In diesem Beitrag stellen wir einen mathematischen Ansatz fu¨ r ein Learning-AnalyticsWerkzeug vor, der es erm o¨glicht, Konzept-Lernressourcen-Beziehungen zu bewerten. Wir haben den Ansatz in einem Lernsystems fu¨ r die Java-Programmierung prototypisch implementiert. Das Werkzeug nutzt dabei interaktive Visualisierungen, um Nutzer darin zu unterst u¨tzen, Lernfortschritte anhand von doma¨nenspezifischen Konzepten und deren Beziehungen zu Lernressourcen nachzuvollziehen und zu reflektieren. Abschließend diskutieren wir, wie das Werkzeug durch zuku¨ nftige Erweiterungen zu einem Open Learner Model weiterentwickelt werden kann. Lernen mithilfe computergestu¨ tzter Lernsysteme gewinnt in der schulischen, universita¨ren aber auch betrieblichen Aus- und Weiterbildung zunehmend an Bedeutung. Gleichermaßen steigt auch die Menge an Informationen und der Bedarf an Analysetechniken und -verfahren, um computergestu¨ tzte Lernprozesse zu verstehen und zu unterstu¨ tzen. Learning Analytics hat sich, als noch relative junges Forschungsfeld, als Ziel gesetzt, Daten aus dem Lehr-/Lernkontext zu erfassen, zu analysieren und in interpretierbarer Form darzustellen, um unterschiedlichen Akteuren im Lernen eine Grundlage zur Untersuchung und Interpretation von Lernprozessen zu bilden [Fe12]. Solche Daten repra¨sentieren (oftmals) Interaktionen zwischen Nutzern und dem Lernsystem und schließen z. B. Aktivita¨ten, die zum Erreichen eines (selbstgesteckten) Lernziels erforderlich sind, ein. Vor allem in Selbstlernsystemen, die keine oder nur eine geringe Unterstu¨ tzung durch menschliches Lehrpersonal bieten, sondern in denen der Lerner2 eigene Ziele definieren und dessen Erreichen selbsta¨ndig kontrollieren muss, ist eine Mo¨ glichkeit zur Auseinandersetzung zwischen Lernziel und Lernfortschritt erforderlich. In diesem Beitrag stellen wir ein Learning-Analytics-Werkzeug vor, das Beziehungen zwischen doma¨nenspezifischen Konzepten3 und Lernressourcen mithilfe interaktiver Visua1 Humboldt-Universita¨t zu Berlin, Institut fu¨r Informatik, Unter den Linden 6, 10099 Berlin, fsebastian.gross,niels.pinkwartg@hu-berlin.de 2 Aus Gru¨nden der U¨bersichtlichkeit verwenden wir im gesamten Beitrag die geschlechtsneutrale Form, die sowohl weibliche als auch ma¨nnliche Lerner einschließt. 3 Wir verwenden den deutschen Begriff ”Konzept“ im gesamten Beitrag synonym zu dem englischen Begriff Concept“, der im Lernkontext eine Abstraktion einer Idee oder eines in sich geschlossenen thematischen Be”griffs bezeichnet.
lisierungen darstellt. Das Werkzeug basiert auf einem mathematischen Ansatz zur Bewertung von Konzept-Lernressourcen-Beziehungen und verfolgt das Ziel, den Nutzer zur Selbstreflexion anzuregen, durch die dieser Aktivita¨ten wa¨hrend der Lernens untersuchen und bewerten kann. Aufbauend auf diesen Bewertungen kann der Nutzer die eigenen Lernziele hinsichtlich Fortschritt bewerten und ggf. neue Lernziele ableiten.
