Ausgangslage und Motivation

Das Lehrkonzept wurde für den Kurs "Softwareentwicklung 2" (SE2) im Studium "Health Care Informatics" an der Fachhochschule Wr. Neustadt entwickelt. Es erweitert bestehende Inhalte um eine forschungsorientierte Komponente und wird im aktuellen Semester erprobt. Der Kurs läuft über das gesamte Sommersemester und behandelt fortgeschrittene Softwareentwicklungsthemen. Da KI-gestützte Entscheidungsprozesse im Gesundheitswesen an Bedeutung gewinnen, setzt das neue Lehrformat auf einen forschungsorientierten und experimentellen Softwareentwicklungsansatz. Ein Schwerpunkt liegt dabei auf der Integration von LLM-basierten KI-Agenten und Agentic Workflows in Web-Applikationen, wodurch die Studierenden ein besseres Verständnis für die technologischen Möglichkeiten (und Grenzen) dieser relativ neuen Technologien generieren. Durch einen experimentellen und praxisnahen Entwicklungsansatz sollen Studierende befähigt werden, aktiv zur Weiterentwicklung von KI-Anwendungen im Gesundheitswesen beizutragen.

Beispielhafte Anwendungsfälle:

• KI-gestützte Diagnoseunterstützung und personalisierte Therapie: Spezialisierte KI-Agenten analysieren Patientendaten gemeinsam, um optimale Behandlungsoptionen zu empfehlen.
• Digitale Gesundheitsplattformen: KI-Agenten unterstützen Administration, Terminplanung und Patientenfluss-Optimierung in medizinischen Einrichtungen.

Forschungsorientierte Weiterentwicklung des Lehrformats

Das neue Konzept wird im laufenden Semester umgesetzt und evaluiert. Der didaktische Ansatz vereint forschungsorientiertes und praxisnahes Lernen, partizipative Mitgestaltung, agile Methoden und den Einsatz offener Bildungsressourcen, wie Open-Source-Software und ein umfangreiches Referenzprojekt, das als Ausgangsbasis dient. Zusätzlich wird eine kollaborative digitale Entwicklungsumgebung bereitgestellt (GitLab).

Ein forschungsorientierter Ansatz im Unterricht ermöglicht es den Studierenden kreative Lösungswege zu erproben und neues Wissen aktiv zu erarbeiten. In dynamischen, technologiegetriebenen Bereichen wie KI-Anwendungen scheint dieser Ansatz besonders wichtig, da ständig neue Methoden und Werkzeuge entstehen und klassische Lehrmethoden schnell an Relevanz verlieren. Der vorgestellte Ansatz soll auch die Eigeninitiative und Neugier befördern, um Studierende zu befähigen die digitale Transformation im Gesundheitswesen aktiv mitzugestalten.

Ein weiteres zentrales Element ist die Partizipation der Studierenden an der Projekt- wie Themengestaltung. Sie haben die Möglichkeit, praxisnahe Projekte mit direktem Bezug zur digitalen Transformation des Gesundheitswesens durchzuführen (durch die Entwicklung eines Prototyps und durch das Experimentieren mit der Integration von KI-gestützten Lösungsansätzen). Der Erfahrungsaustausch zwischen Studierenden und Lehrenden ist dabei essenziell, um neue Erkenntnisse in das Lehrkonzept zu integrieren. Dies führt im Idealfall zu einer iterativen Weiterentwicklung des Kurses und einem dynamischen Lehr-Lern-Prozess.

Es ergeben sich die folgenden Säulen und Ziele der forschungsorientieren Lehre in diesem Kurs:

