Digitale Lernumgebung

Aus Wikiversity
Zur Navigation springen Zur Suche springen

Ziel dieser Lerneinheit ist es, eine generische IT-Infrastruktur für digitale Lernumgebungen zu erarbeiten, die für Ihre Fachdisziplin oder Inhaltsbereich relevant sind:

Version[Bearbeiten]

  • alpha-Version - Brainstorming von möglichen Teilaspekten, die im Lernmodul behandelt werden könnten - einige Kernfragen gesammelt

Zielgruppe[Bearbeiten]

  • Lehrende, die sich mit der Konzeption von Digitalen Lernumgebungen befassen möchten
  • Forschende, die mit digitalen Lernumgebungen Lernprozesse analysieren möchten.

Lernerdaten[Bearbeiten]

Wie sollen Daten über den Lernprozess erhoben werden und wie sieht eine generische informatische Umsetzung aus?

Learner Analytics[Bearbeiten]

Digitalisierung von Lernumgebung kann sich nicht nur auf die Digitalisierung von Lerninhalten beziehen, sondern auch auf die digitalen „Sensoren“ in einer Lernumgebung zur Erhebung von Daten aus einem Lernprozess. Das Vorhandensein von Sensoren erlaubt später die Anwendung von Methoden aus dem Bereich „Learner Analytics“. Die generischen Ansätze Verbund eingebracht werden und ist prinzipiell an anderen Standorten einsetzbar. Allerdings müssten die inhaltlichen Entwicklungen und die fachdidaktische Konzeption der Hilfen einerseits die OER-Grundsätze für einen standardisierten Zugriff und die kollaborativ anpassbaren Hilfen ermöglichen und von den anderen Standorten an die eigenen Bedürfnisse angepasst werden

Fachdidaktische Ebene[Bearbeiten]

  • Welche Lernerdaten geben aus fachdidaktischer Sicht Einblicke in der Lernerfolg, Probleme mit der Aufgabenstellung, Nutzung von angebotenen Hilfen, ...?
  • Welche Lernendaten können innerhalb der Lernumgebung digital erhoben werden?
  • Welche Erhebungsinstrument sind aus Sicht eine experimentellen Designs notwendig, damit die digitale Lernumgebung auch als Forschungsinstrument zu Lernprozessen eingesetzt werden können?
  • Welche Begleitforschung ist mit klassischen Methoden (z.B. qualitative Forschung / Interviews) notwendig, um Vor- und Nachteile der digitalen Lernumgebung zu erheben? Werden diese Methoden zukünftig auch über KI-Methoden realisierbar sein?

Technische Ebene[Bearbeiten]

Ein generischer Ansatz auf technischer Ebene wäre z.B. serverseitig RESTful API, die das Datenmanagement für Lernerdaten, Aufgabendaten und Hilfen übernimmt. Lernobjekte werden z.B. als JSON-Objekte gespeichert und ausgetauscht. Das eigentliche Rendering der Lernumgebung erfolgt auf dem Client mit einem HTML5-Ansatz. Im Prinzip geht es hier um die Definition eines "Open Data Kit" für Lernumgebungen https://www.opendatakit.org/

Institutionelle Ebene[Bearbeiten]

Auf der institutionellen Ebene können unterschiedliche Ziele verfolgt werden:

  • Kollaborative Entwicklung von Lerninhalten basierend auf einem Konzept der Open Educational Resources oder allgemeiner unter Einbeziehung des Open Community Approach.
  • Institutionelle Kontrolle einer einzelnen Einrichtung, auch der alle gemeinsam zugreifen und kollaborativ arbeiten. Diese könnte von einer Universität, einem Unternehmen oder Fördereinrichtung betreut werden.
    • Vorteil: die Einrichtung kann das Portal als Aushängeschild für die Ausbildungsqualität und die Innovation verwenden.
    • Nachteil: die Nachhaltigkeit ist unter Umständen nicht gesichert, wenn die Projektverantwortliche die Einrichtung wechseln oder Finanzmittel für die Wartung nicht mehr zur Verfügung stehen.
  • Unter welchen lizenzrechtlichen Rahmenbedingungen werden diese inhalte veröffentlicht und in welchem Format werden diese Inhalte gespeichert (siehe Educational Content Sink.

Digitale Kontextergaenzung von außerschulischen Lernorten[Bearbeiten]

Eine digitale Kontextergaenzung kann in außerschulischen Lernorten betrachten (e.g. VR, Aframe, AR.js, ...) Im Prinzip Mixare (https://www.mixare.org) mit Lernelementen im Kamerabild. Mixare wird allerdings nicht mehr gepflegt und ein Refactoring in HTML5-Application in einem entsprechenden Framework waere dabei sinnvoll.

