E-Learning-Systeme nden immer weitere Verbreitung in den verschiedensten Lehrbereichen. Auch im Bereich Datenbanken gibt es eine Vielzahl von Anwendungsgebieten. Es werden zwei Komponenten vorgestellt, die bei der Lehre im Rahmen von Aufgaben bezogen auf ER-to-RelationalMapping und Normalisierung unterstutzen sollen. Vielfaltige Interaktionen und Hilfestellungen bspw. Empfehlungen von multimedialen digitalen Elementen werden zur Verbesserung des Lernprozesses integriert.
2.
Das ALEA-System ist ein datenbankbasiertes E-LearningSystem fur Datenbanken und besteht aus verschiedenen Komponenten fur unterschiedliche Bereiche.
Das System wurde hauptsachlich mit Java und JavaScript entwickelt. Als Entwurfsmuster wurde MVC2 verwendet, das hei t, es gibt eine logische Trennung zwischen Logik und Anzeige. Die Anzeige basiert auf HTML5 in Kombination mit CSS und wurde mit JavaScript erweitert, um die Interaktionsmoglichkeiten zu erhohen und verbessern. Mithilfe von AJAX werden nach Bedarf Daten an den Server gesendet ohne dass die Webseite neu geladen wird. Zur Verwaltung der Information uber Aufgaben, Losungen, Lernende usw. werden Datenbanksysteme eingebunden. 3.
Fur die Thematik des ER-to-Relational-Mapping ist ein
Fragentyp vorgesehen, der das Thema der Erstellung von
relationalen Datenmodellen beinhaltet auf Basis
vorgegebener ER-Modelle und Anforderungen. Aufgaben dieses Typs
beinhalten die Darstellung eines konzeptuellen
Datenmodells, welche als Bild vorliegt, bspw. ein gezeichnetes ERM
in Chen-Notation [
Die Mapping-Aufgaben sind darauf ausgelegt den Lernenden visuell und interaktiv Wissen zu vermitteln. In diesem Fall fungiert das System als sog. Composer zur Erstellung der notwendigen Tabellen. In diesen konnen durch Schaltachen Tabellenbezeichnung, Spalten und Constraints hinzugefugt werden. 3.1
Zur Losung der Mapping-Aufgaben gibt es fur jede Aktion eine entsprechende Schalt ache. Das System erlaubt es den Lernenden nicht mehrere Aktionen parallel auszufuhren. Erst nachdem eine Aktion abgeschlossen ist, kann eine neue gestartet werden. Fur diesen Zweck werden alle anderen Aktionen durch das Deaktivieren der entsprechenden Buttons unterbunden (siehe Abbildung 1). Wird zum Beispiel eine neue Tabelle de niert, so muss fur die Tabelle ein Name eingegeben werden, bevor Spalten hinzugefugt werden konnen. Wiederum muss mindestens eine Spalte zu einer Tabelle gehoren damit Constraints erzeugt werden konnen (siehe Abbildung 2).
Das konzeptuelle Datenmodell ist in den Aufgabenstellungen als Bild enthalten. Dieses kann im oberen Bereich des Systems eingeblendet werden. Damit die Lernenden zu jeder Zeit einen freien Blick auf das abzubildende ER-Modell haben, lasst sich dieses durch einen Klick in einem frei beweglichen modalen Fenster oder einem neuen Tab o nen. So besteht die Moglichkeit auch bei gro eren Datenmodellen, bei deren Verarbeitung vermehrt gescrollt werden muss, den U berblick zu behalten. Zudem kann die Gro e des abgekoppelten Fensters durch Ziehen mit der Maus verandert werden.
Ein wichtiger Aspekt der Mapping-Aufgaben ist es die Eingaben der Lernenden so fruh und umfangreich wie sinnvoll und moglich zu prufen. Bereits bei den Eingaben werden clientseitige Abfragen genutzt, welche durch JavaScript realisiert werden. Diese beziehen sich auf grundsatzliche Strukturen und Regeln bei den Tabellende nitionen. Weiterhin kann der aquivalente DDL-Code aus den entstandenen Relationen erzeugt werden, um eine Prufung auf dem Datenbankserver auszufuhren. Daruber hinaus konnen durch die in der Datenbank zu der Aufgabe hinterlegten Informationen weitere Prufungen durchgefuhrt werden, die sich daruber hinaus speziell auf die Aufgabe und deren Anforderungen beziehen. Die Korrektheit einer Losung kann zwar generell nicht automatisch entschieden werden, aber Fehler konnen weitestgehend erkannt werden. Die Gestaltung der Aufgaben kann dies erleichtern.
