Was unterscheidet bildungswissenschaftliche Literatur? Ein multimodaler Fusionsansatz von Transformers und computergestützter Linguistik

Die Integration neuer Literatur in den Englischunterricht bleibt weiterhin eine Herausforderung, da Bildungsexperten oft über keine skalierbaren Werkzeuge verfügen, um die Lesbarkeit von Texten schnell zu bewerten und diese an die unterschiedlichen Anforderungen von Klassenräumen anzupassen. Diese Studie adressiert diese Lücke durch einen multimodalen Ansatz, der die transformerbasierte Textklassifizierung mit der linguistischen Merkmalsanalyse kombiniert, um Texte den britischen Key Stages anzupassen. Acht state-of-the-art Transformers wurden auf segmentierten Textdaten fine-tuned, wobei BERT den höchsten unimodalen F1-Score von 0,75 erzielte. Parallel wurden 500 tiefe neuronale Netztopologien zur Klassifizierung linguistischer Merkmale untersucht, wobei ein F1-Score von 0,392 erreicht wurde. Die Fusion dieser Modalitäten zeigt eine signifikante Verbesserung: Alle multimodalen Ansätze übertrafen alle unimodalen Modelle. Insbesondere erreichte die Fusion des ELECTRA-Transformers mit dem neuronalen Netz ein F1-Score von 0,996. Unimodale und multimodale Ansätze unterscheiden sich statistisch signifikant in allen Validierungsmaßen (Genauigkeit, Präzision, Recall, F1-Score), mit Ausnahme der Inferenzzeit. Der vorgeschlagene Ansatz wird schließlich in einer webbasierten Anwendung für Stakeholder implementiert, die nicht-technischen Nutzern Zugang zu Echtzeit-Erkenntnissen über Textkomplexität, Leseschwierigkeit, Curriculumanpassung sowie Empfehlungen für altersgerechte Lerngruppen ermöglicht. Die Anwendung unterstützt datengestützte Entscheidungsfindung und reduziert den manuellen Aufwand, indem künstliche Intelligenz-basierte Empfehlungen nahtlos in die Unterrichtsplanung für die Englische Literatur integriert werden.