Außerschulische Lernorte: https://en.wikiversity.org/wiki/Real_World_Lab

Libraries wie TrackingJS https://trackingjs.com/ - waere fuer mich auch von der Seite der informatischen Umsetzung des Particle Tracking als auch von der räumlichen Geometrie aus interessant. Aber da ist hier ja erst einmal generische Elemente von Lernumgebungen geht, waeren solche fachspezifisch nicht so relevant. Vielmehr wuerde es hier darum gehen mit Gesten mit digitalen Lernumgebungen zu interagieren bzw. nicht-digitale und digitale Elemente eine Lernumgebung in Beziehung zu setzen, ggf. bei raeumlicher Kontextergaenzung bietet sich auch GeoJSON als Format an.

Adaptive Hilfesysteme und individualisierte Aufgabengenerierung[Bearbeiten]

Lernerprofile[Bearbeiten]

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[Bearbeiten]

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[Bearbeiten]

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[Bearbeiten]

Verwendete Tools werden die folgenden Anwendung sein:

  • KnitR als R/RStudio-Package
  • Statistik- Numerik-Pakete in R zur Anwendung von Learner Analytics (Machine Learning)
  • 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.

Crowd Sourcing und Citizen Sciences[Bearbeiten]

Datenerhebung mit dem Open Data Kit erlaubt ein kollaboratives Sammeln von Daten[6] in einer Lerngruppe, die in einem aggregierten Zustand Einblicke in eine Forschungsfrage der Lernenden bietet. Crowd Sourcing wird so eine Bestandteil der Ausbildung und der Lernen von Daten und den Methoden, wie kollaborativ durch Datensammlung und Auswertung Problem gelöst werden können[7]:

  • (Problemorientierter Zugang) Wie viele Fahrzeuge befahren bestimmte Straßen in unserer Stadt? Wie laut ist es zu unterschiedlichen Zeitpunkten (siehe NoiseTube[8])? Ist eine Verkehrberuhigung z.B. im Umfeld der Schule möglich? Wo waren in der Vergangheit häufig Verkehrunfälle und warum sind diese Stelle so gefährlich für Fußgänger/Fahrradfahrer?
  • (Räumliche Datenauswertung) Gibt es Muster in den gesammelten Daten? Was ist die Ursache des gefundenen Musters? Kann die Art der Datensammlung zu dem Muster geführt haben oder findet man tatsächlich ein erhöhtes Vorkommen von Ereignissen, Geräuschbelastungen, ... an einem bestimmten Ort.

Insgesamt werden Digitale Lernumgebungen in den räumlichen Kontext integriert und die personalisierte Datenanalyse liefert zusammen mit dem clientseitigem Lernprofil einen bidirektionalen Datentransport. Im Citizen-Science-Konzept werden Daten von den Lernenden erhoben und sie erhalten gleichzeitig Einblicke in die aggregierten Daten von allen Nutzern und sehen damit auch den Zustand der aktuellen kollaborativen Datenerhebung. Ferner kann man so auch fehlende Bereiche identifizieren, die bisher noch keine Nutzerin oder Nutzer bearbeitet hatte.

Clientseitige/serverseitige Lernerprofile:[Bearbeiten]

Im Zuge der Datenschutzdiskussion ist auch clientseitige Speicherung von Lernerprofilen zu betrachten, wobei das clientseitige Lernerprofil die Adaption an die Lernvoraussetzungen der Lerner vornimmt, aber keine Nutzerdaten auf den Servern gesammelt, aggregiert und ausgewertet werden. Bei Forschungsprojekten mit einer digitalen Lernumgebung muss man dann natuerlich auch die Lernerdaten verschluesselt und erst dann an eine RestfulAPI als Backend übertragen. Im Kern geht es in diesem Punkt um eine Entscheidung für die clientseitige bzw. serverseitige Speicherung von Lernerdaten und eine Abstraktion auf generische Softwarekomponenten für digitale Lernumgebungen, die ggf. mit Virtualisierung als Backend für Schulen zur Verfügung gestellt werden.

Aufgaben[Bearbeiten]

  • Suchen Sie nach existierenden OpenSource-Softwarepaketen, die Sie für Ihre Digitale Lernumgebung einsetzen möchten!
  • Versuchen Sie zunächst auf fachdidaktischer Ebene festzulegen, ob und welche Lernerdaten über den Lernprozess erhoben werden sollen und analysen Sie, ob die existierende Software diese Möglichkeit bietet!

Siehe auch[Bearbeiten]

Literatur[Bearbeiten]

  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.
  6. Brabham, D. C. (2010). Moving the crowd at Threadless: Motivations for participation in a crowdsourcing application. Information, Communication & Society, 13(8), 1122-1145.
  7. Skaržauskaitė, M. (2012). The application of crowd sourcing in educational activities. Social Technologies, 2(1), 67-76.
  8. George Drosatos, Pavlos S. Efraimidis, Ioannis N. Athanasiadis, Matthias Stevens and Ellie D'Hondt Privacy-Preserving Computation of Participatory Noise Maps in the Cloud. Journal of Systems and Software, February 2014. Note, DOI: 10.1016/j.jss.2014.01.035