Content uploaded by Manuel Oellers
Author content
All content in this area was uploaded by Manuel Oellers on Mar 20, 2024
Content may be subject to copyright.
Kompendium
Didaktische Metadaten
2
Präambel
Die Spur der Metadaten lässt sich bis in die Antike und die Bibliothek von Alexandria
zurückverfolgen (Kennedy, 2008). Es ist daher nicht verwunderlich, dass in der
Vergangenheit bereits viele Facetten von Metadaten in verschiedenen Disziplinen
betrachtet wurden. Meist sind diese Informationen fragmentarisch verstreut, sodass eine
Einordnung in das Themenfeld der Bildungsmetadaten nur schwerlich möglich ist.
Gleichzeitig sind Metadaten aus modernen Bildungsinfrastrukturen nicht mehr
wegzudenken. Besonders für Menschen, die sich mit diesem Thema beginnen zu
beschäftigen, ist es herausfordernd, die relevanten Informationen zu finden und
miteinander zu verknüpfen. Aber auch nach jahrelanger Erfahrung mit dem Thema kommt
häufig der Wunsch auf, Themen nachzuschlagen oder auch aktualisieren zu können. Diese
Lücke möchte dieses Kompendium schließen. Es versteht sich als Quellensynthese, die sich
am freien Charakter von Open Content und Open Education orientiert. OER (Open
Educational Resources) werden daher mit entsprechender Kennzeichnung
wiederverwendet und gleichermaßen zur Wiederverwendung verfügbar gemacht. Eine
Nachnutzung ist ausdrücklich erwünscht, sodass dieses Kompendium unter der Open-
Access-Lizenz Creative Commons – BY 4.0 erscheint.
Zitationsempfehlung
Oellers, M., Rörtgen S. (2024). Kompendium: Didaktische Metadaten.
https://doi.org/10.5281/zenodo.10828758
Die geäußerten Ansichten und Meinungen sind ausschließlich die der Autoren
und spiegeln nicht unbedingt die Ansichten der Europäischen Union oder der
Europäischen Kommission wider. Weder die Europäische Union noch die
Europäische Kommission können für sie verantwortlich gemacht werden.
Keywords: didaktische Metadaten, pädagogische Metadaten, Bildungsmetadaten,
pedagogical metadata, didactical metadata, educational metadata, eLearning, E-
Learning-Standards, Metadatenstandards, metadata standards
“Kompendium: Didaktische Metadaten” © 2024 by
Oellers, Manuel; Rörtgen, Steffen is licensed under
Creative Commons Attribution 4.0 International (CC-BY 4.0).
Excluded from the license are any logos used and all elements marked otherwise. Font family: Noto (SIL Open Font License).
Inhaltsverzeichnis
1 Ziele und Struktur des Kompendiums ......................................................................... 5
1.1 An wen richtet sich das Kompendium? ..........................................................................................5
1.2 Wie ist das Kompendium entstanden? ..........................................................................................5
1.3 Wie ist das Kompendium strukturiert? ..........................................................................................5
1.4 Ausgangslage und Ziele ...................................................................................................................6
2 Inhaltliche Grundlagen: Was sind Metadaten und Standards? ............................... 7
2.1 Was sind Metadaten? ........................................................................................................................7
2.2 Wozu werden Metadaten genutzt?.................................................................................................9
2.3 Was sind Typen von Metadaten? ................................................................................................. 10
2.4 Welche Funktionen und Vorteile haben Metadaten? ................................................................ 13
2.5 Was sind Metadatenstandards? ................................................................................................... 14
2.6 Wozu werden Metadatenstandards benötigt? .......................................................................... 18
2.7 Welche Qualitätskriterien sind für Metadaten relevant? ......................................................... 20
2.8 Wie werden Standards gewartet und entwickelt? ..................................................................... 24
3 Technische Grundlagen: Wie gelingt ein vernetzter Bildungsraum?.................... 27
3.1 Welche Metadatenstandards gibt es? ......................................................................................... 27
3.1.1 Standards für Inhalte ............................................................................................................................... 27
3.1.2 Standards für Kurse und Lernangebote ............................................................................................... 33
3.1.3 Standards für Credentials ....................................................................................................................... 35
3.1.4 Standards für die Distribution von Content ......................................................................................... 37
3.1.5 Standards für Nutzende .......................................................................................................................... 40
3.1.6 Standards für Tests und Quizze ............................................................................................................. 42
3.1.7 Standards für Toolintegrationen ........................................................................................................... 43
3.2 Was sind Linked Data und das Resource Description Framework? ........................................ 44
3.3 Was sind Vokabulare? .................................................................................................................... 48
3.3.1 Standards für Vokabulare ....................................................................................................................... 51
3.3.2 Veröffentlichung von Vokabularen mit SKOS ....................................................................................... 52
3.3.3 Vokabulare zur Filterung von Suchergebnissen .................................................................................. 54
3.4 Woher stammen Metadaten? ....................................................................................................... 56
3.5 Wie gelingt der Datenaustausch in einer vernetzten Bildungslandschaft? .......................... 57
3.6 Wie werden Metadaten ausgetauscht? - Der ETL-Prozess ....................................................... 60
4 Didaktische Metadaten................................................................................................ 63
4.1 Was sind didaktische Metadaten? ............................................................................................... 63
4.2 Didaktische Metadatenfelder - Welche gibt es schon? ............................................................. 66
4.2.1 Fach- und Themenzuordnung ................................................................................................................ 66
4.2.2 Lernvoraussetzungen, Lernziele und Lernkontrollen ......................................................................... 69
4.2.3 Niveaustufe ............................................................................................................................................... 79
4.2.4 Zielgruppen ............................................................................................................................................... 95
4
4.2.5 Didaktische Kontextualisierung (Settings und Szenarien) ................................................................. 99
4.2.6 Praxiserfahrungen ................................................................................................................................. 103
4.2.7 Ressourcentyp, Medientyp ................................................................................................................... 104
4.2.8 Zugänglichkeit und Barrierearmut ...................................................................................................... 109
4.2.9 Lehr-/Lernform (Interaktivitätstyp) ..................................................................................................... 114
4.2.10 Lehrformat, Veranstaltungsformat, Lehrmodus ............................................................................. 119
4.2.11 Qualitätsattribute ................................................................................................................................. 121
4.2.12 (Typische) Lerndauer ........................................................................................................................... 128
4.2.13 Technische Voraussetzungen ............................................................................................................. 130
4.2.14 Didaktische Relationen ........................................................................................................................ 132
4.2.15 Granularität ........................................................................................................................................... 133
4.3 Weitere didaktische Metadatenfelder ....................................................................................... 134
4.3.1 Lernphasen, Unterrichtsphasen, Unterrichtsschritte ....................................................................... 135
4.3.2 Lehr-/Lernaktivitäten, Unterrichtsaktivitäten..................................................................................... 135
4.3.3 Lehr-/Lernmethoden ............................................................................................................................. 136
4.3.4 Lernorte, Lernräume ............................................................................................................................. 137
4.3.5 Lerntypen, Lernstile ............................................................................................................................... 139
4.3.6 Einsatzkontext und -voraussetzungen ................................................................................................ 140
4.3.7 Individualisierung und Personalisierung ............................................................................................ 145
4.3.8 Gruppengröße, Klassengröße .............................................................................................................. 146
4.4 Diskussion: Heterogenität didaktischer Metadaten und Kontexte ....................................... 146
5 Anwendungsfälle didaktischer Metadaten ............................................................. 152
5.1 Buddy-Finder: Ich will mich vernetzen! ..................................................................................... 152
5.2 Persönliche Lernpfade: Wie geht es jetzt weiter? ................................................................... 155
5.2.1 Bildungsreise: Was ist ein Lernpfad? .................................................................................................. 155
5.2.2 Linear, adaptiv oder Empfehlungssystem – Wo liegen Herausforderungen für Lernpfade? ...... 156
5.2.4 Wie kann ein Lernpfad angepasst werden? ....................................................................................... 160
5.2.5 Warum gibt es überhaupt verschiedene Lernwege? ........................................................................ 161
5.2.6 Didaktische Metadaten zur Bereitstellung von Lernpfaden ............................................................ 162
5.2.7 Lebenszyklen von Ressourcen und Lernpfaden ................................................................................ 163
5.2.8 Tools, Services und Projekte rund um Lernpfade .............................................................................. 164
5.3 Suchen und Finden: Wie kann ich das finden, was ich suche? .............................................. 164
5.3.1 Relevantes Material finden: Filtern, Kompetenzorientierung und Wallet ...................................... 165
5.3.2 Nutzung des sozialen Graphen zum Ranking und Filtern ................................................................ 165
5.3.4 Explorative, semantische Suchen ......................................................................................................... 167
5.4 Lernumgebungen: Diagnostik und Förderung ........................................................................ 168
6 Zusammenfassung und Ausblick .............................................................................. 171
7 Über die Autoren ........................................................................................................ 174
8 Danksagungen ............................................................................................................ 174
9 Literaturverzeichnis ................................................................................................... 175
10 Anlagen ...................................................................................................................... 197
5
1 Ziele und Struktur des Kompendiums
1.1 An wen richtet sich das Kompendium?
Wann immer Daten über die eigene Plattform hinaus ausgetauscht werden sollen,
müssen die Rahmenbedingungen festgelegt werden, unter denen dieser Austausch
erfolgreich zustande kommen kann. Beim Datenaustausch spielen Metadaten eine
besondere Rolle. Um nützliche Bildungsservices anbieten zu können, sind gerade im
Bildungsbereich didaktische Metadaten besonders relevant. Trotz der allgemein
anerkannten Relevanz finden sich jedoch wenige bis gar keine Übersichten zu diesem
Thema. Das vorliegende Kompendium möchte diese Lücke schließen, indem es einen
Einblick in das Thema gewährt, weiterführende Informationen präsentiert und damit als
Nachschlagewerk einen Ausgangspunkt für zukünftige Entwicklungen bietet. Es richtet
sich daher an Entscheider*innen, Fachexpert*innen, Entwickler*innen und alle
interessierten Personen, die einen thematischen Überblick über Metadaten- und E-
Learning-Standards sowie didaktische Metadaten und Metadaten mit didaktischer
Funktion gewinnen möchten.
1.2 Wie ist das Kompendium entstanden?
Gemeinsam mit dem Verein “Deutscher Akademischer Austauschdienst” (DAAD)
wurden im Kontext des Forschungs- und Entwicklungsprojekts “BIRD | Bildungsraum
Digital” die relevanten Themen und Schwerpunkte für dieses Kompendium erarbeitet.
Das Projekt wird im Rahmen der Initiative Digitale Bildung vom BMBF gefördert (FKZ
16NB008). Bei der Auswahl der Themen und Schwerpunkte wurde darauf geachtet, dass
die Inhalte auch für andere Vernetzungsinitiativen im Bildungsbereich relevant sind und
interessierten Personen einen Mehrwert und Einstieg in das Thema bieten. Bei der
Zusammenstellung wurden verschiedene Veröffentlichungen einbezogen,
insbesondere aus den Projekten JOINTLY.info, Open Edu Hub / WirLernenOnline,
ComeIn, sowie Gruppen der DINI-AG-KIM (u.a. OER-Metadatengruppe) und der
Vernetzungsinitiative der Stiftung Innovation in der Hochschullehre.
1.3 Wie ist das Kompendium strukturiert?
Was sind eigentlich Metadaten und Standards? Diese Frage wird zu Beginn des
Kompendiums beantwortet. Danach werden technische Grundlagen beschrieben, die
sich mit der Bereitstellung von Metadaten, dem Datenaustausch, aber auch der
Generierung von Metadaten befassen. Im Anschluss werden didaktische Metadaten
adressiert. Nach einer Einführung und Erläuterung der Herausforderungen zum Thema
folgt eine Übersicht über Metadatenfelder und deren Verwendung. Es werden
Anwendungsfälle didaktischer Metadaten beschrieben, die aufzeigen, welche Szenarien
mit didaktischen Attributen und Wertelisten adressiert werden können und an welchen
Stellen noch Forschungsbedarf besteht.
6
1.4 Ausgangslage und Ziele
Individuelle Bildungsreisen und Lebenslanges Lernen
Lernprozesse begleiten unser Leben fortwährend, auch weit über zeitliche und
räumliche Grenzen des regulären Bildungssystems hinaus. Dabei gewinnen digitale
Lernprozesse zunehmend an Relevanz. Vor dem Hintergrund des “Lebenslangen
Lernens” (Europäische Kommission, 2002, S. 17) ist es leicht verständlich, dass Lernende
beim Wechsel zwischen den zahlreichen Stationen ihres Bildungsweges auf
verschiedene Herausforderungen stoßen. Daraus ergibt sich eine wesentliche Frage:
Wie können bestehende digitale Bildungsplattformen effizient miteinander vernetzt
werden, um die individuellen Bildungsreisen für Lernende nahtlos erfahrbar zu machen
und fortwährende Transformationsprozesse im Bildungssystem nachhaltig zu
gestalten? Dabei stehen die Bildungsreise der Lernenden (Learners Journey), die
Gestaltung von Lernerfahrungen sowie individuelle Lernwege (Learning Journey,
Learning Paths) im Mittelpunkt des Interesses der Transformationsprozesse.
Hand in Hand: Vernetzung verteilter Bildungsinfrastrukturen
Die Etablierung von verteilten Bildungsplattformen als cloudbasierte Dienste sowie die
Bereitstellung nützlicher Microservices bleibt ein anhaltender Trend zur Digitalisierung
der Bildungslandschaft. Dies erfordert zugleich einen stärkeren Fokus auf die
Interoperabilität und Skalierbarkeit verteilter Systeme, um eine hohe und nachhaltige
Verfügbarkeit der Infrastruktur zu gewährleisten, damit Transformationsprozesse im
Bildungssystems erfolgreich begleitet werden. Dafür sind die Bereitstellung und der
Austausch von Metadaten zwischen diesen Systemen essenziell. Metadaten sind dabei
omnipräsent und ein wesentlicher Bestandteil im digitalen Raum, um Interaktionen und
Prozesse zu unterstützen.
In diesem Kompendium liegt daher insbesondere der Fokus auf Metadaten digitaler
Objekte im Kontext von Lehr-/Lernumgebungen und Lehr-/Lernprozessen. Ziel ist es,
die didaktischen Aspekte dieser Objekte in Metadaten näher zu betrachten, die im
Kontext der individuellen Bildungsreisen von Lernenden im Zusammenspiel eines
vernetzten Bildungsraumes entstehen. Bildungsressourcen sind dabei Objekte, die in
Bildungskontexten und damit einhergehenden Lehr-/Lernprozessen verwendet
werden, um bei zweckmäßiger Nutzung bestimmte Lernziele oder eine Förderung von
Kompetenzen zu erreichen (Anido et al., 2002, S. 359; Sutton, 2004, S. 142–147).
7
2 Inhaltliche Grundlagen: Was sind Metadaten und
Standards?
🏅
Lernziele des Kapitels
Sie kennen …
● … Grundlagen und Funktionen von Metadaten
● … Charakteristiken von Metadatenstandards
● … Vorteile von offenen Standards im öffentlichen Raum
2.1 Was sind Metadaten?
Metadaten sind strukturierte Informationen über andere Daten in einem beliebigen
Format (Baca, 1998, S. 1; Caplan, 2003, S. 1–3; Gilliland, 2016), die sich durch die
Möglichkeit zur maschinellen Verarbeitung, einschließlich der kontextuellen
Interpretierbarkeit, auszeichnen (Caplan, 2003, S. 2). Neben der Nützlichkeit für
Menschen ist ein entscheidendes Kriterium von Metadaten dabei gemäß dem World
Wide Web Consortium (W3C) die Verständlichkeit von Metadaten für Maschinen, die
durch eine wohldefinierte Struktur und Semantik erreicht werden kann (Berners-Lee,
1997; Swick, 2001). So gewährleisten strukturierte Metadaten die Möglichkeit zur
unmittelbaren maschinellen Verarbeitung, die keine zusätzlichen semantischen
Analyseverfahren (z. B. Text Mining) benötigt (Barker & Campbell, 2010). Metadaten
müssen dafür mit einem dokumentierten Schema eines Metadatenstandards
übereinstimmen (Caplan, 2003, S. 3), welches sodann als übergeordnetes Regelwerk
fungiert, um Metadaten mit einem gemeinsamen Verständnis nutzbar zu machen
(Arnold et al., 2003, S. 379). Grundsätzlich lassen sich folgende Begrifflichkeiten im
Kontext von Metadatenschemata unterscheiden:
● Metadatenfelder
1
(definierte Eigenschaften oder Charakteristiken des Objekts)
● Werte (inhaltliche Ausprägung eines Metadatenfeldes)
● Wertebereich (kontrolliertes Vokabular)
Metadaten können daher auch als informative Aussagen
2
über Ressourcen verstanden
werden (Pomerantz, 2015, S. 26). Formale Repräsentationen solcher Aussagen werden
in den technischen Grundlagen erläutert. Beispiel einer Aussage über ein konkretes
Lernmaterial als Ressource als Tripel (Subjekt, Prädikat, Objekt):
Ressource (Subjekt) Metadatenfeld (Prädikat) Wert (Objekt)
{Erklärvideo} {erstellt von} {Person}
1
Zum Teil auch als Element, Attribut, Term, Prädikat oder Property bezeichnet.
2
Aussagen über Metadaten werden auch als Metadaten-Statements bezeichnet.
8
Metadatensatz
Ein Metadatensatz ist die Bündelung einzelner Metadaten für das betreffende Objekt.
Distinkte, konzeptionell unterscheidbare Objekte sollten dabei jeweils einen eigenen,
separaten Metadatensatz besitzen (1:1-Prinzip) (Pomerantz, 2015, S. 55; Steven, 2010),
während Relationen mögliche Verwandtschaften zwischen Objekten kennzeichnen
können. Das Prinzip wird in der Praxis aus verschiedenen Gründen nicht immer erfüllt
(Steven, 2010). Einzelnen Objekten können dabei auch mehrere Metadatensätze
zugewiesen werden, zum Beispiel basierend auf verschiedenen Metadatenschemata.
Weiterhin werden im Rahmen einer KI- oder crowd-basierten Metadatenannotierung
verschiedene Verfahren mit multiplen Metadatensätzen zu Objekten erprobt. Die
Herausforderung für Dienste, die Metadatensätze über verschiedene Plattformen
hinweg aggregieren, besteht darin, dass durch die Distribution von Objekten in
verschiedene Systeme mehrere Metadatensätze zu den Objekten vorliegen können, die
untereinander inkonsistent sein können. Dies kann zu einer unerwünschten
Mehrdeutigkeit der Metadaten führen (vgl. Kapitel zur Datenqualität).
Metadatenschema
Ein Metadatenschema definiert sowohl die Elemente von Objekten als auch deren
Zusammenhänge. Es liefert damit einen prototypischen Rahmen, wie und welche
Aussagen über Objekte formuliert werden können (Pomerantz, 2015, S. 28). Dabei
beschränkt ein kontrolliertes Vokabular als Wertebereich die Werte, die in den jeweiligen
Aussagen über ein Objekt verwendet werden können, und standardisiert somit die
inhaltlichen Aspekte der Aussagen. Anforderungen, die in einem Metadatenschema
definiert werden können:
● Verpflichtung (z. B. fakultative oder obligatorische Metadatenfelder)
● Wiederholbarkeit (z. B. mehrfache Verwendung von Metadatenfeldern)
● Formatvorgabe und Kodierungsschema (z. B. Syntax von Ort-/Datumsangaben)
● Kontrolliertes Vokabular (z. B. vorgegebene Werte für Metadatenfelder)
Durch die einheitliche Verwendung von Metadatenschemata können Metadaten aus
unterschiedlichen Quellen aggregiert und indexiert werden, ohne dass komplizierte
Mappings zwischen Wertebereichen und Metadatenfeldern erforderlich sind (Barker &
Campbell, 2010; Wu et al., 2023), die im ETL-Prozess andernfalls häufig zu einem
Informationsverlust führen würden. Damit ein Metadatenschema Anforderungen an
Interoperabilität erfüllen kann, sind verschiedene Eigenschaften wünschenswert:
Erweiterbarkeit, Flexibilität, Modularität, Ausführlichkeit, Hinlänglichkeit, Einfachheit
sowie Unterstützung des Datenaustauschs, Datenabrufs, der Datenarchivierung und
Datenveröffentlichung (Wu et al., 2023). Metadatenschemata sind häufig zunächst recht
generisch gehalten, um eine breite Anwendbarkeit zu erzielen. Konkretisierungen und
Erweiterungen erfolgen dann in Metadatenprofilen.
9
Beispiele für Metadatenschemata:
● DublinCore Terms (DCMI Metadata Terms)
● Schema.org
● OERSchema
● DataCite Metadata Schema
● ARIADNE
Metadatenprofile
Während Metadatenschemata häufig allgemeiner gehalten sind, um eine breite
Verwendbarkeit zu gewährleisten, ermöglichen Metadatenprofile
3
anwendungs- oder
domänenspezifische Konkretisierungen und Erweiterungen zu standardisieren oder
Schemata miteinander zu kombinieren (Haynes, 2018, S. 170; Najjar et al., 2004). In
einem Metadatenprofil werden Metadatenfelder selektiert, syntaktisch und semantisch
definiert (DINI & ELAN, 2005) sowie Wertebereiche spezifiziert. Im Vergleich dazu
enthalten Metadatenschemata häufig keine Vorgaben für Werte. Aufgrund des eher
allgemeinen Charakters der Metadatenschemata werden Standards daher häufig erst
über konkrete Ausprägungen in Metadatenprofilen angewendet (Menzel, 2023). Welche
kontrollierten Vokabulare zu verwenden und wie einzelne Werte daraus zu
interpretieren sind, sollte dabei von spezialisierten Communitys gemeinschaftlich
festgelegt werden (Robson, 2001, S. 216).
Beispiele für Metadatenprofile:
● ELIXIER (Metadatenprofil, Suchmaschinen-Dienst)
● Allgemeines Metadatenprofil für Bildungsressourcen (AMB)
2.2 Wozu werden Metadaten genutzt?
Eine ganzheitliche Konzeptualisierung von Metadaten geht über Beschreibungen hinaus
(Baca, 1998). Metadaten werden seit jeher zu unterschiedlichen Zwecken verwendet,
beispielsweise um Objekte zu identifizieren, zu beschreiben oder zu dokumentieren, wie
und wofür das Objekt verwendet wird und in welchen Beziehungen es mit anderen
Objekten steht (Baca, 1998; Riley, 2017). Über Metadaten werden somit Inhalt, Format,
Zweck und Struktur der referenzierten Daten erfasst (Al-Khalifa & Davis, 2006).
Metadaten tragen dazu bei, die Authentizität und den Kontext von Inhalten zu prüfen
und eine verbesserte Abrufbarkeit der referenzierten Daten zu gewährleisten (Baca,
1998, S. 2). Die Zuweisung von Metadaten zu Objekten erleichtert somit die Organisation,
Verwaltung und Auffindbarkeit von Ressourcen (Al-Khalifa & Davis, 2006). Sie helfen bei
der effizienten Kategorisierung, Sortierung, Identifikation und Suche von Daten (Duval,
2001a, S. 591f). Damit Objekte kontextualisiert und besser nachnutzbar werden, sind
detaillierte und umfangreiche Metadaten nützlich (Ziedorn et al., 2013, S. 8). Metadaten
3
auch als Anwendungsprofil oder Applikationsprofil (Application profile) bezeichnet.
10
ermöglichen es, insbesondere komplexe Objekte in einer einfacheren und
zugänglicheren Form zu repräsentieren (Stumpp, 2003, S. 148). Auf diese Weise kann ein
verständlicher Zugang für komplexe Ressourcen angeboten werden, wie für
audiovisuelle Inhalte (z. B. 360° Videos, VR), Simulationen, 3D-Modelle und vieles mehr.
2.3 Was sind Typen von Metadaten?
Obwohl in der Forschung weitere (Sub-)Typen von Metadaten identifiziert wurden,
lassen sich im Wesentlichen drei Typen von Metadaten unterscheiden: Deskriptive
Metadaten, Administrative Metadaten und Strukturelle Metadaten (Riley, 2017).
Deskriptive Metadaten
Deskriptive Metadaten werden zur Beschreibung oder Identifikation von Ressourcen
genutzt (Baca, 1998, S. 3) und sind für die Dokumentation und die Nachnutzung durch
Dritte hilfreich, da sie inhaltliche Aspekte der Ressource repräsentieren (Gilliland, 2016).
Sie unterstützen die Identifikation und Auffindbarkeit relevanter Ressourcen
(Pomerantz, 2015; Riley, 2017, S. 1; Rühle, 2012, S. 2), sowie die Darstellung der
Ressourcen, beispielsweise als Suchergebnis. Ebenso können Nutzende anhand
deskriptiver Metadaten prüfen, ob die jeweilige Ressource für den geplanten
Einsatzzweck geeignet ist, was eine erwünschte Nachnutzung begünstigt. Auch
Nutzungs- und Interaktionsmetadaten zu digitalen Objekten können den deskriptiven
Metadaten zugeordnet werden. Diese Metriken bieten wertvolle Indikatoren, die als
Evaluation von den Ressourcenersteller*innen herangezogen werden und darüber
hinaus auch Nachnutzenden implizite Eindrücke zur Popularität und Qualität von
Ressourcen vermitteln können. Deskriptive Metadaten sind für komplexere oder
multimediale Ressourcentypen unerlässlich, da diese nicht ohne Weiteres erschlossen
werden können (Steiner, 2018). Auf diese Weise abstrahieren Metadaten systematisch
die Komplexität dieser Ressourcen (Steiner, 2018). Durch den Einsatz künstlicher
Intelligenz kann die vereinfachte Erschließung von Metadaten perspektivisch gelingen
und optimiert werden, beispielsweise durch eine automatische Transkription von
audiovisuellen Medien, um deren Inhalte für eine textbasierte Suche zugänglich zu
machen (z. B. mittels Whisper, SpeechBrain), wie auch im TIB AV-Portal (Blogpost).
Beispiele:
● Bibliografische Angaben (Titel, Autoren, Schlagwörter, …)
● Inhaltliche Angaben (Thema, Sprache(n), …)
● Formale Eigenschaften (Abspieldauer, …)
● Qualität des Objekts (Rezensionen, skalenbasierte Evaluation, …)
● Informationen zu Modalitäten der Nachnutzung (didaktische Hinweise, …)
● Metriken zur Interaktion und Nutzung des Objekts (Zugriffe, Downloads, Anzahl der
Einbettungen, …), auch als Indikatoren für die Popularität von Objekten oder deren
Evaluation genutzt
11
Administrative Metadaten
Administrative Metadaten werden zur Organisation und Verwaltung von Ressourcen
verwendet (Baca, 1998, S. 3; Caplan, 2003, S. 151; Gilliland, 2016; Riley, 2017, S. 1), um
sicherzustellen, dass diese auch nachhaltig verfügbar bleiben und effektiv genutzt
werden können. Zu dieser Kategorie gehören etwa Metadaten über anderweitige
Metadaten (Meta-Metadaten), wie die Kennzeichnung der Metadaten-Provenienz, der
Lizenzierung der Quelldaten, Zeit- und Ortsangaben als Bestandteil des Lebenszyklus
der Ressource, oder auch assoziierte Personen im Kontext der Erstellung sowie
Bereitstellung der Metadaten. Somit ermöglichen administrative Metadaten eine
Kontextualisierung von Ressourcen (Gilliland, 2016) und tragen damit zur Transparenz
des Entstehungsprozesses bei, was das Vertrauen in die Ressourcen stärken und die
Nachnutzung fördern kann. Zu diesem Metadatentyp zählen hier als Untergruppen auch
die technischen Metadaten sowie Metadaten zur Unterstützung von Prozessen zur
Aufbewahrung von Objekten (preservation metadata), die teils auch als eigener Typ
differenziert werden (Caplan, 2003, S. 153–157; Pomerantz, 2015).
Beispiele:
● Provenienz/Herkunft (Data Lineage, Vertrauenswürdigkeit, Nutzbarkeit, …)
● Rechte (Zugriffsberechtigung, Urheberrechte, Nutzungsrechte, …)
● Lebenszyklus des Objekts (Data Lifecycle, Entwicklungsstadium, …)
● Entstehungs-, Bearbeitungs- und Verbreitungsgeschichte (Verwendete Software, Forks,
Derivate, Versionierung, …)
● Rechtliche Dokumentation (Erwerb, Lizenzierung, …)
● Technische Metadaten (Format, Größe, Kodierung, …)
● Qualität der Metadaten (Validität, Reliabilität, …)
Strukturelle Metadaten
Strukturelle Metadaten können sowohl Zusammenhänge zwischen verschiedenen
Ressourcen (horizontale Struktur) als auch interne strukturelle Informationen zur
Ressource selbst (vertikale Struktur, bspw. Kapitelmarken, siehe Beispiel unten)
ausdrücken (Gilliland, 2016). Teilweise werden strukturelle Metadaten den
administrativen Metadaten untergeordnet (Pomerantz, 2015). Im Bildungsumfeld sind
die strukturellen Informationen zwischen und innerhalb von Ressourcen jedoch häufig
essenziell und werden daher explizit abgegrenzt. Die Realisierung von Linked Data-
Prinzipien erfordert ebenfalls eine entsprechende Abgrenzung und betrachtet
strukturelle Informationen als bedeutsam.
Beispiele:
● Vertikale Struktur: Abschnitte innerhalb einer Ressource (z. B. Kapitel in einem Video
oder Buch), Navigation oder Abfolge von Teilelementen innerhalb einer Ressource (z. B.
geordnete Seiten)
● Horizontale Struktur: Voraussetzungen, Abhängigkeiten und anderweitige
Zusammenhänge zwischen Ressourcen
12
Zusammenhänge zwischen Objekten
Objekte wie Bildungsressourcen, die durch Metadaten beschrieben werden, können in
assoziativen, hierarchischen oder heterarchischen Zusammenhängen stehen.
Assoziative Relationen zwischen Ressourcen drücken beispielsweise einen sach- oder
chronologischen Zusammenhang aus. Hierarchische Relationen bilden strukturelle
Zusammenhänge (bspw. “Teil von”-Beziehungen) ab. Heterarchische Beziehungen sind
etwa Netzwerke von nebengeordneten, unter Umständen gleichrangigen, Objekten.
Tabelle: Beispiele für Zusammenhänge zwischen Objekten
Typ
Ordnung
Exemplarische Verwendungszwecke
Assoziativ
Vor- /
Nachgeordnet
Chronologische Reihenfolge von Objekten (z. B. Lehr-
/Lernpfade), Listenstrukturen (Vorgänger /
Nachfolger).
Inhaltlich
geordnet
Thematische Verwandtschaft von Objekten,
Sammlung von Objekten.
Hierarchisch
Über- /
Untergeordnet
Eltern- / Kindobjekte (z. B. generische und spezifische
Konzepte), Teilobjekte (“Teil von”-Beziehungen),
Baumstrukturen.
Heterarchisch
Nebengeordnet
Begleitende oder abhängige Objekte, gleichrangige
Beziehungen zwischen Entitäten mit verschiedenen
Rollen, Netzwerkstrukturen.
13
2.4 Welche Funktionen und Vorteile haben Metadaten?
Die Erfassung von Metadaten sollte immer im Hinblick auf ein bestimmtes
Nutzungsszenario erfolgen, damit bei der Beschreibung relevante Felder und Werte
berücksichtigt werden können. In Bezug auf Ressourcen erfüllen Metadaten vielfältige
Funktionen (Barker & Campbell, 2010; Gilliland, 2016; Haynes, 2018, S. 9–13; Menzel,
2023; Riley, 2017, S. 1), darunter:
● Identifikation und Lokalisierung von Ressourcen (Resource Discovery), unter anderem
auch eine kriterienorientierte Auffindbarkeit von Ressourcen (Suche, Filter, Sortierung)
● Darstellung qualitativer und relevanter Suchergebnisse
● Zusammenführung vergleichbarer Ressourcen
● Austauschbarkeit von Ressourcen, beispielsweise zwischen Repositorien
● Unterscheidbarkeit verschiedener Ressourcen
● Erschließung komplexer und multimedialer Ressourcentypen
● Integration und Nachnutzung von Daten
● Verwaltung, Dokumentation und Archivierung von Ressourcen
● Transparenz des Entstehungsprozesses
● Prüfung der Eignung von Ressourcen für anvisierte Einsatzzwecke
● Qualitätsindikatoren
Durch eine Schema-konforme Verwendung von Metadaten entsteht ein weitläufiges
Netzwerk an Informationen, das eine wichtige Grundlage zur Entwicklung und
Bereitstellung digitaler Dienste bildet. Diese Dienste realisieren vielfältige
Nutzungsszenarien und können den adressierten Akteuren einen Mehrwert bieten,
indem Metadaten auf verschiedenen Abstraktionsebenen genutzt und zugänglich
gemacht werden. Damit kann ein funktionales Angebot mit facettenreichen
Perspektiven durch und auf Metadaten bereitgestellt werden.
Metadaten ermöglichen nützliche Dienste, wie:
● Repositorien für Bildungsressourcen und deren Distribution für eine effektive
Nachnutzung in Lernmanagementsystemen, didaktischen Werkzeuge, Materialien usw.
● Spezialisierte (Meta-)Suchmaschinen (Referatorien, Metaportale, …), um relevante
Bildungsressourcen basierend auf (didaktischen) Metadaten auffindbar zu machen
● Automatische Qualitätsprüfung von Bildungsressourcen zur Verbesserung der
Auffindbarkeit und Zugänglichkeit
● Personalisierte Empfehlungen für die Aus- und Fortbildung (bedürfnisorientierte
Vorschlagssysteme)
● Adaptive Lehr-/Lernpfade, intelligente Tutoring-Systeme (ITS) und Ressourcen, die
Metadaten aus pädagogischen Kontexten verwenden, um individuelle und
personalisierte Lernerfahrungen zu schaffen
● Lernportfolios und Lerndiagnostik, welche didaktische Metadaten aus Lernumgebungen
verwendet (Learning Analytics)
14
💡
Zusammenfassung
● Verschiedene Abstraktionsebenen von Metadaten sind erforderlich, um
Mehrwerte von Metadaten für verschiedene Akteure zu schaffen.
● Es gibt unterschiedliche Kategorien von Metadaten, die jeweils vielfältige
Perspektiven in der Nachnutzung besitzen.
2.5 Was sind Metadatenstandards?
🏅
Lernziele des Kapitels
Sie kennen …
● … unterschiedliche Standards und deren Unterscheidungsmerkmale
● … verschiedene Arten der Erarbeitung von Standards
Ein Metadatenstandard stellt ein Regelwerk dar, aufgrund dessen ein gemeinsames
Verständnis vom Umgang mit Metadaten gewährleistet werden kann, beispielsweise für
bestimmte Anwendungen oder in bestimmten Kontexten. Diese Vereinbarungen
umfassen einheitliche Regeln zur syntaktischen und semantischen Interpretation von
Daten. Die Entwicklung eines Standards kann dabei sowohl top down als auch bottom up
erfolgen und involviert meist die Expertise von Fachkreisen. Ein Metadatenschema ist
eine spezifische anwendungs- oder domänenspezifische Implementierung eines
Metadatenstandards. Standards helfen, Anforderungen an Produkte und Prozesse
sicherzustellen.
Grafik: "Standards" von Randall Munroe, lizenziert unter CC-BY-NC 2.5
Form und Validierung von Standards
Die Form von Standards entspricht in der Regel einem formalisierten Dokument, das die
korrekte Implementierung des jeweiligen Standards beschreibt. Bisweilen werden auch
Möglichkeiten zum Testen der korrekten Implementierung sowie Möglichkeiten zur
15
Akkreditierung durch die veröffentlichende Institution gegeben.
4
Pawlowski (2001) stellt
folgende Anforderungen an Standards auf (Pawlowski, 2001, S. 90f):
● Rekombinierbarkeit
● Rekontextualisierung
● Interoperabilität
● Adaptierbarkeit
● Flexibilität
● Einfachheit
● Wirtschaftlichkeit
Typen von Standards
Die genannten Anforderungen werden bei der Erarbeitung von Standards
berücksichtigt. Grundsätzlich lassen sich nach Reichow et al. (2021) sieben verschiedene
Typen von Standards unterscheiden:
● Gesetze und Verordnungen
● Normen
● Spezifikationen
● Gremienstandards
● Industriestandards
● Herstellerstandards
● Leitlinien, Checklisten und Empfehlungen
Typ: Gesetze und Verordnungen (Reichow et al., 2021)
Gesetze und Verordnungen schreiben als formale Standards verbindlich vor, wie ein
bestimmter Bereich zu regeln ist. Im Gegensatz zu Verordnungen durchlaufen Gesetze
ein formelles Gesetzgebungsverfahren. Auf EU-Ebene gibt es zwei Formen von
Gesetzen: die EU-Verordnungen und Richtlinien. Verordnungen sind verbindliche
Rechtsakte, die alle EU-Länder in vollem Umfang umsetzen müssen. Im Gegensatz zu
EU-Verordnungen sind EU-Richtlinien nicht unmittelbar wirksam und verbindlich,
sondern sie müssen durch nationale Rechtsakte umgesetzt werden, um wirksam zu
werden.
Beispiele: Gesetze des Bundestags oder Verordnungen der EU
Merkmale:
● staatlich autorisiert
● durchlaufen einen formalisierten Prozess
● breite öffentliche Beteiligung im Prozess
● hohe Verbindlichkeit (de jure oder de facto)
4
Das Allgemeines Metadatenprofil für Bildungsressourcen (AMB) bietet beispielsweise JSON
Schema an, um die Angaben zu validieren. 1EdTech ermöglicht, eigene LTI Implementierungen
zertifizieren zu lassen.
16
Typ: Norm (Reichow et al., 2021)
Eine Norm ist ein öffentlich einsehbares Dokument, welches konsensuelle
Anforderungen an Produkte, Dienstleistungen oder Verfahren festlegt (DIN EN
45020:2007-03; DIN 820). Normen dienen dabei als Referenz zur Etablierung eines
transparenten und einheitlichen Verständnisses von Regeln, Leitlinien oder Merkmalen
für die Anwendung von allen beteiligten Partien (CEN/SS F20 Qualitätssicherung, 2007).
Normen und Spezifikationen werden im Rahmen eines institutionellen
Standardisierungsprozesses entwickelt. Den Ausgangspunkt einer Norm bildet ein
sogenannter Normungsantrag, den jede Person stellen kann. Anschließend wird der
Bedarf in der entsprechenden Branche geprüft. Bei einer positiven Prüfung entsteht die
Norm innerhalb eines Ausschusses mit beteiligten Interessengruppen im
Konsensprinzip. Der entstandene Entwurf wird anschließend der Öffentlichkeit zur
Kommentierung vorgelegt und erneut überarbeitet. In regelmäßigen Zeitabständen
wird die Norm überprüft.
Beispiele: DIN, European Commitee for Standardization (CEN) / Information Society
Standardisation System (ISSS), ISO
Merkmale:
● Normungsinstitutionen sind staatlich autorisiert
● Formalisierter Prozess
● Beteiligung der Öffentlichkeit
● Verbindlichkeit, wenn sich in einem Vertrag auf die Verwendung der Norm geeinigt wird
Typ: Spezifikation (Reichow et al., 2021)
Eine Spezifikation wird ähnlich einer Norm erstellt, jedoch ist der Prozess kürzer,
erfordert weniger Abstimmung und es ist kein Konsens zwischen den Beteiligten nötig.
Das Ziel ist die schnelle Entwicklung einer Lösung, um Innovationen auf den Markt zu
bringen. Die Spezifikation kann später als Grundlage für eine Norm dienen. Gelegentlich
wird der Begriff “Spezifikation” auch weniger strikt verwendet, um so die Ergebnisse
nicht-offizieller Standardisierungsgremien (s.u. “Gremienstandards”) zu bezeichnen
(Stracke, 2007, S. 2–3).
Merkmale:
● staatlich autorisiert (falls DIN-Spezifikation o.ä.)
● formalisierter Prozess
Typ: Gremienstandard (1EdTech/IMS, IEEE, W3C) (Reichow et al., 2021)
Gremienstandards werden in nicht-staatlich autorisierten Institutionen entwickelt. Diese
Gremien etablieren jedoch in der Regel selbst formalisierte Prozesse, in denen die
Entwicklung eines Standards geregelt wird. Die Mitarbeit in diesen Gremien ist
17
unterschiedlich geregelt. Einige verlangen Mitgliedsbeiträge, um bei der Entwicklung
mitwirken zu dürfen (z. B. 1EdTech, IEEE), andere stehen allen Interessierten offen (z. B.
DCMI, W3C). Standards des IEEE müssen bisweilen auch käuflich erworben werden,
während andere Standards nach der Veröffentlichung frei zugänglich sind (1EdTech,
W3C). Gremienstandards können als Grundlage einer späteren Norm dienen, wie die
Web Content Accessibility Guidelines (WCAG) des W3C. Während Akteure auf
übergeordneten Ebenen möglichst allgemeingültige Lösungen realisieren und somit
generische Rahmenbedingungen und -strukturen empfehlen, arbeiten Einrichtungen
und Projekte darauf aufbauend domänenspezifische Applikationsprofile aus, um
spezifischere Bedürfnisse oder Anforderungen an Softwarelösungen zu realisieren.
Beispiele: W3C, 1EdTech, IEEE, DCMI, DINI-AG-KIM
Merkmale:
● formalisierter Prozess
● Beteiligung der Öffentlichkeit
Typ: Industriestandard (Reichow et al., 2021)
Industriestandards sind Standards, die durch die Einigung mehrerer Hersteller
entstehen. Diese Standards können später in Gremien oder auch bei
Normungsinstituten als Grundlage für weitere Standardisierungsbestrebungen dienen.
Beispiele für Industriestandards: PDF, DVD
Merkmale:
● Verbindlichkeit (bei Einigung mehrerer Hersteller)
Typ: Herstellerstandard (Reichow et al., 2021)
Im Gegensatz zu Industriestandards werden Herstellerstandards nur durch einen
Hersteller gesetzt. Sie erhalten Ihre Geltung durch die Marktmacht und den Einfluss des
Herstellers.
Beispiele: MacOS (Apple) oder Windows (Microsoft) als Betriebssysteme
Merkmale:
● Verbindlichkeit bei entsprechender Marktstellung eines Unternehmens
Typ: Leitlinien, Checklisten und Empfehlungen (Reichow et al., 2021)
Wenn keine Standards vorliegen, werden bisweilen Leitlinien, Checklisten oder
Empfehlungen verwendet. Diese können als Grundlage für eine spätere
Standardisierung dienen und bieten eine erste Orientierungsgrundlage.
18
💡
Zusammenfassung
● Es lassen sich sieben verschiedene Arten von Standards unterscheiden:
○ Gesetze und Verordnungen
○ Normen
○ Spezifikationen
○ Gremienstandards
○ Industriestandards
○ Herstellerstandards
○ Leitlinien, Checklisten und Empfehlungen
● Die Unterscheidung liegt hauptsächlich in der Art der Erarbeitung sowie der
Autorität, die sie durch die erarbeitenden Gremien und Institute gewinnen.
2.6 Wozu werden Metadatenstandards benötigt?
Die Erfassung und Verbreitung von Ressourcen, beispielsweise über webbasierte
Repositorien, erfordert die Entwicklung und Etablierung von Metadatenstandards,
insbesondere im erwünschten Austausch von Metadaten über Grenzen einzelner
Plattformen hinweg. Die bislang unzureichende Verwendung einheitlicher Schemata
hemmt die Integration von Ressourcen in übergeordnete systemische Strukturen, wie
Referatorien oder Metaportale (Dietze et al., 2013; Steiner, 2018), die eine
Orientierungsfunktion innehaben.
Metadatenstandards ermöglichen den Austausch von Daten, um eine zukünftige
Nutzbarkeit von Ressourcen zu gewährleisten (Haynes, 2018, S. 49). Ohne solche
Standards wäre die Suche nach Ressourcen nur sehr eingeschränkt möglich, sodass
beispielsweise Lehr-/Lernangebote kaum auffindbar und schwer zugänglich blieben
(Wannemacher et al., 2023). Die Bereitstellung zentraler Sucheinstiege (Arndt et al.,
2023, S. 13) mittels geeigneter infrastruktureller Maßnahmen (Deutscher
Bildungsserver, 2016; Heinen, Richard et al., 2020) verbessert die bedarfsoptimierte
Auffindbarkeit.
Besonders in verteilten Systemen können Metadatenstandards dazu beitragen, die
Vielzahl der recht heterogen repräsentierten Inhalte zu harmonisieren
5
. Die Vernetzung
von Portalen mittels Metadatenstandards und kontrollierten Vokabularen stellt daher
weiterhin eine zentrale Herausforderung dar (Dietze et al., 2013; Wannemacher et al.,
2023). Insbesondere empfiehlt es sich, bestehende Vokabulare wiederzuverwenden, um
so eine Interoperabilität
6
der Daten zu gewährleisten (Heath & Bizer, 2011).
Erst standardisierte Metadatenstrukturen ermöglichen eine zuverlässige Verarbeitung
und Wiederverwendung von Daten (Heath & Bizer, 2011). Ein wesentlicher Nutzen
5
Zum Teil wird der Prozess der Harmonisierung auch als Normalisierung bezeichnet.
6
Interoperabilität bezeichnet die Eigenschaft, Daten mit möglichst minimalem Verlust
auszutauschen (Riley, 2017, S. 2) (vgl. Kapitel zum Datenaustausch).
19
dokumentierter Metadatenstandards ist die Möglichkeit, Konventionen und Intentionen
an Nachnutzende zu kommunizieren, um die Konsistenz von Metadaten zu erhöhen
(Haynes, 2018, S. 49f).
Gründe und Ziele für die Nutzung und Entwicklung von Metadatenstandards
Die Gründe für den Einsatz von Standards beziehen sich auf ihre kooperative und
entlastende Wirkung (Genschel, 1995 in Reichow et al., 2021). Elementare Bedürfnisse
von Nutzenden, Merkmale von Objekten im Vorhinein allgemein zu definieren sowie
Objekte in ihrem Lebenszyklus auszutauschen, führen zur Bildung von Standards. Eine
Notwendigkeit zur Entwicklung von Standards ergibt sich zudem aus dem Wunsch, die
wachsenden Datenbestände zu systematisieren sowie technologische Innovationen für
künftige Nutzungsszenarien zu realisieren. Daher steht bei der Entwicklung eines
Metadatenstandards vor allem auch die spätere Nachnutzung im Fokus. Insbesondere
sind dabei fünf Faktoren für eine weiträumige Etablierung und perspektivische Adaption
eines Standards entscheidend (Rogers, 1983):
(1) Relativer Vorteil: Ein Standard sollte einen Vorteil gegenüber bisherigen Lösungen bieten.
(2) Kompatibilität: Ein Standard sollte als konsistente Entwicklung auf bisherigen Lösungen
aufbauen und eine (Teil-)Kompatibilität herstellen.
(3) Komplexität: Ein Standard sollte leicht verständlich und handhabbar sein, die Komplexität
sollte möglichst gering sein.
(4) Testbarkeit: Ein Standard sollte für die Praxis zuvor erprobt werden können.
(5) Wahrnehmbarkeit: Die Auswirkungen der Verwendung eines Standards sollten ersichtlich
sein.
Die Standardisierung selbst kann dabei auf drei Arten erfolgen:
1. faktisch
2. institutionell
3. legislativ (Genschel, 1995, S. 32)
Der Einsatz von Standards zielt darauf ab, die Interoperabilität zu verbessern. Die
definierten Regeln eines Metadatenstandards erleichtern den Umgang mit Metadaten
in verschiedenen Bereichen, wie bei der Erfassung und dem plattformübergreifenden
Austausch. Die dadurch gewonnene Interoperabilität ermöglicht eine nahtlose
Nutzungserfahrung.
Verbindlichkeiten, die durch Standards resultieren, schaffen verlässliche Erwartungen
hinsichtlich der Datenqualität und erhöhen somit das Vertrauen in die Güte der
Informationen, insbesondere durch die Möglichkeit der Validierung, die durch ein
Schema erleichtert wird. Solche Metadatenschemata erlauben die Implementierung von
Regeln und Standards zur automatisierten Überprüfung der Validität.
20
Bei Institutionen und Projekten, die öffentlich finanziert sind, kann noch ein weiterer
Aspekt hinzutreten: Um der Forderung “Public Money, Public Code” der gleichnamigen
Kampagne gerecht zu werden, empfiehlt es sich, dass in öffentlich finanzierten
Projekten, soweit möglich, etablierte und offene Standards verwendet werden. Dies
ermöglicht eine Nachnutzung der verwendeten Infrastruktur(-komponenten), Daten
und Schnittstellen sowie eine nachhaltige Anschlussfähigkeit über die finanzierte
Projektlaufzeit hinaus (FSFE, 2024), wie Prototypen in der Vergangenheit bereits zeigen
konnten (Arndt et al., 2023; Oellers, 2023).
💡
Zusammenfassung
● Metadatenstandards fördern die Qualität, Konsistenz und Interoperabilität
von Daten und verbessern somit deren Nachnutzbarkeit
● Bei öffentlich-finanzierten Projekten sollte der Fokus auf Nachnutzbarkeit
besonders hoch sein, damit die Daten nach Projektende weiter genutzt
werden können
2.7 Welche Qualitätskriterien sind für Metadaten relevant?
❓
Fragestellung
● Was wird unter Datenqualität verstanden?
● Wie kann eine Wiederverwendbarkeit von Daten gewährleistet werden?
Limitierte Verfügbarkeit von Daten über Inhalte
Die Anzahl und Qualität von Suchergebnissen klassischer Suchmaschinen ist durch die
mangelnde Verfügbarkeit von Daten über die dort gelisteten Inhalte begrenzt. Die
Auswahl und Reihenfolge der gefundenen Ressourcen werden durch die Mechanismen
der Suchmaschinen beeinflusst (Cooper et al., 2020, S. 363), die für die Nutzenden oft
nicht transparent sind. Dazu zählt unter anderem die konkrete Funktionsweise der
Algorithmen zur Bewertung der einzelnen Metadaten der digitalen Ressourcen, die zu
der präsentierten Rangfolge führen. Auch im Kontext von Social-Media-Plattformen wird
diese Diskussion geführt, da Nutzer*innen keinen Einblick in Algorithmen haben, die
ihren Medienfeed bestimmen und sie daher häufig nicht wissen, aus welchen Gründen
einige Inhalte auftauchen oder gar nicht erst präsentiert werden. Durch diese Praktiken
können unausgewogene Filterblasen entstehen. Diese Diskussion lässt sich auf
Bildungssuchmaschinen übertragen. Obwohl Vorschlagssysteme vorteilhaft sind, sollte
die Entstehung von Filterblasen vermieden werden. Die Funktionsweise von klassischen
Suchmaschinen hat somit indirekt einen Einfluss auf die Qualität der Ausgestaltung von
Lehrplänen (Neutralität, Balance, Integrität) (Cooper et al., 2020), da Einflüsse auf die
Rangfolge der Suchergebnisse intransparent bleiben. Suchmaschinen mit einem
21
generischen Ansatz erschweren zudem die gezielte Suche nach verschiedenen Aspekten
von Lernressourcen und schränken damit die Auffindbarkeit geeigneter Ressourcen ein,
auch weil nur unzureichende Filtermöglichkeiten angeboten werden.
Präzise Metadaten sind essenziell, um qualitative Dienste bereitzustellen, darunter
Suchmaschinen oder Vorschlagssysteme (Tavakoli et al., 2020). Metadatenstandards
tragen dazu bei, Anforderungen an eine adäquate Datenqualität erfüllen zu können. Die
notwendigen Standardisierungen werden dabei häufig von Fachkreisen
gemeinschaftlich erarbeitet, um die Qualität, Konsistenz und Interoperabilität zu
gewährleisten (Gilliland, 2016).
Die Etablierung eines einheitlichen Metadatenschemas sichert eine Konsistenz der
Daten zwischen verschiedenen Ressourcen und Systemen, sodass diese kohärent,
widerspruchsfrei und plausibel erfassbar sind (Rohde et al., 2022; Wang & Strong, 1996).
Auf diese Weise wird ein nahtloser Austausch zwischen Systemen möglich. Die Nutzung
von Standards unterstützt daher zugleich das BSI-Schutzziel zur Wahrung der
Datenintegrität (Bundesamt für Sicherheit in der Informationstechnik, 2023).
Metadatenschemata tragen durch erleichterte Validierungsmöglichkeiten darüber
hinaus zur Korrektheit der Daten bei. Spezifikationen mit Fokus auf die Qualität der
Metadaten geben somit Auskunft über die erwartbare Genauigkeit, Zuverlässigkeit und
Vollständigkeit konformer Informationen. Die Einhaltung von Metadatenstandards ist
dabei ein Indikator für die Qualität der Ressourcen (Camilleri et al., 2014).
In der Regel werden dazu für Metadatenfelder verschiedene Anforderungen und
Einschränkungen definiert, beispielsweise hinsichtlich der erlaubten Wertebereiche.
Eine Vollständigkeit kann durch die Festlegung von Verbindlichkeiten im Schema
erreicht werden (z. B. Pflichtfelder), während die Konformität zum Schema die
Zuverlässigkeit erhöht, indem die Einhaltung der in einem Standard geforderten Regeln
sicherstellt.
In der Praxis können eine Vielzahl von Hürden hinsichtlich der Datenqualität auftreten.
Neben fehlenden und unvollständigen Daten können auch diejenigen Werte von
Metadatenfeldern zu Qualitätsproblemen führen (Fürber & Hepp, 2016, S. 23–30;
Haynes, 2018, S. 175), die …
● … ungültige Zeichen enthalten (z. B. unerwartete alphanumerische Zeichen)
● … das vorgegebene Format nicht erfüllen (z. B. das geforderte Datumsformat)
● … trotz einer definierten Verbindlichkeit fehlen (z. B. Pflichtfelder)
● … inkorrekt sind (z. B. ein falscher DOI)
● … als bedeutungslos hinsichtlich des Feldes zu betrachten sind (z. B. Platzhalter)
● … als veraltet gelten
● … über die intendierten Angaben des Feldes hinausweisen (z. B. weitere Informationen
enthalten, die jedoch zu anderen Metadatenfeldern gehören)
● … außerhalb des zulässigen Wertebereiches liegen (z. B. Vokabulare)
● … unpräzise sind (z. B. unerwartete Abkürzungen)
22
● … eine gewünschte Eindeutigkeit verletzen (z. B. falls der identische DOI mehrfach für
verschiedene Ressourcen verwendet wurde)
● … gegen Kardinalität verstoßen (z. B. falls ein Metadatenfeld mehrere Werte enthält,
jedoch nur ein Wert erwartet wird)
Anforderungen an Daten
Im Allgemeinen lässt sich Datenqualität in drei Arten unterscheiden:
1. Syntaktische Datenqualität (Form bzw. Struktur der Daten, z. B. Datenformate)
(Fürber & Hepp, 2016, S. 51; Rohde et al., 2022, S. 24–26)
Für Attributwerte können Beschränkungen für erlaubte Zeichen oder spezielle
Kodierungsvorgaben festgelegt werden, die erfüllt werden müssen, damit eine
syntaktische Datenqualität gewährleistet werden kann. So können bspw. internationale
Schreibweisen vereinheitlicht werden:
● Datumsformat gemäß ISO 8601 (JJJJ-MM-TT) (ISO)
● Abkürzung von Sprachen gemäß RFC 5646 (IETF, IANA)
2. Semantische Datenqualität (Inhalt und die Bedeutung der Daten) (Fürber &
Hepp, 2016, S. 51; Rohde et al., 2022, S. 24–26)
Vollständigkeit, Metadatenfelder können ungültige Werte enthalten.
3. Pragmatische Datenqualität (Eignung für Zwecke / Nutzbarkeit) (Fürber &
Hepp, 2016, S. 51; Rohde et al., 2022, S. 24–26)
Ebenso können Betroffenenrechte, beispielsweise das Recht zur Datenübertragbarkeit
gemäß Art. 20 EU-DSGVO, durch standardisierte Formate, Kodierungen und Regeln zur
Interpretation beim Export und Import von Metadaten gewahrt werden.
Welche Vorteile bietet die Nutzung von Qualitätsstandards?
Standardisierte Metadaten tragen zu einem reibungslosen Austausch von
Informationen zwischen Diensten bei und erhöhen damit die Wiederverwendbarkeit von
Ressourcen durch verschiedene Akteure und Akteurinnen und in anderen Kontexten.
Weitere Vorteile von Qualitätsstandards im E-Learning-Bereich finden sich unter
anderem bei Stracke (2006) (Stracke, 2006, S. 12).
Fünf-Sterne-Modell für die Qualität von Linked Data
Im Linked Data-Bereich gilt das Fünf-Sterne-Modell von Tim Berners-Lee als Referenz.
Das Mehrebenenmodell ist kumulativ angelegt, sodass ein größerer Qualitätsindex die
vorherigen Eigenschaften kleinerer Indizes als Voraussetzung beinhaltet (W3C, 2013).
Das Modell bietet eine Orientierung, wie Daten für eine optimale Kompatibilität zu
Linked Data-Prinzipien bereitgestellt werden sollten (vgl. Tabelle “Qualitätsstufen und
Eigenschaften von Linked Data”).
23
Tabelle: Qualitätsstufen und Eigenschaften von Linked Data
Qualitätsindex
Linked (Open) Data-Eigenschaften (W3C, 2013)
★ (1)
Die Daten werden in einem beliebigen Format (bspw. PDF, JPEG)
bereitgestellt. Bei Open Data zusätzlich mit einer freien Lizenz
(Rechteeinräumung)
★★ (2)
Die Daten werden in einem strukturierten, maschinenlesbaren Format
bereitgestellt (bspw. XML, JSON).
★★★ (3)
Die Daten werden in einem dokumentierten, nicht-proprietären Format
bereitgestellt (bspw. CSV).
★★★★(4)
Die Daten werden strukturiert in einer möglichen Serialisierung des
Resource Description Frameworks (RDF) bereitgestellt (bspw. Turtle, RDFa,
RDF/XML, RDF/JSON, JSON-LD, SPARQL).
★★★★★ (5)
Die Bezeichnungen innerhalb der RDF-Serialisierung stellen Links (HTTP
URIs) dar, unter welchen nützliche Informationen und Kontexte
standardisiert zum Abruf zur Verfügung stehen (RDF-Star).
FAIR-Prinzip für die Bereitstellung und den Austausch von Daten
Das FAIR-Prinzip dient der Verbesserung der Auffindbarkeit, Zugänglichkeit,
Interoperabilität und Wiederverwendbarkeit von Datenbeständen (Wilkinson et al.,
2016) (vgl. auch Tabelle “Indikatoren des FAIR-Prinzips” unten). In öffentlich
geförderten Projekten ist die Bereitstellung von Daten nach diesem Prinzip häufig eine
Förderbedingung, um die Nachnutzbarkeit in anderen Kontexten zu gewährleisten.
Basierend auf den Indikatoren des FAIR-Prinzips ermittelt das EU-Tool Metadata Quality
Assessment (MQA) eine Bewertung der Metadatenqualität.
Tabelle: Indikatoren des FAIR-Prinzips (Wilkinson et al., 2016)
FAIR-Prinzip
Beschreibung
Indikatoren
Auffindbarkeit (Findability)
Leichtigkeit, mit der Daten
gefunden werden können
- eindeutige, persistente
Identifikation mittels PID7 (z.
B. DOI, ISBN, ISSN, ORCID)
- Anreicherung mit
standardisierten Metadaten
und kontrollierten
Vokabularen
Zugänglichkeit (Accessibility)
Datenzugriff erfolgt mit
möglichst geringen Hürden
- Verwendung
standardisierter, offener
Schnittstellen und Protokolle
7
Persistent Identifier (PID) dienen der eindeutigen, persistenten Identifikation von Ressourcen.
24
Interoperabilität
(Interoperability)
Austausch von Daten mit
möglichst geringem
Informationsverlust zwischen
verschiedenen Systemen und
Strukturen
- Verwendung gemeinsamer
Semantik (kontrollierte
Vokabulare, Ontologien)
Wiederverwendbarkeit
(Reusability)
Möglichkeit der Weiter- /
Wiederverwendung von
Daten
- Freie Lizenzierung
- Dokumentation und
Kontextualisierung der Daten
(Provenienz)
💡
Zusammenfassung
● Drei Arten von Datenqualität können unterschieden werden:
○ Syntaktisch
○ Semantisch
○ Pragmatisch
● Die Verwendung von Metadatenschemata trägt zur Verbesserung der
Datenqualität bei und erleichtert die Wiederverwendbarkeit der Daten, da dort
die Anforderungen an die Daten genau beschrieben werden.
● Es liegen verschiedene nachnutzbare Qualitätsmetriken vor ( bspw. Fünf-
Sterne-Modell, FAIR).
2.8 Wie werden Standards gewartet und entwickelt?
In den vorangegangenen Abschnitten wurde deutlich, dass verschiedene Arten der
Standardisierung und verschiedene Arten von Standards existieren. Die faktische
Standardisierung erfolgt durch die Auswahl oder Erarbeitung eines Standards durch die
Marktteilnehmenden.
Bei der institutionellen Standardisierung organisieren Gremien (z. B. W3C, 1EdTech,
DublinCore, DINI-AG-KIM), Standardisierungsorganisationen (z.B. CEN/ISSS, ISO) oder
national anerkannte Normungsinstitute (z. B. DIN) die Entwicklung von Standards. Eine
legislative Standardisierung wird durch die Verabschiedung von Gesetzen oder
Verordnungen erreicht. Dabei ist zu beachten, dass die Arten von Standards ineinander
übergehen können. So kann ein Standard zunächst faktisch durch Marktteilnehmende
etabliert werden, an ein institutionelles Gremium übergeben und später unter
Umständen in Form eines Gesetzes verbindlich werden.
25
Mitwirkung bei der Standardisierung
Je nach Art der Standardisierung und des daraus resultierenden Standardtyps ist die
Mitwirkung an der Entwicklung eines Standards in unterschiedlichem Umfang möglich.
Die erfolgversprechendsten Beteiligungsmöglichkeiten für Institutionen, Projekte und
Personen im öffentlich-rechtlichen Raum liegen im Bereich der institutionell
entwickelten Standards, insbesondere in den Gremienstandards. Im Gegensatz zu
legislativen Standards, die von politischen Organen erstellt und umgesetzt werden, oder
faktischen Standards, die oft zunächst in geschlossenen Kreisen erarbeitet werden,
bieten Gremienstandards eine höhere Transparenz, größere Nachhaltigkeit und eine
niederschwellige Möglichkeit zur Mitarbeit.
1EdTech (ehemals IMS Global) bietet die entwickelten Standards öffentlich und
kostenlos an, die Mitwirkung ist jedoch nur für Mitglieder möglich, die Jahresbeiträge
zahlen müssen, was für zeitlich begrenzte Projekte oft nicht finanzierbar ist. Anders stellt
sich die Situation in Gremien wie dem W3C, der DCMI, dem Projekt Common Education
Data Standards (CEDS) oder der OER-Metadatengruppe der DINI-AG-KIM dar. Diese
offenen Gremien ermöglichen die Mitarbeit und Beteiligungsmöglichkeiten ohne
Mitgliedsbeiträge. Dennoch haben auch ihre veröffentlichten Standards, die einem
formalisierten Prozess folgen, eine hohe Autorität und Qualität (vgl. bspw. StöberSpecs
für die OER-Metadatengruppe und Curricula-Gruppe der DINI-AG-KIM). Durch die
Einbindung der Öffentlichkeit ist die Entwicklung transparent gestaltet (KIM, 2024) und
lässt eine hohe Akzeptanz und Adaptionsrate erwarten, da viele Akteure und
Perspektiven bereits im Entwicklungsprozess eingebunden wurden. In geförderten
Projekten empfiehlt sich die Mitarbeit in entsprechend offen gestalteten Gruppen, da
einerseits oft keine Mittel für die Mitarbeit in Standardisierungsgremien zur Verfügung
stehen und andererseits so sichergestellt wird, dass die erarbeiteten Standards nach
Projektende der Öffentlichkeit zur Verfügung gestellt werden. Darüber hinaus sind
Synergieeffekte zu erwarten, wenn Expertisen gebündelt werden.
Referenzen zu Arbeitsgruppen
● Liste der ADL Working Groups
● Liste der W3C Working Groups
● Liste der DCMI/LRMI Working Groups
● Liste der IEEE Standards Commitee und Working Groups, ehemalige Working Groups
● Liste der Fach-/Arbeitsgruppen des Standardisierungsausschuss (STA)
● Liste der DINI-AG-KIM Gruppen
● P92741.1 xAPI Work Group, xAPI Cohort
26
Erwünschte Eigenschaften eines Metadatenstandards:
● Simplizität, Verständlichkeit: ein Standard sollte für Menschen und Maschinen
verständlich sein und eine automatisierte Verarbeitung ermöglichen
● Eindeutigkeit und geteilte Semantik: gemeinsames Verständnis von Elementen des
Standards, beispielsweise durch wohldefinierte Bedeutungen, Definitionen und
Anmerkungen
● Flexibilität, Erweiterbarkeit: Anwendbarkeit des Standards für verschiedene
Ressourcentypen und in verschiedenen Kontexten, hinreichend Freiräume für die
Nutzung (z. B. wenn möglich, optionale Felder, Ermöglichung einer Wiederholung und
beliebige Reihenfolge von Feldern)
● Konformität, Interoperabilität: Förderung der Zusammenarbeit und Integration
● Kompatibilität, Anschlussfähigkeit (national, international): Unterstützung von
Migrationen oder Kompatibilität zwischen Standards auf verschiedenen Ebenen
💡
Zusammenfassung
● Die Mitwirkungsmöglichkeiten mancher Gremien zur Erarbeitung von
Standards im Bildungsbereich sind bisweilen mit hohen Mitgliedsgebühren
verbunden.
● Da diese Gebühren von laufzeitbegrenzten Projekten oft nicht bezahlt werden
können, empfiehlt sich eine Mitarbeit in offener gestalteten Gremien wie LRMI,
DCMI (international) oder KIM-Arbeitsgruppen (national), die ebenfalls
Autorität besitzen und formalisierten, dokumentierten Prozessen folgen.
27
3 Technische Grundlagen: Wie gelingt ein vernetzter Bildungsraum?
Wenn Daten in einem vernetzten Bildungsraum ausgetauscht werden sollen, müssen
technisch zwei Grundbedingungen erfüllt werden:
● Verwendung von Standards, um die Daten korrekt verarbeiten zu können
● Schnittstellen, über die der Datenaustausch erfolgen kann
Zunächst werden in diesem Kapitel Metadatenstandards für verschiedene Objekttypen
vorgestellt. Dabei zeigt sich, dass verschiedene aktuelle Standards (z. B. Europass,
Learning Metadata, Learning Resource Metadata Initiative) auf semantische
Technologien setzen, wie dem Resource Description Framework (RDF) und dem Simple
Knowledge Organization Systems (SKOS)
8
. Diese Technologien werden daher in einem
eigenen Abschnitt vorgestellt. Anschließend folgen die Themen Interoperabilität und
Schnittstellen.
3.1 Welche Metadatenstandards gibt es?
Eine der ersten Fragen, die sich bei der Beschäftigung mit Metadatenstandards häufig
stellt, ist die Suche nach einem Überblick über bereits vorhandene und etablierte
Standards. An dieser Stelle
9
werden daher aktuelle und relevante Standards für die
folgenden Objekttypen vorgestellt: Lerninhalte, Lernangebote und Kurse, Credentials,
Content-Distribution, Nutzende, Tests/Quizze sowie Toolintegrationen. Standards
umfassen hierbei Datenmodelle (konzeptuelle und inhaltliche Standards,
etwa die Modellierung einer Domäne), Serialisierungen (strukturierte Datenformate)
sowie Protokolle (Datenaustausch). Eine Liste von Standards, Schemata und Profilen
findet sich darüber hinaus beispielsweise im Katalog der Metadatenstandards, im Digital
Curation Centre, unter FAIRsharing.org.
3.1.1 Standards für Inhalte
Lernmaterialien sind einzelne Objekte, die in digitaler oder nicht-digitaler Form
vorliegen und zum Lernen verwendet werden können. Metadatenstandards, die solche
Objekte beschreiben, bieten Attribute, um das Material zu beschreiben, etwa in Bezug
auf den Fachbereich, die Zielgruppe und weiterer Kategorien. Zudem können diese
Standards ebenfalls Lehr-/Lernprozesse beschreiben.
8
Einführung in SKOS (DINI-AG KIM), Repo
9
Teilweise sind die Informationen zu Standards bereits von Steffen Rörtgen in Wikis
veröffentlicht worden (OER Contentbuffet, OEde). Für die Darstellung in diesem Kompendium
wurden die Informationen durch die Autoren aktualisiert und an einigen Stellen erweitert.
28
Standards:
● Dublin Core metadata terms (ISO 15836-1:2017/-2:2019, RFC 5013, ANSI/NISO Z39.85)
● Learning Resource Metadata Innovation (LRMI) (DCMI, 2024)
● Metadata for learning resources (ISO/IEC 19788-1)
● Information and documentation - Records management (ISO 15489-1:2016)
● Educational Modeling Language (EML), speziell: EML-OU (Archiv) (Giesbers et al., 2007;
Koper, 2001)
● (IMS) Learning Resource Meta-data Specification (1EdTech)
● (IMS) Learning Design (1EdTech)
● Learning Object Metadata (LOM)
10
(IEEE, 2020a)
● Learning Metadata (LMT) (IEEE, 2024)
Dublin Core Metadata Terms (DCMI Terms)
● Gremienstandard
● Aktuelle Version: Dublin Core metadata terms
● Veröffentlichung: 2020-01-20
● Herausgeber: Dublin Core Metadata Initiative
Das ältere Dublin Core Metadata Element Set (DCMES) sowie die neuere Fassung DCMI
Metadata Terms (DCMI Terms) wurden zur Beschreibung und Verbesserung der
Auffindbarkeit von webbasierten Ressourcen entwickelt. Die Elemente werden jedoch
auch als Grundlage für Metadaten in anderen Domänen, beispielsweise von
Bibliotheken, verwendet (Haynes, 2018, S. 51f). Der Namensraum enthält generische
Attribute, die eine breite Anwendung, auch über die Auszeichnung von Lernmaterialien
hinaus, ermöglichen.
Learning Resource Metadata Innovation (LRMI)
● Gremienstandard
● Aktuelle Version: LRMI Terms (RDF) 2020-11-12
● Veröffentlichung aktueller Version: 2020-11-12
● Herausgeber: Dublin Core Metadata Initiative
Der Learning Resource Metadata Innovation Standard (kurz LRMI) wird von der LRMI
Task Group im Rahmen der Dublin Core Metadaten Initiative entwickelt, gepflegt und
weiterentwickelt. Die Gruppe trifft sich monatlich, um aktuelle Entwicklungen und
Themen zu diskutieren, gemeinsam Vokabulare zu entwickeln und aufkommende
Belange zu erörtern. Die Treffen finden öffentlich statt und können ohne vorherige
Anmeldung besucht werden. Zusätzlich gibt es eine Mailingliste, über die Informationen
zu und zwischen den Treffen versendet werden.
10
wird vom IEEE mittlerweile als veraltet angesehen (IEEE, 2020b). Für eine ähnliche
Einschätzung, siehe auch: INVITE-Projekt (Goertz et al., 2023, S. 7).
29
LRMI modelliert Klassen (z. B. Lernressourcen) und Attribute (z. B. Eigenschaften von
Lernressourcen) unter Verwendung von RDF, dem Resource Description Framework.
Werte, die Attributen zugeordnet werden, modelliert LRMI in SKOS.
11
Die LRMI Task
Group verfolgt das Ziel, alle genutzten Attribute und Klassen in schema.org zu
integrieren. Schema.org ist eine Lösung zur Bereitstellung semantischer
Auszeichnungen von Webinhalten, die eine Darstellung von Suchergebnissen und
Auffindbarkeit von Inhalten verbessern. Damit wird gewährleistet, dass die verwendeten
Elemente auch von Suchmaschinen “verstanden” und als maschinenlesbare Mikrodaten
in Webseiten eingebettet werden können. Mikrodaten sind Teil eines Verfahrens des
WHATWG
12
HTML-Standards zur Einbettung kleiner, maschinenlesbarer
Informationseinheiten (Key-Value-Pairs) als strukturierte Metadaten auf Webseiten zur
semantischen Annotation von Inhalten der Webseite über Markup, z. B. im Mikroformat
oder mittels schema.org-Mikrodaten. Die Vokabulare von schema.org werden als
Mikrodaten und in verschiedenen anderen Formaten bereitgestellt, wie RDFa oder JSON-
LD. Das Vokabular ist möglichst generisch gehalten, um allgemeine Daten zu
beschreiben, sodass konkrete Anwendungsfälle eher in Applikationsprofilen
ausgearbeitet werden.
Applikationsprofile
Auch der LRMI-Standard erlaubt das Erstellen von Applikationsprofilen. Im
deutschsprachigen Raum ist hier etwa das “Allgemeine Metadatenprofil für
Bildungsressourcen” (AMB) zu nennen, das ebenfalls von der OER-Metadatengruppe
der DINI-AG-KIM entwickelt und gepflegt wird:
Allgemeines Metadatenprofil für Bildungsressourcen (Git-Repo, Eintrag im Metadaten-
Standards-Katalog): Dieses Profil verwendet einige Attribute, für die ein Eintrag aus
einer kontrollierten Werteliste verlangt wird. Entsprechende Vokabulare werden
ebenfalls von dieser Gruppe gepflegt und veröffentlicht.
Educational Modeling Language (EML)
Diverse Sprachen zur Modellierung von Bildungsmaterialien und pädagogische
Szenarien können als EML klassifiziert werden (Martinez-Ortiz et al., 2007; Stumpp, 2003,
S. 151–153). Sie gründen zumeist auf dem generischen Metamodell EML-OU der Open
University of the Netherlands (OU). Dieses dient der pädagogischen Modellierung von
Lernumgebungen, indem die Einbettung von Ressourcen (Lernobjekten) in didaktische
Kontexte beschrieben wird (Baumgartner et al., 2002, S. 7).
11
siehe Abschnitt “Technische Grundlagen” für Details zu RDF und SKOS.
12
Die Web Hypertext Application Technology Working Group (WHATWG) ist eine Community zur
Entwicklung webbasierter Standards.
30
Das Modell besteht aus Lehr-/Lerntheorien, dem Modell für Lernende (Interaktionen in
Lernsituationen), Inhalts-/Anwendungsdomänen sowie einer Modularisierung der
Lerneinheiten. Es formalisiert Bestandteile von Lernprozessen, wie Lernaktivitäten,
Rollen, Inhalte und Methodik. Auf diese Weise werden pädagogische Szenarien
modelliert.
(IMS) Learning Design (1EdTech)
Das Learning Design-Framework dient der Beschreibung von Lehr-/Lernprozessen,
basierend auf der pädagogisch-didaktischen Modellierungssprache “Educational
Modelling Language” (EML) (Stracke, 2007, S. 14), für welche theoretische Fundierungen
entwickelt wurden (Dalziel et al., 2016), die jedoch bislang keine Weiterentwicklung des
Standards mit sich brachten.
