ChapterPDF Available

Learning Analytics in Hochschulen

Authors:
Philipp Leitner at Graz University of Technology
Philipp Leitner
Martin Ebner at Graz University of Technology
Martin Ebner
Download full-text PDF
Read full-text
Download citation

Abstract

Unter dem Schlagwort “Big Data” hat sich in den letzten Jahren ein neues Forschungsfeld etabliert. Es handelt sich dabei um Datenmengen, die wegen ihrer Größe, hohen Komplexität, schnellen Vergänglichkeit oder schwachen Strukturierung mit klassischen Methoden der Datenverarbeitung nicht ausgewertet werden können. Das Ziel von Learning Analytics besteht darin solche Datenmengen im Kontext von Lehren und Lernen zu sammeln, zu analysieren und zu interpretieren um neue Erkenntnisse zu gewinnen. Ein wesentlicher Punkt dabei ist die Rückführung des gewonnen Wissens an die Lehrenden und Lernenden, um das Lehr- und Lernverhalten individueller und optimierter zu gestalten und die Entwicklung von Kompetenzen in dem Bereich zu fördern. In diesem Kapitel werden die Möglichkeiten von Learning Analytics genauer erläutert, um dann den Schwerpunkt Learning Analytics in Hochschulen näher zu beleuchten. Eine Auswahl von Tools, Frameworks und Systeme gibt Aufschluss über den momentanen Stand der Technik. Im letzten Kapitel werden zukünftige Trends und Innovationen von Learning Analytics an Hochschulen aufgezeigt und wie daraus Kompetenzen gewonnen werden können.
Content uploaded by Martin Ebner
Author content
All content in this area was uploaded by Martin Ebner on Mar 24, 2017
Content may be subject to copyright.
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Learning Analytics in Hochschulen
Philipp Leitner, Martin Ebner
Unter dem Schlagwort “Big Data” hat sich in den letzten Jahren ein neues
Forschungsfeld etabliert. Es handelt sich dabei um Datenmengen, die wegen
ihrer Größe, hohen Komplexität, schnellen Vergänglichkeit oder schwachen
Strukturierung mit klassischen Methoden der Datenverarbeitung nicht
ausgewertet werden können. Das Ziel von Learning Analytics besteht darin
solche Datenmengen im Kontext von Lehren und Lernen zu sammeln, zu
analysieren und zu interpretieren um neue Erkenntnisse zu gewinnen. Ein
wesentlicher Punkt dabei ist die Rückführung des gewonnen Wissens an die
Lehrenden und Lernenden, um das Lehr- und Lernverhalten individueller
und optimierter zu gestalten und die Entwicklung von Kompetenzen in dem
Bereich zu fördern.
In diesem Kapitel werden die Möglichkeiten von Learning Analytics
genauer erläutert, um dann den Schwerpunkt Learning Analytics in
Hochschulen näher zu beleuchten. Eine Auswahl von Tools, Frameworks
und Systeme gibt Aufschluss über den momentanen Stand der Technik. Im
letzten Kapitel werden zukünftige Trends und Innovationen von Learning
Analytics an Hochschulen aufgezeigt und wie daraus Kompetenzen
gewonnen werden können.
1 Learning Analytics
Learning Analytics gewinnt seit seiner Erwähnung im Horizon Report von
2012 (Johnson et al. 2012) immer weiter an Relevanz. Obwohl es bisher
noch keine allgemein anerkannte Definition von Learning Analytics gibt, ist
eine weit verbreitete Definition “the measurement, collection, analysis and
reporting of data about learners and their contexts, for purposes of
understanding and optimizing learning and the environments in which it
occurs” (Elias 2011), was so viel bedeutet wie “die Messung, Erfassung,
Auswertung und Übermittlung von Daten über Lernende und ihre
Zusammenhänge, um das Lernen und das Umfeld des Lernens zu verstehen
und zu optimieren”. Der Horizon Report von 2013 identifizierte Learning
Analytics sogar als einen der wichtigsten Trends im Bereich
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
technologiegestütztes Lernen und Lehren (Johnson et al. 2013). Es ist daher
nicht verwunderlich, dass sich viele wissenschaftliche Arbeiten diesem
Thema gewidmet haben. (Khalil/Ebner 2016, S. 294-304)
Die Forschung und Verbesserung von Learning Analytics beinhaltet dabei
die Weiterentwicklung, die Verwendung und die Integration von neuen
Prozessen und Hilfsmitteln, um die Ausübung von Lernen und Lehren der
individuellen Studentinnen und Studenten sowie von Lehrenden zu
verbessern. Learning Analytics konzentriert sich dabei speziell auf den
Prozess des Lernen (Siemens/Long 2011, S. 31-40).
Alle Interaktionen der Lernenden und Lehrenden werden dabei in
unterschiedlichen Systemen erfasst. Die dabei anfallenden immensen
unstrukturierten Datenmengen, die unter dem Schlagwort 'Big Data' bekannt
sind, werden bis zum Level der Individuen sowie deren besuchten Kursen
untersucht und dienen dann der Vorhersage von Verhalten der verschiedenen
Zielgruppen (Elias 2011). Diese wichtige Erkenntnisse sind relevant für die
Entscheidungsfindung und Evaluierung (Arnold/Pistilli 2012),
(Siemens/Long 2011, S. 31-40), (van Barneveld et al. 2012, S. 1-11). Unter
Einsatz von hoch-entwickelten Analysetechniken und -tools kann die
Leistung sowie der Lernerfolg von Studierenden verbessert und gezielte
Unterstützung angeboten werden (van Barneveld et al. 2012, S. 1-11).
Eine weitere Motivation für den Einsatz von Learning Analytics in
Hochschulen ist die Verbesserung der übergreifenden institutionellen
Zusammenarbeit, sowie der Aufbau einer Agenda für die große
Gemeinschaft der Lernenden und Lehrenden (Atif et al. 2013). Obwohl die
Forschung im Bereich von Learning Analytics in den letzten Jahren
Hochkonjunktur feiert, steht Learning Analytics noch in den Anfängen
seiner Entwicklung.
2 Learning Analytics in Hochschulen
Das Hochschulwesen sieht einer Zukunft der Ungewissheit und Veränderung
entgegen. Neben den nationalen wie globalen politischen und sozialen
Veränderungen, nimmt der Wettbewerb auch auf der Hochschulebene immer
weiter zu. Die Institute stellen sich dabei den gleichen Herausforderungen
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
wie Unternehmen. Sie müssen ihre finanzielle und betriebswirtschaftliche
Effizienz erhöhen, den lokalen und globalen Einfluss erweitern, neue
Finanzierungsmodelle während sich eines im ständigen Umschwung
befindenden wirtschaftlichen Klimas schaffen und auf Forderungen nach
größerer Transparenz und Übernahme von Verantwortung reagieren, um
organisatorischen Erfolg zu gewährleisten (van Barnefeld et al. 2012, S. 1-
11). Das Hochschulwesen muss diese Fülle an externen Belastungen in einer
effizienten und dynamischen Weise bewältigen, aber auch die Bedürfnisse
der Studentenschaft verstehen, die ebenso Mitwirkender als auch Geldgeber
darstellen (Shacklock 2016, S. 1).
