
Datenbasierter Lernunterstützungsassistent
Aufbauend auf einer bestehenden digitalen Infrastruktur zielt unser Projektvorhaben darauf ab, den individuellen Studienprozess durch digitale Mentoren besser zu begleiten und damit auf eine Verringerung der Studienabbruchwahrscheinlichkeit hinzuwirken. Seit 2014 organisiert die Universität Bayreuth den Student Life Cycle mit einem innovativen, datenbasierten Campus-Management-System (CMS) mit vielen implementierten Schnittstellen. Die von uns heute schon im CMS und Lernmanagementsystem erhobenen studienbezogenen Daten können nach Analyse und Auswertung bessere Einblicke in Lehr- und Lernprozesse geben, gezielte Betreuungs- und Unterstützungsleistung anfordern und damit zur Verbesserung der Qualität der Hochschullehre beitragen. Unsere Innovationsidee integriert diese Perspektiven, indem sie in 3 zentralen Arbeitspaketen (1) die Lern-Situation der Studierenden in ausgewählten Lehrveranstaltungen im Sinne eines Constructive Alignment ausrichtet, (2) durch Learning Analytics datenschutzkonform Lerndaten auswertet und Studierende hinsichtlich der Studienabbruchgefahr einordnet und (3) gezielt diese Studierende mit einer digitalen Mentorin mit automatisierten, aber individualisierten Nachrichten aus dem Lernsystem heraus erreicht.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren

Problembasiertes Lernen in der Computergestützten Mathemathischen Modellierung
Mathematische Modellierung ist ein Werkzeug, das in Ingenieur-, Natur- und Wirtschaftswissenschaften gleichermaßen verwendet wird. Im CAMMP Praxisprojekt lösen Studierende in interdisziplinären Teams Modellierungsfragen basierende auf echten Forschungsthemen selbstständig mit ihnen bekannten Methoden unter minimaler Anleitung in einer befristeten Zeit. Damit erfahren die Studierenden wie Forschung passiert, lernen ihre Stärken kennen und ihr schon vorhandenes Wissen zu nutzen. Die behandelten Fragestellungen basieren auf aktuellen und authentischen Forschungsfragen des Forschungszentrum Jülich (FZJ), den Arbeitsgruppen der RWTH oder der Wirtschaft. Wichtig ist die methodische Anwendbarkeit der mathematischen Modellierung, jedoch nicht eine inhaltliche Nähe zu den Studiumsschwerpunkten. Außerdem werden Themen gestellt, die so noch nicht in der Fachliteratur behandelt wurden, so dass die Studierenden problembasiert die Höhen und Tiefen der Forschungsarbeit kennenlernen, den Transfer von Methode zu Problemstellung erleben und ihre Selbstwirksamkeit erfahren können. Studierende arbeiten in interdisziplinären Teams, um im Rahmen einer einwöchigen Blockveranstaltung ihr Problem zu verstehen, zu modellieren, Lösungen zu entwickeln und zu implementieren. Die Woche wird durch Auftakt- und Abschlussveranstaltungen gerahmt. Für Rückfragen und fachlichen Input werden Ansprechpersonen gestellt. Zum Abschluss präsentieren die Studierenden ihre Ergebnisse mündlich und schriftlich.
Projekt anzeigen
Digitale Selbstlerneinheiten für Future Skills
Die Maßnahme entwickelt modular aufgebaute Selbstlerneinheiten zu Selbst-, KI- und Medienkompetenz mit Fokus auf digitale Lernfähigkeit und Future Skills. Die fünf Einheiten sind: LIVE: Grundlagen zu (Selbst-)Motivation, Selbstreflexion und Praktiken zur Stärkung der Eigenmotivation. LEARN: Lernstrategien und Selbstregulation für effektives, nachhaltiges Lernen. CREATE: Produktion medialer Inhalte und Aufbau einer Personal Learning Environment. ENGAGE: Stärkung kommunikativer Kompetenzen online und offline. DIGITAL WORLD: Medienwissen, Medienkritik, Mediensysteme und Medienwirkungen. Ziel ist, Lernende und Lehrende zu befähigen, sich selbstorganisiert und medienkritisch in dynamischen Arbeits- und Lebenswelten zu bewegen. Praxisnahe Tools, Reflexionsaufgaben und H5P-Module fördern Transfer und nachhaltige Kompetenzentwicklung.
Maßnahme anzeigen
Wenn Studierende die Vorlesung halten – ein kollaboratives Lehrformat.
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen