<li><ahref="#digital-cockpits">Digital Educational Cockpits für Lehrende</a></li>
<li><ahref="#ergebnisse">Ergebnisse und Ausblick</a></li>
</ul>
</ul>
</section>
</section>
<p>
<br>
</p>
<sectionclass="container content-section">
<sectionclass="container content-section">
<h2id="ziel">Ziel des Arbeitspakets</h2>
<h2id="ziel">Ziel des Arbeitspakets</h2>
<p>
<p>Das Ziel von AP3 ist der Aufbau und die kontinuierliche Weiterentwicklung der Learning Analytics und KI-Infrastruktur im Rahmen des KNIGHT-Projekts. Diese Infrastruktur soll eine datengestützte Lernprozessanalyse und die Bereitstellung von personalisiertem Feedback ermöglichen, um die Lernprozesse von Studierenden zu unterstützen und zu optimieren.</p>
Das Ziel dieses Arbeitspakets ist die Entwicklung und Erprobung einer modularen Infrastruktur für Learning Analytics (LA), die in Lernplattformen
integriert werden kann. Sie soll es ermöglichen, Lernprozesse datenbasiert zu analysieren und darauf aufbauend personalisiertes Feedback für Lernende
bereitzustellen. Die Infrastruktur dient damit sowohl der individuellen Lernunterstützung als auch der Evaluation von Lernpfaden und Bildungsmaßnahmen.
<p>Die technische Basis der Infrastruktur bildet das Excalibur-Plugin, das an die Moodle-Umgebung angepasst wurde. Dies ermöglicht eine nahtlose Integration von Dashboards für Studierende und Lehrende und bietet eine benutzerfreundliche Oberfläche, die den Zugriff auf Lernanalysen erleichtert.</p>
</p>
<h2id="befragungen">Befragungen zur Studierendenakzeptanz</h2>
<h2id="datenfluss">Datenfluss und Systemarchitektur</h2>
<p>Zu Beginn und Ende des Semesters wurden Studierende zu ihrer Akzeptanz der Learning Analytics Infrastruktur befragt. Diese Umfragen lieferten wertvolle Erkenntnisse, die in die Weiterentwicklung der Infrastruktur einfließen.</p>
<p>
Die Infrastruktur basiert auf einer Microservice-Architektur, die zentrale Komponenten wie Datenaggregation, Analysemodule und Feedback-Engines
<h2id="weiterentwicklung">Weiterentwicklung der Infrastruktur</h2>
integriert. Lernaktivitäten (z. B. Testbearbeitung, Interaktionen, Logins) werden in Echtzeit erfasst und in einer zentralen Datenspeicherung
<p>Die Infrastruktur wurde kontinuierlich weiterentwickelt, insbesondere mit der Integration von VR-Datenquellen und der Anbindung an eine NoSQL-Datenbank (MongoDB), um interaktive Lernumgebungen zu unterstützen.</p>
verarbeitet. Analytische Services berechnen daraus individuelle Lernfortschritte, die über standardisierte Schnittstellen an Feedbacksysteme übergeben
werden.
<h2id="evaluierung">Evaluierung der Infrastruktur</h2>
</p>
<p>Die Infrastruktur wurde in mehreren Pilotkursen evaluiert, wobei technische Funktionalität, Akzeptanz und Lernerfolg im Fokus standen. Erste Ergebnisse wurden bereits auf internationalen Konferenzen präsentiert.</p>
<h2id="feedbackmodell">Feedbackmodell</h2>
<h2id="dashboards">Dashboards und Feedbacksysteme</h2>
<pclass="feedback-model-description p-3">
<p>Die Dashboards bieten eine detaillierte Visualisierung der Aktivitäten von Studierenden und Lehrenden. So können Fortschritte verfolgt und verschiedene Feedbackarten bereitgestellt werden, um die Lernprozesse zu unterstützen.</p>
Das zugrunde liegende Feedbackmodell orientiert sich an bestehenden didaktischen Prinzipien wie der Förderung von Selbstregulation, adaptivem
Feedback und motivationaler Unterstützung. Die Rückmeldungen sind differenziert nach Leistungsstand, Lernverhalten und Zielsetzung. Durch diese
Differenzierung werden unterschiedliche Feedbackarten (z. B. korrektiv, prozessbezogen, metakognitiv) ermöglicht.
<p>In der ersten Phase der Entwicklung werden VR-Technologien eingesetzt, um Interaktionen in virtuellen Lernumgebungen zu analysieren, einschließlich Augenbewegungen, Gestik und Sprachinteraktionen.</p>
</p>
<h2id="digital-cockpits">Digital Educational Cockpits für Lehrende</h2>
<h2id="entwicklung">Iterative Entwicklung</h2>
<p>Lehrende können über das Digital Educational Cockpit die Aktivitäten der Studierenden überwachen und auswerten. Dies umfasst die Nutzung von Online-Modulen und die Teilnahme an Trainingsmaßnahmen.</p>
<p>
In der Umsetzung wurde die technische Infrastruktur kontinuierlich weiterentwickelt, mit besonderem Fokus auf die Integration zusätzlicher
Datenquellen wie AR/VR-Umgebungen. Erste Prototypen von VR-Szenarien wurden erfolgreich umgesetzt, und die Anbindung dieser Datenquellen
an die NoSQL-Datenbank (MongoDB) befindet sich in der finalen Realisierung.
</p>
<p>
Parallel dazu wurde eine verbesserte Systemarchitektur implementiert, die auf der aktuellen Ubuntu-Serverversion, Docker-Containern
und der neuesten Version von Learning Locker basiert. Diese Infrastruktur unterstützt alle in das KNIGHT-System integrierten Dienste.
</p>
<h2id="einsatz">Einsatz & Evaluation</h2>
<p>
Die Infrastruktur wird prototypisch in mehreren Pilotkursen an Hochschulen eingesetzt. Dabei erfolgt eine begleitende Evaluation hinsichtlich
technischer Funktionalität, Akzeptanz durch Lehrende und Lernende sowie Auswirkungen auf den Lernerfolg. Die Erkenntnisse fließen in die
Weiterentwicklung der Feedbackmechanismen und die Optimierung der Lernpfade ein.
</p>
<h2id="ergebnisse">Ergebnisse und Ausblick</h2>
<p>Das Projekt hat bereits vier GPU-Workstations und einen GPU-Server installiert. Diese werden für Forschung und Studienprojekte verwendet und sollen die Infrastruktur weiter optimieren.</p>