Neben der starken Konkurrenz haben Hochschulen auch mit den sich rasch
verändernden Technologien zu kämpfen, die mit dem Eintritt des digitalen
Zeitalters aufgekommen sind. Die Institutionen sind dabei auch in die Ära
der großen Daten ('Big Data') eingetreten und sammeln quasi als
Nebenprodukt enorme Mengen an relevanten Daten, wenn Studierende einen
Online-Kurs besuchen, ein intelligentes Tutoren-System verwenden,
Lernspiele spielen oder auch einfach eine Online-Lernplattform benutzen.
In den letzten Jahren haben daher immer mehr Hochschulen die Methoden
von Learning Analytics in Anspruch genommen, um aus den Datenmengen
Erkenntnisse über den akademischen Fortschritt der Studierenden zu
erhalten, Vorhersagen über zukünftiges Verhalten zu treffen sowie
potentielle Probleme frühzeitig zu erkennen.
Die Systeme zur Analyse der Daten soll in Zusammenarbeit mit den
Studierenden und in Abstimmung auf die besonderen Bedürfnisse der
Institutionen entwickelt, sowie in die strategische Planung der Institute
integriert werden. Ein besonderes Augenmerk sollte auch auf das
Datenmanagement der Hochschule und die ethischen Rahmenbedingungen
gelegt werden.
Die nächsten Kapitel behandeln bereits durchgeführte Projekte von
verschiedenen Hochschulen zum Thema Learning Analytics.
3 Frameworks, Tools und Systeme
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Aufbauend auf den durchgeführten Analysen in Learning Analytics in
Higher Education: A Summary of Tools and Approaches (Atif et al. 2013)
und Development of the Learning Analytics Dashboard to Support Students’
Learning Performance (Park/Jo 2015, S. 110-133) werden in diesem
Abschnitt verschiedene Frameworks, Tools und Systeme genauer betrachtet.
3.1 Automated Wellness Engine (AWE)
Die AWE ist ein Frühwarnsystem der Universität von New England,
Australien und wurde entwickelt um das Engagement von Lernenden zu
erhöhen sowie die Absprungrate zu verringern. In vielen Bereichen der
Universität ist die sogenannte e-Motions Software integriert und bietet den
Studierenden die Möglichkeit ihre Stimmungslage in Bezug auf ihre Studien
auszudrücken. Die dabei erfassten Daten werden jede Nacht in eine
gemeinsame Datenbank übertragen, die als Grundlage für das AWE-
Frühwarnsystem dient. Daraus generiert das System tägliche und
wöchentliche Berichte, die das Wohlbefinden innerhalb der einzelnen Kurse
widerspiegelt. (Leece/Hale 2009)
Ziele der Analyse:
• Identifizierung und Unterstützung von Risikostudierenden
Art der Analyse:
• Case Study
• Wahrgenommene Nützlichkeit
Kompetenzerwerb für:
• Lehrende und Studierende
3.2 Connect 4 Success (C4S)
Connect 4 Success ist ein universitätsweites Frühwarnsystem der Edith
Cowan Universität, Australien. Es wertet Inskriptionsdaten, Semesternoten,
demografische Daten, Verhaltensdaten, sowie Daten von
Studierendenbefragungen aus und ergänzt diese um Daten aus weiteren
Quellen wie der kommerziellen Lernplattform Blackboard. Das
Zusammenführen der verschiedenen Kompetenzbereiche ermöglicht es
automatisch Studierende aufzuzeigen, die unter Umständen weitere
Unterstützung bei ihrem Studium benötigen. Die Studierenden werden dann
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
vom C4S-Team auf passende Service der Universität verwiesen.
(Jackson/Read 2012, S. 1-5)
Ziele der Analyse:
• Identifizierung und Unterstützung von Risikostudierenden
Art der Analyse:
• Summativ
Kompetenzerwerb für:
• Hochschule
3.3 Course Signals (CS)
Das System Course Signals von der Purdue Universität aus den USA liefert
Feedback für Studierende auf Basis von Vorhersagemodellen. Diese Modelle
werden durch Echtzeitanalyse von großen Datensätzen, die an den Instituten
gesammelt werden, erstellt und bestimmen welche Kompetenzen die
Studierenden aufweisen und welche gefährdet sind. Diese werden mittels
Ampelsignalen über ihren Status informiert, beraten über angemessene
Hilfestellungen und vermeiden so das Ausscheiden aus der Universität.
(Arnold/Pistilli 2012)
Ziele der Analyse:
• Verbesserung von Retention und Leistung
Art der Analyse:
• Summativ
• Effektivität
Kompetenzerwerb für:
• Studierende
3.4 Gradient's Learning Analytics System (GLASS)
GLASS wurde mit dem Hintergrund entwickelt eine große Anzahl von
modularen Visualisierungsmöglichkeiten aus verschiedenen Ressourcen wie
z.B. Log-Dateien zu unterstützen. Dabei wurde auf die Auswertung von
großen Datenmengen besonderes Augenmerk gelegt. Die generierten
Visualisierungen werden in einem Webinterface angeboten. Standardmäßig
werden hier die häufigsten Lehrveranstaltungen mit den aktivsten Lernenden
in einem geeigneten Kontext angezeigt. (Leony et al. 2012, S. 162-163)
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
[Beginn Grafik]
Abb. 1: Interface von GLASS (nach Leony et al. 2012, S. 162-163)
Kap03_Abb01_GLASS.jpg
[Ende Grafik]
Ziele der Analyse:
• Visualisierung der Lernleistung mit einer Vergleichsgruppe
Art der Analyse:
• Nicht vorhanden
Kompetenzerwerb für:
• Hochschule
3.5 LOCO-Analyst
LOCO-Analyst ist eine Erweiterung des bestehenden Systems LOCO,
welches den Lernkontext und das Zusammenspiel von Lernaktivitäten und
Lerninhalte von Teilnehmerinnen und Teilnehmer in den Vordergrund stellt.
Dadurch wird eine sinnvolle Verknüpfung zwischen Lernkontextdaten von
verschiedenen Lernumgebungen oder Services (wie Chatrooms) ermöglicht.
Das System offeriert Lehrenden eine Übersicht über Interaktionen im
Lernkontext, Diskussionen in Foren, Chaträume sowie die Leistungen in
bereitgestellten Quiz und gibt eine Übersicht der individuellen Kompetenzen
der Studierenden. (Ali et al. 2012, S. 470-489)
[Beginn Grafik]
Abb. 2: Interface von LOCO (nach Jovanović et al. 2007, S. 112-126)
Kap03_Abb02_LOCO.jpg
[Ende Grafik]
Ziele der Analyse:
• Liefert Feedback zu den Lernaktivitäten und der Lernperformance
von Studierenden
Art der Analyse:
• Formativ (2 Iterationen)
• Wahrgenommene Nützlichkeit
Kompetenzerwerb für:
• Lehrende
3.6 Narcissus
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Das Narcissus Model wurde entwickelt um eine bessere Zusammenarbeit in
Gruppen zu fördern. Es ermöglicht die Tätigkeiten einer jeden Person der
Gruppe detailliert visuell darzustellen. Dadurch kann die Gruppe ihren
Fortschritt in den einzelnen Tätigkeitsbereichen überwachen, ihre Gruppen-
und Individualkompetenzen ausbauen um zukünftige Schritte besser zu
planen. Moderatorinnen und Moderatoren der Gruppe erhalten einen
Überblick über die Performance aller und können so leichter potentielle
Probleme erkennen um diese frühzeitig zu adressieren. Narcissus bietet
überdies eine integrierte Testbarkeit und Kontrolle der Modelle an.
