Digitale Lernumgebung/Cititzen Science

Aus Wikiversity

Crowd Sourcing und Citizen Sciences[Bearbeiten]

Datenerhebung mit dem Open Data Kit erlaubt ein kollaboratives Sammeln von Daten[1] 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[2]:

  • (Problemorientierter Zugang) Wie viele Fahrzeuge befahren bestimmte Straßen in unserer Stadt? Wie laut ist es zu unterschiedlichen Zeitpunkten (siehe NoiseTube[3])? 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.

Siehe auch[Bearbeiten]

  1. Brabham, D. C. (2010). Moving the crowd at Threadless: Motivations for participation in a crowdsourcing application. Information, Communication & Society, 13(8), 1122-1145.
  2. Skaržauskaitė, M. (2012). The application of crowd sourcing in educational activities. Social Technologies, 2(1), 67-76.
  3. 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