Veröffentlichung

forme3

Learning Analytics

Die Lernanalytik ist die Analyse von Daten aus Lernsystemen, insbesondere E-Learning, um den Zusammenhang zwischen dem Verhalten der Lernenden und ihrer Lernleistung zu verstehen. So zeichnen die meisten MOOC-Plattformen alle Aktivitäten der Lernenden auf, um riesige Datenbanken zu erstellen.

Dann versuchen automatische Analyseverfahren wie „Deep Learning“, Zusammenhänge zwischen dem Verhalten des Lernenden und der Qualität seines Lernens zu erkennen [2]. Davon erhofft man sich, dass die Korrelation der großen Menge an gesammelten Variablen die Entstehung eines Vorhersagemodells für die Qualität des Wissenserwerbs ermöglicht. Die Schwierigkeit liegt jedoch in der Interpretation der so gewonnenen Korrelationen [2]. Wenn wir wissen, dass die durchschnittliche Konzentrationszeit von Lernenden auf ein Schulungsvideo etwa 6 Minuten beträgt [3], wie zuverlässig können dann Verhaltensmessungen über diesen Zeitraum hinaus sein? Außerdem wissen alle Lehrer, dass das wichtigste Element bei der Bestimmung des Wissenserwerbs eines Lernenden sein Vorwissen ist [4]. Wie kann dann diese wesentliche Variable in Korrelationsmodellen berücksichtigt werden? Während man davon ausgehen kann, dass die Bestimmung dieser Variable im Falle einer schulischen oder sogar universitären Ausbildung möglich ist, wo die Vorbildung der Lernenden ziemlich gut bekannt und gemessen ist, ist die Situation in der beruflichen Aus- und Weiterbildung ganz anders. Im letzteren Fall ist die Heterogenität der Hintergründe der Lernenden eher die Regel als die Ausnahme. Wie sieht es schließlich mit dem Einfluss der pädagogischen Qualität der Inhalte aus? Können wir die Korrelationen, die wir auf der Basis eines effektiven Kurses erhalten haben, auf einen anderen, schlecht konstruierten Kurs übertragen? Offensichtlich nicht. Insgesamt sind die Ergebnisse analytischer Studien auf der Basis von MOOCs vorerst eher dürftig [1].

Aber vielleicht liegt das Problem in der methodischen Herangehensweise? Eine andere Technik wäre in der Tat, vor der Messung ein klares pädagogisches Ziel zu definieren. Was genau wollen wir verbessern? Dann muss ein Kausalmodell zwischen messbaren Werten und dem Bildungsziel festgelegt werden. Auf diese Weise wird der Einfluss der gemessenen Variablen auf dieses Ziel deutlich und es können daraus Ratschläge für die Lernenden abgeleitet werden. In der Tat gibt es, wie jeder Statistikstudent weiß, einen grundlegenden Unterschied zwischen Korrelation und Kausalität. Eine Korrelation ist eine Beobachtung der gleichzeitigen Veränderung von zwei oder mehreren Variablen, also deren gegenseitige Abhängigkeit. Dies sagt aber nichts über die Kausalität aus. Letztere erfordert die vorherige Aufstellung eines Kausalmodells, das erklärt, wie die Festlegung des Wertes einer Variablen den Wert einer anderen beeinflusst [5]. Nehmen wir ein karikaturistisches Beispiel. Stellen wir uns vor, dass wir auf einer MOOC-Plattform beobachten, dass Lernende, die das Anschauen eines Videos um 16:00 Uhr unterbrechen und um 16:30 Uhr wieder aufnehmen, beim Abschlusstest besser abschneiden als diejenigen, die um 19:00 Uhr unterbrechen und um 20:00 Uhr wieder aufnehmen. Sollten wir daher den Lernenden raten, um 16:00 Uhr immer eine 30-minütige Pause zu machen? Sicherlich nicht. Zunächst einmal rät die Lernwissenschaft, nach einer Lernzeit von etwa einer Stunde eine Pause einzulegen. Die Pause um 16:00 Uhr kann das Ende einer einstündigen Periode sein, während die Pause um 19:00 Uhr nach dreistündigem Lernen genommen wird. Dann kann die 16-Uhr-Pause eine Kaffeepause sein, in der der Lernende ein Stimulans (Kaffee, Tee) zu sich nimmt, das seine Energie für den Rest des Lernprozesses erhöht. Auf der anderen Seite nimmt der Lernende, der um 19:00 Uhr aufhört, vielleicht eine Mahlzeit ein, nach der eine Verdauungsphase nicht förderlich für das Lernen ist. Schließlich ist die allgemeine Müdigkeit des Lernenden um 19:00 Uhr wahrscheinlich größer als um 16:00 Uhr, was dem Lernen nicht zuträglich ist. Anhand dieses einfachen Beispiels können wir sehen, dass die Korrelation außerhalb des Kontexts schwer zu interpretieren ist. Außerdem sind einige Variablen nicht in den korrelierten Daten enthalten, z. B. was während der Pause konsumiert wurde. Wie wir sehen, ist die Erstellung eines kohärenten analytischen Modells für E-Learning komplex. Sie ist jedoch eine Voraussetzung, um aus der Analyse Empfehlungen ableiten zu können. Das Aufkommen