In Abschnitt 2 geben wir zuna¨chst einen U¨berblick u¨ber Ansa¨tze im Bereich der Learning Analytics, Lernende zur Selbstreflexion anzuregen und sie in diesen Prozessen zu unterstu¨tzen. Anschließend stellen wir in Abschnitt 3 unseren mathematischen Ansatz fu¨r ein Learning-Analytics-Werkzeug vor, das die Beziehung zwischen Konzepten und Lernressourcen bewertet. Abschnitt 4 beschreibt eine prototypische Implementierung des Ansatzes in einem Learning-Analytics-Werkzeugs, das die Beziehung zwischen Konzepten und Lernressourcen unter Beru¨cksichtigung von Lernfortschritten mithilfe interaktiver Visualisierungen darstellt, um eine Unterstu¨tzung in Selbstreflexionsprozessen zu bieten. Abschließend geben wir einen Ausblick auf mo¨gliche Erweiterungen des Ansatzes in Abschnitt 5 und ziehen ein Fazit in Abschnitt 6. 2
Learning Analytics umfassen Methoden und Verfahren, die Anwendung im Lehr-/Lernkontext finden. Ziel dieser Methoden und Verfahren ist dabei, Daten, die z. B. in der Interaktionen zwischen Lerner und Lernsystem erfasst werden, zu analysieren, aufzubereiten und in interpretierbarer Form darzustellen [Fe12]. Adressaten sind dabei sowohl Lerner, u¨ber die das System Informationen generiert hat, als auch Lehrinstitutionen und -personal, die Informationen u¨ber die Nutzer eines Lernsystems erhalten wollen [GD12]. In der Unterstu¨tzung von Nutzern in computergestu¨tzten Lernsystemen konzentrieren sich Ansa¨tze im Learning Analytics z. B. auf die Darstellung von Informationen, die aus Aktivita¨ten des Nutzers extrahiert wurden [Ve13, Se12]. Ziel ist hierbei z. B. durch Awarenessmechanismen das Bewusstsein der Nutzer zu sta¨rken oder sie mithilfe von (interaktiven) Visualisierungen zur Selbstreflexion anzuregen, um zuku¨nftige Aktivita¨ten im Lernen zu optimieren. ALAS-KA [Ru15] ist eine Erweiterung der Learning Analytics Werkzeuge in der MOOCPlattform Khan Academy, die zusa¨tzliche Visualisierungen fu¨r Lehrpersonal und Lerner bereitstellt. Zu den dargestellten Informationen geho¨ren u. a. Fortschrittsindikatoren (angefangen, Fa¨higkeit erlangt, abgemu¨ht (engl. struggled)) bei der Bearbeitung von Aufgaben. Santos und Kollegen [Sa13] definierten Badges als Repra¨sentation unterschiedlichster Aktivita¨ten im Lehr-/Lernkontext, anhand derer Ziele und Fortschritte der Nutzer einer offenen Lernumgebung ermittelt und dargestellt werden. Mithilfe von Dashboards werde diese Informationen dann dargestellt, um den Nutzer zur Selbstreflexion und zur aktiven Teilnahme in der Lernumgebung anzuregen. SAM (Student Activity Meter) [Go12] ist ein weiteres Visualisierungswerkzeug zur Unterstu¨tzung von Selbstreflexion und Awareness, das neben verschiedenen Darstellungen zu Lerneraktivita¨ten (u. a. ein Tracker, der Logfiles von Twitter analysiert) auch Empfehlungen fu¨r (externe) Ressourcen (z. B. Dokumente oder Werkzeuge) bereitstellt. Es basiert dabei auf quantitativen Daten wie z. B. Anzahl und Typ der verwendeten Ressourcen oder der beno¨tigten/verwendeten Zeit. Die oben genannten Werkzeuge schaffen mithilfe von Visualisierungen fu¨r Nutzer eine Grundlage, Lernziele -und Fortschritte in computergestu¨tzten Lernarrangements zu reflektieren und Entscheidungen fu¨r zuku¨nftige Aktivita¨ten zu treffen. Dabei stehen im Vordergrund quantitative Informationen oder in sich abgeschlossene Aktivita¨ten wie z. B. das Lo¨sen einer Aufgabe und das Erstellen von Beitra¨gen in einem Forum. Es kann jedoch sinnvoller sein, Lernfortschritte qualitativ und u¨ber gro¨ßere Zusammenha¨nge zu erfassen und zu reflektieren. In unserem Ansatz fu¨r ein Learning-Analytics-Werkzeug, welches wir im Folgenden vorstellen, unterstu¨tzen wir daher die Reflexion von Lerneraktivita¨ten, die sich aus Zusammenha¨nge zwischen Konzepten und Lernressourcen unter Beru¨cksichtigung von Lernfortschritten ableiten lassen. 3