(Upton/Kay 2009, S. 54-65)
Ziele der Analyse:
• Studenten wird ihre Mitwirkung innerhalb der Gruppe aufgezeigt
und damit die Arbeit in der Gruppe verbessert
Art der Analyse:
• Summativ
• Bedien- und Nützlichkeit
Kompetenzerwerb für:
• Studierende
3.7 Personalised Adaptive Study Success (PASS)
PASS ist ein Frühwarnsystem für eine Online-Lernplattform, die das Ziel hat
das Engagement von Lernenden zu verbessern und die Absprungrate zu
reduzieren. Erstmals vorgestellt wurde es am 27. Juni 2013 im Rahmen der
Criterion Conference on Improving Student Retention and Success. Das
System vernetzt, verarbeitet und analysiert die individuellen Eigenschaften,
das Social Web, die Curricula und Daten aus einer Anzahl von anderen
Systemen aus der Online-Lernumgebung. Mit den gewonnen Informationen
können die vorhandenen Kompetenzen eingeschätzt und potentielle
Hochrisikostudierende identifiziert werden. Auf Basis unterschiedlicher
Indikatoren erstellt PASS visuelle Signale, Informationen zu Performance,
Selbsteinschätzung und Vorhersagen zum weiteren Kursverlauf, hebt die
soziale Interaktion hervor, empfiehlt Inhalte sowie Aktivitäten und bietet
eine personenbezogene Plattform an. (Atif 2013)
Ziele der Analyse:
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
• Liefert Feedback zu den Lernaktivitäten und der Lernperformance,
Identifikation von Hochrisikopersonen
Art der Analyse:
• Nicht vorhanden
Kompetenzerwerb für:
• Studierende
3.8 Social Networks Adapting Pedagogical Practice
(SNAPP)
SNAPP ist ein Tool der Universität von Wollongong, Australien. Es
generiert visuelle Repräsentationen von Interaktionen und Aktivitäten von
Benutzerinnen und Benutzern, sowie Verhaltensmuster von Diskussionen in
Foren. Die Visualisierungen geben dabei Aufschluss über das Niveau des
Engagements, Aktivitäten und Kompetenzen der Lernenden und dadurch
Erkenntnisse über Lernende die hinter den Erwartungen zurückbleiben. Das
Tool erhält dabei seine Daten aus kommerziellen (Blackboard) sowie Open-
Source-Lernplattformen wie Moodle. (Bakharia/Dawson 2011, S. 168-173)
[Beginn Grafik]
Abb. 3: Interface von SNAPP (nach Bakharia et al. 2009, S. 50)
Kap03_Abb03_SNAPP.jpg
[Ende Grafik]
Ziele der Analyse:
• Visualisierung der Entwicklung von Teilnehmerbeziehungen
innerhalb eines Diskussionsforums
Art der Analyse:
• Nicht vorhanden
Kompetenzerwerb für:
• Lehrende
3.9 StepUp!
Das Tool StepUp! bietet Studierenden die Möglichkeit über ihre eigenen
Aktivitäten und die Aktivitäten der Kollegen zu reflektieren. Dazu
visualisiert StepUp! Lernspuren von Studierenden wie die verwendete Zeit
während eines Kurses, die eingesetzten Ressourcen und den Einsatz von
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Social Media um die individuellen Kompetenzbereiche zu erkennen. (Santos
et al. 2012, S. 73-86), (Santos et al. 2013, S. 14-22)
Ziele der Analyse:
• Förderung von Reflexion und Bewusstsein der eigenen Aktivitäten
Art der Analyse:
• Summativ
• Wahrgenommene Nützlichkeit und Auswirkung auf das Lernen
Kompetenzerwerb für:
• Studierende
3.10 Student Activity Meter (SAM)
SAM ist eine Anwendung zur Visualisierung von Aktionen wie Feedback
von und an Studierende, Kommunikation und Zusammenarbeit
untereinander, Nutzung von bereitgestellten Ressourcen wie Dokumenten,
verwendete Zeit in den einzelnen Bereichen, Nutzung von externen
Ressourcen, Früherkennung von Problemkandidatinnen und -kandidaten,
usw. Durchgeführte Untersuchungen ergaben, dass dadurch ein Bewusstsein
über die verwendete Zeit als auch die genutzten Ressourcen sowie die
Kompetenzen in den einzelnen Bereichen, auf Seiten der Lehrenden als auch
Lernenden geschaffen werden konnte. Diese Anwendung hat sich als
besonders wertvoll im Bereich des selbst-regulierenden Lernens gezeigt.
(Govaerts et al. 2012, S. 869-884)
Ziele der Analyse:
• Selbsteinschätzung und Bewusstsein von Studenten und ihren
Aktivitäten schaffen
Art der Analyse:
• Bedien- und Nützlichkeit
Kompetenzerwerb für:
• Lehrende und Studierende
3.11 Student Inspector
Student Inspector ermöglicht es die Interaktion von Studierenden in einem
E-Learning System mitzuverfolgen und diese Informationen dem Lehrenden
in übersichtlicher Form zur Verfügung zu stellen. Es ermöglicht die
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
individuellen Lernwege der Studierenden zu erfassen und mögliche
„Sackgassen“ sowie das bereits gelernte Wissen, angeeignete bzw. nicht
angeeignete Kompetenzen und im Lernprozess entstandene Probleme
aufzuzeigen. Für die Auswertung greift die Anwendung auf Log-Daten
zurück welche AI-basierend ausgewertet werden (Scheuer/Zinn 2007, S.
487-494).
Ziele der Analyse:
• Überblick über die Interaktionen von Lernenden innerhalb eines
eLearning-Systems behalten
Art der Analyse:
• Summativ
• Bedien- und Nützlichkeit
Kompetenzerwerb für:
• Lehrende und Studierende
3.12 Student Success System (S3)
Das Student Success System geht den Weg eines holistischen Ansatzes und
führt dazu den Begriff „Success Index“ (Erfolgsindex) ein, welcher sich in 5
Bereiche aufschlüsselt: Vorbereitung, Anwesenheit, Mitarbeit, Abschlussrate
und Social Learning. Daten von Teilnehmerinnen und Teilnehmer werden in
diesen Bereichen ausgewertet und die Ergebnisse visuell dargestellt. Zudem
können Vorhersagen über erwartete Leistungen und mögliche Risiken
getroffen und den Lehrenden als auch den Lernenden zur Verfügung gestellt
werden. (Essa/Ayad 2012, S. 158-161)
Ziele der Analyse:
• Identifizierung und Unterstützung von Risikostudierenden
Art der Analyse:
• Nicht vorhanden
Kompetenzerwerb für:
• Lehrende
3.13 Übersichtstabelle
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Zusammenfassend werden hier nochmals alle Frameworks, Tools und
Systeme in einer Übersichtstabelle mit der Zielgruppe des
Kompetenzerwerbs dargestellt:
[Beginn Tabelle]
Übersichtstabelle Kompetenzerwerb
Name
Hochschule
Lehrende
Studierende
Automated Wellness Engine
X
X
Connect 4 Success
X
Course Signals
X
GLASS
X
LOCO-Analyst
X
Narcissus
X
PASS
X
SNAPP
X
StepUp!
