Content uploaded by Martin Ebner
Author content
All content in this area was uploaded by Martin Ebner on Apr 02, 2016
Content may be subject to copyright.
1
Selver Softic / Martin Ebner / Behnam Taraghi
Dashboard zur Verfolgung von Lernaktivitäten in
einer personalisierten Lernumgebung mittels
semantischer Modellierung der Benutzerdaten
109 - Data Science: Erfassung, Modellierung, Analyse und
Visualisierung von Daten
Abstract
In dieser Arbeit werden die erforderlichen Maßnahmen und Schritte zur Umsetzung einer visual-
analytischen Plattform in Form eines Dashboards zum Zweck der Analyse und Visualisierung von
Informationen sowie der Verfolgung von Lernaktivitäten in der eigens entwickelten Lernumgebung
namens Personal Learning Environment (PLE) vorgestellt. Darüber hinaus präsentieren wir einen
neuartigen Semantic Web orientierten Ansatz zur Modellierung der Lernaktivitäten und
tätigkeitsbezogener Zusammenhänge unter Zuhilfenahme entsprechender Ontologien.
Keywords:
Visualisierung, PLE, Analyse, Lernaktivität, Semantische Datenmodellierung
1. Einleitung und Motivation
Die Grundidee der widgetbasierten Personal Learning Environment (PLE) an der Technischen
Universität Graz ist es, bestehende universitäre Services und Ressourcen mit Dienstleistungen und
Inhalten aus dem World Wide Web in einer Plattform zu integrieren und dies dazu noch in einer auf
die Benutzerin oder den Benutzer abgestimmten Art und Weise (Taraghi et al. 2009, Taraghi et al.
2010, Ebner/Taraghi 2009). Nach dem Start der Personal Learning Environment (PLE) an der TU
Graz ist die Zahl der Nutzerinnen und Nutzer sowie die verfügbarer Widgets rapide angestiegen. Ein
erster Schritt zur Optimierung der Lernaktivitäten innerhalb der PLE wurde bereits 2011 (Taraghi et al.
2011) durch die Einführung eines Trackingmoduls initiiert. Die Einführung erfolgte mit dem Ziel, das
Nutzerverhalten, die Widgetnutzung und die Benutzeraktivitäten zu beobachten. Nächster logischer
und wichtiger Schritt ist nun, aus den gewonnenen Daten Erkenntnisse zu gewinnen und diese für die
laufende Optimierung der vorhandenen Services zu nutzen. In diesem Sinne wird die semantische
Modellierung des Kontextes der Daten aus dem Trackingmodul benutzt, um aussagekräftige und
2
abfragbare Informationen über das Lernverhalten der Benutzerinnen und Benutzer zu erhalten. Die
semantisch modellierten Daten werden dabei für die weitere Analyse in einem PLE-Dashboard
visualisiert. Unser Ziel ist es, die relevanten Benutzerinnern und Benutzer, die Widgets oder die
ausgeführten Aktionen innerhalb der Lernumgebung zu visualisieren und die in den Daten
versteckten, impliziten Informationen wie z.B. Benutzerinteressen oder Ähnlichkeiten zu analysieren.
Ein weiteres Ziel ist, durch die Normierung der Daten in eine gemeinsame und semantisch
beschriebene Form eine weitere Basis für den Aufbau intelligenter Software-Agenten und Dienste zu
bieten. Dies erweitert die Serviceleistung der Lernumgebung für die Benutzerinnen und Benutzer.
Abbildung 1: Personal Learning Environment (PLE) im Einsatz an der TU Graz
2. Literaturrecherche
Nach (Wong / Thomas, 2004,Thomas / Cook 2005) wird der Begriff „Visual Analytics“ als „die
Wissenschaft der analytischen Schlussfolgerung, unterstützt und erleichtert durch interaktive visuelle
Schnittstellen“ beschrieben. Es kann also als die Kombination von Bereichen der
Informationsvisualisierung und der wissenschaftlichen Visualisierung betrachtet werden. Das
„Analytische Denken“ als solches zielt auf die Anwendung menschlicher Urteile ab, um Schlüsse aus
einer Kombination von Beweisen und Annahmen zu ziehen (Thomas / Cook 2005). Die Semantic Web
Standards wie RDF
1
(Resource Description Framework) und SPARQL
2
sorgen dann für den
standardisierten Austausch und die Abfrage von als Graphen modellierten Daten. Um aus den
Textprotokollen aus dem Trackingmodul der PLE dies zu modellieren, liefert das IntelLEO EU FP7
Projekt einen passablen Ontologie-Rahmen, um Personen, Aktivitäten und Lernobjekte in gleichem
Zusammenhang zu beschreiben.