Digitale Lernressourcen stellen einen wichtiges Bestandteil in computergestu¨tzten Lernumgebungen dar, mithilfe derer Wissen an Nutzer vermittelt und deren Wissensstand (anschließend) u¨berpru¨ft werden kann. Dabei existieren unterschiedliche Ansa¨tze, die Vermittlung und U¨berpru¨fung technisch zu begleiten. Learning Management Systeme stellen Lerninhalte z. B. in Form von (multimedialen) Dokumenten bereit und evaluieren mithilfe automatisierbarer Testverfahren wie z. B. Multiple-Choice-Tests, die Lernfortschritte der Nutzer. Intelligente Systeme wie z. B. Kognitive Tutorensysteme [KC06], die mithilfe ku¨nstlicher Intelligenz menschliche Tutoren zu imitieren versuchen, haben ihren Fokus auf der schrittweisen Vermittlung von Wissen mithilfe (fest-)definierter Abla¨ufe. Die U¨ berpru¨fung erfolgt dabei typischerweise durch modelliertes Doma¨nenwissen, indem der Ist-Zustand mit einem vordefinierten Soll-Zustand verglichen wird bzw. indem der Lernfortschritt anhand sogenannter Knowledge Components [So13, S. 130], die kognitive Fa¨higkeiten (z. B. die Berechnung des Fla¨cheninhalts eines Kreises mithilfe des Radius) beschreiben, nachvollzogen wird. Wie in Abschnitt 2 gezeigt, existieren verschiedene Werkzeuge im Bereich Learning Analytics, die den Lerner bei der Reflexion seiner Lernziele und -fortschritte unterstu¨tzten. Diese versuchen jedoch meist, die Fortschritte fu¨r in sich abgeschlossene Einheiten wie z. B. Lerninhalte und Themengebiete, die die Bearbeitung mehrerer Lerninhalte erfordern, zu ermitteln. In dem von uns entwickelten Ansatz ermitteln wir die Fortschritte eines Nutzers in Abha¨ngigkeit zu bearbeiteten bzw. erfolgreich gelo¨sten Lernressourcen und setzen diese Fortschritte in Relation zu doma¨nenspezifischen Konzepten. Dabei strukturieren wir diese Konzepte, so dass sich der Lerner die Zusammenha¨nge der Doma¨ne anhand einer Konzepthierarchie nachvollziehen kann. Lerninhalte repra¨sentieren Informationen, die ein Lerner erfassen muss, um ein Versta¨ndnis zu einzelnen oder allen Aspekten einer Lerndoma¨ne zu entwickeln. Die Unterteilung bzw. Strukturierung solcher Lerninhalte ist dabei vielfa¨ltig und kann in sehr kleinen Einheiten wie das Lo¨sen eines typischen Problems (z. B. Berechnung eines Winkels in einem Dreieck mithilfe von Winkelfunktionen) bis hin zu gro¨ßeren und großen Zusammenha¨ngen der Doma¨ne wie Themen (z. B. Trigonometrie) oder ganze Themengebiete (z. B. Geometrie) erfolgen. Eine mo¨gliche Einteilung von Lerninhalten ist u. a. auch die Zuordnung von Lerninhalten zu Konzepten. In unserem Ansatz verwenden wir eine hierarchische Anordnung von Konzepten und erweitern diese durch Beziehungen von Konzepten und durch
Lernressourcen repra¨sentierte Lerninhalte. Auf Grundlage dieser hierarchischen Struktur kann anschließend dargestellt werden, welche Konzepte ein Lerner bereits erfasst hat bzw. welche Konzepte er noch erfassen kann bzw. sollte.
