Ein Einstiegsmodul für medizinische Fachpersonen ohne Vorkenntnisse in der MR-Schnittbildgebung. Sie lernen Sicherheitsgrundlagen, den typischen Software-Workflow, die drei Bildebenen sowie Grundkontraste, Fettsättigung und Kontrastmittel kennen.
Lernziele:
Wählen Sie ein Thema. Am Ende aller Themen schaltet sich die Abschlussprüfung frei.
Das starke, permanente Magnetfeld ist die zentrale Besonderheit der MRT. Klicken Sie jede Gefahrenquelle an, um zu erfahren, worauf zu achten ist.
Ein typischer Untersuchungsablauf an der MR-Konsole folgt immer denselben Schritten. Klicken Sie sich chronologisch durch.
MR-Bilder werden in drei Standardebenen aufgenommen. Wählen Sie eine Ebene, um die Schnittrichtung am Körperschema zu sehen.
Jede Wichtung betont andere Gewebeeigenschaften. Vergleichen Sie die drei Grundkontraste.
Fettsättigung unterdrückt gezielt das Fettsignal, damit sich signalreiche Strukturen wie Kontrastmittelanreicherung, Ödeme oder Entzündungen klar davon abheben. Gängige Techniken sind SPIR, SPAIR, STIR und mDixon.
Gadoliniumhaltiges Kontrastmittel verkürzt die T1-Zeit angereicherten Gewebes und macht es signalreich. So werden Durchblutung, Gefäßversorgung und die Abgrenzung von Läsionen sichtbar, die nativ oft nicht eindeutig zu erkennen sind.
Dieses Modul dient als erster Pilot der geplanten Forschungsinfrastruktur — ein begrenzter, kontrollierbarer „Walled Garden“ mit eigenen Kursmaterialien, bevor auf universitätsweite Wissenssysteme zugegriffen wird.
Lernaufgaben, Bewertungen und Kompetenznachweise — die echten Fortschrittsdaten dieser Sitzung.
Freigegebene Lernmaterialien, erkannte Kompetenzlücken und der empfohlene Lernpfad.
Unterstützt im Moment eines echten Problems — beschränkt auf freigegebene Inhalte dieses Moduls.
Während der AI Coach auf der Ebene einzelner Lernender arbeitet, zeigt dieses Pilotmodul, wie dieselben Trainingsdaten aggregiert und institutionell ausgewertet werden können — z.B. für eine Fakultät, die Schulungen wie „Basiswissen MRT“ mehreren Fachbereichen anbietet.
| Dashboard-Ebene | Gemessene Indikatoren | Institutioneller Nutzen |
|---|---|---|
| Utility Layer | Lizenzanzahl, Systemverfügbarkeit, Infrastrukturnutzung | Verwaltung der technischen Infrastruktur |
| Engagement Layer | Workshop-Teilnahme, LMS-Logins, Abschlussraten | Bewertung von Zugang und Teilnahme an Schulungen |
| Capability Layer | Skill Density, verifizierte Kompetenzen, eigenständiger Aufgabenerfolg | Identifikation von Kompetenzlücken und Schulungsplanung |
Diese Ebenen ersetzen einander nicht — Teilnahmequoten zeigen z.B., ob eine Schulung ihre Zielgruppe erreicht. Der entscheidende Perspektivwechsel besteht darin, Teilnahme oder Systemnutzung nicht isoliert als Erfolgsnachweis zu verwenden: Nur die Capability Layer zeigt, ob Kompetenzen tatsächlich erworben wurden.
Zeigt, welcher Anteil der teilnehmenden Lehrenden eine Kompetenz nachweislich verifiziert hat (Beispielwerte).
| Kompetenz | Verifiziert | Skill Density | Assessment Coverage |
|---|---|---|---|
| AI Literacy | 21/30 | 70% | 30 von 45 Zielgruppe (67%) |
| Data Privacy | 12/30 | 40% | 30 von 50 Zielgruppe (60%) |
| Instructional Design | 24/30 | 80% | 30 von 40 Zielgruppe (75%) |
Gesamt-Skill-Density: 63,3% — dieser Durchschnitt wird bewusst nicht allein angezeigt, da zwei Fachbereiche mit identischem Durchschnitt sehr unterschiedliche Kompetenzprofile haben können. Die Assessment Coverage verhindert zudem, dass die Leistung weniger Freiwilliger fälschlich als Kompetenzniveau der gesamten Fakultät dargestellt wird.
Vergleich verifizierter Kompetenzen zwischen Fachbereichen (aggregiert, nicht personenbezogen).
Beispiel: Die Pflegewissenschaft zeigt eine niedrige verifizierte Kompetenz bei Data Privacy — das begründet eine gezielte Schulungsintervention für diesen Bereich. Die Heat Map dient nicht dazu, einzelne Lehrende zu ranken oder zu überwachen; ausgewertet werden nur Gruppen mit ausreichender Teilnehmerzahl.
Die eigentliche Funktion des Capability Dashboards ist nicht die Visualisierung allein, sondern die Ableitung passender Lernunterstützung.
Dieses Design folgt demselben pädagogischen Prinzip wie der zuvor entwickelte Citation Decision Coach: Die Technologie unterstützt die Entscheidung, übernimmt aber nicht die notwendige kognitive Aufgabe anstelle der Lehrperson bzw. Studierenden.
Ergänzend lassen sich Aufgabendauer und die Rate kritischer Fehler erfassen.
Im Kursmaterial findet sich eine gängige, aber methodisch problematische Aussage: Ein sinkender Time-to-Competency-Wert werde als Beleg für finanzielle Einsparungen der digitalen Intervention dargestellt.
Das Dashboard kann vergangene und aktuelle Leistung zuverlässig abbilden. Eine Prognose des künftigen institutionellen Werts erfordert dagegen ein separates, mit ausreichenden Daten validiertes Vorhersagemodell.