Data Literacy für Learning Analytics (Teil 3/6)
This is a modal window.
The media could not be loaded, either because the server or network failed or because the format is not supported.
Formal Metadata
| Title |
| |
| Title of Series | ||
| Number of Parts | 6 | |
| Author | 0009-0000-6966-8912 (ORCID) | |
| Contributors | ||
| License | CC Attribution - ShareAlike 4.0 International: You are free to use, adapt and copy, distribute and transmit the work or content in adapted or unchanged form for any legal purpose as long as the work is attributed to the author in the manner specified by the author or licensor and the work or content is shared also in adapted form only under the conditions of this | |
| Identifiers | 10.5446/66909 (DOI) | |
| Publisher | ||
| Release Date | ||
| Language | ||
| Production Place | Bochum |
Content Metadata
| Subject Area | ||
| Genre | ||
| Abstract |
| |
| Keywords |
00:00
Computer animation
Transcript: German(auto-generated)
00:00
Nochmals willkommen zurück zum Teil 1.3 der Einheit Data Literacy for Learning Analytics. Wir haben uns bis jetzt mit den StakeholderInnen und ihren Zielen beschäftigt bzw. den übergreifenden Zielen von Learning Analytics und gehen nun weiter, um herauszustellen, auf welche Daten sich überhaupt in den Konstrukt bezogen wird.
00:23
Das bedeutet, wir sind in unserem Zyklus nun bei den Datensätzen angelangt und Frage, welche Daten bzw. welche Datenumgebung werden betrachtet. Bevor wir aber weitergehen, ein kurzer Exkurs. Vorab wurde angesprochen, dass dieses Modell nicht nur zusammengestellt wurde aus bestehenden Modellen, sondern auch angepasst. Eine dieser
00:46
Anpassungen ist, dass hier von Datensätzen gesprochen wird. In vielen Modellen ist hier die Rede von Big Data. Warum wurde dies abgeändert? Wenn in Kontext von Learning Analytics von Big Data gesprochen wird, geschieht dies, weil Learning Analytics sich auf eine
01:03
große Menge an Bildungsdaten bezieht. Diese durchsucht werden, verarbeitet, ausgewertet, visualisiert werden, um am Ende aussagekräftiges Wissen zu erhalten. Allgemein formuliert ist Big Data dann die Bezeichnung für Datensätze, deren Größe,
01:21
die Fähigkeit typischer Datenbank-Software-Tools zur Erfassung, Speicherung, Verwaltung und an Analyse übersteigt. Und dies ist genau der Knackpunkt. In Learning Analytics Szenarien wird diese Fähigkeit von typischen Datenbank-Software-Tools meist nicht überschritten. Die Problematik ergibt sich aus den vielen begrifflichen Unklarheiten in Bezug auf Big
01:44
Data. Es gibt also eine fehlende formale Definition. Auf welche Definition ich mich eher beziehen möchte, ist die von De Mauro et al. von 2015. Sie sagen, Big Data steht für die Informationsbestände, die durch ein so hohes Volumen, eine so hohe Geschwindigkeit
02:03
und eine so große Vielfalt gekennzeichnet sind, dass sie spezifische Technologien und Analysemethoden für ihre Umwandlung in Nutzen erfordert. Das bedeutet, hier ist ein von 2011, ist hier ein spezieller Fokus auf die spezifischen Technologien und Analysemethoden.
02:28
Sie ist also enger gefasst. Es benötigt also diese beiden Aspekte, um die einzigartigen Anforderungen zu verdeutlichen, die bei Big Data bestehen, um diese Informationen
02:42
nutzbar zu machen. Deswegen sprechen wir nur von Datensätzen und nicht von Big Data in unserem Modell von Learning Analytics. Das war unser kleiner Exkurs, aber gehen wir weiter. Bei diesem Aspekt der Vorlesung, also den Datensätzen, können wir uns im Modell
03:00
von Schiller et al. in Kompetenzfeld B einordnen. Es geht darum, Wissen in Bezug auf die Messung, also auch die Datenquellen zu fördern. Dafür müssen wir als erstes definieren, wessen Daten wir überhaupt betrachten. Nutzen wir dafür nochmal unsere Darstellung von den StakeholderInnen, um zu erklären, wer die Data Subjects und wer die
03:26
Data Clients sind. Wählen wir hierfür der Einfachheit halber Studierende und Lehrende aus. Wenn wir eine Situation betrachten, in welcher Studierende eine Lernplattform nutzen, diese Daten gespeichert und analysiert werden und dann ausgewertet werden und Lehrende im
03:45
Anschluss diese Ergebnisse für die Weiterentwicklung ihrer Lehren nutzen. Sprechen wir bei Studierenden von Data Subjects und bei Lehrenden von Data Clients. Die Studierenden sind dann die Datenquellen, welche die Daten generieren und Lehrende die Kunden,
04:02
welche diese nutzen. Dies ist ein Szenario. In der Wirklichkeit kann man jedoch Clients und Subjects nicht als Synonym für Lehrende und Studierende nutzen. Die Rollen können auch getauscht werden. Dies geschieht als Beispiel, wenn Studierende Peer Feedback geben. Das bedeutet, die Studierenden selbst die Leistung von ihren Kommilitonen bewerben.