X
Student Activity Meter
X
X
Student Inspector
X
X
Student Success System
X
> Übersichtstabelle Kompetenzerwerb <
[Ende Tabelle]
4 Zukünftige Trends, Innovationen und
Kompetenzentwicklungen
Die zukünftige Entwicklung im Bereich Learning Analytics im
Hochschulwesen lässt sich in kurzfristige (1-2 Jahre) und langfristige (3-5
Jahre) Trends unterteilen. In den nächsten 1 bis 2 Jahren müssen
Universitäten den sozialen und ökonomischen Faktoren gerecht werden, die
einen Wandel in den Fähigkeiten der Studierenden fordern (Johnson et al
2016). Die Abstimmung der Systeme in den Bereichen der Analyse, der
Beratung, der Prüfung von individuellen Lernerfolgen und die
Visualisierung von durchgehend-verfügbaren, aggregierten Informationen in
Dashboards rücken in den Vordergrund. Studierende erwarten sich Echtzeit-
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Feedback während des Lernens, wodurch eine kritische Selbstreflektion über
den Lernfortschritt und das Lernziel möglich wird und die Kompetenz im
Bereich Selbstorganisation stärkt. Stehen ausreichende Datenmengen von
Studierenden zur Verfügung kann in weiterer Folge auch prädiktive
Analysen durchgeführt werden. (Johnson et al 2016)
Die Relevanz von Learning Analytics im Hochschulwesen wird sich in den
nächsten 3 bis 5 Jahren noch stärker ausprägen. Gefördert wird dieser Trend
durch das rege Interesse von Studierenden für individuelle Auswertungen
und Betreuung. Um diesen Markt bedienen zu können werden sich
Dashboards und Analyseanwendungen, die speziell auf die Bedürfnisse eines
jeden Kunden eingehen, stärker entwickeln. Dieser Ansatz biete viele
Vorteile: Da die Studierenden Zugriff auf die eigenen Daten in passender
Form haben ermöglicht dies ihnen eine bessere Selbstreflektion zu
entwickeln sowie ein gesundes Konkurrenzdenken unter den Kommilitonen.
Den Lehrenden wird ermöglicht die große Menge an Studierenden zu
Überblicken und genau jene zu erkennen, die ihre Hilfe benötigen.
Studienabbrecherinnen und Studienabbrecher können durch entsprechende
Analysen besser erkannt und mittels gezielter Intervention zum Verbleib im
Hochschulsystem bewogen werden. (Shacklock 2016)
Um die damit einhergehenden Probleme Herr zu werden wird sich der Markt
für Learning Analytics zunehmend verändern müssen. Derzeit kommen viele
verschiedene Systeme und Analyseansätze zum Einsatz. Falls die
Fragmentierung des Marktes in Zukunft noch weiter zunimmt, wird es den
interuniversitären Vergleich sehr erschweren oder sogar unmöglich machen.
Daher ist die Schaffung von Normen von essentieller Bedeutung. (Shacklock
2016)
Des Weiteren ist eine Änderung in der Art der Analyse absehbar. Wurden
bisher meist aktuelle und vergangene Daten verwendet um den Erfolg eines
Studierenden zu messen, rückt nun Predictive Analytics (vorhersagende
Analyse) in den Vordergrund. Mit Hilfe der Auswertung von bestehenden
Datensätzen vieler Studierenden können Vorhersagemodelle entwickelt und
damit Studierende frühzeitig vor einer möglichen Gefährdung ihres
Lernerfolges gewarnt werden. (Shacklock 2016)
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Abschließend sollte erwähnt werden, dass der Aufbau und die Entwicklung
von Kompetenzen nicht nur individuell betrachtet werden kann. Wie aus der
Übersichtstabelle (siehe Tabelle 1) ersichtlich, sollte zwischen den
unterschiedlichen Ebenen der Hochschule, des Lehrenden und des
Studierenden unterschieden werden, um letztendlich die Zielgruppe des
Kompetenzerwerbs festlegen zu können. Zukünftig werden auch noch
weitere Ebenen relevant werden, wie die des Bildungsträger oder der
Unternehmen.
5 Literaturverzeichnis
Ali, L./Hatala, M./Gašević, D./Jovanović, J. (2012): A qualitative evaluation
of evolution of a learning analytics tool. In: Computers & Education, 58, 1,
S. 470-489.
Arnold, K. E./Pistilli, M. D. (2012): Course signals at Purdue: using learning
analytics to increase student success. In: Proceedings of the 2nd international
conference on learning analytics and knowledge, ACM.
Atif, A./Richards, D./Bilgin, A./Marrone, M. (2013): Learning analytics in
higher education: a summary of tools and approaches. In: 30th Australasian
Society for Computers in Learning in Tertiary Education Conference,
Sydney.
Bakharia, A./Heathcote, E./Dawson, S. (2009): Social networks adapting
pedagogical practice: SNAPP. In: Diss. University of Auckland, Auckland
University of Technology, and Australasian Society for Computers in
Learning in Tertiary Education.
Bakharia, A./Dawson, S. (2011): SNAPP: A Bird’s-Eye View of Temporal
Participant Interaction. In: Proceedings of the 1st International Conference
on Learning Analytics and Knowledge, ACM, S. 168-173.
Elias, T. (2011): Learning Analytics: Definitions, Processes and Potential.
http://learninganalytics.net/LearningAnalyticsDefinitionsProcessesPotential.
pdf Abrufdatum: 10.02.2012.
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Essa, A./Ayad, H. (2012): Student success system: risk analytics and data
visualization using ensembles of predictive models. In: Proceedings of the
2nd International Conference on Learning Analytics and Knowledge, S. 158-
161.
Govaerts, S./Verbert, K./Duval, E./Pardo, A. (2012): The student activity
meter for awareness and self-reflection. In: Proc. CHI'12 Extended Abstracts
on Human Factors in Computing Systems, S. 869-884.
Jackson, G./Read, M. (2012): Connect 4 Success: A Proactive Student
Identification and Support Program.
http://fyhe.com.au/past_papers/papers12/Papers/9B.pdf Abrufdatum:
23.03.2016. S. 1-5.
Johnson, L./Adams, S./Cummins, M. (2012): The NMC Horizon Report:
2012 Higher Education Edition. In: The New Media Consortium, Austin,
Texas. http://www.nmc.org/pdf/2012-horizon-report-HE.pdf Abrufdatum:
23.03.2016.
Johnson, L./Adams, S./Cummins, M./Estrada, V./Freeman, A./Ludgate, H.
(2013): The NMC Horizon Report: 2013 Higher Education Edition. In: The
New Media Consortium, Austin, Texas. http://www.nmc.org/pdf/2013-
horizon-report-HE.pdf Abrufdatum: 23.03.2016.
Johnson, L./Adams, S./Cummins, M./Estrada, V./Freeman, A./Hall, C.
(2016): NMC Horizon Report: 2016 Higher Education Edition. In: The New
Media Consortium, Austin, Texas. http://cdn.nmc.org/media/2016-nmc-
horizon-report-he-EN.pdf Abrufdatum: 27.04.2016.
Jovanović, J./Gašević, D./Brooks, C./Devedžić, V./Hatala, M. (2007):
LOCO-analyst: A tool for raising teachers’ awareness in online learning
environments. In: Creating New Learning Experiences on a Global Scale,
Springer Berlin Heidelberg, S. 112-126.
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Khalil, M./Ebner, M. (2016): What is Learning Analytics about? A Survey
of Different Methods Used in 2013-2015. In: Proceedings of the 8th e-
Learning Excellence Conference, Dubai, United Arab Emirates, S. 294-304.
