{"id":92,"date":"2023-11-30T16:59:46","date_gmt":"2023-11-30T16:59:46","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/chapter\/235\/"},"modified":"2024-01-31T11:43:06","modified_gmt":"2024-01-31T11:43:06","slug":"235","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/chapter\/235\/","title":{"raw":"Learning Analytics und Educational Data Mining","rendered":"Learning Analytics und Educational Data Mining"},"content":{"raw":"Von Azim Roussanaly, Anne Boyer, Jiajun Pan, LORIA\/Universit\u00e9 de Lorraine<\/em><\/span><\/strong>\n

Was ist Learning Analytics?<\/h3>\n

Immer mehr Organisationen nutzen Datenanalysen, um Probleme zu l\u00f6sen und Entscheidungen im Zusammenhang mit ihren Aktivit\u00e4ten zu verbessern. Auch die Welt der Bildung bildet hier keine Ausnahme, denn mit der allgemeinen Verbreitung von virtuellen Lernumgebungen (VLE) und Lernmanagementsystemen (LMS) stehen nun umfangreiche Lerndaten zur Verf\u00fcgung, die durch die Interaktion der Lernenden mit diesen Tools erzeugt werden.<\/p>\n

Wir sprechen in diesem Zusammenhang von Learning Analytics<\/em> (LA): LA ist ein disziplin\u00e4res Gebiet, das definiert ist als \u201edie Messung, Sammlung, Analyse und Berichterstattung von Daten \u00fcber Lernende und ihre Kontexte zum Zwecke des Verst\u00e4ndnisses und der Optimierung des Lernens und der Umgebungen, in denen es stattfindet\u201d. [Long-2011]<\/p>\n

Im Allgemeinen werden vier Arten von Analysen je nach der zu l\u00f6senden Frage unterschieden:<\/p>\n\n

    \n \t
  • Deskriptive Analyse: Was ist in der Vergangenheit passiert?<\/li>\n \t
  • Diagnostische Analytik: Warum ist etwas in der Vergangenheit passiert?<\/li>\n \t
  • Voraussagende Analytik: Was wird h\u00f6chstwahrscheinlich in der Zukunft passieren?<\/li>\n \t
  • Pr\u00e4diktive Analytik: Welche Ma\u00dfnahmen sollen ergriffen werden, um diese Ergebnisse zu beeinflussen?<\/li>\n<\/ul>\n

    Was ist das?<\/h3>\n

    Die auf LA basierenden Lehrmittel sind sehr vielf\u00e4ltig und reichen von Dashbords zur Datenvisualisierung bis hin zu Empfehlungssystemen. Die Forschung in diesem Bereich ist derzeit sehr aktiv, und wir beschr\u00e4nken uns darauf, die in der Literatur h\u00e4ufig auftretenden Probleme zusammenzufassen. Jedes dieser Probleme f\u00fchrt zu Tool-Familien, die sich in erster Linie an Lernende oder Lehrende richten, die die meisten Endnutzenden von LA-basierten Anwendungen sind.<\/p>\n\n

    Vorhersage und Verbesserung des Lernerfolgs von Lernenden<\/h3>\n[caption id=\"attachment_91\" align=\"alignright\" width=\"200\"]\"\" Abb. 1: Dashboard der Purdue University (Studierenden-Ansicht)[\/caption]\n

    Eine typische Anwendung von LA ist die Vorhersage von Misserfolgen.<\/p>\n

    Lernindikatoren werden automatisch aus den digitalen Spuren errechnet und k\u00f6nnen von den Lernenden direkt abgerufen werden, damit sie ihre eigenen Lernstrategien anpassen k\u00f6nnen.<\/p>\n

    Eines der ersten Experimente wurde an der Purdue University (USA) mit einer mobilen Anwendung durchgef\u00fchrt, die als ampelbasiertes Dashboard konzipiert ist (Arnold-2012).<\/p>\n

    Alle Studierende k\u00f6nnen ihre eigenen Fortschrittsindikatoren \u00fcberwachen.<\/p>\n

    Ein Screenshot des Dashboards ist in Abb. 1 zu sehen.<\/p>\n

    Die Indikatoren k\u00f6nnen - wie in einem Fr\u00fchwarnsystem (EWS) - auch an Lehrkr\u00e4fte gerichtet werden.<\/p>\n

    Dies ist die Wahl, die das franz\u00f6sische Nationale Zentrum f\u00fcr Fernunterricht (CNED) in einer laufenden Studie (BenSoussia-2022) getroffen hat.<\/p>\n