• Experimentieren mit Technologien: Studierende setzen sich auf Basis vermittelter Grundlagen in der Web-Programmierung (z. B. Spring, Hibernate, REST APIs, DevOps) praktisch mit KI-Agenten und Agentic Workflows auseinander und integrieren diese in eigene Projekte. Dabei werden sie gezielt mit unerwarteten Herausforderungen konfrontiert, um ihre Problemlösungskompetenz zu stärken. Der iterative Entwicklungsprozess spiegelt die Realität der Softwareentwicklung wider, in der kontinuierliches Testen, Anpassen und Evaluieren essenziell sind. Hier geht es auch um die Kombination aus Softwareentwicklung und wissenschaftlicher Reflexion (z. B. zur Automatisierung von Entscheidungsprozessen).
• Integration aktueller wissenschaftlicher Erkenntnisse: Da Best Practices für LLM-basierte KI-Agenten noch in der Entwicklung sind, werden relevante wissenschaftliche Publikationen aus den Bereichen Agentic Workflows und Health Care Informatics systematisch in den Lehr- und Entwicklungsprozess integriert. Dies ermöglicht eine forschungsnahe Auseinandersetzung mit neuesten Technologien.
• Kollaborativer Erfahrungsaustausch und Partizipation: Der Austausch zwischen Studierenden und Lehrenden ist ein zentraler Bestandteil des Kurses. Erkenntnisse aus den Projekten werden durch regelmäßige Feedbackschleifen ergänzt. Studierende werden ermutigt, eigene Ideen zur Weiterentwicklung des Kurses und der KI-gestützten Systeme einzubringen.
• Selbstorganisiertes und adaptives Lernen: Studierende übernehmen eigenständig Verantwortung für ihre Lernprozesse und müssen sich mit neuen Technologien, Methoden und Frameworks aktiv auseinandersetzen. Der Kurs fördert Eigeninitiative und Neugier, indem er von den Teilnehmenden verlangt, relevante Themen zu recherchieren, selbstständig Lösungen zu entwickeln und kontinuierlich zu reflektieren. Studierende arbeiten in Teams an einem Projekt, das über einen Scrum-Prozess in GitLab abgewickelt wird.
• Kollaboration und Kommunikation: Durch Gruppenarbeit, Präsentationen und Peer-Feedback werden soziale und kommunikative Kompetenzen gefördert, die für die interdisziplinäre Zusammenarbeit in der Gesundheitsinformatik essenziell sind.
• Studierendenzentrierte Lehre: Berücksichtigung unterschiedlicher Lernvoraussetzungen und Unterschiede in den Vorkenntnissen. Dem soll gezielt durch eigene Workshops und individueller Betreuung begegnet werden. 

Lehr- und Lernmethoden

Das Lehrprojekt kombiniert projektbasiertes Lernen, Flipped Classroom und agile Methoden und führt schrittweise von der Vermittlung grundlegender Konzepte hin zu einer forschungs- und projektorientierten Arbeitsweise.

Projektbasiertes und experimentelles Lernen

• Ein Web-Referenzprojekt vermittelt zentrale Konzepte moderner Web-Anwendungen (z. B. Spring, Hibernate, Thymeleaf, MVCS-Pattern, REST).
• Studierende entwickeln darauf aufbauend eigene Prototypen mit KI-Integration.

Partizipative Projektfindung

• Studierende entwickeln zu Beginn drei Projektideen und präsentieren diese in einem Screencast.
• Das Lehrteam gibt gezieltes Feedback. Die Studierenden sollen sich danach für eine ihrer drei Projektideen entscheiden.
• Die gewählte Projektidee wird innerhalb der Gruppe dann zur Umsetzung gebracht. Idealerweise wird dadurch die Mitgestaltung und Identifikation mit dem Projekt gefördert.

Vorlesungen und Online-Unterstützung

• Online-Vorlesungen vermitteln theoretische Grundlagen und sind jederzeit abrufbar.
• Präsenzveranstaltungen finden zu Kursbeginn (Einführung und Team-Building) und zum Abschluss (Schlusspräsentationen) statt.
• Microsoft Teams dient als zentrale Plattform für Fragen, Organisation und Diskussionen.
• Die Teilnehmerzahl ist relativ klein (ca. 20 Studierende), was eine intensive Betreuung und enge Interaktion ermöglichten.
• Workshops & Lehrvideos unterstützen das Referenzprojekt. Dazu wird individuelle Betreuung nach Bedarf angeboten.

Agiles Arbeiten

• Die Projektarbeit erfolgt in 3er-Gruppen mit GitLab zur kollaborativen Softwareentwicklung. Drei Personen bieten eine ausgewogene Gruppengröße, die eine effektive Zusammenarbeit ermöglicht, ohne dass einzelne Teammitglieder zu wenig Verantwortung übernehmen.
• Es gibt Monatliche Sprints mit Screencast-Präsentationen der Zwischenergebnisse.
• Nach jeder Sprint-Präsentation erhalten die Gruppen detailliertes Feedback zur Weiterentwicklung ihrer Prototypen.
• Insgesamt gibt es drei Sprints mit einer abschließenden Präsentation der Ergebnisse.

