4C/ID Python-Lernsystem – Bachelorarbeit

Dieses Repository enthält den Quellcode, die LaTeX-Thesis und die Studiendaten für das im Rahmen der Bachelorarbeit an der FH Aachen entwickelte Lernsystem.

Forschungsfrage: Inwiefern steigert der Einsatz von KI-generierten Übungsaufgaben die Effektivität beim Erlernen von Python?

Das System basiert auf dem 4C/ID-Modell (van Merriënboer) und integriert die OpenAI API für adaptive Lernunterstützung.

Inhalt

/
+-- thesis/                          LaTeX-Dokument der Bachelorarbeit
|   +-- 000report.tex                Hauptdokument
|   +-- 000report.pdf                Finale PDF-Version
|   +-- doc/                         Kapitel-Dateien (*.tex)
|   +-- bib/quellen.bib              Literaturverzeichnis
|   +-- pic/                         Screenshots der Lernplattform
|   +-- figures/studien_grafiken/    Symlink auf analysis/output/
|   +-- tables/                      LaTeX-Tabellen
|   +-- external/                    Offizielle PDFs (Erklärung, Aufbewahrungspflicht)
|
+-- codebase/                        Quellcode der Lernplattform (Next.js)
|   +-- src/
|   |   +-- app/                     Next.js App Router
|   |   +-- actions/                 Server Actions (OpenAI, Firebase, Export)
|   |   +-- components/              React-Komponenten
|   |   +-- courses/                 Kurs-Inhalte und Drill-Pools
|   |   +-- db/                      Firebase-Integration und Event-Tracking
|   |   +-- types/                   TypeScript-Typen
|   +-- messages/                    i18n-Übersetzungen (Deutsch/Englisch)
|   +-- package.json
|   +-- next.config.ts
|
+-- analysis/                        Datenauswertung
|   +-- Finale_Grafiken_Reproduktion.ipynb   Jupyter Notebook (reproduzierbar)
|   +-- exports/                     Anonymisierte Studiendaten (CSV, P001-P025)
|   +-- output/                      Generierte Grafiken für die Thesis (anonymisiert)
|
+-- LICENSE
+-- README.md

Technologie-Stack

Frontend: Next.js 15, TypeScript, Chakra UI v3, Monaco Editor
Backend: Next.js Server Actions, Firebase Firestore
KI-Integration: OpenAI API (gpt-4o)
Datenanalyse: Python (pandas, matplotlib, scipy, pingouin)

Installation (Codebase)

Voraussetzungen: Node.js 18+, Yarn, OpenAI API Key, Firebase-Projekt

git clone https://github.com/Shaco74/Bachelorarbeit-Kacper-Python-Bootcamp.git
cd Bachelorarbeit-Kacper-Python-Bootcamp/codebase

yarn install

cp .env.example .env.local
# .env.local befüllen: OPENAI_API_KEY und Firebase-Konfiguration eintragen

yarn dev

Öffne http://localhost:3000 im Browser.

LaTeX kompilieren

cd thesis
latexmk -pdf 000report.tex

Datenanalyse reproduzieren

cd analysis
jupyter notebook Finale_Grafiken_Reproduktion.ipynb

Die anonymisierten Studiendaten liegen in analysis/exports/ (Teilnehmer-IDs: P001-P025).

Studie

Between-Subjects-Design mit N=25 Teilnehmenden (Gesamtstichprobe), davon N=18 im gefilterten Analyse-Datensatz (n=9 je Gruppe):

Gruppe A: Statische Drill-Aufgaben (Kontrollgruppe)
Gruppe B: KI-generierte adaptive Drill-Aufgaben (Experimentalgruppe)

Erhoben wurden: Event-Logs, Drill-Performance, Chat-Verläufe (anonymisiert) sowie Fragebögen (Pre-Test, SUS, NASA-TLX, UEQ-S, NPS).

Lizenz

MIT – siehe LICENSE.

Shaco74/4CID-Adaptive-Python-Tutor

README