    Das Ziel eines EWS besteht darin, die Tutorinnen und Tutoren, die f\u00fcr die Betreuung der Studierenden verantwortlich sind, so schnell wie m\u00f6glich zu benachrichtigen, damit sie rechtzeitig geeignete Abhilfema\u00dfnahmen ergreifen k\u00f6nnen.<\/p>\n\n

    Analyse des Lernprozesses der Sch\u00fclerinnen und Sch\u00fcler<\/h3>\n[caption id=\"attachment_91\" align=\"alignleft\" width=\"404\"]\"\" Abb. 2: Dashboard im METAL Projekt[\/caption]\n

    LA-Techniken k\u00f6nnen helfen, das Lernverhalten eines oder einer Lernenden oder einer Gruppe von Lernenden (d. h. einer Klasse) zu modellieren. Das Modell kann zur Darstellung von Lernprozessen in LA-Anwendungen verwendet werden und liefert zus\u00e4tzliche Informationen, die es Lehrkr\u00e4ften erm\u00f6glichen, Defizite zu erkennen, die zur Verbesserung von Unterrichtsmaterialien und -methoden beitragen. Au\u00dferdem ist die Analyse des Lernprozesses eine M\u00f6glichkeit, das Engagement der Lernenden zu beobachten. Im Rahmen des e-FRAN METAL-Projekts wurden die Indikatoren beispielsweise in einem Dashboard zusammengefasst, das gemeinsam mit einem Team von Sekundarschullehrkr\u00e4ften entwickelt wurde (siehe Abb. 2 (Brun-2019)).<\/p>\n\n

    Personalisierte Lernpfade<\/h3>\nDie Personalisierung von Lernpfaden kann in Empfehlungs- oder adaptiven Lernsystemen erfolgen. Empfehlungssysteme zielen darauf ab,\u00a0 Lernenden die besten Ressourcen oder geeignete Verhaltensweisen vorzuschlagen, die dazu beitragen k\u00f6nnen, die Lernziele effektiv zu erreichen.\n

    Einige Systeme konzentrieren sich darauf, die Lehrkraft einzubeziehen, indem sie ihr Empfehlungen zur Validierung vorlegen. Adaptive Lernsysteme erm\u00f6glichen es Lernenden, ihre F\u00e4higkeiten und ihr Wissen auf eine pers\u00f6nlichere und selbstbestimmte Weise zu entwickeln, indem sie den Lernpfad st\u00e4ndig an ihre Erfahrungen anpassen.<\/p>\n\n

    Funktioniert es?<\/h3>\nIn den Ver\u00f6ffentlichungen konzentriert sich das Feedback haupts\u00e4chlich auf die Studierenden (in der Hochschulbildung). Die Beobachtungen zeigen im Allgemeinen eine verbesserte Leistung der Lernenden (z. B. + 10 % der Noten A und B an der Purdue University). F\u00fcr Lehrkr\u00e4fte ist die Wirkung von LA komplexer zu beurteilen. Studien, die auf dem Technologie-Akzeptanz-Modell (TAM) basieren, legen nahe, dass die Lehrkr\u00e4fte den Einsatz von LA-Tools positiv bewerten. Es ist interessant, in einer dieser Studien die abschlie\u00dfende Analyse der St\u00e4rken, Schw\u00e4chen, Chancen und Risiken (SWOT) zu sehen, die wir hier wiedergeben (Mavroudi-21) (siehe Abb. 3).\n\n[caption id=\"attachment_91\" align=\"aligncenter\" width=\"1024\"]\"\" Abb. 3: SWOT-Analyse der LA-Akzeptanz5<\/sup>[\/caption]\n\nEinige der Punkte, die in den Abschnitten Risiken und Schw\u00e4chen aufgef\u00fchrt sind, bilden die Grundlage f\u00fcr die \u00dcberlegungen der Society for Learning Analytics Research<\/em> (SoLAR), einen Ethics-by-Design-Ansatz f\u00fcr LA-Anwendungen zu empfehlen (Drashler-16). Die Empfehlungen sind in einer Checkliste mit 8 Stichworten zusammengefasst: Bestimmen, Erkl\u00e4ren, Legitimieren, Einbeziehen, Einverst\u00e4ndnis, Anonymisieren, Technisch, Extern (DELICATE).\n

    Referenzen<\/h3>\nP.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27\u2013March 1, 2011\nK. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series. (2012).\nA. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context. ICALT (2022)\nA. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METALproject. IJILT (2019)\nA. Mavroudi, Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65 (2021)","rendered":"

