Learning Analytics Infrastruktur

Dieses Teilprojekt hat das Ziel, unterstützende Lernumgebungen zu schaffen, die die Lernprozesse der Studierenden durch den Einsatz von Learning Analytics optimieren. Dabei werden verschiedene Datenquellen genutzt, um den Lernenden personalisiertes Feedback in Echtzeit zu geben und ihre Motivation sowie ihr Engagement zu steigern.

Zur Umsetzung wird eine umfassende Learning Analytics-Infrastruktur eingesetzt, die Daten aus verschiedenen Quellen sammelt, speichert, analysiert und visualisiert. Lernplattformen und Evaluationswerkzeuge wie Moodle, Unipark und VR-Anwendungen dienen als Basis für die Datenerfassung. Dabei werden Daten zu Anwesenheit, Lernzeit, Quiz-Ergebnissen, Kommunikationsmustern und Interaktionen erfasst. Die gesammelten Daten werden als xAPI Statements zentral im Learning Locker gespeichert und aufbereitet. Anschließend werden diese Daten mithilfe von Visualisierungstools wie Grafana und Excalibur dargestellt und für personalisiertes Feedback genutzt.

Die folgende Abbildung zeigt den gesamten Prozess der LA-Infrastruktur:

Prozess der Learning Analytics Infrastruktur

Die aktuelle Forschung im KNIGHT-Projekt konzentriert sich auf die Verknüpfung von Learning Analytics mit psychologischen und didaktischen Modellen, um das Lernverhalten besser zu verstehen und zu fördern. Dafür wird ein integratives Modell zur Gestaltung von lernzentrierten Feedbacksystemen eingesetzt (siehe Abbildung unten).

Integratives Modell zur Gestaltung von lernzentrierten Feedbacksystemen

Kognitive Faktoren beziehen sich auf mentale Prozesse, die das Lernen beeinflussen, wie beispielsweise Vorwissen, Denkprozesse und angewandte Lernstrategien. Eine grundlegende Theorie ist hierbei die Cognitive Load Theory, die erklärt, dass Lernende nur eine begrenzte Menge an Informationen gleichzeitig verarbeiten können. Ein gut gestaltetes Feedbacksystem muss daher die kognitive Belastung minimieren, indem es Informationen so strukturiert, dass sie leicht aufgenommen und verarbeitet werden können, ohne Überforderung zu verursachen. In Kombination mit motivationalen und selbstbezogenen Faktoren trägt dies zur Entwicklung von personalisiertem und effektivem Feedback bei.

Motivationale Faktoren betreffen die inneren Antriebe, die das Lernverhalten beeinflussen, wie z.B. Interesse, Engagement und Zielorientierung der Lernenden. Eine zentrale Theorie in diesem Zusammenhang ist die Self-Determination Theory, die besagt, dass Motivation durch die Erfüllung der Grundbedürfnisse nach Autonomie, Kompetenz und sozialer Eingebundenheit gefördert wird. Ein gut gestaltetes Feedbacksystem muss diese Bedürfnisse berücksichtigen, indem es Lernenden die Möglichkeit gibt, ihre Lernprozesse selbst zu steuern und Fortschritte zu erkennen. Zusammen mit kognitiven und selbstbezogenen Faktoren hilft dies, personalisiertes Feedback zu gestalten, das die Motivation stärkt und das Lernen unterstützt.

Usability bezieht sich auf die Benutzerfreundlichkeit eines Systems, insbesondere darauf, wie einfach und effektiv ein Feedbacksystem von Lernenden genutzt werden kann. Ein benutzerfreundliches System zeichnet sich durch eine intuitive Bedienung, klare Struktur und verständliche Visualisierungen aus. In einem Learning Analytics-System bedeutet das, dass die bereitgestellten Daten und Feedbackmechanismen leicht zugänglich und verständlich sind, sodass Lernende die Informationen ohne großen Aufwand nutzen können, um ihre Lernprozesse zu verbessern.

Akzeptanz bezieht sich darauf, inwieweit ein System oder ein Feedbackmechanismus von den Nutzenden angenommen und positiv bewertet wird. Dabei lässt sich das Technology Acceptance Model (TAM) von Davis heranziehen, um zu erklären, warum Nutzende ein technisches System annehmen oder ablehnen. Davis' Modell besagt, dass die Akzeptanz vor allem durch zwei Faktoren bestimmt wird:

  • Wahrgenommene Nützlichkeit (Perceived Usefulness): Wie sehr die Nutzenden glauben, dass das System ihre Leistung verbessert.
  • Wahrgenommene Benutzerfreundlichkeit (Perceived Ease of Use): Wie einfach das System zu bedienen ist, ohne dass es zu einer übermäßigen Belastung wird.
Je positiver die beiden Faktoren bewertet werden, desto höher ist die Wahrscheinlichkeit, dass die Lernenden das System nutzen und akzeptieren. Diese beiden Dimensionen beeinflussen stark, ob ein Learning Analytics-System erfolgreich in den Lernprozess integriert wird und wie bereitwillig es von den Lernenden angenommen wird.

In einem Learning Analytics-System können vier verschiedene Feedbackarten genutzt werden:

  • Deskriptives Feedback: Gibt eine detaillierte Beschreibung der aktuellen Leistung der Lernenden, z.B. durch die Darstellung von Fortschritten oder erreichten Ergebnissen. Es zeigt, was gut funktioniert und wo Verbesserungen notwendig sind.
  • Diagnostisches Feedback: Geht tiefer und analysiert die Ursachen hinter der Leistung. Es hilft Lernenden zu verstehen, warum bestimmte Ergebnisse erzielt wurden und wo ihre Stärken und Schwächen liegen.
  • Präskriptives Feedback: Gibt konkrete Empfehlungen, was die Lernenden tun können, um ihre Leistung zu verbessern. Es bietet klare Handlungsanweisungen basierend auf der aktuellen Leistung.
  • Prädiktives Feedback: Nutzt Daten, um zukünftige Entwicklungen vorherzusagen. Es gibt Hinweise darauf, welche Herausforderungen oder Erfolge die Lernenden in Zukunft erwarten können und wie sie sich darauf vorbereiten sollten.