Learning Analytics
Übergeordnetes Feedback für das Studierverhalten mit Hilfe von „Learning Analytics“ unterstützt die Studierenden in ihrem Lernverhalten. Dabei werden die Datenspuren der Studierenden in Moodle mit Zusatzdaten ergänzt und mit Hilfe von selbstprogrammierten KI-Modellen mit Vorgängerkohorten verglichen und Prognosen auf das Bestehen der Prüfung gemacht, sowie aufgrund der persönlichen Datensituation individuelle Tipps zum Wiederholen und Lernen gegeben. Der Maßnahme liegt ein robustes Datenschutzkonzept für die Verarbeitung der persönlichen Daten der Studierenden zugrunde.
Kategorien
Beschreibung
Herausforderung
• Das Vorwissen der Studierenden in Mathematik und Physik ist sehr heterogen geworden, so dass individuelle Lernpfade immer wichtiger werden.
• Die Motivation der Studierenden für das Lernen ist sehr unterschiedlich, Aufwand/Nutzen-Optimierung wie in der Schule funktioniert in MINT-Fächern meist nicht, gute Lerntechniken für das Studium sind vielfach nicht vorhanden.
Herangehensweise
Im Fach Physik im Studiengang Wirtschaftsingenieurwesen deuten die Prüfungsergebnisse aus dem Studienjahr 2023/24 auf einen positiven Effekt durch die Maßnahme „Learning Analytics“ gegenüber den Vorjahresergebnissen hin. Potenzielle Indikatoren für den Prüfungserfolg wurden identifiziert und aufbereitet. Machine Learning Modelle (MLM) wurden mit den Indikatoren für eine Prognose, die Prüfung zu bestehen, trainiert.
Für das Feedbacktool wurde in einem Team aus Lehrenden, didaktischen Mitarbeitenden und Studierenden in einem Gaming Prozess (www.empamos.de) und durch Fragebögen die Kriterien für ein lernförderliches und unterstützendes Feedback herausgearbeitet. Ein Lernfeedback mit Dashboard-Grafiken, KI-Prognose und individuellen und allgemeinen Lerntipps wurde zweimal pro Semester an die Studierenden per E-Mail versendet. Die fachlichen Feedbacks bei den Moodle-Quiz-Aufgaben für die einzelnen Antworten unterstützen das Konzept hierbei.
Zusammenhang
Lehrveranstaltung Physik im Studiengang Wirtschaftsingenieurwesen.
Voraussetzung
Die Erstellung eines Datenschutzkonzeptes nach Datenschutz-Grundverordnung (DSGVO) war Voraussetzung für die Verarbeitung der personenbezogenen Daten. Die Trainingsdaten sind pseudonymisiert und anonymisiert auf einem zugangsbeschränkten Server abgespeichert. Die Studierenden mussten aktiv der Teilnahme zustimmen. Jederzeit war eine Wahl oder Abwahl von der Teilnahme an Learning Analytics möglich.
Es mussten Indikatoren für eine erfolgreiche Prüfung identifiziert werden, um die KI-Modelle trainieren zu können. Diese heißen auch Merkmale, Prädikatoren oder Feature-Variablen.
Die Daten zur Auswertung wurden für eine maschinenlesbare Auswertung aufbereitet, Es wurden Skripte für die Auswertung (KI-Modellierung, Grafikerzeugung, Feedback-Wortbaukasten, E-Mail-Komposition) geschrieben.
Das „Framing“ im Unterricht beim Einsatz von Learning Analytics ist sehr wichtig, damit die Studierenden die Aktivitäten mit Ihren Nutzen für das Lernen einordnen können.
Eignung
Die Learning-Analytics-Feedback-E-Mail wurde von den Studierenden in Nachbefragungen positiv bewertet und als motivierend empfunden.
Die Prüfung im Sommersemester 2024 hatte die niedrigste Durchfallrate in diesem Physikkurs seit 20 Jahren.
Vorgehen/Schritte
Datenschutzkonzept auf Basis der DSGVO erstellen.
Datensammlung (z.B. aus Moodle oder andere das Lernen betreffende Daten) ist wichtig. Es müssen auch Daten von vergleichbaren vergangenen Kohorten zum KI-Training vorliegen. Dazu sollten alte Kurse im Lernmanagementsystem nicht gelöscht, sondern gespeichert werden.
Identifizierung der Indikatoren für den Prüfungserfolg.
Manuelle Datenaufbereitung ist notwendig, insbesondere sogenanntes „Nullhandling“ (Umgang mit fehlenden Daten) und u.U. Zusammenfassung von Features/Indikatoren.
Erstellung der Vorlage für eine Feedback-E-Mail - dies benötigt Zeit und Kompetenz (fachlich, didaktisch, pädagogisch).
Hinweise
Effekte
Über 90 % der Studierenden haben an Learning Analytics teilgenommen.
Die Feedback-E-Mail wurde von den Studierenden positiv und motivierend aufgenommen.
Die Prüfung im Sommersemester 2024 (Pilotsemester) hatte die niedrigste Durchfallrate in diesem Physikkurs seit 20 Jahren.
Im Kollegium besteht großes Interesse daran, Learning Analytics auch im eigenen Kurs einzusetzen.
Das „Nullhandling“ und die Programmierung der Machine Learning Modelle war zeitaufwändig.
Learnings
Die Erstellung des Datenschutzkonzeptes ist aufwändiger als erwartet.
Der Zeitaufwand für die Datenaufbereitung („Nullhandling“) ist sehr hoch.
KI-Modelle zu programmieren erfordert viel Wissen zu den Modellen und den Größen, die modelliert werden. Vieles ist Trial & Error, erfordert eine Lernkurve und manches kann durch gezielte Planung verbessert werden.