Verwandt: Didaktische Entwurfsmuster (Kohls & Wedekind, 2008; Rensing, 2013) (vgl.
auch PatternPool), prozessorientierte didaktisch-methodische Szenarien (Vorlagen),
Best Practice (methodische Strukturen)
Learning Object Metadata (LOM)
● Gremienstandard
● Aktuelle Version: 1484.12.1-2020 - IEEE Standard for Learning Object Metadata
● Veröffentlichung aktueller Version: 2020
● Herausgeber: IEEE
Ziel des Standards ist die Beschreibung von Ressourcen, die für die Lehre und zum
Lernen verwendet werden. Dieser Standard wurde vom Standard-Komitee des Institute
of Electrical and Electronics Engineers (IEEE) entwickelt. Der Standard ist nicht offen über
IEEE zu beziehen, es wird ein entsprechendes Abonnement benötigt. Allerdings dürfen
von dem Standard auch Applikationsprofile erstellt und frei veröffentlicht werden.
Applikationsprofile dürfen, um Kompatibilität mit LOM-Core zu gewährleisten, Attribute
hinzufügen, optionale Attribute verpflichtend erklären, aber nie Pflichtattribute optional
erklären. International findet sich eine nicht abgeschlossene Liste von
Applikationsprofilen, wie auch das Educational Metadata Profile (EMP) (Solomou et al.,
2015). Im deutschsprachigen Raum wurde im Kontext des deutschen Bildungsservers
und ELIXIER das LOM-DE Profil (Archiv) entwickelt, welches jedoch nicht in einer
finalisierten Fassung veröffentlicht wurde (Menzel, 2023, S. 265) und dessen praktische
Verwendung und Verbreitung weitestgehend unbekannt ist.
Im deutschsprachigen Raum sind zwei Applikationsprofile von besonderer Bedeutung:
● LOM-CH: Das Schweizer Applikationsprofil von LOM. LOM-CH hat insbesondere Attribute
hinzugefügt, um die Verknüpfung mit sprachregionalen und stufenspezifischen
Lehrplänen zu ermöglichen.
31
● LOM for Higher Education OER Repositories: Applikationsprofil, welches im Rahmen der
OER-Metadatengruppe der DINI-AG-KIM entwickelt wurde. Dieses Profil wird von
verschiedenen Hochschulen in Deutschland für den Datenaustausch zwischen
Repositorien verwendet. Dieses Applikationsprofil fordert bei bestimmten Attributen,
bspw. zur Angabe des “learningresourcetype”, definierte Werte aus einem mit SKOS-
modellierten Vokabular “Hochschulcampus Ressourcentypen”.
Der Austausch zwischen Systemen auf LOM-Basis erfolgt meist durch das Protokoll OAI-
PMH.
Während einerseits die große Komplexität von LOM kritisiert wird (Barker & Campbell,
2010; Neumann, 2013), konstatiert Pawlowski (2001), dass dem Standard sogar
wesentliche didaktische Attribute für die Praxis fehlen, unter anderem die
Kennzeichnung der Eignung von Ressourcen für konkrete didaktische Methoden,
pädagogische Planungsdetails (Kommunikationsstruktur, Evaluation, …). (Pawlowski,
2001, S. 107) oder Auskünfte über didaktisch-methodische Entscheidungen (Arnold et
al., 2003, S. 382). Aus dieser Perspektive fokussiert LOM somit eher auf die konkreten
Inhalte und nicht auf die Methoden oder zugrundeliegenden didaktischen Prinzipien.
Hinweis: Das 1EdTech Konsortium (ehemals IMS Global) hat maßgeblich bei der
Entwicklung von LOM mitgewirkt und tut dies weiterhin. Dabei gab es zwischenzeitlich
Abweichungen in Version 1.2 der IMS Version. Diese Abweichungen wurden inzwischen
wieder beseitigt.
Learning Metadata (LMT)
● Gremienstandard
● Aktueller Draft: https://opensource.ieee.org/lmt/lmt
● Veröffentlichung aktueller Version: 2020
● Herausgeber: IEEE
Die P2881 Working Group ist bei IEEE mit der Entwicklung eines Nachfolgers von LOM
befasst. LOM wird trotz seiner allgemeinen Bekanntheit und Verbreitung vom IEEE als
veraltet eingeschätzt (IEEE, 2020b). Das INVITE-Projekt kommt diesbezüglich zu einer
ähnlichen Einschätzung (Goertz et al., 2023, S. 7). Besonders die in LOM verwendeten
Taxonomien werden als veraltet angesehen. Ferner sind inzwischen neue
Metadatenkonzepte erarbeitet worden, die in dem nachfolgenden Standard
berücksichtigt werden sollten (IEEE, 2020b). Die Arbeitsgruppe hat Ende 2023 einen
ersten Entwurf zur öffentlichen Kommentierung bereitgestellt. Darin zeigt sich, dass nun
ebenfalls RDF als grundlegendes Datenmodell verwendet wird. Außerdem ist das Set an
Attributen deutlich reduziert worden, wobei viele Attribute von LRMI und schema.org
nachgenutzt werden.
32
Communitys of Practice werden ermutigt, eigene Applikationsprofile zu erstellen und das
Basisschema zu erweitern. Eine bedeutsame Erweiterung besteht außerdem darin, dass
auch die Beschreibung von Learning Events mit dem Standard möglich ist, das im
Zusammenhang mit einer Lernaktivität oder -erfahrung steht. Ein solches Lernereignis
ist flüchtig (ephermal) und besitzt derzeit in der Entwurfsversion ein Start- und Enddatum
sowie eine Dauer. Solche Lernereignisse werden in anderen Kontexten mit
umfangreichen Metadaten versehen (vgl. Learning Analytics und Standards wie xAPI,
cmi5, 1EdTech Caliper Analytics), die darüber hinaus relevante didaktische Funktionen
für Lehrende und Lernende innehaben.
Insgesamt folgt diese Entwicklung dem Trend, Metadatenstandards auf dem RDF-
Datenmodell aufzubauen, was kürzlich auch bei der Überarbeitung des Europass-
Schemas beobachtet werden konnte (s. u.).
Exkurs: Bibliotheksbereich
Im Bibliotheksbereich werden unter anderem Machine-Readable Cataloging 21 (MARC
21), Encoded Archival Description (EAD), Metadata Object Description Schema (MODS),
Metadata Authority Description Standard (MADS), Metadata Encoding and Transmission
Standard (METS), Preservation Metadata: Implementation Strategies (PREMIS),
Publishing Requirements for Industry Standard Metadata (PRISM), Online Information
exchange (ONIX), BIBFRAME, IFLA Library Reference Model (LRM), Resource Description
and Access (RDA) oder Bib Extend (W3C, schema.org) als Standards und Datenmodelle
verwendet (Haynes, 2018, S. 54–62). So stellt die Deutsche Nationalbibliothek Daten
unter einer Creative Commons Zero Lizenz in verschiedenen Exportformaten und
Serialisierungen über diverse Bezugswegse (z. B. OAI-PMH) bereit, darunter als: MARC
21, RDF/XML, RDF/JSON-LD, RDF/Turtle, HDT, N-Triples, CSV, DNB Casual; MODS-xml,
PDF, PicaPlus/XML (DNB, 2023).
Beispiel für kontrollierte Vokabulare: Liste der Library of Congress.
Zusammenfassung und Ausblick
Während LOM eine breite Anwendung erfährt, ist zu beobachten, dass sich zunehmend
Standards durchsetzen (oder entwickelt werden), die eine adäquatere semantische
Repräsentation von Strukturen ermöglichen, beispielsweise indem auf dem RDF-
Datenmodell aufgebaut wird. Dies erlaubt die Implementierung von Technologien, die
Inferenzen zwischen den Strukturen bilden, bspw. Semantic Reasoner.
Beispiele für Metadatenprofile im Kontext von Repositorien zur Beschreibung und
Austausch von digitalen Lehr- und Lernressource (vgl. Tabelle “LOM-basierte Profile”
und Tabelle “LRMI-basierte Profile, kompatibel zu Linked (Open) Data”).
33
Tabelle: LOM-basierte Profile
Bezeichnung
Kontext
Referenzen
LOM-CH (Archiv)
Verschiedene
Bildungsbereiche
EUN
LOM for Higher Education (HS-OER-LOM)
(Repo)
Hochschule
XML, XSD
LOM-EAF (Archiv)
Medienzentren
XML, XSD
ELAN (DINI & ELAN, 2005) (Archiv)
Hochschule
Z39.50, OAI-PMH, XML
Tabelle: LRMI-basierte Profile, kompatibel zu Linked (Open) Data
Bezeichnung
Kontext
Referenzen
Allgemeines Metadatenprofil für
Bildungsressourcen (AMB) (Repo)
Verschiedene
Bildungsbereiche
schema.org, SKOS,
JSON-Schema, JSON-LD
Learning Metadata (LMT) (Repo)
Verschiedene
Bildungsbereiche
LRMI, schema.org,
SKOS
3.1.2 Standards für Kurse und Lernangebote
Bildungsangebote sind strukturierte und thematisch fokussierte Lerngelegenheiten. Sie
können sowohl ein bestimmtes Start- und Enddatum besitzen, als auch von
Nutzer*innen selbst zu beliebigen Zeitpunkten bearbeitet werden. Oft bestehen sie aus
einer Vielzahl an Materialien, wie Videos, Handouts oder Arbeitsblättern, die in einer
bestimmten Reihenfolge zu bearbeiten sind. Die Teilnahme an Bildungsangeboten kann
mit einem Zertifikat (Credential) ausgezeichnet werden.
Standards:
● MOOCHub
● Europass Learning Model (ELM)
● Data Exchange for Training Information Systems (DEfTIS)
MoocHub
● Gremienstandard
● Aktuelle Version: MOOChub Schema (Repo)
● Veröffentlichung: 2020
● Herausgeber: MoocHub
Die Spezifikation wird zum Austauschen von Kursdaten (MOOCs) zwischen den
Mitgliedern des MOOCHub genutzt (Ebner et al., 2023). Die Spezifikation baut auf
34
Vorarbeiten des openHPI auf. Es liegt ein JSON-Schema vor, welches es ermöglicht,
Informationen über die Kurse, die bereitstellender Organisationen und weitere
Informationen zu teilen. Der Anteil der Pflichtattribute ist bewusst gering gehalten
worden, um neue Parteien leicht einarbeiten zu können. Die Spezifikation ermöglicht
seit v3 auch Angaben in mehreren Sprachen. Neben dem JSON-Schema findet sich auch
eine API-Spezifikation, um die Schnittstelle zu beschreiben, über welche die Daten
abgerufen werden können.
European Learning Model (ELM)
● Gremienstandard
● Aktuelle Version: European Learning Model v3
● Veröffentlichung: 2023 (v3), archiviert seit Februar 2024
● Herausgeber: Europäische Kommission
Das "European Learning Model" ist eine Weiterentwicklung des im Rahmen der
European Digital Credential Infrastructure (EDCI) entwickelten Datenmodells. Es dient
zur einheitlichen Abbildung und Darstellung von Credentials, Learning Opportunities
sowie Qualifications. Das Modell basiert auf dem W3C Verifiable Credentials Data Model
und erweitert dieses. Das Datenformat ist XML/XSD formuliert und auf den ELMO und
EMREX Standard abgestimmt.
Der Standard wurde überarbeitet und ist im April 2023 in der Version 3 erschienen. Eine
Weiterentwicklung des Standards scheint zunächst unwahrscheinlich, da das Projekt im
Februar 2024 als archiviert gekennzeichnet wurde. Die aktuelle Version basiert auf RDF
als Datenmodell. ELM baut auf dem W3C Verifiable Credentials Data Model auf und
befasst sich darüber hinaus mit der Abbildung sogenannter "Learning Opportunities".
Damit umfasst der Standard ein Datenmodell zur Beschreibung folgender Konzepte:
● Verifiable Credentials
● Verifiable Presentation
● Learning Opportunity
Data Exchange for Training Information Systems (DEfTIS)
● Spezifikation (PAS-DIN) (PAS = Publicly Available Specification)
● Aktuelle Version: DIN PAS 1045
● Veröffentlichung: 2002, seit 2004 als DIN
● Herausgeber: InfoWeb Weiterbildung
Der Standard ist seit 2002 im Rahmen der DIN PAS 1045 in Zusammenarbeit mit dem
Projekt InfoWeb Weiterbildung (IWWB) entwickelt worden (BMBF-Förderung). Die
öffentlich verfügbare Spezifikation umfasst dabei eine XML-Spezifikation zur Abbildung
von Informationsinhalten von Weiterbildungsdatenbanken. Die technische Spezifikation
35
liegt in Version 5.07 vom Stand 2007 vor. Dort sind auch XSD-Dateien zur Validierung zu
finden. Gemäß den eigenen Aussagen sind die Empfehlungen von zahlreichen
Weiterbildungsportalen umgesetzt worden (Stand 2011) (IWWB - InfoWeb
Weiterbildung, 2023). Auf der gleichen Seite findet sich auch eine Excel-Tabelle, die
Empfehlungen hinsichtlich der Bedeutsamkeit der einzelnen Elemente angibt.
3.1.3 Standards für Credentials
Um es Lernenden zu ermöglichen, ihre Zertifikate und Bildungsnachweise sicher und
effizient anderen Institutionen oder Stellen vorlegen zu können, ist es erforderlich, dass
Standards und Infrastrukturen geschaffen werden, die einen entsprechenden Austausch
ermöglichen. Hier haben sich auf internationaler und europäischer Ebene verschiedene
Standards etabliert.
Standards:
● European Learning Model (ELM) (s.o.)
● Europass Digital Credentials Infrastructure (EDCI)
● ELMO und EMREX
● Credential Transparency Description Language (CTDL)
● Verifiable Credentials Data Model (VC, W3C)
● Hochschulforum Digitalisierung Zertifikate (HFDcert)
● Open Badges
Europass Digital Credentials Infrastructure (EDCI)
Qualification Dataset Register (QDR)
● Applikationsprofil für die Akkreditierung (EDC)
● Applikationsprofil für Lernmöglichkeiten und Qualifikationen (LOQ)
ELMO und EMREX
● Gremienstandard
● Aktuelle Version: Technical Guide
● Veröffentlichung: 2015
● Herausgeber: EMREX-Nutzergruppe
● Links:
○ EMREX Glossar
○ EMREX.eu
EMREX ist ein Verfahren zum Austausch elektronischer Daten Studierender zwischen
Hochschulen und potenziellen Arbeitgebern. ELMO ist das grundlegende Datenmodell
in diesem Austausch. EMREX ging aus einem EU-Projekt hervor und hat sich nach der
Förderphase selbst erhalten. Das European Learning Model (ELM) ist mit dem ELMO
Modell abgestimmt. Der Standard ist XML-basiert. Die Weiterentwicklung erfolgt
36
innerhalb der EMREX-Nutzergruppe. Das Projekt möchte damit die Umsetzung von zwei
CEN-Normen vorantreiben:
● EN 15981 Europäische Mobilität von Lernenden – Leistungsinformationen [EuroLMAI]
● EN 15982 Metadaten für Lernangebote – Werbung [MLO-AD]
Das ELMO-Format ist ein XML-Format, das Bewertungsinformationen in Diplomen,
Transcripts of Records und Diploma Supplements unterstützt. Es umfasst auch
Beschreibungen der Qualifikationen, Programme, Kurse und Module für diese
Bewertungen. Diese Informationen werden in Zulassungs- und Anerkennungsverfahren
benötigt.
Die Verbreitung und Nutzung in Europa ist dabei äußerst unterschiedlich. Während das
Modell in einigen Ländern bereits eine sehr breite Nutzung erfährt (Niederlande,
Norwegen, Finnland), nehmen in anderen Ländern erst wenige Institutionen teil
(Deutschland, Italien, Dänemark).
Obwohl nach eigenen Aussagen der Europäischen Kommission die Standards ELMO und
das Europass Learning Model (ELM) aufeinander abgestimmt sind, stellt sich die Frage,
wie beide Standards in Zukunft koexistieren werden.
Verifiable Credentials
● Gremienstandard
● Aktuelle Version: Spezifikation
● Veröffentlichung: 2019
● Herausgeber: W3C
Verifiable Credentials sind ein Standard, der sich mit der Abbildung und Präsentation
von Zeugnissen und Berechtigungsnachweisen befasst. Der englische Begriff
"credential" ist entsprechend weit zu fassen und es können damit sowohl Aussagen
über einen Ausweis oder Führerschein getroffen werden, als auch über ein Schul- oder
Hochschulzeugnis.
Durch Nutzung digitaler Signaturmöglichkeiten sollen entsprechend fälschungssichere
Beweise über das Vorhandensein eines Credentials ermöglicht werden. In dem Standard
sind drei Typen von Akteuren definiert:
● Issuer: Der Issuer stellt Credentials aus und signiert diese digital. Das Credential wird
dann an den Holder übertragen.
● Holder: Der Holder hält seine Credentials und speichert sie. Er kann seine Credentials
dann zusammenstellen, um sie einer Person oder Organisation zu präsentieren, dem
Verifier.
● Verifier: Der Verifier kann die Echtheit der Zertifikate mit den darin enthaltenen
Informationen vom Issuer, bzw einer Verifiable Data Registry überprüfen.
37
Das European Learning Model (ELM) baut auf diesem Standard auf und erweitert ihn.
Das Datenmodell nutzt RDF und ist damit unabhängig vom Serialisierungsformat. In
dem Standard werden Beispiele in JSON-(LD) angegeben, wobei darauf hingewiesen
wird, dass auch andere Serialisierungsformate (z. B. XML, YAML, CBOR) möglich sind.
Open Badges
● Gremienstandard
● Aktuelle Version: Aktuelle Spezifikation
● Veröffentlichung: 2011, mittlerweile in Version 2.1 im Jahr 2019 veröffentlicht
● Herausgeber: 1EdTech
Open Badges ist ein ursprünglich von der Mozilla Foundation entwickelter Standard, um
digitale Zertifikate auszustellen. Dabei werden die Zertifikate in Bilddateien als
Metadaten eingebettet und können so an beliebigen Stellen im Netz platziert und
ausgelesen werden. Im Badge sind dabei die Informationen über den Aussteller, die
Empfänger und zum Zertifikat selbst. Seit Version 1.1 wird JSON-LD zur Repräsentation
der Open Badge Daten genutzt. Außerdem können Open Badges leicht durch
sogenannte "Extensions" erweitert werden.
Für die Kompatibilität mit xAPI wurde ein Vokabular entwickelt, sodass Open Badges in
xAPI activity streams eingebunden werden können. Dadurch kann in xAPI definiert
werden, wie ein Badge erworben werden kann. Das Vokabular findet sich jedoch im
Entwurf, Aktualität unklar.
Der Open Badge Standard wird mittlerweile von 1EdTech weiterentwickelt. In den
Lernsystemen Moodle, Mahara und ILIAS können Open Badges genutzt werden.
Weitere Beispiele für die Umsetzung von Open Badges:
● OpenVM, BeuthBonus, pMOOCs, INTEGRAL (Buchem et al., 2019)
● kosLearningLab auf Basis des DigCompEdu (Keindorf et al., 2021)
3.1.4 Standards für die Distribution von Content
Diese Standards beschreiben Möglichkeiten, um Lernmaterialien oder ganze Kurse zu
paketieren und in anderen Learning-Management-Systemen zugänglich zu machen.
Ferner legen diese Standards die Art und Weise fest, wie einheitlich über Aktivitäten der
Nutzer*innen innerhalb eines LMS berichtet wird. So können diese Standards verwendet
werden, um einen Vendor-Lock-In auf bestimmte LMS zu vermeiden. Andererseits
können Informationen über die Lernaktivitäten von Nutzer*innen gesammelt werden
(Learning Analytics). Diese Standards sind insbesondere auch für Autorenwerkzeuge
38
relevant, damit die entwickelten Ressourcen über verschiedene LMS hinweg geteilt und
genutzt werden können.
Standards:
● Aviation Industry Computer-based Training Committee (AICC)
● Sharable Content Object Reference Model (SCORM) [ADL; IEEE]
● Experience API (xAPI)
● cmi5: Ein xAPI-Profil
● (IMS) Content Packaging (CP) [1EdTech]
● (IMS) Common Cartridge (CC) [1EdTech]
● (IMS) Simple Sequencing (SSQ) [1EdTech]
Aviation Industry Computer-based Training Committee (AICC)
● Herausgeber: Aviation Industry Computer-based Training Committee
● Veröffentlichung: 1988
Der frühe E-Learning-Standard ermöglicht die Integration von Content in
Lernmanagementsystemen. Er gilt als Wegbereiter für Standards wie SCORM (s.u.). 2014
hat sich das Gremium AICC aus Mangel an Mitgliedern aufgelöst.
Sharable Content Object Reference Model (SCORM)
● Gremienstandard
● Aktuelle Version: https://adlnet.gov/projects/scorm
● Veröffentlichung: 2000 (1.0), zuletzt: 2009 (4th Edition)
● Herausgeber: Advanced Distributed Learning Initiative (ADL)
Das "Sharable Content Object Reference Model" (SCORM) beschreibt einen Standard,
um Einheiten von Lernmaterialien über verschiedene Systeme hinweg kompatibel
nutzen zu können. Es ist damit ein Paketisierungsformat, aber auch ein
Datenaustauschformat, das zur Laufzeit mit dem LMS kommuniziert und beschreibt,
welche Daten es von dem LMS haben möchte oder welche Daten es sendet. SCORM ist
ein "Reference Model", weil sich SCORM nicht als Standard versteht, sondern seinerseits
auf verschiedenen etablierten Standards gründet (z. B. LOM, QTI). SCORM beschreibt
daher eher, wie diese jeweiligen Standards gemeinsam zu nutzen sind. Als Nachfolger
von SCORM wird xAPI angesehen, das ein wesentlich flexibleres Tracking ermöglicht und
ohne die Laufzeit-Komponente von SCORM auskommt.
Hinweis: Obwohl bereits mehrere Nachfolger von SCORM 1.2 existieren, ist diese immer
noch am weitesten verbreitet und sollte von E-Learning-Anbietern unterstützt werden.
Siehe dazu auch: Anlage “Vergleich der E-Learning-Standards für die Distribution von
Content”.
39
Experience API (xAPI)
● Gremienstandard (IEEE, P92741.1 xAPI Work Group)
● Aktuelle Version: IEEE 9274.1.1-2023 (Repo) (IEEE Repo)
● Veröffentlichung: 2013, Aktualisierung 2020 von IEEE
● Herausgeber: Advanced Distributed Learning Initiative (ADL), Rustici Software, IEEE
● Links: ADLnet xAPI, xAPI Overview
Der xAPI-Standard definiert die Kommunikation zwischen Lernmanagementsystemen
(LMS) und Lerninhalten. Die Implementierung des Standards erlaubt es, dass
Lerninhalte in verschiedene LMS importiert oder exportiert werden können. xAPI
ermöglicht das Sammeln verschiedenster Lernaktivitätsdaten. Diese Daten werden in
einem sogenannten Learning Record Store (LRS) gespeichert, dessen Aufbau ebenfalls
in dem Standard spezifiziert wird. xAPI gilt als Nachfolger von SCORM, wobei xAPI in der
Lage ist, umfangreiche Informationen zu Lernaktivitäten flexibler zu sammeln, auch in
Lernsituationen, die offline stattfinden. xAPI nutzt Standard-REST-Schnittstellen und
JSON als Datenformat. Um ein gemeinsames Vokabular festzulegen, können xAPI-Profile
erstellt und genutzt werden. Damit soll sichergestellt werden, dass verschiedene
Systeme die Daten gleich interpretieren können. Ein Beispiel für ein solches Vokabular
ist cmi5, welches die Adaption von xAPI durch Konkretisierung bestimmter Vokabulare
beschleunigen soll.
Registries (Profile, Vokabular):
● TinCan Registry: https://registry.tincanapi.com
● xAPI Profile Server: https://profiles.adlnet.gov
● Common Education Data Standards: Learner Action Type
Metriken und Indikatoren: OpenLAIR EduTec Tool
cmi5: Ein xAPI-Profil
● Industriestandard
● Aktuelle Version: cmi5 Projekt (Repo)
● Veröffentlichung: 2018
● Herausgeber: Advanced Distributed Learning Initiative (ADL), Rustici Software
● Links: xAPI.com/cmi5, ADLnet.gov cmi5
"cmi5" ist ein xAPI-Profil, welches als Brücke zwischen xAPI und SCORM dienen soll. Dies
geschieht durch die Definition von Interoperabilitäts-Regeln hinsichtlich des Aufrufs von
Content, der Autorisierung, der Rückmeldung von Daten sowie der Kursstruktur. Damit
werden dem LMS im Grunde die Regeln mitgeteilt, wie xAPI-Daten verarbeitet und
korrekt zurückgemeldet werden können.
40
(IMS) Content Packaging (CP)
● Gremienstandard
● Aktuelle Version: Content Packaging Specification (IEEE LTSC P1484.17)
● Veröffentlichung: 2001, Letzte Version (v1.1.2, 2004; v1.2 Public Draft v2.0, 2007)
● Herausgeber: 1EdTech
Content Packaging beschreibt ein Datenformat für das E-Learning, welches Strukturen
der Materialien zwecks Interoperabilität zwischen Lernsystemen vereinheitlicht. Der
Standard gewährleistet Import- und Exportfunktionen für den Austausch von Material.
Der Standard wurde in SCORM adaptiert.
(IMS) Common Cartridge (CC)
● Gremienstandard
● Aktuelle Version: Common Cartridge Specification
● Veröffentlichung: 2009, v1.3 2013 und Common Cartridge Profil 2015
● Herausgeber: 1EdTech
● Links:
○ Common Cartridge (CC) @ IMS Global
○ What is the Common Cartridge Standard?
Common Cartridge umfasst eine Reihe von Standards, die von 1EdTech (vormals IMS
Global) entwickelt wurden, um die Interoperabilität von Inhalten in verschiedenen
Systemen (LMS) zu ermöglichen. Das Format ist dabei äußerst flexibel und erlaubt die
Beschreibung sowie die Portierung von Aufgaben und Tests, digitalen Inhalten, Kursen
und anderen Elementen. Für den Zusammenhang und die Unterschiede zu SCORM s.u.
(IMS) Simple Sequencing Specification (SSQ)
● Gremienstandard
● Aktuelle Version: Simple Sequencing Specification (Archiv)
● Veröffentlichung: 2003 (v. 1.0)
● Herausgeber: 1EdTech
Der Standard definiert die Sequenzierung von Lernerfahrungen, sodass diese
plattformübergreifend konsistent ablaufen. SCORM (Version 2004) wurde von diesem Standard
abgeleitet (nähere Details: scorm.com/scorm-explained/technical-scorm/sequencing).
3.1.5 Standards für Nutzende
Neben Lerninhalten sind die Lernenden selbst relevant. Dabei sind die Profile von
Lernenden und deren Transferierbarkeit zwischen Systemen entscheidend für die
Realisierung personalisierter Lerninhalte und -pfade, sodass auch hier
Standardisierungen sinnvoll erscheinen.
41
Standards:
● XBildung (XHochschule, XSchule, XBerufsbildung)
● Ed-Fi Core Student API
● Public and Private Information (PAPI) [IEEE]
● (IMS) Learner Information Package (1EdTech)
XBildung
● Staatlicher Standard
● Aktuelle Version: XBildung
● Veröffentlichung: 2020, wird stetig weiter aktualisiert
● Herausgeber: Land Sachsen-Anhalt
Zum Austausch von Daten zwischen Verwaltungssystemen ist es nötig, dass die Daten
zwischen den Systemen kompatibel sind. In Deutschland ist im Rahmen der Umsetzung
des Onlinezugangsgesetzes (OZG) das Projekt XBildung damit befasst, einen
einheitlichen Standard zu definieren.
XBildung ist ein übergreifender Datenaustauschstandard für den Bildungsbereich. Der
Standard soll es Akteuren im Bildungsbereich ermöglichen, elektronische Daten in
standardisierter Form untereinander auszutauschen. Damit sollen schnellere Verfahren
ermöglicht werden. XBildung berücksichtigt dabei die Vorgaben des
Onlinezugangsgesetzes (OZG) sowie des Single Digital Gateway (SDG). Außerdem findet
die Entwicklung im Austausch mit Gremien rund um ELMO / EMREX und dem Europass
Learning Model statt. XSchule und XHochschule sind zwei Fachmodule des Basismoduls
XBildung. Die Spezifikationen sind frei verfügbar und auf GitHub können Anmerkungen
und Wünsche geäußert werden.
Ed-Fi Core Student API
Der Standard beschreibt eine Schnittstelle für Daten von Schüler*innen (K-12), die auch
Leistungsdaten beinhalten. Das Datenmodell basiert auf dem Ed-Fi Unifying Data Model
(UDM).
(IMS) Learner Information Package (1EdTech)
Der Standard beschreibt Charakteristiken von Lernenden, etwa demografische Daten,
Qualifikationen, (Lern-)Ziele, Kompetenzen, Zugänglichkeit (Sprachkenntnisse,
Beeinträchtigungen, Lernpräferenzen (bspw. in den Dimensionen “kognitiv”,
”physisch”, “technologisch”).
Public and Private Information (PAPI) [IEEE]
● Veröffentlichung: 2000
Ziel des Standards ist es, verschiedene Kategorien über Lernende zu erfassen, um
beispielsweise Lernprofil und -präferenzen (Lernstil, Lernort, verfügbare Technologie)
42
sowie Lernergebnisse (Portfolio) von Lernenden austauschen und in Lernumgebungen
verfügbar machen zu können (Pawlowski, 2001, S. 107f). Dadurch können Wechsel
zwischen Bildungsanbietern standardisiert erfolgen, sodass auch Rechte der Personen,
wie das Recht auf Datenübertragbarkeit gemäß Art. 20 DSGVO, vereinfacht
wahrgenommen werden können. Der Standard ermöglicht die Personalisierung von
Lernumgebungen und Lernprozessen sowie die kurs- und ressourcenübergreifende
Nachnutzung von Lern- und Leistungsdaten, birgt jedoch auch datenschutzrechtliche
Hürden (Baumgartner et al., 2002), vergleichbar mit Ansätzen zur Implementierung von
Learning Analytics.
(IMS) Learner Information Package (1EdTech)
● Veröffentlichung: 2003
Der Standard baut auf PAPI auf und definiert ein Basismodell eines Lernenden.
3.1.6 Standards für Tests und Quizze
Um die Portabilität von Test und Quizze (“Assessments”) zwischen Systemen zu
gewährleisten, sind verschiedene Standards entwickelt worden. Auch hier kann die
Verwendung eines Standards einen Vendor-Lock-In vermeiden.
Standards:
● bitmark
● (IMS) Question and Test Interoperability (QTI) [1EdTech]
● Accessible Portable Item Protocol (APIP)
bitmark
● Industriestandard
● Aktuelle Version: https://docs.bitmark.cloud
● Veröffentlichung: 2020
● Herausgeber: bitmark Association
Bitmark wird nach eigenen Angaben als als “Content- and mobile-first standard” für
digitale und interaktive Lehrbücher bezeichnet. Der Standard definiert ein JSON-
basiertes Datenmodell und die bitmark markup language. Aus der Anforderung,
Lehrbücher zu digitalisieren und interaktiv zu gestalten, hat bitmark einen Standard
entwickelt, der es ermöglicht, Inhalte und Quizze digital abzubilden. Dabei wird die
visuelle Repräsentation des Contents strikt von der Modellierungsebene getrennt. Die
Entwicklung wird dabei u.a. von Cornelsen unterstützt.
43
(IMS) Question and Test Interoperability (QTI) [1EdTech]
● Gremienstandard
● Aktuelle Version: http://www.imsproject.org/question/index.html
● Veröffentlichung: 1999, aktuelle Version ist v3.0 von 2020
● Herausgeber: 1EdTech
1EdTech Question and Test Interoperability ist eine 1EdTech-Spezifikation und definiert
ein Datenformat, um Prüfungsformate in Formen von Tests und Assessments in
verschiedenen LMS oder anderen Anwendungen nutzen zu können. Es können die
Prüfungsinhalte, -formate, die jeweiligen Antworten sowie das Bewertungsschema
hinterlegt werden. In der aktuellen Version 3.0 wurden die Arbeiten von QTI und APIP
zusammengeführt, sodass nun auch Accessibility-Komponenten in QTI implementiert
wurden.
Accessible Portable Item Protocol (APIP)
● Gremienstandard
● Aktuelle Version: http://www.imsglobal.org/apip/index.html
● Veröffentlichung: 2014
● Herausgeber: 1EdTech
Das Accessible Portable Item Protocol (APIP) ist ein Standard des 1EdTech-Konsortiums
und befasst sich mit dem Austausch und der Interoperabilität von Testobjekten zwischen
verschiedenen Systemen. Dabei wird auf QTI aufgebaut. Zusätzlich zu QTI definiert APIP
"Access Features", um die enthaltenen Objekte auch Lernenden mit verschiedenen
Beeinträchtigungen zugänglich zu machen. In der aktuellen Version 3.0 von QTI wurden
die Arbeiten von QTI und APIP zusammengeführt, sodass nun auch Accessibility-
Komponenten in QTI implementiert wurden.
3.1.7 Standards für Toolintegrationen
Um Tools und Services nahtlos miteinander zu verknüpfen, kann der LTI-Standard
genutzt werden. Dabei lassen sich auch Informationen wie erreichte Punktzahlen von
einem System zum anderen übertragen und dort weiterverwendet werden.
Standards:
● Learning Tools Interoperability (LTI) [EdTech]
Learning Tools Interoperability (LTI)
● Gremienstandard
● Aktuelle Version: https://www.imsglobal.org/activity/learning-tools-interoperability
● Veröffentlichung: 2010, aktuelle Version 1.3. 2019
● Herausgeber: 1EdTech
44
Learning Tools Interoperability (LTI) ist ein Standard der 1EdTech (ehemals IMS Global).
LTI ermöglicht die Einbindung von externen Tools in ein LMS, ohne dass sich die
Nutzer*innen neu anmelden müssen. Dabei wird ein sicherer Datenaustausch
gewährleistet, der beispielsweise auch die Rückmeldung zu erreichten Punktzahlen in
dem Tool an das LMS melden kann. Eine Besonderheit in der Versionierung des
Standards besteht darin, dass v1.3. die aktuelle Version ist, obwohl es auch eine v2.0 gab.
Grafik: Anwendungsfelder verschiedener Metadatenstandards (Rörtgen et al., 2023, S. 147)
3.2 Was sind Linked Data und das Resource Description Framework?
❓
Fragestellung
● Was sind Linked Data und das Resource Description Framework?
● Was sind Vorteile dieser Technologien?
In den vorigen Abschnitten ist bereits öfter von “Linked Data” und dem “Resource
Description Framework (RDF)” die Rede gewesen. Die Verwendung dieser Technologien
und Standards fördert die Interoperabilität von Metadaten und damit deren Verbreitung
sowie Akzeptanz (Zeng & Chan, 2009). Dies führt zu einer Harmonisierung und
erwünschten Synergieeffekten innerhalb des Marktes (Golub et al., 2014). Da sich zeigt,
dass immer mehr Metadatenstandards auf diese Technologien setzen, sollen diese hier
kurz erklärt werden.
45
Linked Data
Linked Data ist ein Konzept in der Semantic Web Technologie, das darauf abzielt, Daten
so zu strukturieren und zu verlinken, dass sie leichter von Maschinen gelesen und
verstanden werden können. Es basiert auf dem Prinzip, dass Daten durch
Verknüpfungen (Links) miteinander verbunden sind, ähnlich wie Hyperlinks im World
Wide Web. Diese Verknüpfungen ermöglichen es, komplexe Beziehungen zwischen
verschiedenen Datensätzen herzustellen und sie in einer Weise darzustellen, die für
Menschen und Maschinen gleichermaßen verständlich ist.
Ein zentrales Merkmal von Linked Data ist die Verwendung von URIs (Uniform Resource
Identifiers), um Ressourcen eindeutig zu identifizieren. Jede Ressource in einem Linked
Data Set hat eine eindeutige URI, die als Link verwendet wird, um sie mit anderen
Ressourcen zu verbinden. Dies ermöglicht es, Daten aus verschiedenen Quellen
zusammenzuführen und zu integrieren, ohne dass Änderungen an den ursprünglichen
Daten erforderlich sind.
Zur Umsetzung von Linked Data wird häufig das Resource Description Framework (RDF)
verwendet, um Daten in einer strukturierten Form zu beschreiben. RDF ist eine Sprache,
die es ermöglicht, Informationen über Ressourcen in einem maschinenlesbaren Format
zu speichern. Mit RDF können Daten in Form von Subjekt-Prädikat-Objekt-Triplets
dargestellt werden, womit es einfach wird, Beziehungen zwischen verschiedenen
Datenpunkten zu modellieren (s.u.).
Tim Berners-Lee formuliert vier grundlegende Prinzipien von Linked Data:
1. Nutze URIs (Uniform Resource Identifiers), um Ressourcen eindeutig zu identifizieren
2. Nutze HTTP URIs, damit diese Informationen aufgerufen werden können
3. Stelle diese Informationen mithilfe von Standards dar (RDF, SPARQL)
4. Nutze dabei HTTP URIs, um verschiedene Datensätze miteinander zu verlinken und die
Auffindbarkeit von Daten zu verbessern (Berners-Lee, 2006)
Um Linked (Open) Data-Prinzipien (Berners-Lee, 2006; Bizer et al., 2008, 2009; Petz, 2023)
zu adaptieren, ist die Wahl des Metadatenstandards entscheidend. Durch
Berücksichtigung dieser Prinzipien können Ressourcen und Dienste miteinander
vernetzt und rekurrierende Herausforderungen adressiert werden, unter anderem:
● Integration und Vernetzung von Ressourcen aus verteilten Systemen, etwa heterogene
Bestände aus Repositorien
● Abbildung von Lebenszyklen der Ressourcen, beispielsweise erwartbare frequente
Änderungen, insbesondere auch im Zuge von Open Educational Practices (OEP)
● Austausch und Harmonisierung von Metadaten durch Mapping in ETL-Prozessen
● Etablierung kontrollierter Vokabulare zur Vereinheitlichung der Semantik
● Automatisierte Anreicherung von Ressourcen mit Metadaten zur Kontextualisierung
Eigenschaften von Linked Data im Hinblick auf digitale Objekte:
● eindeutige, zitierfähige und stabile Referenzierbarkeit (Petz, 2023)
● Vokabularien, die Attribute der Objekte beinhalten (Petz, 2023)
46
Resource Description Framework
Das Resource Description Framework (RDF) ist ein Datenmodell, das vom World Wide
Web Consortium (W3C) als Standard zur Beschreibung von Daten im Web konzipiert
wurde, beispielsweise über die Verwendung von RDFa, JSON-LD oder Turtle. Durch diese
Form können Metadaten für Menschen und Maschinen verständlich bereitgestellt
werden. Dieser Ansatz ist kompatibel zu Linked (Open) Data-Prinzipien (s.o.), welche das
RDF zur Publikation strukturierter Metadaten verwenden, um verschiedene Ressourcen
und Datenquellen miteinander zu vernetzen und darüber die Ressourcen mit weiteren
Metadaten anzureichern (Bizer et al., 2008; Dietze et al., 2013). Der RDF-Ansatz eignet
sich insbesondere, da hier die eindeutigen und persistenten Uniform Resource Identifier
(URI, wie bspw. eine URL) zur Identifikation von Ressourcen genutzt werden, deren
Vorteil darin besteht, dass diese als global eindeutige Kennungen auch in verteilten
Systemen referenziert werden können. Es dient der Modellierung von Daten und
möglicher Aussagen über diese (W3C, 2024a, 2024b). Im RDF-Modell besteht jede
Aussage aus drei Einheiten: Subjekt, Prädikat und Objekt (Pomerantz, 2015, S. 140f). Eine
Besonderheit und auch das Merkmal des Bezugs zum Web ist die Eigenschaft, dass
Subjekt (Ressource), Prädikat (Attribut) und Objekt (Wert des Attributs) durch eine URI
dargestellt werden. Das Objekt kann auch als “Literal” auftauchen, d.h. eine
Zeichenkette “Alice” oder eine Zahl “42” als Wert annehmen.
Tabelle: Beispiel für eine Aussage im RDF-Modell
Aussagen
RDF-Tripel 13
Mein Haustier
ist
ein Hund.
http://example.org/my_dog
http://www.w3.org/1999/02/22-rdf-syntax-ns#type
https://www.wikidata.org/entity/Q144.
Mein Haustier
hat den Namen
Lica.
http://example.org/my_dog
http://schema.org/name
“Lica”.
Mein Haustier
ist befreundet mit
Bella.
http://example.org/my_dog
http://xmlns.com/foaf/spec/#term_knows
http://example.org/neighboursDog.
Das RDF ermöglicht es also flexibel, die Existenz und Bedeutung konkreter
Zusammenhänge zwischen verschiedenen Ressourcen explizit zu modellieren (Heath &
Bizer, 2011), sodass vernetztes Wissen entsteht und durch Inferenzmechanismen neue
Erkenntnisse gewonnen werden können.
13
Die verwendeten “example.org” URIs lösen nicht auf, da sie hier nur Beispiele sind. Die anderen
URIs lösen hingegen auf und geben nützliche Informationen wie Definitionen, Beispiele und
weitere Links.
47
RDF kann neben der Darstellung einfacher Daten auch für die Erstellung komplexer
Ontologien (vgl. semantische Treppe, s.u.) verwendet werden. Aufgrund der
Verknüpfungen können die Daten als Graph modelliert werden, sodass ein Netzwerk
zwischen den Ressourcen (Knoten der Graphen), ihren Eigenschaften sowie den
jeweiligen Beziehungen (Kanten der Graphen) entsteht. RDF ermöglicht als Graph-
basiertes Datenformat die formale Repräsentation einer solchen Ontologie (vgl. auch
Knowledge Graphs).
RDF-Star
RDF-Star ist eine Erweiterung des RDF-Modells, mit welcher in vereinfachter Weise
Aussagen über die jeweiligen Beziehungen zwischen den Konzepten getroffen werden
können. Auf diese Weise können neben Konzepten auch die entsprechenden
Beziehungen mit Metadaten verknüpft werden.
Aufgrund der Verwendung von HTTP-URIs, der Verlinkung und der strukturierten
Darstellung der Daten können in RDF modellierte Daten leicht von Maschinen
verarbeitet werden. Aktuelle Entwicklungen von Metadatenstandards auf
internationaler, europäischer und nationaler Ebene (LMT, Europass, AMB) setzen auf
RDF als Basistechnologie, da der Standard gut dokumentiert, leicht erweiterbar und
hoch interoperabel ist.
💡
Zusammenfassung
● Linked Data bezeichnet das Prinzip, Daten, ähnlich den Hyperlinks im World
Wide Web, miteinander zu verlinken.
● Resource Description Framework (RDF) ist ein graph-basiertes Datenmodell,
das sich besonders zum Datenaustausch im Web eignet und den Linked Data
Prinzipien folgt.
● Das Datenmodell ist hoch interoperabel, sodass es sich gut für die
Zusammenführung heterogener Daten eignet.
48
3.3 Was sind Vokabulare?
❓
Fragestellung
● Wofür benötige ich Vokabulare beim Datenaustausch?
● Welche Technologien kann ich für die Arbeit mit Vokabularen nutzen?
Wissensorganisationssysteme (Knowledge Organization Systems, KOS) existieren in
verschiedener Komplexität. Die semantische Treppe stellt Varianten zur Repräsentation
von Konzepten in aufsteigender semantischer Reichhaltigkeit dar (Blumauer &
Pellegrini, 2006). Je höher die Stufe, desto vielseitiger können die sodann komplexer
werdenden semantischen Netze auch in automatisierten Auswertungen verwendet
werden (Blumauer & Pellegrini, 2006).
Grafik: Erweiterte semantische Treppe (nach Blumauer & Pellegrini, 2006, S. 16)
Semantische Treppe
● Glossar, z. B. als nicht-hierarchische Liste von Begriffen oder Wörtern zur
Vereinheitlichung der Schreibweisen von Konzepten, ohne strukturelle
Repräsentation.
● Folksonomie, z. B. als nutzergenerierte Schlagwörter zu verschiedenen Inhalten
(Social Tagging) (Gaiser et al., 2008; Haynes, 2018, S. 199)
● Typologie / Taxonomie, z. B. als klassifizierende Zusammenstellung von
Begriffen und ihren hierarchischen Beziehungen (Über- und Unterbegriffen,
bspw. broader / narrower terms), jedoch ohne weitere Beziehungen zwischen den
Elementen (Ullrich et al., 2003, S. 3f). Während Typologien eher konzeptionell,
deduktiv und qualitativ hergeleitet werden, sind Taxonomien eher empirisch,
induktiv und quantitativ erstellt (Bailey, 1994; Hasler, 2015, S. 24). Häufig werden
die Begriffe synonym verwendet und allgemein als Klassifikationen bezeichnet.
● Thesaurus, z. B. als systematische Zusammenstellung von Deskriptoren und der
strukturellen Repräsentation von Beziehungen wie Hierarchien. Darüber hinaus
kann es zudem auch Ähnlichkeits-, Synonym- oder Antonym-Relationen zwischen
Konzepten geben (Haynes, 2018, S. 190f; Ullrich et al., 2003, S. 4) (vgl. auch DIN
1463-1:1987-11, DIN 1463-2:1993-10 sowie ISO 25964-1:2011-08, ISO 25964-
2:2013-03).
Glossar Folksonomie
Taxonomie Theasaurus Topic Map Ontologie
Typologie
49
● Topic Map, bestehend aus abstrakten Konzepten, Assoziationen und
Gültigkeitsbereichen (Ullrich et al., 2003, S. 4f) (ISO/IEC 13250)
● Ontologie, die als formale Wissensrepräsentation komplexere Eigenschaften
und Relationen zwischen Konzepten einer oder mehrerer Domänen regelbasiert
modellieren kann (Borst, 2006; Gruber, 1993; Pomerantz, 2015, S. 46f), sodass
diese von Maschinen interpretiert werden können (Ehrig et al., 2004). Diese
Repräsentation basiert auf einem gemeinsamen Verständnis von Konzepten
(Gruber, 2004) und ermöglicht logische Schlussfolgerungen (Reasoning)
idealerweise bereits auf Ebene der Ontologie und nicht erst innerhalb einer
Softwareanwendung (Pellegrini & Blumauer, 2006). Über derartige
Inferenzmechanismen können neue Aussagen über Objekte gebildet und
evaluiert werden, um dieses neu gewonnene Wissen beispielsweise sodann
unmittelbar in Softwareanwendungen zu integrieren. Über Ontologien kann
Domänenwissen modelliert werden.
Warum werden kontrollierte Vokabulare verwendet?
● Qualitätssicherung bei der Erfassung von Daten (Konsistenz)
● Standardisierung der Terminologie verbessert Recherchierbarkeit, z. B. durch
Vereinheitlichung der Vielfalt an Bezeichnungen, darunter mögliche
Vorzugsbenennungen bei Synonymen
● Erhöhung der Zuverlässigkeit des Datenaustauschs (Interoperabilität)
● (Lexikalische) Ambiguität der natürlichen Sprache wird aufgelöst, z. B. durch
Präzision der Bedeutung (u.a. auch Homonymie, Polysemie)
● Modellierung von Beziehungsstrukturen
Bei der Zusammenstellung von Daten aus verschiedenen Quellen stellt sich heraus, dass
die gleichen Dinge oft unterschiedlich bezeichnet werden, bedingt beispielsweise durch
die Verwendung von Akronymen (“Deutsch Als Zweitsprache”, “DaZ”),
unterschiedlichen Schreibweisen beim Gendern (“Schüler:innen”, “Schüler*innen”,
“SchülerInnen”) oder auch an lokalen Gegebenheiten. So wird in einem Bundesland ein
Schulfach bei gleichen Lehrinhalten als “Sachunterricht”, in dem anderen als
“Heimatunterricht” bezeichnet (Rörtgen, 2023).
Um solchen Herausforderungen zu begegnen, empfiehlt sich der Einsatz kontrollierter
Vokabulare bei der Datenharmonisierung (Rörtgen, 2021b).
50
Der folgende, leicht adaptierte, Auszug stammt aus der Einführung in SKOS am Beispiel
von Open Educational Resources (OER) von Felix Lohmeier, Adrian Pohl und Jakob Voß
und gibt einen kurzen Einblick in das Thema (Lohmeier et al., 2023):
Grob betrachtet bestehen alle Metadaten aus Elementen und zugehörigen Werten.
Beispiel:
title: Beispiel
creator: Anne
date: 2020-04-21
language: de
subject: Bauingenieurwesen
Um diese für Menschen gut lesbare Beschreibung konsistent innerhalb eines technischen
Systems abzubilden, wird ein Metadatenschema definiert. Dieses legt fest, welche
Elemente es gibt, ob diese verpflichtend oder optional sind und welche Inhaltstypen sie
haben dürfen. Ein Schema könnte vereinfacht so aussehen:
mandatory:
- title: string
- creator: string
optional:
- date: ISO8601
- language: ISO639-1
- subject: string
Hier ist die Datumsangabe nach ISO 8601 (JJJJ-MM-TT) und die Sprachangabe nach ISO
639-1 (zweistellige Sprachkürzel) formatiert. Fehlerhafte Eingaben wie 2020-21-04 (Monat
und Tag vertauscht) oder dd (nicht existentes Sprachkürzel) können bei der Eingabe vom
System erkannt und mit einer Fehlermeldung quittiert werden. Im Element subject ist
jede Zeichenkette (string) erlaubt, d. h. Schreibfehler wie “Bauingeneurwesen” oder ein
ähnliches Wort wie Bautechnik werden vom System nicht als Problem erkannt. Nehmen
wir an, wir wollen auf einem Hochschulschriftenserver die Fachdisziplin eindeutig
erfassen, damit in einer Recherche danach gefiltert werden kann und in einer internen
Statistik die Schriften nach Fachdisziplin gezählt werden können. Dann bietet es sich an,
im Metadatenschema für das Element “subject” eine Wortliste zu definieren, die alle an
der Hochschule vertretenen Fachdisziplinen beinhaltet. Durch die begriffliche Kontrolle
werden Schreibfehler, Bedeutungs- und Bezeichnungsvielfalt vermieden. Die dadurch
erzeugte Einheitlichkeit fördert die Auffindbarkeit, Maschinenlesbarkeit und
Nachnutzbarkeit der Metadaten.
Eine solche Wortliste wird auch als “kontrolliertes Vokabular" bezeichnet. Für eine
vertiefende Auseinandersetzung wird die referenzierte Einführung in SKOS und das
dazugehörige Tutorial empfohlen.
Standards für Ontologien
● Web Ontology Language (OWL 2, OWL-S) (früher: DAML+OIL)
● Web Service Modeling Ontology (WSMO)
● Simple Knowledge Organisation System (SKOS)
51
3.3.1 Standards für Vokabulare
Zur Darstellung kontrollierter Vokabulare existieren verschiedene Standards.
14
Der
ANSI/NISO-Standard gibt Richtlinien und Konventionen für einsprachige Vokabulare
heraus (NISO, 2010). Der internationale Standard für Thesauri und Interoperabilität mit
anderen Vokabularen (ISO 25964) liefert ein generisches Datenmodell, ein Schema zum
Datenaustausch sowie Richtlinien zur Erstellung und Föderation von Thesauri.
Der ISO-Standard ist kompatibel zum SKOS (De Smedt, 2013), welches diesen
beispielsweise um Portierungsempfehlungen von Thesauri für webbasierte
Anwendungen ergänzt. So bietet SKOS insbesondere Möglichkeiten zur Beschreibung
und Organisation von Relationen zwischen im Web publizierten Ressourcen. SKOS
umfasst verschiedene Wissensorganisationssysteme, da sie eine ähnliche Struktur
aufweisen und in vergleichbaren Anwendungen verwendet werden (Miles & Bechhofer,
2009).
Expressivität
Der ISO-Standard und SKOS erlauben die Repräsentation von
● Konzepten sowie -gruppen und -reihen
● Hierarchischen und assoziativen Relationen (siehe Kapitel “Typen von Metadaten:
Strukturelle Metadaten”) sowie Äquivalenzrelationen
● Deskriptionen (bevorzugte Benennungen) und Nicht-Deskriptionen (nicht bevorzugte
Benennungen)
● Anmerkungen/Erläuterungen (Definitionen, scope notes), auch redaktionell
(Änderungsvermerke)
SKOS
Das Simple Knowledge Organization System (SKOS) ist eine Beschreibungssprache für
kontrollierte Vokabulare (Thesauri, Klassifikationen, Taxonomien usw.). Ziel des
Standards ist die einfache Veröffentlichung und Nutzung von kontrollierten Vokabularen
als Linked Open Data. SKOS wurde 2009 vom W3C als Empfehlung verabschiedet und
findet seitdem zunehmende Verbreitung als Austauschformat:
● Bedeutende allgemeine kontrollierte Vokabulare (z. B. Thesaurus der UNESCO oder der
EU) und zahlreiche fachspezifische (z. B. Thesaurus des Education Resources
Information Center (ERIC), Standard-Thesaurus Wirtschaft der ZBW, Thesaurus
Sozialwissenschaften von GESIS, Ontologien für Biowissenschaften) wurden bereits als
SKOS veröffentlicht.
● Die meisten aktuellen Thesaurus-Management-Systeme unterstützen SKOS. Es gibt
außerdem zahlreiche Tools, welche die Veröffentlichung und Nutzung von Vokabularen
als SKOS vereinfachen.
14
auch: Strukturiere Vokabulare (BS 8723-2:2005), Value Vocabulary (W3C LLDIG), Semantic
Assets (ADMS), Concept Schemes (SKOS), Classification (ISO/IEC 11179-3:2023)
52
SKOS wird im graph-basierten Datenmodell Resource Description Framework (RDF)
kodiert und unterstützt das RDF-Schema (RDFS). Durch diese Form der Kodierung ist das
Vokabular maschinenlesbar und web-kompatibel. SKOS unterstützt Mehrsprachigkeit,
jeder Begriff erhält einen Identifier (URI) und Verknüpfungen mit externen Vokabularen
im Web sind möglich. Als Datenformate stehen die Serialisierungen zur Verfügung, die
auch RDF bietet, also RDF/XML, N-Triples, Turtle, JSON-LD und weitere.
3.3.2 Veröffentlichung von Vokabularen mit SKOS
Um mit SKOS erstellte Vokabulare zu veröffentlichen, gibt es verschiedene
Möglichkeiten (Poolparty, SKOSMOS, iQvoc). Diese sind jedoch alle recht aufwändig zu
installieren und zu betreiben. Als Gegenentwurf wurde vom Hochschul-
bibliothekszentrum NRW die Software SkoHub Vocabs entwickelt (Rörtgen, 2021b;
Rörtgen & Pohl, 2023), die das Veröffentlichen von SKOS Vokabularen als
leichtgewichtige statische HTML-Seiten ermöglicht. Selbst eine Bereitstellung der
Vokabulare ohne eigenen Server ist möglich, indem Funktionalitäten von GitHub genutzt
werden, die das Hosten eigener statischer Webseiten ermöglichen.
Das Institut für Qualitätsentwicklung im Bildungswesen (IQB) veröffentlicht seit kurzem
ebenfalls die Bildungsstandards mit SKOS und SkoHub Vocabs in einem Github-
Repositorium. Das Prüfungsarchiv Bayern hat ebenfalls ein entsprechendes SKOS-
Vokabular aufgesetzt und nutzt dies, um die Prüfungen zu beschreiben. Auch andere
Vernetzungsprojekte im Bildungsbereich, wie der Open Educational Resource Search
Index (OERSI) oder WirLernenOnline entwickeln und nutzen SKOS-Vokabulare in ihren
Profilen oder in der Datenharmonisierung und veröffentlichen diese mit SkoHub Vocabs:
● Vokabulare im Allgemeinen Metadatenprofil für Bildungsressourcen
● Vokabulare im Open Edu Hub / WirLernenOnline - Projekt
Best practice-Empfehlungen für die Publikation kontrollierter Vokabulare
Die konkrete Darstellung der Erarbeitung eines Vokabulars sowie der Veröffentlichung
gehen über den Umfang dieses Kompendium hinaus. Die Einführung in SKOS am
Beispiel von Open Educational Resources (OER) gibt hierzu einen guten ersten Überblick.
Grundsätzlich lassen sich folgende Best Practices empfehlen:
● Persistenter Namensraum als URI (z. B. eigens kontrollierte Domain als Namespace
oder Resolver wie W3ID, PURL, DOI)
● Dokumentation des Vokabulars mit grundlegenden Metadaten, bspw. Erstellende,
Lizenz, Datum (Erstellung, Veröffentlichung, Überarbeitung).
● Repräsentationen für Mensch und Maschine unter gleicher URL
● Vokabular enthält grundlegende Metadaten, ggf. mehrsprachig (Beschriftungen,
Beschreibungen, Definitionen, Notizen …)
● Nachnutzung von und Verweis auf andere Vokabulare, wo möglich
● Mapping auf andere Vokabulare
53
Vokabular-Datenbanken (Terminology registries)
Vokabular-Datenbanken enthalten Beschreibungen und Verweise auf kontrollierte
Vokabulare in verschiedenen Repräsentationsformen. Über diese unterschiedlich
komplex organisierten Wissensrepräsentationen (Knowledge Organisation Systems)
werden teils auch die Konzepte und deren Beziehungen aufgeführt:
● Basic Register of Thesauri, Ontologies & Classifications (BARTOC.org),
enthält darüber hinaus als Meta-Registry auch weitere Vokabularregister.
● TIB Terminology Service als Meta-Registry (u.a. Kollektion für Bildungsressourcen)
● Linked Open Vocabularies (LOV)
● Ontology Archive für OWL (Archivo)
● Datendrehscheibe für Normdaten und Terminologien (DANTE)
● NFDI4Ing Terminology Service (Ingenieurwissenschaften)
● OBO Library (OBO Foundry)
● Getty Vocabularies: LOD (GVP)
● EU-Vokabulare, wie Code-Listen, Taxonomien und Thesauri
● Wikidata
● Normvokabular, z. B. gemeinsame Normdatei (GND) (GND Explorer, Lobid-GND, Katalog)
Mapping von Vokabularen
Diese Tools können für das Mapping, d.h. das Verknüpfen verschiedener Vokabulare,
und die weitere Annotation von (SKOS-)Vokabularen benutzt werden:
● Cocoda (Rörtgen, 2021a)
● Voclink (GND)
Publikation von Vokabularen
Diese Tools können zur Veröffentlichung von (SKOS-)Vokabularen genutzt werden.
● SkoHub
● Poolparty
● Skosmos
● iqvoc
Explizite und implizite Nutzung von Werten kontrollierter Vokabulare
Es gilt allgemein zu berücksichtigen, dass Metadatenfelder in der Praxis nicht nur strikt
entsprechend der jeweiligen Felddefinition verwendet werden. Häufig gehen mit der
Verwendung kontrollierter Vokabulare auch subjektive Erwartungen an bestimmte
Werte einher, z. B. hinsichtlich der Interpretation oder Nutzung von Werten für zunächst
nicht intendierte Zwecke (vgl. bspw. implizite Niveaustufen). Auch werden von
Nutzenden womöglich implizite Zusammenhänge mit anderweitigen Kriterien
angenommen, z. B. kontextabhängig (vgl. bspw. didaktische Kontextualisierung). Daher
unterscheidet sich der Verwendungszweck somit teilweise von der intendierten Funktion
und definierten, strikteren Semantik des zugehörigen Feldes. Auch andere Modelle zur
Beschreibung der Verwendungszwecke von Metadaten berücksichtigen in
vergleichbarer Weise die Unterscheidung zwischen der tatsächlichen Nutzung und den
intrinsischen Eigenschaften der Metadaten (Haynes, 2018).
54
💡
Zusammenfassung
● Vokabulare sind feste Wertelisten, die definieren, welche Werte bei einem
Metadatenattribut eingetragen werden können.
● Als Standard für die Publikation von Vokabularen hat sich das “Simple
Knowledge Organization System” (SKOS) etabliert.
3.3.3 Vokabulare zur Filterung von Suchergebnissen
Logische Verknüpfungen innerhalb und zwischen Filtern
Eine gängige Funktionsweise von Filtern eines Portals verwendet zur
Filterung der Suchergebnisse eine Adjunktion (‘ODER’-Verknüpfung)
anhand der selektierten Werte innerhalb derselben Filterkategorie
und eine Konjunktion (‘UND’-Verknüpfung) zur Kombination der
verwendeten Filterkategorien miteinander.
Dies bedeutet, dass aus allen ausgewählten Werten derselben Filterkategorie nur ein
einzelnes Kriterium auf das Suchergebnis zutreffen muss (Beispiel: mindestens
entweder A oder B oder C). Auch Ressourcen, die Schnittmengen dieser Merkmale
aufweisen, werden somit als Suchergebnis aufgeführt. Diese gängige Funktionsweise
von Filtern bewirkt jedoch zugleich, dass Nutzende keine explizite Kombination von
Merkmalen (Beispiel: A+B, A+C, B+C, A+B+C) zur strikteren Filterung auswählen können,
die gemeinsam bei einem Suchergebnis auftreten müssten. Durch die Verwendung der
'ODER'-Logik innerhalb einer Filterkategorie können Nutzende nach mehreren Kriterien
suchen und Ergebnisse erhalten, die mindestens eines dieser Kriterien erfüllen. Die
'UND'-Logik zwischen den Filterkategorien stellt sicher, dass die Suchergebnisse nur
Einträge enthalten, die mindestens ein ausgewähltes Kriterium aus jeder Filterkategorie
erfüllen. Damit werden zugleich die Nutzungsszenarien der Filter eingeschränkt. Dies
geschieht in der Regel, um ein ausgewogenes UI-/UX-Design zu realisieren oder
technische Implementationen zu vereinfachen.
Beispiele:
● Tabelle “Exemplarische Verknüpfung innerhalb und zwischen Filterkategorien”
● Anlage “Exemplarische Operatoren zur Implementierung einer Filter-Logik”
A
CB
55
Tabelle: Exemplarische Verknüpfung innerhalb und zwischen Filterkategorien
Filterkategorie
“Farbe”
Filterkategorie
“Größe”
Erwartbare Eigenschaften der Suchergebnisse
(x) grün
(x) blau
( ) gelb
(x) klein
(x) mittel
( ) groß
Die gefilterten Suchergebnisse besitzen für das Merkmal “Farbe”
entweder den Wert “grün”, “blau” oder beide Werte. Zusätzlich
weisen die Ergebnisse für Größe entweder den Wert “klein”,
“mittel” oder beide Werte auf.
Finde Suchergebnisse, die folgende Kriterien erfüllen: (grün ODER blau) UND (klein ODER mittel)
Es ist durch die logische Verknüpfung innerhalb und zwischen den Filtern nicht unmittelbar möglich,
ausschließlich Suchergebnisse zu erhalten, denen sowohl “grün” als auch “blau” als Farben zugeordnet
sind.
Lösungsansätze zur Flexibilisierung der Filterung
Das ComeIn-Portal bietet zur Realisierung des Nutzungsszenarios der exklusiven
Merkmalskombination den “Stichwort”-Filter zusätzlich als Filter “Stichwort-
Kombination” an, damit eine Kombination von Merkmalen (A+B) zur Filterung möglich
ist. Eine x-fache Duplizierung sämtlicher Filter scheint jedoch keine zufriedenstellende
UI-/UX-Lösung. Vielmehr könnte es Nutzenden vereinfachend ermöglicht werden, für
jeden Filter die logische Verknüpfung der ausgewählten Werte eigenständig zu wählen
(vgl. Grafik “Filter mit Auswahl der logischen Verknüpfung”). Unter Umständen könnte
eine solche Realisierung jedoch das UI überfrachten oder von Nutzenden als kompliziert
empfunden werden.
Grafik:
Filter mit Auswahl der
logischen Verknüpfung
Quelle: Eigener Screenshot
(KatalogPlus), UI © 2024
ULB Münster, ExLibris
Primo Discovery Service
56
Filter-Logik: Ausweitung vs. Eingrenzung der Suchergebnisse
Insbesondere kann somit zwischen Filterlösungen unterschieden werden, die
Suchergebnisse durch Auswahl weiterer Werte innerhalb desselben Filters …
● … weiter eingrenzen, indem diese Kriterien jeweils zugleich erfüllt sein müssen
(logische Operatoren: “UND”, “NICHT”)
oder
● … erweitern, indem weniger strikte Suchbedingungen gelten, bei denen nur
mindestens ein ausgewähltes Kriterium erfüllt sein muss
(logischer Operator: “ODER”).
3.4 Woher stammen Metadaten?
Das Vorliegen einzelner Metadaten ist nicht als selbstverständlich zu betrachten.
Grundsätzlich ist von einer eher geringen Metadatenerschließungsdichte bei
Ressourcen auszugehen, die trotz automatisierter Anreicherung zunächst insbesondere
im Hinblick auf didaktische Metadaten lückenhaft bleibt, wie die Erfahrung in
verschiedenen Projekten gezeigt hat (Abdel-Qader et al., 2022; Arndt et al., 2023). Die
Generierung von Metadaten kann auf unterschiedliche Weisen erfolgen (Haynes, 2018,
S. 170):
● Individuell, beispielsweise durch Einzelpersonen mittels Metadaten-Formularen oder
-Editoren.
● Redaktionell, beispielsweise durch fachbezogene Communitys of Practice
● Algorithmisch, beispielsweise durch Inferenzsysteme oder regelbasiert (bspw. logische
Abhängigkeiten zwischen Metadaten), beispielsweise automatisches Tagging
(Koutsomitropoulos, 2019; Kushwaha & Prabhakar, 2019; Vallejo-Figueroa et al., 2018)
● KI-gestützt, beispielsweise durch Analyse von Text-, Bild- oder Videoinhalten mittels
Machine Learning-Verfahren zur automatischen Erschließung von Ressourcen und
Erstellung von Metadaten (verwandte Projekte: X5GON, EADTU, IT’s JOINTLY, Annif)
● Crowd-basiert (Social Tagging), beispielsweise durch Ansätze zur Einreichung oder
Bewertung von inhaltlichen Vorschlägen zu Metadaten (u. a. Web of Trust) (Cooper et
al., 2020)
Die Herausforderungen, speziell bei der individuellen Metadatengenerierung, sind
bedingt durch den zeitlichen Aufwand und die Komplexität des Unterfangens (Abdel-
Qader et al., 2022; Tischler et al., 2022).
Metadaten- und Konsolidierungsservice
Da die Einarbeitung in Metadatenthemen aufwändig und nicht von allen Bildungs- und
Inhalteanbietern leistbar ist, bilden sich Metadaten- und Konsolidierungsservices. Ein
Beispiel im deutschsprachigen Bildungsbereich ist WirLernenOnline / Open Edu Hub.
Hier können Anbieter ihre Inhalte manuell oder technisch unterstützt erfassen.
Technische Unterstützungsfunktionen generieren Metadaten und prüfen die
Inhaltequalität. Redaktionen helfen beim Erschließen, Prüfen und Zusammenstellen von
57
Sammlungen für Zielgruppen und Nutzungszwecke. Metadaten werden von solchen
Services in standardisierten Formaten bereitgestellt und in Bildungsnetzwerke und
Lernsysteme transferiert.
3.5 Wie gelingt der Datenaustausch in einer vernetzten
Bildungslandschaft?
❓
Fragestellung
● Was ist Interoperabilität und welche Relevanz hat sie in einer vernetzten
Bildungslandschaft?
Interoperabilität bezeichnet die Eigenschaft, Daten zwischen verteilten Systemen mit
möglichst minimalem Verlust auszutauschen (Riley, 2017, S. 2), sodass Objekte
weitestgehend automatisiert auch in anderen Kontexten verwendet werden können
(Duval, 2001a, S. 592). Sie bezeichnet darüber hinaus die Vereinheitlichung von
Prozessen und Architekturen (Pellegrini & Blumauer, 2006, S. 18f). Interoperabilität wird
hergestellt, indem sich die Akteure, die Daten austauschen wollen, auf die Verwendung
von Standards einigen und ihre Daten entsprechend bereitstellen. Dabei erlaubt ein
Standard verschiedene Implementationen und fördert so den Wettbewerb und die
Zusammenarbeit zwischen verschiedenen Gruppen. Interoperable Verfahren sind
besonders zur Vermeidung von Datensilos
15
sinnvoll, um einen Datenaustausch und
Möglichkeiten zur Nachnutzung zu gewährleisten. Standardisierung ist somit eine
Voraussetzung für die weiträumige Nutzung von Bildungsressourcen, da sie verhindert,
dass Nutzende an proprietäre Systeme gebunden sind (Vendor Lock-in), um auf diese
Weise eine offene Bildungsinfrastruktur zu schaffen (Duval, 2001b, S. 458).
Ziele der Interoperabilität
● Austauschbarkeit von (verteilten) Daten verbessern (z. B. Nutzung gemeinsamer
Datenmodelle)
● Wahrung der Autonomie und Souveränität der verteilten Dienste
● Datenaustausch mit möglichst geringem Informationsverlust
● Sichtbarkeit von Daten erhöhen
● Automatisierung von Austauschprozessen ermöglichen
● Integrierbarkeit von Daten gewährleisten (z. B. in verschiedenen Applikationen,
Export/Import in Systeme)
15
Datensilos sind Datensammlungen, die nicht für einen Datenaustausch vorgesehen sind,
sodass diese bspw. in proprietären Systemen unzugänglich eingeschlossen sind oder
zusammenhängende Daten unverknüpft in verteilten Systemen verbleiben.
58
Hinsichtlich der Interoperabilität lassen sich verschiedene Typen und Stufen
unterscheiden. So klassifizieren Berger et al. aus der Perspektive von Stakeholdern
technische, semantische, organisatorische und rechtliche Interoperabilität (Berger et al.,
2023).
Typen der Interoperabilität nach (Weibel (1998) in Haynes, 2018, S. 171f)
● strukturell: Die Standards beruhen auf einem gemeinsamen Datenmodell, es werden
gemeinsame Metadatenschemata verwendet, die Abrufbarkeit von Daten wird
ermöglicht (z. B. durch offene Schnittstellen)
● syntaktisch: Die Metadaten werden in einem geeigneten Format, wie z. B. XML oder
JSON(-LD), kodiert. Transfer- und Austauschprozesse werden abgestimmt. Der
strukturelle Aufbau der Werte wird normiert.
● semantisch: Die verwendeten Metadatenelemente haben die gleiche Bedeutung in
verschiedenen Systemen, dazu werden Verbindungen zwischen Konzepten oder
inhaltlichen Domänen erstellt (“Brücken schlagen”). Es werden standardisierte
Technologien (z. B. RDF) verwendet, um diesen semantischen Transfer zu ermöglichen.
Stufen der Interoperabilität (Nilsson, Baker & Johnston (2009) in Haynes, 2018, S. 171;
Nilsson, 2010):
● Ebene 1: Gemeinsame Begriffsdefinitionen
● Ebene 2: Formale semantische Interoperabilität
● Ebene 3: Syntaktische Interoperabilität der Metadatensätze
● Ebene 4: Interoperabilität von Metadatenprofilen
Praxisbeispiele für die Nutzung interoperabler Technologien:
● Lerninhalte sollten möglichst ohne Einschränkung der Darstellung oder Funktion mit
verschiedenen Lernplattformen kompatibel sein. Der Inhalt soll Lernenden mit gleicher
Sequenzierung und struktureller Aufbereitung präsentiert werden können. E-Learning-
Standards unterstützen diese Art der Interoperabilität.
● Zertifikate sollen über Services hinweg nutzbar sein
● Interaktionen von Nutzer*innen (Likes, Listen, soziale Kontakte) sind über Plattformen
hinweg nutzbar
Ansätze zur Realisierung dieser Interoperabilität
In der Bildungslandschaft sind im Laufe der Zeit viele Repositorien mit reichhaltigen
Ressourcen aus spezialisierten Domänen entstanden. Um zwischen oftmals lokalen
Spezifikationen einzelner Repositorien zu vermitteln, ist die Berücksichtigung und
Nutzung interoperabler Technologien essenziell. Nur so können diese Datensilos
effizient miteinander verknüpft werden. Besonders OER-Repositorien haben die
transparente Standardisierung in verschiedenen Bereichen vorangetrieben, um ihre
Daten möglichst verlustfrei austauschen zu können. Durch die Einrichtung
gemeinsamer Metadatengruppen und Nutzung gemeinsamer Metadatenstandards
oder -profile, einschließlich kontrollierter Vokabulare, arbeiten sie an einem möglichst
verlustfreien Mapping zur Herstellung der Interoperabilität.
59
Zur Erreichung von Interoperabilität erarbeiten Metadatengruppen:
● formalisierte Prozesse (z. B. Werkzeuge/Verfahren zur Standardisierung von Metadaten)
● Metadatenprofile (Allgemeines Metadatenprofil für Bildungsressourcen (AMB), LOM for
Higher Education OER Repositories)
● kontrollierte Vokabulare (Hochschulfächersystematik)
● Mappings zwischen Vokabulare (z. B. mit Cocoda - coli-conc)
Referatorien
Referatorien sammeln Daten verschiedener Repositorien ein und bieten als Metaportale
übergreifende Services an, wie Suchen. Damit dienen sie als “Tester” der gewünschten
Interoperabilität. Dazu erschließen sie Inhalte aus verschiedenen Quellen und
harmonisieren die Daten im Transferprozess (s.u. ETL-Prozess). Auf diese Weise kann
die Auffindbarkeit von Ressourcen erhöht und eine systematische, übergreifende Suche
angeboten werden.
Die Liste der Referatorien ist exemplarisch zu verstehen und bildet nur einen geringen
Teil des Marktes ab. Insbesondere durch den Einsatz universeller Open Source Software,
wie beispielsweise edu-sharing (Klebl et al., 2010; Klebl & Krämer, 2010; B. J. Krämer &
Klebl, 2011), entstehen vermehrt weitere dezentrale Metadaten-Hubs, die zugleich auch
als Repositorium fungieren können. In der Regel werden die erschlossenen Quellen von
den Referatorien ausgewiesen, sodass über diese eine Vielzahl von Repositorien
auffindbar werden.
Tabelle: Liste exemplarischer Referatorien
Fokus
Anbieter
Repositorium
Referatorium
KITA /
Kindergarten
BY
KITA Hub Materialkiste
x
x
Schule
WirLernenOnline.de16
x
x
MUNDO
x
x
Elixier
x
Hochschule
OERSI
x
NW
ORCA.nrw
x
x
SH
futureskills-sh.de
x
NI
Twillo
x
x
BW
Zentrales OER-Repositorium
x
x
HE
HessenHub
x
BY
Virtuelle Hochschule Bayern
x
x
Berufliche
Bildung
HubbS
x
x
16
Das Portal WirLernenOnline aggregiert zum Teil auch Bildungsmaterialien aus anderen
Bildungsbereichen. Der primäre Fokus des Portals liegt derzeit auf dem Bildungsbereich Schule.
60
Lehrkräfteaus- / -
fortbildung
Meta-Videoportal unterrichtsvideos.net
x
NW
ComeIn.nrw
x
x
Allgemein
OpenVerse
x
MOOChub
x
💡
Zusammenfassung
● Interoperable Systeme bemühen sich um einen möglichst verlustfreien
Datenaustausch und beziehen sich auf eine Vielzahl von Aspekten, dazu
gehören:
○ Metadatenprofile
○ Vokabulare
○ Schnittstellen
3.6 Wie werden Metadaten ausgetauscht? - Der ETL-Prozess
🏅
Lernziele des Kapitels
● Sie haben ein grundlegendes Verständnis zum Thema “Datenaustausch”.
● Sie kennen verschiedene Herausforderungen beim Datenaustausch.
Die Interoperabilität der Daten ist eine wichtige Voraussetzung, um übergreifende
Services wie Referatorien bereitstellen zu können. Doch wie komme ich überhaupt an
die Daten?
Grafik: Darstellung des Erschließungsprozesses. Die Metadaten verschiedener Repositorien werden
während des ETL-Prozesses harmonisiert. Von dort werden sie dann in dem jeweiligen Service über
einen Index mit Filtermöglichkeiten in einer quellübergreifenden Suche verfügbar gemacht.