Leece, R./Hale, R. (2009): Student Engagement and Retention through e-
Motional Intelligence. In: UNE: Australia.
http://www.educationalpolicy.org/events/R09/PDF/Leece_E-Motion.pdf
Abrufdatum: 23.03.2016.
Leony, D./Pardo, A./de la Fuente Valentín, L./de Castro, D. S./Kloos, C. D.
(2012): GLASS: a learning analytics visualization tool. In: Proceedings of
the 2nd International Conference on Learning Analytics and Knowledge, S.
162-163.
Long, P./Siemens, G. (2011): Penetrating the Fog: Analytics in Learning and
Education. In: EDUCAUSE Review Magazine. Volume 46. 5, S. 31-40.
Park, Y./Jo, I. (2015): Development of the Learning Analytics Dashboard to
Support Students' Learning Performance. In: Journal of Universal Computer
Science, vol. 21, no. 1, S. 110-133.
Santos, J./Verbert, K./Govaerts, S./Duval, E. (2012): Empowering students
to reflect on their activity with StepUp!: Two case studies with engineering
students. In: Proceedings of ARETL'12 2nd workshop on Awareness and
Reflection in Technology-Enhanced Learning, CEUR Workshop, S. 73-86.
Santos, J./Verbert, K./Govaerts, S./Duval, E. (2013): Addressing learner
issues with StepUp!: an Evaluation. In: Proceedings of the Third
International Conference on Learning Analytics and Knowledge, S. 14-22.
Scheuer, O./Zinn, C. (2007): How did the e-learning session go? The Student
Inspector. In: Proceeding of the 2007 conference on artificial intelligence in
education: building technology rich learning contexts that work. S. 487-494.
Entwurf – Original veröffentlicht unter: Leitner, P., Ebner, M. (2017) Learning Analytics in Hochschulen.
Handbuch Kompetenzentwicklung im Netz. Erpenbeck, J., Sauter, W. (Hrsg.). Schäffer-Poeschel Verlag.
Stuttgart. S. 371-384
Shacklock, X. (2016): From Bricks to Clicks: the potential of data and
analytics in Higher Education. In: The Higher Education Commission’s
(HEC) report.
Upton, K./Kay, J. (2009). Narcissus: group and individual models to support
small group work. In: Houben, G./McCalla, G./Pianesi, F./Zancanaro, M.
(Hrsg.): User Modeling, Adaptation, and Personalization: 17th International
Conference, UMAP 2009, formerly UM and AH, Trento, Italy, June 22-26,
2009. Proceedings. Springer Berlin Heidelberg. S. 54-65.
van Barneveld, A./ Arnold, K. E./Campbell, J. P. (2012): Analytics in higher
education: establishing a common language. In: EDUCAUSE Learning
Initiative 1, S. 1-11.
... Learning-Analytics-Applikationen, also Learning-Analytics-Maßnahmen die bereits softwaremäßig umgesetzt wurden, klingen zunächst vielversprechend und bieten vermeintlich unbegrenzte Möglichkeiten. Allerdings wird man sehr schnell mit vielen Herausforderungen konfrontiert, die sich im Wesentlichen den folgenden sieben Gruppen zuordnen lassen (Leitner & Ebner, 2017;Leitner et al., Vorabzug -Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule -Anforderungen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung-Auf der Suche nach Kompetenzen und Performanzen. ...
... Learning-Analytics-Applikationen, also Learning-Analytics-Maßnahmen die bereits softwaremäßig umgesetzt wurden, klingen zunächst vielversprechend und bieten vermeintlich unbegrenzte Möglichkeiten. Allerdings wird man sehr schnell mit vielen Herausforderungen konfrontiert, die sich im Wesentlichen den folgenden sieben Gruppen zuordnen lassen (Leitner & Ebner, 2017;Leitner et al., Vorabzug -Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule -Anforderungen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung-Auf der Suche nach Kompetenzen und Performanzen. ...
... Die Situationen an den einzelnen Bildungsinstitutionen sind durchaus unterschiedlich. So unterscheiden sich Hochschulen mit einer großen Anzahl an Studierenden, Lehrenden und Lehrveranstaltungen (Leitner & Ebner, 2017) stark von allgemeinbildenden Schulen (Taraghi, Ebner, Ebner & Schön, 2017) oder auch von Institutionen im Bereich der beruflichen Aus-und Weiterbildung (Ebner, 2019). Hochschulen verfügen darüber hinaus in der Regel über umfassende Informationssysteme, die den Lehr-und Lernbetrieb managen und begleiten sowie über eine eigene IT-Infrastruktur, die einen Ansatzpunkt für Learning-Analytics-Applikationen bieten kann. ...
Learning Analytics in der Schule - Anforderungen an Lehrerinnen und Lehrer
Chapter
Full-text available
  • Nov 2020
Dieser Beitrag ermöglicht eine kurze Einführung in das Themenfeld Learning Analytics mit einem besonderen Blick auf den Schulunterricht. Heute erscheint es noch weit entfernt, bis derartige Anwendungen im deutschsprachigen Raum flächendeckend Fuß fassen können. Durch die voranschreitende Technologie werden jedoch solche Anwendungen und die Auseinandersetzung mit der Frage, inwieweit künstliche Intelligenz Aspekte der eigentlichen Lehre ergänzen und erset-zen kann, zunehmend zum Diskussionsgegenstand. Die vorliegende Publikation zielt darauf ab, Learning Analytics selbst und die damit verbundenen Herausforderungen zu definieren. Anschlie-ßend werden einige allgemeine Beispiele genannt, ehe auf zwei webbasierte Informationssysteme im Detail eingegangen wird-dem Einmaleins-Trainer und dem Programm zum Aufbau von Schreibkompetenz IDeRblog. Auf Basis der dort gewonnen Erkenntnisse und Erfahrungen werden drei wesentliche Anforderungen für Lehrerinnen und Lehrer abgleitet: statistische und digitale Kom-petenz sowie grundsätzliches Wissen im Bereich Datenschutz. Der Beitrag schließt mit der Frage, inwieweit diese zukünftig in die Lehrerbildung integriert werden können und müssen.
View
... LA is defined by the Society for Learning Analytics Research (SOLAR) as "the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimizing learning and the environments in which it occurs" [28]. LA can be used to dynamically generate data from learners, teachers and learning environments, with the aim of optimizing learning and teaching processes as well as the design of learning environments [29][30][31]. It contains the collection of educational data, such as static data, including learners demographics, background, perception, environmental characteristics and dynamic data, like student engagement, student performance and behavior [32]. ...
... When integrating LA into learning environments the demand is frequently emphasized -not without reason -that pedagogical considerations and intentions should guide the use of LA [31,37]. But it is also important to analyze the interdependencies of factors that constitute learning under the conditions of implementing a technology like LA, because data-based analysis of learner activities can provide insights into the learning process formerly hidden from teachers and learners due to a lack of options. ...
Fostering Lab-Based Learning with Learning Analytics: A Literature Review
Article
Full-text available
  • Nov 2022
Digital learning environments, such as online laboratories offer many opportunities for collecting data for Learning Analytics (LA). This article presents a systematic literature review for LA in laboratory based learning environments for Higher Engineering Education, which yielded 23 key references. The focus of the study was formed by the following research questions (RQ): What types of data are currently collected in online laboratories (RQ 1)? How is LA used to support learning and teaching processes as well as the design of the online-laboratory environment (RQ 2)? What design recommendations for the use of LA in laboratory-based learning environments can be derived (RQ 3)? The gained results show that LA can be used to provide feedback for simple as well as for complex learning processes in online laboratories. Moreover, it assists data-informed decision making for teaching and learning processes as well as for the design of the lab environment. Implications for future research projects were derived based on the findings and should contribute to the advancement of research on LA in online laboratories.