Bereits bei der Eingabe sind ausgewahlte Strukturen und Regeln bezogen auf die Tabellen und Constraints einzuhalten, sodass diese idealerweise von den Studierenden verinnerlicht werden.
Der Composer fungiert grundlegend als dynamisch erweiterbares HTML-Formular. Die durch die Lernenden ausgelosten Aktionen durchlaufen in dieser Phase nicht jedes Mal eine Validierungsroutine auf dem Server, wodurch Ressourcen gespart werden.
Nicht alle logischen Zusammenhange mussen durch das eingebundene Datenbanksystem gepruft werden. Ein Beispiel fur diese Art der Prufung ist die Loschung von Spalten. Durch eine Routine innerhalb der JavaScript-Skripte wird gepruft, ob die Spalte fur Constraints der aktuellen oder anderer Tabellen genutzt wird. Ist dies der Fall, gibt das System eine Meldung aus und der Loschvorgang wird abgebrochen. Die Umbenennung einer Spalte wird ebenfalls durch eine JavaScript-Routine gepruft. Dieser Vorgang wird jedoch innerhalb der aktuellen Tabelle zugelassen und ein Hinweis ausgegeben der darauf hinweist, dass andere Tabellen mit dieser Spalte in Zusammenhang stehen konnten, sodass eine manuelle Prufung notwendig ist. Die durch die A nderung des Spaltennamens notwendigen Anpassungen innerhalb der Tabellende nition werden automatisch durchgefuhrt. Da diese A nderungen die Lernenden von relevanteren Aspekten ablenken wurden.
Das Zulassen von Aktionen trotz Inkonsistenz kann sinnvoll sein. Ein Beispiel ist ein Fremdschlussel-Constraint, welcher angelegt wird bevor die referenzierten Spalten als Kandidatenschlussel (Primary Key oder NOT NULL/Unique Constraints) de niert wurden. Ansonsten wurden positive Aktionen zu stark von erzwungenen Reihenfolgeabhangigkeiten gestort werden. Die Lernenden konnen jederzeit den dem aktuellen Zustand entsprechenden DDL-Code uber das Datenbanksystem prufen lassen. Fur Leistungsbewertungen kann diese Moglichkeit eingeschrankt werden. 3.3
Jede Aktion ruft eine Reaktion hervor. Wenn die Lernenden als Beispiel eine Spalte umbenennen, werden die Folgen dieser Aktion in einer Meldung visuell dargestellt, da ggfs. Anpassungen aufgrund von Abhangigkeiten in anderen Tabellen durch die Lernenden notwendig werden konnen. Hierbei wird angestrebt, dass diese Meldungen motivierend und angepasst an die Sprache der Lernenden formuliert werden. Die Meldungstexte konnen im System angepasst werden. Hier bieten sich weitere Moglichkeiten fur intelligente Empfehlungsfunktionen. Die Lernenden durfen und sollen Fehler machen aus denen sie lernen konnen. Das Wissen soll sich durch Wiederholen verfestigen.
Fur die Mapping-Aufgaben sind diese Hinweise vorteilhaft, um die U bersicht uber den aktuellen Bearbeitungsstand zu erhalten. Die Hinweise zeigen mogliche Komplikationen auf und sollen so das Verstandnis der Lernenden fur logische Zusammenhange innerhalb des Relationenmodells erhohen. Deswegen kann es hilfreich, dass in den Hinweisen angezeigt wird, dass A nderungen in der aktuellen Tabelle durchaus Auswirkungen auf die Constraints anderer Tabellen haben konnten. So sind die Lernenden angehalten diese aktiv anzupassen.
Die eben genannten Hinweise erscheinen als modale Fenster mittig in der Browserausgabe, um die Aufmerksamkeit der Lernenden einzufangen und die Wichtigkeit dieser A nderung in den Vordergrund zu stellen (siehe Abbildung 3). Diese Hinweise sollen wahrend der Bearbeitung der Aufgabe weiterhin zur Verfugung stehen und werden deshalb als zeitlich sortierte Liste abrufbar uber ein 'Noti cation Icon' bereitgestellt. Eine Aufteilung der Listen in unterschiedliche thematische Listen wird nach weiteren Evaluierungen entschieden. Diejenigen Nachrichten, die seit dem letzten O nen der Liste durch die Lernenden hinzugekommen sind, werden farblich hervorgehoben.
Der 'Noti cation Icon' be ndet sich in der Toolbar im oberen Bereich des Systems.
Um den Lernenden weitere Funktionen zur e zienten Bearbeitung der Aufgabe und Hilfestellungen aufzeigen zu konnen, be ndet sich am oberen Rand des Systems eine Toolbar (siehe Abbildung 4). Diese stellt aktuelle Informationen, Hinweise und Hilfestellungen zur Verfugung. Wie bereits erwahnt gibt es hier die Au istung der Hinweise zur Bearbeitung der aktuellen Aufgabe.
Sind neue Benachrichtigungen eingetro en, wird an dem Icon einer Glocke ein roter Kreis angezeigt (siehe Abbildung 4 und Abbildung 5). Neben den Hinweisen zur Bearbeitung werden unter der Glocke zudem noch Hinweise auf neue Empfehlungen gegeben. Gibt es zur aktuellen Aufgabe weiterfuhrende Informationen, so konnen diese in verschiedenen medialen Formen, z.B. Screencasts, Podcasts, Hilfetexte, Hilfegra ken, vorliegen und abgerufen werden.
Die Farbe der Icons kann, wie auch die Ansprache oder empfohlene Medien, durch die Empfehlungsalgorithmen angepasst werden.
Neben diesen Hinweisen werden zudem noch Informationen zum aktuellen Bearbeitungsstand der Aufgabe gegeben. Diese Informationen nden die Lernenden unter dem InfoIcon (siehe Abbildung 5).
Wenn bspw. die Losung bzw. die gultigen Losungen der Aufgabe eine bestimmte Anzahl an Uniques erfordern oder eine minimale oder maximale Anzahl an Uniques enthalten durfen, kann den Lernenden mitgeteilt werden, dass die Anzahl der Uniques noch nicht einer gultigen Losung entspricht. Hierbei wird den Lernenden in der Regel keine konkrete Anzahl genannt, lediglich dass diese noch nicht gultig ist.
Zudem konnen hier Hilfetexte erscheinen, die sich auf die Arbeitsweise der Lernenden beziehen. Bemerkt das System z.B. dass es im Bereich der Foreign Key Constraints zu vermehrten Interaktionen kommt, konnen hier De nitionen oder Tipps zum Thema Foreign Key Constraints angezeigt werden. Dies ist abhangig von den eingesetzten hybriden Filter- und Empfehlungsalgorithmen.
Um den Lernenden eine sog. 'Quick View' uber den aktuellen Bearbeitungsstand zu geben, be nden sich in der Toolbar kleine Icons, welche reprasentativ fur Elemente der Modellierung stehen. Dies sind von links nach rechts die Gesamtanzahl der aktiven Tabellen, der aktiven Spalten, der Primary Key Constraints, der Unique Constraints, der Foreign Key Constraints und der NOT NULLs au erhalb von Primary Key Constraints (siehe Abbildung 4). Durch die U bersicht der aktuell aktiven Elemente sollen die Lernenden eine kompakte U bersicht uber den aktuellen Zustand erhalten. Insbesondere in U bungsphasen, in denen die Mindestanzahl oder die exakte Anzahl der benotigten Elemente vorgegeben sein kann, ist diese Ansicht hilfreich um zu eruieren, wie weit sich das eigene Ergebnis vom gesuchten zumindest in diesen Aspekten unterscheidet.
Damit die Kommunikation und Interaktion der Lernenden sich nicht nur auf das System und dessen Hinweise bezieht, gibt es die Schalt ache 'Question and Feedback'. Hier konnen die Lernenden Kontakt zu den Lehrkorpern aufnehmen. Hierbei wird zwischen aufgabenpezi schen Fragen und Feedback unterschieden. Vor allem das Feedback ist gewunscht, da dieses dazu dient, das System an die Bedurfnisse der Lernenden anzupassen und eine kontinuierliche Verbesserung voranzutreiben (siehe Abbildung 6).
Fur die Lernenden stehen verschiedene Arten von medialen Hilfestellungen zur Verfugung, die standig erganzt, produziert und weiterentwickelt werden. Dabei handelt es sich um digitale Medien wie bspw. Screencasts, Erklarvideos, Podcasts, Hilfetexte und Hilfegra ken. Diese Medien werden kurz gehalten und sind thematisch nicht voneinander abhangig, konnen sich aber erganzen und werden ggf. in Gruppen mit oder ohne empfohlener Reihenfolge empfohlen.
