Digitale Lernumgebung/Adaptivität

Adaptive Hilfesysteme und individualisierte Aufgabengenerierung

Lernerprofile

Damit digitale Lernumgebungen sich an individuelle Lernvorraussetzungen von Lernenden anpassen können, benötigt man ein Lernenprofil, auf dessen Basis individuelle Aufgaben und Hilfen angeboten werden können^[1]^[2].

Datenschutz

Klassisch werden im Rahmen der Learner Analytics^[3] Daten vom Endgerät des Lernenden auf einen Server übertragen und dort analysiert und ggf. auf Basis eines größeren Datenbestandes Analyse von Fehlermustern, Auswahl von Aufgaben und Hilfen protokolliert. Im Sinne vom Datenschutz der Lernerdaten ist das aber nicht zwingend notwendig. Idealerweise verbleiben die Daten der Lernenden standardmäßig auf dem Endgerät des Nutzers. Erst die explizite Zusendung von Aufgabenbearbeitungen an den Schulserver oder an Server in einem Forschungsprojekt kann diese Client-Server-Kommunikation explizit für einen festen Zeitraum durch den Besitzer zugelassen werden. Ansonsten werden Hilfesysteme erst auf der Clientseite bzw. auf dem Endgerät (Laptop, Tablet, PC, Smartphone) parametrisiert

Hilfesysteme

Adaptive Hilfesysteme z.B. unter Verwendung von Methoden aus der schwachen KI dienen der Lernerdatenanalyse, um die Digitale Lernumgebung an die Anforderungen und Lernvoraussetzungen der Nutzer anzupassen. In einem generischen Ansatz betrachtet man also die Komponenten einer digitalen Lernumgebungen, die adaptive Umsetzung von Feedback, Hilfen und Aufgabenauswahl notwendig machen. Aspekte aus dem bekannten Bereichen der Intelligenten Tutoriellen Systeme (ITS)^[4] werden dabei in einer Art Plugin-Konzept (z.B. R-Statistiksoftware) auf dem Server umgesetzt. Die Statistiksoftware R dient in diesem Kontext dazu, existieren Methoden für die Steuerung der Digitalen Lernumgebung zu verwenden.Durch einen solchen Ansatz kann man große Teile der Implementation (z.B. vom Clustering, Assoziativen Netzen, ...) durch die Nutzung existierender statistischer Analysen von den aggregierten und anonymierten Lernerdaten ersparen.

Dynamische Dokumentengenerierung

Verwendete Tools werden die folgenden Anwendung sein:

KnitR als R/RStudio-Package
Statistik- Numerik-Pakete in R zur Anwendung von Learner Analytics (Maschinelles Lernen)
Ausgabeformate - je nach Lernumgebung:
- Shiny WebApps - Resultat von Learner Analytics darstellen, aber auch um Hilfesystem zu steuern und ein Prinzip der minimalen Hilfe zu berechnen (d.h. welche Hilfe ist minimal für die Lernenden, welche Hilfe "hilft" tatsächlich)
- AppLSAC: WebApps mit clientseitigen Lernerprofil,
- Webbasierte Präsentationen: DZSlides, Reveal, ....
- (Libre-)Office-Dokumente (Anwendung des Open Community Approach)
- e-Books: Maßgeschneidert für die Lernvoraussetzungen der Lernenden
- wtf_wikipedia Tools zum Download von kollaborativ entwickelten Lerneinheiten in Offline-Lernumgebungen mit adaptivem Hilfesystemen.
Papierausgabe von individualisierten Aufgaben und Hilfen auf Basis von Aufgabenbearbeitung mit mobilen Endgeräten, die einen Aufgabenpool parametrisiert und filtert werden können.
Geo-Tailored Questionnaires:^[5] Georeferenzierte Lernresourcen können über die GPS-Sensoren von mobilen Endgeräte in Abhängigkeit von dem Standort der lernenden angeboten werden.

Literatur/Quellennachweis

↑ Alexopoulou, T., Michel, M., Murakami, A., & Meurers, D. (2017). Task effects on linguistic complexity and accuracy: A large‐scale learner corpus analysis employing natural language processing techniques. Language Learning, 67(S1), 180-208.
↑ Pistilli, M. D. (2017). Learner Analytics and Student Success Interventions. New Directions for Higher Education, 2017(179), 43-52.
↑ Hoel, T., Griffiths, D., & Chen, W. (2017, March). The influence of data protection and privacy frameworks on the design of learning analytics systems. In Proceedings of the seventh international learning analytics & knowledge conference (pp. 243-252). ACM.
↑ Lester, J., Taylor, R., Sawyer, R., Culbertson, K., & Roberts, C. (2018). MetaMentor: A System Designed to Study, Teach, Train, and Foster Self-regulated Learning for Students and Experts Using Their Multimodal Data Visualizations. In Intelligent Tutoring Systems (p. 411). Springer.
↑ Herselman, M., Niehaus, E., Ruxwana, N., D'Souza-Niehaus, N., Heyne, N., Platz, M., & Wagner, R. (2010). GIS tailored questionnaires for assisting health care management in distributing resources.

Siehe auch

Maschinelles Lernen/Hebbsche Lernregel

[1] Alexopoulou, T., Michel, M., Murakami, A., & Meurers, D. (2017). Task effects on linguistic complexity and accuracy: A large‐scale learner corpus analysis employing natural language processing techniques. Language Learning, 67(S1), 180-208.

[2] Pistilli, M. D. (2017). Learner Analytics and Student Success Interventions. New Directions for Higher Education, 2017(179), 43-52.

[3] Hoel, T., Griffiths, D., & Chen, W. (2017, March). The influence of data protection and privacy frameworks on the design of learning analytics systems. In Proceedings of the seventh international learning analytics & knowledge conference (pp. 243-252). ACM.

[4] Lester, J., Taylor, R., Sawyer, R., Culbertson, K., & Roberts, C. (2018). MetaMentor: A System Designed to Study, Teach, Train, and Foster Self-regulated Learning for Students and Experts Using Their Multimodal Data Visualizations. In Intelligent Tutoring Systems (p. 411). Springer.

[5] Herselman, M., Niehaus, E., Ruxwana, N., D'Souza-Niehaus, N., Heyne, N., Platz, M., & Wagner, R. (2010). GIS tailored questionnaires for assisting health care management in distributing resources.

[1]

[2]

[3]

[4]

[5]