View
... Kompetenzen beinhalten entsprechend immer mindestens eine kognitive (in Lernzielen messbare) und eine affektive Dimension bzw. "affektive Domäne (Werte, Haltungen)" (Hochschulrektorenkonferenz, 2015, S. 6), andere Quellen ergänzen noch psycho-motorische Fertigkeiten (Erpenbeck & Rosenstiel, 2003;Leitner & Ebner, 2021 Entsprechend sind in dieser Taxonomie nur die Stufen 3-6 (Anwenden, Analysieren, Beurteilen/Bewerten, Erschaffen) tatsächlich als Handlungskompetenzen im oben definierten Sinne zu verstehen. Die Stufen 1 "Erinnern" und 2 "Verstehen" sind dem Grundlagen-und Fachwissen zuzuordnen. ...
Wissen, Kompetenzen und Qualifikationen zu Künstlicher Intelligenz. Eine Systematisierung von digitalen Formaten am Beispiel des KI-Campus und seiner Partner.
Book
Full-text available
  • Jun 2022
Das Diskussionspapier "Wissen, Kompetenzen und Qualifikationen zu Künstlicher Intelligenz" reflektiert die Entwicklung des KI-Campus zu einem Lern- und Wissensökosystem mit vielfältigen digitalen Formaten zum Thema Künstliche Intelligenz (KI), die sowohl auf der eigenen Lernplattform als auch über andere Plattformen und Kommunikationskanäle zur Verfügung stehen. Es wird herausgestellt, dass neben der Stärkung von handlungsorientierten KI-Kompetenzen auch die Vermittlung von Grundlagenwissen zu KI eine wichtige Notwendigkeit aus Perspektive unterschiedlicher Akteure und der Nutzer:innen des KI-Campus darstellt. Gleichzeitig nimmt auch die Bedeutung neuer Bildungsnachweise zur Validierung und Zertifizierung von Qualifikationen zu. Das Diskussionspapier analysiert übergreifend die Bedarfe für digitale Formate zu KI sowohl in Bezug auf Lernangebote als auch für eine grundsätzliche Kommunikation und Öffentlichkeitsarbeit zum Thema. Unterschiedliche Formate (u. a. Videos, Podcasts, Simulationen, Online-Kurse, Micro-Credentials) werden in Anlehnung an diese Bedarfe am Anwendungsfall des KI-Campus und seiner Partner vorgestellt und Zielsetzungen der Nutzer:innen zugeordnet: „Informationen & Wissen“, „Kompetenzen“ sowie „Qualifikationen & Zertifikate“.
View
... der Laborversuche auf der Lernplattform Moodle. Darüber hinaus ermöglicht gerade der Einsatz von Moodle das Erheben von Learning-Analytics-Daten, die den Studierenden und Lehrenden im Semesterlauf regelmäßig Feedback zum individuellen Lernstand, zu den Aktivitäten und zur Nutzung der bereitgestellten Lernressourcen auf der Lernplattform geben (vgl.Leitner & Ebner, 2017). Professor gewertet und darüber hinaus die unkomplizierte Kontaktaufnahme und Unterstützung durch den technischen Mitarbeiter, der die Laborübungen mit betreute. Darüber hinaus wurden die praxisnahen Übungen als hilfreich für die Weiterentwicklung des eigenen Lernprozesses empfunden, und hier wurde vor allem das eigenständige Arbeiten u ...
Pilotierung eines didaktischen Modellkonzepts für laborbasiertes Lernen – (Digi)LabTC für DigiLab4U
Chapter
Full-text available
  • Oct 2021
In den Ingenieurwissenschaften gewinnt das Internet der Dinge (Internet of Things, IoT) zunehmend an Bedeutung. Sowohl das Wissen um die technischen Grundlagen als auch ein Verständnis für die breiteren gesellschaftlichen Auswirkungen des IoT werden für angehende Ingenieur*innen in ihrem zukünftigen Arbeitsfeld entscheidend sein. Gleichzeitig ermöglicht die Digitalisierung in Bildung und Forschung neue Formen der standortübergreifenden Vernetzung von Laborinfrastrukturen und kann damit Studierenden und Forschenden ein breites Spektrum an praktischen Handlungs-, Lern- und Forschungsfeldern bieten. Das BMBF-geförderte Projekt Open Digital Lab for You1 (DigiLab4U) verfolgt in diesem Sinne das Ziel, Studierenden, Lehrenden und Forschenden standortunabhängig praxisnahe, digitalisierte und vernetzte Laborumgebungen mit dem Themenschwerpunkt IoT und Industrie 4.0 (I4.0) zur Verfügung zu stellen. Dabei soll zukünftig nicht nur der Zugriff auf eine Laborinfrastruktur ermöglicht werden, sondern auch auf entsprechende methodisch- didaktische Lehr- und Lernressourcen. Der nachfolgende Artikel beschreibt, angelehnt an die Phasen eines Design-Based-Research-Ansatzes, die theoretischen Rahmenbedingungen, die konzeptionelle Umsetzung sowie erste Evaluationsergebnisse eines laborbasierten didaktischen Designs für eine vernetzte Laborumgebung.2 Eine curriculare Integration durch skalierbare Laboreinheiten und -phasen konnte im Sommersemester 2019 in einem ingenieurwissenschaftlichen Studiengang erstmals umgesetzt werden. Coaching- und Präsentationsphasen wurden gezielt als didaktisches Mittel eingesetzt, um die individuellen fachlichen Wissensbestände und handlungspraktischen Erfahrungen der Studierenden zu reflektieren. Schlüsselwörter: Ingenieurwissenschaften, laborbasiertes Lernen, Internet der Dinge, Industrie 4.0
View
... der Laborversuche auf der Lernplattform Moodle. Darüber hinaus ermöglicht gerade der Einsatz von Moodle das Erheben von Learning-Analytics-Daten, die den Studierenden und Lehrenden im Semesterlauf regelmäßig Feedback zum individuellen Lernstand, zu den Aktivitäten und zur Nutzung der bereitgestellten Lernressourcen auf der Lernplattform geben (vgl.Leitner & Ebner, 2017). Professor gewertet und darüber hinaus die unkomplizierte Kontaktaufnahme und Unterstützung durch den technischen Mitarbeiter, der die Laborübungen mit betreute. Darüber hinaus wurden die praxisnahen Übungen als hilfreich für die Weiterentwicklung des eigenen Lernprozesses empfunden, und hier wurde vor allem das eigenständige Arbeiten u ...
View
... der Laborversuche auf der Lernplattform Moodle. Darüber hinaus ermöglicht gerade der Einsatz von Moodle das Erheben von Learning-Analytics-Daten, die den Studierenden und Lehrenden im Semesterlauf regelmäßig Feedback zum individuellen Lernstand, zu den Aktivitäten und zur Nutzung der bereitgestellten Lernressourcen auf der Lernplattform geben (vgl.Leitner & Ebner, 2017). Professor gewertet und darüber hinaus die unkomplizierte Kontaktaufnahme und Unterstützung durch den technischen Mitarbeiter, der die Laborübungen mit betreute. Darüber hinaus wurden die praxisnahen Übungen als hilfreich für die Weiterentwicklung des eigenen Lernprozesses empfunden, und hier wurde vor allem das eigenständige Arbeiten u ...
