In vielen Programmier-Lehrveranstaltungen ist KI längst Alltag: Studierende kopieren Lösungen aus ChatGPT & Co., ohne wirklich zu verstehen, was passiert. Klassische Übungsplattformen und Auto-Grader wurden aber für die „Vor‑KI‑Zeit“ gebaut – sie erkennen nicht, ob Lernende selbst denken oder nur Antworten einfügen.

Am Institut für Theoretische Physik und Computational Physics der TU Graz wurde in den letzten 20 Jahren mit MatlabTutor bereits ein bewährtes System für automatisiertes Testen von Programmieraufgaben aufgebaut. Jetzt ist der nächste Schritt fällig: eine moderne, AI‑native Plattform, die Lernen mit KI ermöglicht, ohne die didaktische Kontrolle zu verlieren.

Ziele des Projekts

• Eine browserbasierte computor-Plattform aufbauen, die komplett ohne lokale Installation funktioniert.
• Eine KI-Coding‑Assistenz entwickeln, die Lernende mit Hinweisen unterstützt, statt fertige Lösungen zu liefern.
• Eine KI‑Review‑Komponente bereitstellen, die Code, numerische Ergebnisse und insbesondere Plots/Visualisierungen automatisiert beurteilen kann.
• Ein Teacher‑Dashboard entwickeln, das Fortschritt, typische Fehler und Auffälligkeiten sichtbar macht.
• Alle Komponenten als Open-Source-Software und ausgewählte Kurse als Open Educational Resources veröffentlichen.

Vorgehensweise

• Aufbau auf vorhandener Praxis:
  Weiterentwicklung der bestehenden MatlabTutor‑Workflows mit aktuell ca. 60 Studierenden im Alphatest.

• Browser statt Installation:
  Einsatz von VS Code im Browser (z.B. via code‑server/Coder, Docker‑Container), um Kurse ohne Installationshürden zugänglich zu machen.

• Didaktische KI-Assistenz:
  Integration von offenen Sprachmodellen (open weight models), die kontextsensitiv helfen, aber bewusst keine fertigen Musterlösungen produzieren.

• Automatisches Review & Plot-Evaluation:
  Kombination aus klassischen Tests und KI‑gestützter Auswertung von Code, numerischen Ergebnissen und Visualisierungen.

• Datengetriebene Didaktik:
  Auswertung von Lernpfaden (Versuche, Fehlermeldungen, Zeitverläufe), um Lehrende bei der Betreuung großer Gruppen zu unterstützen.

Ergebnisse & Open Source

Geplante Haupt-Ergebnisse des netidee-Projekts:

• VS Code Extension – AI Code Assistant
  Kontextsensitiver Tutor, der auf Aufgaben und Kursniveau abgestimmt Hinweise gibt.

• VS Code Extension – Review/Feedback AI
  Automatisierte Bewertung von Code, numerischen Ergebnissen und Plots, inkl. didaktisch sinnvollem Feedback.

• computor Framework & Browser-Plattform
  Modularer Kern, der Aufgaben, Tests, KI‑Assistenz und Auswertung verbindet und sowohl lokal als auch in der Cloud betrieben werden kann.

• Teacher Dashboard
  Weboberfläche für Lehrende mit Überblick über Fortschritt, typische Fehler und mögliche Problemfälle.

• Beispielkurse auf computor.at
  Offene Kurse („Data Science mit Python“ u.ä.) als Demonstration und Einstieg, veröffentlicht als Open Educational Resources.

Zielgruppen & Nutzen

• Universitäten, FHs und HTLs

  • Skalierbare Betreuung großer Programmier-Lehrveranstaltungen
  • Besserer Umgang mit KI im Studium (nicht verbieten, sondern didaktisch integrieren)
  • Datensouveränität durch self‑hosting und offene Lizenzen

• Unternehmen & Weiterbildung

  • Praxisnahe Data‑Science-Schulungen mit eigener Tool‑Chain
  • Möglichkeit, interne Kurse und Assessments auf computor aufzubauen
• Open‑Source‑Community & interessierte Lernende
  • Moderne, offen entwickelte Lernplattform
  • Möglichkeit, eigene Aufgaben, Tests und Kurse beizusteuern

Einordnung im netidee-Kontext

computor trägt zur netidee‑Vision bei, die Internetnutzung in Österreich zu fördern, indem:

• AI‑Kompetenzen im Programmierunterricht gestärkt werden,
• offene Infrastruktur für digitale Lehre bereitgestellt wird und
• Open Source & OER als Standard für moderne Lehr‑ und Lernmaterialien etabliert werden.