Ausgehend einer sich mit jeder Ebene verfeinernden Strukturierung eines (u¨bergeordneten) Konzept in Subkonzepte, lassen sich Konzepthierarchien ableiten, die eine feingranulare Zuordnung von (Sub-)Konzept zu Lerninhalt ermo¨glichen. In unserem Ansatz gehen wir dabei von digitalen Lernressourcen aus, die Lerninhalte zu mehreren (Sub-)Konzepten enthalten und repra¨sentieren ko¨nnen. Die Zuordnung von Konzepten zu Ressourcen kann dabei manuell (z. B. durch Experten) oder automatisch (z. B. durch eine semantische Analyse von Ressourcen) geschehen. Eine offene Frage ist, ob mehrere Konzepte eine Ressource gleichermaßen charakterisieren oder ob eine Ressource unterschiedlich relevant fu¨r eine Menge zugeordneter Konzepte sein kann. Bei der automatischen Analyse von Dokumenteninhalten ist ein verbreitetes Maß zur Messung, wie relevant ein Term fu¨r ein Dokument ist, das Tf-idf-Maß, das die inverse Dokumentha¨ufigkeit eines Terms ermittelt. Dadurch wird die Relevanz der Terme, die nur in wenigen Dokumenten auftauchen, ho¨her bewertet als die Relevanz solcher Terme, die in vielen Dokumenten enthalten sind. Allerdings beru¨cksichtig das Maß nicht, wie ha¨ufig ein Term verschiedenen Dokumenten zugeordnet ist. In unserem Ansatz ermitteln wir zuna¨chst die Relevanz einer Lernressource fu¨r ein Konzept, wobei einer Ressource mehrere Konzepte zugeordnet werden ko¨nnen und beru¨cksichtigen dabei auch, wie ha¨ufig eine Ressource einem Konzept zugeordnet wurde. Angelehnt an das Tf-idf-Maß postulieren wir folgende Annahmen fu¨r die Beziehung zwischen Konzepten und Lernressourcen:
Je seltener ein Konzept einer Ressource zugeordnet wurde, desto ho¨her ist Relevanz der Ressource fu¨r eines der zugeordneten Konzepte.
Je weniger Konzepte einer Ressource zugeordnet wurden, desto ho¨her ist die Relevanz der Ressource fu¨r eines der zugeordneten Konzepte.
Unter Beru¨cksichtigung der oben aufgestellten Annahmen stellen wir einen mathematischen Ansatz zur Ausbalancierung von Konzept-Ressourcen-Beziehungen vor, der die Relevanz einer Lernressource fu¨r ein Konzept ermittelt. Ausgangspunkt ist zuna¨chst eine bina¨re Matrix, deren Zeilen m Konzepte und deren Spalten n Ressourcen repra¨sentieren. Die Eintra¨ge bilden ab, ob einer Ressource eine Konzept zugeordnet (1) oder nicht zugeordnet (0) ist.
Im na¨chsten Schritt werden die Eintra¨ge der Matrix alternierend zeilenweise (siehe Abb. 1) und spaltenweise (siehe Abb. 2) normalisiert. Dieses Vorgehen basiert auf dem Algorithmus von Sinkhorn und Knopp [SK67] zur Ausbalancierung von Matrizen. Knight [Kn08] hat gezeigt, dass dieses Verfahren fu¨r quadratische nichtnegative Matrizen konvergiert und das Ergebnis doppelt-stochastische Matrizen4 sind. Im Fall einer nichtnegativen m nn Matrix konvergiert die Matrix zu 1 in der Spalten- und zu in der Zeilensumme. Durch m 4 Bei einer doppelt-stochastischen Matrix betragen die Spalten- und Zeilensummen eins und die Elemente nehmen Werte zwischen 0 und 1 ein. die abwechselnde Normalisierung der Zeilen und Spalten, werden die oben postulierten Annahmen erfu¨llt, indem Eintra¨ge von Ressourcen, denen viele Konzepte zugeordnet wurden, abgeschwa¨cht und Eintra¨ge von Ressourcen, denen seltener zugeordnete Konzepte zugeordnet wurden, versta¨rkt werden.
xi; j xi; j = n å xi;k k=1
xi; j xi; j = m å xk; j k=1 Abb. 1: Zeilenweise Normalisierung: Matrixeintrag wird durch die Zeilensumme dividiert.