View
... der Laborversuche auf der Lernplattform Moodle. Darüber hinaus ermöglicht gerade der Einsatz von Moodle das Erheben von Learning-Analytics-Daten, die den Studierenden und Lehrenden im Semesterlauf regelmäßig Feedback zum individuellen Lernstand, zu den Aktivitäten und zur Nutzung der bereitgestellten Lernressourcen auf der Lernplattform geben (vgl.Leitner & Ebner, 2017). Professor gewertet und darüber hinaus die unkomplizierte Kontaktaufnahme und Unterstützung durch den technischen Mitarbeiter, der die Laborübungen mit betreute. Darüber hinaus wurden die praxisnahen Übungen als hilfreich für die Weiterentwicklung des eigenen Lernprozesses empfunden, und hier wurde vor allem das eigenständige Arbeiten u ...
Labore in der Hochschullehre - Didaktik, Digitalisierung, Organisation
Book
Full-text available
  • Dec 2020
Das Labor als Raum des praxisorientierten Lehrens und Lernens ist in der Hochschullehre gerade in den technischen Fächern ein zentraler Bestandteil der Curricula. Untersuchungen zeigen, dass sich das forschende Lernen im Labor positiv auf die Kompetenzentwicklung auswirken kann. Allerdings bedarf es hierfür der Beachtung didaktischer, organisatorischer und technischer Gestaltungsfaktoren. Vor diesem Hintergrund stellen sich vielfältige Fragen: Welche Laborangebote gibt es und was ist ihr Nutzen? Was brauchen Labore, um effektive Lernorte zu sein? Wie muss sich Laborlehre weiterentwickeln, um die Möglichkeiten der Digitalisierung im Kontext von Lernen und Arbeiten 4.0 aufzunehmen? Die Beiträge widmen sich diesen Themen in drei übergeordneten Abschnitten: Sie zeigen erstens, wie sich Labordidaktik unter den veränderten Kompetenzerwartungen neu aufstellen kann und muss. Im zweiten Abschnitt geben sie Einblicke in aktuelle und zukünftige Entwicklungen von Cross-Reality-Laboren. Im abschließenden Teil nehmen sie die übergeordnete Frage in den Blick, welche Voraussetzungen zukünftig nötig sind, um Labore technisch verlässlich und ökonomisch nachhaltig in die Lehre zu integrieren.
View
... ■ Lehrende sind vorrangig daran interessiert, die Lernprozesse der Lernenden sowie soziale, kognitive und verhaltensbezogene Aspekte zu verstehen. Darüber hinaus haben sie Interesse daran, ihre Lehrmethoden und -leistungen zu reflektieren sowie ihre Anweisungen zu optimieren, um ein besseres Lernergebnis bei den Lernenden zu erzielen(Leitner & Ebner, 2017). Lehrende wollen in der Lage sein, die Aktivitäten der Lernenden effektiver zu bewerten und Schlussfolgerungen für geeignete Maßnahmen zur Verbesserung der Lernleistung zu ziehen.Abb. ...
Learning Analytics: Einsatz an österreichischen Hochschulen
Technical Report
Full-text available
  • Nov 2019
Learning Analytics ist sowohl international als auch national ein immer mehr an Bedeutung gewinnendes Themenfeld, welches dabei helfen kann, Lehr- und Lernprozesse besser zu verstehen und gezielt zu optimieren. Dieses Whitepaper soll eine erste Orientierung zu diesem Thema geben und dabei speziell die österreichische Hochschullandschaft adressieren. Ausgehend von der Definition: “Learning Analytics umfasst die Analyse, Darstellung und Interpretation von Daten aus Lehr- und Lernsettings mit dem Zweck, dass Lernende ihr Lernen unmittelbar verändern können” werden Herausforderungen benannt und der Status Quo in Österreich präsentiert. Daraus werden sechs Argumente für Learning Analytics abgeleitet und vier konkrete Handlungsempfehlungen ausgesprochen.
View
Die digitale Zukunft des Lernens und Lehrens mit Remote-Laboren
Chapter
Full-text available
  • Oct 2021
Zusammenfassung Der Einsatz von Remote-Laboren in ingenieurwissenschaftlichen Studiengängen ermöglicht Studierenden an einigen Hochschulen die ortsunabhängige Nutzung von Laboren, Maschinen und Robotern. Remote-Labore eignen sich in besonderer Weise dafür, den digitalisierungsbedingten Anforderungen und dem Qualifikationsbedarf aus Wirtschaft und Industrie zu begegnen. Die Onlinebedienung von Laboren bietet viele Ansatzpunkte für den Erwerb digitaler Kompetenzen, wie beispielsweise das Sammeln und Analysieren von Big Data, das Entwickeln geeigneter Schnittstellen für den Onlinezugriff oder den korrekten Einsatz zur Verfügung stehender softwarebasierter Messtechnik. Auch während der Coronapandemie im Sommersemester 2020, als der reguläre Zugang zu Laboren aufgrund der Kontaktbeschränkungen nicht erlaubt war, ermöglichten Remote-Labore den Studierenden praktische Erfahrungen. Jedoch stellen nicht nur die didaktischen, sondern auch die technischen und organisatorischen Aspekte ingenieurwissenschaftliche Studiengänge bei der Umsetzung von Remote-Laboren vor anspruchsvolle Aufgaben. Der nachfolgende Beitrag greift diese Aspekte auf und beschreibt anhand ausgewählter Beispiele, wie die Umsetzung und Integration von Remote-Laboren in Studium und Lehre gelingen kann, aber auch welche Herausforderungen nach wie vor bestehen.
View
Learning Analytics im Kontext komplexer Fallsimulationen personenbezogener Dienstleistungsberufe: Chancen und Begrenzungen der Lernstandsanalyse im Serious Game
Article
Full-text available
  • Nov 2020
Der Beitrag diskutiert anhand des Forschungsprojektes Game Based Learning in Nursing – Spielerisch Lernen in authentischen, digitalen Pflegesimulationen (GaBaLEARN) die Einbindung von Learning Analytics in digitale Fallsimulationen eines Serious Games. Es werden pflege- und mediendidaktische Impulse zur Entwicklung und Integration von Learning Analytics für die Darstellung von situativen, komplexen Kompetenzen im Bereich personenbezogener Dienstleistungsberufe, wie der Pflege, dargestellt.
View
What is Learning Analytics about? A Survey of Different Methods Used in 2013-2015
Article
Full-text available
  • Jun 2016
The area of Learning Analytics has developed enormously since the first International Conference on Learning Analytics and Knowledge (LAK) in 2011. It is a field that combines different disciplines such as computer science, statistics, psychology and pedagogy to achieve its intended objectives. The main goals illustrate in creating convenient interventions on learning as well as its environment and the final optimization about learning domain stakeholders. Because the field matures and is now adapted in diverse educational settings, we believe there is a pressing need to list its own research methods and specify its objectives and dilemmas. This paper surveys publications from Learning Analytics and Knowledge conference from 2013 to 2015 and lists the significant research areas in this sphere. We consider the method profile and classify them into seven different categories with a brief description on each. Furthermore, we show the most cited method categories using Google scholar. Finally, the authors raise the challenges and constraints that affect its ethical approach through the meta-analysis study. It is believed that this paper will help researchers to identify the common methods used in Learning Analytics, and it will assist by establishing a future forecast towards new research work taking into account the privacy and ethical issues of this strongly emerged field.