Suche
Filter
Index
Metadaten
Metadatenharmonisierung
Metadaten
…
Repositorium
Repositorium
…
Erschließungsprozess
61
Verfahren zum Datenaustausch
Zwei grundlegende Verfahren können beim Datenaustausch in einer vernetzten
Infrastruktur unterschieden werden: Push und Pull.
17
● Pull: Der Pull-Ansatz (auch als Polling bezeichnet) ist besonders im Internet verbreitet.
Ein Client, z. B. ein Benutzer, ein Webbrowser, eine Anwendung usw., fordert
Informationen an, und der Server antwortet mit den angeforderten Informationen. Das
ist so, als würde man den Spielstand des gestrigen Fußballspiels nachschlagen: Die
Informationen sind statisch, und es besteht keine Notwendigkeit für häufige - oder
überhaupt keine - Aktualisierungen. Der Client fordert die Informationen an, der Server
stellt sie bereit, und der Austausch ist beendet.
● Push: Hierbei handelt es sich um eine Architektur, bei der die Daten, sobald sie verfügbar
sind, an eine interessierte Partei geschoben (“push”) werden. Es ist eine der Grundlagen
des Echtzeit-Web und die Technologie, die vielen beliebten Chat- und anderen Echtzeit-
Plattformen zugrunde liegt. Push-Kommunikation findet man auch häufig auf dem
Handy, wo Sonderangebote, Benachrichtigungen und Spielstandsaktualisierungen direkt
auf das Gerät gesendet werden.
Welcher Ansatz der richtige ist, lässt sich nicht generell entscheiden, sondern hängt von
den Anforderungen der jeweiligen Architektur und den Abständen ab, in denen neue
Daten benötigt werden. Wenn die Datenbestände minuten- oder sogar sekundenaktuell
auf dem aktuellsten Stand sein sollen, ist sicherlich eine push-basierte Architektur zu
wählen, da ansonsten vielfache Pull-Anfragen verschickt werden müssen. Bei einer
push-basierten Architektur wird das Senden der Daten auf die jeweiligen Portale
verlagert und erfordert dort unter Umständen einen höheren Implementierungs-
aufwand.
Wenn jedoch eine Aktualisierung der Datenbestände in etwas größeren Zeiträumen
möglich ist, ist ein pull-basierter Ansatz sinnvoller, da hier weniger Implementierungs-
aufwand bei den einzelnen Datenquellen liegt. Diese müssen lediglich die Schnittstellen
bereitstellen, über die die Daten abgerufen werden können. Ein Referatorium holt
anschließend in regelmäßigen Abständen die Daten ab und aktualisiert seinen
Datenbestand. Dieser Ansatz entlastet die Quellen hinsichtlich des technischen
Aufwandes. Zusätzlich lassen sich bei diesem Ansatz die Daten auch leichter von anderen
interessierten Akteuren abfragen.
17
Teile des nachfolgenden Abschnitts sind von Steffen Rörtgen bereits in (Rörtgen, 2023)
dargestellt worden.
62
Der ETL-Prozess
Um Daten aus Datenquellen in die eigene Plattform zu überführen (klassisch pull-
Ansatz), sind sogenannte ETL-Prozesse notwendig. Der ETL (Extract, Transform, Load)
Prozess überführt dabei die Datensätze aus externen Quellen, die in unterschiedlichsten
Formaten und Strukturen vorliegen, in ein einheitliches Datenformat, das innerhalb des
eigenen Services genutzt wird.
Im ersten Schritt (Extract) wird dabei die jeweilige Quelle abgefragt und eine Liste aller
Datensätze (im Format der Quelle) abgerufen. Anschließend werden die Datensätze in
ein einheitliches Datenformat (Transform) transferiert. Dies kann neben der
Normierung der einzelnen Texte (Titel, Beschreibung) auch eine Überführung in ein
gemeinsames Vokabular (s. o.) beinhalten, sodass später Inhalte gezielt nach Fach,
Bildungsstufe o. Ä. erfasst werden können. Im letzten Schritt (Load) werden diese
Datensätze in ein Content-Management-System des eigenen Dienstes geladen,
persistiert und von dort aus zugänglich gemacht.
Beispiele von zur Bereitstellung und Aggregation von Metadaten:
● Markup in Webseiten (z. B. HTML mit AMB-basierter JSON-LD (hbz & TIB, 2024); RDFa,
Standard Generalized Markup Language - SGML)
● Scraping von Webseiten
● Strukturierte Datensammlung (bspw. JSON, XML/DTD, CSV)
● Schnittstellen, z. B. XML via OAI-PMH, JSON-API, Open API,, Simple Query Interface (SQI),
RDF / SPARQL / GraphQL / RDQL, Apache Jena
💡
Zusammenfassung
● Daten werden über Schnittstellen im Rahmen eines ETL-Prozesses
(Extract, Transform, Load) ausgetauscht
● Extract: Daten werden von der Zielquelle abgefragt
● Transform: Daten werden in ein Zielformat konvertiert
● Load: Konvertierte Daten werden in das eigene System geladen
63
4 Didaktische Metadaten
4.1 Was sind didaktische Metadaten?
❓
Fragestellung
● Was genau sind eigentlich didaktische Metadaten?
● Welche Potenziale und Herausforderungen bieten didaktische Metadaten?
Didaktische Metadaten dienen der Charakterisierung sowie Kontextualisierung, wie von
Bildungsressourcen und deren intendierter Nachnutzung in Lernkontexten,
Lernumgebungen und den damit verbundenen Lernprozessen. Sie umfassen vielseitige,
relevante Aspekte für die Gestaltung der Lehre und des Lernens. So können
Bildungsressourcen etwa durch Metadaten-Statements
18
beschrieben werden, die
Merkmale von Lernprozessen oder Lernumgebungen kennzeichnen und mit der
intendierten Nutzung einhergehen (Sutton, 2004, S. 145).
Diese weite Definition erlaubt es, sowohl bildungswissenschaftliche, pädagogische,
psychologische, als auch methodische sowie (fach-/medien-)didaktische Perspektiven
auf Bildungsressourcen und deren Kontexte interdisziplinär als Metadaten-Kategorie
zusammenzufassen, sodass “Bildungsmetadaten” oder “pädagogischen Metadaten”
hierunter ebenfalls subsumiert werden. Im internationalen Raum sind die Begriffe
educational metadata (Bildungsmetadaten), pedagogic metadata (pädagogische
Metadaten) und didactic metadata (didaktische Metadaten) verbreitet, die definitorisch
verwandt und kaum voneinander abzugrenzen sind, sodass in diesem Kompendium
diese Konzepte von der Bezeichnung “Didaktische Metadaten” ebenfalls umfasst
werden. Didaktische Metadaten sind besonders relevant für Lehrende, Lernende,
Bildungsforscher*innen und Multiplikator*innen im Aus- und Fortbildungssystem sowie
darüber hinaus für Personen, die an der Konzeption und Realisierung von
Bildungsdiensten beteiligt sind.
Primär werden in diesem Kapitel deskriptive didaktische Metadaten herausgestellt, die
als Attribute für Bildungsressourcen fungieren. Dabei ist zu berücksichtigen, dass
darüber hinaus auch anderweitige deskriptive, strukturelle oder administrative
Metadaten in Lehr-/Lernkontexten und -prozessen wichtige didaktische Funktionen
erfüllen können, wie in diesem Kompendium exemplarisch aufgezeigt wird. Somit wird
hier zugleich eine Unterscheidung zwischen didaktischen und anderweitigen
Metadaten, die in bestimmten Nutzungsszenarien eine didaktische Funktion erfüllen,
getroffen. Die letztgenannte Kategorie kann aufgrund facettenreicher Anwendungsfälle
äußerst umfangreich sein, sodass hier nur einige Beispiele erwähnt werden. Auch
18
vgl. Kapitel “Was sind Metadaten?” zum Begriff der Metadaten-Statements.
64
didaktische Metadaten können dabei inhalts-, kontext- und strukturbezogene
Attribuierungen vornehmen (vgl. Typen von Metadaten).
Wissensorganisationssysteme, wie beispielsweise didaktische Taxonomien, Typologien
und Ontologien (Meder, 2006; Ohly et al., 2000; Pawlowski, 2002; Schmiech, 2006; Swertz,
2004, 2005), können als Basis verwendet werden, um Lernobjekte durch didaktische
Kategorien zu beschreiben, beispielsweise über eine Zuordnung von Sachthemen,
Lernzielen, zugehörigen Wissensarten (bspw. deklarativ, prozedural, situativ,
sensomotorisch), medialen Präsentationsformen (vgl. auch Ressourcentypen) oder auch
fach- und sachlogischen Beziehungen zwischen Themen, welche zugleich eine
intendierte Progression der Lerninhalte abbilden (Wissenssequenzierungen). Somit
existieren nicht nur Beschreibungsansätze für die Gestalt und Struktur der Lerninhalte,
sondern vielmehr auch für Zusammenhänge von Inhalten, didaktischen
Einsatzszenarien und der Einbettung der Inhalte in verschiedene Bildungskontexte.
Dabei können vielfältige didaktische Kategorien erfasst werden, wie:
● Lehr-/Lernmodelle (z. B. Instruktionsmodelle mit Phasierungen des Unterrichts)
● Lehr-/Lerntheorien (z. B. Konnektivismus, Konstruktivismus, Kognitivismus, Behaviorismus)
● Lehr-/Lernziele (z. B. zu fördernde Kompetenzen)
● Lern-/Lernniveaus (z. B. Kompetenzstufenmodelle, Differenzierungsmodelle)
● Lehr-/Lerngruppen (z. B. Personengruppen, für die eine Ressource didaktisiert wurde)
● Lehr-/Lernformen (z. B. selbstgesteuerte oder fremdgesteuerte Lernprozesse)
● Lehr-/Lernkontexte (z. B. zeitlicher, organisatorischer und räumlicher Kontext)
● Lehr-/Lernszenarien (z. B. Sequenzierung von Lernaktivitäten)
● Lehr-/Lernmethoden (z. B. Didaktische Prinzipien, Interaktionsarten)
Heterogenität der Nutzungskontexte von Bildungsressourcen
Wenngleich die Entwicklung des Bildungsmarktes stetig voranschreitet, ist weiterhin zu
konstatieren, dass, aus Sicht von Lehrenden und Lernenden, relevante didaktische
Merkmale von Ressourcen nicht oder nur unzureichend erfasst werden (Tavakoli et al.,
2020, S. 1). Die Vielzahl der möglichen Verwendungskontexte erhöht die Bedarfe an
Ressourcen und spezifischen Metadaten, damit Suchen überhaupt zielgerichtet
durchführbar sind, um die relevanten Ressourcen in der zunehmenden Vielfalt auffinden
zu können. Die Relevanz von Ressourcen ergibt sich für Lernende und Lehrende dabei
aus zahlreichen Faktoren, wie insbesondere dem jeweiligen Kontext der intendierten
Nachnutzung. So können für die erfolgreiche Nutzung einer Ressource unter
Umständen die jeweilige Lernumgebung, Bildungsstufe, sprachlichen Hintergründe,
verfügbare Lernzeit, technologischen und rechtlichen Anforderungen und viele weitere
Kriterien bedeutsam sein. Ebenso haben orts- und zeitunabhängiges Lernen sowie
selbstgesteuerte Lernprozesse durch die Digitalisierung an Relevanz gewonnen.
65
Attribute und Werte zur Bereitstellung und Austausch von Daten: One size fits all?
Im Folgenden werden einige Attribute vorgestellt und beschrieben, die sich entweder
bereits in Metadatenstandards finden, von Fachexpert*innen teilweise konzeptualisiert
wurden oder von Lehrenden und Lernenden erwünscht sind, jedoch bislang keine
flächendeckende Verbreitung oder keinen Konsens aufweisen. Dabei wird zudem auf
Wertelisten verwiesen, die bereits in verschiedenen Stadien der Entwicklung zur
Nachnutzung vorliegen oder von Expert*innen als relevant eingestuft werden, jedoch
unter Umständen bisher nicht unmittelbar als kontrolliertes Vokabular tauglich sind.
Dabei muss beachtet werden, dass einige der genannten Wertelisten zum Teil eher dem
Datenaustausch zwischen verteilten Systemen dienen und weniger der Bereitstellung
elaborierter Metadaten in lokalen Repositorien oder Bildungsdiensten. Damit können
die erwähnten Wertelisten eventuell unterspezifiziert sein, je nachdem wie heterogen
die Gruppe derjenigen ist, die sich auf die Attribute und Wertelisten zum Austausch
geeinigt haben. Innerhalb konkreter Dienste ist es unter Umständen sinnvoll, wesentlich
umfangreichere Attribute und Wertelisten zu nutzen, beispielsweise um spezifische
Empfehlungsfunktionen zu ermöglichen oder um Sammlungen für verschiedene
Bedürfnisse von Zielgruppen zusammenzustellen. Diese Vielfalt lokaler Ausprägungen
kann in einem Datenaustausch jedoch nicht immer abgebildet werden. So müsste zum
Beispiel das elaborierte, service-interne Vokabular der Lernressourcentypen von
WirLernenOnline beim Austausch der Daten auf ein Vokabular abgebildet werden, wie
es in einem der Metadatenprofile LOM-HS-OER oder AMB genutzt wird.
Die zunächst naheliegende Forderung, dass jeder Dienst einfach die gleichen Attribute
und Wertelisten verwendet, würde funktional einschränkend wirken und den
Wettbewerb sowie Innovationen hemmen. Nur standardisierte Wertelisten in einem
Service zu verwenden, führt kaum zur besten Usability und User Experience, da diese
Wertelisten oft ein gewisses Abstraktionsniveau aufweisen. Das steht jedoch nicht der
Möglichkeit im Wege, diese spezifischen Attribute und Werte auf standardkonforme
Daten zu mappen und sie über offene Schnittstellen bereitzustellen. Um den
Informationsverlust möglichst zu minimieren, sollten der Transfer und die
Harmonisierung von Metadaten zwischen verschiedenen Systemen bereits frühzeitig
mitgedacht werden.
💡
Zusammenfassung
● Didaktische Metadaten umfassen vielseitige Aspekte von Bildungsressourcen
und Bildungskontexten (z. B. Lernumgebungen), die für Lehr-/Lernprozesse
relevant sind.
● Es kann zwischen didaktischen Metadaten und Metadaten, die in bestimmten
Nutzungsszenarien eine didaktische Funktion erfüllen, unterschieden werden.
● (Elaborierte) Vokabulare und Harmonisierung für den interoperablen
Datenaustausch sollten frühzeitig mitgedacht werden.
66
4.2 Didaktische Metadatenfelder - Welche gibt es schon?
❓
Fragestellung
● Welche didaktischen Metadatenfelder existieren bereits in den vorhandenen
Standards und wie werden sie eingesetzt?
4.2.1 Fach- und Themenzuordnung
Die Zuordnung eines Objektes zu einem Fach ist im institutionellen Bildungsbereich
essenziell und häufig einer der ersten Suchzugänge (Tischler et al., 2022, S. 259). In der
Untersuchung von Tischler et al. wird die Zuordnung des Studienfaches von den
Befragten als relevant und leicht beschreibbar identifiziert (Tischler et al., 2022, S. 258).
Bei einer früheren Befragung durch Arbeitsgruppen der LRMI galt die Angabe von
Inhalts- und Themenbereichen bei mehr als 80 % der befragten Lehrenden als eine der
hilfreichsten Angaben (Winter Group, 2014), wenngleich zu berücksichtigen ist, dass das
damalige Spektrum zur Verfügung stehender geschlossener Antwortmöglichkeiten sich
von der heutigen Marktsituation unterscheidet. Bei einer Umfrage von JOINTLY.info
empfanden nur ca. 46 % (n = 46 Antworten) eine Filterung nach dem “Fach” mindestens
“etwas hilfreich” (JOINTLY.info, 2021). Dies kann mehrere Ursachen haben. So musste
etwa die Einschätzung in dieser Umfrage für die Kombination der beiden Felder “Fach”
und “Klassenstufe” getroffen werden und konnte nicht getrennt erfolgen. Auch
unterscheiden sich womöglich die jeweiligen Suchintentionen, Vokabulare, Gestaltung
der Oberflächen und präsentierte Inhalte sowie deren Verschlagwortung, vor deren
Hintergrund die Antworten in der Umfrage anzunehmend erfolgten.
Aus den dargelegten Gründen sind Attribute zur Zuordnung eines Faches oder
Themenbereichs auch in den weitverbreiteten Metadatenstandards vorhanden. Das
Attribut fokussiert die Inhaltsstruktur des Unterrichts. Es gibt bereits verschiedene
maschinenlesbare Fachsystematiken für den Schul- und Hochschulbereich.
Sachlogische Beziehungen
Durch Modellierung sachlogischer Beziehungen innerhalb und zwischen Sachgebieten
(sowie Themen) wird die intendierte Progression, unter anderem die Sequenzierung der
Lerninhalte, vorstrukturiert. Wissenszusammenhänge können dadurch vernetzt
werden, was beispielsweise bei der Implementierung von Vorschlagssystemen relevant
ist. Sachlogische Beziehungen können Sachanalysen von Unterrichtsplanungen und
Unterrichtsentwürfen unterstützen.
Beispiel: Graph-basierte Suche von GeoGebra
67
Interdisziplinarität und Querschnittsthemen
Eine Herausforderung bleibt die Zuordnung interdisziplinärer Materialien (Tischler et al.,
2022, S. 260). Wenn dazu tendiert wird, bei einem Objekt eine große Anzahl an Fächern
zuzuordnen, weist dies womöglich darauf hin, dass die Systematik eine geringe
Passgenauigkeit aufweist. Häufig handelt es sich dabei um Objekte, die
fächerübergreifende Querschnittsthemen oder -kompetenzen betreffen (vgl. auch die
Diskussion zur Hochschulfächersystematik oder zur disziplinübergreifenden Erfassung).
Je nach Anwendungsfall ist es sinnvoll, hier den Wert “fachübergreifend” in einem
kontrollierten Vokabular zu verwenden, einen dedizierten Katalog als Werteliste zu
hinterlegen oder ein alternatives Metadatum, wie Lernvoraussetzungen, -ziele und -
kontrollen, ersatzweise zu verwenden. Der Suchindex OERSI verwendet den Wert
“fachübergreifend” ersatzweise, wenn mehr als drei Kategorien der ersten Ebene der
Fächersystematik verwendet werden (OERSI, 2024). Dabei sollte eine Entscheidung die
einhergehenden Implikationen für die Filterlogik in einem Portal berücksichtigen (vgl.
Kapitel “Vokabulare zur Filterung von Suchergebnissen”).
Beispiele für Querschnittsthemen und Interdisziplinarität:
● Innovationsprozesse an Bildungseinrichtungen
● Medienbezogene (Hoch-)Schulentwicklung
● Informatische Grundbildung (IGB)
● Bildungswissenschaften
● Bildung für nachhaltige Entwicklung (BNE); Nachhaltigkeit
● Digitalisierung und Medienkompetenzen
● Inklusion/(Umgang mit) Heterogenität (bspw. als medienpädagogisches /
förderpädagogisches Konzept, welches in verschiedenen Fächern in Verbindung mit
fachwissenschaftlichen Perspektiven greift)
● Fachübergreifender Unterricht, Kombinationsfächer wie Mathematik, Informatik,
Naturwissenschaft und Technik (MINT) bzw. Science, technology, engineering, and
mathematics (STEM) (unterschiedliche Kombination von Fächern)
Gestufte und multidisziplinäre Studiengänge
Eine weitere Herausforderung etablierter Fachsystematiken besteht bei Studiengängen,
die über mehrere Phasen konzipiert sind, unter anderem multidisziplinäre
Lehramtsstudiengänge, die das Zusammenspiel von Fachwissenschaften, Fachdidaktik
und Bildungswissenschaften involvieren.
Praxisbeispiel: Lehramtsstudiengänge
Die Zuweisung des Fachs “Mathematik” zu einer Ressource wäre demnach als einziges
Kriterium unzureichend, um zwischen Fachwissenschaft und Fachdidaktik differenzieren
zu können, da nicht unterschieden werden kann, ob die Ressource eher für
68
fachwissenschaftliche oder fachdidaktische Zielgruppen (z. B. Lehramtsstudierende)
relevant ist, sofern nicht ohnehin beides zutrifft. Zudem gibt es derzeit sechs
verschiedene Lehramtstypen (vgl. Tabelle “KMK-Lehramtstypen” im Abschnitt
Abschlüsse) (KMK, 2023), sodass auch die Zielgruppe der Lehramtsstudierenden
nochmals differenzierter zu betrachten ist. Wenngleich anzumerken ist, dass seit 2022
der Lehramtstyp 2 für “Lehrämter der Primarstufe und aller oder einzelner Schularten
der Sekundarstufe I” kaum noch eine Relevanz hat, da dieser in keinem Land mehr
angeboten wird (Centrum für Hochschulentwicklung, 2024a). Um nun jedoch
Fächersystematiken nicht zu überfrachten, wird in der Regel auf eine dortige
Unterscheidung zwischen Fachwissenschaft und -didaktik verzichtet, somit
beispielsweise auf separate Werte für “Mathematik” als Fachwissenschaft und
“Mathematikdidaktik”.
Doch wie finden Personen mit Bezug zur Lehrkräfteaus- und -fortbildung relevante,
fachdidaktische Ressourcen?
Sofern die Differenzierung nicht aus der Zuweisung konkreter didaktischer Themen
hervorgeht, wird diese teils über die Benennung von Zielgruppen, Ausweisung von
Lernzielen, die Zuordnung der entsprechenden Abschlüsse (Bachelor of Science;
Bachelor of Education; Lehramtstypen), oder auch Curricula (z. B. KMK Standards für die
Lehrkräftebildung), vorgenommen.
Attribute in Metadatenstandards
● LRMI/schema.org: about
● AMB: about
● LOM: 9.1 discipline
● Learning Metadata (LMT): dct:subject (DCMI Metadata Terms)
● dfnEduPerson
○ vier Attribute, drei mit Destatis-Wertebereich: “Fächergruppe”,
“Studienbereich”, “Studienfach”, “Studienfachbezeichnung laut Hochschule”
○ zwei kombinierte Attribute mit Destatis-Wertebereich: “Studienfach und
Abschluss”, “Studienfach und Studienfachart”
Wertelisten
Folgende Wertelisten bieten sich zur Einbindung oder Nachnutzung an:
● Schulfächer:
○ Schulfächer, DINI-AG-KIM, Repo
○ Schulfächer, WirLernenOnline, Repo
○ Schulfächer, Sodix/Sodis
○ Sachgebietssystematik, Sodix/Sodis
○ Schulfächer, Digital Learning Lab / Tools
○ EUN Subject Values, European Schoolnet Vocabulary
● Ausbildungsberufe:
○ Verzeichnis der anerkannten Ausbildungsberufe 2023 (BIBB)
69
● Hochschulfächer:
○ Statistisches Bundesamt (Destatis): Fächergruppen, Studienbereiche und
Studienfächer (KIM Repo-Mirror der offiziellen Schlüsseltabellen (CSV))
○ Destatis-Systematik der Fächergruppen, Studienbereiche und Studienfächer,
DINI-AG-KIM, Repo, ebenfalls als “Hochschulfächersystematik” durch Open Edu
Hub / WirLernenOnline bereitgestellt
● Sachgebietssystematiken
○ ELIXIER-Systematik
○ LOM-EAF (AG MuD) (Repo-Mirror)
■ Sachgebietssystematik (txt)
■ Sachgebietssystematik (Excel, PDF)
● Unterrichtsthemen zu Schulfächern:
○ Taxonomie von Lehrplanthemen, WirLernenOnline, Repo
● Bildungsbereichsübergreifende Fächer & Themen:
○ Subjects: Re3Data.org
○ Subjects: MARC 21
○ EuroVoc: Mehrsprachiger und multidisziplinärer Thesaurus der EU
○ LRE Thesaurus (European Schoolnet Vocabulary),
○ UNESCO Thesaurus zur thematischen Analyse und Auffinden von Dokumenten
anhand multidisziplinärer Terminologie, bspw. auch: Wissenschaftsdisziplinen,
u.a. verfügbar als JSON-LD, Turtle, RDF/XML.
○ Skosmos: Wissenschafts-/Kunstzweige, (historische) Studienrichtungen:
■ Wissenschafts-/Kunstzweige
■ Study Programmes
■ Historic Study Programmes
4.2.2 Lernvoraussetzungen, Lernziele und Lernkontrollen
Die Einführung der Bildungsstandards und Bologna-Reformen markiert einen
Paradigmenwechsel im Bildungssystem, hin zur Kompetenzorientierung. Damit rücken
verstärkt Lernziele und Kompetenzen der Lernenden in den Fokus. Es geht somit nun
nicht länger einzig um eine Standardisierung von Lerninhalten, sondern vielmehr
darum, welche Kompetenzen Lernende am Ende einer Lerneinheit aufweisen, sowohl im
Hinblick auf theoretische Kenntnisse (kognitive Perspektive) als auch deren praktischen
Umsetzung (funktionale Perspektive) (Kopf et al., 2010).
Nach den Ergebnissen internationaler Vergleichsstudien (bspw. TIMMS, PISA) hat sich
das institutionelle Bildungswesen sukzessive auf eine lernzielorientierte und
kompetenzorientierte Didaktik umgestellt. Um diese Kompetenzorientierung in den
Metadaten zu Objekten abbilden zu können, bieten sich die Attribute
“Lernvoraussetzungen”, “Lernziele” und “Lernkontrollen” an
19
.
19
Das von LRMI eingeführte Attribut “educationalAlignment” hat sich in der Nutzung als zu
kompliziert erwiesen und wurde durch die Attribute “teaches” und “assesses” ersetzt.
70
Die Zuordnung von Bildungsstandards ist für 57 % der Lehrenden eines der hilfreichsten
Kriterien bei der Suche nach Ressourcen (Winter Group, 2014, S. 8). Eine Zuordnung kann
durch Kompetenzstruktur- oder Kompetenzstufenmodelle erfolgen (Beispiel:
Lesekompetenzstufenmodell in IGLU). Die Attribute fokussieren die Zielstruktur des
Unterrichts und wurden, auch früher bereits, als fundamental für Bildungsressourcen
bezeichnet (Sutton, 2004, S. 145), wie auch eine Orientierung an operationalisierbaren
Lernzielen oder die Adaption von Lernumgebungen an Lernvoraussetzungen der
Lernenden (Schulmeister, 2000, S. 40f).
Lernziel-orientierte Attribute sind darüber hinaus zur Umsetzung adaptiver Lernpfade
relevant. Besonders vielversprechend ist dabei die Verknüpfung mit offiziellen
Lehrplänen oder anderen Kompetenzkatalogen, sofern diese maschinenlesbar
vorliegen. Dies ist zum jetzigen Zeitpunkt bislang nicht der Regelfall. Im institutionellen
Bildungsbereich sind Kompetenzrahmen häufig die Arbeitsgrundlage von Lehrenden.
Eine Verknüpfung von Objekten mit diesen Katalogen kann daher die Arbeit der
Lehrenden unmittelbar unterstützen und ermöglicht zugleich kompetenzorientierte
Suchzugänge.
Dabei ist zu berücksichtigen, dass nicht alle Ressourcen mit Hinblick auf konkrete
Kompetenzkataloge entwickelt wurden und eine nachträgliche Zuweisung unter
Umständen nicht immer zweckdienlich ist. Recht allgemeine Kompetenzkataloge bergen
zudem die Gefahr, dass es zu einer häufigen Zuweisung kommt, da viele Kompetenzen
von Ressourcen auch implizit oder indirekt gefördert werden können. Bei der Zuweisung
sollten daher die intendierten Lernergebnisse der Ressourcen stehen, welche primär
adressiert werden.
Exemplarische Grundlagen der Wertebereiche
International
OERCommons erlaubt die Filterung nach Bildungsstandards, beispielsweise “Standards
for the 21st-Century Learner” der American Association of School Librarians (AASL).
Auch die Educational CAD Model Library verwendet die Angabe exemplarischer Lernziele
sowie die Orientierung an Bildungsstandards (z. B. Common Core State Standards) als
Metadatum (Bull et al., 2023).
Common Education Data Standards (CEDS)
Das Projekt Common Education Data Standards (CEDS) ist ein Projekt der Vereinigten
Staaten zur Entwicklung freiwilliger, gemeinsamer Standards für Bildungsdaten, um den
Austausch und die Semantik von Daten zwischen Bildungseinrichtungen und -sektoren
zu harmonisieren. CEDS publiziert ein umfangreiches Datenmodell für Bildungsdaten.
Die CEDS-Gemeinschaft entwickelt die Standards weiter. Im Februar 2024 erschien
Version 1.2.
71
Norwegen
Ein Beispiel für die institutionelle Bereitstellung von Lehrplänen im Schulbereich in
maschinenlesbarer Form findet sich in Norwegen. Dort können die Pläne über eine REST-
Schnittstelle oder eine SPARQL-Abfrage (Archiv) erhalten werden.
Europa
ESCO
Im europäischen Kontext ist ein weiterer Katalog relevant, der von der Europäischen
Kommission mit Hinblick auf den europäischen Arbeitsmarkt und die berufliche Bildung
gepflegt wird: European Skills, Competencies and Occupations (ESCO). Dieser Katalog
liegt in maschinenlesbarer Form (RDF) vor und kann über eine API-Schnittstelle genutzt
werden.
Europass
Das Europass-Werkzeug soll als Portfolio, einschließlich digitaler Kompetenznachweise,
dienen, welches vorhergehende Entwicklungen berücksichtigt, wie das Qualification
Dataset Register (QDR) und dazugehörige Applikationsprofile:
● European Digital Credentials for Learning (EDC):
Applikationsprofil für die Akkreditierung
● Learning Opportunities and Qualifications (LOQ):
Applikationsprofil für Lernmöglichkeiten und Qualifikationen
European Qualifications Framework (EQF, EQR)
Der Europäische Qualifikationsrahmen soll die Vergleichbarkeit von Qualifikationen
gewährleisten, räumliche und berufliche Mobilität fördern und lebenslanges Lernen
ermöglichen.
Schweiz
Das Schweizer Lehrplan-Portal stellt Lehrpläne für die verschiedenen Kantone bereit, die
beispielsweise vom Portal zebnis.ch zur Verschlagwortung von Lernmaterialien
verwendet werden.
Deutschland
Standardisierungen von Kompetenzen und Lehrplänen werden häufig zunächst auf
einer größeren Strukturebene entwickelt und dann auf kleineren Ebenen adaptiert,
beispielsweise von einzelnen Teilstaaten oder auf institutioneller Ebene.
72
Beispiele für Strukturebenen:
● Weltverbund
● Staatenverbund (z. B. Europäische Union)
● Bundesstaat
(z. B. bundesweit gültige Rahmen)
● Teilstaat, Bundesland
(z. B. bundeslandspezifische Rahmen)
● Institution (z. B. für schulinterne Rahmen)
EU-Standards
Werden auf europäischer Ebene beispielsweise verschiedene Referenzrahmen
entwickelt, die dann auf nationaler Ebene oder in einem bildungsföderalistischen
System auf Ebene der Bundesländer in eigenen Ausprägungen zu adaptieren sind, hat
diese Fragmentierung Auswirkungen auf die Verwendung von Metadaten.
Qualifikationsrahmen für Lebenslanges Lernen
Der Deutsche Qualifikationsrahmen für Lebenslanges Lernen (DQR) als nationaler
Qualifikationsrahmen (NQR) steht im Zusammenhang mit dem europäischen
Qualifikationsrahmen für Lebenslanges Lernen (EQR), um die Anerkennung von
Abschlüssen und den Wechsel zwischen den verschiedenen Bildungssystemen zu
ermöglichen (vgl. europass). Die Qualifikationsrahmen beinhalten jeweils
Qualifikationsziele (z. B. Kompetenzen als Learning Outcomes).
KMK-Standards
Die nationalen Bildungsstandards der KMK definieren, welche Kompetenzen
Schüler*innen bis zu einer bestimmten Jahrgangsstufe erwerben sollten. Die
länderspezifischen Rahmenlehrpläne präzisieren diese nationalen Vorgaben schulart-
und jahrgangsstufenbezogen, bereiten diese für die Anforderungssituationen im
Unterricht auf und ergänzen länderspezifische Vorgaben. Anschließend werden die
Vorgaben des Rahmenlehrplans in ein pädagogisches Handlungskonzept überführt
(schulinternes Curriculum).
Maschinenlesbare Lehrpläne
Da es keinen Standard für die Darstellung von Curricula gibt, jedoch von verschiedenen
Seiten der Bedarf an der Entwicklung eines Standards geäußert wurde, hat sich die DINI-
AG-KIM Curricula als Arbeitsgremium verschiedener Institutionen dieses Themas
angenommen. Ein (prototypisches) Datenmodell zur Abbildung von Lehrplänen im
Schulbereich wurde entwickelt und wird momentan in Form einer Curriculum Ontology
von Teilen der Gruppe weiterentwickelt. Verwandte Vorhaben finden sich im Curriculum
Navigator (Schulcampus RLP) oder auch im internationalen Raum im Projekt K-12 Open
Weltverbund
Staatenverbund
Bundesstaat
Bundesland
Institution
73
Content Exchange. Ziel ist es, strukturierte Daten für Lehrpläne bereitzustellen, um
curriculare Beziehungen zwischen Bildungsressourcen herzustellen und die Vernetzung
zwischen verschiedenen Lehrplänen zu ermöglichen.
Zuordnung von Lernzielen und Kompetenzen
Die Zuordnung einer Kompetenz kann dabei auf zwei Arten erfolgen:
(1) Zuweisung einer Referenz, z. B. indem die Kompetenz in einem geschlossenen Vokabular
mit eindeutiger Bezeichnung definiert ist
(2) Zuweisung eines konkreten Wertes, z. B. indem die Beschreibung der Kompetenz
als Text in den Metadaten hinterlegt wird
Während der zweite Ansatz zunächst simpler erscheint, ist es durchaus lohnenswert die
Mehrwerte der ersten Variante zu berücksichtigen, wie zum Beispiel die gewonnene
referentielle Integrität, einschließlich der Konsistenz der Metadaten, insbesondere bei
Veränderungen oder Aktualisierung der Kompetenzen in den Quellrahmen. Weiterhin
bietet die erste Variante die Möglichkeit, Kompetenzen verschiedener Rahmen
miteinander in Beziehung zu setzen und den Suchkontext durch diese Vernetzung der
Rahmen zu erweitern.
Um eine Angleichung von inhaltlichen Abweichungen zwischen Standards
vorzunehmen, können semantische Beziehungen verwendet werden. Solche Mappings
werden auch metaphorisch als Crosswalk bezeichnet (Sutton, 2004, S. 148–149). Das
Metadatum ist vor allem auch für die Erstellung von adaptiven Lernpfaden von
Bedeutung.
Es lassen sich generelle Anforderungen an die Erfassung von Kompetenzen finden,
darunter exemplarisch die allgemeine Beschreibung der Kompetenz, die Art der
Kompetenz (Wissen, Fähigkeit, Einstellung, …), die Beziehungen zwischen einzelnen
Kompetenzen, ein messbares Kompetenzniveau sowie eine Taxonomie oder Ontologie
zur Strukturierung der Kompetenzen (Sitthisak & Gilbert, 2011, S. 22).
Weitere Praxisbeispiele für die Nutzung von Kompetenzrahmen
Die Projekte WirLernenOnline, ComeIn und auch einige Kompetenzverbünde von
lernen.digital nutzen den Europäischen Rahmen für die Digitale Kompetenz von
Lehrenden (DigCompEdu) sowie den bundesweiten Rahmen “Kompetenzen in der
digitalen Welt” der Kultusministerkonferenz (KMK) zur Erfassung von Lernzielen bei
Bildungsressourcen.
Zusätzlich werden auch bundeslandspezifische Ausprägungen des DigCompEdu, wie
beispielsweise der “Orientierungsrahmen für die Lehrerausbildung und
Lehrerfortbildung in NRW” (Eickelmann, 2020) verwendet. Damit die Ressourcen nun
auch bundesweit sinnvoll auffindbar werden, wurden die einzelnen Kompetenzen aus
dem Orientierungsrahmen über Beziehungen mit dem EU-Framework auf der
74
übergeordneten Strukturebene in Verbindung gesetzt. Darüber hinaus gibt es solche
Mappings der Kompetenzen auch zwischen dem bundesweiten Rahmen der KMK und
der bundeslandspezifischen Ausprägung im “Medienkompetenzrahmen NRW” (Blodau
et al., 2019).
Wenngleich somit Ressourcen in einem bildungsföderalistischen System mit
bundeslandspezifischen Werten ausgezeichnet werden, ist die grundlegende Idee hinter
dieser Aufbereitung, die Vernetzung mit übergeordneten Rahmen, sodass Ressourcen
auch auf größeren Strukturebenen sinnvoll auffindbar sind.
Ein vergleichbares Prinzip wird bei der Umsetzung maschinell-verarbeitbarer Lehrpläne
intendiert, um Ressourcen, die für ein bundeslandspezifisches Curriculum entwickelt
oder mit diesem verknüpft wurden, auch in anderen Bundesländern besser auffindbar
zu machen, da sich die Zugänge jeweils aufgrund der unterschiedlichen Lehrpläne
unterscheiden. So werden die artifiziellen strukturellen Grenzen des Bildungssystems in
gewisser Hinsicht aufgelöst und Ressourcen können in vergleichbaren Kontexten
einfacher nachgenutzt werden.
Weitere Hinweise zur Verwendung
Es empfiehlt sich eine weitergehende Spezifizierung der Attribute für das jeweilige
Nutzungsszenario. Aussichtsreich ist die Verbindung von Kompetenzen mit Zertifikaten.
Voraussetzung ist die autorisierte Veröffentlichung entsprechender Kompetenzkataloge
und eine entsprechende Einbindung dieser mit ausstellenden Autoritäten.
Wie sich in der Untersuchung von Tavakoli et al. bei der Gegenüberstellung des
Vorhandenseins von Metadatenattributen vor und nach einer Qualitätskontrolle zeigt,
scheint das dort untersuchte Attribut “Level”, welches sich hier auf Voraussetzungen
und Vorwissen oder Abschlüsse beziehen kann, für die Ersteller*innen oder
Erfasser*innen schwierig zuzuordnen. Ein Indiz dafür ist, dass dieses Attribut häufig nur
nach einer “Qualitätskontrolle” vorhanden ist, andernfalls jedoch meist fehlt (Tavakoli
et al., 2021, S. 628).
Mit Kompetenzen assoziierte Standards:
● CASE: Format für die Darstellung und den Austausch von Kompetenzrahmen und
Lernzielen (1EdTech)
● Datenmodell zur Abbildung von Lehrplänen (DINI AG KIM) und die darauf aufbauende
Curriculum Ontology
● Ed-Fi Assessment API und Unifying Data Model (UDM): Datenmodell und Schnittstelle
zum Austausch von Bewertungsmetadaten
● Datenmodell zur Beschreibung und Referenzierung von Kompetenzdefinitionen
(Standard for Learning Technology-Data Model; IEEE 1484.20.1-2007) (IEEE, 2008)
75
Wertebereiche in der Praxis
Wenngleich verschiedene Taxonomien für Lernziele auf Basis lerntheoretischer Modelle
existieren (bspw. Gagné, Ausubel, Bloom, Anderson, Krathwohl) (Mayer et al., 2009, S.
29–59), werden diese in der Regel nicht als Werte für dieses Feld verwendet, sondern
eher für theoretische Überlegungen zur Operationalisierung einer Niveaustufe.
Lernziele können …
● … anhand von Operatoren formuliert werden (vgl. auch Niveaustufe).
● … aus verschiedenen Dimensionen des Wissens stammen (bspw. Faktenwissen,
Konzeptionelles Wissen, Prozedurales Wissen, Metakognitives Wissen) (Anderson &
Krathwohl, 2001) (vgl. auch Niveaustufe).
● … als Advance Organizer zur Orientierung im Lernprozess dienen.
● … unterschiedlich abstrakt sein (Richtziele, Grobziele, Feinziele) (Möller, 1976, S. 80)
● … die eigenständige Kontrolle des Lernerfolgs unterstützen.
● … kategorial unter anderem in kognitive, affektive, psychomotorische und soziale
Lernziele unterschieden werden (Pawlowski, 2001, S. 47).
In der Praxis finden sich als Werte der Felder “Lernvoraussetzungen”, “Lernziele” und
“Lernkontrollen” häufig auch Freitextbeschreibungen. Erst in jüngster Zeit werden hier
vermehrt kontrollierte Vokabulare aufgegriffen. Die Verwendung von Referenzen auf
Kompetenzen verbessert die zielorientierte Zugänglichkeit, Vergleichbarkeit und
Selektion geeigneter Ressourcen und vereinfacht das Erstellen von Lehr-/Lernpfaden,
indem Ressourcen anhand der jeweiligen Lernvoraussetzungen, Lernziele und
Lernkontrollen in Beziehung stehen.
Wertelisten zur Einbindung oder Nachnutzung
Allgemein
● European Skills Competencies, and Occupations (ESCO)
● Sprachfähigkeiten/-Kenntnisse
○ Sprachniveaustufen, Open Edu Hub / WirLernenOnline nach dem nach dem
Gemeinsamen Europäischen Referenzrahmen (GER)
● Lumina Foundation's Degree Qualifications Profile (DQP) (Categories of Learning) als
Teil der Common Education Data Standards: Specialized Knowledge, Broad and
Integrative Knowledge, Intellectual Skills, Applied and Collaborative Learning, Civic and
Global Learning
● 4K–Modell des Lernens (4Cs of 21st Century Learning) (P21, 2019; Pfiffner et al., 2021)
Digitalisierungbezogene Kompetenzen
● Digital Competence Framework for Educators (DigCompEdu) als europäischer Rahmen
für die Digitale Kompetenz von Lehrenden (European Commission. Joint Research
Centre. et al., 2017), Open Edu Hub / WirLernenOnline / ComeIn
○ Orientierungsrahmen für die Lehrerausbildung und Lehrerfortbildung in NRW,
Open Edu Hub/WirLernenOnline/ComeIn (Eickelmann, 2020)
76
● 4D Competencies Framework (Center for Curriculum Redesign) (CCR, 2020), welches
Kompetenzen im Zeitalter der KI definiert, v1.2 erschien im Januar 2024 (xlsx Download)
● TPACK-Modell (Herring et al., 2016)
○ UDE-Modell: Ein integratives Modell digitalisierungsbezogener Kompetenzen für
die Lehramtsausbildung (Beißwenger et al., 2020)
● Kompetenzen in der digitalen Welt (KMK), Open Edu Hub/WirLernenOnline
Kompetenzen in der digitalen Welt (KMK), KIM
Kompetenzen in der digitalen Welt (KMK), SODIX
○ Medienkompetenzrahmen NRW, Open Edu Hub/WirLernenOnline/ComeIn
● DaZKom: Ein Modell professioneller Kompetenzen angehender Lehrkräfte im Bereich
Deutsch als Zweitsprache, ComeIn
Bildungsstandards sowie Lehrplan-/Curricula-orientierte Wertelisten
● Schule: Lehrpläne der Länder
○ Bildungsstandards (IQB) (Repo) Das IQB veröffentlicht die Bildungsstandards als
kontrollierte Vokabulare in SKOS auf Github
○ Schulcampus RLP, Curriculum-Navigator – Digitale Lehr- und Rahmenpläne
○ Kompetenzbrowser des Instituts für Schulqualität der Länder Berlin und
Brandenburg e. V. (ISQ)
○ Medienkompetenz-Navigator (LehrPlan Plus, mebis, Bayern)
● Hochschule: Standards und Modulkataloge
○ Hochschulkompass
○ KMK: Standards für die Lehrerbildung: Bildungswissenschaften (vom 16.12.2004
i.d.F. vom 16.05.2019), KIM
● Elementarbereich: Erziehungs-/Bildungspläne:
○ Sammlung von Plänen verschiedener Länder
● Curriculare Strategien für MINT/STEM-Schulen (Jimenez Iglesias et al., 2018) (z. B.
verwendet im Portal Scientix)
● NextGeneration Science Standards (z. B. verwendet im TeachEngineering Portal)
● Didaktische Basismodelle (vgl. Anlage “Didaktische Basismodelle des Lernens als
lernzielorientierter Ansatz der Gestaltung von Unterricht”)
4.2.2.1 Lernvoraussetzungen und Vorwissen
Dieses Attribut listet die Kenntnisse, Fähigkeiten oder Lernvoraussetzungen auf, die für
einen effektiven Umgang mit der Ressource erforderlich sind. Die Angabe hilft
Lehrenden und Lernenden bei der Auswahl von Ressourcen, die dem aktuellen
Lernstand entsprechen. Das Attribut unterstützt daher die Bedingungsanalyse der
Unterrichtsplanung.
Bei den Befragten von Tischler et al. wird dieses Attribut als relevant und einfach zu
beschreiben eingestuft (Tischler et al., 2022, S. 258). Diese Einschätzung ist jedoch
zunächst kritisch zu betrachten, da einerseits praxiserprobte Wertebereiche und
maschinenlesbare Abbildungen fehlen und andererseits das Attribut in bekannten
77
Repositorien bislang kaum Verwendung findet. Es ist anzunehmen, dass sich die Antwort
auf eine Angabe im Freitextformat bezieht, welche hinsichtlich eines spezifischen Faches
und Themas einfacher festzulegen ist, in Bezug auf Interoperabilität und
Maschinenlesbarkeit jedoch schwieriger nachnutzbar bleibt. Bezüglich der allgemeinen
Relevanz des Feldes sind sich auch andere Expert*innen einig, jedoch wird auch dort
darauf hingewiesen, dass entsprechende maschinenlesbare Abbildungen noch fehlen
(Pohl et al., 2017, S. 66).
Die konkrete Umsetzung und Einbindung kann daher mit Herausforderungen
verbunden sein: Welche konkreten Kompetenzen werden beispielsweise für einen
Mathematikvorkurs in der Hochschule vorausgesetzt? Sollen alle Kompetenzen von der
Addition, zur Subtraktion, natürlichen Zahlen bis 10, natürliche Zahlen bis 100, usw.
aufgelistet werden? Müssen auch Sprachkompetenzen berücksichtigt werden?
Schließlich werden Aufgaben in einer bestimmten Sprache auf einem gewissen Niveau
gestellt. Sinnvoll scheint zunächst, dass für Bildungsressourcen bestimmte
Lernvoraussetzungen (bspw. Mindeststandards für die niedrigste, zugewiesene
Bildungsstufe) als erreicht gelten können, so dass diese nicht aufgeführt werden sollten.
Ein speziellerer Katalog, der fakultative und notwendige Kompetenzen für Berufe
unterscheidet, findet sich in European Skills Competencies, and Occupations (ESCO).
Attribute in Metadatenstandards
● LRMI, schema.org, AMB: competencyRequired
● LOM: 9.1 Classification / Purpose: prerequisite
Wertelisten zur Einbindung oder Nachnutzung
● European Skills Competencies, and Occupations (ESCO)
● Weitere Wertelisten: siehe einführendes Kapitel
4.2.2.2 Lernziele
Die Angabe der Lernziele bietet eine Zusammenfassung der Kenntnisse, Fertigkeiten,
Einstellungen oder Kompetenzen, die die Lernenden durch die Nutzung der Ressource
erwerben oder fördern. Die Angabe hilft den Lernenden, den Nutzen der Ressource zu
verstehen und leitet ihre Lernerwartungen. Die Angabe nützt Lehrenden bei der
zielgerichteten Auswahl und der Einschätzung der Eignung für die jeweilige Zielgruppe
in einem bestimmten Lehr-/Lernkontext. Es unterstützt die didaktische Analyse von
Unterrichtsplanungen und Unterrichtsentwürfen.
Im Hinblick auf die Kompetenzen, die mit Bildungsabschlüssen verbunden sind,
unterstützt dieses Attribut beispielsweise bei horizontalen und vertikalen Bewegungen
im Bildungssystem. Vor dem Hintergrund des Alignments von Lernzielen mit
78
Bildungsstandards, die im Schulbereich durch das IQB nun auch maschinenlesbar
veröffentlicht werden, kann dieses Attribut auch abschlussorientiert eingesetzt werden.
Auf diese Weise werden Bildungsabschlüssen verschiedene Lernziele zugewiesen. Für
ein Attribut, das sich auf institutionelle Bildungsabschlüsse bezieht, siehe Abschlüsse.
Im institutionellen Kontext erleichtert dieses Attribut die Lehrplangestaltung, ermöglicht
es Lehrkräften, relevante Ressourcen zu identifizieren, und hilft den Lernenden, den
Bildungskontext von Ressourcen zu verstehen.
Attribute in Metadatenstandards
● LRMI/schema.org: teaches
● AMB: teaches
● LOM: ~ 9.1 Classification / Purpose: objective
● Learning Metadata (LMT): teaches
Wertelisten zur Einbindung oder Nachnutzung
● Siehe einführendes Kapitel
4.2.2.3 Lernkontrollen
Über das Attribut können Lernziele oder Kompetenzen referenziert werden, deren
Erreichen oder Erwerb mit dieser Ressource überprüft werden können. Ressourcen
werden somit als Lernkontrollen verwendet, um den Fortschritt der Lernenden
rückzumelden oder zu bewerten, beispielsweise eine Prüfung des Textverständnisses.
Häufig sind die dazugehörigen Lernobjekte beispielsweise Quizze, Feedback- /
Bewertungsaktivitäten oder geeignete Aufgabentypen aus dem Bereich des E-
Assessments (vgl. Anlage: “Zusammenstellung additiver Wertelisten”). Dieses Attribut
unterstützt Lehrende bei der Auswahl und Gestaltung von Lernkontrollen und
Constructive Alignment (Wildt & Wildt, 2011, S. 9). Es hilft Lernenden beim Auffinden von
Selbst- oder Eignungstests und für die Vorbereitung auf Beurteilungen. Von
Nutzer*innen wird häufig in Verbindung mit diesem Attribut auch die Verknüpfung mit
entsprechenden Lösungs- und Begleitmaterialien gewünscht.
Verwandtes Tool: Assessment Toolbox
Verwandte Themen:
formatives Assessment, summatives Assessment, Self-Assessment, Online-Assessment,
Studienorientierung, Eignungs- und Eingangstests, Credentials (im Hochschulkontext
insbesondere auch die Angabe des Workloads und Nachweis von Studienleistungen,
beispielsweise durch das ECTS), Constructive Alignment
79
Attribute in Metadatenstandards
● LRMI/schema.org: assesses
● AMB: assesses
● LOM: ~ 9.1 classification / Purpose: skill level
● Learning Metadata (LMT): assesses
● MERLOT: binäres Attribut “hat Lernkontrollen” (ja/nein) (hasAssignments)
Wertelisten zur Einbindung oder Nachnutzung
● Siehe einführendes Kapitel
● Spezifisch für Lernkontrollen:
○ Common Education Data Standards:
■ Assessment Type, Assessment Type Administered
■ Assessment Purpose
4.2.3 Niveaustufe
Die Erfassung einer Niveaustufe ist ein wiederkehrendes Unterfangen in der
Bildungslandschaft. Aus didaktischer Perspektive gibt es einige Nutzungsszenarien, die
mit diesem Attribut verbunden sind. Die Niveaustufe ist ein sehr facettenreiches Attribut,
das recht divergent operationalisiert wird und sich in verschiedenster Ausprägung auf
unterschiedliche Differenzierungsaspekte eines Objektes beziehen kann. Die Erfassung
einer Niveaustufe eignet sich, um heterogenen Lerngruppen passende Lernressourcen
vorzuschlagen und sie so auf ihrer individuellen Bildungsreise zu unterstützen. In den
etablierten Metadatenstandards finden sich entsprechende Attribute, um diesen Aspekt
auszudrücken.
Exemplarische Nutzungsszenarien für Niveaustufen:
Angestrebtes Lernniveau
● Selektion geeigneter Ressourcen anhand des Lernniveaus
● Heterogenität: Binnendifferenzierung anhand des Lernniveaus
● Vorschlagssysteme für individuelle Bildungsreisen
Erreichtes Lernniveau
● Ausstellen von Zertifikaten (Bildungsnachweise) (vgl. Credentials)
● Lerndiagnostik: Bewertung des Lernerfolgs von E-Learning Angeboten
80
Skalenbasierte Operationalisierung der Niveaustufe
Eine verbreitete Ausgestaltung des Feldes ist die skalenbasierte Abstufung des Niveaus.
So existiert in LOM beispielsweise das Attribut “difficulty” (5.8.), welches mit einer
fünfstufigen Skala (“sehr leicht”, “leicht”, “mittel”, “schwierig”, “sehr schwierig”)
hinsichtlich der erwarteten Zielgruppe die Schwierigkeit des zu bearbeitenden Materials
einordnen soll. Eine solche Einschätzung des Niveaus hat sich als wenig praktikabel
erwiesen, da ein Objekt für mehrere Zielgruppen geeignet sein kann und damit auch
unterschiedliche Schwierigkeitsgrade zugeordnet werden könnten. Die Komplexität
dieser Mehrfachzuordnung wird jedoch in den aktuellen Repositorien technisch in der
Regel nicht abgebildet, sodass diese Dienste von einer solchen Erfassung nicht
profitieren.
Ferner wird häufig kritisiert, dass die fünfstufige Zuordnung zu subjektiv und ungenau
sei (Abdel-Qader et al., 2022; Tischler et al., 2022), auch da die Zuschreibung eines
einzelnen Wertes die Annahme einer eher homogenen Zielgruppe beinhaltet (Arnold et
al., 2003, S. 382). Dies deckt sich mit den Aussagen in der Studie von Tischler et al., bei
denen die Befragten das Attribut “Schwierigkeit” (difficulty) aus LOM ebenfalls als eher
nicht so nützlich und schwierig beschreibbar empfinden (Tischler et al., 2022).
Gleichzeitig wird auf gegebenenfalls besser geeignete Attribute, wie Voraussetzungen
und Vorwissen, oder präzisere Angaben, wie das Sprachniveau, verwiesen (Tischler et
al., 2022, S. 260). Auch die CanCore-Empfehlungen zur Implementation von LOM raten
von einer Verwendung in verteilten Systemen ab, sehen jedoch auch mögliche künftige
Potenziale (Fisher et al., 2003, S. 18).
Weitere Erfassungsarten von Niveaustufen finden sich in den Wertelisten unten.
Implizite Niveaustufen: Bildungsstufe, Alter, Abschluss und Sprache
Neben dem Versuch, die Niveaustufe direkt zu operationalisieren, sind auch Varianten
auszumachen, die andere Attribute implizit zur Angabe eines Niveaus verwenden. In der
Praxis finden sich daher zur impliziten Angabe der Niveaustufe häufig auch
pragmatische Nachnutzungen anderweitiger Metadatenfelder, deren Semantik
eigentlich abweichend definiert ist. In Abhängigkeit der zugrundeliegenden Wertelisten
erschwert dies jedoch eine KI-gestützte Generierung von Metadaten, da die Maschinen
in diesem Fall die Bedeutung der Werte in den Feldern aufgrund der
Mehrfachverwendung eines Feldes oder der Kombination von Werten verschiedener
Felder unter Umständen missverständlich erlernen. Anderweitige Metadatenfelder als
Indikatoren für ein erwartbares Lernniveau zu verwenden, stellt für viele Portale jedoch
einen pragmatischen Ansatz dar, auch um die Anzahl zu erfassender Attribute zu
reduzieren. In Abhängigkeit von subjektiven Erwartungen Lehrender und Lernender
können daher verschiedene Metadatenfelder und Werte als Indikatoren des Niveaus
dienen, unter anderem die Bildungsstufe, das Alter, der Abschluss oder die Sprache.
81
Niveauindikator: Bildungsstufe
Es finden sich Verwendungen des Feldes “Bildungsstufe” als implizite Kennzeichnung
einer Niveaustufe, indem auf eine Umgebung verwiesen wird, in welcher die Nutzung
des Lernobjekts intendiert ist und mit diesem Kontext subjektive Erwartungen an ein
Lernniveau verbunden werden. So ist sicherlich erwartbar, dass ein Thema wie
“Magnetismus” in der Bildungsstufe “Primarbereich” didaktisch anders aufbereitet ist,
als bei einer Ressource, die im “Sekundarbereich II” oder im Hochschulkontext verortet
würde. Die niedrigste, zugewiesene Bildungsstufe wird daher in der Nachnutzung teils
als Indikator für das Lernniveau verwendet, da eine didaktische Reduktion der
Lerninhalte erwartet wird.
So betitelt das Portal twillo das Metadatum “Zielgruppe” in den häufigen Fragen (FAQ)
in der Kategorie “Didaktische Metadaten” unmittelbar als “Niveau” (twillo, 2024a). Die
Argumentation ist dahingehend vergleichbar: Wird eine differenzierte Werteliste von
Personengruppen verwendet, die typischerweise einer bestimmten Bildungsstufe
zugeordnet werden können, gilt der Wert implizit als Niveauindikator. Die Werteliste von
twillo unterscheidet zum Beispiel unter anderem “Studierende in der
Studieneingangsphase” und “fortgeschrittene Studierende im Bachelor”. Dies impliziert
eine mögliche Bildungsstufe “Bachelor”, einen entsprechend assoziierten “Abschluss”
oder auch eine “Semesterzahl” (vergleichbar mit einer “Jahrgangsstufe”) und zugleich
somit auch subjektive Erwartungen an ein mögliches Lernniveau, auf das die didaktische
Vermittlung der Inhalte ausgerichtet ist. Da twillo eher den Hochschulkontext fokussiert,
werden hier sicherlich aus pragmatischen Gründen mehrere Metadaten als Wert für das
Feld “Zielgruppe” verschmolzen. Auch die SESAM-Mediathek vermischt Bildungsstufen
und Schularten als Werte im Feld “Zielgruppen”, bspw. “Außerschulische
Jugendbildung” und “Sekundarstufe I” (vgl. untige Wertelisten). Vergleichbar erfolgt
dies auch bei der Materialsuche der Bundeszentrale für politische Bildung (bpb), die
derzeit für das Feld “Zielgruppe” beispielsweise Personengruppen (“Journalist/innen”),
Schularten (“Berufsschule”) oder auch Bildungsstufen (“Sekundarstufe I”) listet.
Niveauindikator: Abschlüsse
Ähnlich dem Bildungskontext kann im institutionellen Bildungsbereich auch eine
Differenzierung anhand der Abschlüsse erfolgen. Je nach Nutzungsszenario können
damit erworbene oder anvisierte Bildungsabschlüsse ausgezeichnet werden. Da mit
unterschiedlichen Abschlüssen zumeist auch andere Lehrpläne verbunden werden, die
wiederum andere Mindeststandards festlegen können, ergibt sich eine bestimmte
Erwartung an das Niveau in Abhängigkeit des anvisierten Bildungsabschlusses.
Niveauindikator: Sprachniveau
Als weitere Ausprägung der Niveaustufe kann das Sprachniveau gelten, welches für die
erfolgreiche Nutzung einer Bildungsressource notwendig ist.
82
Weitere Hinweise zur Verwendung
Aufgrund subjektiver Erwartungen sind sicherlich auch weitere Indikatoren für die
Niveaustufe vorstellbar, die über die zuvor genannten Metadaten hinausgehen. Bei der
Realisierung von Niveaustufen empfiehlt sich unter Umständen eine Differenzierung der
verschiedenen bislang erwähnten Aspekte, die durch das Attribut ausgedrückt werden
können. Beim Datenaustausch geht diese Differenzierung bisweilen verloren, sofern
kein spezifisches Profil gebildet wird. Indirekt kann eine Differenzierung durch die
Verwendung der entsprechenden Vokabulare und Relationen ausgedrückt werden,
sofern diese standardisiert abgebildet werden, z. B. mit SKOS.
Besonders bei einer großen Heterogenität von Lerngruppen kann dieses Attribut
hilfreich sein, um passende Angebote bereitzustellen. Die Herausforderung für
Implementierende liegt in der genauen Ausdifferenzierung der Aspekte der
gewünschten Niveaustufe und der damit verbundenen Auswahl geeigneter Wertelisten.
Der Wunsch, dieses Attribut in Verbindung mit anderen Attributen für Such- und
Filtermöglichkeiten zu nutzen, ist eine technische Herausforderung, die
Bildungsangeboten einen Wettbewerbsvorteil und Suchenden einen Mehrwert bieten
könnte.
Attribute in Metadatenstandards
● LRMI/schema.org: educationalLevel
● LOM: Bildungsstufe (context) (5.6), Anforderungsgrad (difficulty) (5.8)
● Learning Metadata: dct:educationalLevel
Mögliche Wertelisten für Niveaustufen
Nachfolgend gelistete Wertelisten bieten sich zur Einbindung oder Nachnutzung an.
Spezifische Wertelisten von Niveauindikatoren (Bildungsstufen, Abschlüsse und
Sprachniveaus) finden sich in den entsprechenden Unterabschnitten.
Als Wertelisten können auch verschiedene Kompetenzstufenmodelle oder Operatoren
verwendet werden, da letztere jeweils Anforderungsbereichen zugeordnet werden
können und auf diese Weise ein Aufgabenniveau ausdrücken. Die Zuordnung sowie die
verwendeten Operatoren sind in der Regel jedoch fach-, bundesland- und
lehrplanspezifisch sowie zum Teil sogar aufgaben-/materialspezifisch, sodass sich
einzelne Zuordnungen von Operatoren zu Anforderungsbereichen teils unterscheiden.
Die Fiete.ai-Community sammelt Referenzen zu Operatorenlisten in einer kollaborativen
Liste. Ebenfalls werden für die Niveaustufe häufig abgestufte Einschätzungen wie
“Einsteiger”, “Fortgeschrittene”, “Experten” verwendet.
83
Niveaustufen (DQR/EQR)
Den acht Niveaustufen des DQR/EQR werden jeweils Qualifikationstypen oder
Qualifikationen zugeordnet (vgl. Liste der zugeordneten Qualifikationen) (Archiv: 2023)
(BMBF, 2024; BMBF & KMK, 2023). Somit sind diese vergleichbar mit Abschlüssen und
den acht Stufen der Internationalen Standardklassifikation des Bildungswesens (ISCED).
Open Edu Hub / WirLernenOnline stellt die Kompetenzniveaus gemäß dem DQR als
Vokabular maschinenlesbar bereit: dqrCompetenceLevels.
Taxonomien zu Lernprozessen und Differenzierungsmöglichkeiten
● Pädagogisches Rad nach Carrington,
basierend auf Blooms Taxonomie und dem SAMR Modell
○ Blooms Taxonomie (Bloom & Engelhart, 1976), enthalten als Actions (Bloom) im
European Schoolnet Vocabulary
○ SAMR Modell (Puentedura, 2013)
● Lernen als dynamisches Entwicklungsmodell nach Dreyfus (Novizen, fortgeschrittene
Person, kompetente Person, Gewandtheit, Experten)
● Lernstrukturgitter nach Kutzer (Kutzer, 2002)
● Differenzierungsmatrix nach Sasse (Sasse, 2014)
● Differenzierung nach Wember (Wember, 2013)
● Lernaktivitäten nach Laurillard (Laurillard, 2012, S. 96)
● Didaktische Taxonomie und Taxonomie von Lernzielen (Baumgartner, 2014)
● Wissensarten nach Anderson & Krathwohl in Verbindung mit kognitiven Prozessen
(Faktenwissen, Konzeptuelles Wissen, Prozedurales Wissen, Metakognitives Wissen),
basierend auf Blooms Taxonomie (Anderson & Krathwohl, 2001) [vgl. auch Anlage:
“Niveaustufenmodell und Wissensarten” (nach Anderson & Krathwohl)]
Tabelle: Vergleich verschiedener Niveaustufenmodelle (3-stufig, 6-stufig)
Quelle
Mindeststandards
Regelstandards
Expertenstandards
Anforderungs-
bereich / Bildungs-
standards (KMK)
A: Wiedergeben
(Anforderungs-
bereich I)
B: Zusammenhänge
herstellen
(Anforderungs-
bereich II)
C: Reflektieren und
Beurteilen
(Anforderungs-
bereich III)
Lernzieltaxonomie
(kognitive Lernziele),
Bloom (Bloom &
Engelhart, 1976)
1:
Wissen
2:
Verstehen
3:
Anwenden
4:
Analyse
5:
Synthese
6:
Bewer-
ten
“A Taxonomy for
Teaching, Learning,
and Assessment”,
Anderson &
Krathwohl
(Anderson &
Krathwohl, 2001)
1:
Erinnern
2:
Verstehen
3:
Anwenden
4:
Analy-
sieren
5:
Bewer-
ten
6: Er-
stellen
84
“Levels of
processing”
Marzano & Kendall
(Marzano & Kendall,
2007)
Level 1:
Abrufen
Level 2:
Verstehen
Level 3:
Analyse
Level 4:
Wissens-
nutzung
Level
5:
Meta-
kogni-
tion
Level 6:
Kritisches
Selbst
Referenzrahmen
GERS (Europarat)
(Trim et al., 2010)
Elementar
Selbstständig
Kompetent
A1
A2
B1
B2
C1
C2
Astleitner (Astleitner,
2009)
Leicht
Mittel
Schwer
Ziener (Ziener, 2006)
Reproduktion
Rekonstruktion
Transfer
Metzger (Metzger et
al., 1993)
Erinnerung
Verarbeitung
Erzeugung
Weitere exemplarische Wertelisten
● OpenHPI: Beginner, Junior, Advanced, Expert
● fobizz: Einsteiger (Beginner), Fortgeschrittene (Advanced)
● Unterrichtsmaterial.ch: erweitert (A), mittel (B), grundlegend (C), ohne Schwierigkeitsgrad
● OpenLearn Create: Beginner (0), Introductory (1), Intermediate (2), Advanced (3)
● Common Education Data Standards:
○ Lexile Framework for Reading: Textkomplexität
○ National Assessment of Educational Progress: Mathematical Complexity Level
4.2.3.1 Bildungsstufe, Bildungskontext
Das Metadatum erfasst die Verortung des Lernenden (vgl. Zielgruppen) in den Zeitpunkt
der Aus-/Fort-/Weiterbildung und somit in das Lernumfeld bzw. den Lehr-/Lernkontext,
in welchem die Nutzung der zu beschreibenden Ressource primär intendiert wird. Die
Werte stellen üblicherweise eine Stufe in Bezug auf das sukzessive Fortschreiten in
einem Bildungssystem dar und enthalten somit implizit Annahmen über das übliche
bzw. erwartbare Niveau oder (Mindest-)Alter der Lernenden, sodass sich ein Bezug zum
Feld „typisches Alter der Zielgruppe“ ergibt (vgl. Tabelle “Zusammenhänge zwischen
Lehr-/Lernkontexten und anderen Metadaten”).
Durch solche typischen Zusammenhänge bietet es sich an, Metadaten automatisiert zu
generieren. Dies beschleunigt und vervollständigt Erfassungsprozesse und kann auch
zum Ergänzen bestehender Ressourcen verwendet werden. So könnten beispielsweise,
je nach erwünschtem Detailgrad, die Werte für das Feld „typisches Alter“ in Abhängigkeit
zur Auswahl des Feldes „Bildungsstufen“ gesetzt werden.
85
Tabelle: Zusammenhänge zwischen Lehr-/Lernkontexten und anderen Metadaten
Klassen-
stufe
Typisches
Alter
Bildungsstufe
(WLO:ccm:educationalcontext)
Lehr-/Lernkontext
(KIM:educationalLevel)
ISCED-P/-A
(Bildungs-
bericht-
erstattung,
2022)
LOM-CH v2.1
educationalLevel
(educa.ch, 2020)
1–5
Elementarbereich
Elementarbereich
0
Frühbereich
1
6–7
6–10
Primarstufe
Primarbereich
1
Obligatorische
Schule
2
7–8
3
8–9
4
9–10
5
10–11
11–16
Sekundarstufe I
Sekundarbereich I
2
Obligatorische
Schule
6
11–12
7
12–13
8
13–14
9
14–15
10
15–16
11
16–17
16–19
Sekundarstufe II
Sekundarbereich II
3
Sekundarstufe II
12
17–18
13
18–19
16–20
Berufliche Bildung
Postsekundärer nicht-
tertiärer Bereich
4
Tertiärstufe
Kurzes tertiäres
Bildungsprogramm
5
Tertiärstufe
Hochschule
Hochschule
Tertiärstufe
18–24 *
- Bachelor oder
äquivalent
6
22–28 *
- Master oder
äquivalent
7
24–34 *
- Promotion oder
äquivalent
8
Vorbereitungsdienst
Fortbildung
Fortbildung
Förderschule
Sonderpädagogik
Erwachsenenbildung
Fernunterricht
Fernunterricht
Weiterbildung
Stufenunabhängig
Nicht definiert
* angelehnt an Durchschnittsalter (Statistisches Bundesamt) (Statistisches Bundesamt (Destatis), 2021, S. 157f)
Die Angabe einer konkreten Bildungsstufe (z. B. Jahrgangs- bzw. Klassenstufe) wird von
Lehrenden als äußerst hilfreich für die Suche nach Bildungsressourcen eingestuft
(Winter Group, 2014). Sie ermöglicht nicht nur die präzisere Eingrenzung von
Ressourcen im Hinblick auf die aktuelle Progression Lernender im Bildungssystem,
sondern enthält auch implizite Kriterien, wie beispielsweise das erwartete Niveau, auf
welchem ein Lernziel oder Thema vermittelt wird. So wird in der Praxis angenommen,
dass sich das Niveau der Vermittlung bei Ressourcen unterscheidet, wenn diese als
Bildungsstufe beispielsweise die Eignung für die “Hochschule” oder eben den
“Elementarbereich” ausweisen. Aufgrund dessen wird über die Angabe des jeweiligen
Bildungskontexts in der Praxis zugleich implizit die Didaktisierung der Ressource für eine
86
bestimmte Zielgruppe kommuniziert, die für diese Bildungsstufe typischerweise
erwartbar ist. Damit verbunden sind Erwartungen an das typische Alter der Zielgruppe.
Dieses Attribut wird häufig als Substitut für die nicht vorhandenen maschinenlesbaren
Abbildungen von Lehr- und Modulkatalogen genutzt, um den Suchenden eine Filterung
der Ergebnisse in ihren relevanten Bildungsbereichen zu ermöglichen.
Bildungsstufen in Metadatenstandards
In LOM wird das Attribut “context” verwendet, um Bildungsstufen zu erfassen. Die sehr
generische Werteliste für Kontexte, die in LOM auch außerschulische Lernumgebungen
einschließt (vgl. Lernort), ist von den Applikationsprofilen LOM-DE und LOM-CH auf das
jeweilige Schulsystem angepasst worden.
Der LRMI-Standard beinhaltet das Attribut “educationalLevel”, mit welchem ebenfalls
Niveaustufen differenzierbar sind. Eine Werteliste wird in LRMI nicht spezifiziert, die
Werte können jedoch aus einem kontrollierten Vokabular stammen. Damit umgeht LRMI
die fachliche Einordnung und ermöglicht die Einbindung verschiedener Wertebereiche.
Diesem Beispiel folgt aktuell auch der Learning Metadata Standard (vgl.
Inhaltsstandards), wenngleich dort das gleichnamige Attribut “educationalLevel” aus
den DCMI Metadata Terms verwendet wird. Während LOM, LOM-DE und LOM-CH hier
somit explizite Wertebereiche vorgeben, obliegen diese im LRMI-Standard dem
jeweiligen Implementierungsvorhaben.
Grundlagen der Wertebereiche
Gängige Wertebereiche sind an die ISCED-2011 Klassifikation der UNESCO (UNESCO,
2012) und die Zuordnung nationaler Bildungsgänge angelehnt. Zudem wird mitunter
eine lehramtsspezifische Stufe „Vorbereitungsdienst“ (Referendariat) integriert, die an
die universitäre Ausbildungsphase anschließt. Auch eine generische Stufe wie
„Fortbildung“ oder die Ausweichoption “Sonstige” finden sich in einigen
Wertebereichen.
Tavakoli et al. stellen in ihrer Analyse fest, dass Materialien, denen ein “level”
zugewiesen wurde, eine vergleichsweise höhere Qualität aufweisen (Tavakoli et al., 2020,
2021). Das in der Analyse von Tavakoli et al. verwendete Attribut “level” des
untersuchten “SkillsCommons”-Datensatzes entspricht den hier beschriebenen
Attributen “Voraussetzungen und Vorwissen” und der Erfassung der “Abschlüsse”.
Dieses Metadatum scheint eher dann vorzuliegen, wenn die Inhalte eine
“Qualitätskontrolle” durchlaufen haben (Tavakoli et al., 2021, S. 628f), was auf die
Komplexität und Schwierigkeiten hindeuten kann, die Ersteller*innen oder
Erfasser*innen bei der initialen Attribuierung haben. In “Learning Metadata”, dem
Nachfolger von LOM, existiert dieses Attribut nicht mehr, da stattdessen das LRMI-
Attribut “educationalLevel” genutzt wird.
87
Unterschiede in der Feldnutzung durch Selektion der Wertebereiche
Die Praxisnutzung des Feldes unterscheidet sich in Abhängigkeit vom verwendeten
Wertebereich.
Beispiel: Schularten als Wertebereich
Durch die Zuweisung einer Schulart zu Ressourcen kann die Zugehörigkeit zu
curricularen Vorgaben oder einer spezifischen didaktischen Aufbereitung für eine
bestimmte Schulart gekennzeichnet werden. Darüber lassen sich Nutzungsszenarien
realisieren, die darauf abzielen, systematisierte Materialien zu finden, beispielsweise zur
Differenzierung zwischen Thema, Kompetenzen, Niveau anhand der jeweiligen
spezifischen Lehrpläne, die für eine Schulart gelten. Eine vergleichbare Systematisierung
findet sich bei Schulbüchern und im Verlagswesen. Auf diese Weise wird eine
Anschlussfähigkeit hergestellt. Schularten werden bisweilen auch als Schultypen oder
Schulformen bezeichnet.
Die Intention dieses Nutzungsszenarios ist, dass Lehrkräfte schnell und in gewohnter
Weise Ressourcen finden, die für sie als Lehrkraft einer bestimmten Schulart geeignet
und relevant sind, beispielsweise indem curriculare Vorgaben für die jeweilige Schulart
erfüllt werden. Dies umfasst auch spezifische Aufgaben(-typen), Erwartungshorizonte
für Lernkontrollen, Unterschiede der Komplexität und Anforderungen (Niveaustufe) und
weitere Merkmale, die zwischen Schularten unter Umständen zur Differenzierung
verwendet werden.
Eine grundlegende, reformpädagogische Kritik an dieser Systematisierung, vor dem
Hintergrund einer inklusiven Bildung, ist die generelle Unterteilung des Schulsystems in
Schularten. Daran schließt die Frage an, inwiefern sich verschiedene Schularten
zwischen den Bundesländern überhaupt unterscheiden, auch im Hinblick auf sich
ändernde Lehr-/Lernkulturen (bspw. konstruktivistische Ansätze, eher lernbegleitende
Rolle von Lehrkräften, Öffnung des Unterrichts, selbstgesteuerte Lernprozesse).
Zum Vergleich der Ausprägungen in Ländern, siehe auch die folgenden Anlagen:
● "Matrix der Lehramtstypen: Bundesländer - Schularten (Lehramtsstudiengänge)"
● "Allgemeinbildende Schularten nach Ländern"
● "Berufsbildende Schularten nach Ländern"
Zum jetzigen Zeitpunkt nutzen unter anderem die Portale Mundo, QUA-LiS
Materialdatenbank, lehrer-online, lehrerbüro, meinUnterricht, fobizz und
schulportal.de, die Kategorie “Schularten” als gängigen Sucheinstieg und Filter für
Lehrkräfte. Auch das Meta-Videoportal unterrichtsvideos.net nutzt dieses Metadatum.