Entwicklungsphasen und Zwischentest

• Sprint 1 (Ende März): Analyse & eigenständige Inbetriebnahme des Referenzprojekts, erste Domainklassen-Implementierung. Es soll eine erste minimale Variante des Prototypen gezeigt werden.
• Sprint 2 (Ende April): Erste KI-Integration, Experimente mit Agentic Workflows, Diskussionen mit Lehrenden.
• Zwischentest (Anfang Mai): Prüfung der bis dahin erlernten Inhalte auf dem Campus. Der Test umfasst auch zwei wissenschaftliche Artikel zu den Themen Softwarearchitektur und Entwurfsmuster.
• Studierenden-Referat: Präsentation eines selbstgewählten, projektrelevanten Themas.
• Sprint 3 (Ende Mai): Pre-Final-Präsentation.
• Ende Juni: Finale Präsentation des Prototypen und der Resultate.
• Abschließendes individuelles Interview: jede*r Studierende muss nachweisen, dass sie/er die projektrelevanten Inhalte verstanden hat und eigenständig anwenden kann.

Begleitende Themen im Kurs

• Agiles Arbeiten: Scrum-Entwicklung, Sprint-Methodik
• Softwaretechnologien: Java, Hibernate, Spring, Thymeleaf
• Datenformate & Web-Sicherheit: Data Exchange Formats, Web Security
• Netzwerkprogrammierung: Grundlagen und Implementierung für Agentenkommunikation
• Datenbanken: Relationale Modellierung, Optimierung
• Agentic Workflows & KI-Agenten: Architektur, Implementierung, Use Cases
• Arbeit mit LLMs: Integration und Anwendung lokaler LLMs
• Continuous Delivery & Integration: Automatisierung in der Softwareentwicklung

Flipped Classroom

• Grundlegende Konzepte zu Softwarearchitektur und datengetriebenen Entscheidungsprozessen werden vorab vermittelt, sodass sich die Studierenden eigenständig mit weiterführenden Aspekten auseinandersetzen und eigene Lösungsansätze erarbeiten können.
• Es ist jedoch intendiert, dass im Verlauf der Projektarbeit neue Themen, Technologien oder Probleme auftauchen, mit denen sich die Studierenden eigenständig auseinandersetzen – eine essenzielle Fähigkeit für den Umgang mit dynamischen technologischen Entwicklungen.
• Diese selbstständige Recherche und Weiterentwicklung gehört zum experimentellen Ansatz des Kurses und wird als wichtiger Bestandteil des Lernprozesses angesehen.

Wissenschaftliche Arbeit der Lehrenden

• Die gewonnenen Erfahrungen aus dem Lehrprojekt fließen in die wissenschaftliche Reflexion der Lehrenden ein und tragen zur Weiterentwicklung von Forschungsarbeiten bei. Beispielsweise wird derzeit an einer Studie gearbeitet, die sich mit Design-Prinzipien für die Entwicklung von Agentic Workflows im Gesundheitswesen beschäftigt ("Towards Design Principles for LLM-powered Agentic Systems in Healthcare").
• Die Studierenden leisten durch ihre experimentellen Arbeiten einen indirekten Beitrag, indem ihre Erkenntnisse und Herausforderungen als Inspirationsquelle für weiterführende wissenschaftliche Untersuchungen dienen.
• Dieser Prozess soll im nächsten Jahr weitere Forschungsideen anstoßen und zur Entwicklung neuer wissenschaftlicher Fragestellungen führen. So entsteht im Idealfall eine kontinuierliche Forschungsdynamik, die das Zusammenspiel von Lehre, Praxis und Wissenschaft stärkt.

Herausforderungen

Die Umsetzung eines forschungsorientierten Lehrformats bringt didaktische Herausforderungen mit sich. Besonders die Komplexität der Inhalte und die heterogenen Vorkenntnisse der Studierenden erfordern gezielte Maßnahmen zur Unterstützung, nämlich:

• Studierendenzentrierte Lehre: Berücksichtigung unterschiedlicher Lernvoraussetzungen und Unterschiede in den Vorkenntnissen.
• Strukturierte Lernbegleitung: Beispielsweise erleichtert eine detaillierte Schritt-für-Schritt-Anleitung für das Referenzprojekt den Einstieg.
• Workshops zur gezielten Unterstützung und für konkrete projektrelevante Fragen.
• Individuelle Betreuung: Gezielte individiuelle Unterstützung durch Lehrende bzw. Mentoring durch erfahrene Teammitglieder.
• Gestaffelte Aufgaben (z.B. zuerst die Einführung in das Referenzprojekt, dann die Entwicklung eines minimalen Prototyps, dann Integration von KI-Komponenten).
• Technische Herausforderungen minimieren: Das Referenzprojekt basiert auf bewährten Industriestandards, um einen sicheren Lernprozess zu gewährleisten.
• KI als Lernhilfe: Der Einsatz von KI-gestützten Tools zur Unterstützung beim Programmieren wird ausdrücklich gefördert.
• Enges Mentoring: Klare Erwartungen für jede Projektphase helfen den Studierenden, ihre Arbeit strukturiert und zielgerichtet zu gestalten.