Spielen. https://l.fobizz.com/b62dbe00

    Verwendetes KI-Tool: Fobizz – GPT-4o-mini

  3. Noch ein kleines Beispiel, das zeigt wie schnell man mit Hilfe von ChatGPT einen Story-Rahmen für einen Escape-Room erstellen kann.
    Im ersten Schritt wurden Ideen mit folgendem Prompt generiert: “Ich plane einen Escape Room für Studierende. Welche Themen Storys wären hierfür geeignet? Nenne 4 verschiedene thematische Beispiele.” Dann die beste Idee, hier “Die verlorene Formel”, ausgewählt und dafür ein Webseitenbeschreibungstext und ein Intro-Text für die Begrüßung der Spieler*innen generiert. Anschließend das Ganze noch ergänzt mit einem passenden KI generierten Bild (lexica.art).

    Das unbearbeitete Ergebnis kann man sich hier ansehen
    https://olat.vcrp.de/auth/RepositoryEntry/4531979085/Infos/0

    Das alles kann nun natürlich noch weiter ausgestaltet werden z.B. mit konkreten Herausforderungen, weiteren Bildern, Fortsetzung der Story usw. Vielleicht hat ja jemand Lust dazu bekommen.

  4. In meinen Klassen in der Berufsschule nutze ich gerne zur Auflockerung und Motivation gerne mit “Games”. Diese kann zum Erarbeiten eines Themas genutzt werden oder zur Vorbereitung auf eine Überprüfung.
    Zum Thema Schlaf habe ich mit verschiedenen KI-Tools sowohl die Story, Ideen für Aufgaben, die Hintergrundbilder und Textelemente und Videotranskripts erstellt.
    Schauen Sie selbst. https://olat.vcrp.de/auth/RepositoryEntry/4531978639/CourseNode/109492638496728

  5. Generative KI kann Lehrende sehr gut dabei unterstützen bestehenden seriöse (OpenOlat) Quiz zu gamifizieren. Das geht schnell und bringt im allgemeinen gute Ergebnisse. Teilweise wird man so auch inspiriert für weitere Ausarbeitungen oder neue Antworten zu den Fragen. Schön ist auch wenn man die Quizfragen mit einer kleinen Story verbindet.

    Hier finden Sie ein Beispiel und erfahren, wie sie vorgehen können: https://olat.vcrp.de/url/RepositoryEntry/4508288391/CourseNode/109441719421971 . Sie wollen direkt das gamifizierte Quiz starten? Dann nehmen Sie diesen Link: https://olat.vcrp.de/url/RepositoryEntry/4523393189
    (Gastzugang nutzen)

  6. Ich habe mal versucht Avatare für ein Krimi-Game mit Hilfe von KI-Bildgeneratoren zu erstellen. Eigentlich ein typisches Beispiel, wenn man möchte, dass sich Spieler*innen eine Figur für ein Game auswählen oder das Game aus einer bestimmten Perspektive erleben. Die Grafikerstellung geht auf den ersten Blick auch sehr flott und gut aber die Tücke liegt wie immer im Detail ;-). Hier der Link zu meiner Challenge Bearbeitung mit einem Beispiel und einer kurzen Reflexion. Einfach den Gastzugang verwenden:
    https://olat.vcrp.de/url/RepositoryEntry/4508288391/CourseNode/109293923687526