Auf letzterem Portal erfolgt die Zuordnung zusätzlich zu dokumentarischen Zwecken,
beispielsweise als Kennzeichnung einer konkreten Schulart, an denen die dort gelisteten
videobasierten Bildungsressourcen aufgezeichnet wurden, darunter beispielsweise
authentische Unterrichtsvideos (Junker et al., 2022).
88
Eine mögliche Systematisierung von Ressourcen bezieht sich somit auf “Schularten“, die
jedoch bundesweit nicht einheitlich sind. Dennoch sind Akteur*innen im Lehrkräfteaus-
und -fortbildungssystem diese Art Aufbereitung gewohnt, da zum Beispiel Lehrkräfte an
konkreten Schularten tätig sind und Lehrpläne für diese Schularten ausgewiesen
werden, sodass sich hier ggf. eine automatisierte Zuordnung basierend auf der
Bildungsstufe oder anderen Metadaten empfiehlt, sofern Schularten nicht eigenständig
erfassbar sind.
Die Zuordnung von Bildungseinrichtungen zu den Bildungsstufen kann anhand der
ISCED-2011 Klassifikation erfolgen (Bildungsberichterstattung, 2022, S. XII). Hier sind
jedoch insbesondere bei Schulen mit mehreren Bildungsgängen und größeren Spannen
an Klassenstufen etwaige Mehrfachzuordnungen festzustellen, welche die Präzision der
Zuweisungen schmälern. Gesamtzusammenhänge zwischen den Metadatenfeldern
Bildungsstufe, Klassenstufe und Schulart sind in der Abbildung „Bildungsorte und
Lernwelten in Deutschland“ (Bildungsberichterstattung, 2022, S. XIV) im Bildungsbericht
dargestellt.
Grundsätzlich scheint jedoch, je nach Kontext, eine Systematisierung nach Abschlüssen
unter Umständen für einige Nutzungsszenarien perspektivisch geeigneter, da diese
ebenfalls Lehrplänen zugeordnet werden können und darüber hinaus anschlussfähig
über die Bundesländer und Schularten sind (vgl. Abschlüsse).
Tabelle: Zusammenhänge zwischen Bildungsstufen und Schularten
Bildungsstufe
Schularten (DINI-AG KIM, 2022d) - Zuordnung nach
(Bildungsberichterstattung, 2022, S. XII), um atypische
Mehrfachzuordnungen bereinigt
Elementarbereich
Vorschule
Primarbereich
Grundschule
Sekundarbereich I
Hauptschule, Realschule, Gesamtschule, Gymnasium, Sekundarschule
Sekundarbereich II
Gymnasium, Gemeinschaftsschule, Gesamtschule, Oberschule, Berufliches
Gymnasium
Postsekundärer nicht-
tertiärer Bereich
Berufsfachschule, Berufsschule, Fachoberschule
Attribute in Metadatenstandards
● LOM: context (5.6), difficulty (5.8)
● AMB: educationalLevel
● LRMI: educationalLevel
● Learning Metadata: educationalLevel
89
Mögliche Wertelisten
Bildungsstufen
● Bildungsstufen, KIM (UNSECO ISCED-2011), Repo
● Bildungsstufe, Open Edu Hub / WirLernenOnline
● International Standard Classification of Education (ISCED) (UNESCO):
○ 1997, 2011, 2013, Repo
● LOM-CH: 5.6 Bildungsstufe | Educational Context
○ Frühbereich, Obligatorische Schule, Sekundarstufe II, Stufenunabhängig,
Sonderpädagogik, Tertiärstufe, Weiterbildung, Fernunterricht, Nicht definiert
○ pre-school, compulsory education, special education, vocational education,
higher education, distance education, continuing education, professional
development, library, educational administration, policy making, other
● Common Education Data Standard: Learning Resource Education Level
● European Schoolnet Vocabulary
○ EUN Educational Context Values: college/university, lower secondary school, post-
secondary institution other than university, pre-primary school, primary level
school, university granting advanced degrees, upper secondary school
○ LRE Educational Learning Context: compulsory education, continuing education,
distance education, educational administration, higher education, library, other,
policy making, pre-school, professional development, special education,
vocational education
● Educational Context (LOM-DE) (Archiv) (FWU, 2010):
LOM-DE value
Binding
LOM-DE expression (de)
LRE-LOM value
pre-school
LREv3.0
Elementarbildung
pre-school
compulsory education
LREv3.0
Allgemeinbildende Schule
compulsory education
special education
LREv3.0
Sonderpädagogische Förderung
special education
vocational education
LREv3.0
Berufliche Bildung
vocational education
higher education
LREv3.0
Hochschule
higher education
distance education
LREv3.0
Fernunterricht
distance education
continuing education
LREv3.0
Erwachsenenbildung
continuing education
professional development
LREv3.0
Fortbildung
professional development
Library
LREv3.0
Bibliothek
Library
educational administration
LREv3.0
Schulverwaltung
educational administration
policy making
LREv3.0
Schulpolitik
policy making
Other
LREv3.0
anderer Bereich
Other
LOM-DE1.0
Vorschule
pre-school
primary school
LOM-DE1.0
Grundschule
compulsory education
lower secondary school
LOM-DE1.0
Sekundarstufe I
compulsory education
upper secondary school
LOM-DE1.0
Sekundarstufe II
compulsory education
LOM-DE1.0
Orientierungsstufe
compulsory education
LOM-DE1.0
Hauptschule
compulsory education
LOM-DE1.0
Realschule
compulsory education
LOM-DE1.0
Mittelschule
compulsory education
LOM-DE1.0
Sekundarschule
compulsory education
LOM-DE1.0
Gesamtschule SEK I
compulsory education
LOM-DE1.0
Gesamtschule SEK II
compulsory education
LOM-DE1.0
Gymnasium SEK I
compulsory education
LOM-DE1.0
Gymnasium SEK II
compulsory education
90
Klassenstufen, Jahrgangsstufen oder Fachsmester
● Open Edu Hub / WirLernenOnline: Klassenstufe
● XSchule: Jahrgangsstufe
● Meta-Videoportal unterrichtsvideos.net (Repo): Jahrgangsstufen
● dfnEduPerson: Fachsemester (dfnEduPersonTermsOfStudy)
Schularten, Schultypen, Schulformen
● KIM: Schularten-Vokabular, Repo
● Open Edu Hub / WirLernenOnline: Schularten-Vokabular (Open Edu Hub)
● Mundo.schule, FWU: Kindergarten, Grundschule, Mittel- / Hauptschule, Realschule,
Gymnasium, Förderschule, Berufsschule
● XBildung: Art der Schule, basierend auf Kerndatensatz der Länder für schulstatistische
Individualdaten
● Schularten, Datenportal (BMBF)
● Fobizz: Grundschule, Weiterführende Schule, Berufliche Schule, Förderschule
● Meta-Videoportal unterrichtsvideos.net (Repo): Vorschule, Grundschule, Hauptschule,
Realschule, Gesamtschule, Gymnasium, Förderschule, Privat- und Ersatzschulen,
Sekundarschule, Berufliche Bildung, Sonstige Schulformen
● meinUnterricht: Berufliche Schule, Förderschule/Inklusion, Gesamtschule, Grundschule,
Gymnasium, Hauptschule, Mittlere Schule, Realschule
● DigitalLearningLab (API): Förderschule, Gemeinschaftsschule, Gesamtschule,
Grundschule, Gymnasium, Hauptschule, Integrierte Gesamtschule, Integrierte
Sekundarschule (ISS), Mittelschule, Mittelstufenschule, Oberschule, Realschule,
Realschulen plus, Regelschule, Regionale Schule, Sekundarschule, Stadtteilschule,
Vorschule, Werkrealschule, Werkschule
● SIF Data Model (UK, AU, NZ, NA), School Type / Organisation Type innerhalb der Schools
Interoperability Framework Implementation Specification
Sonstige oder eher gemischte Wertelisten
● SESAM-Mediathek: Grundschule, Sekundarstufe I, Sekundarstufe II, Elementarbereich,
Sonderschulen, Berufliche Schulen, Außerschulische Jugendbildung, Pädagogische Aus-
und Weiterbildung, Erwachsenenbildung
● Materialsuche der bpb: Außerschulische Bildung, Berufsschule, Erwachsenenbildung,
Hochschule, Journalist/innen, Lernen, Multiplikatoren/innen, Primarstufe,
Sekundarstufe I, Sekundarstufe II
● Wikiwijs, Lernniveau (niederländisch, übersetzt): Vorschulbildung, Neulinge,
Spezialisierte Ausbildung, Grundschule, Sekundarschulbildung, höhere
Berufsausbildung, Wissenschaftliche Ausbildung
● Bildungsmediathek NRW, u.a.: Berufsbildende Schule, Elementarbereich, Jugendbildung,
Grundschule, Erwachsenenbildung, Sekundarstufe I, Sekundarstufe II,
Sonderpädagogische Förderung, Lehrerfort- und -weiterbildung
91
4.2.3.2 Typisches Alter
Das Metadatenfeld "Typisches Alter" beschreibt die Altersspanne, für die eine
Bildungsressource am besten geeignet ist. Es wird häufig als Bereich mit zwei Werten
angegeben, z. B. als numerisches Intervall [6;10] für eine Altersspanne von 6 bis 10
Jahren. Die Angabe unterstützt Lehrende, altersgerechte Bildungsressourcen effizient
zu finden, die den Bedürfnissen der Zielgruppe entsprechen. Es ermöglicht eine
Filterung von Ressourcen, die für bestimmte Altersgruppen zu einfach oder zu komplex
sein könnten (implizite Niveaustufe). Das typische Alter kann unter Umständen durch
Zuweisung der Bildungsstufe automatisch empfohlen werden (vgl. Bildungsstufe).
Verwandt: FSK, PEGI, USK (empfohlenes Mindestalter, Altersfreigabe gemäß JuSchG)
(vgl. Einsatzkontext und -voraussetzungen)
Attribute in Metadatenstandards
● LOM: 5.7:Educational.TypicalAgeRange
● LRMI: typicalAgeRange
● Learning Metadata: educationalLevel
4.2.3.3 Abschlüsse
Das Metadatenfeld weist den Ressourcen Werte zu, die einem anvisierten, bereits
erworbenen oder mit der Ressource in Zusammenhang stehenden Abschluss
entsprechen.
Praxisbeispiel Lehrkräftebildung: Gestufte und polyvalente Studiengänge
Um gemischte Sammlungen von Lehr-/Lernmaterialien zu systematisieren, ist die
Unterscheidung von fachwissenschaftlichen zu fachdidaktischen Ressourcen sinnvoll,
damit relevante Ressourcen im Bereich der Lehrkräftebildung mit entsprechender
Passung zum Abschluss gefunden werden können.
Für ein Studium mit erstem Abschlussziel „Bachelor of Education“ sind womöglich
andere oder weitere Ressourcen relevant, verglichen mit dem Abschlussziel „Bachelor of
Arts“. Das Attribut “Abschlüsse” ermöglicht somit die Differenzierung zwischen
fachwissenschaftlichen und fachdidaktischen Ressourcen. Insbesondere im
Hochschulkontext ist dies bislang unzureichend möglich.
So ist in gängigen Wertelisten, wie der Hochschulfächersystematik, beispielsweise
„Mathematik“ als Auswahl vorhanden, jedoch nicht „Mathematikdidaktik“ oder ein
vergleichbarer Term. Gleichzeitig wäre jedoch eine Doppelung jedes Fachs zur
Kennzeichnung der dazugehörigen Didaktik nicht sinnvoll. Durch eine Angabe des
Abschlusses können Ressourcen für „Lehramtsstudiengänge“ daher gegenüber
„fachwissenschaftlichen Studiengängen“ abgegrenzt werden. Je nach Spezifität der
92
Werteliste wäre auch eine unmittelbare Unterscheidung zwischen verschiedenen
Lehramtsstudiengängen denkbar, um beispielsweise Material für die Lehrkräftebildung
mit Bezug zu Grundschulen von Material mit Bezug zu beruflichen Schulen abzugrenzen.
Dabei gibt es verschiedene Herausforderungen bei der Erfassung von Abschlüssen in
der Lehrkräftebildung:
(1) Gestufte Studienstruktur
Die gestufte Struktur der Lehramtsstudiengänge (Bachelor, Master) war 2022 in
neun Bundesländern vorgeschrieben. In einem Bundesland gab es eine
grundständige Struktur (Staatsexamen) und sechs Bundesländer realisierten
eine Mischung (gestuft und grundständig) (Centrum für Hochschulentwicklung,
2024b).
(2) Polyvalente Studiengänge (Zwei-Fach-Bachelor)
Die Lehramtsstudiengänge sind als Zwei-Fach-Bachelor zum Teil polyvalent. Aus
der Erfassung des Abschlusses würde somit zunächst nicht unmittelbar
hervorgehen, ob es sich um ein Lehramtsstudium handelt. Bei einer Befragung
des Monitor Lehrerbildung im Jahr 2022 gaben 33 von 55 Universitäten an,
polyvalente Lehramtsstudiengänge zumindest für einige Lehramtstypen
anzubieten (Centrum für Hochschulentwicklung, 2024c).
(3) Studiengänge für unterschiedliche Lehrämter
Die Strukturierung des Schulwesens anhand von Schularten spiegelt sich auch in
der Vielfalt der Studiengänge wider. So gibt es unter Umständen in den
Bundesländern spezielle Studiengänge für das Lehramt, beispielsweise an
Grundschulen (Lehramtstyp 1) den Abschluss „Bachelor G“. Sowohl die Existenz
als auch die Bezeichnungen von Schularten und Studiengängen unterscheiden
sich dabei jedoch zwischen den Bundesländern [vgl. Anhang “Matrix der
Lehramtstypen: Bundesländer - Schularten (Lehramtsstudiengänge)”]. Neben
den Unterschieden zwischen den Bundesländern wandelt sich zudem das
Schulwesen, sodass Schularten wegfallen oder neue entstehen. In der Praxis wird
den Ressourcen häufig dennoch eine Schulart als Metadatum zugewiesen. Dies
hat unterschiedliche Gründe, sei es zu dokumentarischen Zwecken, um einen
Wiedererkennungswert und Bezugspunkt für die Lehrenden zu schaffen, oder
schlicht, da das Schulwesen aus Sicht der Bundesländer und somit einzelner
Akteur*innen des Aus- und Fortbildungssystems in Schularten strukturiert ist.
Die KMK-Lehramtstypen lösen die obig benannten Herausforderungen auf, da es sich
um eine bundesweit gültige Systematisierung der Lehrkräftebildung handelt, die zudem
bereits seit den 90ern besteht und auch heute weiterhin als bundeslandübergreifendes
Kategoriensystem gilt (KMK, 2023). Durch Zuweisung des Lehramtstypen für eine
93
Ressource kann eine Zuordnung zu Abschlüssen der Lehramtsausbildung sowie auch
den Schularten bundesweit anschlussfähig hergestellt werden. Somit ergibt sich in
Kombination mit anderen Metadatenfeldern jeweils die spezifische Bedeutung für
einzelne Ressourcen.
Tabelle: KMK-Lehramtstypen
DINI-AG-KIM: KMK-Lehramtstypen (KMK, 2023)
Lehramtstyp 1: Lehrämter der Grundschule bzw. Primarstufe
Lehramtstyp 2: Übergreifende Lehrämter der Primarstufe und aller oder einzelner Schularten der
Sekundarstufe I
Lehramtstyp 3: Lehrämter für alle oder einzelne Schularten der Sekundarstufe I
Lehramtstyp 4: Lehrämter der Sekundarstufe II [allgemeinbildende Fächer] oder für das Gymnasium
Lehramtstyp 5: Lehrämter der Sekundarstufe II [berufliche Fächer] oder für die beruflichen Schulen
Lehramtstyp 6: Sonderpädagogische Lehrämter
Attributvorschläge zur Erfassung von Abschlüssen
● Aus dem ComeIn-Projekt: educationalCredential
Ein neues Feld “educationalCredential”, angelehnt an den schema.org-Typ
“EducationalOccupationalCredential”, der jedoch keine Entsprechung als Eigenschaft
des schema.org-Typs “LearningResource” hat. Unter Umständen ist jedoch auch die
Nutzung des schema.org-Attributs “credentialCategory” möglich.
● DFN-AAI: dfnEduPersonFinalDegree, dfnEduPersonBranchAndDegree
Im Hochschulkontext wurde das Schema “dfnEduPerson” entwickelt (Deutschmann et
al., 2008). Das Schema basiert auf den Objektklassen organizationalPerson (RFC 4519),
inetOrgPerson (RFC 2798), SCHAC (SCHema for ACademia). Es erweitert das
international verbreitete eduPerson Schema der Research and Education FEDerations
group (REFEDS) um E-Learning- und DFN-spezifische Attribute und Wertelisten. Im
Attribut “dfnEduPersonFinalDegree” wird der entsprechende numerische Wert aus der
Liste des statistischen Bundesamtes erfasst. Das Attribut
“dfnEduPersonBranchAndDegree” enthält fachbezogene Abschlüsse.
Mögliche Wertelisten
● Schule
○ XSchule mit ISCED-Mapping (vgl. Bildungsstufe)
○ KIM: Schulabschlüsse mit Mappings zu Wikidata und DNB
● Hochschule
○ XHochschule mit ISCED-Mapping (vgl. Bildungsstufe)
(alle Abschlüsse, zusätzlich Erststudium, Zweitstudium)
○ Destatis Schlüsseltabellen für Abschlüsse im Erhebungsportal (Repo-Mirror)
○ Hochschulkompass (Abschlüsse): Abschlussprüfung, Bachelor/Bakkalaureus,
Diplom, Diplom (FH), Fakultätsexamen, Kirchlicher Abschluss, Konzertexamen,
Lizentiatenprüfung, Magister, Master, Staatsexamen, Theologische Prüfung
● Lehrkräfteaus-/-fortbildung: Lehramtsbezogene Abschlüsse,
bundesweite Systematisierung der Lehramtsabschlüsse über KMK-Lehramtstypen
○ KIM: Lehramtstypen
94
● Ausbildungsberufe
○ Verzeichnis der anerkannten Ausbildungsberufe des Bundesinstitut für
Berufsbildung (BIBB) (Publikationen)
○ HubbS (Berufsfeld, Beruf)
○ Netzwerk Q4.0 (Thema/Trainings)
● Bildungsstufenübergreifend
○ WirLernenOnline: Abschluss (graduation), verwandt mit Bildungsstufen
○ European Schoolnet Vocabulary: Ed Level/Degree Earned Values:
bachelor's degree, doctoral degree, lower secondary level, master's degree,
post-secondary non-tertiary education, primary level, short-cycle tertiary
education, upper secondary level
4.2.3.4 Sprache und Sprachniveau
Seit jeher gibt es Migrationsbewegungen und auch die Globalisierung und
Digitalisierung tragen dazu bei, dass die Welt näher zusammenrückt. Ein wesentliches
Attribut ist somit die Kennzeichnung der Sprache(n) von Bildungsressourcen. Dabei geht
es um mehr als die Auszeichnung, in welcher Sprache die Inhalte der Ressource
verfügbar sind. Die Vielfalt der Sprachen und möglichen Sprachbarrieren beim Erlernen
von Erstsprachen, Zweitsprachen oder Fremdsprachen sind bei der Auswahl von
Bildungsressourcen zu berücksichtigen.
Neben der grundlegenden Fähigkeit eine Sprache zu verstehen, ist dabei auch das
Niveau entscheidend, beispielsweise hinsichtlich verschiedener Kompetenzbereiche, wie
dem Hören, Lesen, Schreiben, der sprachlichen Interaktion und Produktion.
Das Attribut "Sprachniveau" beschreibt das formalisierte Niveau eines Objektes
hinsichtlich einer bestimmten Sprache. Auf europäischer Ebene formalisiert der
Gemeinsame Europäische Referenzrahmen (GER) sechs Sprachniveaustufen. Dabei
liegen z. B. für die Sprachen Englisch, Französisch, Spanisch und Deutsch anerkannte
Zertifikate vor, die das Erreichen eines Sprachniveaus bestätigen.
Weitere Hinweise zur Verwendung
Das Sprachniveau ist für die Passung von Lernmaterialien an die sprachlichen
Fähigkeiten der Lernenden relevant, auch außerhalb des Fremdsprachenunterrichts,
beispielsweise wenn einem inklusiven pädagogischen Ansatz gefolgt wird und die
Lerngruppen sprachlich heterogen sind. Es ermöglicht die Suche von Lerninhalten
entsprechend den sprachlichen Kompetenzen der Lernenden. Die Verwendung von
mehrsprachigen Ressourcen kann zur Differenzierung genutzt werden. Im Schulgesetz
oder in Schulordnungen kann eine individuelle Förderung durch Lehrkräfte und Schulen
vorgeschrieben sein. Lehrkräfte können mithilfe dieses Attributs passende Materialien
auswählen, die zum sprachlichen Niveau des Lernenden passen und eine stufenweise
Verbesserung der Sprachfähigkeiten fördern. Zudem ermöglicht die Verwendung
95
internationaler Standards eine vergleichbare Bewertung der Sprachkompetenzen, wie
durch den Gemeinsamen Europäischen Referenzrahmen für Sprachen.
Mögliche Wertelisten für Sprachniveaustufen
● Sprachniveaustufen, veröffentlicht durch WLO, basierend auf dem Gemeinsamen
Europäischen Referenzrahmen für Sprachen (DAAD, 2024; Glaboniat & Europarat, 2010;
Trim et al., 2010) / Common European Framework of Reference for Languages (CEFR),
herausgegeben vom Europarat
● ACTFL-Leitlinien zur Sprachbeherrschung (Tests: AAPPL, OPI, WPT, TEP, ALIRA)
Mögliche Wertelisten für Sprachen
● Sprachthesaurus gemäß ISO 639-1 (Skosmos)
● MARC, ISO 639-1, ISO 639-2, ISO-6395 (MARC/LC)
Attribute in Metadatenstandards zur Kennzeichnung der Sprache,
für ein Attribut zur Kennzeichnung des Sprachniveaus, siehe: Lernvoraussetzungen
● LRMI: inLanguage
● LOM: 1.3 Language
● Learning Metadata: dct:language
Weiterführende Themen in diesem Kontext:
Deutsches Sprachdiplom (KMK), Leichte Sprache, individuelle Förderung,
Binnendifferenzierung, Mehrsprachigkeit, Deutsch als Zweitsprache, Deutsch als
Fremdsprache, Bildungsgerechtigkeit: Grundgesetz Art. 3 (3) “Niemand darf wegen [...]
seiner Sprache [...] benachteiligt oder bevorzugt werden.” (BRD, 2022, S. 2).
4.2.4 Zielgruppen
Dieses Attribut ermöglicht die Angabe von Personengruppen oder Rollen, für die das
Objekt erstellt wurde. Es ist, je nach Ausprägung der Wertebereiche, inhaltlich verwandt
mit dem Attribut Niveaustufe, da Zielgruppen einen Indikator für die Didaktisierung der
Ressource darstellen können, insbesondere, wenn die Werte des Feldes zum Beispiel ein
typisches Alter oder eine Bildungsstufe implizieren.
Das Attribut ermöglicht Lehrenden die Auswahl geeigneter Ressourcen im Hinblick auf
die Zielgruppe und Bedürfnisse der Lernenden. Auch für Lernende ist das Attribut
hilfreich, um die Relevanz von Ressourcen für sich selbst einschätzen zu können. Das
Attribut wird von den Befragten bei Tischler et al. als nützlich und nutzbar gewertet
(Tischler et al., 2022, S. 259). Auch Sutton erachtet Attribute, die explizit oder implizit
Zielgruppen charakterisieren, für welche eine Ressource intendiert oder nützlich ist, als
fundamental für Bildungsressourcen (Sutton, 2004, S. 145).
96
Vergleich der Felddefinitionen in Metadatenstandards
1. schema.org: “An intended audience, i.e. a group for whom something was created.”
(schema.org, 2024b)
2. LRMI: “A concept scheme that defines the primary or intended roles of the audience
(beneficiary) of the resource being described” (LRMI, 2017) (LRMI, 2017)
3. DCMI: “A class of agents for whom the resource is intended or useful.” (DCMI, 2023)
4. LOM: “Principal user(s) for which this learning object was designed, most dominant
first.” (IEEE, 2020a)
5. LOM-CH: „Bezeichnung der Nutzenden, für welche die Ressource entworfen wurde“
(Educa, 2020, S. 14)
Exemplarische Verwendungsszenarien des Feldes
Kennzeichnung der didaktischen Ausrichtung
● Angabe, die eine didaktische Ausrichtung, Aufbereitung oder Eignung der Ressource für
bestimmte Personengruppen (als Lernende) kennzeichnet.
Realisierung einer rollenbasierten Suche
● Eine lehrende Person möchte Material für ihre Zielgruppe (z. B. eines Seminars/Kurses)
finden und wählt diese als Zielgruppe aus. Die Suche erfolgt in der Rolle der Zielgruppe.
● Eine Person möchte Material für die eigene Aus-/Fortbildung finden. Die Suche erfolgt in
der eigenen Rolle.
● Eine lehrende Person möchte Unterrichtsideen (z. B. Planungen, Konzepte) für ihre
eigene Lehre finden. Die Suche erfolgt ggf. in der Rolle der anvisierten Zielgruppe, je
nachdem, welche Beschreibungs- und Suchstrategien verwendet werden.
Attribute in Metadatenstandards
● LRMI: educationalRole (Typ: educationalAudience)
● schema.org: audience, educationalRole
● AMB: audience
● LOM: 5.5 intendedEndUserRole
● Learning Metadata: dct:audience (DCMI Metadata Terms)
Mögliche Wertelisten (Zielgruppen, Personengruppen, Rollen)
Eher generische Zielgruppen und Rollen
● LRMI, educationalAudienceRole: Administrator, General Public, Mentor, Parent, Peer
Tutor, Professional, Student, Teacher
● LOM, intendedEndUserRole: teacher, author, learner, manager
● Open Edu Hub / WirLernenOnline (intendedEndUserRole): Autor/in, Berater/in,
Lerner/in, Verwaltung, Eltern, Lehrer/in, andere
● EUN Target Groups, European Schoolnet Vocabulary: counsellors, educational
authorities, general public, industry, learners, NGOs, other, parents, policy makers,
researchers, teachers, youth, youth panel
97
● Library of Congress (intended Audience), LC: Adolescent, Adult, General, Juvenile, Pre-
adolescent, Preschool, Primary, Specialized
● Schulflix, Rollen: Lehrkraft, Berufseinsteiger:in, schulische Führungskraft, Fortbildungs-
oder Medienbeauftragte, pädagogische Fachkraft
Eher differenzierte Personengruppen
● ComeIn (educationalAudienceRole): Studieninteressent/-in, Student/-in, Schüler/-in,
Lehrer/-in, Hochschullehrer/-in, Seminarleiter/-in, Fortbildner/-in, Lehramtsanwärter/-
in, Studienreferendar/-in
● BIRD-spezifische Zielgruppen: Schüler/in, Student/in, Studieninteressierte/r,
Promotionsinteressent/in, PASCH-Schüler/in, Eltern, Lehrer/in
● Twillo (Zielgruppen): Studieninteressierte, Studierende in der Studieneingangsphase,
fortgeschrittene Studierende im Bachelor, Studierende im Master, Promovierende,
Lehrende, Andere Zielgruppe
Diskussion: Generische Rollen vs. Didaktisierung für bestimmte Personengruppen
Die meisten Vokabulare orientieren sich hinsichtlich des Wertebereiches an
Konventionen mit eher generischen Rollen wie „Lernende“ und “Lehrende“. Während
beispielsweise das verbreitete LOM- und LRMI-Vokabular mit diesen Rollen operiert,
unterscheiden sich die Ansätze von Twillo, BIRD und ComeIn bezüglich der Angabe der
Zielgruppen dahingehend, dass die Werte dieser kontrollierten Vokabulare jeweils eine
konkrete Gruppe von Personen darstellen, für welche die Ressource (didaktisch)
konzipiert wurde (siehe Wertelisten). Somit beschreibt die dortige Angabe der
Zielgruppe die (didaktische) Ausrichtung und Eignung der Ressource für bestimmte
Personengruppen als Lernende bzw. Endnutzer*innen.
Die generischen Rollen „Lernender“ und „Lehrender“ können unzureichend für die
Kennzeichnung der Zielgruppe von Ressourcen geeignet sein, da Personengruppen die
Rolle der „Lernenden“ oder „Lehrenden“ flexibel einnehmen können (z. B. in Fort- und
Weiterbildungskontexten) oder bei bestimmten Ressourcentypen (z. B. didaktische
Konzepte). Neben der eher klassischen Rollenverteilung (= Lehrer*innen lehren,
Schüler*innen lernen), finden sich zudem auch Beispiele für alternierende Rollen (vgl.
Tabelle “Alternierende Rollen”).
Auch die CanCore-Empfehlungen stellten bereits verschiedene Nutzungsszenarien
heraus, bei welchen die Werteliste aus LOM mit weiteren Rollen erweitert werden sollte.
Zur Verbesserung der Interoperabilität wird dabei zumindest die additive Zuweisung der
generischen Rollen aus dem LOM-Vokabular (Fisher et al., 2003, S. 12) oder auch LRMI-
Vokabular empfohlen.
Tabelle: Alternierende Rollen in Lehr-/Lernkontexten
Zielgruppe
Rolle
Kontexte (Beispiele)
Lehrer*in, Dozent*in,
Fortbildner*in, Eltern, o.ä.
Lernende
Fort- und Weiterbildung
Schüler*in, Student*in, o.ä.
Lehrende
Peer-Tutoring, Unterrichtsmethode „Lernen durch Lehren“
98
Ressourcentypen mit dualer Perspektive zur Beschreibung von Metadaten
Es werden im Folgenden exemplarische Ressourcentypen diskutiert, bei denen die
Zuweisung von Metadaten aus zwei Perspektiven erfolgen kann, beispielsweise mit
Fokus auf (1) den Inhalt der Ressource oder (2) die Nachnutzung der Ressource.
Ressourcentyp: Didaktische Konzepte, z. B. Unterrichtsentwürfe, Unterrichtsplanungen
Bei diesem Ressourcentyp gibt es mehrere Perspektiven, aus welchen Metadaten
beschrieben werden können. Einerseits richtet sich das didaktische Konzept an
Lehrende oder Multiplikator*innen, die dieses in ihrer Lehre implementieren sollen,
womit als Metadaten zum Beispiel als Bildungsstufe “Fortbildung” und Zielgruppe
“Lehrkräfte” zugewiesen werden könnten. In diesem Fall würde das didaktische Konzept
somit als Lerngegenstand der Fortbildung betrachtet. Andererseits ist es für Lehrende
und Multiplikator*innen wiederum wichtig, dass Metadaten zum Klientel der Lehre
angegeben werden, die das didaktische Konzept inhaltlich fokussiert, also beispielsweise
die Bildungsstufe “Sekundarstufe I” und Zielgruppe “Schüler*innen”, die im
didaktischen Konzept die Rolle der Lernenden einnehmen. Diese Diskrepanz drückt sich
auch in den zuvor skizzierten Felddefinitionen der Metadatenstandards aus.
Ressourcentyp: Unterrichtsvideos
Eine ähnliche duale Perspektive ergäbe sich bei der Erfassung von Metadaten zu
Unterrichtsvideos, da hier einerseits das Video als Lerngegenstand für die Aus- und
Fortbildung beschrieben und andererseits jedoch auch der Inhalt des Videos in
Metadaten abgebildet würde.
Beispiel: Die Unterrichtsvideographie …
● … zeigt Sachunterricht einer dritten Klasse an einer Grundschule (Inhalt)
● … ist ein Fortbildungsgegenstand für die Hochschule (Nachnutzung)
Zusammenhänge zwischen Beschreibungsstrategien und Suchstrategien
Wäre es überhaupt sinnvoll, dass z. B. Schüler*innen ein didaktisches Konzept für
Lehrkräfte als Suchtreffer angezeigt würde, wenn sie in ihrer Rolle nach
Bildungsressourcen suchen? In und zwischen Repositorien gibt es dahingehend häufig
keine konsistente Beschreibungslogik für Metadaten, beispielsweise eine konkrete
Vorgabe einer einheitlichen Perspektivierung der Beschreibung, wie:
● Wer (Adressaten des Lernprozesses oder Multiplikator*innen) soll wann
(Bildungsstufe der Adressaten), was (Lernziele), womit (Ressourcentyp) lernen
oder vermitteln?
Hier kann es somit zu Inkonsistenzen bei der Zuweisung von Metadaten in
verschiedenen Feldern kommen, beispielsweise zwischen Werten für die Zielgruppe und
Bildungsstufe. So könnte in einem Feld der Zielgruppe bspw. einerseits die Rolle der
Multiplikator*innen angegeben (z. B. Lehrende), bei der Bildungsstufe jedoch die
99
Perspektive der Zuweisung von Metadaten auf die Endnutzer*innen (Lernende)
wechseln. Häufig werden auch einfach mehrfache Zuweisungen vorgenommen.
Die Perspektivierung der Beschreibung hat daher Auswirkungen auf das Konzept und
das zu vermittelnde Verständnis möglicher Suchstrategien von Ressourcen in den
Portalen.
Didaktisierung von Ressourcen
Es ist anzunehmen, dass sich Ressourcen für bestimmte Zielgruppen voneinander
konzeptuell in Hinblick auf die Didaktisierung unterscheiden, z. B. für Schüler*innen,
Student*innen oder Lehrer*innen. Aus diesem Grund scheint eine Differenzierung der
Werte für Zielgruppen gegenüber der generischen Rolle “Lernende” zur Präzisierung
der didaktischen Aufbereitung von Ressourcen sinnvoll, insbesondere für Portale, die
bildungsbereichsübergreifende Ressourcen listen.
Da mit dieser Annahme die Zuweisung von Zielgruppen implizit den Ressourcen zugleich
verschiedenste didaktische Eigenschaften zuschreibt, wäre eine alternative Realisierung
über eine Kombination mit anderweitigen didaktischen Feldern (bspw. Bildungsstufe,
Niveaustufe, semantische Dichte aus LOM, Alter, Voraussetzungen o.ä.) grundsätzlich
als Alternative zur Differenzierung der Zielgruppen denkbar.
In manchen Fällen wäre dies jedoch nur bedingt praxistauglich, aufgrund der Vielzahl
der zusätzlich erforderlichen Metadaten, der Heterogenität der Ressourcen und der
geringeren Wahrscheinlichkeit diese additiven Metadaten ebenfalls in vollem Umfang
aggregieren zu können, sofern die Hürde der Anforderungen an die Deskription von
Ressourcen weiterhin möglichst niedrigschwellig angesetzt werden soll.
Auch Sutton stellt verschiedene Eigenschaften von Zielgruppen heraus, die sich unter
Umständen in separaten Attributen erfassen lassen, darunter beispielsweise:
Leistungsniveau (im Sinne einer Klassenstufe oder Bildungsstufe), Eignung (im Sinne der
Leistung oder Begabung von Lernenden), kulturelle oder sprachliche Zugehörigkeit
oder Fähigkeiten (z. B. Mehrsprachigkeit, Zweitsprachen), physische oder emotionale
Bedürfnisse und Einschränkungen (z. B. Sehvermögen) oder auch grundlegende
demographische Eigenschaften (Geschlecht, Alter, beruflicher/fachlicher Status)
(Sutton, 2004, S. 146).
4.2.5 Didaktische Kontextualisierung (Settings und Szenarien)
Wenngleich in der Vergangenheit komplexe Modelle didaktischer Konzepte zur
Verbindung von Inhalten und Methoden entwickelt wurden (Pawlowski, 2002, S. 373),
scheint es zunächst unwahrscheinlich, dass solche eine breite Akzeptanz oder
Anwendung finden, da Ressourcen und deren Beziehungen untereinander und vor
allem die methodischen Zugänge und Nutzungsmöglichkeiten äußerst vielseitig sein
können. Dennoch bleibt zumindest das Bedürfnis zur Erfassung kontextueller Hinweise
und exemplarischen Nutzungshinweisen existent, zum Beispiel zu didaktischen
100
Rahmenbedingungen für den Einsatz einer Ressource oder möglichen didaktischen
Nutzungsszenarien. Didaktische Szenarien sind strukturierte Beschreibungen und
Darstellungen zur Organisation von Lehr- und Lernprozessen, darunter Empfehlungen
zur Planung der Instruktion, Phasierung, Handlungsabläufe, Methoden, Lernmittel und
Unterrichtsaktivitäten, oder auch Unterrichtsschritte, die zur Vermittlung von
Lerninhalten und zum Erreichen von Lernzielen verwendet werden können und bieten
damit eine Orientierungshilfe für Lehrende zur Umsetzung von Lehr-/Lernkonzepten.
Didaktischen Szenarien werden dabei mit verschiedensten Merkmalen klassifiziert
(Virtualisierungsgrad, Zeit, Sozialform, Interaktionsform, Medien, Raum, Aktionsform,
Art des Wissens, Inhalt, Organisation, Rollen, Phasen, Lehr-/Lernziele) (Heyer, 2006, S. 4–
6).
Den Szenarien wird dabei definitorisch teilweise ein präskriptiver Charakter
zugeschrieben (Baumgartner, 2006a, S. 239), der in diesem Kompendium eher als
exemplarisch und deskriptiv verstanden wird, insbesondere da die Aufgabe von
Lehrenden darin besteht, didaktische Szenarien für ihren Nutzungskontext zu
adaptieren.
Es gibt zahlreiche Ansätze zur Beschreibung der didaktischen Kontextualisierung. Ziel
der Erfassung ist es meist, Kriterien abzubilden, die es Lehrenden ermöglichen, die
praktische Verwendbarkeit von Ressourcen in ihrem Kontext zu prüfen oder eine
exemplarische Verwendung als didaktisches Szenario aufzuzeigen. Die Verwendbarkeit
hängt dabei auch von technischen und rechtlichen Faktoren ab (vgl. “Technische
Voraussetzungen” sowie “Einsatzkontext und -voraussetzungen”). Im Folgenden
werden einige Attribute vorgestellt, die unter die Kategorie der didaktischen
Kontextualisierung subsumiert werden können.
Didaktische Funktion des Materials
Das Portal twillo verwendet das LOM-Metadatum “context” im Sinne einer “didaktischen
Funktion” des Materials, um den intendierten Verwendungszweck eines Objektes in
einer Lehr-/Lernaktivität zu beschreiben (Vermittlung, Vertiefung, Einübung, etc.). Die
Werteliste von twillo ist dabei mit Vokabularen zur Erfassung von Unterrichtsphasen,
Lern-/Unterrichtsaktivitäten oder Niveaustufen verwandt (siehe auch Tabelle “Vergleich
verschiedener Niveaustufenmodelle”).
Hierbei ist herauszustellen, dass sich diese Art der Verwendung des Metadatenfeldes
jedoch von der Definition im LOM-Standard unterscheidet (vgl. Bildungsstufe), was zu
Konflikten bei der Interoperabilität im Metadatenaustausch führen kann. Eine solche
Redefinition von standardisierten Feldern ist in der Praxis auch bei anderen Diensten zu
beobachten. Eine mögliche Ursache besteht darin, dass die verwendeten Datenmodelle
unter Umständen nur ein limitiertes Set von Metadatenfeldern eines einzelnen
Standards (z. B. LOM) bereitstellen, sodass zur Umgehung dieser Limitation versucht
101
wird, spezifische Nutzungsszenarien in den vorhandenen Feldern abzubilden, auch
wenn dazu eine Redefinition der Semantik einzelner Felder erforderlich ist.
Didaktische Hinweise, Gebrauchsanweisungen und Anleitungen
Bei Tischler et al. (2022) wird das Attribut “Anleitung zum Gebrauch von OER” im
Hochschulkontext diskutiert, jedoch als weniger nützlich und nutzbar bewertet, da sich
Einsatzmöglichkeiten und Verwendungen stark unterscheiden können. Außerdem sei
der Zeitaufwand für diese Art von Angabe unverhältnismäßig hoch (Tischler et al., 2022,
S. 258–261).
20
Oftmals entstehen didaktische Hinweise jedoch beiläufig beim regulären
Gebrauch, zum Beispiel zur Vorbereitung der Lehrtätigkeit. Auch in geförderten
Projekten besteht eher die Möglichkeit, solche Hinweise bereitzustellen.
Didaktische und methodische Hinweise zur Implementierung von Ressourcen in Lehr-
/Lernkontexten werden mangels fehlender Erfassbarkeit als Metadatum teilweise auch
außerhalb eines Metadatenmodells festgehalten (Arnold et al., 2018, S. 428),
beispielsweise als additive, beigefügte Ressourcen, wie auch im Beispiel des
“Nutzungskonzepts” im Projekt ComeIn (AG Imedibi, 2023c). Didaktische Hinweise
werden dabei grundsätzlich als relevante Informationen für Lehrende, Lernende und
Entwickelnde erachtet (Arnold et al., 2003, S. 381).
Praxisbeispiel: Nutzungskonzept und Paketisierungen (ComeIn) (Arndt et al., 2023)
Das Nutzungskonzept im Projekt ComeIn adressiert
Multiplikator*innen im Aus- und Fortbildungssystem.
Verantwortliche sollen in die Lage versetzt werden,
Ressourcen einzuschätzen, zur Implementierung zu
empfehlen und Auskunft zur Umsetzung geben.
Das Konzept soll Lehrenden (z. B. den Dozierenden der
Kompetenzteams, Fachseminarleiter*innen oder Hochschullehrer*innen) hilfreiche
didaktische und methodische Hinweise für die Konzeption und Durchführung von
Fortbildungs- oder Lehrveranstaltungen mittels der dazugehörigen Ressourcen bieten.
Dabei schränkt ein solches Konzept nicht die Flexibilität der Lehrenden ein, da es die
exemplarische Nachnutzung aufzeigt und zudem alternative Einsatzszenarien aufzeigen
kann, beispielsweise für die unterschiedlichen Lernvoraussetzungen der
Teilnehmer*innen. Insbesondere durch die Einräumung von Rechten (z. B. aufgrund
einer Lizenzierung als OER) kann eine flexible Anpassung für die spezifische
Nachnutzung erfolgen.
Die jeweiligen Pakete werden in ComeIn mit einem Metadatenschema beschrieben.
Somit wird zugleich deutlich, dass nicht-standardisierte didaktische Metadaten, wie
beispielsweise der Einsatzkontext und die Voraussetzungen für den Einsatz, als
20
Im Gegensatz dazu wird eine allgemeine Beschreibung von Ressourcen, die hier nicht als
didaktisches Metadatum angesehen wird, jedoch als nützlich gewertet.
ComeIn-Paket
102
eigenständige Ressource (“Didaktisches Konzept”, “Nutzungskonzept”) den Paketen
beigefügt oder mit diesen über Relationen in Beziehung gesetzt werden.
Grafik: Exemplarische Paketisierungen von Ressourcen im ComeIn-Projekt
Die Educational CAD Model Library nutzt einen vergleichbaren Ansatz, indem ein
Lehrmittelpaket zu den Ressourcen hinzugefügt wird, welches bspw. Entwürfe für
Unterrichtsplanungen, Hintergrundwissen, Beispielaufgaben oder auch Lehrbücher
beinhalten kann (Bull et al., 2023, S. 514f) sowie ein optionales Paket mit Lehrvideos.
Dieser Ansatz ähnelt der Aufteilung von Bildungsressourcen in Informationsobjekte und
didaktischen Objekte (Baumgartner, 2006a), die hier über Relationen miteinander
verknüpft werden.
PatternPool
Das Projekt PatternPool (van den Berk & Schultes, 2023) widmet sich explizit diesem
Thema und ordnet anhand von Wirkungsbereichen (bspw. Aufmerksamkeit, Blended
Learning, kritisches Denken) didaktische Entwurfsmuster zu. Diese Pattern sind
ausführliche Beschreibungen, um eine bestimmte didaktische Methode durchzuführen.
Dabei sind die Patterns oft nicht an eine bestimmte Ressource gekoppelt, sondern
behandeln übergreifende Kompetenzen oder lassen sich auf verschiedene Themen oder
Ressourcen anwenden. Die Patterns sind daher eher als eigener Objekttyp zu verstehen.
Je nach Use Case kann jedoch eine Verknüpfung von Ressourcen mit einem Pattern
sinnvoll sein.
Attribute in Metadatenstandards
● LOM: 8 Annotation
● schema.org: educationalUse als Verwendungszweck in einem Bildungskontext (z. B.
kontrollierte Vokabulare wie “Aufgabe”, “Gruppenarbeit” oder Freitext)
Video
…
Nutzungskonzept
+
…
Nutzungskonzept
+
…
+
Unterrichtskonzept
Unterrichtskonzept
…
+
Nutzungskonzept
+
…
Nutzungskonzept
+
…
Unterrichtskonzept
…
+
…
z.B.
Abbildung
oder
oder
oder
autonomes Material
Textdokument
Präsentation
…
103
Mögliche Wertelisten
● Twillo: Vermittlung von Lehrinhalten, Erarbeitung / Vertiefung von Lehrinhalten,
Einübung spezifischer Inhalte, Herstellung eigener Inhalte / Artefakte, Reflexion der
(Lern-)Prozesse (vgl. auch Unterrichtsphasen, sowie Niveaustufe)
● OERCommons: Curriculum/Instruction, Informal Education, Professional Development,
Assessment, Other
● Exemplarische Verwendung eines Materials in einem Bildungskontext: Material zum …
○ … Lernen: Vermittlung von Wissen und Fähigkeiten,
○ … Üben: Anwenden von Wissen und Fähigkeiten,
○ … Prüfen: Beurteilen von Wissen und Fähigkeiten,
○ … Motivieren: Anregen zum Lernen,
○ … Zusammenarbeiten: Interagieren mit anderen Lernenden
4.2.6 Praxiserfahrungen
Praxiserfahrungen liefern relevante Informationen über die praktische Evaluation von
Ressourcen in verschiedenen Nutzungsszenarien. Sie sind daher sowohl für
Ressourcenersteller*innen als auch für die Nachnutzung relevant, beispielsweise um die
Materialien zu verbessern und anzupassen oder die Eignung für bestimmte Kontexte zu
prüfen. Sofern keine standardisierten, qualitativen Instrumente zur Evaluation genutzt
werden (vgl. Qualitätsattribute), handelt es sich um subjektive Erfahrungsberichte, die
häufig als offene Leitfragen und dazugehörige Freitextantworten erfasst werden. Sofern
nicht vor oder während des Veröffentlichungsprozesses eine Evaluation stattgefunden
hat, wird das Metadatum unter Umständen erst nachgelagert erfasst, beispielsweise
durch nachnutzende Personen. Solche Erfahrungsberichte werden beispielsweise von
den Projekten Twillo und ComeIn verwendet, um die Nachnutzung von Materialien zu
erleichtern. Bei Twillo werden darunter verschiedene Attribute in einem Freitextfeld
subsumiert, wie Vorwissen, Lernziel, verwendeter oder potenzieller Lehr-/Lernkontext.
Twillo verwendet dabei folgende Leitfragen (twillo, 2024a):
1. Setzt die Bildungsressource Vorwissen bei Lernenden voraus?
2. Was ist das Lernziel?
3. In welchem Lehr- bzw. Lernkontext haben Sie das Material bereits verwendet?
4. In welchem Lehr- bzw. Lernkontext könnte das Material noch verwendet werden?
Das Projekt ComeIn verwendet für die Erfassung der Praxiserfahrungen folgende
Leitfragen im Kernschema für die Beschreibung ComeIn-relevanter Ressourcen (AG
Imedibi, 2023a):
● Welche Praxiserfahrungen liegen vor? Gibt es Grenzen des Einsatzes?
● Worauf sollte bei der Nutzung der Ressource geachtet werden?
● Welche Evaluationsergebnisse zur Ressource liegen in der Praxis vor?
104
Freitext vs. kontrollierte Vokabulare
Für Lehrende sind solche Freitextformen sicherlich geeignet, um einen entsprechenden
Erfahrungsbericht zu erfassen. Da die maschinenlesbaren Abbildungen zur Angabe des
Vorwissens und der Lernziele häufig fehlen, ist es mitunter auch gar nicht anders
möglich, entsprechende Angaben zu machen. So ist eine entsprechende Freitextangabe
sicherlich hilfreicher, als auf eine Auszeichnung in den Metadaten zu verzichten.
Hinsichtlich der Interoperabilität und Maschinenlesbarkeit ist ein solches Feld jedoch
unter Umständen schwierig auszuwerten. Ein mögliches Forschungsvorhaben könnte
den Sucherfolg in Abhängigkeit der Form der Angabe (dedizierte Attribute vs. Freitext)
bei Nutzenden von Portalen unter Berücksichtigung verschiedener UI-/UX-Konzepte
untersuchen.
Die Praxiserfahrungen können darüber hinaus als Qualitätsindikator dienen,
beispielsweise durch Einordnung der Ressourcen mittels Reviews durch
Fachexpert*innen (Peer-Reviews, User-Reviews) (Steiner, 2018) oder der Erfassung von
Evaluationsergebnissen (AG Imedibi, 2023a)
Attribute in Metadatenstandards
● schema.org (Typ: Review)
○ reviewAspect (z. B. Bewertungskriterium, ggf. standardisierte Schlagwörter)
○ reviewBody (z. B. Freitextangaben als Bewertung)
○ reviewRating (z. B. eine standardisierte Bewertung, z. B. 0-5 Sterne)
4.2.7 Ressourcentyp, Medientyp
Bildungsressourcen sind auf zahlreiche Orte verteilt und liegen in vielfältigsten
Ausführungen vor. Taxonomien zu Ressourcentypen (Menzel, 2020) versuchen diese
Vielfalt abzubilden und pädagogische Inhalte, Formate sowie Medien des Materials als
Ressourcentypen zu klassifizieren, beispielsweise ob es sich um einen Test, einen
Graphen oder eine Vorlesung handelt. Der Ressourcentyp wird in einer Umfrage von
81% der Befragten (n = 54 Antworten) mindestens als “etwas hilfreich” bei der Suche
nach Ressourcen empfunden (JOINTLY.info, 2021). In einer Befragung im Kontext der
LRMI gaben 60% den Ressourcentyp als eines der nützlichsten Kriterien für die Suche an
(Winter Group, 2014).
Wertelisten
LOM(-DE, -CH, HS-OER-LOM)
Die im deutschsprachigen Raum verwendeten Wertelisten basieren größtenteils auf der
Werteliste, die im LOM-Standard mit 15 Items 2002 veröffentlicht wurde.
105
Im deutschsprachigen Raum wurde diese mit dem Applikationsprofil LOM-DE übersetzt
und auf 37 Einträge erweitert (FWU, 2010, S. 23f). Diese Erweiterungen stammen aus
dem Learning Resource Exchange-Vokabular (European Schoolnet, 2017), welches in der
Datenbank “Vocabulary Bank for Education” (Knowledge Integration, 2024) abgerufen
werden kann.
Die CanCore-Empfehlungen zur Implementation von LOM sehen sowohl Typen und
Formate von Inhalten als auch deren didaktische Verwendung vor. Dabei wird kritisch
betrachtet, dass das originäre Vokabular von LOM wesentliche Inhaltstypen und
didaktische Verwendungen von Ressourcen unberücksichtigt lässt (Fisher et al., 2003, S.
5).
Während sich das ursprünglich in LOM entwickelte Vokabular noch hauptsächlich auf
didaktische Aspekte hinsichtlich des Ressourcentyps konzentrierte, wurden mit LOM-DE
auch Werte wie “Bild”, “Daten”, “Video” oder “Text” eingeführt. Diese Aspekte
beschreiben eher Formate oder technische Aspekte des Materials, die sich auch durch
den Dateityp (MIME-Type) identifizieren lassen. Die LOM-DE Werteliste hat im DACH-
Raum weite Verbreitung gefunden und wird auch mit wenigen Anpassungen im
Hochschulkontext verwendet, wenngleich LOM-DE ursprünglich für den Schulbereich
konzipiert worden ist.
LOM-CH grenzt als LOM-Applikationsprofil in der Version 2.1 bei den Ressourcentypen
zwei Unterkategorien voneinander ab:
(1) Dokumentarischer Typ
Mit dem dokumentarischen Ressourcentyp steht das Format und Medium eher im
Fokus, beispielsweise mit Werten wie “Bild/Grafik”, “Video” oder “Textdokument”.
(2) Pädagogischer Typ
Der pädagogische Ressourcentyp fokussiert eher die didaktische Methode oder
Funktion der Ressource innerhalb des Lehr-/Lernkontextes, beispielsweise mit Werten
wie “Experiment”, “Übung” oder “Rollenspiel”.
LRMI
LRMI hat das Attribut 2022 nach langwieriger Ausarbeitung mit einem neuen Vokabular
versehen. Ein Grund für die lange Dauer der Ausarbeitung ist die Schwierigkeit, sich auf
eine entsprechende Werteliste und Definitionen zu einigen, da prinzipiell alles eine
“Lernressource” sein könne. Vor diesem Hintergrund ließe sich beispielsweise auch ein
herkömmliches “Rezept” in didaktischen Kontexten als eine Lernressource behandeln,
beispielsweise als Textsorte im Deutschunterricht. Sollte nun “Rezept” auch ein
Lernressourcentyp sein? Letztlich wurde eine Definition festgelegt, die explizit einen
didaktischen Kontext für eine Lernressource voraussetzt. Es wurde dahingehend eine
sehr reduzierte Werteliste empfohlen, jedoch mit der ausdrücklichen Empfehlung,
spezifische, eigene Wertelisten zu entwickeln. Parallel wurde in dieser Zeit bei
106
schema.org ein Typ “Learning Resource” eingeführt, um Objekte entsprechend
typisieren zu können. Phil Barker, der Leiter der LRMI-Gruppe, hat die Entwicklungen zu
dem Lernressourcentyp in einem Blog-Post veröffentlicht.
Relevanz und Zuweisung von Ressourcentypen zu Ressourcen
Das Attribut wird in der Studie von Tischler et al. (2022) von den Befragten als wichtigstes
Kriterium hinsichtlich der untersuchten Metadatenfelder identifiziert (Tischler et al.,
2022, S. 258). Die Zuordnung von Ressourcentypen unterliegt bei demselben Material
dabei jedoch deutlichen Schwankungen, wie Tischler et al. (2022) zeigen (Tischler et al.,
2022, S. 258f.).
Die Wertelisten werden oft in Gänze innerhalb von Benutzungsoberflächen angezeigt,
was bei Erfasser*innen von Metadaten zu Verwirrungen führen kann, da viele
Auswahlmöglichkeiten zutreffend sind. Beispiel: Eine Person erfasst aus didaktischer
Sicht einen “Test” als Ressource, jedoch ist dieser zugleich auch ein “Text” im Hinblick
auf das Format, welcher sich wiederum auf einer “Webseite” befindet. Müssen nun alle
drei Typen ausgewählt werden? Andere moderne Ressourcentypen, wie Virtual- und
Augmented-Reality stehen hingegen oft gar nicht zur Verfügung.
Beispiele aus der Praxis
WirLernenOnline
Bei WirLernenOnline hat die Überarbeitung des Vokabulars mit Lehrenden aus der
Praxis zu einer Liste mit ca. 100 Ressourcentypen geführt. Dies kann zu einer präziseren
Beschreibung des Objektes führen, erfordert aber ein gewisses Onboarding bei
denjenigen, die die Metadaten bereitstellen sollen.
SODIX
Das Projekt SODIX arbeitet an einer Überarbeitung des Vokabulars. Der vorläufige
Entwurf findet sich in der Übersicht der SODIX-Vokabulare, die mit SkoHub publiziert
wurde.
Verwendungszwecke von Ressourcentypen
Art und Anzahl von Ressourcentypen werden immer wieder kontrovers diskutiert. Es gibt
Bestrebungen, die Ressourcentypen zu harmonisieren (siehe dini-ag-kim:hcrt:1). Das
Verständnis der Art und Anzahl von Typen unterscheidet sich je nach Wertebereich. So
werden Ressourcentypen insbesondere zu folgenden Zwecken genutzt:
(1) Beschreibung des Inhalts und der Funktion der Ressource im Einsatz
○ Welche Funktion hat der Inhalt? (z. B. auch didaktisch oder methodisch)
Was ist die Art, Beschaffenheit oder das Wesen des Inhalts?
(2) Beschreibung der Form, eher mit einem Fokus auf das Medium
○ In welcher, eher technischen, Formatkategorie liegt die Ressource vor?
107
○ Beispiel: Mimetypes (Multipurpose Internet Mail Extensions). Mimetypes sind
technische Bezeichner für Dateiformate. Sie geben an, wie Daten interpretiert
werden können. Beispiele für Mimetypes:
■ text/html: HTML-Dokument
■ image/png: PNG-Bild
■ video/mp4: MP4-Video
■ audio/mp3: MP3-Audiodatei
■ application/pdf: PDF-Dokument
In der Vergangenheit gab es bereits Zusammenstellungen für mögliches Vokabular und
Erweiterungen, beispielsweise anhand einer Befragung im Rahmen der CanCore
Empfehlungen oder Erhebung der Wirtschaftsuniversität Wien. Auch die LRMI hat 2022
eine Überarbeitung des LRT-Vokabulars publiziert.
Frühe Vokabulare orientierten sich an didaktischen Konstruktionsprinzipien, an dem
interaktionsorientierten Grad der Kontrolle des Lernprozesses durch Lernende
(Schulmeister, 2007, S. 62–64). Darunter wird zum Teil die Bestimmung des Lerninhalts
oder der Lernstrategie verstanden. Dies ist verwandt mit selbstregulierten
Lernprozessen, die beispielsweise über den Interaktivitätstyp definiert werden können.
Im Kontext der DINI-AG KIM wird ebenfalls an Revisionen und Harmonisierungen
gängiger Vokabulare gearbeitet, bspw. im Zusammenhang mit den
Hochschulcampusressourcentypen (HCRT). So hat die AGMuD mit einigen weiteren
Akteuren die verschiedenen Vokabulare (LOM-DE, SODIX, LOM-CH, OEH, EAF) und
redaktionelle Wünsche zusammengetragen. Aus den Arbeiten ist eine vorläufige
Community-Mindmap (Archiv) entstanden.
Attribute in Metadatenstandards
● LRMI: learningResourceType
● AMB: type
● DublinCore Metadata Terms: Type
● LOM: 5.2:Educational.LearningResourceType
● Learning Metadata: lrmi:learningResouceType
Mögliche Wertebereiche:
● LOM: exercise, simulation, questionnaire, diagram, figure, graph, index, slide, table,
narrative text, exam, experiment, problem, statement, self assessment, lecture
● LOM-DE: application, assessment, broadcast, case study, course, demonstration, drill and
practice, educational game, enquiry-oriented activity, experiment, exploration, glossary,
guide, learning asset (kein token) [audio, data, image, model, text, video], lesson plan,
open activity, presentation, project, reference, role play, simulation, tool, web resource
(kein token) [weblog, web page, wiki, other web resource], other (Archiv)
● HS-OER-LOM, AMB: Hochschulcampus Ressourcentypen (HCRT), KIM
108
● LOM-EAF: Medienarten, Medienklassifikationen
● WirLernenOnline/Open Edu Hub:
○ “Neuer” Lernressourcentyp
○ “Alter” Lernressourcentyp
● SODIX: Typ der Lernressource
● DCMI: Type
● LRMI: learningResourceType; Repo
● Datacite: resourceTypeGeneral
● Common Education Data Standard
○ Digital Media Type
○ Physical Media Type
○ Educational Use
● Meta-Videoportal unterrichtsvideos.net: Materialtypen, Videotypen (Repo)
● ORCA.nrw: Medientypen
● OERTX: Materialtypen
● MERLOT (Auszug): Animation, Assessment Tool, Assignment, Case Study, Collection,
Development Tool, Drill and Practice, ePortfolio, H5P Interactive, Hybrid or Blended
Course, Immersive Technologies / AR-VR, Learning Object Repository, Online Course,
Online Course Module, Open, Open, Presentation, Quiz/Test, Reference Material,
Simulation, Social Networking Tool, Syllabus, Tutorial, Workshop and Training Material
● euroCRIS (Current Research Information Systems):
○ OutputTypes, ActivityTypes, ActivitySubtypes
● SKOSMOS
○ Portfolio Taxonomie und Vokabular
○ Publikationstypen
○ Angewandte Schlagwörter
● LC/MARC
○ encoding Format
○ file type
○ media types
● Sonstige
○ contentTypes (LC/MARC)
○ Work type (ORCID)
○ content type (Re3data)
○ media types (IANA)
○ Item types (Zotero)
○ ICOPER Learning Resource Types (European Schoolnet Vocabulary)
○ LRE Learning Resource Types (European Schoolnet Vocabulary)
○ NSDL Resource Type Values (European Schoolnet Vocabulary)
109
4.2.8 Zugänglichkeit und Barrierearmut
Dieses Attribut beschreibt Ressourcen hinsichtlich Zugänglichkeitskriterien oder
unterstützenden Zugänglichkeitsfunktionen, die eine Inklusion von Lernenden mit
unterschiedlichen Bedürfnissen gewährleisten können und Lehrende bei der Suche
nach geeigneten Ressourcen unterstützen.
Potenziale von Metadaten zur Barrierearmut
Metadaten unterstützen das Ziel der Barrierefreiheit, indem sie beispielsweise
anderweitige Zugänge zu Inhalten multimedialer Ressourcen bieten (Steiner, 2018).
Zudem kann die Kompatibilität mit assistiven Technologien (z. B. Screenreadern,
Braillezeile, Tastatur-Navigation, Spracherkennung) ausgewiesen oder es können
entsprechende Formatalternativen bereitgestellt werden, darunter:
● Audiodeskription für audiovisuelle Inhalte
● Alternativtext für Bilder
● Kontrast- oder Größenverändernde Funktionen
● Bereitstellung verschiedener Zugriffsmodi (Textuell, Visuell, Auditiv)
Barrierefreiheit in Metadatenstandards
Das Attribut wurde in LOM-CH als Kategorie 11 "Barrierefreiheit" integriert (Educa, 2020,
S. 6) und bietet ein umfassendes Set unterschiedlicher Attribute inklusive definierter
Wertelisten an (Educa, 2020, S. 27–31). Viele der aufgeführten Attribute sind mit einem
obligatorischen Verpflichtungsgrad gekennzeichnet.
Verordnungen und Richtlinien
Auf EU-Ebene wurde mit der EU-Richtlinie 2016/2102 der barrierefreie Zugang zu
Webseiten öffentlicher Einrichtungen geregelt. In Deutschland wird dies durch die
“Barrierefreie-Informationstechnik-Verordnung” (BITV 2.0) geregelt. Dort werden
ebenfalls die anzuwendenden Standards genannt. Soweit bekannt, beziehen sich diese
Verordnungen jedoch nicht auf Materialien, die durch öffentliche Gelder finanziert
wurden (vgl. §2 BITV 2.0). Sofern diese Materialien jedoch in Form von
Webanwendungen vorliegen, sollten sie der Verordnung genügen. Bei Tests und
Prüfungen bietet der Standard Accessible Portable Item Protocol (APIP) Möglichkeiten,
Informationen zur Barrierefreiheit in den Testobjekten zu transportieren (1EdTech,
2023).
Herausforderungen bei der Bezeichnung und Zuweisung von Werten
Neben den öffentlichen Verordnungen und in Standards etablierten Vokabularen kann
jedoch noch ein weiterer Punkt unter dem Aspekt Zugänglichkeit betrachtet werden: Die
Bezeichnung der Attribute sowie der verwendeten Vokabulare.
110
Bei der Bezeichnung sollte darauf geachtet werden, dass Nutzende die Begriffe und
Werte verstehen können und sie nicht nur aus einer Perspektive von Expert*innen
beschrieben wurden. Vokabular-Technologien wie SKOS ermöglichen dazu
beispielsweise, sogenannte “Alternativbezeichnungen” (alternative Labels) oder
“versteckte Bezeichnungen” (hidden Labels) anzugeben. Damit können Synonyme oder
auch häufige Schreibfehler hinterlegt werden. Aber auch die Präferenzbezeichnung
sollte dem Begriff entsprechen, den Nutzende tatsächlich verstehen.
Tavakoli et al. verdeutlichen, dass die Zuordnung der Attribute nicht trivial ist. Von
denjenigen Ressourcen, die im analysierten Datensatz keine Qualitätskontrolle
aufweisen, besitzen nur äußerst wenige entsprechende Attribute. Aber auch bei den
Ressourcen mit entsprechender Kontrolle besitzen viele keine entsprechende
Attribuierung (Tavakoli et al., 2021, S. 628).
Die Beurteilung von Barrierefreiheit ist für die Entwickler*innen oder Erfasser*innen von
Ressourcen ein aufwändiges Unterfangen, nicht zuletzt aufgrund der Heterogenität von
Ressourcen und einer Vielzahl von Kriterien, die geprüft werden können. Das dreistufige
Konformitätsranking gemäß WCAG 2.2 (A, AA, AAA) kann als Orientierung für eine
Einschätzung dienen, wenngleich sich dieses eher für webbasierte Ressourcen eignet.
Die nachfolgende Version WCAG 3.0 (Bronze, Silber, Gold) ist nicht abwärtskompatibel
und enthält als alternatives Konformitätsmodell verschiedene Tests und
Bewertungsmechanismen, die über webbasierte Ressourcen hinausgehen, sodass der
Anwendungsbereich der Leitlinien zur Zugänglichkeit breiter ist. Während WCAG 2.2
eher binäre Bewertungen für Kriterien aufweist (erfüllt/nicht erfüllt), wird in der
derzeitigen Entwurfsversion von WCAG 3.0 eine fünfstufige Skala zur Bewertung
einzelner Kriterien verwendet.
Verwendungsbeispiele aus der Praxis
SkillsCommons
Skillscommons.org stellt die eigenen Empfehlungen, um Inhalte auf Barrierearmut hin
zu überprüfen, frei zur Verfügung (SkillsCommons, 2023). Darunter finden sich
Checklisten und Handbücher, die bei einer Evaluierung unterstützen. Außerdem finden
sich dort auch weitere Handreichungen, die beschreiben, wie Word, PowerPoint oder
PDF-Dokumente barrierearm gestaltet werden können (beispielhafte Beschreibung).
Skillscommons hat sich verpflichtet, alle geförderten Materialien auf Level AA der Web
Content Accessibility Guidelines 2.0 zur Verfügung zu stellen
PhET Interactive Simulations
Im Portal PhET werden assistive Funktionen von interaktiven Simulationen als
Metadatum mit Ikonographie hinterlegt.
111
Tabelle: Assistive Funktionen im Portal PhET (PhET, 2024)
Feld
Beschreibung
Alternative Input
Alternative Input enables learners to use many different input methods like keyboards,
switches, and joysticks.
Camera Input
Use your camera to recognize hand movements or colored objects placed within camera
view to interact with the simulation objects and make changes.
Interactive Description
Accessed using screen reader software, Interactive Description provides an interactive
described experience that dynamically updates and responds to learners actions.
Interactive Description
on Mobile Devices
Accessed using mobile VoiceOver on iPhones and iPads, this feature provides an interactive
described experience that dynamically updates and responds to a learner's swipes and
taps.
Sound and Sonification
Sound and Sonifications are non-speech sounds that create an immersive and meaningful
soundscape for learners. All sounds are optional.
Voicing
Enable Voicing in the Audio tab of the Preferences menu and choose the information you
want to hear spoken aloud as you navigate and interact.
Pan and Zoom
Pan and Zoom allows anyone to zoom in for a closer look. On touch devices, pinch-to-zoom
or drag to pan. Using a keyboard, zoom in and out with standard keyboard shortcuts and
use arrow keys to pan. The sim auto pans to the focused object.
Interactive Highlights
Bright pink Interactive Highlights, like the ones for Alternative Input, can be enabled for
mouse and touch in the Visual tab of Preferences menu.
WirLernenOnline
Um Redaktionen bei der Zuweisung von Accessibility Attributen zu unterstützen, hat
WirLernenOnline ein Set von Micro-Services entwickelt, die entsprechende Attribute
mittels automatisierter Prüfung ermitteln (Meissner & Rückl, 2022). Grundlage bildet das
Open Source Werkzeug Lighthouse zur Verbesserung der Qualität von Webseiten.
IQOER (Instrument zur Erfassung der Qualität von OER) (Müskens et al., 2022)
Im IQOER werden verschiedene Items verwendet, um die Barrierefreiheit von
Ressourcen zu beurteilen. Die Items sind an die WCAG angelehnt:
● Die Textinhalte können in der Größe verändert werden, um die Lesbarkeit zu erhöhen.
● Für Inhalte (z. B. Bilder) stehen Format-Alternativen zur Verfügung.
● Alle Funktionalitäten sind per Tastatur oder alternative (sic) Bedienmöglichkeiten
erreichbar.
● Nutzer haben stets ausreichend Zeit, um alle Inhalte zu lesen bzw. zu bearbeiten.
● Die Inhalte können im Design angepasst werden, ohne dass die Struktur oder
Informationen verloren gehen.
eduCheck (FWU)
Im eduCheck Projekt (FWU) werden Prüfkriterien digitaler Angebote hinsichtlich der
Barrierefreiheit und Usability erstellt. Die Kriterien orientieren sich an dem BIK BITV-
Test. Die vorläufige Checkliste beinhaltet im Bereich Barrierefreiheit & Usability (FWU,
2024):
112
● Allgemein
○ Erklärung zur Barrierefreiheit vorhanden
○ Aktivierung von Barrierefreiheitsfunktionen möglich
○ Barrierefreiheitsinformationen bleiben bei Konvertierung erhalten
○ Benutzerdefinierte Einstellungen möglich
● auditiv
○ Wiedergabe von Untertiteln
○ Synchrone Untertitel
○ Audiodeskription oder Volltext-Alternative für Videos
○ Auflösung bei Videotelefonie
● visuell
○ HTML-Strukturelemente vorhanden
○ Alternativtexte vorhanden
○ Bereiche überspringbar
○ Audiodeskription oder Volltext-Alternative für Videos
● motorisch
○ Bewegte Inhalte abschaltbar
○ Konsistente Navigation
○ HTML-Strukturelemente vorhanden
○ Bereiche überspringbar
● kognitiv
○ Bewegte Inhalte abschaltbar
○ Konsistente Navigation
○ Fehlererkennung
○ Fehlervermeidung wird unterstützt
ComeIn
Der Ansatz in ComeIn verwendet kein aggregiertes Ranking, sondern nutzt ebenfalls
Items für die Ressourcen. Diese orientieren sich den WCAG und können unmittelbar in
den Metadaten mittels accessibilityFeature oder accessibilityControl ausgewiesen werden.
Auszug aus dem Projekt-Beschreibungsstandard (AG Imedibi, 2023a):
Durch welche Maßnahmen ist es sichergestellt, dass Menschen mit
Beeinträchtigungen die Ressource so weit wie möglich nutzen können?
● Es gibt keine oder kaum störende Hintergrundgeräusche (auditive Sprache).
● Textinhalte können in der Größe verändert werden (zur Erhöhung der
Lesbarkeit).
● Es stehen Formatalternativen für Inhalte (z. B. Bilder) zur Verfügung.
● Inhalte können ohne Struktur-/Informationsverlust im Design (z. B. Farben)
angepasst werden.
● Es stehen Untertitel zur Verfügung (audiovisuelle Inhalte).
● Es steht ein Transkript zur Verfügung (auditive Inhalte).
● Alle Funktionalitäten sind per Tastatur bedienbar
113
Welcher Zugriffsmodus
21
ist hinreichende Voraussetzung, um mit der Ressource
arbeiten zu können?
● Auditive Wahrnehmung
● Taktile Wahrnehmung
● Visuelle Wahrnehmung
Metadaten dieser Kategorie könnten, in Abhängigkeit der verwendeten Werteliste,
zudem zur Erfassung möglicher Förderbedarfe bei heterogenen, inklusiven
Lerngruppen verwendet werden, beispielsweise zur Kennzeichnung der Unterstützung
sonderpädagogischer Förderbedarfe nach Ausbildungsordnungen (bspw. AO-SF NRW)
oder dem Schulgesetz (bspw. § 19 SchulG NRW), etwa die Förderschwerpunkte:
● Lernen,
● Sprache,
● Emotionale und soziale Entwicklung,
● Hören und Kommunikation,
● Sehen,
● Geistige Entwicklung,
● Körperliche und motorische Entwicklung
Erfassung und Bereitstellung von Attributen zur Zugänglichkeit
Die Ansätze unterscheiden sich insbesondere in der Prämisse, von wem und wie
Ressourcen beurteilt werden und zu welchem Zweck. Es ist bei einer Beurteilung durch
Menschen sicherlich empfehlenswert, verlässliche und verständliche Items zu
verwenden, jedoch sollte die Abbildung dieser Items in Metadaten bereits mitgedacht
werden, um die Beurteilung auch für Maschinen zugänglich zu machen.
Die didaktische Nutzung von Metadatenattributen zur Zugänglichkeit und
Barrierearmut ist für Lehrende relevant, die Besonderheiten ihrer Zielgruppe
berücksichtigen müssen sowie für Lernende, die bestimmte Anforderungen an
Ressourcen hinsichtlich der Zugänglichkeit und Barrierearmut erwarten, um diese im
erdachten Sinne nutzen zu können.
Weiterführende Themen in diesem Kontext:
Inklusion, Bildungsteilhabe, Bildungschancen, Bildungsgerechtigkeit, insbesondere in
Bezug auf Grundgesetz Art. 3 (3) “Niemand darf wegen seiner Behinderung
benachteiligt werden.”
21
Der Zugriffsmodus (accessMode) beschreibt die Art und Weise, wie zum Erreichen der Lernziele
notwendige Lerninhalte kodiert sind.
114
Attribute in Metadatenstandards
● LOM-CH: 11 Barrierefreiheit
● schema.org bietet außerdem verschiedene Attribute an, um Barrierearmut zu
kennzeichnen:
○ accessibilityAPI
○ accessibilityControl
○ accessibilityFeature
○ accessibilityHazard
○ accessibilitySummary
● MERLOT: binäres Attribut (hat Zugänglichkeitsinformationen) [hasAccessibilityForm]
● Common Education Data Standard:
○ Learning Resource Access API Type
○ Learning Resource Access Hazard Type
○ Learning Resource Access Mode Type
○ Learning Resource Media Feature Type
● Weitere Referenzen
○ AccessForAll (1EdTech)
○ Inclusive Design Research Centre (Handbook, Design Guide)
○ Inclusive Design Institute
Mögliche Wertelisten
● Barrierefreie-Informationstechnik-Verordnung 2.0 (BITV) (BRD, 2011)
● Web Content Accessibility Guidelines
○ WCAG 2.1 (Kirkpatrick et al., 2023)
○ WCAG 3.0 (Entwurf)
● European Schoolnet Vocabulary (SEN Access Mode Values)
● Open Edu Hub (Barrierefreiheit) (im Metadatenfeld accessibilitySummary)
● Schema.org Accessibility Properties for Discoverability Vocabulary
● Common Education Data Standards (CEDS), Zugänglichkeitsformat (Accessible Format
Type) (v12, veröffentlicht 02/2024)
● PBSLearningMedia (Anpassungsarten: Audiodeskription, Untertitel, Auditive
Beschreibung, Flexibilität der Steuerung: Vollständige Tastatursteuerung, vollständige
Maussteuerung)
● AccessibleOCW Ontology (Elias et al., 2018)
4.2.9 Lehr-/Lernform (Interaktivitätstyp)
In gängigen Standards wird dieses Attribut auch mit “Interaktivität” oder
“Interaktivitätstyp” (interactivityType) bezeichnet und beinhaltet häufig die Werte aktiv,
passiv oder gemischt. Das Feld bezieht sich damit in der Regel auf die Lehr-/Lernform, die
beim Einsatz der Ressource im Wesentlichen vorherrscht. Zwischen den Polen des
fremdbestimmten und selbstbestimmten Lernens kann so beispielsweise zwischen eher
selbstgesteuerten oder auch eher fremdgesteuerten Lehr- und Lernformen differenziert
115
werden. Im Zuge einer Handlungsorientierung und konstruktivistischen sowie
konnektivistischen Lerntheorien gewinnt das Attribut an Bedeutung.
