Geostatistische Grundlagenbildung ko-kreativ
Die Auseinandersetzung mit aktuellen globalen Herausforderungen, wie Klimawandel und Ressourcenknappheit, führt zu einem exponentiellen Anstieg des Datenvolumens. Parallel dazu entwickeln sich neue Methoden und Algorithmen zur Datenauswertung rasant weiter. Für Geowissenschaftler:innen in Forschung, Lehre und außeruniversitären Berufsfeldern gehört der Umgang mit Big Data, Open Data und KI daher bereits zum täglichen Handwerk. Das Projekt „Geostatistische Grundlagenbildung ko-kreativ“ (GeoStat) nimmt sich dieser Herausforderung an und will neue Wege in der Ausbildung von Statistik-Kompetenzen gehen. In einem ko-kreativen Prozess arbeiten Studierende, Lehrende und Hochschuldidaktiker:innen eng zusammen, um die Bedürfnisse der Studierenden besser zu verstehen und diese in der Weiterentwicklung der Statistik-Lehre stärker zu berücksichtigen. Zentrale Anliegen sind die Identifizierung häufiger Lernhürden, die Bereitstellung angemessener Bewältigungsstrategien und die Unterstützung selbstgesteuerter Lernprozesse. Die Arbeit im Projekt oerientiert sich am iterativ-zyklischen Ansatz des Design-Based Research, wobei der Fokus auf der evidenzbasierten Entwicklung und formativen Evaluation praxisorientierter Lösungen liegt. Das Projekt wird von April 2025 bis März 2027 durch die Stiftung Innovation in der Hochschullehre gefördert. Die Ergebnisse werden begleitend dokumentiert und veröffentlicht.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
Kausale Inferenz, Maschinelles Lernen und Reproduzierbare Forschung
Das Projekt KMR strebt an, moderne empirische Verfahren der kausalen Inferenz, des maschinellen Lernens und der reproduzierbaren Forschung in große verpflichtende Lehrveranstaltungen der Ökonometrie in wirtschaftswissenschaftlichen Studiengängen zu tragen, hier zunächst konkret die Einführung in die Ökonometrie (Wintersemester, 6 ECTS) an der Universität Duisburg-Essen (UDE). Umfangreiche open source-Materialien machen die Projektergebnisse anderen Studierenden und Lehrenden zugänglich. Der Arbeitsplan des Projektes gliedert sich in die vier Arbeitspakete Identifikationsstrategien (AP1), Maschinelles Lernen (AP2), Implementierung empirischer Forschung (AP3) und einem open-source-Kompendium (AP4). AP1 macht moderne kausale empirische Strategien wie difference-in-differences oder regression discontinuity zugänglich für Bachelorstudierende. AP1 adressiert erfolgreiche prädiktive Verfahren wie decision und regression trees und random forests. AP3 widmet sich der Vermittlung von Kompetenzen zur reproduzierbaren Forschung. Hierzu gehören die Integration von Text und statistischer Analyse ("RMarkdown"), interaktive Präsentation ("Shiny"), Versionskontrolle ("Github") oder die Erstellung von Paketen. AP4 erstellt ein open source-Online Kompendiums (AP4), das die Inhalte des Moduls frei zugänglich veranstaltungsbegleitend, aber auch zum Selbststudium bereitstellt.
Projekt anzeigen
Automatisiertes Feedback zu Diagrammen mit FeeDi
Die Fähigkeit, komplexe Inhalte in Diagrammen darzustellen, ist besonders in MINT-Fächern essenziell – etwa in UML-, Prozess-, Schalt- oder XY-Diagrammen. Doch in großen Lehrveranstaltungen mit bis zu 500 Studierenden ist eine individuelle Korrektur eingereichter Modellierungen kaum möglich. Selbst in kleineren Gruppen entsteht so ein hoher Bewertungsaufwand. In der Lehrveranstaltung Datenbanksysteme der HTWK Leipzig kam das E-Assessment-Tool FeeDi zum Einsatz: Lehrende hinterlegten eine Musterlösung, auf deren Basis Studierende automatisiert grafisches, numerisches und textuelles Feedback zu ihren ER-Diagrammen erhielten. Zudem wurden Bewertungsschemata und Feedbacktexte für typische Fehlerklassen vorbereitet. Ziel war es, Studierenden zeitnahes, prozessbezogenes Feedback zu geben und Lehrende zu entlasten. Die Studierenden erhielten direkt nach der Abgabe farblich markierte Rückmeldungen zu korrekten und fehlerhaften Elementen, numerische Bewertungen (absolut/prozentual) sowie text
Maßnahme anzeigen
XR_Bildungs- und Beteiligungs-Metaverse. Virtuelle Lehr- und Lernzukünfte für die Stadt- und Raumplanung [2]
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen