KI-gestütztes Mentoring für beruflich qualifizierte Studierende: Personalisierte Unterstützung an der Schnittstelle von Beruf und Hochschule Hook

Lädt...

0:00 14:15

Beruflich Qualifizierte bringen Erfahrung, aber selten einen „klassischen“ Bildungsweg mit. KI-gestütztes Mentoring verspricht, genau diese Heterogenität erstmals systematisch zu nutzen – statt sie als Problem zu behandeln.

Kapitel 1 – Einleitung

1.1 Problemaufriss: Heterogene Bildungsbiografien im Hochschulstudium

In vielen Hochschulsystemen steigt der Anteil von Studierenden, die nicht dem klassischen Muster eines direkt aus der Schule kommenden Vollzeitstudierenden entsprechen. Beruflich Qualifizierte, Teilzeitstudierende, Personen mit Familienpflichten oder international mobile Lernende bringen vielfältige Erfahrungen, aber auch besondere Herausforderungen mit. Sie verfügen häufig über umfangreiche berufliche Kompetenzen, treffen jedoch auf Studienstrukturen, Unterstützungssysteme und Beratungsangebote, die primär auf traditionelle Bildungswege ausgerichtet sind. Diese Passungsprobleme können zu Unsicherheit, Studienverzögerungen oder Studienabbrüchen führen, obwohl die grundlegende Lern- und Leistungsfähigkeit vorhanden ist.

1.2 Übergänge beruflich qualifizierter Studierender

Beruflich qualifizierte Studierende stehen an der Schnittstelle von Arbeit und Hochschule. Sie bringen meist eine abgeschlossene Berufsausbildung, mehrjährige Praxiserfahrung und oft auch Verantwortung im Betrieb oder im privaten Umfeld mit. Gleichzeitig sind ihnen hochschulische Lernkulturen, Prüfungsformate und institutionelle Abläufe weniger vertraut als klassischen Studienanfänger:innen. Übergangsphasen – etwa vom Beruf ins Studium oder zwischen verschiedenen Qualifikationsniveaus – sind daher besonders kritisch. Ohne passgenaue Begleitung besteht die Gefahr, dass vorhandene Kompetenzen nicht voll zur Entfaltung kommen und das Potenzial dieser Zielgruppe für Wissenschaft und Praxis ungenutzt bleibt.

1.3 Digitalisierung, Learning Analytics und KI im Hochschulkontext

Mit der Digitalisierung der Hochschullehre entstehen neue Datenquellen über Lernprozesse, Studienverläufe und die Nutzung von Lernangeboten. Ansätze des Learning Analytics nutzen diese Daten, um Muster zu erkennen, frühzeitig Risiken zu identifizieren und Studierende gezielter zu unterstützen. Parallel dazu werden Systeme künstlicher Intelligenz entwickelt, die auf Basis solcher Informationen personalisierte Hinweise, Empfehlungen oder Warnsignale geben können. Erste Projekte im Bereich digitalen Mentorings zeigen, dass solche Systeme etwa in der Studieneingangsphase, in der Grundlagenlehre oder bei der Studienverlaufsberatung einen Beitrag zur Lernunterstützung leisten können.

1.4 KI-gestütztes Mentoring als neues Unterstützungsformat

KI-gestütztes Mentoring verbindet die automatisierte Auswertung von Studiendaten mit Elementen klassischer Mentoring- und Coaching-Ansätze. Digitale Systeme können kontinuierlich verfügbar sein, individuelle Lern- und Studienverläufe analysieren und Studierenden niedrigschwellige Unterstützung anbieten. Dazu gehören beispielsweise strukturierte Rückmeldungen zu Lernfortschritten, Hinweise auf passende Unterstützungsangebote oder Empfehlungen zur Planung des Studienverlaufs. Gleichzeitig bleiben menschliche Mentor:innen für komplexe, biografisch geprägte oder emotional belastende Situationen unverzichtbar. Sinnvoll konzipierte Modelle zielen daher auf ein Zusammenspiel von KI-basierten Assistenzfunktionen und persönlicher Begleitung.

1.5 Forschungslücke: Spezifische Perspektive beruflich Qualifizierter

Obwohl zahlreiche Initiativen zu KI, Learning Analytics und digitalem Mentoring im Hochschulbereich existieren, wird die besondere Situation beruflich qualifizierter Studierender bislang nur am Rande betrachtet. Viele Systeme orientieren sich an idealtypischen Vollzeitstudierenden mit linearem Bildungsverlauf und gehen von weitgehend homogenen Ausgangslagen aus. Wenig erforscht ist, wie KI-gestützte Mentoring-Systeme gestaltet sein müssen, um die Lebenslage, die beruflichen Vorerfahrungen und die spezifischen Unterstützungsbedarfe beruflich Qualifizierter angemessen abzubilden. Damit bleibt ein wesentliches Potenzial ungenutzt: die Verbindung reichhaltiger Praxis- und Lernerfahrungen mit datenbasierter, adaptiver Studienunterstützung.

1.6 Zielsetzung des Artikels

Der vorliegende Artikel verfolgt das Ziel, Potenziale und Grenzen KI-gestützten adaptiven Mentorings für beruflich qualifizierte Studierende an Hochschulen zu analysieren. Im Mittelpunkt steht die Frage, wie digitale Mentoringsysteme so konzipiert und in bestehende Unterstützungsstrukturen integriert werden können, dass sie Übergänge vom Beruf ins Studium erleichtern und den Studienverlauf dieser Zielgruppe wirksam unterstützen. Auf Basis der Auswertung einschlägiger Projekte, theoretischer Beiträge und empirischer Befunde wird ein Rahmenmodell entwickelt, das technologische, pädagogische und organisationale Dimensionen KI-gestützten Mentorings zusammenführt.

1.7 Forschungsfragen

Aus dieser Zielsetzung leiten sich folgende Forschungsfragen ab:

Wie werden KI-gestützte Mentoring- und Beratungssysteme im Hochschulkontext derzeit konzipiert, insbesondere in Bezug auf Personalisierung, Datenbasis und Datenschutz?
In welcher Weise können solche Systeme spezifische Bedarfe beruflich qualifizierter Studierender adressieren und deren Studienverlauf unterstützen?
Welche Spannungsfelder entstehen im Zusammenspiel von KI-gestützten Systemen, menschlichem Mentoring und institutionellen Strukturen der Studienberatung?

1.8 Struktur des Artikels

Der Artikel ist wie folgt aufgebaut: Kapitel 2 beschreibt Forschungsdesign, Datengrundlage und Analysekriterien. Kapitel 3 stellt die Ergebnisse der Analyse ausgewählter Projekte und Konzepte zu KI-gestütztem Mentoring und Learning Analytics dar, mit besonderem Fokus auf beruflich qualifizierte Studierende. Kapitel 4 diskutiert diese Befunde im Lichte der Forschungsfragen, beleuchtet Chancen, Risiken und Spannungsfelder und entwickelt ein Rahmenmodell für KI-gestütztes Mentoring. Kapitel 5 fasst die wichtigsten Ergebnisse zusammen, formuliert praktische Implikationen für Hochschulen und skizziert Perspektiven für weitere Forschung.