Vergleich der Feldkonzepte: Verwendung, Interpretation und Nützlichkeit
Von den Befragten bei Tischler et al. (2022) erhält dieses Attribut im Vergleich eher
verhaltenere Bewertungen hinsichtlich Nützlichkeit und Nutzbarkeit. Dies liege vor allem
an dem Wertebereich, der entweder als unklar oder als unzureichend bezeichnet wird
(Tischler et al., 2022, S. 261).
Diese Einschätzung deckt sich mit Beobachtungen aus der Praxis, bei denen sich zeigt,
dass zwischen Metadatenstandards, die den gleichen Wertebereich verwenden, auch
unterschiedliche Interpretationen vorliegen, wie folgende Definitionen und die
Gegenüberstellungen in der Tabelle widerspiegeln:
(1) DublinCore LRMI: “The predominant mode of learning supported by the learning
resource. Acceptable values are 'active', 'expositive', or 'mixed'.” (schema.org, 2024a)
(2) LOM: “Predominant mode of learning supported by this learning object” (IEEE, 2020a, S.
31).
(3) AMB: “Kennzeichnet die vorherrschende Lehr-/Lernform der Bildungsressource und
gibt an, ob Lehr-/Lernprozesse mit dieser Ressource eher fremdgesteuert (expositive),
selbstgesteuert (active) oder in einer Mischform (mixed) im Hinblick auf die primären
Lernziele der Bildungsressource stattfinden.” (Pohl et al., 2023)
Tabelle: Vergleich der Felddefinitionen für die Lehr-/Lernform
Wert / Standard
active
expositive
mixed
LOM:interactivity
Type
(IEEE, 2020a, S. 31)
Lernen durch Handeln
im weiteren Sinn auch
eher aktiv produzierende /
entscheidende Tätigkeiten
(z. B. etwas Verfassen in einer
Übung/Aufgabe, Simulation,
Fragebogen, …)
eher rezeptive
Tätigkeiten
(bspw. das Lesen, Hören
oder Anschauen von
Text/Audio/Video)
Kombination der
aktiven und
expositiven
Interaktionstypen
DCMI/LRMI:
interactivityType
(LRMI Task Group
(DCMI), 2017)
Learning that engages and
challenges the learner's
thinking using real-life and/or
imaginary situations taking
advantage of the opportunities
for learning presented by
investigating, exploring, events,
and life experiences.
Use of a subject-matter
expert to explain a
concept or give clear and
concise information in a
purposeful way to the
passive learner.
Instructional
interactions
comprised of a
mix of active
learning and
expositive
approaches.
ComeIn:
interactivityType
„Lehr-/Lernform“
(AG Imedibi,
2023a, 2023b)
aktiv (eher selbstgesteuert)
Im weiteren Sinne entspricht
dies der LRMI-Spezifikation, im
näheren Sinne wird hiermit
eher selbstgesteuertes
Lernen ausgewiesen.
erklärend (eher
fremdgesteuert)
Notwendigkeit eines
Lehrenden zur Erklärung
eines Konzepts oder zur
zielgerichteten Vermitt-
lung von Informationen
an den Lernenden.
gemischt
Interaktionen, die
aus einer
Mischung aus
aktiven und
erklärenden
Ansätzen
bestehen
116
ZOERR BW
(Universität
Tübingen, 2024)
Aktiv (eher selbstgesteuert),
wenn die Inhalte die Lernenden
direkt unterstützen, produktive
Handlungen zu ergreifen. Ein
aktives Lernobjekt fordert den
Lernenden zu einer semantisch
sinnvollen Eingabe oder zu
einer anderen Art von
produktiver Handlung oder
Entscheidung auf [...]
Erklärend (eher
fremdgesteuert),
wenn die Aufgabe des
Lernenden hauptsächlich
darin besteht, die
vorliegenden Materialien
oder Inhalte
aufzunehmen. [...]
Gemischt,
wenn beide
Interaktivitäts-
typen sich in
einem Objekt
vereinen.
Vergleich und Implikationen der verschiedenen Feldkonzepte
Durch die Verwendung unterschiedlicher Standards, Felddefinitionen und Inter-
pretationen, ist die Semantik der Werte nicht eindeutig definiert, was zu Hürden in der
Nachnutzung führt. Auch die CanCore Empfehlungen zur Implementierung von LOM
betrachten die Verwendung dieses Feldes in verteilten Systemen kritisch (Fisher et al.,
2003).
Eine frühe Konzeptualisierung dieses Feldes findet sich im ARIADNE Projekt, bei
welchem eine Unterscheidung in drei verschiedene Typen von Bildungsressourcen
erfolgte (EPFL & KUL, 1999; Forte et al., 1997, S. 66):
● expositive, eher rezeptive Interaktion mit der Ressource (Lesen, Betrachten,
Zuhören, ggf. zusätzlich Navigation), Beispiele: Texte oder Videos.
● active, selbstständige Tätigkeiten, wie beispielsweise die Absolvierung von
Multiple-Choice-Aufgaben, einer Simulation, einer Evaluation usw.
● interactive, darunter Ressourcen, die eine Interaktion zwischen Menschen
(Lernenden und/oder Lehrenden) erfordern, synchron oder asynchron, sowohl
in Präsenz oder auch in Distanz.
Im LOM-Standard dient das Feld eher zur Charakterisierung der Interaktionen während
der Verwendung der Ressource durch Endnutzer*innen, die sich insbesondere auf die
Tätigkeiten der Lernenden während der Arbeit mit der Ressource beziehen. In den LRMI-
Spezifikationen wird hingegen die individuelle Lernerfahrung stärker und die konkrete
Tätigkeit der Lernenden weniger stark betont. Verglichen mit der Feldspezifikation aus
ComeIn, die sich im Wesentlichen an der LRMI-Spezifikation orientiert, gibt es
semantische Unterschiede zwischen den jeweiligen Definitionen. Insbesondere sind die
in den Spezifikationen verwendeten Konzepte wie „selbstgesteuertes Lernen“,
„Tätigkeiten/Aktivitäten der Lernenden“ oder individuellen „Lernerfahrungen“ (z. B.
Embodiment) nicht unmittelbar verwandt oder gar identisch, wenngleich Bezüge
zwischen den Konzepten existieren.
117
Inhaltlich umfasst die Kontroverse der LOM-Definition dabei, inwiefern rezeptive
Tätigkeiten (expositive) nicht ebenfalls eine kognitiv aktive Verarbeitungstätigkeit
beinhalten (active). Insgesamt scheint daher die LRMI-Definition und die daran
angelehnte Definition von ComeIn unter Umständen plausibler. Eine Evaluation
konkreter Wertzuweisungen zu erfassten Ressourcen ist zu einem späteren Zeitpunkt
empfehlenswert, insbesondere falls anhand des Wertes „active“ auch
„Selbstlernmodule“ erfasst werden sollen, wie dies in ComeIn erfolgt.
Verwendungszwecke und -intentionen
Eingesetzt wird dieses Attribut beispielsweise bei der Kennzeichnung und
Differenzierung zwischen Materialien, die einer Lehrkraft bedürfen, z. B. Material, das
vermittelt werden muss (und bspw. ohne Erläuterungen einer Lehrperson ungeeignet
wäre zum Erreichen der Lernziele) und Material, das zur eigenständigen Aus- und
Fortbildung verwendet werden kann (Selbstlernkurse, Selbstlernmodule etc.). Auch
beim Filtern nach Material, das eigenständig verwendet werden kann oder eher
selbstgesteuertes Lernen ermöglicht, kann das Feld genutzt werden. Fraglich ist jedoch,
ob die Wertebereiche auch von den Nutzenden entsprechend korrekt interpretiert
werden.
Alternative Realisierungen
Als Alternative bietet sich beispielsweise ein Feld “Selbstlernmaterial” oder
entsprechend aussagekräftige Ressourcentypen an, die einen ähnlichen Use Case
abdecken und unter Umständen eindeutiger und verständlicher sind. Dies ist ebenfalls
Bestandteil der CanCore-Empfehlungen (Fisher et al., 2003, S. 3). Bei einer Ergänzung
eines entsprechenden Wertes im Feld der Ressourcentypen sollte berücksichtigt
werden, dass die meisten Filter mit der “ODER”-Logik arbeiten (vgl. Exkurs “Logische
Verknüpfungen innerhalb und zwischen Filtern”) und damit eventuell nicht die
gewünschten Treffer erzielt werden, wenn verschiedene Werte des Feldes zur Filterung
kombiniert werden.
Für das verwandte Attribut “Interaktivitätsgrad” verwendet LOM eine fünfstufige Skala
zur Einschätzung des Interaktivitätsniveaus. Die Einschätzung wird jedoch als subjektiv
erachtet, da unklar ist, ob Erfassende darunter beispielsweise die Häufigkeit, Intensität
oder Qualität der Interaktion verstehen oder darüber eher den medialen Charakter von
Ressourcen kennzeichnen (Schulmeister, 2002, 2003). Die Empfehlungen von CanCore
betrachten dabei den Zusammenhang von Interaktivitätsniveaus mit Ressourcentypen.
118
Tabelle: CanCore: Zusammenhang zwischen exemplarischer Ressourcentypen,
Interaktivitätstyp gemäß LOM und Interaktivitätsniveau (Fisher et al., 2003, S. 10)
Interaktivitäts
-niveau / -typ
Sehr
niedrig
Niedrig
Mittel
Hoch
Sehr hoch
Active
Testfragen
zum
Ausdrucken
formatiert
Links mit
Anweisungen
für ihre
Nutzung
Online-
Multiple-
Choice-Übung
mit Feedback
Simulation mit
Vor- und Nach-
bereitungs-
tests
Immersive 3-D-
Simulation mit
vorgegebener
Schritten
Expositive
Aufsatz für
den Druck
formatiert
Videoclip mit
Steuerelemen
ten zum
Abspielen,
Anhalten und
Wiedergeben
Hypertext,
bei dem die
Nutzenden
die Aktivität
eigens
beenden
Simulation
ohne
Bewertungs-
komponenten
Immersive 3-D-
Umgebung zur
Erkundung
entlegener Orte
Attribute in Metadatenstandards
● LRMI/schema.org: interactivityType
● AMB: interactvitityType
● LOM: 5.1:interactivityType
● Learning Metadata: derzeit nicht vorhanden
Mögliche Wertebereiche:
● Differenzierung zwischen selbst- und fremdgesteuertem Lernen, wie bspw. im AMB,
LRMI, LOM, ComeIn:
○ active, expositive, mixed (s.o.)
● Lernmodus (Open Edu Hub / WirLernenOnline): selbstbestimmt (self paced), betreut
(guided), gemischt (mixed)
● Taxonomien von Interaktivität, bspw. eine sechsstufige Differenzierung des
Interaktivitätsniveaus nach Schulmeister, 2002:
○ Stufe I: Objekte betrachten und rezipieren
○ Stufe II: Multiple Darstellungen betrachten und rezipieren
○ Stufe III: Die Repräsentationsform variiert
○ Stufe IV: Den Inhalt der Komponente modifizieren
○ Stufe V: Das Objekt bzw den Inhalt der Repräsentation konstruieren
○ Stufe VI: Den Gegenstand bzw Inhalt der Repräsentation konstruieren und durch
manipulierende Handlungen intelligente Rückmeldung vom System erhalten
● Common Education Data Standards (Learning Resource Interaction Mode)
○ Asynchron: Lehren und Lernen, das nicht darauf ausgerichtet ist, dass die
Teilnehmenden zur gleichen Zeit oder im gleichen Raum interagieren.
○ Synchron: Lehren und Lernen, bei dem die Teilnehmer zur gleichen Zeit und im
gleichen Raum interagieren.
119
● Medieneigenschaften (Praxisbeispiele, e-teaching.org): Interaktivität, Adaptivität,
Synchronizität, Selbststeuerung
● Lehraktionsform (Rolle der Lehrenden): Instruktoren, Tutoren, Mentoren oder Coach
(Euler & Wilbers, 2002)
● Organisationsform (Digitaledu, rumänisch): In Zusammenarbeit, Einzelperson
● Weitere mögliche und erwartbare Wertebereiche, aufgrund unterschiedlicher Ansätze
zur Definition und Erfassung von Lehr-/Lernformen und Lehr-/Lernprinzipien:
○ Lernformen, wie situatives/situiertes Lernen (bspw. fallbasiertes oder
problemorientiertes Lernen), forschendes Lernen (entdeckend/explorativ,
experimentell)
○ Lernansätze, wie behavioristisches, konstruktivistisches, konnektivistisches,
kognitivistisches Lernen
○ Arten des Lernens, wie formales Lernen, informelles Lernen
○ Formen der Zusammenarbeit, wie Sozialformen, kooperatives Lernen,
kollaboratives Lernen, offenes Lernen (vgl. selbstreguliertes Lernen)
○ Studienform (Hochschulkompass): Ausbildungsintegrierend, Berufsbegleitend,
Berufsintegrierend, Duales Studium, Fernstudium, Internationaler Studiengang,
Praxisintegrierend, Teilzeitstudium, Vollzeitstudium
4.2.10 Lehrformat, Veranstaltungsformat, Lehrmodus
Twillo
Das Projekt Twillo nutzt das Attribut “Veranstaltungsformat”, um Ressourcen einem
Format im hochschulpädagogischen Kontext zuzuweisen. Dies soll es Suchenden
erleichtern, passendes Material für den jeweiligen Einsatzzweck zu finden.
HubbS (SODIX)
Der Hub für berufliche Schulen (Teil der SODIX-Infrastruktur) verwendet das Attribut
“Lernformat” für eine besondere Kennzeichnung von Ressourcen. Die Werte des Feldes
sind dabei verwandt mit den Lernressourcentypen, die dort zusätzlich separat erfasst
werden.
Fortbildungsplattformen
Es gibt eine Reihe exemplarischer Plattformen für die Fortbildung, welche verschiedene
Veranstaltungsformate als Wertebereich anbieten.
Die Wertebereiche sind mit den Ressourcentypen verwandt.
120
Mögliche Wertebereiche:
● Twillo: Praktikum / Hospitation / Assistenz, Selbststudium, Seminar, Studienprojekt, Übung,
Vorkurs, Vorlesung, Workshop, Anderes Format
● Hubbs: Curriculare Analyse, Didaktische Planung, Handreichung, Lernsituation
● Lernformat (Open Edu Hub / WirLernenOnline): Präsenz, Online (Selbstlernkurs), Blended
Learning mit festen Präsenz-Gruppenterminen, Online mit festen Online-
Gruppenterminen, Massive Open Online Course (MOOC)
● Fobizz, Kurstyp: Fortbildungen, Webinare, Impulse, Online-Fortbildung, Live-Webinar
● Schulflix, Lernformat: Kurs, Impuls, Webinar-Aufzeichnung
● Futureskills (SH): Online-Kurs, Webinar, Präsenzveranstaltung, Präsenzveranstaltungsreihe,
Selbstlernkurs, Kurspaket, Blended Learning
● Patternpool:
○ Lehrformat: Vorlesung, Seminar, Übung, Projekt, Praktikum, Prüfung,
Selbststudium, Vorkurs, Sonstiges
○ Filter: “Digitale Medien” spielen…
■ Keine nennenswerte Rolle (bspw. primär Präsenzlehre).
■ Eine gewisse bzw. mäßige Rolle (bspw. hybrides Lehrformat).
■ Eine zentrale Rolle (bspw. reine Online-Lehre).
● LERNEN.cloud, Kategorie: Fortbildung, Impulse, Informationen, Journalismus, Nachrichten,
Reporting_Brandenburg, Seminar, Workshop, Zeitung
● Aktivitätsformen: Selbstgesteuertes E-Learning (asynchrones Format), Live E-Learning
(synchrones Format, wie virtuelle Klassenräume, Webcast, E-Lectures), Präsenzlehre
(Alonso et al., 2005, S. 231f)
● InfoWeb Weiterbildung (IWWB): Seminare / Präsenzangebote, Fernunterricht /
Fernstudium, CBT/WBT/E-Learning
● Harvard Kurse (Veranstaltungsmodalität): In-Person, Blended, Online, Online Live
● FAU.tv (Veranstaltungstyp): Anleitung, Antritts- / Abschiedsvorlesung, Eröffnungen,
Festveranstaltung, Forum, Informationsveranstaltung, Kolloquium, Kongress, Tagung,
Seminar, Übung, universitäre Vorlesung, Veranstaltung für die Öffentlichkeit, Wettbewerb,
[...]
● TIB-AV (Genre): Konferenz/Talk, Vorlesung, Dokumentation/Report, Workshop/Interaktives,
Forschungsdaten, Experiment/Modell, Webinar/Tutorial, Interview [...]
● Lehre-Navi (UHH):
○ Lehrformat: Vorlesung, Seminar, Projekt, Tutorium, Übung, Sprachkurs,
Kolloquium, Exkursion, Praktikum, Selbststudium
○ Modus: Präsenz, Hybrid, Online
● meinUnterricht: Exkursion, Freiarbeit, Projektarbeit, Stationenlernen, Werkstattarbeit
● Netzwerk Q4.0 (Lernform): Blended Learning, Event, Onlinekurs, Vortrag, Workshop
● LehreNavi (Universität Hamburg): Vorlesung, Seminar, Projekt, Tutorium, Übung,
Sprachkurs, Kolloquium, Exkursion, Praktikum, Selbststudium
● eTeach:
○ Veranstaltungsformat: Vorlesung, Seminar, Übung, E-Learning
○ Veranstaltungsmodus: Präsenz, Virtuell, Hybrid, Synchron, Asychron
○ Lehrveranstaltungsphase: Einstieg, Hauptteil, Abschluss, Selbststudium, Prüfung
121
● e-teaching.org, Digital Learning Map
○ Lehr-/Lernszenarien: Vorlesung, Seminar, Übung / Tutorium, Selbststudium,
Praktikum, Projektarbeit, Betreuung, Prüfung, Weiterbildung, Forschendes
Lernen, Blended Learning, Open Course, MOOC
○ Virtualisierungsgrad: Anreicherung (z. B. Präsenzveranstaltungen), Integration
(z. B. Flipped Classroom), Virtualisierung (z. B. E-Lectures)
■ Zum Teil auch als Prozentanteile (Heyer, 2006, S. 5)
4.2.11 Qualitätsattribute
Die Qualität von Bildungsmaterialien, besonders von OER, steht immer wieder im Fokus
von Diskussionen (Bedenlier & Marín, 2022; bpb, 2017; Commonwealth of Learning,
2017, S. 2; Muuß-Meerholz, 2019).
Im Bildungsverlagswesen wird eine Qualitätskontrolle von Materialien durch geschulte
Fachredaktionen übernommen. Die Qualität der veröffentlichten Materialien wird dabei
nicht gesondert ausgezeichnet, sondern ergibt sich durch die Autorität der
veröffentlichenden Institution. Bei freien Bildungsmaterialien wird hingegen häufig eine
entsprechende Qualitätskontrolle eingefordert, mit entsprechend gewünschter
Auszeichnung in den Metadaten. Die Autorität der erstellenden Personen scheint in
manchen Kontroversen nicht zu genügen
22
, wenngleich es auch konträre Meinungen
gibt, bei welchen ein hoher Anteil von Lehrenden durchaus die Vertrauenswürdigkeit
von Individuen als Ansatz zur Einschätzung der Qualität verwendet (Bedenlier & Marín,
2022). Aufgrund der kollektiven Praxis bei der Erstellung von OER werden jedoch auch
Modelle diskutiert, die Praxiserfahrungen von Lehrenden stärker involvieren (Bedenlier
& Marín, 2022).
Workflows und Prozesse zur Qualitätssicherung
In der Praxis haben sich verschiedene Prozesse von Repositorien etabliert, um eine
Qualitätssicherung bei Bildungsmaterialien zu gewährleisten.
ZUM
Die Zentrale für Unterrichtsmedien im Internet e.V. (ZUM) stellt als eine der ältesten
Plattformen freie Unterrichtsmaterialien bereit und nutzt dafür ein Wiki und damit
verbundene Bearbeitungsfunktionen für Revisionen als ein möglicher crowd-basierter
Ansatz.
Twillo
Andere Projekte, wie beispielsweise Twillo, geben den Lehrenden eher allgemeine
Hinweise zur Qualitätssicherung an die Hand (Wannemacher et al., 2021). Hierbei liegt
22
Muuß-Merholz weist in seinem Meinungsbeitrag (Muuß-Meerholz, 2019) darauf hin, dass die
gleichen Qualitätsprobleme bei nicht-offenen Materialien vorliegen, wie Klaus und Alamo zeigen
(Klaus & Alamo, 2018).
122
das Vertrauen primär auf der Eigenverantwortung und Kompetenz der Nutzer*innen bei
der Bereitstellung und Qualitätsprüfung von Ressourcen. Um diese zu unterstützen,
werden sieben Kriterien genannt (twillo, 2024b), basierend auf den anderweitigen
Qualitätsinstrumenten (Mayrberger et al., 2018; Müskens et al., 2022; Zawacki-Richter &
Mayrberger, 2017):
● Fachwissenschaftliche Fundierung
● Wiederverwertbarkeit (teils bedingt durch die Lizenz)
● Anwendung und Transfer
● Hilfestellung und Support
● Motivation und Didaktik
● Struktur, Navigation und Orientierung
● Design, Lesbarkeit und Barrierearmut
WirLernenOnline
Einen umfangreichen redaktionellen Prüfprozess besitzt das Portal “WirLernenOnline”.
Neben automatisierten Verfahren verwendet WLO darüber hinaus Skalen und Items
zur redaktionellen Einschätzung der Qualität, Der Prozess wird in der folgenden Grafik
schematisch dargestellt und in einem Redaktionsstatut beschrieben, welches sich am
Statut der Informationsplattform iRights.info orientiert.
Grafik: Der redaktionelle Prüfprozess (WLO, 2023).
123
Sechsstufige Skalen, die bei WLO verwendet werden:
● Sachrichtigkeit: sachlich falsch (0) bis wissenschaftlich belegt (5)
● Aktualität: veralteter Inhalt (0) bis neuester Wissensstand (5)
● Neutralität: manipulativ (0) bis neutrale Formulierung/unabhängiger Ersteller (5)
● Sprachlich: unangemessen (0) bis zielgruppengerechte Sprache (5)
● Medial passend: Medial unpassend (0) bis Medial hervorragend (5)
● Didaktik/Methodik: Methodik unangemessen (0) bis moderne, sehr gute Methodik (5)
● Anbieter Renommee: keine Angabe oder unseriös (0) bis renommierter Anbieter,
korrekte Kontaktangaben (5)
Weiteres Metadatum:
• Werbefreiheit (Ja/Nein), insbesondere im Einklang mit Schulgesetzen
eduCheck digital (EDCD)
Das Projekt eduCheck der FWU entwickelt Prüfverfahren für digitale Medien, die im
schulischen Unterricht eingesetzt werden. Dabei werden verschiedene Kriterien (Recht
& Datenschutz, Barrierefreiheit & Usability, Technik & IT-Sicherheit) berücksichtigt.
Geprüfte Medien werden mit einem Siegel ausgezeichnet. Eine erste Version des
Kriterienkatalogs kann öffentlich eingesehen werden (FWU, 2024).
EduScanPro
Das Online-Tool EduScanPro der Koordinierungsstelle Qualität (kos) adressiert
Multiplikator*innen in der Aus- und Fortbildung sowie Lehrkräfte in der
Erwachsenenbildung und der beruflichen Weiterbildung. Es evaluiert digitale
Lernangebote mit den folgenden elf Bausteine mit jeweils vier Items, auf einer 10-
stufigen Skala (“trifft gar nicht zu” bis “trifft voll zu”):
● Didaktische Konzeption
a. Zielgruppe und Lernbedarf
b. Lernziele und Lerninhalte
c. Lernprozesse und Lernformen
d. Lernumgebung
e. Lernmaterialien und digitale Medien
f. Monitoring und Erfolgsmessung
g. Anerkennung und Zertifizierung
● Rolle der Lehrenden und Lernenden
a. Lernbegleitung
b. Lernende
● Information und Organisation
a. Angebotsbeschreibung
b. Ressourcen
Dabei ist zu berücksichtigen, dass sich keine Angaben zur Qualität der Skalen finden
lassen (interne Konsistenz, Inter-Rater-Reliabilität, Konstruktvalidität o.ä.). Siehe auch:
Anlage “EduScanPro - Skalen und Items”.
124
MERLOT
Das Portal MERLOT verwendet zwei aggregierte, fünfstufige Skalen (0-5 Sterne) als
Bewertungen, die auf dem Feedback von Nutzenden oder der Evaluation von Peers
basieren. Darüber hinaus werden freitextbasierte Kommentare als Bewertungen
ermöglicht, vergleichbar mit Praxiserfahrungen.
Die Skalen sind dabei:
● Content Quality/Qualität des Inhalts
● Effectiveness/Effektivität:
● Ease of Use/Nutzungsfreundlichkeit (Bedienfreundlichkeit)
Unterrichtsmaterial.ch
Neben MERLOT verwendet beispielsweise auch das Portal Unterrichtsmaterial.ch einen
crowd-basierten Bewertungsansatz auf einer fünfstufigen Skala (0-5 Sterne: genügend,
befriedigend, gut, sehr gut, hervorragend).
Encore+
Auf EU-Ebene befasst sich das Projekt encore+ in den Arbeitspaketen D5.2 und D5.3 mit
den Qualitätsdimensionen von freien Bildungsmaterialien und hat dazu zwei
Positionspapiere veröffentlicht (Ehlers & Kunze, 2021; Ehlers & Schmidbauer, 2022).
Während in dem ersten Papier konstatiert wird, dass Qualität ein relevantes Thema ist,
werden in dem zweiten Papier fünf Problemfelder von OER-Repositorien identifiziert:
● Verständnis von Qualität: Oft sei nicht klar, worauf sich die Qualität beziehe (den
Inhalt, das Repositorium Nutzer*innenfreundlichkeit etc.)
● Community und Kommunikation: Die Community habe sich noch nicht auf ein
einheitliches Qualitätsframework geeinigt
● Qualitätssicherungsprozess: Es sei unklar, wie die Qualität von OER überhaupt
gesichert werden sollte, weil die Möglichkeiten für Reviews beschränkt seien. Peer-
Review Prozesse werden gefordert.
● Einbeziehung der Nutzer*innen: OER Repositorien müssten mehr auf Wünsche der
Nutzer*innen achten.
● Auffindbarkeit und Sichtbarkeit: Die Suche nach passendem Material sei immer noch
langwierig und mühsam.
Der Bericht "Piloting the ENCORE+ Quality Framework” gibt eine Übersicht über sechs
Repositorien und ihre Qualitätssicherungsprozesse. Von den sechs Repositorien
stammen zwei aus Deutschland (WirLernenOnline, ORCA.nrw)
23
. Interessanterweise
ermöglichen nur zwei der sechs Repositorien “User ranking/rating” von OER (NDLA,
Digital-edu), keines der untersuchten Repositorien sammelt User Feedback in seinem
Repositorium (Griffiths et al., 2023, S. 8). Damit entbehren die untersuchten OER-
23
Im Befragungszeitraum waren die Qualitätsprozesse von ORCA.nrw noch nicht finalisiert.
125
Repositorien grundlegend einer sozialen Komponente, die in vielen anderen
Themenbereichen fest dazu gehört (beispielsweise Online-Marktpläte,
Filmbewertungsplattformen, o. Ä.).
Bildung für nachhaltige Entwicklung (BNE)
Auf Grundlage des UNESCO-Programms zur BNE wurden Leitlinien und Gütekriterien
digitaler Materialien für Bildung für nachhaltige Entwicklung entwickelt, die anhand der
Kategorien “Inhalt”, “Methodik” und “Gestaltung” Materialien bewerten (Archiv).
Der IQOer – Ein Instrument zur Erfassung der Qualität von OER
Insgesamt wurden 16 Skalen als Qualitätsmodell für OER entwickelt (Mayrberger et al.,
2018; Zawacki-Richter & Mayrberger, 2017). Das Instrument zur Erfassung der Qualität
von OER besteht aus sieben allgemein-anwendbaren Kernskalen (rot markiert) der
pädagogisch-didaktischen (Inhalt, Didaktisches Design) und technischen Dimension
(Usability), fünf spezifischen Skalen (in der gelben Markierung enthaltene Subskalen,
ohne Kernskalen) und vier eher technisch-orientierten Skalen (Zugänglichkeit).
Grafik: Instrument zur Qualitätssicherung von OER - IQOer - V17 (Müskens et al., 2022);
rot: allgemein-anwendbare Kernskalen,
gelb: validierte Skalen (Kernskalen inkl. spezifische Skalen)
126
Lizenzen
Lizenzen kennzeichnen, welche Rechte die Urheber*innen den Nachnutzenden
einräumen. In vielen Diensten gilt die Lizenz daher als relevantes Merkmal für das
Ranking und die Qualität von Ressourcen. Lizenzen besitzen darüber hinaus durchaus
eine relevante didaktische Funktion, denn sie sind ein Indikator, ob Lehrende
beispielsweise Materialien auf ihre Zielgruppen anpassen dürfen oder das Material nur
unverändert eingesetzt werden darf. Bei einer Umfrage mit Personen, die überwiegend
für den beruflichen Kontext Ressourcen suchen (in der Regel somit Lehrende in Aus- und
Fortbildung), gaben etwa 83% an, dass die Lizenz ein etwas bis sehr hilfreiches Kriterium
bei der Suche ist (n = 52 Antworten) (JOINTLY.info, 2021).
Beispiel: Bildungsressourcen (Educational Resources)
Open Educational Resources (OER) stellen eine besondere Teilmenge der
Bildungsressourcen dar, die gemäß Definition der UNSECO gemeinfrei oder offen
lizenziert sind (UNESCO, 2019). Eine solche Lizenzierung räumt entsprechende Rechte
für die Nachnutzung ein, wie die Möglichkeit zur Verarbeitung oder Vermischung von
Inhalten sowie ein möglicher Verzicht auf Zweckbindungen bei der Nachnutzung (Muuß-
Meerholz, 2015).
Während OER in der Regel frei zugänglich sind, gibt es bei anderweitigen
Bildungsressourcen unter Umständen etwaige Restriktionen (z. B. Anmelde- oder
Lizenzpflicht, rechtliche Beschränkungen aufgrund § 60a UrhG, Datenschutz oder
Persönlichkeitsrechte) (Arndt et al., 2023). Ebenso kann es didaktische Gründe geben,
wenn die Zugänglichkeit auf bestimmte Zielgruppen eingeschränkt wird, beispielsweise
für Lernkontrollen beziehungsweise Testfragen und dazugehörige Lösungen, die unter
Umständen nur Lehrenden zugänglich gemacht werden sollen.
Für die Berücksichtigung der Lizenz als Qualitätsindikator müssen somit verschiedene
Perspektiven abgewogen werden. Aus einer pragmatischen Perspektive genügt
Lehrenden unter Umständen bereits die Gewährleistung der Zugänglichkeit und
Nachnutzbarkeit von Ressourcen, ohne dass umfängliche weitere Rechte eingeräumt
werden müssten.
Attribute für Lizenzen
● AMB: license
● DCMI: license
● schema.org: license
● LRMI: useRightsURL
● LOM: 6 - Urheberrechte
127
Wertelisten für Lizenzen
● Liste der Lizenzen (DCAT-AP.de) (Repo)
● SPDX License List (Repo, u.a. RDFa, HTML, JSON)
● Lizenzliste der OpenSource Initiative
● Skosmos Lizenzen
● Das AMB Applikationsprofil verwendet reguläre Ausdrücke zur Einschränkung
und Validierung (JSON-Schema) der erlaubten Lizenzangaben, darunter:
○ Creative Commons License or Public Domain
○ GNU License
○ Apache License
○ MIT License
○ BSD License
Lizenzübersichten und -assistenten:
● Creative Commons
● EU Lizenz-Assistent
● Lizenzcenter des ifrOSS
● Vergleichsübersicht von Lizenzen
Tabelle: Empfehlungen für Lizenzen nach Ressourcentyp
Ressourcentyp
Lizenzempfehlung
Allgemeine Ressourcen (freie Inhalte)
Creative Commons-Lizenzen
Schriftarten
Vom Summer Institute of Linguistics empfohlene
Lizenz (SIL Open Font)
Softwareprodukte (freie Software)
Von der Open Source Initiative empfohlene Lizenzen
Weitere Bestrebungen zur Erfassung und Evaluation der Qualität
Metadaten sind indikativ für die Qualität von Ressourcen (Atenas & Havemann, 2013).
Eine automatische Prüfung der Qualität von Ressourcen (OER) kann mittels Bewertungs-
und Vorhersagemodellen von Metadaten erfolgen (Ochoa & Duval, 2009; Tavakoli et al.,
2020, 2021).
Durch die informative Natur von Metadaten tragen diese zur Evaluation der Qualität von
Ressourcen bei, indem sie beispielsweise Lehrenden ermöglichen, die Eigenschaften
einer Ressource vorab zu prüfen (Steiner, 2018). Aus didaktischer Sicht können
insbesondere auch Einflussfaktoren auf den Lernerfolg als Qualitätsmerkmal relevant
sein, beispielsweise wenn Ressourcen bestimmte Lehr- oder Lernstrategien
unterstützen (vgl. Visible Learning MetaX, Lehr-/Lernmethoden).
128
Weitere Attribute mit Bezug zur Qualität in Metadatenstandards
Bewertungen
● schema.org:
○ aggregateRating (Typ: AggregateRating)
○ review (Typ: Review)
Qualitätssicherungsprozess
● Webseite zum Qualitätssicherungsprozess (dcatde:qualityProcessURI)
Das für Deutschland adaptierte Profil zum Datenaustausch DCAT-AP.de (Repo) mit dem
Datenportal GovData nutzt das europäische Applikationsprofil DCAT-AP (Repo) des
Standards DCAT zur Erfassung der Qualitätssicherungsprozesse.
Wertelisten mit Bezug zur Qualität
● Vokabular zur Datenqualität: Data Quality Vocabulary (DQV)
● Vokabular zur Publikationsqualität: euroCRIS: OutputQualityLevels
4.2.12 (Typische) Lerndauer
Über dieses Metadatenfeld kann eine geschätzte Dauer angegeben werden, die für die
Bewältigung der Ressource oder Aktivität zum Erreichen der Lernziele zeitlich benötigt
wird. Wenngleich Zusammenhänge bestehen, gibt dieses Attribut hingegen nicht die
reine Abspiel- oder Betrachtungsdauer an, also nicht etwa die Länge eines Videos oder
Audios, wofür ein anderweitiges Metadatum, wie duration, verwendet werden kann.
Das Attribut hilft Lehrenden bei der Planung von Unterrichtsstunden oder
Unterrichtseinheiten, die für einen bestimmten Zeitrahmen ausgelegt sind. Es hilft den
Lernenden, die nötige Zeit für die erfolgreiche Arbeit mit Bildungsressourcen besser
einzuschätzen. Lernende können gezielt nach kurzen Lerneinheiten
24
suchen, die sich
beispielsweise besser in einen geschäftigen Alltag einfügen (Mikrolernen).
Die Angabe der typischen Lerndauer wird von den Befragten bei Tischler et al. (2022) als
weniger nützlich eingestuft. Das Attribut erhält sehr niedrige Bewertungen hinsichtlich
der Nutzbarkeit, bedingt vorwiegend durch die Herausforderung, das Arbeitstempo der
Gruppe sowie die Komplexität des Materials einzuschätzen (Tischler et al., 2022, S. 261).
Dies deckt sich mit der These von Arnold et al. (Arnold et al., 2003, S. 382), dass die
Abbildung didaktischer Kategorien schwierig ist, da sie eine homogene Lerngruppe
voraussetze, die in der Realität jedoch selten existiere. Bei Tavakoli et al. wird ebenfalls
deutlich, dass die Zuordnung schwierig ist: Nur bei wenigen Materialien, die keiner
24
Kurze Lerneinheiten werden auch als Lernnuggets, Lernhäppchen oder Lernsnacks
bezeichnet.
129
Qualitätskontrolle unterlagen, war dieses Attribut vorhanden. Häufig ist dieses Attribut
aber auch nicht vorhanden, wenn die Materialien qualitätsgesichert wurden (Tavakoli et
al., 2021, S. 628). Dies deckt sich mit der Einschätzung der Befragten bei Tischler et al.
(2022), dass die Zuordnung schwierig ist. Relevant kann das Attribut im institutionellen
Kontext in der Verbindung mit ECTS-Punkten sein.
Verwandte Themen: Microlearning, Learning Nuggets, Learning Snacks, Credentials (im
Hochschulkontext insbesondere auch die Angabe des Workloads und Nachweis von
Studienleistungen, beispielsweise durch das ECTS)
Attribute in Metadatenstandards
● LRMI: timeRequired
● LOM: 5.9 Typical Learning Time
● Learning Metadata: timeRequired (Nachnutzung des LRMI-Elements)
Wertelisten zur Einbindung oder Nachnutzung
● LOM-CH (Lernzeit 5.9.2)
○ Weniger als eine Lektion
○ Eine bis fünf Lektionen
○ Mehr als fünf Lektionen
○ Nicht definiert
● eduki
○ Seitenzahl für textbasierte Inhalte
■ <5 Seiten
■ 5 — 20 Seiten
■ 20+ Seiten
130
4.2.13 Technische Voraussetzungen
Um die Einsetzbarkeit einer Ressource in der Nachnutzung schnell beurteilen zu können,
erfasst dieses Feld eine Beschreibung möglicher Hard- und/oder Software-
voraussetzungen, die für den Einsatz der Ressource obligatorisch sind. So ist die
Konformität zu E-Learning-Standards ebenso relevant wie die Kompatibilität von
Ressourcen zu den Umgebungen, in denen sie implementiert werden sollen.
Mit diesem Attribut können notwendige technische Voraussetzungen zur erfolgreichen
Nutzung einer Ressource angegeben werden. Einige Ressourcen benötigen
gegebenenfalls bestimmte Endgeräte (AR- / VR-Brillen) oder bezüglich der Software ein
dediziertes Betriebssystem. Das Attribut kann damit als Filtermöglichkeit eingesetzt
werden, um nur tatsächlich im jeweiligen Umfeld nutzbare Ressourcen anzuzeigen.
LOM besitzt umfassende Möglichkeiten, entsprechende Informationen zu hinterlegen,
die von der Angabe der Versionsnummern bis zu Installationshinweisen reichen, oft in
Verbindung mit kontrollierten Vokabularen (IEEE, 2020a, S. 27–30). Modernere
Applikationsprofile wie LOM-CH verwenden diese Attribute nicht mehr, sondern
empfehlen nur noch die Angabe technischer Anforderungen in Form eines Kommentars
(Educa, 2020, S. 13). Auch die Educational CAD Model Library verwendet ein Freitextfeld
zur Erfassung unterstützter Software und eine Reihe spezifischer Angaben im Kontext
von CAD-Modellen, darunter die benötigte Ausrüstung, um die 3D Modelle herzustellen,
bspw. 3D-Drucker, Stanzmaschinen (Bull et al., 2023).
Im eduCheck Projekt (FWU) werden Prüfkriterien digitaler Bildungsangebote entwickelt,
die den Bereich “Technik und IT-Sicherheit” umfassen, darunter Kriterien der
vorläufigen Checkliste (FWU, 2024), wie:
● Technik
○ Standard-SLAs definiert
○ IT-Prozesse: ITSM, IT Change Management, Asset Management o.ä.
○ Skalierbarkeit der Gesamtarchitektur
● Interoperabilität
○ Benutzerdaten bei Schulwechsel portierbar
○ API-Schnittstelle vorhanden
○ Metadatenstandards unterstützt
○ LTI-Standard unterstützt
● IT-Sicherheit
○ Single-Sign-On wird unterstützt
○ Incident Response Plan vorhanden
○ Sicherheitsprozesse definiert
○ 2-Faktor-Authentifizierung möglich
○ Endgeräte durch Firewall und Virenschutz gesichert
○ Verschlüsselung
○ Netzwerksicherheit
131
Attribute in Metadatenstandards
● LOM: 4 Technische Voraussetzungen
● LOM-CH: 4.6 Andere technische Voraussetzungen
Mögliche Wertelisten:
Insbesondere Werteliste für Softwaretypen sind vergleichbar mit Ansätzen zur Erfassung der
Ressourcentypen.
Tabelle: Hard- und Softwarevoraussetzungen
Werteliste
Werte
DigitalLearningLab:
OS
Android, BlackBerry OS, iOS, Linux, macOS, Windows, Windows Phone
ComeIn:Software
Moodle, ILIAS, Bildbearbeitung (z. B. GIMP), Textverarbeitung (z. B. LibreOffice),
Videobearbeitung (z. B. Shotcut), Audiobearbeitung (z. B. Audacity)
ComeIn:Hardware
Webcam, Mikrofon, Beamer/Projektor, Internetzugang, Kamera, WLAN, Drucker,
Scanner, Maus, Tastatur, (Multi-)Touchscreen, USB-Stick, Speicherkarte, Monitor,
Whiteboard, Notebook, Tablet, Desktop-PC, Smartphone
ComeIn:Sensoren
Umgebungslichtsensor, Beschleunigungssensor, Pulsmesser, Näherungssensor,
Rotationssensor, Satellitennavigation (z. B. GPS, Galileo, Beidou, …),
Fingerabdrucksensor, Barometer, Magnetometer, Thermometer, Pulsmesser
European Schoolnet
“Software Type”
blog hosting service, blog software, bulletin board system, classroom
management software, concept-mapping software, content management system,
courseware, e-mail program, FTP client, hypermedia, image editor software,
instant messaging service, interactive whiteboard software, learner response
software, learning content management system, management information
system, other, PDF software, photo sharing site, podcast software, presentation
graphics software, search engine, simulation software, social bookmarking site,
social networking site, social networking software, spreadsheet software,
syndication feed, video editor software, virtual reality, VLE, VoIP, Web authoring
software, Web browser, Wiki, Wiki tool, word processing software
European Schoolnet
“Hardware Type”
amplification system, audio capture tool, audio conference tool, desktop
computer, document reader, games console, interactive multi-touch table,
interactive overlay, interactive whiteboard, laptop computer, learner response
tool, mobile device, netbook computer, other, photo camera, projector, scanner,
server, smartphone, tablet, video capture tool, video conference tool, wireless
slate
EduLabs
ohne Internetzugang, PC / Laptop, Tablet / Smartphone, Hardware / Basteln
MERLOT
Android, Blackberry, iOS (Apple), Windows Mobile
Material-Finder
(Hack the Summer)
Bastelmaterialien, Beamer, Calliope mini, Internetzugang, Kamera, Laptop/PC, Mit
technischen Zubehör, Ohne technisches Zubehör, Scratch, senseBox, Smartphone,
Stift und Papier, Tablet, VR-Brille
Veraltete Wertelisten
● LOM-EAF: Systemvoraussetzungen,
● Softwaretypen nach Gibbs und Tschiritzis (1994), Software-Kategorien mit Fokus auf
deren didaktische Konstruktion nach Gloor (1990), Klassifikationen hinsichtlich der
Interaktion mit Software nach Bodendorf (1990) (Schulmeister, 2007, S. 61–64)
132
4.2.14 Didaktische Relationen
Gegenüber einer eher linearen Organisation von Lerninhalten und -prozessen (bspw. in
analogen Schulbüchern) führen granulare Lernbausteine und veränderte Lernprozesse
dazu, dass Lernen flexibilisiert wird und komplexere Strukturen hinsichtlich der
Sequenzierung und Präsentation der Lerninhalte sowie Navigation innerhalb und
zwischen verschiedenen Bildungsressourcen entstehen. Didaktische Relationen werden
für die Vernetzung verschiedener, modularisierter Bildungsressourcen verwendet.
Grafik: Exemplarische Organisationsstruktur von Lernprozessen (Lehr-/Lernpfade)
Metadaten können Relationen zwischen verschiedenen Objekten abbilden,
beispielsweise kompetenzbezogene Bezüge wie Voraussetzungen und Vorwissen,
Lernziele oder Lernkontrollen, Teil-Ganzes Zusammenhänge (ist Teil von, enthält),
Provenienzinformationen (basiert auf, wird referenziert von) oder zeitbezogene
Angaben zum Arrangement der Lerninhalte. Die Angabe didaktischer Relationen
ermöglicht die Erzeugung (adaptiver) Lernpfade. Auch andere Systeme können solche
Angaben nachnutzen, um darauf basierend entsprechende Empfehlungen von
Bildungsressourcen für Nutzer*innen zu geben.
Attribute in Metadatenstandards
● LOM, LOM-CH, HS-OER-LOM:
○ Relationen, basierend auf Dublin Core: is part of, has part, is version of, has
version, is format of, has format, references, is referenced by, is based on, is basis
for, requires, is required by (IEEE, 2020a, S. 38)
● LRMI:
○ isBasedOnUrl, teaches, assesses
● schema.org:
○ isPartOf, hasPart, isBasedOn, competencyRequired
● L3-Projekt (Meder, 2003, S. 170f)
○ “didaktisch-vor” (Prerequisit)
○ “gehört-zu” (Belongs to)
Mögliche Wertebereiche zur Nachnutzung
● LOM, LOM-CH: Vokabular zu Beziehungen (Educa, 2020, S. 25–26; IEEE, 2020a, S. 38)
133
4.2.15 Granularität
Ressourcen können unterschiedlich granular bereitgestellt werden.
Wiederverwendbarkeit ←→ Kontextualisierung
Die Wiederverwendbarkeit von Ressourcen hängt von verschiedenen Faktoren ab (Sanz
et al., 2008, S. 2f) und stellt ein wichtiges Merkmal von Lernobjekten dar (Sicilia & Garcia,
2003, S. 3). Die Granularität der Bereitstellung von Ressourcen beeinflusst die
Wiederverwendbarkeit (Heyer, 2005; Hodgins, 2002; B. Krämer, 2005; Meder, 2003, S.
158f). Lehr-/Lernbausteine, die sich beliebig kombinieren und somit entsprechend den
Bedarfen und didaktischen Voraussetzungen in die Lehre integrieren lassen,
begünstigen eine flexible Nachnutzung (Arndt et al., 2023, S. 12; Baumgartner, 2004;
Ehlers & Meder, 2003, S. 53f; Grunwald & Reddy, 2007). Eine stärkere Kontextualisierung
verringert somit zwar die Wiederverwendbarkeit aufgrund der hohen Vorstrukturierung
und spezifischen Aufbereitung, bietet zugleich jedoch unter Umständen eine
geschlossene Struktur zum Erreichen von Lernzielen mit einem höheren
Abstraktionsgrad, zum Beispiel von Richtzielen (Mayer et al., 2009, S. 8–10). Aus Sicht der
Lernenden ist eine passende Kontextualisierung wünschenswert (Frantiska, 2016, S. 3f;
Yassine et al., 2016). Das Vorhandensein einer Kontextualisierung kann eine
Zeitersparnis bedeuten, sofern die Ressource sich ohne grundlegende Modifikation für
den didaktischen Kontext eignet.
Ressourcen geringerer Granularität eignen sich potenziell eher für eine unmittelbare
Einbettung in eigene Lehr-/Lernkontexte, sodass diese in der Nachnutzung besonders
für Lehrende von Interesse sind (Kerres et al., 2019). Auch im ComeIn Projekt wird
konstatiert:
“Die mögliche Integration und Kombinierbarkeit einzelner OER-Bausteine in die eigene
Lehre, entsprechend den individuellen Bedarfen und didaktischen Voraussetzungen,
begünstigt eine flexible Nachnutzung und bietet somit Potenziale, sie an die
unterschiedlichen Lehr-/Lernkontexte anzupassen.“ (Arndt et al., 2023, S. 12)
Das Prinzip ist vergleichbar mit einem frühen Konzept der Reusable Learning Objects,
bei dem komplexere Ressourcen (z. B. umfangreiche Kurse) in kleinere, sinnvolle,
kombinierbare Lerneinheiten zerlegt werden, um eine flexible Nachnutzung zu
begünstigen (Baumgartner et al., 2002). Fernandes et al. unterteilen die Granularität in
sechs Kategorien: pedagogical assets, information, entities, context and schema
(Fernandes et al., 2005).
134
Weitere Verwendungshinweise
In LOM findet sich ebenfalls das Attribut “Aggregation Level” (LOM 1.7), welches genutzt
wird, um die Granularität eines Objektes zu beschreiben. Dieses Level wird dort in vier
Stufen unterteilt, wobei die niedrigste Stufe die kleinste sinnvoll annehmbare Einheit
beschreibt (bspw. ein einzelnes Bild) und die darüber liegenden Einheiten jeweils die
darunter liegenden umfassen. Level 4 beschreibt die größte Einheit, bspw. eine Reihe
von Kursen, die zu einem Zertifikat führen. Theoretisch könnte dieses Attribut in der
Verbindung mit dem Ressourcentyp eine sehr zielgerichtete Suche ermöglichen, um
zum Beispiel passendes Material für den eigenen Kurs zu finden. Faktisch hat sich das
Attribut nicht durchgesetzt, da diese Information implizit häufig bereits über
Ressourcentypen kommunizierbar ist, die unter Umständen sogar hierarchisch
strukturiert sind.
Granularität im Kontext von EduArc (Kerres et al., 2019; Kerres & Heinen, 2015)
1. einzelne Dokumente (z. B. Übungsblatt, Schaubild, Simulation, Video), die einem
Thema zugeordnet sind
2. Lehrwerke und Kollektionen von Dokumenten, die Lernaktivitäten organisieren
und in Kurse eingebettet werden (z. B. H5P- oder SCORM-Objekte)
3. Vollständige Kurse, die auf den Erwerb einer Kompetenz ausgerichtet sind
Attribute in Metadatenstandards
● LOM: Aggregation Level 1.7
Mögliche Wertebereiche:
● WirLernenOnline: aggregationLevel, spezifisch für schulische Ressourcen
Unterrichtsbaustein (Aktivitäten in einer Stunde), Unterrichtsstunde, Unterrichtseinheit
(mehrere Unterrichtsstunden), Unterrichtsreihe (6-8 Wochen), Kurs (Halbjahr oder
Schuljahr), Kursreihe)
● meinUnterricht (Materialumfang): Test/Prüfung, Unterrichtseinheit, Unterrichtselement
(Arbeitsblatt etc.), Unterrichtsstunde
● eduLabs (Dauer): Unterrichtsreihe, Doppelstunde, 45 minuten, Übung (bis zu 20 min),
flexibel
Verwandt: (Typische) Lerndauer, Ressourcentypen
4.3 Weitere didaktische Metadatenfelder
Im Folgenden werden weitere Metadatenfelder oder auch Themen aufgeführt und kurz
beschrieben, die häufiger in fachlichen Communitys erwähnt und gewünscht werden.
Sie sind in der Regel nicht vollständig konzeptualisiert, standardisiert oder finden keine
breite Anwendung.
135
4.3.1 Lernphasen, Unterrichtsphasen, Unterrichtsschritte
Ähnlich wie die Angabe des Veranstaltungsformates kann die Angabe dieses Attributs
genutzt werden, um die Passung eines Objektes zu einer bestimmten Phase des
Unterrichts zu bestimmen. Das Attribut fokussiert die Prozessstruktur des Unterrichts.
Dabei ist die traditionelle Phasierung des Unterrichts nicht unumstritten, insbesondere
bei eher selbstbestimmten, individualisierten Lernprozessen, die eventuell nicht in
strikten Phasen organisiert sind. Unterrichtsphasen werden zum Teil auch als
Unterrichtsschritte bezeichnet. Unterrichtsphasen sind eine spezifische Ausprägung
einer didaktischen Kontextualisierung, indem Material bestimmten Lernaktivitäten einer
Phasierung zugeordnet wird. Das Metadatum wird unter anderem von den
Videoportalen ViU: Early Science und ProVision der Universität Münster verwendet
(Einstieg, Erarbeitung, Reflexion). Die Methoden-Kartothek differenziert die Lernphasen
“Einsteigen”, "Erarbeiten", “Integrieren” und “Auswerten” (Papenkort et al., 2015). Die
Materialdatenbank QUA-LiS NRW verwendet dazu eine verwandte Kategorie “Position
im Unterricht” mit folgenden Werten: Anwenden, Diagnose (Selbsteinschätzung,
Selbstüberprüfung), Einführung, Wiederholen/Üben.
Mögliche Unterrichtsphasen und -schritte (Meyer, 2020, S. 39f):
● Einstieg (z. B. problemorientiert)
● Erarbeitung
● Vertiefung
● Übergang
● Reflexion
● Ergebnissicherung
● Zusammenfassung
Verwandt: Lern-/Unterrichtsaktivitäten, 5E-Lehrmodell
4.3.2 Lehr-/Lernaktivitäten, Unterrichtsaktivitäten
Dieses Attribut beschreibt die Arten von Aktivitäten oder Aufgaben, die die Lernenden
bei der Nutzung der Ressource durchführen. Damit bietet es Lehrenden einen Eindruck,
wie die Ressource in den Unterricht integriert werden kann, und hilft den Lernenden zu
verstehen, wie sie mit dem Inhalt interagieren können. Das Attribut fokussiert die
Handlungsstruktur des Unterrichts.
Beispiele für Wertelisten
● Unterrichtsaktivitäten
○ ProVision, KoViU: Lehrerinstruktion, Lehrerdemonstration,
Schülerdemonstration, Stillarbeit, Einzelarbeit, Unterrichtsgespräch,
Gruppenarbeit, Partnerarbeit, Exkursion, Stationsarbeit, Experiment, Übergang
136
○ PatternPool: Rezeptive Aktivitäten (dienen dem Lesen, Anschauen, Zuhören),
Übende Aktivitäten (dienen dem Ausprobieren, der Routinebildung etc.) ,
Produktive Aktivitäten (dienen der Schaffung eigener Inhalte), Organisatorische
Aktivitäten (dienen der Koordination, Vernetzung u.ä.)
○ meinUnterricht: Experimentieren, Gespräch führen, Gestalten, Gruppenarbeit /
Partnerarbeit, Kontrollieren/prüfen, Konzentrieren / meditieren / entspannen,
Lernspiel spielen, Recherchieren / dokumentieren, Sich bewegen,
Simulationsspiel durchführen, Still arbeiten, Szenisch arbeiten, Vortragen /
präsentieren
● Didaktische Aktivitäten im Unterricht und Lehr-/Lernszenarien
○ ProVision (Universität Münster), u. a.: Klassenführung, Allgemeine
Lernunterstützung, Sprachsensible Lernunterstützung, Gleichberechtigte
Teilhabe, Kognitiv aktivierende Lehr-Lern-Kultur
○ Szenarien@FAU: aktivieren, motivieren, betreuen, prüfen, verarbeiten,
anwenden, vermitteln
○ Lehre-Navi (UHH): Vermitteln, Aktivieren, Betreuen, Prüfen, Interaktion anregen
○ Digitaliada (Rumänien): Lehre, Vertiefung des Wissens, Bewertung
○ LRE Learning Principles: activate prior knowledge, analogical reasoning,
collaboration, expert guidance, metacognition, multiple representations, skill
training, support conceptual change, support for complex learning, visualisation
of thinking
● Verwandte Wertebereiche:
○ Aktionsform (Heyer, 2006), Sozialformen, bspw.: Plenumsunterricht,
Frontalunterricht, Gruppenarbeit, Tandemarbeit, Einzelarbeit (Meyer, 2020, S.
41)
Die Wertelisten enthalten somit zum Teil auch Sozialformen oder Lernorte. Das Feld ist
ebenfalls verwandt mit Aufgabenformaten/-typen.
Siehe zusätzlich Anlage “Zusammenstellung additiver Wertelisten”.
4.3.3 Lehr-/Lernmethoden
Lehr-/Lernmethoden sind Formen und Verfahren zur Aneignung von Wissen und
Fähigkeiten. Darüber hinaus sind verschiedene Konzeptionen von Methoden
auszumachen (Baumgartner, 2006b). Das Attribut fokussiert die Handlungsstruktur des
Unterrichts. In der Literatur werden eine Vielzahl von Methoden benannt (Baumgartner,
2014; Meyer & Junghans, 2021). Die Methoden-Kartothek differenziert Methoden gemäß
ihrer Eignung bezüglich Lernziel (kognitiv, affektiv, motorisch), Lernphase, Sozialform,
Aktivierung (darbietend, interaktiv, erarbeitend), Konkretisierung (sprachlich, bildhaft,
unmittelbar), Teilnehmendenzahl, Zeitaufwand (Papenkort et al., 2015).
137
Das Attribut wird aufgrund der Vielzahl von Methoden gar nicht oder nur selten in
Portalen für Bildungsressourcen genutzt, zumindest wenn die Methoden nicht selbst als
Inhalte im Fokus stehen, wie beim Methodenpool für sprachsensiblen Fachunterricht.
Die Materialdatenbank QUA-LiS und unter Umständen perspektivisch das Portal
Lehrideen vernetzen (“methodischer Ansatz”) verwenden Methoden als Metadatum. Die
mangelnde Realisierung ist eventuell auch darauf zurückzuführen, dass Methoden nicht
als Selbstzweck verwendet werden sollten, sondern unter Umständen bestimmte
Handlungsmuster zur Realisierung lernförderlicher Situationen eher von Interesse sind
(vgl. didaktische Kontextualisierung) (Baumgartner, 2006b).
Siehe auch: Anlage: “Zusammenstellung additiver Wertelisten”.
Verwandt: Lehrstrategien / “Teaching strategies” (Visible Learning MetaX), Lehr-
/Lernform, didaktische Prinzipien (z. B. Kompetenzorientierung,
Handlungsorientierung, Prozessorientierung, Lernendenorientierung, …), methodische
Analyse (Unterrichtsplanung, Unterrichtsentwurf)
Attribute in Metadatenstandards
● Dublin Core Metadata Terms (DCMI): instructionalMethod
4.3.4 Lernorte, Lernräume
Dieses Attribut dient zur Angabe von Lernorten, an welchen eine Ressource genutzt
werden kann oder sollte. Didaktische Konzepte unterscheiden sich bezüglich der
Beschaffenheit und den Möglichkeiten zur Gestaltung des Lernraums.
Distanz- und Präsenzunterricht
Mit Zunahme des Distanzunterrichts (bspw. während der COVID-19-Pandemie) haben
sich Lehrende eine einfache Möglichkeit gewünscht, Materialien unterscheiden zu
können, die in digitalen Lernumgebungen für einen Distanzunterricht (beispielsweise in
E-Learning-Szenarien), im Klassenzimmer, für Präsenzunterricht oder auch hybrid (zum
Beispiel in Blended Learning-Szenarien) eingesetzt werden können.
Formale, non-formale und informelle Lernorte
Formale Lernorte zeichnen sich durch einen strukturierten und institutionalisierten
Rahmen aus. Sie sind in der Regel an bestimmte Lernziele und -inhalte curricular
gebunden und werden von pädagogischem Personal begleitet.
Non-formale Lernorte hingegen sind weniger stark strukturiert und bieten häufig einen
größeren Freiraum für selbstbestimmtes Lernen. Sie können an formale Lernorte
angegliedert sein, aber auch unabhängig davon existieren.
138
Informelle Lernorte sind alltägliche Orte, an denen Lernen beiläufig und ungeplant
stattfindet. Hier findet kein expliziter Unterricht statt, aber es gibt vielfältige
Möglichkeiten, Wissen und Kompetenzen zu erwerben.
Durch die Digitalisierung und die damit verbundenen neuen Möglichkeiten des Lernens
werden die Grenzen zwischen formalen, non-formalen und informellen Lernorten
zunehmend durchlässiger.
Zeit- und ortsunabhängige Lernprozesse
Durch zeit- und ortsunabhängige Lernprozesse gewinnt dieses Attribut an Bedeutung.
Die Nutzungsszenarien hängen dabei von den konkreten Wertelisten ab, die für das
Attribut verwendet werden. Unter Umständen eignen sich andere Attribute besser, wie
die Lehr-/Lernform in Kombination mit dem Ressourcentyp. Die Auszeichnung von
Ressourcen mit Lernorten kann auch dafür genutzt werden, außerschulische und
informelle Lernprozesse anzustoßen und zu begleiten, beispielsweise durch
pädagogisches Personal in der Jugend-/Ferien-/Freizeitbetreuung, von Eltern oder für
die Planung von Exkursionen durch Lehrkräfte. Ein verwandtes Konzept ist die
Unterscheidung non-formaler, informeller Bildung und formaler Bildung, insbesondere
in Bezug auf ganzheitliche Ansätze zur Bildung für nachhaltige Entwicklung (BNE).
Exemplarische Lernorte
Eher formale und non-formale Lernorte
● Unterrichtsräume (Klassenzimmer, Fachräume, Hörsäle, Kurs-/Seminarräume), Labore,
Werkstätten, Bibliothek, Schulgarten, Betriebe (z. B. Bauernhof)
Eher informelle Lernorte
● Zuhause (Kinderzimmer, Arbeitszimmer, Küche), Bibliothek (Lesesaal, Arbeitsbereiche),
Zoo und Museum (Ausstellungen, Führungen), Theater und Kino, Religiöse
Einrichtungen und Gedenkstätten, öffentliche Einrichtungen, Natur (Wald, Wiese, Berg,
Park, See), Freizeit (Vereine, Jugendzentren)
Digitale und virtuelle Lernorte
● Lernplattformen [Learning Management System (LMS), Virtual Learning Environments
(VLE), Personal Learning Environments (PLE)], Lern-Apps, Virtuelle Welten (virtuelle
Exkursionen, digitale Welten von Videospielen, Simulationen, AR/VR), Massive Open
Online Courses (MOOCs), Computer Based Training (CBT) oder Web Based Training
(WBT), Serious Games
Wertelisten
● QUA-LiS NRW Materialdatenbank: Distanzunterricht, außerschulischer Lernort,
Computerraum, Fachraum, Klassenraum, Selbstlernzentrum der Schule
● Netzwerk Q4.0 (Lernort): Online, Online und Präsenz
● Lernort-orientierte Suche, bspw. Lernort Kompass
Verwandt: Lehr-/Lernformate
139
4.3.5 Lerntypen, Lernstile
Lerntypen und Lernstile beschreiben die individuellen Präferenzen von Lernenden,
Informationen aufzunehmen und zu verarbeiten. Lernende bevorzugen
Lernerfahrungen, die ihren Stärken, Bedürfnissen und Herangehensweisen entsprechen
und interagieren entsprechend mit ihren Lernumgebungen.
Das Attribut verweist beispielsweise auf Präferenzen bezüglich der Wahrnehmung und
Verarbeitung von Informationen, z. B. angelehnt an die verschiedenen Sinne des
Menschen (Sinnesmodalität):
● visuelle Wahrnehmung, z. B. Bilder, Grafiken, Animationen, Videos
● auditive Wahrnehmung, z. B. Vorträge, Podcasts
● haptische und taktile Wahrnehmung, z. B. Experimente, praktische Erfahrungen
● kinästhetische Wahrnehmung, z. B. durch Motorik, Theaterpädagogik, Embodiment
Die Beispiele verdeutlichen, dass sich diese Eigenschaft alternierend auch durch die
Beschreibung der Methodik, Lernaktivitäten oder Ressourcentypen ausdrücken lässt
und Zusammenhänge mit diesen Attributen bestehen.
Für die verschiedenen Arten des Lernens wurden unterschiedliche Typologien
entwickelt. So werden Lernstile auch beschrieben als:
● aktiv, reflektiv, theoretisch, pragmatisch
● induktiv, deduktiv
● sequentiell, global
Exemplarische Lernstilinventare und -modelle:
● Kolb Learning Style Inventory 4.0 (LSI, KLSI 4.0):
● Kolb Experiential Learning Profile (KELP) (Kolb & Kolb, 2021)
● Experiential Learning Theory (ELT)
● Felder-Soloman Index of Learning Styles (ILS)
● Felder-Silverman-Lernstilmodell (FSLSM)
● Conversational Framework: Lernen durch Wissensübernahme, Lernen durch Recherche,
Lernen durch Anwenden, Lernen durch Produktion, Lernen durch Diskussion, Lernen
durch Zusammenarbeit (Laurillard, 2012, S. 96)
Das Attribut hilft bei der Auswahl von Ressourcen, die den verschiedenen
Lernpräferenzen entsprechen und so den Lernerfolg der Lernenden durch bessere
Passung verbessern können. In der Praxis ist dieses Attribut kaum verbreitet.
Weitere verwandte Konzepte:
Operatoren für Aufgaben und Anforderungsbereiche (vgl. Niveaustufe),
Sonderpädagogischer Förderbedarf (vgl. Zugänglichkeit und Barrierearmut).
Lerntempo und damit verbundene Aufgabentypen (z. B. Sprintaufgaben, Lernsprints)
[vgl. auch Lernniveau (Niveaustufen)].
140
4.3.6 Einsatzkontext und -voraussetzungen
Es gibt zahlreiche Ansätze zur Beschreibung des Einsatzkontextes und der -
voraussetzungen. Ziel der Erfassung ist es, Kriterien abzubilden, die es Lehrenden
ermöglichen, die tatsächliche Verwendbarkeit in ihrem Kontext zu prüfen. Die
Verwendbarkeit hängt dabei von technischen und rechtlichen Faktoren ab. Im
Folgenden werden einige Attribute vorgestellt, die unter diese Kategorie subsumiert
werden können.
Mögliche Kriterien zur Prüfung der Verwendbarkeit von Ressourcen in der Praxis:
(1) Soft-/Hardwarevoraussetzungen (vgl. Technische Voraussetzungen)
(2) Zugangsvoraussetzungen
(3) Nutzungsbedingungen (additiv zu Lizenzen)
(4) Kosten, die mit dem Einsatz verbunden sind (z. B. Hardware, Software, Lizenzen, …)
(5) Kinder- und Jugendschutz (z. B. FSK-, USK-, PEGI-Bewertungen, …)
(6) Rechtliche Konformität (z. B. DSGVO, URL zur Datenschutzerklärung, …)
(1) Soft- und Hardwarevoraussetzungen
Die Angabe von Soft- und Hardwarevoraussetzungen unterstützt Lehrende bei der
Einschätzung, ob Sie diese Ressourcen in ihrer Umgebung verwenden können, vgl.
Technische Voraussetzungen.
(2) Zugangsvoraussetzungen
Auch Kriterien für einen Zugang oder die Nutzung einer Ressource spielen eine Rolle. So
ist beispielsweise für die Nachnutzung von Ressourcen relevant, ob damit verbundene
Dienste eine Anmeldung erfordern, frei zugänglich oder auf bestimmte
Personengruppen beschränkt sind (vgl. Nutzungsbedingungen), ob spezielle
Authentifikations- oder Autorisationsverfahren notwendig sind oder auch physische
Konditionen oder Bildungsnachweise, beispielsweise für ein Hochschulstudium.
● Zulassungsmodus (Hochschulkompass):
zulassungsfrei, ohne NC (ggf. mit Anmelde- oder Auswahlverfahren), örtlich
zulassungsbeschränkt, mit NC (ggf. mit Anmelde- oder Auswahlverfahren), bundesweit
zulassungsbeschränkt, Auswahlverfahren/Eignungsprüfung
Tabelle: Vergleich verschiedener Wertelisten für Zugangsvoraussetzungen
WLO:oeh_quality_login
WLO:conditionsOfAccess
AMB:conditionsOfAccess
Ohne Login zugänglich
ohne Anmeldung
Keine Anmeldung erforderlich
Anmeldung erforderlich für erweiterte
Funktionen
Zugang nur mit Login
Anmeldung notwendig
Anmeldung erforderlich
141
Attribute in Metadatenstandards
● DCMI: accessRights (Zugriffseinschränkungen (z. B. Datenschutz, Sicherheit, Richtlinien)
● Common Education Data Standard: Learning Resource Access Rights URL
● schema.org: conditionsOfAccess
● AMB: conditionsOfAccess
(3) Nutzungsbedingungen (additiv zu Lizenzen)
Insbesondere digitale Lernumgebungen und Werkzeuge sowie eingebettete
Lernobjekte können Nutzungsbedingungen unterliegen, zum Beispiel aufgrund
rechtlicher Restriktionen. Dies ist besonders relevant, wenn keine einfacher zugängliche
und verständliche Lizenzierung angeboten werden kann, beispielsweise bei
Bildungsressourcen, die nicht als OER veröffentlicht werden können oder dürfen (vgl.
auch LOM 6.3, DCMI:Use Rights URL).
Weitere Beispiele: GEMA- / GVL-pflichtige Medien
Exemplarische Wertelisten:
● LOM-EAF: GEMA-Hinweise
Attribute in Metadatenstandards
● LOM:
○ 6.2 - Nutzungseinschränkungen
○ 6.3 - Nutzungsbedingungen
● LRMI: useRightsUrl
● schema.org: usageInfo
(4) Kosten, die mit dem Einsatz verbunden sind (Hardware, Software, Lizenzen)
Unter Umständen sind monetäre Aufwendungen für die Nutzung einer Ressource
notwendig. Erfordert ein didaktisches Konzept den Einsatz bestimmter Hardware (z. B.
VR-Headsets, Kopfhörer, o. Ä.) oder müssen zur Nutzung Lizenzen (z. B. Software-
Abonnements) erworben werden, so ist eine frühzeitige Kenntnis essenziell für
Lehrende, um bspw. Budget planen oder Erwerbsprozesse initiieren zu können. Nicht
selten ist eine ökonomische Planung entscheidend, ob eine Ressource schlussendlich
verwendet werden kann. Die Educational CAD Model Library unterscheidet Kosten für
Verbrauchsmaterial und Kosten wiederverwendbares Material in Verbindung mit der
Nutzung, Herstellung und Montage von CAD-Modellen (Bull et al., 2023).
Mögliche exemplarische Operationalisierungen des Feldes:
● Kostenpflichtig: ja/nein
● Kosten: numerische Angabe
142
Attribute in Metadatenstandards
● LOM: 6.1 - Kosten
● schema.org: isAccessibleForFree, price
● AMB: isAccessibleForFree
(5) Kinder- und Jugendschutz
Nicht alle Inhalte sind für sämtliche Altersklassen geeignet. Um altersgerechte
Einschätzungen vornehmen zu können, bieten sich gängige Einschätzungen im Bereich
des Kinder- und Jugendschutz an, darunter unter anderem FSK-, USK- oder PEGI-
Bewertungen.
Exemplarische Wertelisten:
● WirLernenOnline: FSK-Rating
● SODIX: Freiwillige Selbstkontrolle der Filmwirtschaft
● LOM-EAF: FSK-Vermerke
Attribute in Metadatenstandards
● schema.org: contentRating
(6) Erfassung der rechtlichen Konformität in der Praxis
Die Beurteilung des Datenschutzes ist für einige Ressourcen mitunter nicht leicht.
Werden Kriterien von Ministerien betrachtet (Medienberatung NRW, 2019), sind
insbesondere Bewertung von Kategorien wie „DSGVO-Konformität“, „Auftragsdaten-
verarbeitung“ und „Weitergabe von Daten an Dritte“ ausschlaggebend, ob ein Einsatz
der Ressource erfolgen kann oder darf (MSB, 2023). Gesetze bilden somit eine
Grundlage, um mögliche Aspekte für Kriterien auszumachen, anhand derer Lehrende
die Einsetzbarkeit in ihrem Kontext evaluieren können.
So würden sich etwa folgende Kategorien anbieten:
● „Verarbeitungszweck“ (z. B. Marktforschung, Personalisierung, …),
● „Speicherdauer“ (z. B. 1 Jahr, …),
● „Datenkategorien“ (z. B. Telefonnummer, E-Mail-Adresse, …),
● „Besondere Datenkategorien“ (vgl. Art. 9 DSGVO)
● „Übermittlung von Daten an Drittstaaten“ (ja/nein)
(bzw. eine genaue Erfassung der Übermittlungsorte und/oder Speicherorte)
Der (vorläufige) Ansatz von WirLernenOnline / Open Edu Hub zur Bewertung des
Datenschutzes ist vergleichbar mit einem Ansatz des DigitalLearningLab (vgl. Tabelle
“Skalen zum Datenschutz”). Die Skalen zum Datenschutz orientieren sich an einer
Einschätzung zur Datensparsamkeit und Datenminimierung als ein Grundprinzip des
Datenschutzes (BDSG, DSGVO), um Ressourcen zu klassifizieren. Mit der Skala des
Digital.learning.lab geht indirekt die pseudonyme bzw. anonyme Nutzbarkeit von
143
Ressourcen einher, welche für Nachnutzende eine praktische Angabe darstellen kann
und indirekt ebenfalls Bezug zur Thematik „Datenschutz“ und „Persönlichkeitsrechte“
hat.
Tabelle: Skalen zum Datenschutz
WirLernenOnline / Open Edu Hub Skala
Digital.Learning.Lab-Skala
0D: „heimlich unangemessen
datensaugend“,
1D: „intransparent unangemessen viel
datensaugend“,
2D: „intransparent Daten saugend“,
3D: „transparent unangemessen viel
datensaugend“,
4D: „angemessen viele Daten mit
Einverständnis“,‘
5D: „keinerlei Datenweitergabe“
0: „Unbekannt“
1: „Es werden keinerlei Daten erhoben“
2: „Personenbezogene Daten wie z. B. Logins werden
geschützt auf dem Server abgelegt. Es greift die EU-
Datenschutz-Grundverordnung.“
3: „Personenbezogene Daten werden erhoben. Dritte
haben Zugriff auf diese Daten. Es greift die EU-
Datenschutz-Grundverordnung.“
4: „Personenbezogene Daten werden erhoben. Es
greift NICHT die EU-Datenschutz-Grundverordnung.“
Die (vorläufige) Skala von WirLernenOnline / Open Edu Hub scheint ohne nähere
Operationalisierung möglicherweise zunächst zu subjektiv. Die Schwierigkeit besteht bei
dieser Skala in der Erhebung bzw. Einschätzung der „Angemessenheit“, „Transparenz“,
„Datenweitergabe“, der Definition von „datensaugend“ sowie der Erhebungsgrundlage
„Einwilligung (Einverständnis)“. Letzteres stellt nur eine einzelne Erhebungsgrundlage
der DSGVO dar, wenngleich es anderweitige Grundlagen abseits des Einverständnisses
geben kann (vgl. Art. 6 DSGVO).
Im ComeIn Projekt wurde das Credo verfolgt, keine Ressourcen zu erfassen oder zu
entwickeln, die als „intransparent“ oder „unangemessen“ (eine Einstufung von 0D-3D
auf der WLO-Skala) hinsichtlich des Datenschutzes empfunden werden. Die Prüfbarkeit
der Kriterien (Un-/Angemessenheit sowie Anzahl/Art der Datenweitergabe) ist jedoch
nicht immer unmittelbar gegeben.
Aufgrund der eher statischen Bereitstellung von Metadaten zu einem bestimmten
Zeitpunkt und der dazu konträr entgegenstehenden Schnelllebigkeit der Entwicklung
von Anwendungen und rechtlichen Rahmenbedingungen scheint ein praktikablerer
Weg zur Einschätzung des Datenschutzaspektes nötig.
