Spring Boot Online Teaching Management Platform: KI-gestütztes Lernen und Bewerten

Traditionelle Bildungsmodelle stoßen aufgrund ihrer inhärenten Einschränkungen zunehmend an ihre Grenzen. Kapazitätsbeschränkungen physischer Klassenzimmer und feste Zeitpläne schränken Zugänglichkeit und Skalierbarkeit ein. Die Verteilung digitaler Lernmaterialien über verschiedene Plattformen hinweg behindert einen einheitlichen Zugriff und eine einheitliche Verwaltung. Darüber hinaus führen mangelnde dynamische Echtzeitinteraktion nach dem Unterricht zu geringerem Studentenengagement und langsameren Feedbackschleifen. Manuelle Prozesse für Anwesenheit, Benotung und Analyse sind nicht nur zeitaufwendig, sondern auch fehleranfällig. Der boomende Online-Bildungsmarkt, der in China einen Wert von 650 Milliarden Yuan hat, über 450 Millionen Nutzer zählt und eine jährliche Wachstumsrate von 18 % aufweist, unterstreicht den dringenden Bedarf an digitalen Lösungen, die diese Schwachstellen beheben und das gesamte Lernerlebnis verbessern.

Die Plattform ist mit einer Fülle von Funktionen ausgestattet, um sowohl Studenten als auch Lehrende zu unterstützen. Für Studenten bietet sie eine intuitive Kursübersicht mit Klassifizierung nach Fach und Schwierigkeitsgrad, Multimedia-Inhaltswiedergabe mit einstellbarer Geschwindigkeit und Notizfunktionen sowie personalisierte Kurs- und Übungsempfehlungen basierend auf ihrer Lerngeschichte und Leistung. Echtzeitinteraktion durch Live-Kursfunktionen wie Bullet-Kommentare und Q&A-Sitzungen sowie asynchrone Unterstützung nach dem Unterricht sind integraler Bestandteil. Studenten können Aufgaben online einreichen, beaufsichtigte Prüfungen mit Betrugsschutzmaßnahmen ablegen und ihren Lernfortschritt anhand detaillierter Analysen verfolgen. Lehrende profitieren von einem optimierten Kursmanagement, einschließlich des Hochladens von Inhalten und der Terminplanung. Sie können Live-Vorlesungen mit interaktiven Werkzeugen durchführen, Aufgaben effizient verwalten und benoten sowie die Leistung der Studenten überwachen. Administratoren überwachen das Benutzer- und Kursgenehmigungsmanagement sowie systemweite Datenanalysen, um einen reibungslosen Plattformbetrieb und strategische Aufsicht zu gewährleisten.

Künstliche Intelligenz spielt eine entscheidende Rolle bei der Verbesserung der Fähigkeiten der Plattform. Empfehlungsalgorithmen, einschließlich kollaborativer Filterung (User-Based CF, Item-Based CF) und Deep-Learning-Modelle wie Wide & Deep, werden hochgradig personalisierte Kurs- und Übungsvorschläge liefern. Für die Bewertung wird ein intelligentes Benotungssystem die Auswertung objektiver Fragen basierend auf vordefinierten Regeln automatisieren und Techniken der natürlichen Sprachverarbeitung (NLP) wie BERT-Modelle für die semantische Analyse subjektiver Antworten nutzen. Programmieraufgaben werden in sicheren Sandbox-Umgebungen bewertet. KI wird auch für Betrugsschutzmaßnahmen bei Online-Prüfungen unerlässlich sein, indem Gesichtserkennung (OpenCV, Dlib), Bildschirmüberwachung und die Erkennung von Tab-Wechseln eingesetzt werden, um die akademische Integrität zu gewährleisten. Diese KI-Integration zielt darauf ab, eine adaptivere, effizientere und sicherere Lernumgebung zu schaffen.

Das Projekt ist mit einer klaren Entwicklungs-Roadmap strukturiert. Die Anfangsphasen umfassen Themenauswahl, Forschung und Datenerfassung (Okt-Nov 2024), gefolgt von der Präsentation und Argumentation des Vorschlags (Dez 2024). Der erste Entwurf soll bis April 2025 fertiggestellt sein, mit Überarbeitungen und Finalisierung bis Mai 2025. Erwartete Ergebnisse sind eine voll funktionsfähige Plattform, die über 5.000 gleichzeitige Benutzer mit einer durchschnittlichen Antwortzeit von unter 500 ms unterstützt. Leistungsbenchmarks zielen auf einen Durchsatz von über 800 TPS bei einer Fehlerrate von unter 0,1 % ab. Das intelligente Benotungssystem soll die Zeit für die subjektive Benotung von 5 Minuten auf 10 Sekunden pro Einreichung reduzieren. Darüber hinaus strebt das Projekt die Sicherung eines Software-Urheberrechts und die Veröffentlichung eines Kern-Journalartikels über KI-basierte automatisierte Benotungsalgorithmen an. Das Endprodukt wird dem angegebenen technischen Stack und der Benutzeroberfläche entsprechen.