U ber die Icons auf der linken Seite konnen aktuell bereitgestellte Medien abgerufen werden. Die Medien werden in modalen Fenstern innerhalb der Anwendung aufgerufen. Fur die Icons gibt es zwei Bereiche. Die grauen Icons beinhalten vorde nierte Hilfestellungen, wohingegen die grunen Icons aktuell empfohlene Hilfestellungen beinhalten. 3.6.1
Screencasts befassen sich mit der Anwendung und Nutzung von Software bzw. mit den Erklarungen zu Losungen dieser Aufgabentypen. Fur die Aufgaben zum ER-toRelational-Mapping wurden bereits mehr als 50 Screencasts produziert.
In kurzen aber pragnanten Videos werden den Lernenden Inhalte aus dem Bereich vermittelt. Diese Screencasts konnen sich auf Aufgaben beziehen oder allgemeine Vorgehensweisen und Hinweise enthalten. Neben den Screencasts nden die Lernenden hier zudem Erklarvideos die allgemeine Prinzipien von Datenbanken thematisieren. 3.6.2
Podcasts sollen, so wie die Screencasts, kompakt Informationen vermitteln. Die Themen konnen hier sowohl Aufgabenoder Challenge-bezogen als auch allgemeingultig sein. Die Podcasts sind Dialoge zwischen zwei oder mehreren Sprechenden, die ein Thema diskutieren, um den Lernenden neue Anreize zu bieten uber das Gehorte nachzudenken. Auch Hilfetexte konnten vorgelesen werden. 3.6.3
Das System ist auch darauf ausgelegt, dass die Lernenden gegebenenfalls nicht die Moglichkeit haben Audio- oder Videoinhalte abzurufen. Hier sind die Hilfetexte nutzlich. Die Hilfetexte sind Beschreibungen von Herausforderungen, Fragestellungen, Datenbankthematiken oder Beispiele von SQL-Code. 3.6.4
Hilfegra ken stellen nicht nur Datenmodelle dar, sondern um Zeichnungen oder Comics, die sich mit wenig Worten einer Datenbankthematik annehmen. 3.6.5
Die Lernenden bekommen, basierend auf der Analyse des Systems, zu der aktuellen Situation und zur Aufgabe Hilfestellungen empfohlen. Diese konnen sich dynamisch anpassen und mussen nicht permanent verfugbar bleiben. Empfehlungen konnen entfernt werden, wenn bspw. Lernende die Aufgabe wechseln oder sich der Fokus der Thematik andert.
Vorde nierte Inhalte beziehen sich nicht zwingend auf eine Aufgabe im Einzelnen. Sie konnen Informationen betre en, die wichtig sind um ein Grundverstandnis fur die Kursinhalte zu erlangen. Auch wenn keine Challenges aktiv sind, konnen Inhalte bereit gestellt werden.
Die Gesamtheit der multimedialen Inhalte wird nicht nur im Rahmen der Aufgaben genutzt. Mit den Inhalten werden Playlisten gefullt, die den Lernenden zur Verfugung stehen um die Selbstlernphase zu unterstutzen. 3.6.6
Hilfestellungen und multimediale Elemente sollen zudem zunehmend vom System empfohlen werden. ALEA nutzt verschiedene Arten von Empfehlungsalgorithmen, die standig weiterentwickelt werden. Diese werden mit wachsender Nutzung und Datenmenge ausgebaut und verbessert. 3.6.7
Ein wichtiger Aspekt fur die Zuweisung der medialen Hilfestellungen sind die hinterlegten Metadaten. Fur mediale Inhalte werden eine Reihe von Metadaten de niert, die es den Empfehlungsalgorithmen erlauben, die Inhalte den Lernenden zuzuordnen. Diese werden auch bei der Erstellung von Aufgaben bzw. zur Zuordnung von Aufgaben im Rahmen von Challenges zu Lernenden oder Gruppen von Lernenden genutzt. Dies ermoglicht im Vorfeld die Zuordnung der Hilfestellung zu Aufgaben. Ein direkt fur diese Aufgabe produzierter Podcast, soll in der Regel nicht als Hilfestellung empfohlen werden. 3.7
Um sich den zugehorigen SQL-Code anzeigen zu lassen und zur Kontrolle der eigenen Eingaben, steht den Lernenden im unteren Bereich des Systems die Schalt ache 'Check Input and Show SQL' zur Verfugung. Zum Erzeugen des SQL-Codes wird die Check-Funktion durchlaufen. Diese baut zwei Zeichenketten zusammen. Die erste Zeichenkette kann direkt auf der Datenbank ausgefuhrt werden. Genutzt wird diese fur den Test, den die Lernenden wahrend der Bearbeitung machen konnen und zudem fur die nale Abgabe der Aufgabe. Eine zweite Zeichenkette wird erzeugt und beinhaltet HTML-Code. Dieser wird zur visuellen Darstellung des SQL-Codes fur die Lernenden genutzt.