    Von Azim Roussanaly, Anne Boyer, Jiajun Pan, LORIA\/Universit\u00e9 de Lorraine<\/em><\/span><\/strong><\/p>\n

    Was ist Learning Analytics?<\/h3>\n

    Immer mehr Organisationen nutzen Datenanalysen, um Probleme zu l\u00f6sen und Entscheidungen im Zusammenhang mit ihren Aktivit\u00e4ten zu verbessern. Auch die Welt der Bildung bildet hier keine Ausnahme, denn mit der allgemeinen Verbreitung von virtuellen Lernumgebungen (VLE) und Lernmanagementsystemen (LMS) stehen nun umfangreiche Lerndaten zur Verf\u00fcgung, die durch die Interaktion der Lernenden mit diesen Tools erzeugt werden.<\/p>\n

    Wir sprechen in diesem Zusammenhang von Learning Analytics<\/em> (LA): LA ist ein disziplin\u00e4res Gebiet, das definiert ist als \u201edie Messung, Sammlung, Analyse und Berichterstattung von Daten \u00fcber Lernende und ihre Kontexte zum Zwecke des Verst\u00e4ndnisses und der Optimierung des Lernens und der Umgebungen, in denen es stattfindet\u201d. [Long-2011]<\/p>\n

    Im Allgemeinen werden vier Arten von Analysen je nach der zu l\u00f6senden Frage unterschieden:<\/p>\n

      \n
    • Deskriptive Analyse: Was ist in der Vergangenheit passiert?<\/li>\n
    • Diagnostische Analytik: Warum ist etwas in der Vergangenheit passiert?<\/li>\n
    • Voraussagende Analytik: Was wird h\u00f6chstwahrscheinlich in der Zukunft passieren?<\/li>\n
    • Pr\u00e4diktive Analytik: Welche Ma\u00dfnahmen sollen ergriffen werden, um diese Ergebnisse zu beeinflussen?<\/li>\n<\/ul>\n

      Was ist das?<\/h3>\n

      Die auf LA basierenden Lehrmittel sind sehr vielf\u00e4ltig und reichen von Dashbords zur Datenvisualisierung bis hin zu Empfehlungssystemen. Die Forschung in diesem Bereich ist derzeit sehr aktiv, und wir beschr\u00e4nken uns darauf, die in der Literatur h\u00e4ufig auftretenden Probleme zusammenzufassen. Jedes dieser Probleme f\u00fchrt zu Tool-Familien, die sich in erster Linie an Lernende oder Lehrende richten, die die meisten Endnutzenden von LA-basierten Anwendungen sind.<\/p>\n

      Vorhersage und Verbesserung des Lernerfolgs von Lernenden<\/h3>\n
      \"\"
      Abb. 1: Dashboard der Purdue University (Studierenden-Ansicht)<\/figcaption><\/figure>\n

      Eine typische Anwendung von LA ist die Vorhersage von Misserfolgen.<\/p>\n

      Lernindikatoren werden automatisch aus den digitalen Spuren errechnet und k\u00f6nnen von den Lernenden direkt abgerufen werden, damit sie ihre eigenen Lernstrategien anpassen k\u00f6nnen.<\/p>\n

      Eines der ersten Experimente wurde an der Purdue University (USA) mit einer mobilen Anwendung durchgef\u00fchrt, die als ampelbasiertes Dashboard konzipiert ist (Arnold-2012).<\/p>\n

      Alle Studierende k\u00f6nnen ihre eigenen Fortschrittsindikatoren \u00fcberwachen.<\/p>\n

      Ein Screenshot des Dashboards ist in Abb. 1 zu sehen.<\/p>\n

      Die Indikatoren k\u00f6nnen – wie in einem Fr\u00fchwarnsystem (EWS) – auch an Lehrkr\u00e4fte gerichtet werden.<\/p>\n

      Dies ist die Wahl, die das franz\u00f6sische Nationale Zentrum f\u00fcr Fernunterricht (CNED) in einer laufenden Studie (BenSoussia-2022) getroffen hat.<\/p>\n

      Das Ziel eines EWS besteht darin, die Tutorinnen und Tutoren, die f\u00fcr die Betreuung der Studierenden verantwortlich sind, so schnell wie m\u00f6glich zu benachrichtigen, damit sie rechtzeitig geeignete Abhilfema\u00dfnahmen ergreifen k\u00f6nnen.<\/p>\n