Abb. 2: Spaltenweise Normalisierung: Matrixeintrag wird durch die Spaltensumme dividiert. Das folgende Beispiel demonstriert das Vorgehen exemplarisch anhand von 5 Konzepten und 4 Lernressourcen. Ausgangspunkt ist eine bina¨re Matrix (dargestellt in Abb. 3). Die Zeilen repra¨sentieren die Konzepte C1 bis C5, die Spalten die Ressourcen R1 bis R4. Der Ressource R1 sind die Konzepte C1, C2, C4 und C5 zugeordnet.
Das Ergebnis des mathematischen Verfahrens ist eine Matrix, deren Eintra¨ge die Relevanz einer Ressource fu¨r ein Konzept widerspiegelt. Basierend auf der Relevanzmatrix (siehe Abb. 5b) ist es nun mo¨glich, Lernfortschritte in Relation zu Konzepten zu setzen und aufzuzeigen, welche Konzepte in welchem Umfang bereits erfasst bzw. bearbeitet wurden. Eine konkrete Umsetzung in einem Learning-Analytics-Werkzeugs unter Verwendung des mathematischen Verfahrens stellen wir im folgenden Abschnitt vor.
Den in Abschnitt 3 beschriebenen Ansatz haben wir prototypisch in JavaFIT5 - einem web-basierten Lernsystem fu¨r die Java-Programmierung - implementiert und eingesetzt. Als Grundlage des Ansatzes dienten die ACM Curriculum Guidelines von 20016 zu den Kernthemen der Grundlagen der Programmierung.
Ausgehend von den 5 Kernthemen (siehe Abb. 6) haben wir eine hierarchische Struktur erstellt, die, angelehnt an [GLR11] and [LYW05], Konzepte in Subkonzepte verfeinert. ”DParsimKietirvnethDeamtean”tyDpaetne“n,m”oNdieclhlet“pr(iemnigtli.vedaDtaatmenotdyeplesn)“gulinedde”rTtyspicuhmzw.aBnd.liunndg“ie. DKaosnzKeopnte”zGepatn”zPeriZmaihtilveen“Duantednt”yGpleeni“tkwomiemdearzuamhlgenli“e.dAerntsscichhliienßedniedSwuubrkdoennzedpetne ”imboSolyesatne“m, ”hcihnater“r-, legten Lernressourcen7 solche Subkonzepte zugeordnet, die Bla¨tter des Baums sind, und das in Abschnitt 3 vorgestellte mathematische Verfahren angewandt, um die Relevanz einer Ressource fu¨r ein Konzept zu ermitteln. 5 https://javafit.de 6 http://www.acm.org/education/curricula-recommendations 7 Insgesamt sind im System ca. 100 Lernressourcen (z. B. Videotutorials, Programmieraufgaben und MultipleChoice-Tests) hinterlegt. Die daraus resultierenden Relevanzmatrix nutzen wir, um Lernern deren Lernfortschritte (d. h. den Grad der Vollsta¨ndigkeit eines Konzepts) darzustellen. Dabei wird individuell fu¨r einen Lerner der Fortschritt bei der Bearbeitung der im System hinterlegten Lernressourcen ermittelt. Die berechnete Relevanz einer Ressource fu¨r ein Konzept dient als Multiplikator. Hat ein Lerner z. B. 8 von 10 Fragen einer Quiz-Ressource korrekt beantwortet und die Relevanz der Ressource fu¨r ein Konzept betra¨gt 0; 25, so ergibt sich ein Wert von 0; 8 0; 25 = 0; 2 bzw. 20% fu¨r den Lernfortschritt.