von Microlearning führt, abgesehen von seinen eigenen pädagogischen Vorteilen, einen Rahmen ein, der den Entwurf eines Modells zur Messung und Interpretation des Verhaltens der Lernenden erleichtert. Dies ermöglicht insbesondere die Implementierung von adaptivem Lernen. Im e-Cadencia-System von ITycom besteht das adaptive Lernen in der Anpassung des Lerntempos und des Mikroinhalts (Microlearning Content) an die Disposition der Lernenden.

Verpassen Sie nicht unseren nächsten Newsletter, in dem wir Ihnen mehr über Learning Analytics, Microlearning und adaptives Lernen in e-Cadencia erzählen.

Dr Ph. Dugerdil

Product Owner

 

  • [1]
    Reich J. – Failure to Disrupt: Why Technology Alone Can’t
    Transform Education. Harvard University Press,
    25 septembre 2020.
  • [2]
    Baker R.S. – Challenges for the Future of
    Educational Data Mining: The Baker Learning Analytics Prizes. Journal of
    Educational Data Mining, Volume 11, No 1, 2019
  • [3]
    Lagerstrom, L., Johanes, P.,  Ponsukcharoen, U. – The Myth of the
    Six-Minute Rule: Student Engagement with Online Videos. ASEE Annual Conference
    & Exposition, Seattle, 2015
  • [4]
    Ambrose S., Bridges M.W., DiPietro M., Lovett
    C. Norman M.K. – How Learning Works. John Wiley, 2010
  • [5]
    Pearl J. – The Book of Why: The New Science of
    Cause and Effect.  Basic Books,  2018

Dann versuchen automatische Analyseverfahren wie „Deep Learning“, Zusammenhänge zwischen dem Verhalten des Lernenden und der Qualität seines Lernens zu erkennen [2]. Davon erhofft man sich, dass die Korrelation der großen Menge an gesammelten Variablen die Entstehung eines Vorhersagemodells für die Qualität des Wissenserwerbs ermöglicht. Die Schwierigkeit liegt jedoch in der Interpretation der so gewonnenen Korrelationen [2]. Wenn wir wissen, dass die durchschnittliche Konzentrationszeit von Lernenden auf ein Schulungsvideo etwa 6 Minuten beträgt [3], wie zuverlässig können dann Verhaltensmessungen über diesen Zeitraum hinaus sein? Außerdem wissen alle Lehrer, dass das wichtigste Element bei der Bestimmung des Wissenserwerbs eines Lernenden sein Vorwissen ist [4]. Wie kann dann diese wesentliche Variable in Korrelationsmodellen berücksichtigt werden? Während man davon ausgehen kann, dass die Bestimmung dieser Variable im Falle einer schulischen oder sogar universitären Ausbildung möglich ist, wo die Vorbildung der Lernenden ziemlich gut bekannt und gemessen ist, ist die Situation in der beruflichen Aus- und Weiterbildung ganz anders. Im letzteren Fall ist die Heterogenität der Hintergründe der Lernenden eher die Regel als die Ausnahme. Wie sieht es schließlich mit dem Einfluss der pädagogischen Qualität der Inhalte aus? Können wir die Korrelationen, die wir auf der Basis eines effektiven Kurses erhalten haben, auf einen anderen, schlecht konstruierten Kurs übertragen? Offensichtlich nicht. Insgesamt sind die Ergebnisse analytischer Studien auf der Basis von MOOCs vorerst eher dürftig [1].