Die Ansicht des DDL-Codes soll den Lernenden einen anderen Blick auf die eigene Losung verscha en (siehe Abbildung 8). Damit soll der Bezug zwischen der Planung des Relationenmodells und dem Verstandnis der Syntax der DDLBefehle (Data De nition Language) gestarkt werden.
Da die Datentypen fur die Losung der Aufgabe nicht relevant sind, wird auf dem Datentyp 'variable character' abgebildet, der dem Datenbanksystem entspricht auf dem der Code ausgefuhrt wird. Um den Lernenden die Moglichkeit zu bieten den entstandenen DDL-Code zu nutzen, gibt es die Schalt achen 'Copy Code' und 'Save to Script'. 'Copy Code' kopiert den angezeigten SQL-Code in die Zwischenablage und 'Save to Script' bietet die Moglichkeit den Code als Datei lokal zu speichern. Damit der bereitgestellte SQL-Code von den Lernenden auf unterschiedlichen Datenbanksystemen genutzt werden kann, konnen diese den entsprechenden Datentyp auswahlen.
Die Lernenden haben die Moglichkeit mit der Schalt ache 'Test on Database' den ihren Eingaben entsprechenden DDL-Code direkt auf dem angebundenen Datenbanksystem zu testen. Die Ruckmeldung wird in dem CheckInput-Ausgabefenster ausgegeben. Hierbei wird einerseits getestet, ob die Eingaben der Lernenden einen gultigen SQLCode entsprechen. Andererseits wird die Losung unter Verwendung der zur Aufgabe hinterlegten Informationen weitestgehend durch das System ausgewertet. Korrekte Losungen von Aufgaben konnen u. a. eine vorgegebene Anzahl von Tabellen, Spalten, Constraints (Primary Keys, Uniques, Not Nulls au erhalb von Primary Keys, Foreign Keys) und darin enthaltene Attributanzahl bzw. eine jeweilige Mindestund Maximalanzahl erfordern, so dass Losungen als falsch erkannt werden konnen.
Die Auswertung der Aufgabe bzgl. der Sinnhaftigkeit der Bezeichnungen bspw. von Tabellen oder Spalten, kann und wird dabei nicht gepruft. Jedoch kann uber das Datenbanksystem eine weitergehende Prufung abhangig von vorliegenden Daten zur Aufgabe durchgefuhrt werden.
Die Ausgabe einer Zwischenauswertung ohne wiederholte Serveranfrage in der Toolbar ist moglich, wenn die Information zu gultigen Losungsmoglichkeiten der Aufgabe bezogen auf die Anzahl der Elemente eindeutig ist und Variationen nur begrenzt moglich sind. In der Datenbank konnen auch Angaben fur Aufgaben mit verschiedenartigen Losungen hinterlegt und ausgewertet werden. Insbesondere wenn die Aufgabenstellungen komplexer werden, konnen die Auswertungen aufwandiger werden. Je nachdem wie die Lernenden ihre Losungen aufbauen kann sich bspw. die Anzahl der Elemente in einem Constraint unterscheiden und trotzdem eine richtige Losung erzeugen.
Die Schalt ache 'Submit' fuhrt die Lernenden zur Abgabe ihrer Losung. Zur Sicherheit und um Fehlklicks abzufangen o net sich, nachdem die Lernenden auf 'Submit' gedruckt haben, ein weiteres Fenster. In diesem erhalten die Lernenden die Information, ob ihre Losung eine gultige Losung sein konnte. Ist dies der Fall, besteht die Moglichkeit die Aufgabe abzugeben.