Wir haben drei Darstellungen (siehe Abb. 7 und 8) implementiert. Eine Baumansicht visualisiert die Konzepthierarchie. Durch Anklicken eines Knotens wird das entsprechende Konzept in seine Subkonzepte verfeinert. Dabei folgen wir dem Prinzip der Informationsvisualisierung nach Shneiderman [Sh96], nach dem zuerst ein U¨ berblick geschaffen werden soll und Details erst bei Bedarf eingeblendet werden. Außerdem stehen fu¨r jeden Konzeptansicht zwei Diagramme zur Verfu¨gung. Das linke Diagramm stellt dar, wie viele der zugeordneten Subkonzepte (siehe Abb. 7) bzw. Lernressourcen (siehe Abb. 8) bereits erfasst bzw. erfolgreich bearbeitet wurden. Das rechte Diagramm stellt fu¨r solche Ressourcen, bei denen die Leistung des Lerners gemessen werden kann, dar, wie erfolgreich die Bearbeitung war. Fu¨r u¨bergeordnete Konzepte werden dabei die entsprechenden Werte der Subkonzepte aufsummiert und ins Verha¨ltnis zur Anzahl der Subkonzepte gesetzt. Die Visualisierungen sollen den Lerner zur Selbstreflexion u¨ber seine Fortschritte und mo¨gliche Lernziele anregen. 5
Das vorgestellte Konzept zur Darstellung von Lernfortschritten basierend auf einer hierarchischen Anordnung von Konzepten und Lernressourcen sowie deren Beziehungen zueinander la¨sst verschiedene Erweiterungen zu.
Gewichtung von Lernressourcen In unserem Ansatz dienen Lernressourcen als Gradmesser fu¨r Fortschritte in Lernprozessen. Dazu wird betrachtet, welche Lernressourcen vom Lerner verwendet wurden und, sofern mo¨glich, ob und wie erfolgreich dieser die Ressource bearbeitet hat (in einem Quiz ko¨nnte z. B. der prozentuale Anteil korrekter Antworten ermittelt werden). Die Bearbeitung einer Ressource kann dabei einerseits Aussagen u¨ber die Art des erlangten oder angewendeten Wissens, als auch u¨ber dessen Umfang in Relation zu den enthaltenen Konzepten zulassen. Eine mo¨gliche Gewichtung von Lernressourcen kann daher z. B. u¨ber den Typ der Ressource (Videotutorials vermitteln mehr prozedurales Wissen) oder u¨ber den Umfang des durch die Ressource repra¨sentierten Wissens erfolgen. Der in Abschnitt 3 vorgestellte Ansatz ko¨nnte so angepasst werden, dass der Ausgangspunkt nicht eine bina¨re Matrix (siehe Abb. 3) ist, sondern die Eintra¨ge die (fu¨r jedes Konzept individuelle) Gewichtung widerspiegeln.
Beru¨ cksichtigung von Querbeziehungen Im vorgestellten Ansatz (siehe Abschnitt 3) werden bislang nur hierarchische Beziehungen zwischen Konzepten und (Sub-)Konzepten beru¨cksichtigt. Eine weitere Mo¨glichkeit, den Ansatz zu erweitern und somit zu einer genaueren Betrachtung der Zusammenha¨nge zwischen Konzepten, Lernressourcen und -fortschritten zu gelangen, wa¨re die Beru¨cksichtigung von Querbeziehungen zwischen
Abb. 7: Die obere Baumdarstellung dient als Navigationshilfe durch die Konzepthierarchie. Die beiden Diagramme stellen fu¨ r das u¨bergeordnete Konzept ”Primitive Datentypen“ den Grad der Vollsta¨ndigkeit bzw. der Leistung in Relation zu den Subkonzepten dar.