Aber vielleicht liegt das Problem in der methodischen Herangehensweise? Eine andere Technik wäre in der Tat, vor der Messung ein klares pädagogisches Ziel zu definieren. Was genau wollen wir verbessern? Dann muss ein Kausalmodell zwischen messbaren Werten und dem Bildungsziel festgelegt werden. Auf diese Weise wird der Einfluss der gemessenen Variablen auf dieses Ziel deutlich und es können daraus Ratschläge für die Lernenden abgeleitet werden. In der Tat gibt es, wie jeder Statistikstudent weiß, einen grundlegenden Unterschied zwischen Korrelation und Kausalität. Eine Korrelation ist eine Beobachtung der gleichzeitigen Veränderung von zwei oder mehreren Variablen, also deren gegenseitige Abhängigkeit. Dies sagt aber nichts über die Kausalität aus. Letztere erfordert die vorherige Aufstellung eines Kausalmodells, das erklärt, wie die Festlegung des Wertes einer Variablen den Wert einer anderen beeinflusst [5]. Nehmen wir ein karikaturistisches Beispiel. Stellen wir uns vor, dass wir auf einer MOOC-Plattform beobachten, dass Lernende, die das Anschauen eines Videos um 16:00 Uhr unterbrechen und um 16:30 Uhr wieder aufnehmen, beim Abschlusstest besser abschneiden als diejenigen, die um 19:00 Uhr unterbrechen und um 20:00 Uhr wieder aufnehmen. Sollten wir daher den Lernenden raten, um 16:00 Uhr immer eine 30-minütige Pause zu machen? Sicherlich nicht. Zunächst einmal rät die Lernwissenschaft, nach einer Lernzeit von etwa einer Stunde eine Pause einzulegen. Die Pause um 16:00 Uhr kann das Ende einer einstündigen Periode sein, während die Pause um 19:00 Uhr nach dreistündigem Lernen genommen wird. Dann kann die 16-Uhr-Pause eine Kaffeepause sein, in der der Lernende ein Stimulans (Kaffee, Tee) zu sich nimmt, das seine Energie für den Rest des Lernprozesses erhöht. Auf der anderen Seite nimmt der Lernende, der um 19:00 Uhr aufhört, vielleicht eine Mahlzeit ein, nach der eine Verdauungsphase nicht förderlich für das Lernen ist. Schließlich ist die allgemeine Müdigkeit des Lernenden um 19:00 Uhr wahrscheinlich größer als um 16:00 Uhr, was dem Lernen nicht zuträglich ist. Anhand dieses einfachen Beispiels können wir sehen, dass die Korrelation außerhalb des Kontexts schwer zu interpretieren ist. Außerdem sind einige Variablen nicht in den korrelierten Daten enthalten, z. B. was während der Pause konsumiert wurde. Wie wir sehen, ist die Erstellung eines kohärenten analytischen Modells für E-Learning komplex. Sie ist jedoch eine Voraussetzung, um aus der Analyse Empfehlungen ableiten zu können. Das Aufkommen

von Microlearning führt, abgesehen von seinen eigenen pädagogischen Vorteilen, einen Rahmen ein, der den Entwurf eines Modells zur Messung und Interpretation des Verhaltens der Lernenden erleichtert. Dies ermöglicht insbesondere die Implementierung von adaptivem Lernen. Im e-Cadencia-System von ITycom besteht das adaptive Lernen in der Anpassung des Lerntempos und des Mikroinhalts (Microlearning Content) an die Disposition der Lernenden.

Verpassen Sie nicht unseren nächsten Newsletter, in dem wir Ihnen mehr über Learning Analytics, Microlearning und adaptives Lernen in e-Cadencia erzählen.

Dr Ph. Dugerdil

Product Owner

 

[1]
Reich J. – Failure to Disrupt: Why Technology Alone Can’t
Transform Education. Harvard University Press,
25 septembre 2020.

[2]
Baker R.S. – Challenges for the Future of
Educational Data Mining: The Baker Learning Analytics Prizes. Journal of
Educational Data Mining, Volume 11, No 1, 2019

[3]
Lagerstrom, L., Johanes, P.,  Ponsukcharoen, U. – The Myth of the
Six-Minute Rule: Student Engagement with Online Videos. ASEE Annual Conference
& Exposition, Seattle, 2015

[4]
Ambrose S., Bridges M.W., DiPietro M., Lovett
M.C. Norman M.K. – How Learning Works. John Wiley, 2010

[5]
Pearl J. – The Book of Why: The New Science of
Cause and Effect.  Basic Books,  2018

 

 

 

 

Sie haben Fragen zu einem unserer Services?