Während das Digital.learning.lab in den Metadaten eine umfangreiche Skala anbietet,
so werden Nutzenden zur Filterung in der Benutzungsoberfläche lediglich zwei Kriterien
und eine Ausweichmöglichkeit angeboten:
● Konformität: “DS GVO-Richtlinien werden eingehalten: Nutzung im Unterricht
unbedenklich”
● Nicht-Konformität: “DS GVO-Richtlinien werden nicht eingehalten: Nutzung im
Unterricht bedenklich”
● Unbekannte Konformität: “DS GVO – Richtlinien sind unbekannt: Nutzung im Unterricht
nicht beurteilbar”
144
Dieser reduzierte Ansatz im Frontend des Digital Learning Lab / Tool ist vergleichbar mit
dem Projekt ComeIn und einem Attribut von WirLernenOnline / Open Edu Hub, bei
welchem ebenfalls nur eine Konformität bzw. Nicht-Konformität ausgewiesen wird.
ComeIn:dsgvoCompliance und WirLernenOnline:dataProtectionConformity
Da es Erfassenden von Metadaten häufig nicht ohne Weiteres möglich ist, die
datenschutzrechtliche Unbedenklichkeit eines entsprechenden Angebotes gesichert
festzustellen, scheint eine entsprechende Deklaration der Konformität des
Bildungsangebots unter Umständen zunächst hinreichend. Somit kann ein Feld, wie
dataProtectionConformity, zur Erfassung der DSGVO-Konformität entsprechend einer
möglichen Kennzeichnung durch die Ressource und/oder das Angebot festgelegt
werden. Weiterhin besteht hier die Möglichkeit, automatisierte Einschätzungen
vorzunehmen, beispielsweise durch Detektion verwendeter Trackingmaßnahmen oder
die geographische Verortung eingebetteter Inhalte von Dritten.
ComeIn:privacyPolicyURL
Indikatoren für eine Konformität finden sich womöglich auch in der
Datenschutzerklärung der Ressource. Anbieter von Tools/Apps weisen in der Regel eine
Datenschutzerklärung aus, die als URL erfasst werden kann, was beispielsweise
Verantwortlichen oder Nachnutzenden eine Beurteilung entsprechend der aktuell
gültigen Kriterien (je nach Institution, Zielgruppe, Bundesland o.ä.) ermöglicht.
Das Verfahren kann Erfasser*innen von Ressourcen (auch rechtlich) entlasten, indem
diese rechtlich komplexe Einschätzung nicht eigenständig erfolgen muss und
andererseits dennoch den Nachnutzenden ein Verfahren zur eigenständigen
Überprüfung anbietet.
Anwendungsberechtigungen als Kriterium zur Evaluation des Datenschutzes
In Abhängigkeit von der Plattform des Tools oder der App sind oftmals
Berechtigungsanforderungen relevant. Mobile Endgeräte besitzen eine Reihe von
Sensoren, die insbesondere auch besonders schützenswerte personenbezogene Daten
(bspw. Gesundheitsdaten) erfassen können (vgl. Art. 9 DSGVO). Daher können nötige
Berechtigungsanforderungen eine mögliche Grundlage der Beschreibung von
Datenschutzaspekten bilden (vgl. technische Voraussetzungen).
Beispiel:
● Android: Berechtigungen
● Apple: Platform Security
In einem Frontend könnte beispielsweise via Ikonografie die angeforderte Berechtigung
(z. B. Standort, Mikrofon, Kamera, etc.) festgehalten werden, die für den Bereich
„Datenschutz“ relevant erscheint.
145
Dies ist vergleichbar mit „Privacy-Rating/-Grading/-Ranking“-Ansätzen, wie
● PrivacyGrade Apps - Projekt (Archiv)
● MobilSicher AppChecker
● CommonSense Privacy Program
● Open Web Application Security Project (OWASP):
Mobile Application Security Testing Guide
oder Projekten, die Webseiten nach Indikatoren scannen (jedoch eher in technischer
Hinsicht), wie die Nutzung von Tracking-Diensten (Google Analytics, Matomo/Piwik), die
Einbettung von Inhalten Dritter o.ä.
Weitere Prüfkriterien
Im Projekt eduCheck digital (FWU) werden entsprechende Prüfkriterien für
Bildungsangebote entwickelt, die auch einen Bereich “Recht & Datenschutz” beinhalten,
beispielsweise mit der vorläufigen Checkliste (FWU, 2024):
● Daten werden nur für Nutzung des Angebots verarbeitet
● Betroffenenrechte werden umgesetzt
● Vollständige und leicht auffindbare Datenschutzerklärung
● Datenschutzkonforme Nutzungsbedingungen/AGBs
● Implementiertes Löschkonzept
Dabei wurden vergleichbare Initiativen berücksichtigt, wie beispielsweise die „Safer
Technologies 4 Schools“ (Archiv) aus Australien.
4.3.7 Individualisierung und Personalisierung
Dieses Attribut spiegelt den Wunsch von Lernenden und Lehrenden wider, Ressourcen
passgenau auf Lernprofile und Präferenzen auszusuchen und abzustimmen. Ohne
nähere Betrachtung datenschutzrechtlicher Kritik könnten Profildaten von Lernenden
genutzt werden, um genau die Ressourcen individuell auszusuchen, die bestmögliche
Passung aufweisen. Dadurch ließen sich Szenarien realisieren, die adaptiv Lernpfade
nach Interessen und Kompetenzen ihrer Nutzer*innen bereitstellen.
Um eine entsprechende Individualisierung zu erreichen, ist es nötig, dass die
Informationen mit möglichst hohen rechtlichen und ethischen Standards erhoben und
selbst souverän verwaltet werden können. Die Herausforderung liegt auch hier in der
nicht vorhandenen maschinenlesbaren Abbildung entsprechender, validierter Modelle
zur Abbildung individueller Kompetenzprofile (vgl. Abschnitt “Lernvoraussetzungen,
-ziele und -kontrollen").
146
4.3.8 Gruppengröße, Klassengröße
Mit diesem Attribut wird die Größe der Lerngruppe gekennzeichnet, für die eine
Ressource konzipiert wurde oder geeignet ist.
Entsprechend möglicher Formen der Unterrichtsorganisation dient das Attribut zur
Orientierung und Einschätzung einer Passgenauigkeit für die jeweilige Größe der
intendierten Lerngruppe. So erfordern methodische Großformen, wie zum Beispiel ein
projektorientierter Unterricht, bestimmte Sozialformen (z. B. Gruppenarbeiten), oder
auch kollaborative und kooperative Unterrichtsmethoden (z. B. Gruppenpuzzle) eine
bestimmte Anzahl von Personen, damit die Bildungsressourcen verwendet werden
können. Dadurch wird deutlich, dass eine Verwandtschaft zu anderen Attributen
besteht. Ähnlich wie beim typischen Alter ist die Erfassung einer Spanne der
Gruppengröße denkbar (numerisches Intervall). Das Attribut unterstützt die
Bedingungsanalyse der Unterrichtsplanung.
Verwandt: Arbeits-/Sozialformen (vgl. auch Anlage “Zusammenstellung additiver
Wertelisten”), Lern-/Unterrichtsaktivitäten, Lehr-/Lernmethoden.
4.4 Diskussion: Heterogenität didaktischer Metadaten und Kontexte
Im Vergleich zu anderen Metadaten sind didaktische Metadaten häufig schwieriger zu
fassen. Welche Herausforderungen ergeben sich hinsichtlich der Erfassung und
Nutzung didaktischer Metadaten?
Bildungsföderalismus und Interdisziplinarität didaktischer Metadaten
Im Gegensatz zu anderen Attributen ist in Deutschland der föderalistische Kontext und
die Struktur des Bildungswesens zu berücksichtigen. Im institutionellen Bildungswesen
(im Schulbereich) liegt das Thema Bildung in der Hoheit der Länder. Dies führt bei
denselben Attributen teils zu gänzlich anderen Wertebereichen, was
länderübergreifende Angebote vor große Herausforderungen stellt und eher dazu führt,
dass entsprechende Dienste die ursprünglichen Wertebereiche entweder generalisieren
und Werte damit abstrakter werden, oder diese didaktischen Attribute sogar gänzlich
entfallen, damit eine Zusammenführung möglich wird.
Der Hochschulbereich ist hinsichtlich der Modulkataloge und angestrebten
Kompetenzen aus unterschiedlichen Studienbereichen vergleichbar heterogen
strukturiert. Modulkataloge ließen sich zwar maschinenlesbar abbilden, jedoch liegen
auch diese Daten oft nicht öffentlich zugänglich und entsprechend aufbereitet vor.
147
Didaktische Metadaten sind interdisziplinär und hängen daher mit einer Vielzahl von
Domänen, wie Pädagogik, Sozial- oder Bildungswissenschaften zusammen. So
facettenreich die jeweiligen Fachwissenschaften und Fachdidaktiken sind, so
differenziert ließen sich auch potenzielle didaktische Metadaten erfassen. Die
Herstellung eines Konsenses bindet zeitliche und personelle Ressourcen, falls dieser
aufgrund unterschiedlicher Meinungen überhaupt hergestellt werden kann.
Dieser Umstand führt gelegentlich zu der grundsätzlichen These, dass die Entwicklung
einheitlicher Felddefinitionen und Wertebereiche für didaktische Metadatenfelder nicht
abschließend möglich sei, auch da disparate theoretische Fundierungen einer
Standardisierung didaktischer Kategorien entgegenstehen (Arnold et al., 2003, S. 380f).
Die Anschlussfähigkeit von Begrifflichkeiten zwischen einzelnen Disziplinen oder gar mit
internationaler Perspektive hinsichtlich soziologischer oder kultureller Übertragbarkeit
von Konzepten wird dabei kritisch betrachtet (Arnold et al., 2003, S. 383; Recker & Wiley,
2001, S. 259). Auch von den Ressourcenersteller*innen wird gelegentlich das Argument
angeführt, dass sich didaktische Perspektiven teils nicht in enge kategoriale
Standardisierungen einzwängen ließen, wenngleich Metadaten lediglich Ressourcen
ergänzen und diese nicht ersetzen.
Darüber hinaus herrscht Unsicherheit, inwiefern Bestrebungen zur Standardisierung
zugleich eine reglementierende Wirkung haben (Arnold et al., 2018, S. 425). So gibt es
zwar Ansätze für Vokabulare, beispielsweise von Lehr-/Lernformen, Methoden,
Lernzielen, Aufgabenformaten, oder ähnlichen Kategorien, jedoch scheint weiterhin
eine Normierung kaum möglich (Arnold et al., 2003, S. 381), selbst wenn diese im
Hinblick auf die eigentlichen Ressourcen nur einen begleitenden, deskriptiven Charakter
hat.
Expressivität didaktischer Metadaten
Wie das vorangegangene Kapitel zeigt, lassen sich ähnliche Nutzungsszenarien mittels
zahlreicher Attribute durchaus unterschiedlich realisieren. Dabei sind viele didaktische
Metadaten miteinander verwandt oder bedingen einander, sodass die Intention der
Erfassung bestimmter didaktischer Metadaten durch verschiedene Varianten realisiert
werden kann.
Zeitlicher, struktureller und politischer Wandel des Bildungssystems
Auf die Diskussion der letzten Jahre (Jahrzehnte) zurückblickend ist anzumerken, dass
sich auch nach mehr als 20 Jahren (vgl. die Diskussion in Arnold et al., 2003) kein
einheitliches Set an Attributen, geschweige denn Wertelisten, etabliert hat. Die
grundlegende Diskussion und derzeitige Datenlage weisen darauf hin, dass sich auch in
den nächsten Jahren kein einheitliches Set flächendeckend etablieren wird. Die Gründe
dafür sind zahlreich.
148
So ist der Bildungsbereich ein recht dynamisches Feld, dessen Paradigmen ständig
neuen Forschungsergebnissen und einem systemischen sowie politischen Wandel
ausgesetzt sind, sodass sich potenziell relevante Aspekte von Ressourcen oder
Wertebereiche der Felder fortlaufend ändern. Aktuellere Kontroversen umfassen dabei
beispielsweise auch bereits grundlegende Konzepte, wie die Systematisierung von
Ressourcen nach Schularten, die als Abbildung der derzeitigen Bildungslandschaft
teilweise durch Portale oder Verlage erfolgt, um beispielsweise Material aufgrund von
Unterschieden in den Lehrplänen für einzelne Schularten zu differenzieren. Während
hingegen postulierte Bildungstrends zur Auflösung eher artifizieller Schularten in dieser
Debatte auszumachen sind und sich insbesondere auch durch Inklusion
binnendifferenzierende Ansätze in Schulen durchsetzen, steht die Systematisierung
nach Schularten teils grundlegend in der Kritik, auch aufgrund der selektiven
Konnotation von Begrifflichkeiten oder des womöglich indirekt implizierten
Unterschieds hinsichtlich der Niveaustufe, wenn eine Kategorisierung von Ressourcen
nach Schularten vorgenommen würde. Ein struktureller Wandel des Bildungssystems
führt zugleich dazu, dass derzeit im Vokabular “Schulart” noch enthaltene Werte wie
“Hauptschule” anderen Werten weichen müssen oder die Systematisierung dieser
Ressourcen perspektivisch grundsätzlich anders erfolgt. Dahingehend wird
beispielsweise eine eher abschlussorientierte Systematisierung von Ressourcen als
vielversprechender und unter Umständen stabiler betrachtet.
Multiperspektivität der Zuweisung von Metadaten
Eine weitere Herausforderung didaktischer Metadaten besteht in der Zeitlichkeit und
Perspektivierung der jeweiligen Wertzuweisungen für Attribute in Anbetracht der
heterogenen und zukünftigen Nutzungskontexte von Ressourcen.
Aus welcher Perspektive sollten die Metadaten zugeordnet werden?
Aus der Sicht der Lernenden, Lehrenden oder beiden Gruppen?
So finden sich in LOM-CH beispielsweise zwei Attribute zur Lernzeit, nämlich einerseits
für die Zielgruppe (z. B. Lehrende) (LOM-CH 5.9) und andererseits für die
Endnutzer*innen (z. B. Lernende) (LOM-CH 5.9.2) (Educa, 2020). Auch bei den
Zielgruppen selbst werden die unterschiedlichen Perspektiven deutlich. So wird im
Projekt “Gateway to Educational Materials (GEM)” die Frage gestellt, wem die Ressource
als Werkzeug dient (Lehrende) und wer die letztlich Begünstigten dieses Werkzeuges
sind (Lernende) (Caplan, 2003, S. 120). Auch im ComeIn Projekt wird versucht die
Beschreibung konsistenter zu gestalten, indem im Beschreibungsschema und den
dazugehörigen Hinweisen zur Handhabung für Ressourcenersteller*innen oder -
erfasser*innen der explizite Fokus auf Lernende gelegt wird (AG Imedibi, 2023a, 2023b).
149
Hierbei ist zu berücksichtigen, dass viele Projekte mit generischen Rollen aus
Metadatenstandards arbeiten (Lehrende und Lernende), bei ComeIn jedoch konkrete
Personengruppen benannt werden.
Daraus ergeben sich weiterführende Fragen:
Wie sollen Attribute wie Schwierigkeit oder Lerndauer sinnvoll zugeordnet werden,
wenn die Gruppe der potenziell Nutzenden eventuell noch unbekannt ist? Stehen dabei
eher die Inhalte im Fokus der Beschreibungen oder die didaktische Implementation der
Ressourcen durch Lehrende?
Didaktische Konzepte
Didaktische Anmerkungen und Beschreibungstexte unterscheiden sich womöglich
inhaltlich, je nachdem, welche Gruppe von Personen angesprochen werden soll (z. B.
Eltern, Schüler*innen, Lehrende als Multiplikator*innen). Wenn es zudem
entsprechender Expertise zur Beschreibung didaktischer Metadaten von
Lernressourcen bedarf (Arnold et al., 2018, S. 427), so ist fraglich, inwiefern Lernende
überhaupt befähigt sind, entsprechende didaktische Kriterien für die Suche und Filter
zielführend zu nutzen (Arnold et al., 2003, S. 384). Die Entwicklungen im Bereich des
maschinellen Lernens können hier sicherlich Hilfestellungen geben, um die
vorhandenen Metadaten im Hintergrund zu nutzen (z. B. kontextualisierte Suchen),
ohne die Nutzenden des Dienstes mit womöglich zahlreichen und umfangreichen
Filterangeboten zu überfordern.
Didaktische Konzepte (Anmerkungen, Beschreibungstexte, …) sind ein exemplarischer
Typ von Ressourcen, der eine duale Perspektive auf die Beschreibung mit didaktischen
Metadaten einfordert. Die Konsistenz der Zuweisungen konkreter Werte in den
jeweiligen Metadatenfeldern wirkt sich dabei auf das intendierte und durch
Nutzer*innen realisierbare Such- und Filterverhalten aus.
Nutzungsszenarien einer rollenbasierten Suche - Eine Frage der Abwägung
Lehrende möchten für ihre anvisierte Zielgruppe, z. B. Schüler*innen einer neunten
Klasse, ein geeignetes didaktisches Lehrkonzept finden, welches sie dann im Unterricht
verwirklichen. Würde nun für ein didaktisches Konzept die Zielgruppe “Lehrende” und
die Bildungsstufe “Fortbildung” als Metadaten zugewiesen, da das didaktische Konzept
sich beispielsweise an Lehrkräfte an einem Gymnasium richtet und zu
Fortbildungszwecken verwendet werden kann, so würde diese Beschreibung in den
Metadaten zunächst nicht beinhalten, wer die “eigentliche” Zielgruppe ist, in diesem
Beispiel: Die Schüler*innen der neunten Klasse als Lernende.
Würde hingegen die Zielgruppe “Schüler*in” und "neunte Klasse” als Bildungsstufe
gewählt, so wäre durch diese Beschreibung zwar das genannte Nutzungsszenario
150
möglich, bei Suchen von Schüler*innen nach Lernmaterial zum eigenständigen Lernen
würde dann jedoch unter Umständen ein Lehrkonzept für Lehrkräfte gelistet, welches
eigentlich nicht unmittelbar für die Nachnutzung durch Schüler*innen bestimmt ist, da
es für die Vermittlung der Inhalte einer Lehrkraft bedarf.
Vergleichbare Schwierigkeiten gibt es bei Lernmaterialien: So bedarf es bei einigen
Ressourcen sicherlich einer didaktischen Rahmung, z. B. wenn Tabellen und Diagramme
als Suchergebnisse gelistet würden, diese jedoch ohne Aufgabenstellung,
Interpretationshinweise oder einen didaktischen Kontext für das eigenständige Lernen
womöglich nicht unmittelbar genutzt werden können. Ein Lösungsansatz ist die
Verwendung weiterer didaktischer Felder wie die Lehr-/Lernform zur Kennzeichnung
von Material, das sich zum selbstständigen Lernen anbietet (z. B. Selbstlernmodule).
Didaktische Konzepte sind somit einerseits für Lehrende bestimmt, die diese als Lehre
realisieren und andererseits werden in einem solchen Konzept Zielgruppen
angesprochen, die bei der Umsetzung eines solchen Konzeptes in der Rolle der
Lernenden partizipieren.
Wie lässt sich dieser Konflikt auflösen?
In der Praxis finden sich dazu verschiedene Varianten. Es wird im Wesentlichen versucht,
entweder (1) einen Konsens zu finden, aus welcher Perspektive einzelne
Metadatenfelder beschrieben werden, oder (2) eine doppelte Zuweisung von Metadaten
vorzunehmen. Bei Metadaten-Hubs, die Metadaten verschiedener Portale aggregieren,
ist es schwierig, die unterschiedlichen Ansätze der Beschreibung von Metadaten
aufzulösen.
Beispiel: WirLernenOnline
Bei einer exemplarischen Suche nach dem Ressourcentyp “Unterrichtsplan” und der
ausschließlichen Berücksichtigung der Zielgruppen “Lernende” und “Lehrende”,
wurden für 1744 Ergebnisse bei 276 Ressourcen die Zielgruppe “Lernende” zugewiesen
und bei 1737 die Zielgruppe “Lehrende”. Bei der Bildungsstufe finden sich überwiegend
Zuweisungen von schulischen Stufen, was eine Perspektivierung der Bildungsstufe im
Hinblick auf die Lernenden-Zielgruppe impliziert. Lediglich 81 Ressourcen wurde
mindestens eine der Bildungsstufen “Fortbildung” oder “Erwachsenenbildung”
zugewiesen. Daraus ergeben sich Schlussfolgerungen der Nutzung von Metadaten bei
WirLernenOnline. Dem Ressourcentyp “Unterrichtsplan” wurde überwiegend
“Lehrenden” als Zielgruppe zugewiesen, jedoch Bildungsstufen der Lernenden-
Zielgruppe zugewiesen. Es scheint jedoch auch einige Inkonsistenzen zu geben.
151
Pragmatische Lösungsansätze
Das Bestreben, didaktische Metadaten zu konzeptualisieren, lässt sich auch aus einer
anderen Perspektive adressieren: Der Wunsch, Objekte mit didaktischen Metadaten zu
beschreiben, entspringt selten dem reinen Selbstzweck, denn meist stehen konkrete
Anforderungen hinter diesem Vorhaben. Diese ergeben sich aus intendierten
Nutzungsszenarien im Bildungsbereich oder konkreten Use Cases, die mit einem Dienst
realisiert werden sollen. Um diese Herausforderung anzugehen, stellt sich zu Beginn des
Vorhabens die Frage: Welche Metadaten werden benötigt, um einen konkreten Dienst
im Bildungsbereich bestmöglich zur Verfügung stellen zu können?
Die Beantwortung dieser Frage führt womöglich zu einer wesentlich zielgerichteten
Suche nach passenden Attributen und Wertelisten. Entsteht eine Bildungssuchmaschine
im schulischen Bereich für Lehrkräfte in Niedersachsen? Inwiefern wären Schularten
anderer Bundesländer dann überhaupt relevant? Aufgrund der präzisen Abgrenzung
der Zielgruppe können unter Umständen andere Herausforderungen vernachlässigt
werden, wie auch divergierende Fachsystematiken zwischen verschiedenen
Bundesländern nicht mehr von Interesse wären. Je umfassender ein Dienst werden soll,
desto vielfältiger und damit komplexer werden hingegen auch die benötigten Attribute
und Wertelisten. Eine Bildungssuchmaschine für den deutschsprachigen Raum wird sich
daher mit der Diversität der Fachsystematiken und Schularten auseinandersetzen
müssen, insbesondere, wenn eine große Zielgruppe angesprochen werden soll.
Auch technologische Ansätze helfen, diese Herausforderungen zu lösen. Wie in den
vorigen Abschnitten beschrieben, gibt es Technologien, die eine Vernetzung und das
Mapping verschiedener Wertelisten realisieren können. Die größere Herausforderung
liegt dann in dem Design und der User Experience solcher umfassenden Plattformen.
Um auch diese Herausforderung zu lösen, ist eine Kontextualisierung der Nutzung
hilfreich. Ein Beispiel aus der Suchmaschinentechnologie: Die Ergebnisse identischer
Suchanfragen in populären Suchmaschinen unterscheiden sich, je nachdem, wer sucht,
welche demografischen Merkmale die Person hat, aus welchem Land sie kommt oder
von welchem Standort sie zugreift und anhand vieler weiterer Eigenschaften. Diesen
Dienst, erwünscht oder nicht, kann der Suchmaschinenanbieter anbieten, da zusätzliche
Informationen für eine Suchanfrage erhoben werden, ohne dass Nutzende diese
angeben müssen.
Die Initiative “Mein Bildungsraum” geht einen ähnlichen Weg in der Implementierung
ihrer Wallet-Technologie. Mit der Wallet können die Nutzenden ihre Daten souverän
verwalten und mit verschiedenen Diensten teilen, sofern erwünscht. Anhand dieser
Daten können Dienste adaptive Anpassungen der Funktionalitäten vornehmen. Dies
entbindet die Dienstanbieter*innen jedoch nicht von der Herausforderung, die
relevanten Attribute und Wertelisten zu identifizieren und mit den entsprechenden
Objekten zu verknüpfen, die für die Nutzung ihres Dienstes entscheidend sind.
152
5 Anwendungsfälle didaktischer Metadaten
Um Nutzer*innen hilfreiche Dienste im Bildungsbereich anzubieten, können
verschiedene didaktische Metadaten verwendet werden. Im Folgenden werden
exemplarische Anwendungsfälle beschrieben und Einsatzmöglichkeiten didaktischer
Metadaten aufgezeigt. Wenn vergleichbare Dienste bestehen, werden sie exemplarisch
referenziert. Grundsätzlich ist hervorzuheben, dass die Anwendungsfälle einer
einzelnen, spezifischen Anwendung unter Umständen andere didaktische Metadaten
und insbesondere andere Wertelisten benötigen können, als solche, die bisher
Erwähnung gefunden haben.
Service-interne vs. standardisierte Attribute
An dieser Stelle sei auf die im Abschnitt “Was sind didaktische Metadaten?” getroffene
Unterscheidung zwischen der Verwendung service-interner Attribute und
standardisierter Attribute hingewiesen. Die im vorherigen Abschnitt vorgestellten
Attribute stammen größtenteils aus etablierten Metadatenstandards. Sie werden
explizit zum Datenaustausch verwendet, sodass sie unter Umständen unterspezifiziert
sind, abhängig davon, wie heterogen die Gruppe ist, die sich auf Attribute und
Wertelisten zum Austausch geeinigt hat. Service-intern können wesentlich detailliertere
Attribute und Wertelisten verwendet werden. Eine solche Vielfalt kann in einem
Datenaustausch jedoch nicht immer abgebildet werden.
5.1 Buddy-Finder: Ich will mich vernetzen!
Im Bildungsbereich dient das Konzept des "Buddy Finders" zur Vernetzung und
Kooperation unter Lernenden. Entsprechende Dienste zielen darauf ab, Lernpartner
oder Gruppen mit ähnlichen Bildungsinteressen oder -zielen zusammenzuführen. Sie
können folgende Funktionalitäten bereitstellen:
● Förderung der Vernetzung unter Lernenden: Bildungsdienste bieten eine Plattform,
die es ermöglicht, Kontakte zwischen den Lernenden herzustellen, basierend auf
gemeinsamen Interessen und Bildungszielen.
● Gegenseitige Unterstützung und kollaboratives Lernen: Die Dienste erleichtern die
Bildung von Lerngemeinschaften, um Herausforderungen gemeinsam zu bewältigen,
Wissen auszutauschen und an Projekten zu arbeiten.
● Soziale Inklusion: Besonders in größeren, neuen oder verteilten Lernumgebungen
können Bildungsdienste die Lernenden dabei unterstützen, soziale Kontakte zu knüpfen
und sich in die Gemeinschaft zu inkludieren.
● Anpassung an spezifische Lernbedürfnisse: Einige Buddy-Finder-Systeme bieten
personalisierte Suchfunktionen an, die es den Nutzer*innen ermöglichen,
Lernpartner*innen basierend auf spezifischen Kriterien wie Sprachfähigkeiten oder
Studienrichtungen zu finden.
153
● Nutzung digitaler Technologien: Im Kontext des E-Learnings integrieren Buddy-
Finder-Systeme digitale Werkzeuge, um die Vernetzung und Zusammenarbeit auch in
virtuellen Lernumgebungen zu unterstützen.
Buddy-Finder-Services tragen zur Steigerung der Interaktion, des Austauschs und der
Kooperation unter Lernenden bei, was sich positiv auf die Lernerfahrung und die
akademische Leistung auswirken kann. Denkbar und bereits umgesetzt sind dabei
Dienste für folgende Nutzungsszenarien:
● Miteinander und voneinander lernen (Peer-Learning)
○ Sprachen lernen
■ mit Sprachpartner*innen
■ mit Service / KI
○ Themenbasiert lernen
■ Lerngruppe finden
■ Austausch von Zusammenfassungen
■ Klausurvorbereitung
● Förderung und Nachhilfe (Tutoring) (online/vor Ort)
○ Beantwortung individueller Einzelfragen
● Bildung des persönlichen sozialen Netzwerks
○ Menschen in ähnlichem Bildungsabschnitten oder Bildungseinrichtungen
themenübergreifend kennenlernen
○ informelles Lernen (Freizeit)
Liste exemplarischer Diensten für die genannten Nutzungsszenarien
Miteinander und voneinander lernen
● Sprachen lernen
○ Babbel.com, Duolingo, Interpals.net, HiLokals.com, Speaky.com,
Lingbe.com, hellotalk.com, MyLanguageExchange.com, Fluento,
Preply.com, uvm.
● Themenbasiert lernen
○ Allgemeine Lernpartner*innen, Lerngruppen
■ Peer 2 Peer University (Learning Circles), StudyTogether,
Lernpartnerbörse KIT, Edukatico - WeLearning, Lerngruppen-App
(FernUniversität Hagen), uvm.
■ studyprosc, studydrive, unidog.de, StuDocu, uvm.
(inkl. Austausch von Klausurvorbereitungen und
Zusammenfassungen o.ä.)
○ Kurse
■ OpenHPI, LinkedIn Learning, uvm.
154
Förderung und Nachhilfe (Tutoring)
● Allgemein
○ GoStudent, Schülerhilfe, Nachhilfe.de - Das Vergleichsportal,
Studienkreis, (eBay) Kleinanzeigen, uvm.
● KI-basierte Systeme, u.a. zur Beantwortung individueller Einzelfragen
○ GPTs von OpenAI
○ StuddyBuddy für berufliche Weiterbildung (BMBF)
Bildung des persönlichen sozialen Netzwerks (Networking)
● Menschen in ähnlichem Bildungsabschnitten oder Bildungseinrichtungen
themenübergreifend kennenlernen
○ XING, LinkedIn, uvm.
● informelles Lernen (Freizeit)
○ Buddy.me, spontacts, friendseek.com, uvm.
Zur Umsetzung der genannten Nutzungsszenarien ist der Einsatz verschiedener
didaktischer Metadaten möglich. Dabei muss beachtet werden, dass es sich hierbei um
Services handelt, bei denen nicht der Datenaustausch im Vordergrund steht. Sie setzen
daher auf Attribute und Wertelisten, die sich für ihren Use Case am besten eignen. Diese
können an standardisierte Wertelisten angelehnt sein, werden aber zumeist spezifisch
an den Dienst angepasst und ausgestaltet. Die gelisteten und etablierten Dienste sind
teilweise kommerziell und müssen ihren Nutzer*innen den bestmöglichen Service sowie
verständliche Nutzungsoberflächen zur Verfügung stellen, um sich am Markt zu
behaupten. In der Liste exemplarischer Dienste wird deutlich, dass sich die meisten
Anbieter qualitativ auf einzelne Nutzungsszenarien spezialisieren und nicht alle
vorstellbaren Nutzungsszenarien verwirklichen.
Buddy-Finder-Services agieren im sozialen Bereich, indem sie Menschen miteinander in
Kontakt bringen, die gemeinsam oder voneinander lernen wollen.
25
Die didaktischen
Metadaten, die bei Nutzung der Services erhoben werden, sind recht reduziert und
beschränken sich überwiegend auf Sprache und Sprachniveau (bei Diensten zum
Erlernen einer Sprache), Fach und Thema und bisweilen Bildungskontext oder Abschluss
(insbesondere bei Nachhilfe). Die weitere Passung der jeweiligen Buddys wird sodann
unter den Nutzer*innen sondiert. Neben diesen Daten werden oft weitere,
personenbezogene Daten erhoben (Name, E-Mail etc.), die jedoch nicht den
didaktischen Metadaten zugehörig sind.
Exemplarische Metadaten
● Sprachen lernen: Sprache, Sprachniveau, (Ort)
● Lerngruppen / Lernpartner finden: Fach / Thema, (Kurs)
● Nachhilfe: Fach / Thema, Bildungskontext, Abschluss, (Preis)
25
Eine Ausnahme bilden die Software- oder KI-basierten Buddy-Finder, die bisweilen mit
Gamification-Elementen und Ranglisten eine soziale Komponente integrieren.
155
5.2 Persönliche Lernpfade: Wie geht es jetzt weiter?
Empfehlungen zu passenden Lernpfaden helfen Lernenden, ein Lernziel oder Thema
systematisch zu durchdringen, um ihre Lernziele zu erreichen (Raj & Renumol, 2024).
Doch woher stammen Lernpfade, was kennzeichnet sie und wie kann eine Empfehlung
für einen Lernpfad erfolgen?
5.2.1 Bildungsreise: Was ist ein Lernpfad?
Die Metapher der Bildungsreise ermöglicht eine erste Vorstellung der Ausgestaltung
von möglichen Lernpfaden: So können auf einer Reise verschiedene Wege an das Ziel
führen, Erfahrungen gemacht und Etappenziele erreicht werden, es müssen jedoch
womöglich auch Hürden überwunden und Entscheidungen für Routen getroffen
werden, die sich je nach persönlichen Voraussetzungen unterschiedlich eignen.
Das Konzept findet sich bereits zu Beginn des E-Learnings: Lernpfade stellen dabei für
Lernende und Lehrende eine inhaltlich und zeitlich sinnvolle Strukturierung eines
Lernverlaufs innerhalb und zwischen Lernaktivitäten sowie Lernressourcen dar, welche
zum Erreichen eines Lernzieles verwendet werden (Canter et al., 1985; Jih, 1996).
Lernpfade werden dabei besonders im mathematisch-naturwissenschaftlichen Bereich
diskutiert (Goldman, 2020; Hillmayr et al., 2017; Schmidt, 2009). Roth (2014) verweist auf
exemplarische Lernpfade, die von Lehrenden für Lernende bereitgestellt wurden, indem
einzelne Lernhilfen zu einem zusammenhängenden Gesamtkonzept vereint wurden, um
Lernprozesse zu organisieren (Roth, 2014, S. 4–5).
Roth (2014) führt dabei mehrere Definitionen des Lernpfades wie folgt zusammen:
“Ein Lernpfad ist eine internetbasierte Lernumgebung, die mit einer Sequenz von aufeinander
abgestimmten Arbeitsaufträgen strukturierte Pfade durch interaktive Materialien (z. B. Applets)
anbietet, auf denen Lernende handlungsorientiert, selbsttätig und eigenverantwortlich auf ein
Ziel hin arbeiten. Da die Arbeitsaufträge eine Bausteinstruktur aufweisen, können die
Lernenden jeweils für ihren Leistungsstand geeignete auswählen. Durch individuell abrufbare
Hilfen und Ergebniskontrollen sowie die regelmäßigen Aufforderungen zum Formulieren von
Vermutungen, Experimentieren, Argumentieren sowie Reflektieren und Protokollieren der
Ergebnisse in den Arbeitsaufträgen wird, die eigenverantwortliche Auseinandersetzung mit
dem Lernpfad explizit gefördert.” (Roth, 2014, S. 7)
Kerres & Buntins (2020) verbinden Lernpfade mit dem Instruktionsdesign (Instructional
Design), das eine Sequenzierung der präsentierten Inhalte, eine Zuordnung von
Lernaktivitäten und die Überwachung des Lernfortschritts beinhaltet (Kerres & Buntins,
2020, S. 101f). Erste Varianten intelligenter Vorschlagssysteme wurden verwendet, um
den Lernerfolg zu messen und daran anschließende Lernerfahrungen anzupassen
(Kerres & Buntins, 2020) oder Lernpfade dynamisch in Echtzeit zu generieren. Konkrete
Versuche zur praktischen Umsetzung eines solchen Ansatzes waren in der
Vergangenheit kaum sichtbar, erzielten in Metaanalysen teilweise nur geringe Effekte
und galten daher zunächst als wenig aussichtsreich (Kerres & Buntins, 2020, S. 102). Als
156
Ursache dafür wurde der Mangel validierter Ontologien für die Klassifikation von
Lerninhalten und Lernaktivitäten sowie ferner die fehlende Wissensbasis für die Abfolge
von Lerneinheiten ausgemacht (Kerres & Buntins, 2020, S. 102).
26
In jüngster Zeit taucht jedoch wieder die Frage auf, inwieweit maschinell generierte
Empfehlungen auch Lernende bei der Auswahl von Lernressourcen oder bei der
Lernerfahrung unterstützen könnten. Dabei regulieren Empfehlungssysteme
(Recommender Systems) den Lernprozess nicht direkt, sondern überlassen die
Entscheidungen den Lernenden und empfehlen lediglich mögliche Lernpfade (Kerres &
Buntins, 2020, S. 103–104).
5.2.2 Linear, adaptiv oder Empfehlungssystem – Wo liegen
Herausforderungen für Lernpfade?
Grundsätzlich können drei Aspekte bei Lernpfaden unterschieden werden:
● lineare Lernpfade
● adaptive Lernpfade
● Empfehlungssysteme für Lernpfade
Lineare Lernpfade sind als eher statische Abfolge von Lerneinheiten konzipiert, die sich
nicht an den aktuellen Bedürfnissen der Lernenden orientieren. Adaptive Lernpfade
bieten daher einen höheren Individualisierungsgrad, indem Lernumgebungen
ermöglichen, anderweitige Inhalte oder Schritte vorzuschlagen, abhängig vom
individuellen Lernverhalten und Kontext. Zusätzlich entstehen Empfehlungssysteme, die
den Lernenden verschiedene mögliche Lernpfade vorschlagen.
Adaptivität von Lernpfaden
Während bei Roth (2014) die Adaptivität bei Lernpfaden noch keine Erwähnung findet,
ist diese im aktuellen Diskurs um Lernpfade bereits präsenter. Die Adaptivität wird dabei
in Bezug auf Maßnahmen zur Unterstützung von Lernprozessen und Interaktionen der
Lernenden erforscht und diskutiert (Delaunay, 2022; Ezzaim et al., 2023; Jing et al., 2023,
2023; Kabudi et al., 2021; Kurilovas et al., 2014; Normann et al., 2023; Pfaffmann & Roth,
2022; Rahayu et al., 2023; Raj & Renumol, 2022, 2024).
Bei der Gestaltung von Lernpfaden können verzweigte Lernwege integriert werden, die
es beispielsweise ermöglichen, nachfolgende Aufgaben zu differenzieren, basierend auf
der Evaluation des bisherigen Lernerfolgs, des Lernverhaltens oder anderer Faktoren.
Um den individuellen Bedürfnissen von Lehrenden und Lernenden gerecht werden zu
können, ist die adaptive Bereitstellung von Inhalten eine vielversprechende Strategie.
26
Letzterem nimmt sich das CoKoMo-Projekt im Rahmen der Initiative “Mein Bildungsraum” an.
157
Einen höheren Grad an Selbstbestimmung bieten womöglich Empfehlungssysteme für
(KI-generierte)
27
Lernpfade, deren Funktionsweise, Möglichkeiten und Grenzen im
Bildungsbereich aktuell ausgelotet werden (Kerres & Buntins, 2020; Reichow et al., 2022).
Diese Systeme schlagen Lernpfade vor, generieren diese jedoch nicht eigenständig.
Ontologie-basierte Methoden sind erfolgsversprechend bezüglich personalisierten
Empfehlungssystemen (Raj & Renumol, 2024).
Exemplarische Funktionsweisen von Vorschlagssystemen
Vorschlagssysteme können Lehrende dabei unterstützen, erfolgreiche Lernpfade zu
erstellen, um personalisiertes Lernen zu ermöglichen, beispielsweise indem Lernende
anhand verschiedener Faktoren gruppiert werden, um diesen adaptiv Feedback
bereitzustellen (Jyothi et al., 2012). Um Lerntypen zu klassifizieren, werden verschiedene
didaktische Metadaten aus den Lernumgebungen extrahiert (Felder & Silverman, 1988;
Jamali & Mohamad, 2018; Jyothi et al., 2012). Vorschlagssysteme für Lernende versuchen
bisweilen auch die Lernpräferenzen und Interessen zu berücksichtigen (Ma et al., 2023).
Ebenso ist die Beziehung zwischen den Ressourcen relevant, etwa die semantische
Struktur eines Sachgebiets, wie z. B. etwaige Ähnlichkeitsmaße zwischen Inhalten.
Ebenso können Lernpfade anderer Lerner berücksichtigt werden, die vergleichbare
Merkmale aufweisen (Jyothi et al., 2012; Zhu et al., 2018). Ursprüngliche Verfahren zur
Erhebung von Faktoren zur Bereitstellung von Vorschlagssystemen basieren häufig auf
entwickelten Fragebögen zur Charakterisierung des Lernenden. Neuere Verfahren
versuchen diese Faktoren unmittelbar aus den Lernumgebungen zu ermitteln (bspw.
mittels Learning Analytics).
Varianten zur Generierung von Lernpfaden
Die Generierung und Analyse individueller und adaptiver Lernpfade innerhalb digitaler
Lernumgebungen wird in zahlreichen Forschungsbestrebungen in unterschiedlichen
Kontexten untersucht (Kabudi et al., 2021; Oellers et al., 2024; Rahayu et al., 2023; Raj &
Renumol, 2024; Rivera Muñoz et al., 2022), wie auch die etwaigen potenziellen
Unterstützungsmaßnahmen auf diesen Lernwegen und die Auswirkungen diverser
Faktoren auf den Lernerfolg (vgl. Visible Learning MetaX, Hattie-Wiki: Faktoren) (Hattie,
2023). Eine Lernunterstützung kann neben einer adaptiven Sequenzierung vielfältig
ausgestaltet sein, z. B. mittels Scaffolding, Feedback, Prompting oder Cueing im
Lernprozess (vgl. auch: Lernumgebungen: Diagnostik und Förderung).
Die Generierung von Lernpfaden kann durch Menschen erfolgen, aber auch durch
Maschinen, wenngleich die maschinelle Form der Generierung nach Kerres bislang eher
bei theoretischen Prototypen geblieben ist (Kerres & Buntins, 2020, S. 102). Während
27
Für eine Erläuterung des Zusammenhangs zwischen Empfehlungssystemen und künstlicher
Intelligenz, siehe Ausführungen von Reichow et al. (Reichow et al., 2022, S. 8–9).
158
Lehrende auf ihren Erfahrungsschatz bei der Erstellung von Lernpfaden zurückgreifen
können, um einzuschätzen, welcher Arbeitsauftrag auf einen anderen folgt, können
Maschinen auf diese Erfahrungen bisher nicht systemisch zugreifen. Eine solche
Erfahrung ließe sich zwar durch die Erhebung konkreter Lehr- und Lernmuster
gewinnen, ist jedoch in der Praxis mit vielfältigen Hürden verbunden, wie zum Beispiel
dem unerwünschten Erlernen unproduktiven, menschlichen Lernverhaltens, etwa beim
Training einer künstlichen Intelligenz. Lernförderliche Sequenzierungen durch Lehrende
sind daher unter Umständen vielversprechender.
Voraussetzungen und Herausforderungen für Empfehlungssysteme
Für eine aussichtsreiche, automatisierte Empfehlung müssen technisch verschiedene
Grundbedingungen erfüllt werden, unter anderem eine verlässliche Datengrundlage,
auf deren Basis die Maschine lernen kann sowie strukturierte Daten, die die relevanten
Datenfelder für eine Empfehlung betreffen (Reichow et al., 2022, S. 15–17). Die Schaffung
einer entsprechenden Datengrundlage ist dabei nicht trivial, da einerseits die Maschine
leicht auch unerwünschtes Verhalten lernen kann, andererseits große Mengen an Daten
benötigt werden, um verlässliche Empfehlungen auszusprechen (Reichow et al., 2022, S.
6–8, 16).
Aber auch die Bereitstellung qualitativ hochwertiger strukturierter Daten ist mit
zahlreichen Herausforderungen verbunden. Die Lernobjekte müssen mit didaktischen
Metadaten (z. B. Kompetenzen) verknüpft werden, die ihrerseits entsprechende
semantische Beziehungen aufweisen, zum Beispiel Abhängigkeiten wie
Kompetenzvoraussetzungen. Ohne die Auszeichnung entsprechender Abhängigkeiten
ist eine Umsetzung von adaptiven Eigenschaften schwierig umzusetzen.
Die Verknüpfung von Lernobjekten mit Kompetenzen sowie die technische Abbildung
sind in praktischen Implementierungen bisher kaum etabliert. In der Initiative "Mein
Bildungsraum" befasst sich das CoKoMo-Projekt mit diesem Thema und entwickelt ein
Wissensmodell sowie eine Anwendung, um Wissen und Kompetenzen zu modellieren
und anschließend maschinenlesbar zur Verfügung zu stellen.
Die Verknüpfungen und Abhängigkeiten von Kompetenzen sind elementar für die
Erstellung von Lernpfaden und Empfehlungssystemen im Bildungsbereich, da sie anders
funktionieren als Empfehlungssysteme, die wir im Alltag nutzen (bspw.
Inhaltsempfehlungen von Spotify oder Netflix oder Produktempfehlungen von Amazon)
(Kerres & Buntins, 2020, S. 107).
Nach Verwendung eines Lernobjektes kommt nicht jedes beliebige weitere Objekt in
Frage, sondern eines, das auf diesem aufbaut und Lernende einen Schritt näher an das
gesetzte Lernziel bringt. Zusätzlich muss beachtet werden, dass durch die reine
Verwendung eines Lernobjektes nicht davon ausgegangen werden kann, dass ein
Lernziel auch erreicht wurde. Um Lernende auf einem lernförderlichen Pfad zu halten,
muss demnach kontinuierlich überprüft werden, ob entsprechende Lernziele erreicht
159
wurden (z. B. Kompetenzen vorhanden sind), auf Grund derer automatisiert
entsprechende weitere Lernobjekte (oder Lernpfade) vorschlagen werden.
Die eingesetzten Technologien für Empfehlungssysteme, aber auch für die Erstellung
von Lernpfaden, reichen dabei von statistischen Methoden bis zu komplexen
neuronalen Netzen. Bei letzterem Vorgehen ist zum Teil nicht mehr konkret
nachvollziehbar, weshalb entsprechende Empfehlungen ausgesprochen werden, womit
zugleich ethische Herausforderungen einhergehen (Kerres & Buntins, 2020, S. 108f;
Reichow et al., 2022, S. 8f).
Obwohl Technologien und Theorien vorliegen, um diesen Herausforderungen zu
begegnen, ist es nicht trivial einen entsprechenden Service zu entwickeln:
● Die Kompetenzkataloge liegen häufig in keiner maschinenlesbaren Fassung vor.
● Kompetenzkataloge unterscheiden sich aufgrund föderaler oder institutioneller
Strukturen teilweise stark. Um übergreifende Services anzubieten, ist ein entsprechendes
Mapping nötig.
● Lernobjekte sind nicht mit Kompetenzmetadaten verknüpft.
Grafik: Zusammenhänge zwischen Kompetenzen
mit Elementen aus dem Medienkompetenzramen NRW (Blodau et al., 2019).
Fachlich sind Zusammenhänge zwischen Kompetenzen definierbar (hier: “setzt voraus”), jedoch
liegen diese Informationen meist nicht maschinenlesbar vor, sondern z.B. als Text/Grafik.
Existierende Implementierungen, wie Aleks oder Bettermarks, stammen häufig aus dem
MINT-Bereich, da sich die dortigen Kompetenzen gut systematisieren und
hierarchisieren lassen. Eine Übertragung in geisteswissenschaftliche Themen wird als
herausfordernd betrachtet (Euler et al., 1987, S. 77). Die im Kapitel zum Buddy-Finder
160
vorgestellten tutoriellen Sprachlernapps können als sehr spezialisierte Lernpfadfinder
angesehen werden.
Wirksamkeit adaptiver Lernsysteme
Hinsichtlich der Wirksamkeit adaptiver Systeme gibt es Kontroversen. Während einige
Befunde auf eher kleinere Effekte hindeuten (Kerres & Buntins, 2020, S. 102),
schlussfolgern Hillmayr et al.:
“Intelligente Tutorensysteme, die eine Anpassung an den individuellen Lernstand der
Nutzer sowie differenziertes Feedback zur Aufgabenlösungen ermöglichen, weisen daher
eine vergleichsweise hohe Wirksamkeit auf.” (Hillmayr et al., 2017, S. 24).
Das Spektrum der Ergebnisse hinsichtlich der Wirksamkeit macht deutlich, dass das
Thema in der Forschung derzeit kontrovers diskutiert wird.
5.2.4 Wie kann ein Lernpfad angepasst werden?
Im Folgenden werden lerntheoretische Aspekte, besonders im Hinblick auf die
Adaptivität, betrachtet. Anschließend wird auf potenziell einsetzbare didaktische
Metadaten eingegangen.
Ein Lernpfad ist zunächst eine strukturierte Sammlung verschiedener Lerneinheiten, die
zum Erreichen eines Lernziels verwendet werden. Für adaptive Lernpfade sollten
Merkmale der Lernenden, des Lernverhaltens und ihres Kontextes berücksichtigt
werden. Adaptives Lernen erfolgt durch die individuelle Anpassung des Lernangebots
oder der Lernumgebung. Damit kann die Adaptivität lebenslanges und
selbstgesteuertes Lernen fördern und sich an die wandelnden Bedürfnisse Lernender
anpassen.
Neben der zunächst vorgestellten Anpassung von Lernpfaden über die didaktische
Sequenzierung von verschiedenen Bildungsressourcen, kann auch eine Anpassung
innerhalb der einzelnen Lernaktivitäten erfolgen. Eine individuelle Anpassung der
Lernpfade kann unter Berücksichtigung verschiedener Merkmale von Lernen und deren
Kontext erfolgen, darunter beispielsweise:
● Motivation
● Lernvoraussetzungen (Vorwissen, bisherige Kompetenzen, …)
● persönliche Lernpräferenzen (Format, Zeit, Sprache, Sequenzierung, …)
● bisheriger Lernfortschritt (Erfüllung von Vorbedingungen, z. B. absolvierte Tests)
● Leistungseinschätzung, bei dynamischer Anpassung von Lernpfaden auch anhand der
aktuellen Leistung oder des aktuellen Lernverhaltens. Grundlage dafür stellen
Vorhersagemodelle aus dem Bereich des prädiktiven Lernens unter Verwendung von
Methoden wie Learning Analytics und Educational Data Mining, künstlicher Intelligenz
oder maschinellem Lernen dar (vgl. Lernumgebungen: Diagnostik und Förderung)
161
Durch die Berücksichtigung von Lerntheorien, -konzepten und -methoden kann der
Lernprozess adaptiv angepasst und unterstützt werden, darunter:
● Active Recall und Spaced Repetition, bspw. beim Vokabellernen
● Zone der nächsten Entwicklung (Vygotskij)
● Cognitive Load Theorie beim Lernen (Sweller & Chandler)
● Cognitive Theory of Multimedia Learning (Mayer)
● Metakognition (Flavell)
● Scaffolding, Modelling, Cueing, Prompting, Fading, Feedback
● Conceptual Change-Ansätze (Chi) [in der Regel in den Naturwissenschaften]
○ Kontinuierlich: Revision/Erweiterung aktueller Wissensvorstellungen
○ Diskontinuierlich: Konträre Vorstellungen oder Fehlkonzepte revidieren, vgl.
dazu auch kognitive Dissonanz (Piaget), “Aha-Erlebnis” (Bühler) sowie Lernen
durch Einsicht (Köhler & Wertheimer)
Daten aus adaptiven Lernerfahrungen können darüber hinaus im Kontext folgender
Themen genutzt werden:
● optimierte Datenanalyse zur Diagnostik (für Lehrkräfte/Institutionen)
● kompetenzbasierte Diagnostik
● Datengestützte Entscheidungsfindung im Bildungswesen
Lernsysteme können Lernobjekte auf verschiedene Arten anpassen, beispielsweise
hinsichtlich der Schwierigkeit, der Instruktion oder dem Format, um verschiedene
Zugänge (z. B. textuell, auditiv, visuell) zu ermöglichen (vgl. auch Barrierearmut).
Adaptives Testen zur Messung des Lernfortschritts erfolgt durch die dynamische
Auswahl und Anpassung des Schwierigkeitsniveaus im Lernprozess.
5.2.5 Warum gibt es überhaupt verschiedene Lernwege?
Das Angebot verschiedener Lernwege zum Erreichen der Ziele dient insbesondere der
Binnendifferenzierung und der Personalisierung des Lernens. So können beispielsweise
weiterführende, vertiefende Aufgaben, Informationen oder Tipps und Hilfestellungen
individuell passgenau bereitgestellt und eine Reihenfolge relevanter Ressourcen
verschiedener Typen dargeboten werden.
Die Auswahl des Schwierigkeitsniveaus hat dabei unter Umständen Einfluss auf die
Lernmotivation. Es sollten vorwiegend keine zu leichten Aufgaben präsentiert werden,
um eine Unterforderung zu vermeiden, wohingegen zu schwierige Aufgaben zu
vermeiden sind, um einer Überforderung vorzubeugen, da ungelöste Aufgaben ggf. zur
Lernfrustration beziehungsweise Abnahme der Lernmotivation führen können. Die
Berücksichtigung der individuellen Profile von Lernenden kann die Lernerfahrung und
den Erfolg verbessern (Imran et al., 2016). Intelligente Vorschlagssysteme
berücksichtigen das Schwierigkeitsniveau und wählen Ressourcen aus, die den
Fähigkeiten des Lerners am ehesten entsprechen.
162
Lernpfade können zum Erreichen des angestrebten Lernziels…
● … über den aktuellen Lernstand informieren und die nächsten Schritte aufzeigen: Wo
stehe ich im Lernprozess, was liegt noch vor mir, wie und womit geht es weiter?
● … helfen, das eigene Lernverhalten zu reflektieren: Welche vorherigen Schritte habe ich
durchgeführt? Welche Ressourcen wurden bereits bearbeitet und betrachtet?
Aus Lehrendensicht können solche Lernpfade auch der Evaluation der Lehre und des
Lernerfolgs dienen, um etwa unverständliche Stellen in Materialien zu verbessern.
Lernwege können verschieden ausgestaltet werden, bspw. durch eine …
● … innere Differenzierung: Verschiedene Lernwege innerhalb einer Ressource (bspw.
branching scenarios, user flows)
● … äußere Differenzierung: Verschiedene, weiterführende Ressourcen
5.2.6 Didaktische Metadaten zur Bereitstellung von Lernpfaden
Didaktische Metadaten sind grundlegende Bausteine zur technischen Realisierung
adaptiver Lernpfade und Vorschlagssysteme.
Lernziele, deren Voraussetzungen und Testung
Hierarchisch strukturierte Themen und Inhalte bauen aufeinander auf und sind
sinnvollerweise sukzessive nacheinander zu erlernen, um systemische Verständnisse in
sachlogischer Reihenfolge erfassen zu können. Eine solche Reihenfolge von Inhalten
wird häufig in Lehrplänen festgelegt. Hier übernehmen strukturelle Metadaten eine
didaktische Funktion und bilden didaktisch relevante assoziative Zusammenhänge
zwischen Ressourcen ab (vgl. strukturelle Metadaten), die wiederum in einem
Vorschlagssystem verwendet werden, welches individuelle Vorschläge basierend auf
dem Lernstand und Lernfortschritt eines Lernenden präsentiert.
Individuelle Anpassung von Lerninhalten an den Lernenden
Durch Erfassung von didaktischen Indikatoren als Lernerfolgskontrolle (Anzahl der
Versuche, Ergebnisse einer interaktiven Aufgabe wie einem Quiz o.ä.), kann die
Niveaustufe adaptiv angepasst werden. So kann der Kontext sowie das Profil eines
Lerners dazu verwendet werden, um unter anderem das Sprachniveau anzupassen oder
Texte durch Strukturierung zugänglicher zu machen, zum Beispiel durch
Hervorhebungen oder Verwendung alternativer Formulierungen (Leichte Sprache). Die
Anpassung auf individuelle Bedürfnisse der Lernenden kann also mithilfe von
didaktischen Metadaten optimiert werden. So können etwa auch spezielle Angebote zur
Förderung gewünschter Kompetenzen oder unter Berücksichtigung inklusiver
Merkmale bereitgestellt werden.
163
5.2.7 Lebenszyklen von Ressourcen und Lernpfaden
Roth geht davon aus, dass Lernpfade von Lehrkräften erstellt werden und zieht keine
automatische Generierung in Betracht. Zu Ende seines Abschnittes hält er ein Plädoyer
dafür, dass Lehrkräfte ihre erstellten Lernpfade teilen sollen und entwirft einen
“Lebenszyklus” (Roth, 2014, S. 20), der stark an die 5V-Freiheiten von
OER (Heck et al., 2020; Muuß-Meerholz, 2015) erinnert. OER
durchlaufen aufgrund der eingeräumten Freiheiten verschiedene
Entwicklungszyklen über die Erstellung hinaus, beispielsweise durch
Anpassungs- und Verteilungsprozesse (Verbesserung von Qualität,
Anpassung für verschiedene Zielgruppen und Zwecke, Nutzung des
OER-Remix-Rechtes, …). Es entstehen verschiedene Versionen und
Abspaltungen (Forks, Branches), insbesondere auch durch die
Freiheit, Inhalte miteinander zu vermischen und dadurch neue Ressourcen zu erstellen.
Bei Bildungsressourcen können Anpassungen darunter die Wiederverwendung von
Inhalten in verschiedenen Nutzungsszenarien (Erfassung, Archivierung, Suche usw.),
Bildungs- und Niveaustufen (Anpassung an Zielgruppen und der Schwierigkeit), für
sprachliche Barrieren und verschiedene Bildungsdienste verstanden werden (Duval,
2001b, S. 458). Diese Freiheiten bringen die Herausforderung mit sich, Metadaten von
Versionen und Varianten derselben Ressource miteinander in Verbindung zu bringen
(JOINTLY.info, 2020).
Linke Grafik: “Die 5V-Freiheiten für Offenheit“ von Julia Eggestein, Jöran Muuß-Merholz u. Jörg Lohrer
unter CC BY 4.0, basierend auf „Defining the ‘Open’ in Open Content and Open Educational
Resources“ von David Wiley unter CC BY 4.0.
Rechte Grafik: Lebenszyklus von Lernpfaden (Roth, 2014, S. 20).
Grafik: Illustration eines OER-
Lebenszyklus
164
5.2.8 Tools, Services und Projekte rund um Lernpfade
Exemplarische Tools
• Adaptive Lernpfade bei Moodle, H5P Branching Szenario, Bettermarks, Aleks
Projekte
● Adaptive Learning Cloud (ALC) [FWU] (Projektplan, Umsetzung unbekannt)
● CoKoMo - Modellierung von Wissen
● E365 Maverick: Mit Künstlicher Intelligenz Lernpfade automatisch generieren
● ITS – Intelligente Tutorielle Systeme
💡
Zusammenfassung
Lernpfade ermöglichen …
● … selbstgesteuertes, eigenverantwortliches Lernen
● … eine Binnendifferenzierung und individuelle Förderung
● … die Anpassung von Aktivitäten und Inhalten an die Bedürfnisse Lernender
● … die didaktisch vorstrukturierte Sequenzierung eines Lerngegenstands,
bspw. zur systematischen Erschließung eines Themen- / Wissensgebietes
● … das Monitoring des eigenen und fremden Lernfortschrittes
● … die lernziel-orientierte Empfehlung von Ressourcen basierend auf dem
aktuellen Stand eines Lernenden
5.3 Suchen und Finden: Wie kann ich das finden, was ich suche?
Das Suchen und Finden von Lernressourcen gehört zu den wohl am meisten
umgesetzten Nutzungsszenarien für didaktische Metadaten. Von internationalen OER-
Plattformen wie Merlot, bis zu den nationalen Plattformen OERSI (Hochschule),
WirLernenOnline (Schule, zunehmend bildungsbereichsübergreifend) oder MUNDO
(Schule) nutzen alle Plattformen didaktische Metadatensets, um Suchende zielgerichtet
zu dem relevanten Material zu führen. Auch kommerzielle Plattformen wie eduki,
4teacher oder meinUnterricht nutzen entsprechende Metadaten, um ihre Inhalte
auszuzeichnen.
Doch wie findet man in der Fülle der Angebote das richtige Material?
Die genannten Plattformen bieten eine Vielzahl von Materialien an, häufig listen die
Plattformen Tausende bis Hunderttausende Einträge. Zur Einschränkung der Ergebnisse
bieten die Dienste einige Filtermöglichkeiten an. Doch auch nach dem Setzen mehrerer
Filter bleiben oft noch zahlreiche Materialien übrig. So listet eduki für die
Filterkombination “Deutsch”, “Lesen”, “1. Klasse”, “Arbeitsblätter”, “5-20 Seiten“ noch
über 1500 Ergebnisse. Überraschend wenige der genannten Plattformen bieten
Kommentar- oder Bewertungsfunktionen an, um es Nutzenden zu ermöglichen,
165
Feedback zu einem Material zu geben und dieses in der Suche zu nutzen. Auch andere
soziale Komponenten sind auf den meisten der genannten Plattformen nicht zu finden,
wie exemplarisch das Folgen von Autor*innen für neue Materialien, was beispielsweise
eduki als Funktion anbietet. Eine Funktion, die bei großen kommerziellen
Inhalteanbietern essenziell ist (Youtube, Instagram, ...), um Content-Erstellende mit
ihren Followern in Verbindung zu bringen und zu halten.
Im Folgenden sollen die Aspekte Filtern, Nutzung eines sozialen Graphen sowie
semantische Suche beim Suchen und Finden von Materialien genauer beleuchtet und
ihre (oft noch ungenutzten) Potenziale aufgezeigt werden.
5.3.1 Relevantes Material finden: Filtern, Kompetenzorientierung und
Wallet
Um Nutzenden ein besseres Sucherlebnis zu ermöglichen, speichern unter anderem die
Suchmaschinen Google oder Bing personalisierte Daten, um diese bei der Suche zu
berücksichtigen. Da diese Datennutzung oft intransparent ist, stößt das Verfahren auf
Kritik. Allerdings ließe sich ein solches Verfahren auch datensparsam und
selbstsouverän gestalten, wie die Wallet-Konzeption der Initiative “Mein Bildungsraum”
zeigt. Dort werden die Nutzerdaten auf der Wallet des jeweiligen Nutzers gespeichert
und anschließend etwaige Freigaben zur Nutzung mit weiteren Services von dort durch
die Nutzenden verwaltet. Für dieses Nutzungsszenario könnten dort unter anderem
Daten wie “Fachinteresse”, “Klassenstufe” und weitere gespeichert werden, die dann
automatisch in den Filtern der Suche vorausgewählt sind. Würden zusätzlich
Verwaltungsdaten gespeichert, könnte für den Suchdienst ersichtlich sein, welche
Fächer eine Lehrkraft unterrichtet und entsprechende Materialvorschläge könnten
erfolgen. Ebenfalls denkbar ist die Einbindung kompetenzorientierter Daten in das
eigene Profil, woraus sich Überschneidungen mit Lernpfaden ergeben. Ein Suchdienst
könnte diese Informationen nutzen, um entsprechende Hinweise anzuzeigen, die auf
vorausgesetzte oder zu erwerbende Kompetenzen deuten. Auch im Ranking können
diese Attribute genutzt werden, indem Ressourcen niedriger eingeordnet werden, die
keine der angestrebten Kompetenzen enthalten oder solche, die Kompetenzen
enthalten, die sich in Kompetenzhierarchien über- oder unterhalb der angestrebten
Kompetenz befinden.
5.3.2 Nutzung des sozialen Graphen zum Ranking und Filtern
Die Fülle an Materialien auf Content-Plattformen verdeutlicht, dass es nicht zwingend
ein Angebotsproblem gibt, sondern die Herausforderung darin besteht, die Suchenden
zu dem für sie relevanten Material zu führen. Wie findet man also sinnbildlich die Nadel
im Heuhaufen?
166
Lehr-/Lernprozesse finden meist in einem sozialen Kontext statt. Lehrende besitzen
Kolleg*innen, die ähnliche Fächer und Themen unterrichten und tauschen Gedanken zu
Ansätzen, Methoden und Materialien aus. Lernende wollen die gleichen Kompetenzen
oder Themen lernen oder müssen sich auf die gleiche Prüfung vorbereiten. Der
Austausch zwischen und innerhalb der beiden Gruppen funktioniert in analogen
Szenarien gut, sei es durch die Materialsammlungen im Klassenzimmer, dem Austausch
von Mitschriften unter Lernenden oder auch einfachen persönlichen Empfehlungen wie
“Schau dir mal XY an, das hat mir sehr geholfen”.
Diese persönlichen, sozialen Mechanismen sind zum größten Teil bisher nicht auf
Bildungsplattformen übertragen worden. Dies liegt vorrangig daran, dass der Aufbau
eines sozialen Graphen nicht trivial ist, sowohl für Bereitstellung der Dienste, als auch
für die Nutzenden. Für Dienste besteht die größte Schwierigkeit darin, eine Basis von
relevanten Nutzer*innen aufzubauen, mit denen sich andere vernetzen können. Daher
gibt es von erfolgreichen Social-Media-Plattformen meist nur einen vergleichbaren
“Typ”: ein Facebook, ein Instagram, ein Reddit, ein Twitter/X. Es ist für Nutzende nicht
sinnvoll, auf ein Pendant zu wechseln, wenn dort keine Nutzenden und keine Inhalte
vorhanden sind. Darin besteht auch die Schwierigkeit für Nutzende: Der Aufbau eines
sozialen Graphen ist nicht trivial, relevante Personen müssen gefunden und Kontakte
geknüpft werden. Die Konstruktion dieser Graphen ist dabei vorwiegend so gestaltet,
dass diese nicht zwischen Diensten übertragbar sind. Die “Freunde” von Facebook,
können nicht zu Twitter/X transferiert werden, Instagram-Follower nicht zu Spotify usw.
Dies führt zu Lock-In-Effekten, worauf mutmaßlich auch der Erfolg dieser Plattformen
basiert.
Aktuell gibt es allerdings zwei relevante Entwicklungen, die diese Herausforderung
hinsichtlich der Portabilität angehen:
● dezentrale Social Media Protokolle (ActivityPub, Nostr)
● national zentrale Plattformen mit einheitlichem Identitätsmanagement (bspw.
Identitäts- & Zugangsmanagement der Initiative “Mein Bildungsraum” oder auch die
Norwegian Digital Learning Arena)
Beide Entwicklungen vereint, dass Dienste sich nicht um das Identitätsmanagement
kümmern müssen, da dieses ausgelagert ist: komplett selbstsouverän (ActivityPub,
Nostr) oder zentralisiert durch eine zentrale Plattform. Gleichzeitig ermöglichen diese
Ansätze auch das Bilden dienstübergreifender sozialer Netzwerke. Auf der
norwegischen Bildungsplattform NDLA ist ein solches Modell mithilfe eines zentralen
Logins, der allen norwegischen Lehrkräften zur Verfügung steht, umgesetzt worden.
Dort wurden im Rahmen eines Teilprojektes zum Thema “Qualitätssicherung”
167
sogenannte “Circle of Trust”-Modelle eingeführt. Personen können andere Personen als
“vertrauenswürdig” einstufen. Diese Vertrauenswürdigkeit lässt sich dann transitiv
übertragen, im Sinne von “Ich vertraue dir und wenn du Person B vertraust, vertraue ich
auch Person B”.
28
Grafik: Circle of Trust (Abbildung von Frank Müller) (Müller, 2019, S. 51)
Solche Modelle lassen sich verwenden, um in sozialen Kontexten das verwendete oder
positiv bewertete Material in Suchen höher zu ranken, indem die sozialen Graphen der
Suchenden einbezogen werden.
5.3.4 Explorative, semantische Suchen
Um Suchen mit Schlagwörtern effektiv nutzen zu können, sollten die Suchenden mit der
logischen Struktur und dem Vokabular vertraut sein. Gerade zu Beginn einer Recherche
kann daher unzureichendes Hintergrund- oder Domänenwissen (bspw. Fachbegriffe,
komplexe Zusammenhänge wie Ursache-Wirkungs-Ketten o.ä.) das Auffinden und den
Zugang zu relevanten Ressourcen erschweren, insbesondere, wenn relevante
Schlagwörter noch unbekannt sind. Suchanfragen können dann nur unzureichend
formuliert werden, wodurch klassische Suchmaschinen kaum in die Lage versetzt
werden, relevante Treffer für diese Suchen anzubieten. Explorative, semantische Suchen
können dies ändern und unterstützen darüber hinaus das Serendipitätsprinzip, womit
zufällige Entdeckungen von Ressourcen möglich werden. Sie beugen zudem dem
Relevanzparadoxon vor, welches die Suche nach relevanten Informationen andernfalls
bereits vorab einschränkt.
Adressierte Herausforderungen, die bei Suchenden vorliegen können:
● Uneindeutige Suchanfragen (lexikalische oder strukturelle Ambiguität)
28
Solche und ähnliche Modelle werden auch unter dem Begriff “Web Of Trust” diskutiert.
168
● Sprachbarrieren (Orthografie, lexikalische Hierarchie: Hypo-/Hyperonym, Mero-
/Holonym)
● Unbekannte Beziehungen zwischen Entitäten
5.4 Lernumgebungen: Diagnostik und Förderung
Ein lernanalytischer Ansatz (Learning Analytics) ermöglicht das Sammeln, Aggregieren,
Analysieren und Evaluieren von Daten aus pädagogischen Lernkontexten, speziell
innerhalb digitaler Lernumgebungen. Der Ansatz ermöglicht, Erkenntnisse über
Lernprozesse zu gewinnen, die jeweiligen Inhalte an die Bedürfnisse der Lernenden
anzupassen, deren Leistungen zu ermitteln, vorherzusagen und zu verbessern sowie
Erfolgsfaktoren von und potenzielle Hindernisse für Bildungsressourcen, Lernaktivitäten
oder das individuelle Lernverhalten zu identifizieren (Chatti et al., 2012; Conole et al.,
2011; Hoppe, 2017; Knight & Buckingham Shum, 2017; Siemens, 2013; Siemens & Baker,
2012).
Durch diese Methode werden datengestützte Entscheidungen zur Verbesserung von
Lehr-/Lernprozessen und Materialien ermöglicht (Khor & K, 2024). Metadaten, die in
digitalen Lernumgebungen entstehen, erhalten in diesem Kontext somit eine
didaktische Funktion für Lernende und Lehrende. So können die erhobenen Daten aus
Lernprozessen für eine adaptive Lernunterstützung oder individuelles Feedback
verwendet werden, etwa formativ im Lernprozess oder summativ in einem ePortfolio,
welche jeweils ein Monitoring eigener oder fremder Lernprozesse erlauben. Lehrkräfte
können durch didaktische Metadaten aus Lernprozessen diagnostische Informationen
erhalten (z. B. über Dashboards), um ihre Lehre effektiver zu gestalten. Anhand dieser
Daten können verschiedene Maßnahmen den Lernerfolg unterstützen, wie gezieltes
individuelles Coaching, Übungen, Scaffolding von Lernumgebungen, Feedback und
Rückmeldungen, adaptive Lernunterstützung (Modeling, Prompting, Cueing), uvm.
Metriken und Indikatoren zur Charakterisierung von Lernprozessen
Verschiedene Metriken fungieren dabei als Indikatoren zur Charakterisierung von
Lernprozessen (Ahmad, Schneider, Griffiths, et al., 2022; Ahmad, Schneider, Weidlich, et
al., 2022), darunter unter anderem:
● Anzahl der Aufrufe oder Versuche
● Ergebnisse einzelner Lernerfolgskontrollen (z. B. Test- oder Quizformate)
● Selbsteinschätzung
● Bearbeitungsdauer für einzelne Lerninhalte (z. B. Lesezeit)
● Bearbeitungsfortschritt
● Anzahl verwendeter oder bearbeiteter Ressourcen
● Häufigkeit und Dauer der An- und Abmeldung
● Tastenanschläge (z. B. Freitext-Aufgaben)
169
Ein umfangreiches Verzeichnis für Lernereignisse, Lernaktivitäten, Metriken und
Indikatoren findet sich im OpenLAIR-Projekt.
Das LMS Moodle basiert auf dem Modell der Community of Inquiry (Castellanos-Reyes,
2020; Garisson et al., 2000), welches drei Bestandteile von Bildungsprozessen
identifiziert. Zu diesen Bestandteilen wurden in Abhängigkeit der jeweiligen
Lernaktivitäten in Moodle Indikatoren identifiziert (Moodle, 2019, 2022), die diese
Lernprozesse charakterisieren können, darunter:
1. kognitive Präsenz (Skala: kognitive Tiefe von 0 bis 5)
○ Details der Aktivität wurden betrachtet
○ inhaltliche Beiträge zur Aktivität wurden eingereicht
○ Feedback wurde betrachtet
○ Feedback wurde übermittelt
○ überarbeitete Beiträge zur Aktivität wurden eingereicht
2. soziale Präsenz (Skala: soziale Breite von 0 bis 5)
○ Interaktionsvarianten mit anderen Lernenden im (Rahmen einer Aktivität)
3. pädagogische Präsenz
Diese Indikatoren können in Machine-Learning-basierten oder statistischen Modellen
verwendet werden, um etwa Vorhersagen zu treffen (z. B. Drop-out Risiko,
Schwierigkeiten bei Lernaktivitäten, niedrige Beteiligung). Dabei sollte berücksichtigt
werden, dass nicht alle Lernziele quantifizierbar sind und Rückmeldungen daher oft eher
indikativer Natur sind.
Merkmale von Lernumgebungen
Zur Klassifikation von Lernumgebungen können mehrere Merkmale einbezogen werden
(Pawlowski, 2001, S. 47):
● Kontext
● Lernsituation (räumlich, zeitlich)
● Lerninhalte (Fakten/kontextfreie Regeln, kontextabhängige Regeln, Problemlösung,
komplexe Situationen, Gestalt-/Mustererkennung)
● Lernziele (kognitiv, affektiv, psychomotorisch, sozial)
● Lerntheorien (Behaviorismus, Kognitivismus, Konstruktivismus, Konnektivismus …)
● Lernzeitpunkt (synchron, asynchron, Mischformen)
● Lerndauer (geschlossen, offen)
● Integrationsgrad (Kommunikation zwischen Lehrendem, Lernenden, Computer)
● Rollen (Lernender, Lehrender, …)
● Interaktion
● Präsentation
● Didaktische Methoden
● Evaluation
170
Implementierung und Nützlichkeit von lernanalytischen Verfahren
Die Implementierung von lernanalytischen Verfahren erfordert ein komplexes
Zusammenspiel von Lernaktivitäten und Lernsystemen. Unterschiedliche
Lernaktivitäten erschweren eine Aufbereitung erhobener Lerndaten. Zudem müssen
Datenschutz und Datensicherheit besonders berücksichtigt werden. Aber auch
Lernende und Lehrende stellt dieses Verfahren vor Herausforderungen, da die
erhobenen Daten semantisch und syntaktisch komplex und daher nur schwerlich
interpretierbar sind. Lehrende und Lernende können dabei über leicht verständliche
Dashboards bei der Auswertung der Daten unterstützt werden, sodass
Lernumgebungen und lernanalytische Verfahren die erwarteten diagnostische
Potenziale und Möglichkeiten adaptiver und individueller Förderung einlösen können.
171
6 Zusammenfassung und Ausblick
Metadaten spielen bei der Gestaltung einer zeitgemäßen Bildungslandschaft eine
zentrale Rolle und sind für eine Vielzahl von Anwendungsszenarien von Bedeutung, um
die Qualität von Lehr-/Lernprozessen zu verbessern. Verschiedenste Disziplinen und
Themen treffen in diesem Kontext dabei aufeinander, sodass es besonders für
Einsteiger*innen herausfordernd ist, einen Überblick zu gewinnen. Doch obwohl bereits
seit der Jahrtausendwende intensive Diskussionen um die Vernetzung und den
Datenaustausch im Bildungsbereich geführt werden, wurde noch kein gemeinsamer
Standard gefunden, sodass schnell der Eindruck entstehen könnte, dass es keinen
Fortschritt gäbe. Woran liegt das? Gibt es wirklich keinen Fortschritt in diesem Feld?
Herausforderungen in einer digitalisierten Bildungslandschaft
● Diversität der Systeme und Schnittstellen
In einer digitalisierten Bildungslandschaft gibt es eine Vielzahl von Lernplattformen,
Anwendungen und Tools, die für verschiedene Zwecke entwickelt wurden. Diese Systeme
verwenden heterogene Schnittstellen und Protokolle, was die Interoperabilität erschwert.