View
Learning Analytics in Higher Education: A Summary of Tools and Approaches
Conference Paper
Full-text available
  • Dec 2013
Higher education institutions recently have been drawing on methods from learning analytics to make decisions about learners’ academic progress, predictions about future performance and to recognise potential issues. As the use of learning analytics in higher education is a relatively new area of practice and research, the intent of this paper is to provide an overview of learning analytics including a summary of some exemplar tools. Finally we conclude the paper with a discussion on challenges and ethical issues.
View
Development of the Learning Analytics Dashboard to Support Students' Learning Performance
Article
Full-text available
  • Jan 2015
The Learning Analytics Dashboard (LAD) is an application to show students' online behavior patterns in a virtual learning environment. This supporting tool works by tracking students' log-files, mining massive amounts of data to find meaning, and visualizing the results so they can be comprehended at a glance. This paper reviews previously developed applications to analyze their features. Based on the implications from the review of previous studies as well as a preliminary investigation on the need for such tools, an early version of the LAD was designed and developed. Also, in order to improve the LAD, a usability test incorporating a stimulus recall interview was conducted with 38 college students in two blended learning classes. Evaluation of this tool was performed in an experimental research setting with a control group and additional surveys were conducted asking students' about perceived usefulness, conformity, level of understanding of graphs, and their behavioral changes. The results indicated that this newly developed learning analytics tool did not significantly impact on their learning achievement. However, lessons learned from the usability and pilot tests support that visualized information impacts on students' understanding level; and the overall satisfaction with dashboard plays as a covariant that impacts on both the degree of understanding and students' perceived change of behavior. Taking in the results of the tests and students' openended responses, a scaffolding strategy to help them understand the meaning of the information displayed was included in each sub section of the dashboard. Finally, this paper discusses future directions in regard to improving LAD so that it better supports students' learning performance, which might be helpful for those who develop learning analytics applications for students.
View
Analytics in Higher Education: Establishing a Common Language
Article
Full-text available
  • Jan 2012
The use of analytics in higher education is a relatively new area of practice and research. As with any new area of practice, a variety of terms are adopted to describe concepts and processes. Each of these terms is being integrated into the literature, but a preliminary review of the analytics in education and practitioner literature revealed similar terms with different conceptual or functional definitions, as well as different terms with similar conceptual or functional definitions. The intent of this paper is to present the different descriptions of the various types of analytics being discussed in the academic and practitioner literature. Second, we propose a conceptual framework that depicts the types of analytics and their relationship to each other. Finally, we propose a synthesized set of definitions for analytics-related terms commonly found in academia.
View
Penetrating the Fog: Analytics in Learning and Education
Article
Full-text available
  • Jan 2011
Nell’era di Internet, delle tecnologie mobili e dell’istruzione aperta, la necessità di interventi per migliorare l’efficienza e la qualità dell’istruzione superiore è diventata pressante. I big data e il Learning Analytics possono contribuire a condurre questi interventi, e a ridisegnare il futuro dell’istruzione superiore. Basare le decisioni su dati e sulle evidenze empiriche sembra incredibilmente ovvio. Tuttavia, l’istruzione superiore, un campo che raccoglie una quantità enorme di dati sui propri “clienti”, è stata tradizionalmente inefficiente nell’utilizzo dei dati, spesso operando con notevole ritardo nell’analizzarli, pur essendo questi immediatamente disponibili. In questo articolo, viene evidenziato il valore delle tecniche di analisi dei dati per l’istruzione superiore, e presentato un modello di sviluppo per i dati legati all’apprendimento. Ovviamente, l’apprendimento è un fenomeno complesso, e la sua descrizione attraverso strumenti di analisi non è semplice; pertanto, l’articolo presenta anche le principali problematiche etiche e pedagogiche connesse all’utilizzo delle tecniche di analisi dei dati in ambito educativo. Cionondimeno, il Learning Analytics può penetrare la nebbia di incertezza che avvolge il futuro dell’istruzione superiore, e rendere più evidente come allocare le risorse, come sviluppare vantaggi competitivi e, soprattutto, come migliorare la qualità e il valore dell’esperienza di apprendimento.
View
Course signals at Purdue: Using learning analytics to increase student success
Article
Full-text available
  • Apr 2012
In this paper, an early intervention solution for collegiate faculty called Course Signals is discussed. Course Signals was developed to allow instructors the opportunity to employ the power of learner analytics to provide real-time feedback to a student. Course Signals relies not only on grades to predict students' performance, but also demographic characteristics, past academic history, and students' effort as measured by interaction with Blackboard Vista, Purdue's learning management system. The outcome is delivered to the students via a personalized email from the faculty member to each student, as well as a specific color on a stoplight -- traffic signal -- to indicate how each student is doing. The system itself is explained in detail, along with retention and performance outcomes realized since its implementation. In addition, faculty and student perceptions will be shared.
View
Student success system: risk analytics and data visualization using ensembles of predictive models
Article
Full-text available
  • Apr 2012
We propose a novel design of a Student Success System (S3), a holistic analytical system for identifying and treating at-risk students. S3 synthesizes several strands of risk analytics: the use of predictive models to identify academically at-risk students, the creation of data visualizations for reaching diagnostic insights, and the application of a case-based approach for managing interventions. Such a system poses numerous design, implementation, and research challenges. In this paper we discuss a core research challenge for designing early warning systems such as S3. We then propose our approach for meeting that challenge. A practical implementation of an student risk early warning system, utilizing predictive models, must meet two design criteria: a) the methodology for generating predictive models must be flexible to allow generalization from one context to another; b) the underlying mechanism of prediction should be easily interpretable by practitioners whose end goal is to design meaningful interventions on behalf of students. Our proposed solution applies an ensemble method for predictive modeling using a strategy of decomposition. Decomposition provides a flexible technique for generating and generalizing predictive models across different contexts. Decomposition into interpretable semantic units, when coupled with data visualizations and case management tools, allows practitioners, such as instructors and advisors, to build a bridge between prediction and intervention.
View
The student activity meter for awareness and self-reflection
Article
Full-text available
  • May 2012
Visualization of user actions can be used in Technology Enhanced Learning to increase awareness for learners and teachers and to support self-reflection. In this paper, we present our Student Activity Meter that visualizes learner actions. We present four design iterations and results of both quantitative and qualitative evaluation studies in real-world settings that assess the usability, use and usefulness of different visualizations. Results indicate that our tool is useful for a variety of teacher and learner needs, including awareness of time spent and resource use. Tools like SAM can also be deployed in other settings that require awareness and self-reflection, e.g. in personal informatics and health monitoring, where motivated users will value the flexible mechanisms to analyze trending data.
View
Learning Analytics: Definitions, Processes and Potential
Article
  • Jan 2011
Recently, interest in how this data can be used to improve teaching and learning has also seen unprecedented growth and the emergence of the field of learning analytics. In other fields, analytics tools already enable the statistical evaluation of rich data sources and the identification of patterns within the data. These patterns are then used to better predict future events and make informed decisions aimed at improving outcomes (Educause, 2010). This paper reviews the literature related to this emerging field and seeks to define learning analytics, its processes, and its potential to advance teaching and learning in online education.
View
View