1
https://www.w3.org/RDF/
2
https://www.w3.org/TR/rdf-sparql-query/
3
3. Erfassung und Aufbereitung der Daten
Die Visualisierungspipeline für die Erfassung und Aufbereitung der Daten für die Wissensextraktion
und Visualisierung für das PLE-Dashboard ist in Abbildung 2 zu sehen.
Abbildung 2: Visualisierungspipeline innerhalb der PLE
Die Textprotokolle (Text Logs) aus dem Trackingmodul beinhalten jene Informationen, wann und wie
Benutzerinnen und Benutzer unterschiedliche Widgets in der PLE verwendet haben. Diese Daten
werden mit Hilfe des Trackingmoduls bereitgestellt und in ein JSON
3
-Format umgewandelt. Man
bekommt somit strukturierte Informationen in einzelne Blöcke aufgeteilt in Benutzerinnen und
Benutzer, verwendete Lernobjekte (hier Widgets) und ihre Aktivitäten. Als nächster Schritt in der
Visualisierungspipeline ist die Transformation vorgesehen. Die Datenmodellierung selbst wird durch
semantische Modelle basierend auf den IntelLEO
4
Ontologien durchgeführt. IntelLEO ist ein EU FP7
Forschungsprojekt, welches sich unter anderem als Ziel gesetzt hat, ein Ontologie-Framework zu
erstellen, um Lernvorgänge semantisch beschreiben zu können. Dieser Schritt erzeugt dann
instanziierte RDF (Ressource Description Framework) Daten, welche als solche durch SPARQL
abfragbar sind und primär dazu dienen, ansprechende Visualisierungen zur Verfolgung von
Lernenden innerhalb PLE zu realisieren.
4. Modellierung und Abfrage der Daten
In Abbildung 3 sieht man eine Beispielinstanz eines Text-Log-Eintrages aus dem Tracking Modul, mit
zugewiesenem Lernkontext, eingeordnet in ein semantisches Model und zusammengestellt aus dem
InteLEO LearningContext und den Activities-Ontologien. Darin wird die Benutzung des „Bresenham’s
Line Drawing algoritm“ seitens der Benutzerin oder des Benutzers mit der ID „88“ zu gegebenem
Zeitpunkt beschrieben. Die Aktivitäten in diesem Widget korrespondieren dabei unmittelbar mit den
Aktivitäten „Lernen“ und „Anschauen“.
3
http://www.json.org/
4
http://www.intelleo.eu/
4
@prefix ao: <http://intelleo.eu/ontologies/activities/ns/> .
@prefix foaf: <http://xmlns.com/foaf/0.1/> .
@prefix lc: <http://www.intelleo.eu/ontologies/learning−context/ns/> .
@prefix rdfs: <http://www.w3.org/2000/01/rdf−schema#> .
@prefix um: <http://intelleo.eu/ontologies/user−model/ns/> .
<https://ple.tugraz.at/ns/activity/#Viewing> a ao:Viewing .
<https://ple.tugraz.at/ns/activity/# Learning > a ao:Learning.
<https://ple.tugraz.at/ns/users/#88> a um:User;
foaf:name ”88” .
<http://ple.tugraz.at/ns/events/log/#8039> a ao:Logging ;
ao:performedBy <https://ple.tugraz.at/ns/users/#88> ;
ao:timestamp "2014-01-03T11:32:30" .
<https://ple.tugraz.at/ns/widgets/#Bresenham> a ao:Environment ;
rdfs:label "Bresenham's Line Drawing algorithm" .
<http://ple.tugraz.at/ns/learningcontext/#8039> a lc:LearningContext ;
lc:activityRef <https://ple.tugraz.at/ns/activity/#Learning>, <https://ple.tugraz.at/ns/activity/#Viewing> ;
lc:environmentRef <https://ple.tugraz.at/ns/widgets/#Bresenham> ;
lc:eventRef <http://ple.tugraz.at/ns/events/log/#8039> ;
lc:userRef <https://ple.tugraz.at/ns/users/#88> .