04:25
Oder wir begeben uns auf eine andere StakeholderInnen Ebene. Wenn bei Teaching Analytics die Lehrende zu den Data Subjects werden und die Institutionen die Data Clients. Es ist also nicht immer schwarz und weiß aufzuteilen, wer nutzt und wer generiert.
04:43
Nutzen wir nun Data Subjects? Nutzen nun Data Subjects die Bildungsplattform? Erzeugen sie Daten? Daraus ergeben sich Datensätze. Zu diesen gehören unter anderem Kommunikationsdaten. Das sind beispielsweise Forumsdiskussionen oder auch Mails. Interaktionsdaten. Hier wird gemessen
05:06
die Anzahl von Anmeldungen, Mausklicks, Anzahl der abgerufenen Ressourcen, Anzahl der abgeschlossenen Aufgaben, aufgerufene Videos, aufgerufene Dokumente, heruntergeladene Dateien. Also ein großes Sammelsorium an Interaktionen. Ein Beispiel von dieser Nutzung
05:25
Interaktionsdaten können wir auf die Schule beziehen. Hier wurden Mausklicks anhand ihrer XY-Koordinaten oder der Zeit, die Schüler mit einer Frage verbracht haben, aufgezeichnet. Diese Daten konnten dann analysiert werden, um Informationen über die motorischen Fähigkeiten
05:44
der Schüler zu erhalten. Das als ein Beispiel, wie Interaktionsdaten am Ende genutzt werden können. Wir haben dann noch sozio-demografische Merkmale. Darunter fallen Name, Geburtsdatum, Anschrift, E-Mail-Adressen, persönliche Bilder, aber auch Ausweise können dazugehören und
06:03
akademische Informationen. Dies sind besuchte Kurse, Noten, Abschlussdatum, abgelegte Prüfungen und Zögnisse. All diese Daten haben wir auch schon einmal kurz gesehen und zwar beim Beispiel der Purdue University von Teil 1.1. Hier wurden diese Aspekte genutzt, um eine
06:23
Leistungsvorhersage zu treffen. Nun stellt sich aber natürlich die Frage, woher diese Daten kommen und das bedeutet, welche Umgebung wir überhaupt betrachten. Dies ist ein breites Sammelsorium an Systemen, welche Bildungsdaten erheben bzw. sammeln können. Wir beziehen uns
06:41
auf zwei Beispiele, das LMS und das PLE. Eines, was den meisten Studien bekannt ist, ist das Lernmanagementsystem LMS. Dabei handelt es sich um zentralisierte Bildungssysteme. Dazu gehört beispielsweise Moodle, Blackboard, aber auch Elias. Hier werden umfangreiche
07:01
Datenprotokolle basierend auf Aktivitäten und Interaktionsdaten gespeichert. Diese sind rumpat von persönlichen Lernumgebungen. Hierbei werden mehrere Datenquellen genutzt, um ein ganzheitliches Bild zu erhalten vom Lernenden. In dieser Umgebung kann der
07:24
Lernprozess dann in einer flexiblen Umgebung dargestellt werden, welches beispielsweise den NutzerInnen ermöglicht, ihren Lernprozess individuell zu organisieren und auch Lernziele zu definieren. Wo sie sich unterscheiden ist zum einen im Kontext von Quellen. Lernmanagementsysteme
07:46
bezieht sich auf eine Quelle, PLE bezieht sich auf mehrere Quellen oder kann sich auf mehrere Quellen beziehen und die Personalisierung. Das Ziel von persönlichen Lernumgebungen ist die Anpassung dieses System an die Person. Das als Beispiel für zwei Umgebungen, die wir
08:06
betrachten. Hiermit befinden wir uns auch schon am Ende des ersten Teils der Einheit Data Literacy for Learning Analytics. Ich hoffe, ihr konntet alle wichtigen Aspekte nachvollziehen und hoffe, ich konnte ein wenig das Interesse für den zweiten Teil
08:20
schüren. Bis dahin, viel Spaß im Kurs.
Recommendations
Series of 6 media