Wenn Plattformen nicht nahtlos miteinander kommunizieren können, entsteht eine
Fragmentierung, die für einen reibungslosen Austausch von Daten zwischen den
verschiedenen Systemen hinderlich ist.
● Fehlende einheitliche Verwendung von Standards
Es mangelt an einer einheitlichen Verwendung von Standards, um digitale
Bildungsressourcen in Bildungsdiensten zu erfassen und auszutauschen. Dies führt zu
Inkompatibilitäten beim Datenaustausch zwischen den verschiedenen Systemen. Dabei
ist es ohne die Verwendung gemeinsamer Standards schwierig, Daten zu harmonisieren
und in verteilten Diensten nachzunutzen.
● Heterogene Datenqualität
In vernetzten Bildungsräumen stammen Daten aus verschiedenen Quellen und weisen
häufig eine recht heterogene Qualität auf. Auch fehlende Metadaten erschweren die
Suche und das Auffinden von Bildungsressourcen. Dies führt zu Herausforderungen bei
der Nachnutzung.
Wie werden diese Herausforderungen adressiert?
Zunächst ist festzustellen, dass in einigen Bereichen durchaus große Fortschritte
auszumachen sind. Vor allem im Rahmen der ersten großen OER-Förderphase 2016/17
entstanden einige Initiativen, die hinsichtlich Interoperabilität, Standardisierung und
Wissensaustausch große Fortschritte in der Bildungslandschaft erzielen konnten. Dazu
zählt auch die OER-Metadatengruppe, die mit der kollaborativen Erarbeitung von
Prozessen und Standards national Maßstäbe setzt und mit ihren verwendeten
172
Technologien auch auf EU-Ebene und international anschlussfähig ist. Seit 2022
vernetzen sich Akteure darüber hinaus im Kooperationsnetzwerk OER-förderliche
Infrastrukturen und Dienste (KNOER).
Anforderungen in einem vernetzten Bildungsraum
Bildungsressourcen und andere Objekttypen müssen nicht nur technisch mit
unterschiedlichen Plattformen und Lernumgebungen kompatibel sein, sondern
insbesondere auch für die Zielgruppe geeignet oder zumindest adaptierbar sein. Die
Wiederverwendbarkeit von Ressourcen muss bereits bei der Erstellung und Distribution
von Ressourcen verstärkt berücksichtigt werden, damit eine effiziente Nachnutzung
erreicht wird. Eine Modularisierung, bspw. durch kleinere Lerneinheiten
29
, gewährleistet
eine flexiblere Nachnutzung. Die Wiederverwendbarkeit wird durch granulare,
didaktische Komponenten verbessert. Doch die Umsetzung dieser Aspekte bei der
Erstellung, der Wiederverwendung und dem Remix von Bildungsressourcen sind nicht
(nur) technisch zu lösen. Erforderlich ist darüber hinaus auch ein weiträumiges
Community-Management, beispielsweise in den Themenfeldern Open Educational
Resources, Open Educational Practices (Koschorreck, 2018) und der Wahrung einer
Anschlussfähigkeit an Standards. Diesen Aspekten wird allerdings oft ein geringer
Stellenwert in Projekten eingeräumt und so bleibt es häufig der Initiative von
Einzelpersonen überlassen, den Transfer und den Austausch von relevantem Wissen zu
organisieren, speziell auch im Feld der didaktischen Metadaten.
Praxiserprobung von Metadaten-Anwendungsfällen
Metadaten sind dabei kein Selbstzweck, sondern dienen der Erfüllung einer konkreten
Aufgabe. Dies gilt auch für didaktische Metadaten. Wenn diese Aufgabe jedoch nicht an
ein konkretes Produkt oder ein Nutzungsszenario geknüpft ist, bleibt eine Diskussion
eher theoretischer Natur und das Feedback zur Nützlichkeit und Verwendbarkeit aus
einer konkreten Implementierung durch einen Dienst und seitens der Nutzenden fehlt.
Dies hemmt Fortschritte auf diesem Feld.
Hinzu kommt, dass die Rolle der didaktischen Metadaten oft unklar bleibt: Sollen die
Metadaten für eine bestimmte Funktion in einer Anwendung verwendet werden oder
dienen sie lediglich deskriptiv der Repräsentation und Darstellung des Objektes? Diese
beiden Fragen betreffen gänzlich unterschiedliche Aspekte, die sich in der Ausprägung
der Attribute und ihrer Werte widerspiegeln. Werden die Daten darüber hinaus
ausgetauscht, ist dies oft mit Informationsverlust verbunden, da die Wertelisten in den
Standards zum Datenaustausch unterspezifiziert sind und den kleinsten gemeinsamen
Nenner beschreiben, auf den man sich geeinigt hat.
29
Kleinere Lerneinheiten werden auch als Learning Snacks, Learning Nuggets, Lernhäppchen
oder als “Reusable Learning Objects” (RLO) (Baumgartner et al., 2002) bezeichnet.
173
Wie entwickelt sich das Feld der didaktischen Metadaten?
Insgesamt zeigt die Diskussion um didaktische Metadaten in den vergangenen Jahren,
dass die Standardisierung des Feldes stark von konkreten Anwendungsfällen abhängt.
Es ist entscheidend, dass die Entwicklung von didaktischen Metadaten eng mit den
Zielen und Anforderungen eines bestimmten Bildungskontextes verbunden ist.
Während eine generische Standardisierung aufgrund des kaum herzustellenden
Konsenses äußerst schwierig scheint, können und sollten für spezifische
Anwendungsfälle verschiedene Attribute und Werte standardisiert werden, um auch
einen Datenaustausch zu erleichtern.
Für Anwendungsfälle wie intelligente Empfehlungssysteme, die adaptive Erstellung von
Lernpfaden oder auch eine Diagnostik und Förderung in digitalen Lernumgebungen
sind didaktische Metadaten unerlässlich. Daher ist es wichtig, weiterhin die Entwicklung
und Implementierung von didaktischen Metadaten im Bildungsbereich voranzutreiben,
um eine effektive Nutzung digitaler Technologien zur Verbesserung von Lehr-
/Lernprozessen zu ermöglichen.
Zusammenfassend kann festgestellt werden, dass Metadaten im Bildungsbereich eine
wichtige Säule für die effiziente Verwaltung und Nutzung von Bildungsressourcen sind,
um datenbasierte Entscheidungen zur Verbesserung von Lehr-/Lernprozessen zu
treffen. Obwohl didaktische Metadaten zahlreiche Vorteile bieten, bestehen
Herausforderungen in Bezug auf die Qualität, Standardisierung und den Austausch. Um
diese Herausforderungen zu bewältigen und die Nutzung von Metadaten im
Bildungsbereich weiter zu verbessern, sollten sich künftige Bemühungen auf mehrere
Aufgabenschwerpunkte konzentrieren:
● Standardisierung: Förderung der Entwicklung, Akzeptanz und Adoption gemeinsamer
Metadatenstandards, um Konsistenz und Kompatibilität zwischen verschiedenen
Bildungsdiensten zu gewährleisten.
● Automatisierung: Etablierung von Technologien für die automatisierte Erstellung,
Validierung und Aktualisierung von Metadaten, um den Prozess der
Metadatenverwaltung zu rationalisieren.
● Forschung: Untersuchung der Verwendung von didaktischen Metadaten in
verschiedenen Lehr-/Lernkontexten und der Nützlichkeit sowie Wirksamkeit von
Lernunterstützung oder Empfehlungssystemen zur Unterstützung personalisierter
Lernerfahrungen, die auf didaktischen Metadaten basieren.
Mitwirkung und Nachnutzung des Kompendiums
Dieses Werk versteht sich als Ausgangspunkt für die Weiterarbeit und künftige
Entwicklung des Themas “Didaktische Metadaten”. Um das Dokument nachzunutzen
und weiterzuentwickeln, wird es mit einem nachnutzbaren Format (“Markdown”) in
einem Repositorium zur Verfügung gestellt. Dort finden sich auch Hinweise zur
Weiterarbeit: https://w3id.org/kim/kompendium
174
7 Über die Autoren
Manuel Oellers, M. Ed. 0000-0002-1580-8841
Manuel Oellers promoviert mit Arbeits- und Forschungsschwerpunkten im Kontext
digitalisierungsbezogener Lehr-/Lernforschung zum Einsatz von Learning Analytics als
Methode zur Implementierung adaptiver Lernunterstützung in videobasierten Lehr-
/Lernaktivitäten im Kontext der Lehrkräftebildung. Er verantwortet Konzeption,
Entwicklung, Betrieb und Vernetzung von Lehr-/Lernplattformen im Bereich der
Lehrkräftebildung, darunter die Videoportale ProVision und ViU: Early Science, das Meta-
Videoportal unterrichtsvideos.net sowie das OER-Portal comein.nrw und damit in
Zusammenhang stehende Infrastrukturprojekte zur Schaffung eines nahtlosen
Nutzungserlebnisses (föderiertes Single Sign-on sowie Authentifikations- und
Autorisationsnetzwerke). Er wirkt in der OER-Metadatengruppe und Curricula-Gruppe
der DINI-AG-KIM mit.
Steffen Rörtgen, M. Ed. 0000-0001-6378-2618
Steffen Rörtgen ist seit 2019 in verschiedenen Infrastrukturprojekten im Bildungsbereich
als Softwareentwickler und Metadatenarchitekt beschäftigt und befasst sich vorwiegend
mit Fragen der Dateninteroperabilität und der Standardisierung. Er wirkt in der OER-
Metadatengruppe der DINI-AG-KIM und hat 2021 die Curricula-Gruppe gegründet, die
sich mit der technischen Modellierung von Lehr- und Bildungsplänen befasst. Seit 2024
ist er Mitglied im OER-Beirat des BMBFs und bringt dort seine Expertise zu
Metadateninfrastrukturen ein. Er ist außerdem an der Integration sozialer
Komponenten in Bildungsplattformen interessiert.
8 Danksagungen
Wir danken für das Lektorat:
● Bastian Granas
● Christiane Hadlich
● Matthias Hupfer
● Manuel Kummerländer
● Marco Timm
● Annett Zobel
175
9 Literaturverzeichnis
1EdTech (Hrsg.). (2023). Accessible Portable Item Protocol (APIP).
http://www.imsglobal.org/apip/index.html
Abdel-Qader, M., Ahmad, A., Heck, T., Saleh, A., Scharnberg, G., Schröder, N., & Peters, L. (2022).
EduArc. Schlussbericht. Digitale Bildungsarchitekturen. Offene Lernressourcen in verteilten
Lerninfrastrukturen. https://doi.org/10.17605/OSF.IO/RMFK3
AG Imedibi. (2023a). Kernschema für die Beschreibung von Come In-relevanten Ressourcen: Hinweise
zur Handhabung.
https://web.archive.org/web/20231004172307/https://comein.nrw/portal/wp-
content/uploads/2023/08/Imedibi_Kernschema_Hinweise-zur-Handhabung.pdf
AG Imedibi. (2023b). Kernschema (v. 1.0.1).
https://web.archive.org/web/20240207083809/https://comein.nrw/portal/wp-
content/uploads/2023/08/Imedibi_Kernschema-fuer-die-Beschreibung-von-ComeIn-
relevanten-Ressourcen.pdf
AG Imedibi. (2023c). Nutzungskonzepte für Aus- und Fortbildungen.
https://web.archive.org/web/20240306105906/https://comein.nrw/portal/ags/ag-
imedibi
Ahmad, A., Schneider, J., Griffiths, D., Biedermann, D., Schiffner, D., Greller, W., & Drachsler, H.
(2022). Connecting the dots – A literature review on learning analytics indicators from a
learning design perspective. Journal of Computer Assisted Learning, jcal.12716.
https://doi.org/10.1111/jcal.12716
Ahmad, A., Schneider, J., Weidlich, J., Di Mitri, D., Yau, J., Schiffner, D., & Drachsler, H. (2022).
What Indicators Can I Serve You with? An Evaluation of a Research-Driven Learning
Analytics Indicator Repository: Proceedings of the 14th International Conference on
Computer Supported Education, 58–68. https://doi.org/10.5220/0010995800003182
Al-Khalifa, H. S., & Davis, H. C. (2006). The evolution of metadata from standards to semantics in
E-learning applications. Proceedings of the Seventeenth Conference on Hypertext and
Hypermedia, 69–72. https://doi.org/10.1145/1149941.1149956
Alonso, F., López, G., Manrique, D., & Viñes, J. M. (2005). An instructional model for web‐based e‐
learning education with a blended learning process approach. British Journal of
Educational Technology, 36(2), 217–235. https://doi.org/10.1111/j.1467-8535.2005.00454.x
Anderson, L. W., & Krathwohl, D. R. (Hrsg.). (2001). A taxonomy for learning, teaching, and
assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.
Anido, L. E., Fernández, M. J., Caeiro, M., Santos, J. M., Rodrıguez, J. S., & Llamas, M. (2002).
Educational metadata and brokerage for learning resources. Computers & Education,
38(4), 351–374. https://doi.org/10.1016/S0360-1315(02)00018-0
Arndt, L., Beißwenger, M., Brinda, T., Gryl, I., Holodynski, M., Kramer, M., Lipke, C., & Oellers, M.
(2023). Digitalisierungsbezogene Kompetenzen phasenübergreifend fördern: Das
Projekt ComeIn in der Qualitätsoffensive Lehrerbildung. Zeitschrift SEMINAR, 30, 9–24.
https://doi.org/10.3278/SEM2302W002
Arnold, P., Kilian, L., & Thillosen, A. (2003). Pädagogische Metadaten im E-Learning. Allgemeine
Problemfelder und exemplarische Fragestellungenam Beispiel der Virtuellen
Fachhochschule. In Digitaler Campus: Vom Medienprojekt zur nachhaltigen Mediennutzung
176
auf dem Digitalen Campus (S. 379–390). Waxmann : Münster ; New York ; München ;
Berlin. https://doi.org/10.25656/01:12269
Arnold, P., Kilian, L., Thillosen, A. M., & Zimmer, G. M. (2018). Handbuch E-Learning: Lehren und
Lernen mit digitalen Medien (5. Auflage). W. Bertelsmann Verlag.
Astleitner, H. (2009). Eine Didaktik-Theorie zur Inneren Differenzierung in Schulbüchern: Das
Aufgaben-Rad-Modell.
Atenas, J., & Havemann, L. (2013). Quality assurance in the open: An evaluation of OER
repositories. INNOQUAL: International Journal for Innovation and Quality in Learning, 2, 22–
34.
Baca, M. (Hrsg.). (1998). Introduction to metadata: Pathways to digital information. Getty
Information Institute.
Bailey, K. D. (1994). Typologies and taxonomies: An introduction to classification techniques. (Bd.
102, S. vi, 90). Sage Publications, Inc.
https://web.archive.org/web/20220622024401/https://www.researchgate.net/profile/Co
stas-Drossos/post/What-is-the-difference-between-a-typology-and-a-
taxonomy/attachment/59d63753c49f478072ea4bf1/AS%3A273684877512704%40144226
2968252/download/%5BKenneth_D._Bailey%5D_Typologies_and_Taxonomies_An_Introd
uction_to_Classification_Techniques.pdf
Barker, P., & Campbell, L. M. (2010). Metadata for learning materials: An overview of existing
standards and current developments. 7, 225–243.
Baumgartner, P. (2004). Didaktik und Reusable Learning Objects (RLOs). In D. Carstensen &
Gesellschaft für Medien in der Wissenschaft (Hrsg.), Campus 2004: Kommen die digitalen
Medien an den Hochschulen in die Jahre? (S. 309–325). Waxmann.
Baumgartner, P. (2006a). E-Learning-Szenarien. Vorarbeiten zu einer didaktischen Taxonomie.
E-Learning - alltagstaugliche Innovation?, 38, 238–247. https://doi.org/10.25656/01:11191
Baumgartner, P. (2006b). Unterrichtsmethoden als Handlungsmuster—Vorarbeiten zu einer
didaktischen Taxonomie für E-Learning. In M. Mühlhäuser, G. Rößling, & R. Steinmetz
(Hrsg.), 4. E-Learning Fachtagung Informatik—Proceedings (S. 51–62).
https://web.archive.org/web/20221208171606/https://peter.baumgartner.name/wp-
content/uploads/2012/12/Baumgartner_2006_Unterrichtsmethoden-als-
Handlungsmuster.pdf
Baumgartner, P. (2014). Taxonomie von Unterrichtsmethoden: Ein Plädoyer für didaktische Vielfalt
(2., aktualisierte und korrigierte Auflage). Waxmann.
Baumgartner, P., Häfele, H., & Maier-Häfele, K. (2002). E-Learning Standards aus didaktischer
Perspektive. In Campus 2002: Die virtuelle Hochschule in der Konsolidierungsphase.
Waxmann.
Bedenlier, S., & Marín, V. I. (2022). Open Educational Resources within the Digital
Transformation of German Higher Education. In (Open) Educational Resources around the
World: An International Comparison. EdTech Books. (S. 182–236).
http://hdl.handle.net/10459.1/83805
Beißwenger, M., Borukhovich, S., Brinda, T., Bulizek, B., Burovikhina, V., Cyra, K., Gryl, I., &
Tobinski, D. (2020). Ein integratives Modell digitalisierungsbezogener Kompetenzen für
die Lehramtsausbildung. In M. Beißwenger, B. Bulizek, I. Gryl, & F. Schacht (Hrsg.),
Digitale Innovationen und Kompetenzen in der Lehramtsausbildung.
177
https://doi.org/10.17185/duepublico/73330
Berger, F., Galati, N., & Witteler, S. (2023). Interoperabilität in der Hochschulbildung. Zentrale
Herausforderungen und Lösungsansätze für die Weiterentwicklung europäischer
Hochschulallianzen (72; Hochschulforum Digitalisierung (HFD)).
https://web.archive.org/web/20231203093359/https://hochschulforumdigitalisierung.d
e/wp-content/uploads/2023/09/HFD_Arbeitspapier_Nr.72_Interoperabilitaet.pdf
Berners-Lee, T. (1997). Web architecture: Metadata.
https://web.archive.org/web/20231229152710/https://www.w3.org/DesignIssues/Meta
data.html
Berners-Lee, T. (2006). Linked Data—Design Issues.
https://web.archive.org/web/20231229164457/http://www.w3.org/DesignIssues/Linked
Data.html
Bildungsberichterstattung (Hrsg.). (2022). Bildung in Deutschland 2022. Ein indikatorengestützter
Bericht mit einer Analyse zum Bildungspersonal. wbv Publikation.
https://web.archive.org/web/20240213064713/https://www.bildungsbericht.de/de/bildu
ngsberichte-seit-2006/bildungsbericht-2022/pdf-dateien-2022/bildungsbericht-2022.pdf
Bizer, C., Heath, T., & Berners-Lee, T. (2009). Linked Data—The Story So Far: International Journal
on Semantic Web and Information Systems, 5(3), 1–22.
https://doi.org/10.4018/jswis.2009081901
Bizer, C., Heath, T., Idehen, K., & Berners-Lee, T. (2008). Linked data on the web (LDOW2008).
Proceedings of the 17th International Conference on World Wide Web, 1265–1266.
https://doi.org/10.1145/1367497.1367760
Blodau, J., Gade, K., Nachtigall, K., & Peschen, M. (2019). Medienkompetenzrahmen NRW
(Medienberatung NRW, Hrsg.;
https://medienkompetenzrahmen.nrw/fileadmin/pdf/LVR_ZMB_MKR_Broschuere_2019_
06_Final.pdf).
https://web.archive.org/web/20240228193340/https://medienkompetenzrahmen.nrw/fi
leadmin/pdf/LVR_ZMB_MKR_Broschuere_2019_06_Final.pdf
Bloom, B. S., & Engelhart, M. D. (Hrsg.). (1976). Taxonomie von Lernzielen im kognitiven Bereich (5.
Aufl.). Beltz.
Blumauer, A., & Pellegrini, T. (2006). Semantic Web und semantische Technologien: Zentrale
Begriffe und Unterscheidungen. In T. Pellegrini & A. Blumauer (Hrsg.), Semantic Web:
Wege zur vernetzten Wissensgesellschaft (S. 9–25). Springer.
BMBF. (2024). Der DQR. DQR-Niveaus.
https://web.archive.org/web/20240202152853/https://www.dqr.de/dqr/de/der-dqr/dqr-
niveaus/deutscher-qualifikationsrahmen-dqr-niveaus.html
BMBF, & KMK. (2023). Liste der zugeordneten Qualifikationen (Stand 01.08.2023).
https://web.archive.org/web/20240225043808/https://www.dqr.de/dqr/de/service/dow
nloads/deutscher-qualifikationsrahmen-downloads.html
Borst, T. (2006). Ontologien zur semantischen Auszeichnung digitaler Lernmaterialien (3;
Forschungsberichte des Fachbereichs Elektrotechnik & Informationstechni).
https://web.archive.org/web/20221221100326/https://www.fernuni-
hagen.de/imperia/md/content/fakultaetfuermathematikundinformatik/forschung/beric
hteetit/forschungsbericht_3_2006.pdf
178
bpb. (2017). Wie wird die Qualität von OER sichergestellt?
https://web.archive.org/web/20230929213313/https://www.bpb.de/lernen/digitale-
bildung/oer-material-fuer-alle/248209/wie-wird-die-qualitaet-von-oer-sichergestellt
BRD (Hrsg.). (2011). Barrierefreie-Informationstechnik-Verordnung (BITV 2.0).
https://web.archive.org/web/20240108151815/https://www.gesetze-im-
internet.de/bitv_2_0/BJNR184300011.html
BRD (Hrsg.). (2022). Grundgesetz für die Bundesrepublik Deutschland.
https://web.archive.org/web/20240303122722/https://www.gesetze-im-
internet.de/gg/GG.pdf
Brouër, B. (2001). Förderung der Wahrnehmung von Lernprozessen durch die Anwendung der
Basismodelle des Lernens bei der Gestaltung von Unterricht.
https://doi.org/10.25656/01:7715
Buchem, I., Orr, D., & Brunn, C. (2019). Kompetenzen sichtbar machen mit Open Badges.
Abschlussbericht der HFD Community Working Group Kompetenz-Badges (48;
Hochschulforum Digitalisierung (HFD)).
https://web.archive.org/web/20230621171401/https://hochschulforumdigitalisierung.d
e/sites/default/files/dateien/HFD_AP_Nr48_Open_Badges_Bericht_2019_DE_web.pdf
Bull, G., Greenstein, S., Ellis, J., Asim, S., Novitski, R., Whitewolf, E., & Lake, S. (2023). Metadata
Standards for Educational Objects. Contemporary Issues in Technology and Teacher
Education, 23(3), 508–517.
Bundesamt für Sicherheit in der Informationstechnik (Hrsg.). (2023). IT-Grundschutz-
Kompendium. Bundesanzeiger-Verl.
https://web.archive.org/web/20240316121418/https://www.bsi.bund.de/SharedDocs/D
ownloads/DE/BSI/Grundschutz/Kompendium/IT_Grundschutz_Kompendium_Edition202
3.pdf?__blob=publicationFile&v=4
Camilleri, A. F., Ehlers, U. D., & Pawlowski, J. (2014). State of the Art Review of Quality Issues
related to Open Educational Resources (OER). Publications Office of the European Union.
https://doi.org/10.25656/01:9101
Canter, D., Rivers, R., & Storrs, G. (1985). Characterizing user navigation through complex data
structures. Behaviour & Information Technology, 4(2), 93–102.
https://doi.org/10.1080/01449298508901791
Caplan, P. (2003). Metadata fundamentals for all librarians. American Library Association.
Castellanos-Reyes, D. (2020). 20 Years of the Community of Inquiry Framework. TechTrends,
64(4), 557–560. https://doi.org/10.1007/s11528-020-00491-7
CCR (2020). Redesigning the Curriculum for a 21st Century Education.
https://web.archive.org/web/20240116063051/https://curriculumredesign.org/wp-
content/uploads/CCRFoundationalPaper-rev2-Oct.-2020.pdf
CELT (Hrsg.). (2017). A Model of Learning Objectives
https://web.archive.org/web/20171020230437/http://www.celt.iastate.edu/teaching/eff
ective-teaching-practices/revised-blooms-taxonomy.
https://web.archive.org/web/20171020230437/http://www.celt.iastate.edu/wp-
content/uploads/2015/09/RevisedBloomsHandout-1.pdf
CEN/SS F20 Qualitätssicherung. (2007). DIN EN 45020:2007-03. Normung und damit
zusammenhängende Tätigkeiten. Beuth Verlag GmbH. https://doi.org/10.31030/9832912
179
Centrum für Hochschulentwicklung. (2024a). Monitor Lehrerbildung. In Ländern angebotene
Lehramtstypen. https://web.archive.org/web/20240207141741/https://www.monitor-
lehrerbildung.de/diagramme/in-laendern-angebotene-lehramtstypen
Centrum für Hochschulentwicklung. (2024b). Monitor Lehrerbildung. Landesweite Vorgaben zur
Studienstruktur. https://web.archive.org/web/20240207141122/https://www.monitor-
lehrerbildung.de/diagramme/landesweite-vorgaben-zur-studienstruktur-absolute-
nennungen
Centrum für Hochschulentwicklung. (2024c). Monitor Lehrerbildung. Polyvalenz der Bachelor-
Studiengänge. https://web.archive.org/web/20240207142603/https://www.monitor-
lehrerbildung.de/diagramme/polyvalenz-der-bachelor-studiengaenge-absolute-
nennungen
Chatti, M. A., Dyckhoff, A. L., Schroeder, U., & Thüs, H. (2012). A reference model for learning
analytics. International Journal of Technology Enhanced Learning, 4(5/6), 318.
https://doi.org/10.1504/IJTEL.2012.051815
Commonwealth of Learning. (2017). Open Educational Resources: Global Report 2017.
Commonwealth of Learning (COL). http://hdl.handle.net/11599/2788
Conole, G., Gašević, D., Long, P., & Siemens, G. (2011). Message from the LAK 2011 general &
program chairs. International Learning Analytics & Knowledge Conference 2011.
Cooper, J., Olsher, S., & Yerushalmy, M. (2020). Didactic metadata informing teachers’ selection
of learning resources: Boundary crossing in professional development. Journal of
Mathematics Teacher Education, 23(4), 363–384. https://doi.org/10.1007/s10857-019-
09428-1
DAAD (Hrsg.). (2024). Studieren und Forschen in Deutschland. Gemeinsamer Europäischer
Referenzrahmen für Sprachen.
https://web.archive.org/web/20231209025326/https://www.daad.de/de/studieren-und-
forschen-in-deutschland/studium-planen/gers
Dalziel, J., Conole, G., Wills, S., Walker, S., Bennett, S., Dobozy, E., Cameron, L., Badilescu-Buga, E.,
& Bower, M. (2016). The Larnaca Declaration on Learning Design. Journal of Interactive
Media in Education, 2016(1), 7. https://doi.org/10.5334/jime.407
DCMI (Hrsg.). (2023). DCMI Metadata Terms. Audience.
https://web.archive.org/web/20231020183243/https://www.dublincore.org/specificatio
ns/dublin-core/dcmi-terms/terms/audience
DCMI. (2024). LRMI Working Group. https://www.dublincore.org/groups/lrmi
De Smedt, J. (2013). Correspondence between ISO 25964 and SKOS/SKOS
‐
XL Models.
https://web.archive.org/web/20231005220400/https://groups.niso.org/higherlogic/ws/
public/download/12351/Correspondence%20ISO25964-SKOSXL-MADS-2013-12-11.pdf
Delaunay, A. (2022). Operationalisierung Graph-basierter Lernpfade für adaptive Serious Games.
https://web.archive.org/web/20240318110439/https://websites.fraunhofer.de/alexande
rstreicher/wp-content/uploads/2022/10/BScDelaunay2022.pdf
Deutscher Bildungsserver. (2016). Machbarkeitsstudie zum Aufbau und Betrieb von OER-
Infrastrukturen in der Bildung. https://doi.org/10.25656/01:11715
Deutschmann, J., Gietz, P., Hommel, W., Schroeder, R., Schwendel, J., & Thelen, T. (2008). DFN-AAI.
Technische und organisatorische Voraussetzungen. Attribute für den Bereich E-Learning.
https://web.archive.org/web/20230615075441/https://doku.tid.dfn.de/_media/de:dfn-
180
aai_e-learning-attribute_v.1.0.pdf
Dietze, S., Sanchez‐Alonso, S., Ebner, H., Qing Yu, H., Giordano, D., Marenzi, I., & Pereira Nunes,
B. (2013). Interlinking educational resources and the web of data: A survey of challenges
and approaches. Program: Electronic Library and Information Systems, 47(1), 60–91.
https://doi.org/10.1108/00330331211296312
DINI & ELAN (2005). ELAN Application Profile: Metadaten für elektronische Lehr- und
Lernmaterialien. https://doi.org/10.18452/1481
DNB (2023). Bezugswege und Exportformate.
https://web.archive.org/web/20240205102408/https://www.dnb.de/DE/Professionell/M
etadatendienste/Datenbezug/metadatenBezugUndFormate.html
Duval, E. (2001a). Metadata Standards: What, Who & Why. Journal of Universal Computer Science,
7(7), 591–601.
Duval, E. (2001b). Standardized Metadata for Education: A Status Report. ED-MEDIA 2001 World
Conference on Educational Multimedia, Hypermedia & Telecommunications. Proceedings
(13th, Tampere, Finland, June 25-30, 2001), 458–463.
Ebner, M., Koschutnig-Ebner, M., Rampelt, F., Serth, S., Staubitz, T., von Stetten, A., Thomas, M.,
& Wittke, A. (2023). A metastandard for the international exchange of MOOCs – the
MOOChub as an initial prototype. Zeitschrift für Hochschulentwicklung, 18(1), 17–35.
https://doi.org/10.3217/ZFHE-18-01/02
Educa. (2020). Applikationsprofil LOM-CH.
https://web.archive.org/web/20240205092135/https://www.educa.ch/sites/default/files
/2020-11/applikationsprofil-lom-ch-v2.1-de.pdf
Ehlers, U.-D., & Kunze, K. (2021). Open Educational Resources and Repositories: The Role of Quality.
Towards a community-oriented Quality Review Framework for OER. 1.
https://web.archive.org/web/20230324084030/https://encoreproject.eu/wp-
content/uploads/2021/11/ENCORE-Quality-Position-paper-No.1.pdf
Ehlers, U.-D., & Meder, N. (Hrsg.). (2003). Didaktische Anforderungen an Lernumgebungen: Die
Web-Didaktik von L3. In E-Learning-Services im Spannungsfeld von Pädagogik, Ökonomie
und Technologie: L3-lebenslanges Lernen im Bildungsnetzwerk der Zukunft. Bertelsmann.
https://web.archive.org/web/20210729193731/https://www.researchgate.net/profile/To
rsten-Holmer/publication/260423297_E-Learning-
Services_im_Spannungsfeld_von_Padagogik_Okonomie_und_Technologie/links/59bf79e9
458515e9cfd4de9c/E-Learning-Services-im-Spannungsfeld-von-Paedagogik-Oekonomie-
und-Technologie.pdf
Ehlers, U.-D., & Schmidbauer, F. (2022). Open Educational Resources and Repositories: The Role of
Quality. Thematic Peer Group Workshops as a method for building a community-oriented
quality framework. 2.
https://web.archive.org/web/20240303112605/https://encoreproject.eu/wp-
content/uploads/2022/04/ENCORE-Position-paper-2-Quality.pdf
Ehrig, M., Hartmann, J., & Schmitz, C. (2004). Ontologie-basiertes Web Mining.
https://web.archive.org/web/20220119200944/https://www.kde.cs.uni-kassel.de/wp-
content/uploads/schmitz/publ/2004-gi-crawler_v3.0.pdf
Eickelmann, B. (2020). Lehrkräfte in der digitalisierten Welt. Orientierungsrahmen für die
Lehrerausbildung und Lehrerfortbildung in NRW.
181
https://web.archive.org/web/20240131074653/https://www.medienberatung.schulminis
terium.nrw.de/media/layout/relaunch_2022/pdf/publikation/Lehrkraefte_Digitalisierte_
Welt_2020.pdf
ELAN (2018). E-Assessment-Wiki: Lernziel.
https://web.archive.org/web/20240301172058/https://ep.elan-ev.de/wiki/Lernziel
Elias, M., Lohmann, S., & Auer, S. (2018). Ontology-Based Representation for Accessible
OpenCourseWare Systems. Information, 9(12). https://doi.org/10.3390/info9120302
Elsässer, T. (2000). Choreografien unterrichtlichen Lernens als Konzeptionsansatz für eine
Berufsfelddidaktik (SIBP, Hrsg.). https://www.fachportal-
paedagogik.de/literatur/vollanzeige.html?FId=2653468
EPFL, & KUL (Hrsg.). (1999). ARIADNE Educational Metadata Recommendation.
https://web.archive.org/web/20030203003051/http://ariadne.unil.ch/Metadata/ariadne_
metadata_v3final1.htm
Euler, D., Jankowski, R., Lenz, A., Schmitz, P., & Twardy, M. (1987). Computerunterstützter
Unterricht. Vieweg+Teubner Verlag. https://doi.org/10.1007/978-3-322-85464-3
Euler, D., & Wilbers, K. (2002). Selbstlernen mit neuen Medien didaktisch gestalten.
Europäische Kommission (Hrsg.). (2002). Ein europäischer Raum des lebenslangen Lernens. Amt
für Amtliche Veröff. der Europ. Gemeinschaften. https://op.europa.eu/de/publication-
detail/-/publication/e5476cc7-f746-4663-9dd0-ec37bb5891bf/language-de
European Commission. Joint Research Centre., Redecker, C., & Punie, Y. (2017). European
framework for the digital competence of educators: DigCompEdu. Publications Office.
https://data.europa.eu/doi/10.2760/159770
European Schoolnet (2017). Learning Resource Exchange (European Schoolnet).
https://web.archive.org/web/20230924184746/http://www.eun.org/resources/learning-
resource-exchange
Ezzaim, A., Dahbi, A., Haidine, A., & Aqqal, A. (2023). AI-Based Adaptive Learning: A Systematic
Mapping of the Literature. JUCS - Journal of Universal Computer Science, 29(10), 1161–1198.
https://doi.org/10.3897/jucs.90528
Felder, R. M., & Silverman, L. K. (1988). Learning and teaching styles in engineering education.
78(7), 674–681.
Fernandes, E., Madhour, H., Wentland Forte, M., & Miniaoui, S. (2005). Towards a semantic
learning model fostering learning object reusability. International Conference on Human
System Learning (ICHSL) 2005. https://telearn.hal.science/hal-00190205
Fisher, S., Habkirk, S., Friesen, N., & Roberts, A. (2003). CanCore Guidelines Version 2.0: Educational
Category.
https://web.archive.org/web/20240226220358/http://cancore.athabascau.ca/guidelines
/CanCore_Guidelines_Educational_2.0.pdf
Forte, E. N., Wentland Forte, M. H. K., & Duval, E. (1997). The ARIADNE Project (Part 1):
Knowledge Pools for Computer-based and Telematics-supported Classical, Open and
Distance Education. European Journal of Engineering Education, 22(1), 61–74.
https://doi.org/10.1080/03043799708923438
Frantiska, J. (2016). Creating Reusable Learning Objects. Springer International Publishing.
https://doi.org/10.1007/978-3-319-32889-8
FSFE (2024). Public Money, Public Code.
182
https://web.archive.org/web/20240304120022/https://publiccode.eu/de/
Fürber, C., & Hepp, M. (2016). Data Quality Management with semantic technologies. Springer
Gabler.
FWU (Hrsg.). (2010). Specification of a LOM Profile for German metadata exchange Version 0.9 /
2010-05-11. https://web.archive.org/web/20220120213540/https://sodis.de/lom-
de/LOM-DE_v0.9_1.pdf
FWU. (2024). eduCheck: Der Kriterienkatalog: Grundlage jeder Prüfung.
https://web.archive.org/web/20240218122831/https://educheck.schule/der-
kriterienkatalog-grundlage-jeder-pruefung
Gaiser, B., Hampel, T., & Panke, S. (Hrsg.). (2008). Good tags - bad tags: Social Tagging in der
Wissensorganisation (Bd. 47).
https://web.archive.org/web/20200626054238/https://www.pedocs.de/volltexte/2017/1
2758/pdf/Gaiser_Hampel_Panke_2008_Good_tags_bad_tags.pdf
Garisson, D., Anderson, T., & Archer, W. (2000). Critical Inquiry in a Text-Based Environment.
Computer Conferencing in Higher Education. The Internet and Higher Education, 2(2–3),
87–105.
Genschel, P. (1995). Standards in der Informationstechnik: Institutioneller Wandel in der
internationalen Standardisierung (1. Aufl.).
https://web.archive.org/web/20200606011342/https://www.econstor.eu/bitstream/1041
9/209613/1/mpifg-bd-22.pdf
Giesbers, B., van Bruggen, J., Hermans, H., Joosten-ten Brinke, D., Burgers, J., Koper, R., & Latour,
I. (2007). Towards a methodology for educational modelling: A case in educational
assessment. Educational Technology & Society, 10(1), 237–247.
Gilliland, A. J. (2016). Setting the Stage. In M. Baca (Hrsg.), Introduction to metadata (Third
edition). Getty Research Institute.
https://www.getty.edu/publications/intrometadata/setting-the-stage/
Glaboniat, M., & Europarat (Hrsg.). (2010). Profile deutsch: Gemeinsamer europäischer
Referenzrahmen; Lernzielbestimmungen, Kannbeschreibungen, kommunikative Mittel ;
Niveau A1 - A2, B1 - B2, C1 - C2 (Nachdr.). Langenscheidt.
Goertz, L., Rashid, S. F., Vogel-Adham, E., Vogt, A., & Wilhelm-Weidner, A. (2023).
Metadatenstandards im Innovationswettbewerb INVITE. Welche Standards werden für
welchen Zweck eingesetzt? Ein Beitrag von INVITE Meta und der Digitalbegleitung im Rahmen
des Innovationswettbewerbs INVITE. 15 pages. https://doi.org/10.25656/01:27177
Goldman, N. S. N., Maxine McKinney de Royston, Brigid Barron, Phillip Bell, Roy Pea, Reed
Stevens, Shelley. (2020). Learning Pathways: How Learning Is Culturally Organized. In
Handbook of the Cultural Foundations of Learning. Routledge.
Golub, K., Tudhope, D., Zeng, M. L., & Žumer, M. (2014). Terminology registries for knowledge
organization systems: Functionality, use, and attributes. Journal of the Association for
Information Science and Technology, 65(9), 1901–1916. https://doi.org/10.1002/asi.23090
Griffiths, D., Burgos, D., & Aceto, S. (2023). Piloting the ENCORE+Quality Framework—Encore+
Project. https://doi.org/10.5281/ZENODO.10184200
Gruber, T. (1993). A translation approach to portable ontology specifications. Knowledge
Acquisition, 5(2), 199–220. https://doi.org/10.1006/knac.1993.1008
Gruber, T. (2004). Every Ontology is a Treaty. Interview for Semantic Web and Information Systems
183
SIG of the Association for Information Systems. 1(3).
https://web.archive.org/web/20230921233201*/http://tomgruber.org:80/writing/sigse
mis-2004.pdf
Grunwald, S., & Reddy, K. (2007). Concept Guide on Reusable Learning Objects with Application to
Soil, Water and Environmental Sciences.
https://web.archive.org/web/20230702050304/https://ecolearnit.ifas.ufl.edu/document
ation/concept_guide.pdf
Hasler, D. (2015). Geschäftsmodelle der Datenindustrie Herleitung eines Klassifizierungsansatzes mit
Fallbeispielen aus der Telematik. Diplomica-Verl.
Hattie, J. (2023). Visible learning, the sequel: A synthesis of over 2,100 meta-analyses relating to
achievement (First edition). Routledge.
Haynes, D. (2018). Metadata for Information Management and Retrieval: Understanding metadata
and its use (1. Aufl.). Facet. https://doi.org/10.29085/9781783302161
hbz, & TIB (2024). OERSI. Connecting OER Sources.
https://web.archive.org/web/20240205105827/https://oersi.org/resources/pages/de/do
cs/sources/
Heath, T., & Bizer, C. (2011). Linked Data: Evolving the Web into a Global Data Space. Springer
International Publishing; http://linkeddatabook.com/editions/1.0/.
https://doi.org/10.1007/978-3-031-79432-2
Heck, T., Kullmann, S., Hiebl, J., Schröder, N., Otto, D., & Sander, P. (2020). Designing Open
Informational Ecosystems on the Concept of Open Educational Resources. Open
Education Studies, 2(1), 252–646. https://doi.org/10.1515/edu-2020-0130
Heinen, Richard, Kerres, Michael, Scharnberg, Gianna, Blees, Ingo, & Rittberger, Marc. (2020). A
federated reference structure for open informational ecosystems.
https://doi.org/10.25656/01:18241
Herring, M. C., Mishra, P., & Koehler, M. J. (Hrsg.). (2016). Handbook of technological pedagogical
content knowledge (TPACK) for educators (Second edition). Routledge.
Heyer, S. (2005). Vergleich von Lernobjektmodellen nach pädagogischen Gesichtspunkten (9;
Forschungsberichte des Fachbereichs Elektrotechnik & Informationstechnik).
https://web.archive.org/web/20170809112117/https://www.fernuni-
hagen.de/imperia/md/content/fakultaetfuermathematikundinformatik/forschung/beric
hteetit/forschungsbericht_9_2005.pdf
Heyer, S. (2006). Didaktische Szenarien und deren Verhältnis zu Lernmaterialien (1;
Forschungsberichte des Fachbereichs Elektrotechnik & Informationstechnik).
https://web.archive.org/web/20170809110721/https://www.fernuni-
hagen.de/imperia/md/content/fakultaetfuermathematikundinformatik/forschung/beric
hteetit/forschungsbericht_1_2006.pdf
Hillmayr, D., Reinhold, F., Ziernwald, L., & Reiss, K. (2017). Digitale Medien im mathematisch-
naturwissenschaftlichen Unterricht der Sekundarstufe: Einsatzmöglichkeiten, Umsetzung und
Wirksamkeit (Zentrum für Internationale Bildungsvergleichsstudien, Hrsg.). Waxmann.
Hodgins, H. W. (2002). The Future of Learning Objects. In J. R. Lohmann & M. L. Corradini
(Hrsg.), E-Technologies in Engineering Education: Learning Outcomes Providing Future
Possibilities.
https://web.archive.org/web/20230509070915/https://dc.engconfintl.org/cgi/viewconte
184
nt.cgi?referer=&httpsredir=1&article=1012&context=etechnologies
Hoppe, H. U. (2017). Computational Methods for the Analysis of Learning and Knowledge
Building Communities. In Columbia University, USA, C. Lang, G. Siemens, University of
Texas at Arlington, USA, A. Wise, New York University, USA, D. Gasevic, & University of
Edinburgh, UK (Hrsg.), Handbook of Learning Analytics (First, S. 23–33). Society for
Learning Analytics Research (SoLAR). https://doi.org/10.18608/hla17.002
Iberer, U., & Müller, U. (2002). Sozialformen für E-Learning. Werkstatt für Neue Lernkultur.
https://web.archive.org/web/20070819235857/https://www.neue-
lernkultur.de/publikationen/sozialformen-elearning.pdf
IEEE. (2008). IEEE Standard for Learning Technology-Data Model for Reusable Competency
Definitions. IEEE. https://doi.org/10.1109/IEEESTD.2008.4445693
IEEE. (2020a). 1484.12.1-2020—IEEE Standard for Learning Object Metadata.
https://doi.org/10.1109/IEEESTD.2020.9262118
IEEE. (2020b). P2881—Project Definition. https://development.standards.ieee.org/myproject-
web/public/view.html#pardetail/8290
IEEE. (2024). Learning Metadata (LMT). GitLab. https://opensource.ieee.org/lmt/lmt
Imran, H., Belghis-Zadeh, M., Chang, T.-W., Kinshuk, & Graf, S. (2016). PLORS: A personalized
learning object recommender system. Vietnam Journal of Computer Science, 3(1), 3–13.
https://doi.org/10.1007/s40595-015-0049-6
IWWB - InfoWeb Weiterbildung (Hrsg.). (2023). DIN PAS 1045—Weiterbildungsdatenbanken und
Weiterbildungsinformationssysteme—Inhaltliche Merkmale und Formate zum
Datenaustausch.
https://web.archive.org/web/20230930231636/https://www.iwwb.de/information/DIN-
PAS-1045-Weiterbildungsdatenbanken-und-Weiterbildungsinformationssysteme-
Inhaltliche-Merkmale-und-Formate-zum-Datenaustausch-weiterbildung-55.html
Jamali, A., & Mohamad, M. (2018). Dimensions of Learning Styles among Engineering Students.
Journal of Physics: Conference Series, 1049, 012055. https://doi.org/10.1088/1742-
6596/1049/1/012055
Jih, H. J. (1996). The impact of learners’ pathways on learning performance in multimedia
Computer Aided Learning. Journal of Network and Computer Applications, 19(4), 367–380.
https://doi.org/10.1006/jnca.1996.0025
Jimenez Iglesias, M., Faury, M., Iuliani, E., Billon, N., & Gras-Velazquez, A. (2018). European STEM
Schools Report: Key Elements and Criteria.
https://web.archive.org/web/20220120094830/https://files.eun.org/STEMSchoolLabel/S
TEM-School-elements_and_critera_full_report.pdf
Jing, Y., Zhao, L., Zhu, K., Wang, H., Wang, C., & Xia, Q. (2023). Research Landscape of Adaptive
Learning in Education: A Bibliometric Study on Research Publications from 2000 to 2022.
Sustainability, 15(4), 3115. https://doi.org/10.3390/su15043115
JOINTLY.info. (2020). Konsistenz der Metadaten beim OER-Remix sicherstellen.
https://web.archive.org/web/20240205145638/https://jointly.eduloop.de/loop/Such-
_und_Informationsm%C3%B6glichkeiten_nach_und_zu_OER
JOINTLY.info. (2021). Such- und Informationsmöglichkeiten nach und zu OER.
https://web.archive.org/web/20240205145638/https://jointly.eduloop.de/loop/Such-
_und_Informationsm%C3%B6glichkeiten_nach_und_zu_OER
185
Junker, R., Oellers, M., Konjer, S., Rauterberg, T., Zucker, V., Meschede, N., & Holodynski, M.
(2022). Das Meta-Videoportal unterrichtsvideos.net für die Lehrkräftebildung. In R.
Junker, V. Zucker, M. Oellers, T. Rauterberg, S. Konjer, N. Meschede, & M. Holodynski
(Hrsg.), Lehren und Forschen mit Videos in der Lehrkräftebildung. Waxmann Verlag GmbH.
https://doi.org/10.31244/9783830995111
Jyothi, N., Bhan, K., Mothukuri, U., Jain, S., & Jain, D. (2012). A Recommender System Assisting
Instructor in Building Learning Path for Personalized Learning System. 2012 IEEE Fourth
International Conference on Technology for Education, 228–230.
https://doi.org/10.1109/T4E.2012.51
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic
mapping of the literature. Computers and Education: Artificial Intelligence, 2, 100017.
https://doi.org/10.1016/j.caeai.2021.100017
Keindorf, S., Kammerer, L., Kochseder, K., & Welter, M. (2021). Kompetenz-Badges für das k.o.s
LearningLab. Anerkennung digitaler Kompetenzen in der Erwachsenenbildung.
https://web.archive.org/web/20220702042243/https://weitergelernt.de/wp-
content/uploads/2022/05/2021_Badges-kLL_Konzept.pdf
Kennedy, P. (2008). Manifestations of metadata: From Alexandria to the Web – old is new again.
The Australian Library Journal, 57(2), 128–146.
https://doi.org/10.1080/00049670.2008.10722461
Kerres, M., & Buntins, K. (2020). Recommender in AI-enhanced Learning: An Assessment from
the Perspective of Instructional Design. Open Education Studies, 2(1), 101–111.
https://doi.org/10.1515/edu-2020-0119
Kerres, M., & Heinen, R. (2015). Open Informational Ecosystems: The missing link for sharing
resources for education. The International Review of Research in Open and Distributed
Learning, 16, 24–39.
Kerres, M., Hölterhof, T., Gianna, & Schröder, N. (2019). EduArc. Eine Infrastruktur zur
hochschulübergreifenden Nachnutzung digitaler Lernmaterialien. 07.
https://doi.org/10.25592/ISSN2509-3096.007.014
Khor, E. T., & K, M. (2024). A Systematic Review of the Role of Learning Analytics in Supporting
Personalized Learning. Education Sciences, 14(1), 51.
https://doi.org/10.3390/educsci14010051
KIM. (2024). StöberSpecs – Werkzeuge und Verfahren zur Standardisierung von Metadaten.
https://w3id.org/kim/stoeberspecs/
Kirkpatrick, A., Connor, J., Campbell, A., & Cooper, M. (2023). Web Content Accessibility Guidelines
(WCAG) 2.1.
https://web.archive.org/web/20240317002639/https://www.w3.org/TR/WCAG21/
Klaus, B., & Alamo, D. del. (2018). Talent Identification at the limits of Peer Review: An analysis of the
EMBO Postdoctoral Fellowships Selection Process (S. 481655). bioRxiv.
https://doi.org/10.1101/481655
Klebl, M., & Krämer, B. J. (2010). Distributed Repositories for Educational Content. Part 1:
Information Management for Educational Content. eleed, 7(1). http://nbn-
resolving.de/urn:nbn:de:0009-5-27716
Klebl, M., Krämer, B. J., Zobel, A., Hupfer, M., & Lukaschik, C. (2010). Distributed Repositories for
Educational Content. Part 2: Technology. eleed, 7(1). http://nbn-
186
resolving.de/urn:nbn:de:0009-5-27748
KMK. (2023). Anerkennung der Abschlüsse.
https://web.archive.org/web/20240130091905/https://www.kmk.org/themen/allgemein
bildende-schulen/lehrkraefte/anerkennung-der-abschluesse.html
Knight, S., & Buckingham Shum, S. (2017). Theory and Learning Analytics. In Columbia
University, USA, C. Lang, G. Siemens, University of Texas at Arlington, USA, A. Wise, New
York University, USA, D. Gasevic, & University of Edinburgh, UK (Hrsg.), Handbook of
Learning Analytics (First, S. 17–22). Society for Learning Analytics Research (SoLAR).
https://doi.org/10.18608/hla17.001
Knowledge Integration. (2024). Vocabulary Bank for Education (European Schoolnet).
http://europeanschoolnet-vbe.lexaurus.net/vbe/home
Kohls, C., & Wedekind, J. (2008). Die Dokumentation erfolgreicher E-Learning-Lehr-/
Lernarrangements mit didaktischen Patterns. In S. Zauchner, P. Baumgartner, E.
Blaschitz, & A. Weissenbäck (Hrsg.), Offener Bildungsraum Hochschule. Freiheiten und
Notwendigkeiten (Bd. 48, S. 217–227). Waxmann : Münster ; New York ; München ; Berlin.
https://doi.org/10.25656/01:3265
Kolb, A. Y., & Kolb, D. A. (2021). The Kolb Experiential Learning Profile. A Guide to Experiential
Learning Theory, KELP Psychometrics and Research on Validity.
https://web.archive.org/web/20240219091956/https://learningfromexperience.com/do
wnloads/research-library/kelp-2021-technical-specifications.pdf
Koper, R. (2001). Modeling Units of Study from a Pedagogical Perspective: The pedagogical meta-
model behind EML. Educational Technology Expertise Centre (OTEC).
https://web.archive.org/web/20240229114256/http://www.vdl.ufc.br/aprendizagem_me
diada/ped-metamodel.pdf
Kopf, M., Leipold, J., & Seidl, T. (2010). Kompetenzen in Lehrveranstaltungen und Prüfungen:
Handreichung für Lehrende. Zentrum für Qualitätssicherung und -entwicklung (ZQ).
https://web.archive.org/web/20230528222951/https://www.zq.uni-
mainz.de/files/2018/04/Band16.pdf
k.o.s GmbH. (2023). EduScanPro.
https://web.archive.org/web/20231203040012/https://weitergelernt.de/eduscanpro/
Koschorreck, J. (2018). Open Educational Practices (OEP). Der DIE-Wissensbaustein für die Praxis.
https://web.archive.org/web/20220619204804/https://www.die-bonn.de/wb/2018-oep-
01.pdf
Koutsomitropoulos, D. A. (2019). Semantic annotation and harvesting of federated scholarly
data using ontologies. Digital Library Perspectives, 35(3/4), 157–171.
https://doi.org/10.1108/DLP-12-2018-0038
Krämer, B. (2005). Reusable Learning Objects: Let’s give it another trial (4; Forschungsberichte des
Fachbereichs Elektrotechnik & Informationstechni).
https://web.archive.org/web/20221205201917/https://www.fernuni-
hagen.de/imperia/md/content/fakultaetfuermathematikundinformatik/forschung/beric
hteetit/forschungsbericht_4_2005.pdf
Krämer, B. J., & Klebl, M. (2011). Open Educational Resources and the Repository Network edu-
sharing. https://doi.org/10.13140/2.1.4503.1365
Kurilovas, E., Zilinskiene, I., & Dagiene, V. (2014). Recommending suitable learning scenarios
187
according to learners’ preferences: An improved swarm based approach. Computers in
Human Behavior, 30, 550–557. https://doi.org/10.1016/j.chb.2013.06.036
Kushwaha, V., & Prabhakar, T. V. (2019). Harvesting metadata from Open Educational Resources for
semantic annotation of online educational content.
https://web.archive.org/web/20240307112832/https://oasis.col.org/server/api/core/bits
treams/5afdcd46-e690-467f-8237-3762d9bb8447/content,
http://hdl.handle.net/11599/3269
Kutzer, R. (2002). Mathematik entdecken und verstehen: Kommentarband 2. Kutzer Verlag.
Laurillard, D. (2012). Teaching as a Design Science. Building Pedagogical Patterns for Learning and
Technology. Routledge. https://doi.org/10.4324/9780203125083
Lohmeier, F., Pohl, A., & Voß, J. (2023). Einführung in SKOS am Beispiel von Open Educational
Resources (OER). https://web.archive.org/web/20240227140146/https://dini-ag-
kim.github.io/skos-einfuehrung/
LRMI (Hrsg.). (2017). LRMI Concept Scheme: LRMI Educational Audience Role Vocabulary.
https://web.archive.org/web/20231118054904/https://www.dublincore.org/specificatio
ns/lrmi/concept_schemes/educationalAudienceRole/
LRMI Task Group (DCMI). (2017). LRMI Interact Type Vocabulary.
https://web.archive.org/web/20240210152022/https://www.dublincore.org/vocabs/inte
ractivityType.ttl
Ma, H., Tang, Y., Zhang, X., Zhu, H., Huang, P., & Zhang, H. (2023). Learning resource
recommendation via knowledge graphs and learning style clustering. Journal of
Intelligent & Fuzzy Systems, 44(5), 8053–8069. https://doi.org/10.3233/JIFS-222627
Martinez-Ortiz, I., Moreno-Ger, P., Sierra, J. L., & Fernandez-Manjon, B. (2007). Educational
Modeling Languages: A Conceptual Introduction and a High-Level Classification. In B.
Fernández-Manjón, J. M. Sánchez-Pérez, J. A. Gómez-Pulido, M. A. Vega-Rodríguez, & J.
Bravo-Rodríguez (Hrsg.), Computers and Education (S. 27–40). Springer Netherlands.
https://doi.org/10.1007/978-1-4020-4914-9_3
Marzano, R. J., & Kendall, J. S. (2007). The new taxonomy of educational objectives (Second editon).
Corwin Press.
Mayer, H. O., Hertnagel, J., & Weber, H. (2009). Lernzielüberprüfung im eLearning. Oldenbourg
Wissenschaftsverlag. https://doi.org/10.1524/9783486848984
Mayrberger, K., Zawacki-Richter, O., & Müskens, W. (2018). Qualitätsentwicklung von OER –
Vorschlag zur Erstellung eines Qualitätssicherungsinstrumentes für OER am Beispiel der
Hamburg Open Online University: Sonderband zum Fachmagazin Synergie.
https://doi.org/10.25592/978.3.924330.67.5
Meder, N. (2003). Anforderungen an Lernplattformen vor dem Hintergrund des L3-Projektes. In
K. Bett & J. Wedekind (Hrsg.), Lernplattformen in der Praxis: Die in diesem Band
gesammelten Beiträge dokumentieren den Workshop „Lernplattformen in der Praxis“, der am
15. und 16. Mai 2002 am Institut für Wissensmedien in Tübingen stattfand (S. 157–172).
Waxmann.
https://web.archive.org/web/20211108135339/https://www.waxmann.com/index.php?e
ID=download&buchnr=1215
Meder, N. (2006). Web-Didaktik: Eine neue Didaktik webbasierten, vernetzten Lernens. Bertelsmann.
Medienberatung NRW. (2019). Datenschutz an Schulen in NRW. Handreichung für Schulen.
188
https://web.archive.org/web/20240218103708/https://www.medienberatung.schulminis
terium.nrw.de/media/layout/relaunch_2022/pdf/publikation/Datenschutz_Schulen_NRW
_2019.pdf
Meissner, R., & Rückl, M. (2022). Merkmale & Extraktoren.
https://github.com/openeduhub/metalookup/blob/ede58b805706318110210257520976
5d5f806b18/docs/acceptance.md
Menzel, M. (2020). LOM for Higher Education OER Repositories. o-bib. Das offene
Bibliotheksjournal / Herausgeber VDB, 1-10 Seiten. https://doi.org/10.5282/O-BIB/5579
Menzel, M. (2023). Developing a Metadata Profile for Higher Education OER Repositories. In D.
Otto, G. Scharnberg, M. Kerres, & O. Zawacki-Richter (Hrsg.), Distributed Learning
Ecosystems (S. 263–278). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-
3-658-38703-7_14
Metzger, C., Henning, C., Hodel, M., Luzi, R., & Waibel, R. (1993). Anspruchsniveau von Lernzielen
und Prüfungen im kognitiven Bereich: Inhaltsniveaus, Prozessniveaus, Reproduktion und
Transfer (Nummer 10, S. 136).
https://www.alexandria.unisg.ch/handle/20.500.14171/64400
Meyer, H. (2020). Leitfaden Unterrichtsvorbereitung (10. Auflage). Cornelsen.
Meyer, H., & Junghans, C. (2021). Unterrichtsmethoden II - Praxisband (17., komplett überarbeitete
Neuauflage). Cornelsen Pädagogik.
Miles, A., & Bechhofer, S. (2009). SKOS Simple Knowledge Organization System Reference.
https://web.archive.org/web/20240307140634/https://www.w3.org/TR/skos-reference/
Möller, C. (1976). Technik der Lernplanung: Methoden und Probleme der Lernzielerstellung (5. Aufl.).
Beltz.
Moodle (Hrsg.). (2019). Analytics-Indikatoren.
http://web.archive.org/web/20240301133224/https://docs.moodle.org/403/de/Analytics
-Indikatoren
Moodle. (2022). Analytics API.
http://web.archive.org/web/20231122231640/https://moodledev.io/docs/apis/subsyste
ms/analytics
MSB. (2023). Fragen und Antworten zum Datenschutz.
https://web.archive.org/web/20231206101912/https://www.schulministerium.nrw/frage
n-und-antworten-zum-datenschutz
Müller, F. J. (2019). Chancen und Herausforderungen staatlich finanzierter, frei verfügbarer
Bildungsmaterialien (OER) am Beispiel der Plattform ndla.no in Norwegen. Ein Weg zu mehr
Inklusion? https://doi.org/10.25656/01:16993
Müskens, W., Zawacki-Richter, O., & Dolch, C. (2022). Instrument zur Qualitätssicherung von OER -
IQOer – Entwicklungsversion 17. https://doi.org/10.13140/RG.2.2.16987.03363/1
Muuß-Meerholz, J. (2015). Zur Definition von „Open“ in „Open Educational Resources“ – die 5 R-
Freiheiten nach David Wiley auf Deutsch als die 5 V-Freiheiten. OERinfo –
Informationsstelle OER. https://web.archive.org/web/20230607030953/https://open-
educational-resources.de/5rs-auf-deutsch/
Muuß-Meerholz, J. (2019, März 19). „Das ‘O’ in ‘OER’ steht nicht für ‘Qualität’!“ 10 Dinge, die
OER untergeschoben werden. OERinfo – Informationsstelle OER.
https://web.archive.org/web/20231219091331/https://open-educational-
189
resources.de/das-o-in-oer-steht-nicht-fuer-qualitaet-10-dinge-die-oer-untergeschoben-
werden/
Najjar, J., Ternier, S., & Duval, E. (2004). Interoperability of Learning Object Repositories:
Complications and Guidelines. IADIS International Journal on WWW/Internet, 2(1), 1–16.
Neumann, J. (2013). Open Educational Resources (OER). Bibliotheksdienst, 47(11), 805–819.
https://doi.org/10.1515/bd-2013-0094
Niegemann, H., & Stadler, S. (2001). Hat noch jemand eine Frage? Systematische
Unterrichtsbeobachtung zu Häufigkeit und kognitivem Niveau von Fragen im Unterricht.
https://doi.org/10.25656/01:7716
Nilsson, M. (2010). From interoperability to harmonization in metadata standardization designing
an evolvable framework for metadata harmonization. Skolan för datavetenskap och
kommunikation, Kungliga Tekniska högskolan.
https://web.archive.org/web/20221013051438/https://kmr.dialectica.se/papers/Semanti
cWeb/FromInteropToHarm-MikaelsThesis.pdf
NISO. (2010). Guidelines for the construction, format, and management of monolingual controlled
vocabulary. NISO Press.
https://web.archive.org/web/20221204175852/https://groups.niso.org/higherlogic/ws/
public/download/12591/z39-19-2005r2010.pdf
Normann, M., Haug, J., Valencia, Y., Abke, J., & Hagel, G. (2023). Adaptive Learning Path
Sequencing Based on Learning Styles within N-dimensional Spaces. Proceedings of the
5th European Conference on Software Engineering Education, 56–64.
https://doi.org/10.1145/3593663.3593676
Ochoa, X., & Duval, E. (2009). Automatic evaluation of metadata quality in digital repositories.
International Journal on Digital Libraries, 10(2–3), 67–91. https://doi.org/10.1007/s00799-
009-0054-4
Oellers, M. (2023). Architekturkonzept: Vernetzte Bildungsinfrastruktur.
https://web.archive.org/web/20240123075827/https://comein.nrw/portal/ags/metaport
al/architekturkonzept/
Oellers, M., Junker, R., & Holodynski, M. (2024). Individual learning paths mastering teachers’
professional vision. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1305073
OERSI. (2024). Introduce additional vocabulary for `about` to describe cross discipline core
competencies. https://gitlab.com/oersi/oersi-etl/-/issues/251
Ohly, H. P., Rahmstorf, G., & Sigel, A. (Hrsg.). (2000). Globalisierung und Wissensorganisation: Neue
Aspekte für Wissen, Wissenschaft und Informationssysteme: Proceedings der 6. Tagung der
Deutsche Sektion der Internationalen Gesellschaft für Wissensorganisation, Hamburg, 23.-25.
September 1999. Ergon.
Oser, F., & Patry, J. L. (1990). Choreographien unterrichtlichen Lernens: Basismodelle des Unterrichts.
Pädagogisches Institut der Universität Freiburg.
P21 (2019). Framework for 21st century learning definitions.
https://web.archive.org/web/20240307235641/https://www.battelleforkids.org/wp-
content/uploads/2023/11/P21_Framework_DefinitionsBFK.pdf
Papenkort, U., Iberer, U., Alsheimer, M., & Müller, U. (2015). Ein Wegweiser durch den
Methoden-Dschungel in der Erwachsenenbildung. In: Lehren Lernen/Können. DIE
Zeitschrift für Erwachsenenbildung, 3, 44-45. https://doi.org/10.3278/DIE1503W
190
Pawlowski, J. M. (2001). Essener-Lern-Modell (ELM): Ein Vorgehensmodell zur Entwicklung
computerunterstützter Lernumgebungen. https://nbn-resolving.org/urn:nbn:de:hbz:465-
miless-010262-1
Pawlowski, J. M. (2002). Modellierung didaktischer Konzepte. In Informatik bewegt: Informatik
2002—32. Jahrestagung der Gesellschaft für Informatik e.v. (GI) (S. 369–374). Gesellschaft
für Informatik e.V.
https://web.archive.org/web/20240130165932/https://cs.emis.de/LNI/Proceedings/Proc
eedings19/GI-Proceedings.19-56.pdf
Pellegrini, T., & Blumauer, A. (Hrsg.). (2006). Semantic Web: Wege zur vernetzten
Wissensgesellschaft. Springer.
Petz, G. (2023). Linked Open Data. Zukunftsweisende Strategien. Bibliothek Forschung und Praxis,
47(2), 213–222. https://doi.org/10.1515/bfp-2023-0006
Pfaffmann, C., & Roth, J. (2022). Entwicklung einer universellen Konfigurations- und Lehr-Lern-
Umgebung (UKuLeLe) zur Erstellung und Nutzung digitaler Lernpfade. Digitales Lernen
in Distanz und Präsenz: Herbsttagung 2021 des Arbeitskreises Mathematikunterricht und
digitale Werkzeuge in der Gesellschaft für Didaktik der Mathematik am 24.09.2021, 99.
https://doi.org/10.17185/DUEPUBLICO/76039
Pfiffner, M., Sterel, S., & Hassler, D. (2021). 4K und digitale Kompetenzen: Chancen und
Herausforderungen (1. Auflage). hep.
PhET (2024). Inclusive Design: Features. https://phet.colorado.edu/en/inclusive-design/features
Pohl, A., Klinger, A., Hartmann, B., Schuurbiers, C., Steeg, F., Kummerländer, M., Oellers, M.,
Stengel, M., Hoffmann, M., Rörtgen, S., Kulla, S., & Bülte, T. (2023). Allgemeines
Metadatenprofil für Bildungsressourcen (AMB). https://dini-ag-
kim.github.io/amb/20231019/
Pohl, A., Mausch, M., & Henning, P. (2017). „Was haben wir denn da?“ Open Educational Resources
im Web auffindbar machen. 04.
https://web.archive.org/web/20231209120958/https://www.synergie.uni-
hamburg.de/de/media/ausgabe04/synergie04-beitrag15-pohl-mandausch-henning.pdf
Pomerantz, J. (2015). Metadata. The MIT Press. https://doi.org/10.7551/mitpress/10237.001.0001
Puentedura, R. R. (2013). SAMR: Moving from enhancement to transformation.
https://web.archive.org/web/20240118075307/http://www.hippasus.com/rrpweblog/ar
chives/2013/05/29/SAMREnhancementToTransformation.pdf
QUA-LiS NRW. (2024). Methodensammlung: Übersicht.
https://web.archive.org/web/20240208120941/https://www.schulentwicklung.nrw.de/c
ms/methodensammlung/methodensammlung/uebersicht/index.html
Rahayu, N. W., Ferdiana, R., & Kusumawardani, S. S. (2023). A systematic review of learning path
recommender systems. Education and Information Technologies, 28(6), 7437–7460.
https://doi.org/10.1007/s10639-022-11460-3
Raj, N. S., & Renumol, V. G. (2022). A systematic literature review on adaptive content
recommenders in personalized learning environments from 2015 to 2020. Journal of
Computers in Education, 9(1), 113–148. https://doi.org/10.1007/s40692-021-00199-4
Raj, N. S., & Renumol, V. G. (2024). An improved adaptive learning path recommendation model
driven by real-time learning analytics. Journal of Computers in Education, 11, 121–148.
https://doi.org/10.1007/s40692-022-00250-y
191
Recker, M. M., & Wiley, D. A. (2001). A Non-authoritative Educational Metadata Ontology for
Filtering and Recommending Learning Objects. Interactive Learning Environments, 9(3),
255–271. https://doi.org/10.1076/ilee.9.3.255.3568
Reichow, I., Buntins, K., Paaßen, B., Abu-Rasheed, H., Weber, C., & Dornhöfer, M. (2022).
Recommendersysteme in der beruflichen Weiterbildung. Grundlagen, Herausforderungen
und Handlungsempfehlungen. Ein Dossier im Rahmen des INVITE-Wettbewerbs. pedocs.
http://nbn-resolving.de/urn:nbn:de:0111-pedocs-245172
Reichow, I., Hochbauer, M., & Goertz, L. (2021). Standards und Empfehlungen zur Umsetzung
digitaler Weiterbildungsplattformen in der beruflichen Bildung. Ein Dossier im Rahmen des
INVITE-Wettbewerbs (1. Aufl.). Bundesinstitut für Berufsbildung. https://res.bibb.de/vet-
repository_779586
Rensing, C. (2013). Standards für Lehr- und Lerntechnologien. Metadaten, Inhaltsformate und
Beschreibung von Lernprozessen. In M. Ebner & S. Schön (Hrsg.), Lehrbuch für Lernen
und Lehren mit Technologien (2. Aufl.). epubli. https://doi.org/10.25656/01:8336
Riley, J. (2017). Understanding metadata: What is metadata, and what is it for? NISO Press.
https://web.archive.org/web/20240212204238/http://groups.niso.org/higherlogic/ws/p
ublic/download/17446/Understanding%20Metadata.pdf
Rivera Muñoz, J., Berríos, H., & Arias-Gonzáles, J. (2022). Systematic Review of Adaptive Learning
Technology for Learning in Higher Education. Eurasian Journal of Educational Research
(EJER), 98, 221–233. https://doi.org/10.14689/ejer.2022.98.014
Roa, J. (2023). Content types recommendations. https://help.h5p.com/hc/en-
us/articles/7505649072797-Content-types-recommendations
Robson, R. (2001). Pedagogic Metadata. Interactive Learning Environments, 9(3), 207–218.
https://doi.org/10.1076/ilee.9.3.207.3574
Rogers, E. M. (1983). Diffusion of innovations (3. Aufl.). Free Press ; Collier Macmillan.
Rohde, M., Eisenträger, M., Wittenbrink, N., Straub, S., & Gabriel, P. (2022). Datenqualität und
Qualitätsmetriken in der Datenwirtschaft. Grundlagen, Praxis, Handlungsempfehlungen. Eine
Studie im Auftrag des Bundesministeriums für Wirtschaft und Klimaschutz von der
Begleitforschung zum Technologieprogramm „Smarte Datenwirtschaft“.
https://web.archive.org/web/20240318101715/https://www.digitale-
technologien.de/DT/Redaktion/DE/Downloads/Publikation/SDW/2022_11_15_Datenmetr
iken_Studie.pdf?__blob=publicationFile&v=1%2A
Rörtgen, S. (2021a). Mapping von SKOS-Vokabularen mit Cocoda am Beispiel von
Bildungsmetadaten. GWDG Nachrichten 08-09|21, 44(8–9), 9–12.
Rörtgen, S. (2021b). Metadatenharmonisierung in ETL-Prozessen mit SkoHub im Projekt
WirLernenOnline. Göttingen Research Online / Data.
https://doi.org/10.25625/DN1X3A/NWIZQA
Rörtgen, S. (2023). Handreichung: „Kooperation von Portalen: Sondierung von Metadaten zur
Herstellung von Interoperabilität“. Zenodo. https://doi.org/10.5281/zenodo.8354164
Rörtgen, S., Brenner, R., Zimmermann, H., Hupfer, M., Zobel, A., Lucke, U., Röpke, R., &
Schroeder, U. (2023). Metadata Standards in National Education Infrastructure:
Development of Evaluation Criteria and Their Exemplary Application. Lecture Notes in
Informatics (LNI), 143–154. https://doi.org/10.18420/DELFI2023-24
Rörtgen, S., & Pohl, A. (2023). SkoHub—Unleash the full potential of controlled vocabularies.
192
https://doi.org/10.5281/ZENODO.8405968
Roth, J. (2014). Lernpfade – Definition, Gestaltungskriterien und Unterrichtseinsatz. In J. Roth, E.
Süss-Stepancik, & H. Wiesner (Hrsg.), Medienvielfalt im Mathematikunterricht (S. 3–25).
Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-06449-5_1
Rühle, S. (2012). Kleines Handbuch Metadaten. Metadatenprofile.
https://web.archive.org/web/20221216172525/https://wiki.dnb.de/download/attachme
nts/43523047/201209_metadaten.pdf
Rustici Software LLC (Hrsg.). (2023). A timeline and description of the eLearning standards.
https://web.archive.org/web/20231207125924/https://scorm.com/scorm-
explained/business-of-scorm/scorm-versions/
Sanz, J., Dodero, J. M., Informáticos, S., & Sánchez-Alonso, S. (2008, September). Aprioristic
Learning Object Reusability Evaluation.
https://web.archive.org/web/20130801000000*/https://www.cc.uah.es/ssalonso/papers
/SIIE2008.pdf
Sasse, A. (2014). Unterrichtsvorbereitung und Leistungseinschätzung im Gemeinsamen
Unterricht. In Gemeinsam unterwegs zur inklusiven Schule. S. Peters & U. Widmer-
Rockstroh. https://web.archive.org/web/20240318102005/http://gu-
thue.de/material/itag14/Unterrichtsvorbereitung_Leistungseinschaetzung_GU.pdf
schema.org. (2024a). interactivityType v24.0.
https://web.archive.org/web/20240113064553/https://schema.org/interactivityType
schema.org. (2024b). Audience v25.0.
https://web.archive.org/web/20240208131856/https://schema.org/audience
Schmidt, R. (2009). Selbstgesteuertes Lernen durch Lernpfade. 100. MNU Kongress, Regensburg.
Schmiech, M. (2006). Didaktische Ontologien zur Organisation digitaler Objekte in der Arbeit von
Lehrkräften. https://web.archive.org/web/20240303171519/https://www.zhb-
flensburg.de/fileadmin/content/spezial-
einrichtungen/zhb/dokumente/dissertationen/schmiech/schmiech-2006-didaktische-
ontologien-zur-organisation-digitaler-objekte-in-der-avl.pdf
Schulmeister, R. (2000). Didaktische Aspekte hypermedialer Lernsysteme. In R. Kammerl (Hrsg.),
Computerunterstütztes Lernen (S. 40–52). DE GRUYTER.
https://doi.org/10.1515/9783486803846
Schulmeister, R. (2002). Taxonomy of multimedia component interactivity: A contribution to the
current metadata debate. It - Information Technology, 44(4), 193–199.
https://doi.org/10.1524/itit.2002.44.4.193
Schulmeister, R. (2003). Taxonomy of Multimedia Component Interactivity. A contribution to the
current metadata debate. Studies in communication sciences, 3(2), 61–80.
https://doi.org/10.5169/seals-823704
Schulmeister, R. (2007). Grundlagen hypermedialer Lernsysteme: Theorie - Didaktik - Design.
Oldenbourg Wissenschaftsverlag. https://doi.org/10.1524/9783486594096
Sicilia, M.-A., & Garcia, E. (2003). On the Concepts of Usability and Reusability of Learning
Objects. The International Review of Research in Open and Distributed Learning, 4(2).
https://doi.org/10.19173/irrodl.v4i2.155
Siemens, G. (2013). Learning Analytics: The Emergence of a Discipline. American Behavioral
Scientist, 57(10), 1380–1400. https://doi.org/10.1177/0002764213498851
193
Siemens, G., & Baker, R. S. J. D. (2012). Learning analytics and educational data mining: Towards
communication and collaboration. Proceedings of the 2nd International Conference on
Learning Analytics and Knowledge, 252–254. https://doi.org/10.1145/2330601.2330661
Sitthisak, O., & Gilbert, L. (2011). Interoperable Assessment Based on Competency Modelling. In
Handbook of Research on E-Learning Standards and Interoperability: Frameworks and Issues
(S. 21–40). IGI Global. https://doi.org/10.4018/978-1-61692-789-9
SkillsCommons. (2023). Accessibility Requirement Guidelines.
https://web.archive.org/web/20240318102300/https://support.skillscommons.org/hom
e/contribute-manage/prepare-materials/ada-requirements/
Solomou, G., Pierrakeas, C., & Kameas, A. (2015). Characterization of Educational Resources in e-
Learning Systems Using an Educational Metadata Profile. Journal of Educational
Technology & Society, 18(4), 246–260.