Abbildung 3: RDF-Instanz eines Ereignislogs mit dazugehörigem Lernkontext
Nachdem die Daten als RDF-Instanzen vorliegen, können sie nun leicht per SPARQL abgefragt
werden. Eine solche Abfrage ist in Abbildung 4 zu sehen. Die abgebildete Abfrage ermittelt
beispielhaft die fünf meistbenutzten Widgets des gesamten Datenbestandes.
PREFIX ao: <http://intelleo.eu/ontologies/activities/ns/> .
PREFIX rdf: <http://www.w3.org/1999/02/22−rdf−syntax−ns#> .
PREFIX rdfs: <http://www.w3.org/2000/01/rdf−schema#> .
SELECT DISTINCT ?widgetname ?date (COUNT(?widgetname) AS ?count)
WHERE
{
?x rdf:type ao:Logging;
ao:occursIn ?widget;
ao:timestamp ?date.
?widget rdf:type ao:Environment;
rdfs:label ?widgetname.
}
GROUP BY ?widgetname
ORDER BY DESC(?count)
LIMIT 5
Abbildung 4: SPARL-Abfrage zu Ermittlung der fünf meistbenutzten Widgets
5
5. Semantic Dashboard
Der letzte Schritt ist die Visualisierung von verarbeiteten und ausgewählten Daten. Fragen wie „Was
sind die Top X Widgets, Benutzerinnen und Benutzer oder Aktivitäten?“ werden dann durch
parametrisierte Abfragen (nach Zeit, Anzahl, Aspekt) wie jene in der Abbildung 5 visuell beantwortet.
Abbildung 5: Dashboard zur Verfolgung von Lernaktivitäten
In Abbildung 5 sind Antworten auf die Frage nach den fünf am häufigsten genutzten Widgets für einen
vorgegebenen Zeitraum sowie Statistiken über die Aktivitäten für eine bestimmte Zeitperiode in
verschiedenen Ausführung visualisiert.
5. Zusammenfassung und Ausblick
Die Lernaktivitäten mit Hilfe des vorgestellten Ansatzes zu verfolgen und zu reflektieren bringt
vielfältige Vorteile und unterstützt die Verbesserung der gesamten Lernumgebung. Zum Beispiel
können Ergebnisse von SPARQL-Abfragen zur Darstellung der Reihenfolge von Widgets im
vorhandenen Widget-Store der PLE verwendet werden. Dieselben Daten werden für die Reflexion von
Lernverhalten innerhalb des analytischen PLE-Dashboard (siehe Abbildung 5) genutzt. Ein weiterer
Anwendungsfall wäre, die abgefragten Daten als Basis für ein Widget-Empfehlungssystem zu
verwenden bzw. die Empfehlung auf die Benutzerinnen und Benutzer abzustimmen, also zu
personalisieren. Mit diesen Maßnahmen wird die PLE in technischer Weise erweiterbar und bietet die
Möglichkeit, auf der gebotenen Datenbasis intelligente Software-Agenten aufzubauen. Standardisierte
und intelligente Schnittstellen erlauben unter anderem auch die Einbeziehung externer web-basierter
Tools und Dienstleistungen, welche auch ein Ziel zukünftiger Forschungsaktivitäten sein werden.
6
Literaturliste/Quellenverzeichnis:
Taraghi, B./Ebner, M. /Till, G. /Mühlburger, H. (2010): Personal Learning Environment-a Conceptual
Study. In: iJET, International journal of emerging technologies in learning, 5, 25-30.
Ebner, M./Taraghi, B. (2010): Personal Learning Environment for Higher Education--A First Prototype.
In: World Conference on Educational Multimedia, Hypermedia and Telecommunications, 1158-1166.
Taraghi, B./Ebner, M. /Schaffert, S. (2009): Personal learning environments for higher education: A
mashup based widget concept. In: Proceedings of the Second International Workshop on Mashup
Personal Learning Environments (MUPPLE09), Nice, France, 1613-0073.
Taraghi, B./ Stickel, C./Ebner, M. (2011): Survival of the Fittest --Utilization of Natural Selection
Mechanisms for Improving PLE. In: Proceedings of the first Workshop on Exploring the Fitness and
Evolvability of Personal Learning Environments, 4-9.
Wong, P. C./Thomas, J. (2004): “Visual analytics”. In: IEEE Computer Graphics and Applications,
IEEE Computer Society, Vol. (24), 20-21.
Thomas, J. J./Cook, K. A. (2005): Illuminating the Path: The Research and Development Agenda for
Visual Analytics. National Visualization and Analytics Center.