Empfehlung
Denkbar wäre ein kombinierter Ansatz aus einem Dashboard im Lernmanagementsystem (LMS), z.B. Moodle – analog dem Display einer Fitnessuhr – und drei semesterbegleitenden Einzel-E-Mails, die auf Basis der Online-Quiz-Ergebnisse individuelle Lernempfehlungen enthalten.
Tipps
Verschiedene Machine-Learning-Modelle haben verschiedene Vor- und Nachteile.
Wenn man Feedback geben will, muss man wissen, warum das KI-Modell Petra Musterfrau in die Gruppe der eher gefährdeten Studierenden gesteckt hat. Klassische Neuronale Netze leisten das z.B. nicht, weil wie in einer Blackbox der Weg zur Einordnung unbekannt ist. Wir haben mit Entscheidungsbäumen (Decision Trees), Support Vector Machines (SVM) und Logistischer Regression gearbeitet, weil sie erklärbare Modelle sind. Sogenannte Explainable AI (XAI) könnte sich lohnen auszuprobieren.
Es gibt eine weltweite Learning Analytics Community, die unter www.solaresearch.org erreichbar ist. Auf den jährlichen Tagungen treffen sich über 600 Aktive.
Sonstiges
Wir haben uns bewusst gegen ein Learning-Analytics-Dashboard im Lernmanagementsystem entschieden, das wie eine Pulsuhr jede Minute „Gesundheitsdaten zum Lernen“ sendet. E-Mails sind gezielter und werden persönlicher wahrgenommen. Dies war eine gute Entscheidung.
Methoden
Empfohlen
Nicht empfohlen
Kontakt
Das könnte Sie auch interessieren
Stadtvision 2050: Die Zukunft entwerfen
Stadtvision 2050: Die Zukunft entwerfen ist ein interdisziplinäres Lehrprojekt für Studierende der Wirtschaftswissenschaften, der Wirtschaftsmathematik/-informatik und der Raumplanung. Im Mittelpunkt des Projekts steht ein Stadtplanungs-Planspiel, zu dem die Studierenden der verschiedenen Fachrichtungen individuelle Beiträge leisten. In dem Planspiel müssen die Studierenden stadtplanerische und planungspolitische Entscheidungen treffen, die sich auf verschiedene Lebensbereiche der fiktiven Bewohnerinnen auswirken. Dies können bspw. der Bau von Infrastrukturprojekten oder die Ansiedlung neuer Unternehmen sein. Die Simulation reagiert darauf mit modellbasierten Mechanismen, die zuvor aus der Literatur abgeleitet wurden. So kann der Bau einer Autobahn bspw. das BIP erhöhen, aber die Gesundheit der Bewohnerinnen verschlechtern. Nach Fertigstellung eines Prototyps soll das Planspiel im Rahmen von Masterprojekten mit den Studierenden modular um gesellschaftlich relevante Themen erweitert werden. Jeweils im auf das Masterprojekt folgenden Semester wird das Spiel im Rahmen eines Bachelorseminars angeboten, damit diese mit "Game-based Learning" ökonomische Zusammenhänge in der Stadtentwicklung verstehen. Die praktische Lernerfahrung bildet in der ökonomischen Stadtforschung und Datenkompetenz. Nach Ablauf des Förderzeitraums sollen sowohl das Masterprojekt als auch das Bachelorseminar dauerhaft eigenfinanziert weitergeführt werden.
Projekt anzeigen
Lernfeedback durch Kontrafaktische Erklärungen
Die Maßnahme adressiert die Herausforderung, dass Lernende in digitalen Lernumgebungen stark hetero-gen in ihren selbstregulierten Lernfähigkeiten (SRL) sind und herkömmliches Feedback diese Unterschiede nicht berücksichtigt. Auf Basis der SRL-Theorie wurden Anforderungen an personalisiertes Feedback abge-leitet und mit Verfahren des Maschinellen Lernens sowie Erklärbare KI (XAI) umgesetzt. Dadurch konnten Lernverhalten und individuelle Charakteristika von Studierenden erfasst und mittels kontrafaktischer Er-klärungen in handlungsleitendes Feedback übersetzt werden. Eine universitäre Lehrveranstaltung diente als Testfeld, in dem signifikante Verbesserungen bei Plattformnutzung und Prüfungsergebnissen nachge-wiesen wurden.
Maßnahme anzeigen
Design and fabrication of wooden grid shells using small-diameter timber
As the construction industry shifts toward sustainability, timber has emerged as a primary renewable material. However, current wood value chains are often inefficient; a significant portion of harvested timber—particularly small-diameter roundwood—is relegated to low-value uses like thermal energy or fiber products. Despite being underutilized, these thinnings possess a continuous fiber structure that offers higher and more consistent bending strength than sawn beams. To explore this material’s structural potential, a 6×6 m wooden grid shell was developed. This case study combines the geometric efficiency of Hyperbolic Paraboloid (Hypar) structures with the inherent strength of small-diameter logs. Realized during a one-week design-build workshop, the project utilized locally sourced logs through a digital-material workflow consisting of three main phases: 1. Debarking: Careful processing of raw logs. 2. On-site Assembly: Rapid construction of the shell framework. 3. AR Integration: Use of Augmented Reality (AR) to ensure high accuracy and robustness when working with irregular geometries. The findings demonstrate a scalable approach to valorizing low-grade timber, reducing waste, and optimizing value chains. By blending contemporary digital tools with insights from historical construction, this research offers a viable model for sustainable, low-impact timber architecture that transforms irregular roundwood into high-performance structural systems.
Publikation anzeigen