Statistisches Bundesamt (Destatis). (2021). Bildung und Kultur. Prüfungen an Hochschulen.
Fachserie 11 Reihe 4.2.
https://web.archive.org/web/20240318102439/https://www.destatis.de/DE/Themen/Ge
sellschaft-Umwelt/Bildung-Forschung-Kultur/Hochschulen/Publikationen/Downloads-
Hochschulen/pruefungen-hochschulen-2110420207004.pdf?__blob=publicationFile
Steiner, T. (2018). Metadaten und OER: Geschichte einer Beziehung.
https://doi.org/10.25656/01:15741
Steven, M. (2010, September 20). The One-To-One Principle: Challenges in Current Practice.
Proceedings of the International Conference on Dublin Core and Metadata Applications.
https://doi.org/10.23106/DCMI.952109970
Stracke, C. M. (2006). Die Bedeutung von Qualitätsstandards für E-Learning in der
Entwicklungszusammenarbeit. In Qualitätssicherung und Qualitätsmanagement im e-
Learning: Beiträge zur Anwendung der PAS 1032-1 (1. Aufl., S. 97–112). Beuth.
Stracke, C. M. (2007). Kategoriales Referenzmodell für E-Learning-Standards und E-Learning-
Standardisierung im Überblick. 2, 8–20.
https://web.archive.org/web/20240130080631/https://duepublico2.uni-
due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00033370/Referenzmodell_St
racke_ZfE_2007-02.pdf
Stumpp, B. (2003). E-Learning Standards und Learning Objects – eine problematische
Beziehung. In K. Bett & J. Wedekind (Hrsg.), Lernplattformen in der Praxis (S. 137–156).
Waxmann.
Sutton, S. A. (2004). Metadata in the education sector. In G. E. Gorman & D. Dorner (Hrsg.),
Metadata applications and management (S. 141–160). Facet;
https://archive.org/details/metadataapplicat0000unse/page/140/mode/2up?view=theat
er
Swertz, C. (2004). Didaktisches Design: Ein Leitfaden für den Aufbau hypermedialer Lernsysteme mit
der Web-Didaktik. Bertelsmann.
https://web.archive.org/web/20230923111943/https://homepage.univie.ac.at/christian.
swertz/texte/2004_webdidaktik/6001_330_Gesamtdokument.pdf
Swertz, C. (2005). Web-Didaktik. Eine didaktische Ontologie in der Praxis. MedienPädagogik:
Zeitschrift für Theorie und Praxis der Medienbildung, 10(Medien in der Erz.-wiss. II), 1–24.
https://doi.org/10.21240/mpaed/10/2005.09.12.X
194
Swick, R. (2001). Metadata and Resource Description. https://www.w3.org/Metadata/
Tavakoli, M., Elias, M., Kismihok, G., & Auer, S. (2020). Quality Prediction of Open Educational
Resources A Metadata-based Approach. 2020 IEEE 20th International Conference on
Advanced Learning Technologies (ICALT), 29–31.
https://doi.org/10.1109/ICALT49669.2020.00007
Tavakoli, M., Elias, M., Kismihók, G., & Auer, S. (2021). Metadata Analysis of Open Educational
Resources. https://doi.org/10.48550/ARXIV.2101.07735
Tischler, F., Heck, T., & Rittberger, M. (2022). Nützlichkeit und Nutzbarkeit von Metadaten bei der
Suche und Bereitstellung von offenen Bildungsressourcen. Information – Wissenschaft &
Praxis, 73(5–6), 253–263. https://doi.org/10.1515/iwp-2022-2238
Trim, J. L. M., Butz, M., Rat für Kulturelle Zusammenarbeit, & Goethe-Institut Inter Nationes
(Hrsg.). (2010). Gemeinsamer europäischer Referenzrahmen für Sprachen: Lernen, lehren,
beurteilen: Niveau A1, A2, B1, B2, C1, C2 (9. Nachdr.). Langenscheidt.
twillo. (2024a). Twillo. FAQ. Fragen zu den Metadaten.
https://web.archive.org/web/20240131102059/https://www.twillo.de/oer/web/faq/#acc
ordion_accordion_nr-3_item_9
twillo. (2024b). Twillo. Qualität.
https://web.archive.org/web/20240202155534/https://www.twillo.de/oer/web/qualitaet
Ullrich, M., Maier, A., & Angele, J. (2003). Taxonomie, Thesaurus, Topic Map, Ontologie—Ein
Vergleich (V.1.3).
https://web.archive.org/web/20060925070352/http://www.ontoprise.de/content/e1276/
e1358/e1362/TaxonomieThesaurusTopicMapOntologiev13_ger.pdf
UNESCO. (2012). International standard classification of education: ISCED 2011. UNESCO Institute
for Statistics.
https://web.archive.org/web/20231015222459/https://uis.unesco.org/sites/default/files
/documents/international-standard-classification-of-education-isced-2011-en.pdf
UNESCO. (2019). Recommendation on Open Educational Resources (OER).
https://web.archive.org/web/20240318102812/https://www.unesco.org/en/legal-
affairs/recommendation-open-educational-resources-oer
Universität Tübingen (Hrsg.). (2024). ZOERR. Fragen zu den Metadaten des Materials.
https://web.archive.org/web/20221205235628/https://www.oerbw.de/faqmeta.html
Universität zu Köln (Hrsg.). (2024). ViLLA 2.0—Lernen mit Unterrichtsvideos.
https://web.archive.org/web/20240208121231/https://services.ub.uni-
koeln.de/cdm/search/collection/test_schulvideos
Vallejo-Figueroa, S., Rodriguez-Artacho, M., Castro-Gil, M., & Cristobal, E. S. (2018). Using text
mining and linked open data to assist the mashup of educational resources. 2018 IEEE
Global Engineering Education Conference (EDUCON), 1606–1611.
https://doi.org/10.1109/EDUCON.2018.8363427
van den Berk, I., & Schultes, K. (Hrsg.). (2023). PatternPool. https://www.patternpool.de/
W3C. (2013). Linked Data Glossary. https://www.w3.org/TR/ld-glossary/#x5-star-linked-open-
data
W3C. (2024a). RDF 1.2 Concepts and Abstract Syntax. https://www.w3.org/TR/rdf12-concepts/
W3C. (2024b). RDF 1.2 Semantics. https://www.w3.org/TR/rdf12-semantics/
Wang, R. Y., & Strong, D. M. (1996). Beyond Accuracy: What Data Quality Means to Data
195
Consumers. Journal of Management Information Systems, 12(4), 5–33.
https://doi.org/10.1080/07421222.1996.11518099
Wannemacher, K., Lübcke, M., & Bodmann, L. (2021). Qualitätsentwicklung für freie Lehr- und
Lernmaterialien. Konzeptionelle Überlegungen und Entwurf eines Instruments der
Qualitätssicherung für das Portal twillo (2; HIS-HE:Projektbericht).
https://web.archive.org/web/20231203105245/https://medien.his-
he.de/fileadmin/user_upload/Publikationen/Forum_Hochschulentwicklung/FHE_2021-
02_Q-OER_WEB.pdf
Wannemacher, K., Stein, M., & Kaemena, A. (2023). Offene Bildungsinfrastrukturen. Anforderungen
an eine OER-förderliche IT-Infrastruktur (1; HIS-HE:Projektbericht).
https://web.archive.org/web/20231205043709/https://medien.his-
he.de/fileadmin/user_upload/20230323_Schlussbericht_Offene_Bildungsinfrastrukturen.
pdf
Wember, F. B. (2013). Herausforderung Inklusion: Ein präventiv orientiertes Modell schulischen
Lernens und vier zentrale Bedingungen inklusiver Unterrichtsentwicklung. In Zeitschrift
für Heilpädagogik (Bd. 64, Nummer 10, S. 380–388).
Wildt, J., & Wildt, B. (2011). Lernprozessorientiertes Prüfen im „Constructive Alignment”. In
Neues Handbuch Hochschullehre, Teil H: Prüfungen und Leistungskontrollen.
Weiterentwicklung des Prüfungssystems in der Konsequenz des Bologna-Prozesses (S. 1–46).
Raabe. https://web.archive.org/web/20220125100514/https://www.hrk-
nexus.de/fileadmin/redaktion/hrk-nexus/07-Downloads/07-03-Material/pruefen.pdf
Wilkinson, M. D., Dumontier, M., Aalbersberg, Ij. J., Appleton, G., Axton, M., Baak, A., Blomberg,
N., Boiten, J.-W., Da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T.,
Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., … Mons, B. (2016).
The FAIR Guiding Principles for scientific data management and stewardship. Scientific
Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18
Winter Group. (2014). LRMI Survey Report. July 2014 Update. Momentum. Opportunity. Outreach.
https://web.archive.org/web/20240203134714/https://www.dublincore.org/resources/lr
mi/499-002-LRMI-2014-Education-Survey-Web.pdf
WLO. (2023). Qualitätssicherung. Wir lernen online.
https://web.archive.org/web/20231208071251/https://wirlernen.online/qualitaetssicher
ung/
Wu, M., Richard, S. M., Verhey, C., Castro, L. J., Cecconi, B., & Juty, N. (2023). An Analysis of
Crosswalks from Research Data Schemas to Schema.org. Data Intelligence, 5(1), 100–121.
https://doi.org/10.1162/dint_a_00186
Yassine, S., Kadry, S., & Sicilia, M. A. (2016). Learning Analytics and Learning Objects
Repositories: Overview and Future Directions. In M. J. Spector, B. B. Lockee, & M. D.
Childress (Hrsg.), Learning, Design, and Technology (S. 1–29). Springer International
Publishing. https://doi.org/10.1007/978-3-319-17727-4_13-1
Zawacki-Richter, O., & Mayrberger, K. (2017). Qualität von OER: Internationale
Bestandsaufnahme von Instrumenten zur Qualitätssicherung von Open Educational
Resources (OER) – Schritte zu einem deutschen Modell am Beispiel der Hamburg Open
Online University Sonderband zum Fachmagazin Synergie.
https://doi.org/10.25592/978.3.924330.61.3
196
Zeng, M. L., & Chan, L. M. (2009). Semantic Interoperability. In Encyclopedia of library and
information sciences (3. Aufl., Bd. 1, S. 4645–4662). Taylor & Francis.
https://doi.org/10.1081/E-ELIS3-120043711
Zhu, H., Tian, F., Wu, K., Shah, N., Chen, Y., Ni, Y., Zhang, X., Chao, K.-M., & Zheng, Q. (2018). A
multi-constraint learning path recommendation algorithm based on knowledge map.
Knowledge-Based Systems, 143, 102–114. https://doi.org/10.1016/j.knosys.2017.12.011
Ziedorn, F., Derr, E., & Neumann, J. (2013). Metadaten für Open Educational Resources (OER). Eine
Handreichung für die öffentliche Hand, erstellt von der Technischen Informationsbibliothek
(TIB). https://doi.org/10.25656/01:8024
Ziener, G. (2006). Bildungsstandards in der Praxis. Kompetenzorientiert unterrichten. 1. Aufl.
Kallmeyer.
197
10 Anlagen
Anlage: Vergleich der E-Learning-Standards für die Distribution von Content (Rustici Software LLC, 2023)
Standard
Veröffentlichung
Weit verbreitet
Echtzeit-Kommunikation
Paketisierung
Metadaten
Sequenzierung
Domainübergreifend
AICC HACP
Feb 1998
Ja
Ja
Ja
Nein
Nein
Ja
SCORM 1.0
Jan 2000
Nein
Ja
Ja
Ja
Nein
Nein
SCORM 1.1
Jan 2001
Nein
Ja
Ja
Ja
Nein
Nein
SCORM 1.2
Okt 2001
Ja
Ja
Ja
Ja
Nein
Nein
SCORM 2004
1st Edition
Jan 2004
Nein
Ja
Ja
Ja
Ja
Nein
SCORM 2004
2nd Edition
Jul 2004
Ja
Ja
Ja
Ja
Ja
Nein
SCORM 2004
3rd Edition
Okt 2006
Ja
Ja
Ja
Ja
Ja
Nein
SCORM 2004
4th Edition
Mär 2009
Ja
Ja
Ja
Ja
Ja
Nein
IMS Common
Cartridge
Okt 2008
Nein
Nein
Ja
Ja
Nein
Ja
IMS LTI
Mai 2010
Ja (LMS)
Ja
Nein
Nein
Nein
Ja
xAPI
Apr 2013
Noch nicht
Ja
Teilweise
Nein
Nein
Ja
cmi5
Jun 2016
Noch nicht
Ja
Ja
Nein
Nein
Ja
(Quelle: scorm.com/scorm-explained/business-of-scorm/scorm-versions, übersetzt)
198
Anlage: Matrix der Lehramtstypen: Bundesländer - Schularten (Lehramtsstudiengänge)
Hinweis: Vokabulare bilden nur eine Momentaufnahme ab.
Bundesland / Typ
Typ 1
Typ 2
Typ 3
Typ 4
Typ 5
Typ 6
Baden-
Württemberg
Grundschulen (Lehramt
Grundschule)
-
Werkreal-, Haupt-, Real-
und Gemeinschaftsschulen
(Lehramt Sekundarstufe
I)
Gymnasien, Berufliche
Schulen und
Gemeinschaftsschulen
(Lehramt Gymnasium)
Berufliche Schulen
(Höheres Lehramt an
beruflichen Schulen)
Sonderschulen (Lehramt
Sonderpädagogik)
Bayern
Grundschulen (Lehramt an
Grundschulen)
-
Mittelschulen; Realschulen
(Lehramt an
Mittelschulen; Lehramt
an Realschulen)
Gymnasien (Lehramt an
Gymnasien)
Berufliche Schulen
[Berufsschule,
Berufsfachschule,
Wirtschaftsschule,
Fachschule,
Fachoberschule,
Berufsoberschule,
Fachakademie] (Lehramt
an beruflichen Schulen)
Förderschulen, mobile
sonderpädagogische
Dienste (Lehramt für
Sonderpädagogik)
Berlin
Grundschulen (Lehramt an
Grundschulen)
-
-
Integrierte
Sekundarschulen und
Gymnasien (Lehramt an
Integrierten
Sekundarschulen (ISS)
und Gymnasien)
Berufliche Schulen
(Lehramt an beruflichen
Schulen)
-
Brandenburg
Grundschulen (Lehramt
für die Primarstufe)
-
Oberschulen,
Gesamtschulen, Gymnasien
(Lehramt für die
Sekundarstufen I und II
(allgemeinbildende
Fächer) mit
Schwerpunktbildung auf
die Sekundarstufe I)
Oberschulen,
Gesamtschulen,
Gymnasien, Berufliches
Gymnasium (Lehramt für
die Sekundarstufen I und
II (allgemeinbildende
Fächer) mit
Schwerpunktbildung auf
die Sekundarstufe II)
-
-
Bremen
Grundschulen [befähigt
auch zum Unterricht in den
Jahrgangsstufen 5-6]
(Lehramt an
Grundschulen)
-
-
Gymnasien und
Oberschulen [befähigt auch
zum Unterricht in den
allgemeinbildenden
Fächern der
berufsbildenden Schulen]
(Lehramt an Gymnasien
und Oberschulen)
Berufsbildende Schulen
(befähigt auch zum
Unterricht in den
Jahrgangsstufen 7-13 der
Oberschule sowie in den
Jahrgangsstufen 7-12 des
Gymnasiums) (Lehramt an
berufsbildenden Schulen)
Grundschulen,
Oberschulen
(Inklusionsklassen) und
Förderzentren (Lehramt
für Inklusive
Pädagogik/Sonderpädago
gik)
199
Hamburg
-
Grund- und
Stadtteilschulen,
Gymnasien Sek. I (Lehramt
der Primarstufe und
Sekundarstufe I (LAPS))
-
Gymnasien und
Stadtteilschulen,
Berufsschulen
(Lehramt an Gymnasien
(LAGym))
Berufsschulen,
Stadtteilschulen und (Fach-
)Gymnasien (Lehramt an
beruflichen Schulen
(LAB))
(inklusive) Schulen,
Förderschulen, Regionale
Bildungs- und
Beratungszentren (ReBBZ)
(Lehramt für
Sonderpädagogik)
Hessen
Grundschulen
(Lehramt an
Grundschulen)
-
Haupt- und Realschulen;
Gymnasien und
Gesamtschulen
[Sekundarstufe I]
(Lehramt an Haupt- und
Realschulen)
Gymnasien; Haupt- und
Realschulen;
Gesamtschulen; Berufliche
Schulen/Berufliches
Gymnasium (in den
allgemeinbildenden
Fächern) (Lehramt an
Gymnasien)
Berufliche
Schulen/Berufliche
Gymnasien; Gymnasien (in
den allgemeinbildenden
Fächern) (Lehramt an
beruflichen Schulen)
Förderschulen;
Grundschulen
(Förderrichtung); Haupt-
und Realschulen (im
studierten Fach) (Lehramt
an Förderschulen)
Mecklenburg-
Vorpommern
Grundschulen
(Lehramt an
Grundschulen)
-
Regionale Schulen und
Gesamtschulen
(Lehramt an Regionalen
Schulen)
Gymnasien, Gesamtschulen
und Berufliche Schulen
(Lehramt an Gymnasien)
Berufliche Schulen
(Lehramt an beruflichen
Schulen)
Förderschulen und alle
anderen Schularten
(Lehramt für
Sonderpädagogik)
Niedersachsen
Grundschulen
(Lehramt an
Grundschulen)
-
Haupt-, Real-, Oberschulen,
Gesamtschulen
(Lehramt an Haupt- und
Realschulen)
Gymnasien, Gesamtschulen
(Lehramt an Gymnasien)
Berufsbildende Schulen)
(Lehramt an
berufsbildenden Schulen)
Förderschulen, alle
allgemein bildenden
Schularten (Lehramt für
Sonderpädagogik)
Nordrhein-
Westfalen
Grundschulen,
Primussschulen (Lehramt
an Grundschulen)
-
Haupt-, Real- und
Gesamtschulen; an
Gesamtschulen in den
Jahrgangsstufen 5-10.
Außerdem an Sekundar-,
Gemeinschafts- und
Primusschulen sowie an
Weiterbildungskollegs.
(Lehramt an Haupt-, Real-
, Sekundar- und
Gesamtschulen)
Gymnasien und
Gesamtschulen, außerdem
an Berufskollegs,
Sekundar-, Gemeinschafts-
und Primusschulen sowie
an Weiterbildungskollegs.
(Lehramt an Gymnasien
und Gesamtschulen)
Berufskollegs (Lehramt an
Berufskollegs)
Förderschulen, außerdem
in anderen Schularten
entsprechend der
fachlichen und
sonderpädagogischen
Anforderungen (Lehramt
für sonderpädagogische
Förderung)
Rheinland-Pfalz
Grundschulen (Lehramt an
Grundschulen)
-
Realschulen plus,
Gesamtschulen
(Lehramt an Realschulen
plus)
Gymnasien, Berufsbildende
Schulen, Gesamtschulen
(Lehramt an Gymnasien)
Berufsbildende Schulen,
Gymnasien (falls zwei
allgemeinbildende Fächer),
Gesamtschulen (Lehramt
an berufsbildenden
Schulen)
Förderschulen, zur
Inklusion an allen
Schularten (Lehramt an
Föderschulen)
200
Saarland
Grundschulen (Lehramt
für die Primarstufe)
-
Gemeinschaftsschulen
(Lehramt für die
Sekundarstufe I
(Klassenstufen 5-10))
Gymnasien und
Gemeinschaftsschulen
(Lehramt für die
Sekundarstufe I und die
Sekundarstufe II
(Gymnasien und
Gemeinschaftsschulen))
Berufliche Schulen
(Lehramt an beruflichen
Schulen)
-
Sachsen
Grundschulen
(Lehramt an
Grundschulen)
-
Oberschulen
(Lehramt an
Oberschulen)
Gymnasien (Lehramt an
Gymnasien)
Berufsbildende Schulen
(Lehramt an
berufsbildenden Schulen)
Förderschulen (Lehramt
Sonderpädagogik)
Sachsen-Anhalt
Grundschulen
(Lehramt an
Grundschulen)
-
Sekundarschulen,
Gesamtschulen,
Gemeinschaftsschulen
(Lehramt an
Oberschulen)
Gymnasien,
Gesamtschulen,
Gemeinschaftsschulen,
Berufsbildende Schulen
(Lehramt an Gymnasien)
Berufsbildende Schulen
(Lehramt an
berufsbildenden Schulen)
Förderschulen,
Grundschulen,
Sekundarschulen,
Gesamtschulen,
Gemeinschaftsschulen
(Lehramt an
Föderschulen)
Schleswig-Holstein
Grundschulen
(Lehramt an
Grundschulen)
-
Gemeinschaftsschulen; bei
besonderem Bedarf auch in
geeigneten
Bildungsgängen anderer
Schularten
(Lehramt an
Gemeinschaftsschulen)
Gymnasien,
Gemeinschaftsschulen mit
Oberstufe,
Wirtschaftsgymnasien,
Berufsbildende Schulen
(Lehramt an Gymnasien)
Berufsbildende Schulen,
Gemeinschaftsschulen,
Gymnasien (Lehramt an
berufsbildenden Schulen)
Förderzentren; alle
Schularten (integrativ)
(Lehramt
Sonderpädagogik)
Thüringen
Grundschulen,
Thüringer
Gemeinschaftsschulen
(Lehramt an
Grundschulen)
-
Regelschulen, Thüringer
Gemeinschaftsschulen,
Gesamtschulen (Lehramt
an Regelschulen)
Gymnasien, Thüringer
Gemeinschaftsschulen,
Gesamtschulen,
Berufsbildende Schulen
Berufsbildende Schulen
(Lehramt an
berufsbildenden Schulen)
Förderschulen,
Gemeinsamer Unterricht
(Lehramt für
Förderpädagogik)
201
Anlage: Allgemeinbildende Schularten nach Ländern
Hinweis: Vokabulare bilden nur eine Momentaufnahme ab.
Land
Allgemeinbildende Schulen
Sonstige
BW
Grundschule
Hauptschule, Werkrealschule
Realschule
Sonderschule
Gymnasium
Gemeinschafts-
schule
Privatschulen
BY
Grundschule
Mittelschule
Realschule,
Abendrealschule
Wirtschafts-
schule
Förder-
schule
Gymnasium | Abendgymnasium
Montessorischule
BE
Grundschule
Integrierte Sekundarschule (Ablösung der Haupt-,
Real- und Gesamtschulen)
Förder-
schule
Gymnasium
Gemeinschafts-
schule
BB
Grundschule
Gesamtschule
Ober-
schule
Gymnasium
HB
Grundschule
Ober-
schule
Gymnasium
Freie Schulen
HH
Grundschule
Stadtteilschule
Sonderschule,
Schwerpunktschule
Gymnasium
HE
Grundschule
Haupt-
schule
Mittelstufen-
schule
Realschule
Gesamtschule
Förderschule
Gymnasium
Privatschulen
MV
Grundschule
Regionale Schule
Gesamtschule
Förderschule
Gymnasium | Abendgymnasium
NI
Grundschule
Haupt-
schule
Realschule
Gesamtschule
Förderschule
Ober-
schule
Gymnasium | Abendgymnasium
Kolleg
(allgemeinbildend,
nicht berufsbildend)
NW
Grundschule
Hauptschule
Sekundar-
schule
Realschule
Gesamtschule
Förderschule
Gymnasium
SL
Grundschule
Förderschule
Gymnasium
Gemeinschaftsschule
SN
Grundschule
Förderschule
Ober-
schule
Gymnasium
ST
Grundschule
Sekundarschule
Gesamtschule
Förderschule
Gymnasium
Gemeinschafts-
schule
Freie Schulen
SH
Grundschule
Regionalschule
Gymnasium
Gemeinschafts-
schule
TH
Grundschule
Regelschule
Gesamtschule
Förderschule
Gymnasium
Gemeinschafts-
schule
Kolleg
(allgemeinbildend,
nicht berufsbildend)
RP
Grundschule
Realschule
(plus)
Gesamtschule
Förderschule
Gymnasium
202
Anlage: Berufsbildende Schularten nach Ländern
Hinweis: Vokabulare bilden nur eine Momentaufnahme ab.
Land
Berufliche Schulen
BW
Berufsfachschule
Berufsschule
Berufskolleg
Berufliches Gymnasium
Berufsoberschule
BY
Berufsfachschule /
Wirtschaftsschule
Berufsschule
Kolleg
Fachoberschule
Berufs-
aufbau-
schule
Berufs-
oberschule
Fach-
schule
Fachakademie
BE
Berufsfachschule
Berufsschule
Berufliches Gymnasium
BB
Berufsfachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
Fach-
schule
HB
Werk-
schule
Berufsfachschule
Fachoberschule
Berufliches Gymnasium
HH
Berufsfachschule
Berufsschule
Fachoberschule
Wirtschafts-/Technisches Gymnasium
HE
Berufsfachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
MV
Berufsfach-
schule
Höhere
Berufs-
fachschule
Berufsschule
Fachoberschule
Berufliches
Gymnasium
Fachgymnasium
Fach-
schule
NI
Berufs-
einstiegs-
schule
Berufsfachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
Fach-
schule
NW
Berufsfachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
SL
Berufsfach-
schule
Höhere
Berufs-
fachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
Fach-
schule
SN
Berufsfachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
ST
Berufsfachschule
Berufsschule
Fachoberschule
Berufliches
Gymnasium
Fachgymnasium
Fach-
schule
SH
Berufsfachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
Berufsobersch
ule
Fach-
schule
TH
Berufsfachschu
le
Höhere
Berufsfachsc
hule
Berufsschule
Fachoberschule
Berufliches Gymnasium
Fach-
schule
Förder-
berufs-
schule
RP
Berufsfachschu
le
Höhere
Berufs-
fachschule
Berufsschule
Fachoberschule
Berufliches Gymnasium
Berufsobersch
ule
Fach-
schule
203
Anlage: Schulfächer Wertelisten im Vergleich
Hinweis: Vokabulare bilden nur eine Momentaufnahme ab.
DINI-AG KIM
open Edu Hub
Klett-Erweiterungen (allgemeinbildende Schulen)
Klett-Erweiterungen (berufliche
Schulen)
Lehrplannavigator NRW
Agrarwirtschaft
Allgemein
Allgemeine Ethik
Allgemeine Ethik
Alltagskultur, Ernährung, Soziales (AES)
Alt-Griechisch
Alt-Griechisch
Angewandte Naturwissenschaften
Arbeit-Wirtschaft-Technik (AWT)
Arbeit und Beruf
Arbeitslehre
Arbeitslehre
Arbeitslehre
Arbeitssicherheit
Astronomie
Astronomie
Astronomie
Bautechnik
Berufliche Bildung
Berufsorientierung
Bildende Kunst
Bildende Kunst
Biologie
Biologie
Biologie
Biologie
Biologie
Biologie, Naturphänomene und Technik (BNT)
BWL/Rechnungswesen
Chemie
Chemie
Chemie
Chemie
Chemie
Chinesisch
Chinesisch
Chinesisch
Chinesisch
Darstellen und Gestalten
Darstellen und Gestalten
Darstellendes Spiel
Darstellendes Spiel
Darstellendes Spiel
Deutsch
Deutsch
Deutsch
Deutsch
Deutsch
Deutsch als Zweitsprache
Deutsch als Zweitsprache
Deutsch als Zweitsprache
Deutsche Gebärdensprache
Deutsch/Betriebliche
Kommunikation
204
Deutsch/Kommunikation
Deutsch/Sprache und
Kommunikation
Elektrotechnik
Englisch
Englisch
Englisch
Englisch
Englisch
Ernährung
Ernährung und Hauswirtschaft
Ernährung und Gesundheit
Ernährung und Soziales
Ernährungslehre
Erziehungswissenschaften
Erziehungswissenschaften
Erziehungswissenschaften
Pädagogik
Erdkunde
Erdkunde
Erdkunde
Erdkunde, Wirtschaftskunde und Gemeinschaftskunde
(EWG)
Esperanto
Ethik
Ethik
Ethik
Ethik
Farbtechnik und
Raumgestaltung
Französisch
Französisch
Französisch
Französisch
Französisch
Gemeinschaftskunde
Gemeinschaftskunde
Gemeinschaftskunde/Rechtserziehung
Gemeinschaftskunde/Rechtserziehung/Wirtschaft
Geografie
Geografie
Geografie
Geografie
Geografie
Geographie, Wirtschaft und Gemeinschaftskunde
(GWG)
Geschichte
Geschichte
Geschichte
Geschichte
Geschichte
Geschichte mit Gemeinschaftskunde
Geschichte/Politik/Geographie
Geschichte/Sozialwissenschaft
en
Gesellschaft und Politik
Gesellschaftskunde
Gesellschaftslehre
Gesellschaftslehre
Gesellschaftslehre mit Geschichte
205
Gesellschaftswissenschaften
Gesundheit
Gesundheit
Gesundheit und Soziales
Griechisch
Griechisch
Hauswirtschaft
Hauswirtschaft
Hauswirtschaft
Hauswirtschaft
Hauswirtschaft und Sozialwesen
Hebräisch
Hebräisch
Heimat- und Sachkunde
Heimat- und Sachunterricht
Heimat-, Welt-, Sachunterricht
Holztechnik
Informatik
Informatik
Informatik
Informatik
Informationstechnologie
Interkulturelle Bildung
Italienisch
Italienisch
Italienisch
Japanisch
Japanisch
Kunst
Kunst
Kunst
Kunst
Kunst
Körperpflege
Latein
Latein
Latein
Latein
Lebensgestaltung, Ethik, Religionskunde
Literatur
Mathematik
Mathematik
Mathematik
Mathematik
Mathematik
Zahlen, Algebra
Medienbildung
Medienbildung
Medienbildung
Mediendidaktik
Mensch-Natur-Technik (MNT)
Metalltechnik
MINT
MINT
Musik
Musik
Musik
Musik
Musik
Musik, Sport und Gestalten
Nachhaltigkeit
Natur und Technik
Naturwissenschaft und Technik
206
Naturwissenschaft und Technik Wahlpflichtfach
Naturwissenschaften
Naturwissenschaften
Naturwissenschaften Wahlpflichtfach
Neugriechisch
Neugriechisch
Niederdeutsch
Niederländisch
Open Educational Resources
Philosophie
Philosophie
Philosophie
Philosophie
Philosophie
Philosophieren mit Kindern
Physik
Physik
Physik
Physik
Physik
Politik
Politik
Politik
Politik
Politik-Wirtschaft
Politik und Wirtschaft
Politik/Wirtschaft
Politik/Gesellschaft/Wirtschaft
Politikwissenschaften
Politische Bildung
Politische Bildung
Politische Bildung/Gesellschaftslehre
Polnisch
Portugiesisch
Portugiesisch
Praktische Philosophie
Praktische Philosophie
Psychologie
Psychologie
Psychologie
Recht
Rechtskunde
Religionslehre
Religion (alevitisch)
Religionslehre
(evangelische)
Religion
Religion (evangelische)
Religionslehre (evangelische)
Religionslehre (islamisch)
Religion (islamisch)
Religionslehre (islamisch)
Religionslehre (jüdisch)
Religionslehre (katholische)
Religion (katholisch)
Religionslehre (katholische)
Religionslehre (mennonitisch)
Religionslehre (orthodox)
Religionslehre (syrisch-
orthodox)
207
Russisch
Russisch
Russisch
Russisch
Russisch 1. Fremdsprache
Russisch 2. Fremdsprache
Russisch 3. Fremdsprache
Sachunterricht
Sachunterricht
Sachunterricht
Sachunterricht
Seminar
Sexualerziehung
Sexualerziehung
Sonderpädagogik
Sorbisch
Sorbisch
Sozialkunde
Sozialkunde
Sozialkunde/Wirtschaftslehre
Sozialpädagogik
Sozialwesen
Sozialwisschenschaften
Sozialwisschenschaften
Sozialwissenschaften/Wirtschaftswissenschaft
Soziologie
Soziologie
Spanisch
Spanisch
Spanisch
Spanisch
Spanisch
Sport
Sport
Sport
Technik
Technik
Technik/Computer
Technik und Naturwissenschaft
Textiltechnik und -
gestaltung?
Textilgestaltung
Textiltechnik und Bekleidung
Textverarbeitung
Theater
Türkisch
Türkisch
Türkisch
Verbraucherbildung
Volkswirtschaftslehre
Weiterbildung
Weltkunde
Werken
Werte und Normen
Werte und Normen
208
Wirtschaft
Wirtschaft
Wirtschaft
Wirtschaft - Arbeit - Technik
Wirtschaft/Berufs- und Studienorientierung (WBS)
Wirtschaft/Politik
Wirtschaft/Politik
Wirtschaft/Politik
Wirtschaft-Recht-Technik
Wirtschaft-Technik-Haushalt/Soziales
Wirtschaft-Umwelt-Europa
Wirtschaft und Arbeitswelt
Wirtschaft und Gesellschaft
Wirtschaft und Kommunikation
Wirtschaft und Beruf
Wirtschaft und Recht
Wirtschaft und Verwaltung
Wirtschaft und Verwaltung
Wirtschafts- und Betriebslehre
Wirtschafts- und Sozialkunde
Wirtschaftsgeografie
Wirtschaftskunde
Wirtschaftskunde
Wirtschaftskunde
Wirtschaftslehre
Wirtschaftslehre
Wirtschaftswissenschaften
Umweltgefährdung,
Umweltschutz
Verkehrserziehung
Sonstiges
209
Anlage: Ressourcentypen Wertelisten im Vergleich
Hinweis: Vokabulare bilden nur eine Momentaufnahme ab.
Pädagogischer Typ
(5.2.2) LOM-CH v.2.1
Medientyp
(ORCA.nrw)
HCRT
OEH-LRT
LRMI:
resourceType
ELIXIER:
Lernressourcentyp
Common Education
Data Standards
(CEDES)
mundo
Animation
Kurs
Audio
Audio
Tonaufnahme
Audio
Audio
Audio
Bild/Grafik
Bild/Grafik
Abbildung
Bild
Bild/Grafik
Images/Visuals
Bild
Broschüre
Foto
Veranschaulichung
Modell
Musiknoten
Musiknoten
Musiknoten
Textdokument
Textdokument
Textdokument
Text
Text
Text
supporting document
Video
Video
Video
Video
Video/Animation
Video
Audiovisuelles
Medium
Daten
Daten
Diagramm
Diagramm
Arbeitsmaterial
Arbeitsmaterial
Arbeitsblatt
Arbeitsmaterial |
Arbeitsblatt
Arbeitsblatt
Interaktives Material
Interaktion
Skript
Skript
Fragebogen
Fragebogen
Lernspiel
Lernspiel
Lernspiel
Lernspiel
Lernspiel
Summative Evaluation
Assessment
Lernkontrolle
Lernkontrolle
Lernkontrolle
Lernkontrolle
Interim/Summative
Assessment
Test/Prüfung
Testaufgabe
Assessment Item
Alternate Assessment
210
Recherche-Auftrag
Informations-
recherche
Fallstudie
Fallstudie
Fallstudie
Erkundung/Studie
Experiment
Experiment
Experiment
Experiment
Experiment
aufgezeichnete
Lektion
Tutorial
Übung
Pädagogisches
Szenario
Didaktisches Konzept
Unterrichts-
planung
Unterrichts-
planung
Unterrichts-
planung
Unterrichtsplanung
Lesson
Unterrichtsbaustein
Unterrichts-
baustein
Unit
Reihenplan
Kurs
Kurs
Kurs
Kurs
Kurs
Course
Methodisches
Werkzeug
Methodisches
Werkzeug
Werkzeug
Werkzeug
App
App
Software/Programm
Softwareanwendung
Anwendung /
Software
Anwendung /
Software
Tabellenkalkulation
Tabelle
Webtool
Freie Aktivität
Offene Aktivität
Entdeckendes Lernen
Präsentation
Präsentation
Präsentation
Präsentation
Präsentation
Projekt
Projekt
Projekt
Lernspiel
Lernspiel
Lernspiel
Lernspiel
Lernspiel
211
Formative Evaluation
Assessment
Formative
assessment
Informations-
recherche
Fallstudie
Fallstudie
Fallstudie
Erkundung/Studie
Experiment
Experiment
Experiment
Experiment
Experiment
Demonstration
Demonstration /
Simulation
Recherche-Auftrag
Rollenspiel
Rollenspiel
Rollenspiel/Planspiel
Selbstevaluation
Assessment
Self Assessment
Simulation
Simulation
Simulation
Simulation
Simulation
Demonstration /
Simulation
Summative Evaluation
Assessment
Lernkontrolle
Lernkontrolle
Lernkontrolle
Lernkontrolle
Interim / Summative
Assessment
Test / Prüfung
Testaufgabe
Assessment Item
Alternate Assessment
Inhalts-
vermittlung
Pädagogisches
Szenario
Didaktisches Konzept
Unterrichtsplanung
Unterrichtsplanung
Unterrichts-
planung
Unterrichtsplanung
Lesson
Unterrichtsbaustein
Unterrichtsbaustein
Unit
Reihenplan
Tutorial
Übung
Übung
Übung
Übung
Übung
Werkstatt
Aktivitätenplan
Learning Activity
212
Anderer Lernort
Animation
Audio
Audio
Tonaufnahme
Audio
Audio
Audio
Bild/Grafik
Bild/Grafik
Abbildung
Bild
Bild/Grafik
Images/Visuals
Bild
Broschüre
Foto
Veranschaulichung
Modell
Musiknoten
Musiknoten
Ressource für IWB
Textdokument
Textdokument
Textdokument
Text
Text
Text
supporting document
Video
Video
Video
Video
Video/Animation
Video
Audiovisuelles
Medium
aufgezeichnete
Lektion
Daten
Daten
Diagramm
Diagramm
Arbeitsmaterial
Arbeitsmaterial
Arbeitsblatt
Arbeitsmaterial |
Arbeitsblatt
Arbeitsblatt
Interaktives Material
Interaktion
Skript
Skript
Fragebogen
Fragebogen
physical learning
resource
Primärmaterial /
Quelle
Primärmaterial /
Quelle
Primary Source
Nachschlagewerk /
Glossar
Nachschlagewerk
Glossar
Nachschlagewerk
Bibliografie
213
Guide
Karte
Karte
Karte
Karte
Karte
Karte
Webseite
Webseite
Website
Website
Webquest
Andere Web
Ressource
Anderer
Ressourcentyp
Weblog
Handbuch
Lehrbuch
Lehrbuch
Textbook
Lehrplan
Educator/Curriculum
Guide
Wiki
Radio/TV
Portal
Portal
Rubric/Scoring Guide
Sonstiges
Sonstiges
Anderes Material
Other
Sonstiges
214
Anlage: Zusammenstellung additiver Wertelisten
Die folgenden Wertelisten wurden im Rahmen von Projekten aus unkontrollierten Schlagwörtern und Literaturquellen zusammengestellt und sind nicht als final
zu betrachten, da weder wohldefinierte, klar abgegrenzte Kategorien, noch eine Eindeutigkeit der Zuordnungen, Redundanzfreiheit und weitere Kriterien
gewährleistet sind. Sie können jedoch als Ausgangspunkt für künftige Systematisierungsbestrebungen dienen. Zugleich zeigen die Wertelisten Schwierigkeiten
bei der Entwicklung abgeschlossener kategorialer Vokabulare auf.
Unterrichts-/Arbeitsformen (u.a. peDOCS, Schlagwortregister des Fachportal Pädagogik)
Einzelarbeit, Partnerarbeit, Gruppenarbeit, Gruppenunterricht, Gruppendiskussion, Teamarbeit, Klassengespräch, Teamteaching, Einzelunterricht, Klassenunterricht,
Schüleraustausch, Peer Group Teaching, Arbeitsgruppe, Frontalunterricht, Freiarbeit, Projektarbeit, Stationenlernen, Lernzirkel, Projektunterricht, Koedukativer
Unterricht
Sozialformen
● QUA-LiS NRW - Materialdatenbank: Einzelarbeit, Gruppenarbeit, Partnerarbeit
● Szenarios von Sozialformen für E-Learning: Einzelarbeit, Partnerarbeit, Gruppenarbeit, Plenum, Großgruppe (Iberer & Müller, 2002)
● Weitere Werte (u.a. peDOCS, Schlagwortregister des Fachportal Pädagogik)
Gruppenunterricht, Gruppendiskussion, Teamarbeit, Klassengespräch, Teamteaching, Einzelunterricht, Klassenunterricht, Schüleraustausch, Peer Group
Teaching, Arbeitsgruppe, Frontalunterricht, Freiarbeit, Projektarbeit, Stationenlernen, Lernzirkel, Projektunterricht, Koedukativer Unterricht, Plenum
Didaktische Prinzipien, didaktisches Konzept (u.a. peDOCS, Schlagwortregister des Fachportal Pädagogik)
Selbstgesteuertes Lernen, Selbstständiges Lernen, Individuelles Lernen, Individualisierender Unterricht, Individualisierter Unterricht, Individuelle
Förderung/Unterstützung, Projektorientierung, Forschendes Lernen, Ganzheitliches Lernen, Handlungsbezogenes Lernen, Handlungsorientiertes Lernen,
Integrierender Unterricht, Kooperatives Lernen, Lernerorientierung, Offener Unterricht, Offenes Lernen, Schülerorientierter Unterricht, Schülerzentrierter
Unterricht, Entdeckendes Lernen, Emotionales Lernen, Differenzierender Unterricht, Adaptiver Unterricht, Partizipation, Inklusion, Blended Learning,
Problemorientiertes Lernen, Deklaratives Lernen, Prozedurales Lernen, instrumentelles Lernen, respondentes Lernen, Modelllernen, rezeptives Lernen, situiertes
Lernen, soziales Lernen, prozessorientiertes Lernen, tutorielles Lernen, Sachorientierung, Zielorientierung, Motivierung, Strukturierung, Lernen durch Lehren,
Aufgabenorientierung, Mehrsprachiges Lernen, Kommunikatives Lernen, autonomes Lernen
Unterrichtsphasen
● QUA-LiS NRW - Materialdatenbank: Einstieg, Erarbeitung, Sicherung, Reflexion, Phasenübergang, Arbeitsauftrag, Präsentation
● ProVision / ViU: Einstieg, Erarbeitung, Reflexion
● ViLLA 2.0 - Videos in der Lehrerinnen- und Lehrerausbildung: Transparenz schaffen, Arbeitsauftrag, Reflexionsphase, Phasenübergang,
Präsentationsphase, Unterrichtsgespräch, Vorwissen der SchülerInnen zum Thema erfragen, ausstieg stundenschluss, Einstieg, Erarbeitungsphase
215
Lernorte
● QUA-LiS NRW - Materialdatenbank: Distanzunterricht, außerschulischer Lernort, Computerraum, Fachraum, Klassenraum, Selbstlernzentrum der Schule
Positionierung im Unterricht (verwandt mit Aufgabenformaten-/typen)
● QUA-LiS NRW - Materialdatenbank: Anwenden, Diagnose, Diagnose > Selbsteinschätzung, Diagnose > Selbstüberprüfung, Einführung, Wiederholen/Üben
Fragetypen, Aufgabetypen (Lernaufgaben und Leistungsaufgaben in offenen, halboffenen oder geschlossen Formaten)
● Fragetypen nach Niegemann & Stadler (2001) (Niegemann & Stadler, 2001): Informationsfragen, Konfirmationsfragen, Echo-Fragen, „Common-Ground“-
Fragen, Klärungsfragen, Verfahrensfragen, Koordinationsfragen, Fragen zur Konversationskontrolle, Ablenkungsfragen, Emotionsfragen, Fragen aus
anderen Intentionen, Nicht kategorisierbare Fragen
● Aufgabentypen (Ehlers & Meder, 2003) (Auszug): Ordnungsaufgabe (Sequenzierungsaufgabe, Konstruktionsaufgabe, Zuordnungsaufgabe),
Ankreuzaufgabe (Mehrfachauswahl, Einfachauswahl, Ja/Nein), Antwortaufgabe (Kurzantwort, Exposé, Aussprache-, Buchstabier-,Lücken-Aufgabe),
entdeckende Aufgabe (Fehler oder Differenz entdecken, Problem lösen), Distinktionsaufgabe (unbestimmte Limitation, bestimmte Negation, Bandbreite)
● Frage- und Aufgabentypen (eAssessment),
vgl. auch Moodle Fragetypen, ILIAS Fragetypen, ELAN Aufgabentypen, H5P Content Types (siehe alternativ: Anlage “H5P Content Types / H5P Inhaltstypen”
○ Geschlossene Typen
Einfach- und Mehrfachauswahlaufgabe (Single Choice, Likert-Skala, Forced Choice, Multiple Choice), Anordnungs- / Zuordnungsaufgabe
(Reihenfolge, Beziehung), Markierungsaufgabe (Hotspot)
○ Offene Typen
Freitext, Lückentext, Numerische Aufgabe
● Assessment Toolbox:
○ Aufgabentypen:
Reproduktion (Fakten erinnern), Interpretation (Konzepte/Modelle beschreiben), Anwendung (Verfahren ausführen / Erkenntnisse übertragen), Analyse
(Zusammenhänge ermitteln), Evaluation (Kriterienorientiert beurteilen), Entwicklung (Neues entwerfen), Realisierung (Praktische Umsetzung)
○ Assesments:
168-Stunden-Prüfung, Application Cards, Begriffsglossar erstellen, Begründetes Keyword, Beurteilung eines Produkts, Bildbetrachtung, Computerized Dynamic
Assessment, Concept-Map, Confidence-based Assessment, Dokumentation von studentischen Arbeiten, Dokumentierte Problemlösung, Doppeldecker-Lesejournal,
Dynamic Assessment, Dynamische Frageliste, Einen wissenschaftlichen Artikel für eine fiktive Zeitschrift verfassen, Ethische Dilemmata abwägen, Expertenhospitation,
Faktenparade, Falllösung erstellen, Forumsbeiträge im Netz, Forumsbeiträge im Netz, Frischhaltequiz, Gehirn-Inventur, Gruppenpuzzle als Leistungsnachweise,
Kategorien-Matrix , Kurz-Essays mit Feedback, Kurzantwortfragen (KAF), Leere oder unvollständige Gliederung ausfüllen lassen, Lehrveranstaltungs- bzw.
Sitzungsprotokoll, Lernportfolio erstellen, Lernprotokoll, Meinungsumfragen, Merkmals- oder Funktionsmatrix, Miniklausur, Moot court, Muddiest Point (der unklarste
Punkt), Multiple Choice Prüfung, Mündliche Prüfung mit Fragekarten, Mündliches Assessment mit Strukturlegetechnik, Objective Structured Clinical Examination
[OSCE], One Minute Paper, Planspiel, Posterpräsentation, Praktische Fertigkeiten prüfen, Pro- und Kontra-Tabelle, Problem-Kurzbericht, Problemerkennungsaufgaben,
216
Projektarbeit mit Dokumentation, Projektdesign erstellen, Protokolle, Prüfungsfragen selber erstellen, Rezension schreiben, Rollenspiel als mündliche
Gruppenprüfung, Rollenspiel-Essay, Rollenspiele, RSQC2, Schriftliche Prüfung mit offenen Fragen, Schriftliche Umordnungs-Aufgabe, Schriftliche wissenschaftliche
Arbeit, Sieben W's, Spickzettel, Strukturierte mündliche Prüfung mit Fällen , Student Teams-Achievement Divisions [STAD], Studentische Referate, Take-Home-
Klausuren, Titularprofessuren, Tripartite Assessment, Unwichtiges streichen, Veränderungsbeobachter, Video- oder Audioaufnahmen praktischer Handlungen,
Wahrheit oder Lüge, Was-wie-warum-Tabelle, Welches Prinzip kommt hier zur Anwendung?, Wissens-Fussball
Unterrichts- und Lehr-/Lernmethoden
● QUA-LiS NRW - Materialdatenbank: entdeckendes Lernen, Fallstudie, Gelenktes, Gruppenpuzzle, Kooperatives, Lerntagebücher/Forschungshefte,
Methodentraining, Projektarbeit, selbstreguliertes, Stationenlernen, Werkstattarbeit, Wochenplanarbeit
● Lehr- und Lernmethode (u.a. peDOCS, Schlagwortregister des Fachportal Pädagogik)
Anchored Instruction, Situiertes Lernen, entdeckendes Lernen, Fallstudie, Gelenktes Unterrichtsgespräch, Gruppenpuzzle, Kooperatives Lernen,
Lerntagebücher/Forschungshefte, Methodentraining, Projektarbeit, selbstreguliertes Lernen, Stationenlernen, Werkstattarbeit, Wochenplanarbeit
● ViLLA 2.0 - Videos in der Lehrerinnen- und Lehrerausbildung: Methodisch-didaktische Realisierungsformen (Universität zu Köln, 2024)
Partnerarbeit, tafel whiteboard, vorbereitete Lernumgebung, Gruppenarbeit, Einzelarbeit, Arbeitsblatt, Bildeinsatz, Audioeinsatz,
Differenzierungsmassnahmen, kooperatives Lernen
● QUA-LiS NRW - Methodensammlung (QUA-LiS NRW, 2024)
Icebreaker, Energizer und Auflockerungsübung, Entdeckendes Lernen, Gruppenarbeit, Stationenlernen, Barcamp, Projekt, Rollenspiel, Experiment, A-B-C-
Methode, Aktives Zuhören, Apollo-Technik, Beispiel-Wahl, Blitzlicht-Methode, Collective-Notebook, Parlamentarisches Debattieren / Model United Nations /
Parlamentssimulation, Deliberative Demokratie / Deliberation / Deliberationsforum, Deduktive und induktive Verfahren, Diskussion, Drei-Schritt-Interview,
Entscheidungsfindung / Besprechung, Erlebnispädagogik, Erotematik (Katechetik), Experiment, Versuch, Fantasiereise, Fragend-entwickelnder Unterricht,
Fishbowl, Gruppenarbeit (Arbeitsorganisation) / Teamarbeit, Gruppenpuzzle, Impulsreferat, Karussellgespräch (auch Kugellager, Zwiebelschale, Innenkreis-
Außenkreis), Klassenrat, Kreatives Schreiben, Learning by Doing, Lernen aus Lösungsbeispielen, Lernen am Modell, Lernen durch Lehren, Lehrkunst,
Leittextmethode, Markt der Möglichkeiten, s. a. World-Café, Methode 635, Microteaching, Mind Map, Moderation (Gruppenarbeit),
Netzplantechnik/Projektplan, Offener Unterricht, Open Space, Outdoortraining, Paderborner Methode, Papiercomputer, Pinwandmoderation, Planspiel,
Placemat Activity, Portfolio, PrimarWebQuests, Projektunterricht, Projektwoche, Redestabrunde, Referat (Vortrag), Rollenspiel, Rückmeldung, Schneeball-
Verfahren, Schnitzeljagd, Schulfahrt, Klassenfahrt, Klassenlager, Schulfreizeit, Schullandheimaufenthalt, Selbstbestimmtes Lernen, Selbsterfahrungsgruppe,
Stationenlernen, Stegreiftheater, Jeux Dramatiques, Storyline-Methode, Storytelling, Suggestopädie, Survey-Feedback, Szenario-Plan-Methode, Szenario-
Technik, Teamteaching, Training, Übung, Visualisierung, Wandzeitung, WebQuest, Lehrgang („Workshop“), Zukunftskonferenz, Zukunftswerkstatt
217
● NeDiMAH Methods Ontology (NeMO) > Type taxonomies > Activity types:
1. Acquiring, 1.1. Collecting, 1.2. Gathering, 1.3. Learning, 2. Communicating, 2.1. Collaborating, 2.1.1. Brainstorming, 2.1.2. Coauthoring, 2.1.3. Community Building, 2.1.4.
Consulting, 2.1.5. Crowdsourcing, 2.1.6. Discussing, 2.1.7. Interviewing, 2.1.8. Networking, 2.1.9. Resource Sharing, 2.1.10. Tele Conferencing, 2.2. Disseminating, 2.2.1.
Gamification, 2.2.2. Presenting, 2.2.3. Publishing, 2.2.4. Streaming, 2.2.5. Teaching, 3. Conceiving, 3.1. Concept Formation, 3.2. Hypothesis Formulation, 3.3. Problem Recognition,
3.4. Research Question / Topic Identification, 4. Processing, 4.1. Analyzing, 4.1.1. Accessibility analysis, 4.1.2. Annotating, 4.1.3. Assessing, 4.1.4. Cluster Analysis, 4.1.5. Collocation
Analysis, 4.1.6. Commenting, 4.1.7. Comparing, 4.1.8. Content Analysis, 4.1.9. Critiquing, 4.1.10. Data Recognition, 4.1.10.1. Named Entity Recognition, 4.1.11. Design analysis,
4.1.12. Estimating, 4.1.13. Evaluating, 4.1.14. Highlighting, 4.1.15. Human factors analysis, 4.1.16. Identifying, 4.1.17. Interpreting, 4.1.18. Intertextual Analysis, 4.1.19. Machine
Learning, 4.1.20. Measuring, 4.1.21. Motion analysis, 4.1.22. Parsing, 4.1.23. Photogrammetry, 4.1.24. Principal Component Analysis, 4.1.25. Record Linkages Analysis, 4.1.26.
Relational Analysis, 4.1.27. Sentiment Analysis, 4.1.28. Sequence Alignment, 4.1.29. Social Network Analysis, 4.1.30. Spatial Analysis, 4.1.31. Statistical analysis, 4.1.32. Stemmatic
Analysis, 4.1.33. Structural Analysis, 4.1.34. Stylistic Analysis, 4.1.35. Stylometry, 4.1.36. Theorizing, 4.1.37. Usability analysis, 4.1.38. Validating, 4.2. Modifying, 4.2.1. Animating,
4.2.2. Capturing, 4.2.2.1. Modeling, 4.2.2.2. Photographing, 4.2.2.3. Recording, 4.2.2.4. Scanning, 4.2.2.5. Sensing, 4.2.2.6. Surveying, 4.2.3. Collating, 4.2.4. Compressing, 4.2.5.
Conversioning, 4.2.6. Debugging, 4.2.7. Digitizing, 4.2.8. Editing, 4.2.9. Encoding, 4.2.10. Enhancing, 4.2.11. Enriching, 4.2.12. Formatting, 4.2.13. Mixing, 4.2.14. Overlaying, 4.2.15.
Restoration, 4.2.16. Summarizing, 4.2.17. Transcribing, 4.2.18. Translating, 4.2.19. Visualizing, 4.2.19.1. Illustrating, 4.2.19.2. Imaging, 4.3. Organizing, 4.3.1. Adding
Metainformation, 4.3.1.1. Georeferencing, 4.3.1.2. Tagging, 4.3.1.2.1. Morphological Tagging, 4.3.1.2.2. POS Tagging, 4.3.2. Aligning, 4.3.3. Archiving, 4.3.4. Bookmarking, 4.3.5.
Cataloguing, 4.3.6. Classifying, 4.3.7. Cleanup, 4.3.8. Collocating, 4.3.9. Concordancing, 4.3.10. Contextualizing, 4.3.11. Documenting, 4.3.12. Indexing, 4.3.13. Linking, 4.3.14.
Managing, 4.3.14.1. Access Management, 4.3.14.2. Bibliographic Management, 4.3.14.3. Course Management, 4.3.14.4. Project Management, 4.3.14.5. Risk Management, 4.3.14.6.
Strategic Management, 4.3.14.7. Task Management, 4.3.15. Mapping, 4.3.16. Partitioning, 4.3.17. Referring, 4.3.18. Sorting, 4.3.18.1. Categorizing, 4.3.18.2. Lemmatizing, 4.3.18.3.
Ordering, 4.3.19. Standardizing, 4.3.20. Tokenization, 4.4. Preserving, 4.4.1. Curating, 4.4.2. Emulating, 4.4.3. Migrating, 4.4.4. Storing, 4.4.5. Versioning, 4.5. Producing, 4.5.1.
Authoring, 4.5.2. Composing, 4.5.3. Designing, 4.5.4. Performing, 4.5.5. Printing, 4.5.5.1. 2DPrinting, 4.5.5.2. 3DPrinting, 4.5.6. Programming, 4.5.6.1. Developing, 4.5.6.1.1. Web-
Developing, 4.5.7. Prototyping, 4.5.8. Rendering, 4.5.9. Synthesizing, 4.5.10. Writing, 5. Seeking, 5.1. Associative Searching, 5.2. Browsing, 5.3. Data Mining, 5.4. Direct Accessing,
5.5. Filtering, 5.6. Locating, 5.7. Retrieving, 5.8. Tracking
● Lehren und Lernen sichtbar machen (LLSM) Methodensammlung
● Methodensammlung - Für Dozierende der Heinrich-Heine-Universität Düsseldorf
● Toolbox Lehre: Methodensammlung der Universität Konstanz
● MethodenGuide.de, Angebot der Medienbildung des Niedersächsischen Landesinstituts für schulische Qualitätsentwicklung (NLQ).
Es gibt zahlreiche weitere Methodensammlungen.
218
Anlage: H5P Content Types / H5P Inhaltstypen (Roa, 2023)
Siehe auch: Übersicht über H5P Inhaltstypen vom eBildungslabor (Hirsch, Nele). Die Listen der H5P Typen sind unabgeschlossen, da auch Community-
Entwicklungen existieren, die nicht im offiziellen H5P Hub zur Verfügung stehen. So wurde beispielsweise in dem Projekt ePort.nrw der Inhaltstyp
“Portfolio” entwickelt (HFP-3612), der auf dem Inhaltstypen “Interactive Book” basiert (Blogpost auf OERinfo, Blogpost des Entwicklers mit Links zum
dazugehörigen Quellcode).
H5P Content Type
Zugänglichkeit (WCAG)
Offizielle Wartung
Browser-Unterstützung
Accordion
✔ Ja
✔ Ja
Ja
Advent Calendar
✔ Ja
❌ Nein
Ja
Agamotto
✔ Ja
❌ Nein
Ja
AR Scavenger
❌ Nein
❌ Nein
Ja
Arithmetic Quiz
✔ Ja
✔ Ja
Ja
Audio
sofern Textalternativen hinzugefügt
✔ Ja
Ja
Audio Recorder
✔ Ja
✔ Ja
Ja
Branching Scenario
✔ Ja
✔ Ja
Ja
Chart
✔ Ja
✔ Ja
Ja
Collage
✔ Ja
✔ Ja
Ja
Column
✔ Ja
✔ Ja
Ja
Complex Fill in the Blanks
✔ Ja
❌ Nein
Ja
Cornell Neintes
✔ Ja
❌ Nein
Ja
Course Presentation
✔ Ja
✔ Ja
Ja
Crossword
✔ Ja
❌ Nein
Ja
Dialog Cards
✔ Ja
✔ Ja
Ja
Dictation
❌ Nein (Textalternativen nicht sinnvoll)
❌ Nein
Ja
Documentation Tool
✔ Ja
✔ Ja
Ja
Drag and Drop
✔ Ja
✔ Ja
Ja
219
Drag the Words
✔ Ja
✔ Ja
Ja
Emoji Cloud
✔ Ja
✔ Ja
Ja
Essay
✔ Ja
❌ Nein
Ja
Fill in the Blanks
✔ Ja
✔ Ja
Ja
Find the Hotspot
❌ Nein
✔ Ja
Ja
Find Multiple Hotspots
❌ Nein
❌ Nein
Ja
Flashcards
✔ Ja
✔ Ja
Ja
Game Map
✔ Ja
❌ Nein
Ja
Guess the Answer
✔ Ja
✔ Ja
Ja
Image Choice
✔ Ja
✔ Ja
Ja
Iframe Embedder
Inhaltsabhängig
❌ Nein
Ja
Image Hotspots
✔ Ja
✔ Ja
Ja
Image Juxtaposition
❌ Nein
❌ Nein
Ja
Image Sequencing
❌ Nein
❌ Nein
Ja
Image Slider
✔ Ja
✔ Ja
Ja
Information Wall
❌ Nein
❌ Nein
Ja
Interactive Book
✔ Ja
✔ Ja
Ja
Interactive Video
✔ Ja
✔ Ja
Ja
KewAr Code
✔ Ja
❌ Nein
Ja
Mark the Words
✔ Ja
✔ Ja
Ja
Multi Poll
✔ Ja
✔ Ja
Ja
Memory Game
✔ Ja
✔ Ja
Ja
Multiple Choice
✔ Ja
✔ Ja
Ja
Personality Quiz
❌ Nein
❌ Nein
Ja
Quiz (Question Set)
✔ Ja
✔ Ja
Ja
Questionnaire
❌ Nein
✔ Ja
Ja
220
Single Choice Set
✔ Ja
✔ Ja
Ja
Sort the Paragraphs
✔ Ja
❌ Nein
Ja
Speak the Words
❌ Nein
✔ Ja
nur Chrome (kein iOS Chrome)
Speak the Words set
❌ Nein
✔ Ja
nur Chrome (kein iOS Chrome)
Structure Strip
✔ Ja
❌ Nein
Ja
Summary
✔ Ja
✔ Ja
Ja
The Chase
✔ Ja
✔ Ja
Ja
Timeline
Unbekannt
❌ Nein
Unbekannt
True/false
✔ Ja
✔ Ja
Ja
Twitter User Feed
Unbekannt
❌ Nein
Ja
Virtual Tour (360)
✔ Ja
✔ Ja
Ja
Word Cloud
✔ Ja
✔ Ja
Ja
Quelle: https://help.h5p.com/hc/en-us/articles/7505649072797-Content-types-recommendations
221
Anlage: EduScanPro - Skalen und Items (k.o.s GmbH, 2023)
1. Didaktische Konzeption
1.1. Zielgruppe und Lernbedarf
1.1.1. Die Zielgruppe kann anhand ausgewählter Merkmale beschrieben werden (z. B. soziodemografische Merkmale, Kompetenzen, Lernbedingungen, Verwertungsinteressen
usw.).
1.1.2. Vorerfahrungen für das Lernen im digitalen Raum der Zielgruppe sind bekannt und wurden berücksichtigt (z. B. Medienkompetenz).
1.1.3. Vorerfahrungen der Zielgruppe mit selbstgesteuertem Lernen sind bekannt und wurden berücksichtigt.
1.1.4. Der Lernbedarf der Zielgruppe kann unter Berücksichtigung ausgewählter Merkmale beschrieben werden.
1.2. Lernziele und Lerninhalte
1.2.1. Die Lernziele sind bezogen auf den Lernbedarf und die Vorerfahrungen der Zielgruppe beschrieben (Grob-, Feinlernziele).
1.2.2. Die Lernziele sind eindeutig und kompetenzorientiert formuliert, z. B. unter Nutzung der Bloomschen Taxonomie.
1.2.3. Die Lerninhalte sind passend für die Zielgruppe und für das Erreichen der Lernziele gewählt.
1.2.4. Die Lerninhalte werden multimedial bereitgestellt und lassen eine Individualisierung durch die Lernenden zu.
1.3. Lernprozesse und Lernformen
1.3.1. Der Lernprozess ist als Ermöglichungsrahmen angelegt und strukturiert, unter Beachtung der verfügbaren Zeit, Ressourcen und Anforderungen der Zielgruppe.
1.3.2. Die Lernformen sind so gewählt, dass sie den Lernprozess und die Erreichung der Lernziele unterstützen, z. B. projektbezogene / selbstgesteuerte Lernformen.
1.3.3. Methoden (Sozial-und Aktionsformen), die das selbstgesteuerte Lernen fördern und fordern, sind integriert.
1.3.4. Möglichkeiten zur Individualisierung des Lernprozesses durch die Teilnehmenden sind integriert (z. B. über Lernpfade).
1.4. Lernumgebung
1.4.1. Die digitale Lernumgebung ist so gestaltet, dass sie den individuellen Lernprozess der Teilnehmenden unterstützt (z. B. durch intuitive Navigation, Info-, Hilfskästchen usw.).
1.4.2. Die verschiedenen Lernphasen in unterschiedlichen Lernumgebungen (z. B. digital, analog, hybrid) sind methodisch didaktisch verknüpft.
1.4.3. Die digitalen/hybriden Lern-und Arbeitsumgebungen werden für heterogene Teilnehmenden-Erfahrungen angeleitet und erlebbar gemacht (Stichwort: Online-
Sozialisation).
1.4.4. Die Selbstlernphasen werden mit geeigneten Methoden und Formaten begleitet (z. B. Moderation, optionale Beratungstermine, Aufgaben zur digitalen Kollaboration).
1.5. Lernmaterialien und digitale Medien
1.5.1. Geeignete digitale Anwendungen für das Erreichen der Lernziele sind unter Berücksichtigung der Zielgruppe ausgewählt.
1.5.2. Alle benötigten Lernressourcen sind zum Zeitpunkt der Umsetzung für alle Teilnehmenden kostenfrei zugänglich, aktuell und intakt.
1.5.3. Die digitalen Lernmaterialien lassen eine Individualisierung zu und fördern die Interaktion, die Selbstgestaltung sowie die Motivation (z. B. durch Verfügbarkeit
verschiedener Medien: Text, Audio, Video usw.).
1.5.4. Die Auswahl der (digitalen) Lernmaterialien und Medien berücksichtigt die vorhandene Ausstattung (Hard-/Software) und Zugangsmöglichkeiten auf Seiten der
Teilnehmenden.
1.6. Monitoring und Erfolgsmessung
1.6.1. Ein Konzept und Instrumente zur Messung des Lernerfolgs sind vor Beginn des Lernangebotes erstellt.
1.6.2. Es gibt verschiedene inhalts-und handlungsbezogene (digitale) Möglichkeiten von Monitoring und Feedback.
222
1.6.3. Die Messung des Lernerfolgs wird durch die Lernbegleitung, die Lernenden-Gruppe und als (digitale) Selbstkontrolle berücksichtigt.
1.6.4. Es gibt Angebote zur individuellen Kompetenzeinschätzung für die Teilnehmenden (z. B. zu Beginn und am Ende des Lernangebotes).
1.7. Anerkennung und Zertifizierung
1.7.1. Der Nachweis beschreibt vollständig die relevanten Merkmale des Lernangebotes wie Umfang, Lerninhalte, Methoden, Lernformen usw.
1.7.2. Die Nachweisbeschreibung berücksichtigt auch die individuelle Entwicklung personaler Kompetenzen.
1.7.3. Die individuell erreichten Lernergebnisse (Eigenleistung der Teilnehmenden) werden in geeigneter Form geprüft, beschrieben und berücksichtigt (z. B.
Projektpräsentation).
1.7.4. Die Nachweise werden den Teilnehmenden als digitale Badges zur Verfügung gestellt (z. B. nach dem Open Badge Standard).
2. Rolle der Lehrenden und Lernenden
2.1. Lernbegleitung
2.1.1. Die Lernbegleitung legt den Fokus auf die Handlungsorientierung, indem sie Interaktion und Praxisbezug der Teilnehmenden fördert.
2.1.2. Die Lernbegleitung erläutert (digitale) Entscheidungs-und Handlungsräume für die Selbststeuerung und begleitet und moderiert bei Bedarf.
2.1.3. Die Lernbegleitung prüft im Verlauf, ob der gesetzte didaktisch-methodische Rahmen das (digitale) Lernen bestmöglich unterstützt.
2.1.4. Die Lernbegleitung kann digitale Ressourcen, Medien und Technologien für zeitgemäße digitale Lernangebote kompetent einsetzen.
2.2. Lernende
2.2.1. Es sind Methoden definiert, die die Lernenden an ihre Rolle als aktive selbstgestaltende Teilnehmende und/oder an ihre Aufgaben heranführen.
2.2.2. Die tatsächlichen heterogenen (digitalen) Vorerfahrungen und Vorkenntnisse der Lernenden werden zu Beginn des Lernangebotes erfragt und berücksichtigt.
2.2.3. Eine Unterstützung für die Lernenden zum Erkennen und Nutzen der gesetzten didaktischen Freiräume für (digitale) Kommunikation und Kollaboration ist beschrieben.
2.2.4. (Digitale) Methoden und Materialien, die den Lernenden ermöglichen, personalisierte Lernwege und Lernziele zu erkennen und zu nutzen, sind zielgruppengerecht
beschrieben.
3. Information und Organisation
3.1. Angebotsbeschreibung
3.1.1. Das Konzept/Curriculum ist erstellt und enthält alle festgelegten Merkmale des Lernangebotes und begründet diese.
3.1.2. Eine externe Ankündigung des Lernangebotes mit allen relevanten Informationen ist geschrieben (inkl. Lernziele, Kompetenzen, genutzte digitale Medien etc.).
3.1.3. Die externe Ankündigung ist verständlich und zielgruppengerecht formuliert und enthält auch Infos zu den Lernbegleiter:innen inkl. Kontaktmöglichkeiten für Nachfragen.
3.1.4. Die externe Ankündigung erfolgt (auch) über digitale Kanäle (z. B. Newsletter, Social Media) und die Anmeldung durch die Teilnehmenden ist digital möglich.
3.2. Ressourcen
3.2.1. Die Ressourcen und Schnittstellen für das Anmelde-, Teilnehmendenmanagement sind vorhanden und definiert.
3.2.2. Alle (techn.) Voraussetzungen für die Umsetzung von digitalen Angeboten und -Anwendungen, Softwarelizenzen sind gesichert.
3.2.3. Die Lernbegleitung verfügt über die notwendigen Kompetenzen für die Umsetzung von digitalen und hybriden Angeboten.
3.2.4. Die Ressourcen und Aufgaben für eine mögliche zweite (technische) Moderation (z. B. zur Begleitung von Online-Workshops) sind vorhanden und definiert.
223
Anlage: Niveaustufenmodell und Wissensarten (Anderson & Krathwohl, 2001; CELT, 2017; ELAN, 2018; Heyer, 2006)
Modell nach Anderson & Krathwohl. Grundlage des Modells: Revision von Blooms Taxonomie der Lernziele.
Dimension des Wissens,
konkretes bis abstraktes Wissen
Dimension des kognitiven Prozesses, niedrige bis hohe Ordnung
1. Erinnern
2. Verstehen
3. Anwenden
4. Analysieren
5. Bewerten
6. Erstellen
A. Faktenwissen
A.1
A.2
A.3
A.4
A.5
A.6
B. Konzeptionelles Wissen
B.1
B.2
B.3
B.4
B.5
B.6
C. Prozedurales Wissen
C.1
C.2
C.3
C.4
C.5
C.6
D: Metakognitives Wissen
D.1
D.2
D.3
D.4
D.5
D.6
Wissensart
Untergeordnete Wissensarten
Faktenwissen
Terminologiewissen
Wissen über spezifische Details und Elemente
Konzeptionelles Wissen
Wissen über Klassifikationen und Kategorien
Wissen über Prinzipien und Verallgemeinerungen
Wissen über Theorien, Modelle und Strukturen
Prozedurales Wissen
Wissen über fachspezifische Fertigkeiten und Algorithmen
Wissen über fachspezifische Techniken und Methoden
Wissen über Kriterien, unter welchen Umständen bestimmte Prozeduren angewendet werden
Metakognitives Wissen
Strategisches Wissen
Wissen über kognitive Aufgaben, einschließlich angemessenem kontextuellen und bedingten Wissens
Selbstkenntnis
224
Anlage: Didaktische Basismodelle des Lernens als lernzielorientierter Ansatz der Gestaltung von Unterricht (Brouër, 2001, S. 155;
Elsässer, 2000; Oser & Patry, 1990)
Name des Basismodells
Zieltyp des Lernens
Lernen durch Eigenerfahrung
Aneignung von Erfahrungswissen
Entwicklungsförderndes, strukturveränderndes
Lernen
Transformation von Tiefenstrukturen, moralische Entwicklung
Problemlösen
Lernen durch Versuch und Irrtum
Wissensaufbau, Begriffsbildung
Memorierbare Fakten erwerben, Aufbau von erinnerbaren Fakten, von zu
verstehenden Sachverhalten
Konzeptbildung
Aufbau von vernetztem Wissen, Verwendung von Schemata, Konzepten, Theorien,
Skripts
Betrachtendes Lernen, Kontemplation, Meditation
Sich auf etwas konzentrieren, meditative Versenkung
Lernen von Strategien
Lernen lernen (Meta-Lernen, Metakognition)
Routinebildung und Training von Fertigkeiten
Automatisierte Handlungsabläufe
Motilitätsmodell
Affektive Verarbeitung durch kreatives Handeln
Soziales Lernen, Lernen dynamischer
Beziehungen
Positiver Verhaltensaustausch, aktive Gestaltung des Zusammenlebens,
Bindungsentwicklung durch sozialen Verhaltensaustausch
Wert- und Identitätsaufbau
Wertewandel, Werteklärung, Werteschaffung,
Wandel des Wertbewusstseins (politische, menschliche, religiöse Werte)
Hypertextlernen
Konstruktion und Erstellung von eigenständigen Vernetzungen,
Neuordnung und Bewertung von Informationseinheiten
Verhandeln lernen, Lernen durch realistischen
Diskurs
Herstellen von Konsens in verschiedenen Situationen des Lebens,
Kompromissfindung durch Austausch
Entdeckendes Lernen
Generalisierendes Lernen durch Suchprozesse in der Wirklichkeit
225
Anlage: Exemplarische Relationen in verschiedenen Standards
Verwendungsbeispiele für die unterschiedlichen Relationstypen (1:1, 1:n, n:n) aus verschiedenen Standards, wie: DCMI, schema.org, SKOS, Sharing Ancient
Wisdoms (Objekteigenschaften, SAWS), Friend of a Friend - Ontologie für soziale Netzwerke (FOAF), Fedora data model / NDSL Relationships (Commons
Repository Ontology, Digital Object Relationships, Portland Common Data Model, ebuCore), Link Relation Types (LRT IANA).
Exemplarische Relationen
Inverse Relation
Verwendungsbeispiel
hasPart
isPartOf, formsPartOf
Teil-Ganzes-Beziehungen
relation, related
isRelatedTo
Verwandtschaften
isSimilarTo, closeMatch, isSequentiallySimilarTo
Ähnlichkeiten
references
isReferencedBy
Zitationen
conformsTo
Konformität mit einem Standard
hasFormat
isFormatOf
Format-Variation einer Ressource
requires
isRequiredBy
Abhängigkeiten
replaces, hasAncestor
isReplacedBy, isAncestorOf
Vorgänger, Nachfolger
isSourceFor, isParentOf
source, isBasedOn, hasParent
Derivate
knows, follows, memberOf, hasMember
isMemberOf
soziale Netzwerke
hasVersion
isVersionOf
Version einer Ressource
sameAs, exactMatch, sSequentiallySameAs
Äquivalenzen
broader; broadMatch, narrower; narrowMatch,
hasDescendant, hasChild
isDescendantOf, isChildOf
hierarchische Beziehungen
226
Anlage: Exemplarische Operatoren zur Implementierung einer Filter-Logik
Verschiedene Operatoren zur Implementierung einer Filter-Logik basierend auf Feldtypen.
Feldtyp
Exemplarische Operatoren
UI-Beispiel
Textfeld
Contains
Equals
Starts with
Ends with
Is empty
Is not empty
Kontrolliertes Vokabular
Auswahlfeld (Single-
oder Multi-Select)
Is
Is not
Is any of
Datum- /
Zeitauswahl
Is after
Is before
Is
Is not
Is on or after
Is on or before
Is empty
Is not empty