Abb. 8: Die beiden Diagramme stellen f u¨r das Konzept ”Rekursion“ den Grad der Vollsta¨ndigkeit bzw. der Leistung in Relation zu den Lernressourcen dar. Lernressourcen sind dabei nach Typen gruppiert (Aufgaben, Test/Quiz, Tutorials).
Konzepten (a¨hnlich wie es in Concept-Maps Anwendung findet). Diese k o¨nnte den Nutzer zusa¨tzlich dabei unterstu¨ tzen, neue Lernziele abzuleiten, indem dieser, ausgehend von bereits bearbeiteten (Sub-)Konzepten u¨ ber Querbeziehungen neue Konzepte exploriert, die in Zusammenhang zu dem bereits bearbeiteten Konzept stehen und somit ggf. eine sinnvolle Fortsetzung des Lernprozesses darstellen.
Awareness- und Empfehlungsfunktionen Der vorgestellte Ansatz stellt in seiner bisherigen Auspra¨gung dem Nutzer Informationen bei Bedarf zur Verfu¨gung, d. h. der Nutzer muss aktiv die hierarchische Struktur explorieren und die zur Verfu¨gung gestellten Informationen interpretieren und zur Selbstreflexion nutzen. Awareness-Funktionen sind ein verbreiteter Ansatz, um das Bewusstsein eines Nutzers z. B. durch den Vergleich mit anderen Nutzern des Systems zu scha¨rfen und dadurch zu unterstu¨tzen. Denkbar wa¨re, dass z. B. Informationen bereitgestellt werden, welche Konzepte andere Nutzer, im Gegensatz zu dem betroffenen Nutzer, bereits erfasst haben. Daru¨ber hinaus ko¨nnen konkret formulierte Empfehlungen Nutzer darin unterstu¨tzen, neue Lernziele abzuleiten, indem z. B. auf Grundlage von Querbeziehungen noch nicht bearbeitete Konzepte als na¨chstes Lernziel empfohlen werden. 6
In diesem Beitrag haben wir einen Ansatz vorgestellt, der auf einem mathematischen Algorithmus basiert, mithilfe dessen die Relevanz einer Lernressource fu¨r ein Konzept ermittelt wird. Basierend auf diesen Relevanzbewertungen haben wir ein Learning-AnalyticsWerkzeug prototypisch in einem Lernsystem fu¨r die Java Programmierung implementiert, das das Ziel verfolgt, den Lerner zur Selbstreflexion anzuregen. Dabei visualisiert das Werkzeug die Beziehungen zwischen Konzepten und Lernressourcen und stellt dem Nutzer dar, welche Konzepte dieser bereits erfasst hat bzw. welche bearbeitet werden sollten. Unser Werkzeug stellt, im Gegensatz zu anderen Werkzeugen (siehe Abschnitt 2), Lernfortschritte qualitativ unter Beru¨cksichtigung von Konzepten und Lernressourcen dar, wobei die Bearbeitung einer Lernressource mehrere Konzepte betreffen kann. Dadurch ist es dem Lerner mo¨glich, einerseits eigene Fortschritte als auch Beziehungen zwischen verschiedenen Konzepten nachzuvollziehen und aus diesen Zusammenha¨ngen neue Lernziele abzuleiten.
Durch zuku¨nftige Erweiterungen ist es mo¨glich, das Werkzeug zu einem Open Learner Model auszubauen, das sa¨mtliche Informationen, die das System u¨ber die Lerner und dessen Aktivita¨ten erfasst hat, darzustellen und ggf. in Awareness- und Empfehlungsfunktionen zu verwenden.
[Fe12] [GD12]
Ferguson, R.: Learning Analytics: Drivers, Developments and Challenges. International Journal of Technology Enhanced Learning, 4(5/6):304–317, Januar 2012.
Greller, W.; Drachsler, H.: Translating Learning into Numbers: A Generic Framework for Learning Analytics. Journal of Educational Technology & Society, 15(3):42–57, 2012. [GLR11] Ganapathi, G.; Lourdusamy, R.; Rajaram, V.: Towards ontology development for teaching programming language. In: World Congress on Engineering. 2011.