In Lernphasen konnen die Lernenden unfertige Aufgaben zur spateren Bearbeitung uberspringen. Anstatt einer moglichen Ja/Nein-Abfrage, ob die Aufgabe abgegeben werden soll, kann zwischen 'Zuruck zur Bearbeitung' oder 'U berspringen' (siehe Abbildung 9) gewahlt werden. Diese unfertigen Aufgaben werden nicht aus dem System entfernt. Aufgaben die als Lern- oder Testataufgaben gelten mussen solange wiederholt werden, bis die Eingabe gultig ist. In der Abbildung 7 ist zu sehen, dass eine Challenge Aufgaben zur Auswahl der Bearbeitungsreihenfolge beinhalten kann. Eine Challenge bleibt bestehen bis alle Aufgaben erfolgreich bearbeitet wurden. 3.8
Das System ist zum einen fur die Lernphase und zum anderen fur die Prufungsphase gedacht. Hierfur sieht das System vor, dass Funktionen, welche fur Lernphasen wichtig sind, fur die Prufungen deaktiviert werden. Die Hilfestellungen, die sich auf Informationen zu gultigen Losungen beziehen, sind nicht verfugbar. Empfehlungen und alle damit verbundenen Hilfsmedien sind ebenfalls nicht erreichbar. In dem Fenster 'Check Input und Show SQL' werden die Schalt achen auf 'Close' und 'Submit' reduziert. Eine zweistu ge Abfrage nach dem 'Submit' bleibt zwar bestehen, jedoch wird das erscheinende Fenster auf eine erneute Frage, ob die Losung abgegeben werden soll, reduziert.
Ein weiterer Aufgabentyp des ALEA-Systems ist die Normalisierung. Dieser Aufgabentyp nutzt die Grundfunktionen der Mapping-Aufgaben, da Tabellen und Constraints de niert werden mussen.
In einer Aufgabenstellung zur Normalisierung erhalten die Lernenden eine oder mehrere Tabellen sowie eine A quivalenzmenge zu der Menge aller fur die Tabellen gultigen Funktionalen Abhangigkeiten. Die Normalform der Tabellen ist anzugeben. Die Tabellen sind unter Verwendung des Zerlegungsverfahrens in der Regel in 3NF zu uberfuhren, sofern sie sich nicht in der dritten Normalform be nden. Die Tabellen konnen in der Aufgabenstellung zur Verdeutlichung mit Daten gefullt sein. Zur besseren U bersicht lassen sich die Inhalte der Tabellen bei Bedarf aus- und einblenden. Die Darstellung der funktionalen Abhangigkeiten lasst sich, wie auch beim ALEA-Mapping das vorgegebene Datenmodell, durch einen Klick in ein bewegliches, modales Fenster umwandeln oder in einen neuen Tab.
Fur die Bearbeitung der Aufgaben zur Normalisierung wurden die Bereiche zur De nition der Tabellen durch Funktionen erganzt (siehe Abbildung 10). Neben den bekannten Funktionen der Benennung, Loschung und Hinzufugen von Spalten und Constraints, gibt es eine Schalt ache zur Deaktivierung der Tabelle. Sobald eine Tabelle zerlegt werden soll, muss sie deaktiviert werden. Sie wird nicht entfernt, damit der Verlauf nachvollziehbar bleibt. Die durch die Zerlegung neu entstehenden Tabellen mussen eingeben werden. Dabei soll uber ein Dropdown-Menu, welches alle inaktiven Tabellen au istet, angegeben werden, aus welcher Tabelle eine Tabelle jeweils entstanden ist.
Die Studierenden sollen fur jede neu entstandene Tabelle die Normalform angeben. Dazu be ndet sich ein Auswahlfeld im Kopfbereich der Tabellende nition. Die Lernenden sollen zudem jeweils zu jeder Zerlegung angeben, aus welchen Grunden diese durchgefuhrt werden musste. Dazu bendet sich ein Textfeld im Fu bereich der Tabellende nition. Zudem ist es erwunscht hier weitere Anmerkungen, Fragen, Notizen und Feedback der Lernenden zu erhalten. Sobald fur eine Tabelle die geforderte Normalform erreicht wurde, soll die Tabelle nalisiert werden (siehe Abbildung 11). 4.2
Die Komponente fur die Aufgaben zur Normalisierung wird durch eine weitere 'Quick View' erganzt. Auf der rechten Seite nden die Lernenden eine U bersicht uber die aktuell aktiven und inaktiven Tabellen. Neben dem Tabellennamen sind hier auch die Spaltennamen gelistet. Ebenso konnen die Begrundungen angezeigt werden.
Komponenten zur Bearbeitung von Aufgaben zum ERto-Relational-Mapping und zur Normalisierung werden dargestellt. Vielfaltige Interaktionen und Hilfestellungen bspw. Empfehlungen von multimedialen digitalen Elementen werden zur Verbesserung des Lernprozesses integriert. Durch verstarkte Nutzung der Komponenten und dem Anwachsen der Daten konnen Empfehlungen und Learning Analytics weiter verbessert werden.
Literatur