      Analyse des Lernprozesses der Sch\u00fclerinnen und Sch\u00fcler<\/h3>\n
      \"\"
      Abb. 2: Dashboard im METAL Projekt<\/figcaption><\/figure>\n

      LA-Techniken k\u00f6nnen helfen, das Lernverhalten eines oder einer Lernenden oder einer Gruppe von Lernenden (d. h. einer Klasse) zu modellieren. Das Modell kann zur Darstellung von Lernprozessen in LA-Anwendungen verwendet werden und liefert zus\u00e4tzliche Informationen, die es Lehrkr\u00e4ften erm\u00f6glichen, Defizite zu erkennen, die zur Verbesserung von Unterrichtsmaterialien und -methoden beitragen. Au\u00dferdem ist die Analyse des Lernprozesses eine M\u00f6glichkeit, das Engagement der Lernenden zu beobachten. Im Rahmen des e-FRAN METAL-Projekts wurden die Indikatoren beispielsweise in einem Dashboard zusammengefasst, das gemeinsam mit einem Team von Sekundarschullehrkr\u00e4ften entwickelt wurde (siehe Abb. 2 (Brun-2019)).<\/p>\n

      Personalisierte Lernpfade<\/h3>\n

      Die Personalisierung von Lernpfaden kann in Empfehlungs- oder adaptiven Lernsystemen erfolgen. Empfehlungssysteme zielen darauf ab,\u00a0 Lernenden die besten Ressourcen oder geeignete Verhaltensweisen vorzuschlagen, die dazu beitragen k\u00f6nnen, die Lernziele effektiv zu erreichen.<\/p>\n

      Einige Systeme konzentrieren sich darauf, die Lehrkraft einzubeziehen, indem sie ihr Empfehlungen zur Validierung vorlegen. Adaptive Lernsysteme erm\u00f6glichen es Lernenden, ihre F\u00e4higkeiten und ihr Wissen auf eine pers\u00f6nlichere und selbstbestimmte Weise zu entwickeln, indem sie den Lernpfad st\u00e4ndig an ihre Erfahrungen anpassen.<\/p>\n

      Funktioniert es?<\/h3>\n

      In den Ver\u00f6ffentlichungen konzentriert sich das Feedback haupts\u00e4chlich auf die Studierenden (in der Hochschulbildung). Die Beobachtungen zeigen im Allgemeinen eine verbesserte Leistung der Lernenden (z. B. + 10 % der Noten A und B an der Purdue University). F\u00fcr Lehrkr\u00e4fte ist die Wirkung von LA komplexer zu beurteilen. Studien, die auf dem Technologie-Akzeptanz-Modell (TAM) basieren, legen nahe, dass die Lehrkr\u00e4fte den Einsatz von LA-Tools positiv bewerten. Es ist interessant, in einer dieser Studien die abschlie\u00dfende Analyse der St\u00e4rken, Schw\u00e4chen, Chancen und Risiken (SWOT) zu sehen, die wir hier wiedergeben (Mavroudi-21) (siehe Abb. 3).<\/p>\n

      \"\"
      Abb. 3: SWOT-Analyse der LA-Akzeptanz5<\/sup><\/figcaption><\/figure>\n

      Einige der Punkte, die in den Abschnitten Risiken und Schw\u00e4chen aufgef\u00fchrt sind, bilden die Grundlage f\u00fcr die \u00dcberlegungen der Society for Learning Analytics Research<\/em> (SoLAR), einen Ethics-by-Design-Ansatz f\u00fcr LA-Anwendungen zu empfehlen (Drashler-16). Die Empfehlungen sind in einer Checkliste mit 8 Stichworten zusammengefasst: Bestimmen, Erkl\u00e4ren, Legitimieren, Einbeziehen, Einverst\u00e4ndnis, Anonymisieren, Technisch, Extern (DELICATE).<\/p>\n

      Referenzen<\/h3>\n

      P.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27\u2013March 1, 2011
      \nK. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series. (2012).
      \nA. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context. ICALT (2022)
      \nA. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METALproject. IJILT (2019)
      \nA. Mavroudi, Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65 (2021)<\/p>\n","protected":false},"author":1,"menu_order":2,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":["azim-roussanaly","anne-boyer","jiajun-pan"],"pb_section_license":""},"chapter-type":[],"contributor":[66,65,67],"license":[],"part":86,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/92"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/92\/revisions"}],"predecessor-version":[{"id":93,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/92\/revisions\/93"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/parts\/86"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/92\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/media?parent=92"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapter-type?post=92"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/contributor?post=92"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/license?post=92"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}