+ All Categories
Home > Documents > Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Date post: 03-Jan-2016
Category:
Upload: martin
View: 1,708 times
Download: 3 times
Share this document with a friend
Description:
Ebner, M.; Neuhold, B.; Schön, S. (2013) Learning Analytics - wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern. In K. Wilbers & A. Hohenstein (Hrsg.), Handbuch E-Learning. Expertenwissen aus Wissenschaft und Praxis – Strategien, Instrumente, Fallstudien. Köln: Deutscher Wirtschaftsdienst (Wolters Kluwer Deutschland), 48. Erg.-Lfg. Jänner 2013. pp 1-20. http://www.personalwirtschaft.de/elearning
20
Learning Analytics 3.24 Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern. von Martin Ebner, Benedikt Neuhold und Martin Schön (Technische Universität Graz) Learning Analytics – Educational Data Mining – Analyse – Mathema- tik – Personal Learning Environment – Lernfortschrittskontrolle Daten, Daten, Daten ... entstehen in der heutigen Welt durch das zuneh- mende Angebot an webbasierten Applikationen. Je mehr sich das Inter- net öffnet, je mehr Benutzer sich auf einer Plattform anmelden, desto mehr füllen sich die dahinterliegenden Datenbanken. Unter den Schlag- wörtern »Big Data« und »Data Mining« versteht man die Analyse dieser Daten, deren Interpretation und einer oft automatisierten benutzer- abhängigen Reaktion. Die Tragweite von solchem auf das Lehren und Lernen angewandten Vorgehen ist heute kaum abschätzbar. In diesem Beitrag geben wir mit Beispielen eine Einführung in das Forschungsgebiet Learning Analytics (LA). Die Darstellung soll auch helfen, LA vom konven- tionellen Bereich Educational Data Mining (EDM) abzugrenzen. Als Bei- spiele für LA werden Anwendungen zum Erlernen der Arithmetik und zur Analyse von Aktivitäten im Personal-Learning-(PLE)-Bereich der Technischen Universität Graz vorgestellt und es wird dargelegt, wie Lehr- personen von den Ergebnissen profitieren können. Charakteristisch für diese Anwendungen ist, dass dabei Unmengen von Daten erhoben, gespeichert und analysiert werden, wie das ohne Technikeinsatz nicht möglich wäre. So erkennen wir Chancen für eine wesentliche Qualitäts- verbesserung des Lehrens und Lernens durch individuelle, zeitnahe, prä- zise, aber kompakte Feedbacks für alle an Unterrichtsprozessen Beteilig- ten. Im Hinblick auf die Forschung zum Lehren und Lernenbetreten wir gerade einen Raum mit nur zu erahnenden Erkenntnismöglichkeiten. Inhalt 1 Einleitung 2 2 Was ist denn »Learning Analytics« jetzt genau? 3 3 Praktische Umsetzung 7 3.1 Der Einmaleins-Trainer 8 3.2 Der PlusMinus-Trainer 11 3.3 Der mehrstellige Multiplikations-Trainer 14 4 Zusammenfassung 16 Web-Adressen 18 Literaturhinweise 18 Handbuch E-Learning 48. Erg.-Lfg. August 2013 1 Schlagworte Überblick
Transcript
Page 1: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

Learning Analytics – wie Datenanalysehelfen kann, das Lernen gezielt zuverbessern.

von Martin Ebner, Benedikt Neuhold und Martin Schön (Technische Universität

Graz)

Learning Analytics – Educational Data Mining – Analyse – Mathema-

tik – Personal Learning Environment – Lernfortschrittskontrolle

Daten, Daten, Daten ... entstehen in der heutigen Welt durch das zuneh-mende Angebot an webbasierten Applikationen. Je mehr sich das Inter-net öffnet, je mehr Benutzer sich auf einer Plattform anmelden, destomehr füllen sich die dahinterliegenden Datenbanken. Unter den Schlag-wörtern »Big Data« und »Data Mining« versteht man die Analyse dieserDaten, deren Interpretation und einer oft automatisierten benutzer-abhängigen Reaktion. Die Tragweite von solchem auf das Lehren undLernen angewandten Vorgehen ist heute kaum abschätzbar. In diesemBeitrag geben wir mit Beispielen eine Einführung in das ForschungsgebietLearning Analytics (LA). Die Darstellung soll auch helfen, LA vom konven-tionellen Bereich Educational Data Mining (EDM) abzugrenzen. Als Bei-spiele für LA werden Anwendungen zum Erlernen der Arithmetik undzur Analyse von Aktivitäten im Personal-Learning-(PLE)-Bereich derTechnischen Universität Graz vorgestellt und es wird dargelegt, wie Lehr-personen von den Ergebnissen profitieren können. Charakteristisch fürdiese Anwendungen ist, dass dabei Unmengen von Daten erhoben,gespeichert und analysiert werden, wie das ohne Technikeinsatz nichtmöglich wäre. So erkennen wir Chancen für eine wesentliche Qualitäts-verbesserung des Lehrens und Lernens durch individuelle, zeitnahe, prä-zise, aber kompakte Feedbacks für alle an Unterrichtsprozessen Beteilig-ten. Im Hinblick auf die Forschung zum Lehren und Lernenbetreten wirgerade einen Raum mit nur zu erahnenden Erkenntnismöglichkeiten.

Inhalt

1 Einleitung 2

2 Was ist denn »Learning Analytics« jetzt genau? 3

3 Praktische Umsetzung 7

3.1 Der Einmaleins-Trainer 8

3.2 Der PlusMinus-Trainer 11

3.3 Der mehrstellige Multiplikations-Trainer 14

4 Zusammenfassung 16

Web-Adressen 18

Literaturhinweise 18

Handbuch E-Learning 48. Erg.-Lfg. August 2013 1

Schlagworte

Überblick

Page 2: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

Alltägliche Daten-sammlung

Daten der Lernenden

2 48. Erg.-Lfg. August 2013 Handbuch E-Learning

1 Einleitung

In unserer hochtechnologischen Zeit hinterlassen wir fortlaufend Daten-spuren. Ob wir nun im Supermarkt einkaufen und unsere Bonuskartebenutzen oder im Internet surfen – Daten zu unserem persönlichen Verhal-ten werden immerwährend gespeichert. Diese Art von Datensammlung undderen Analyse kennt man im kommerziellen Bereich unter den Begrif-fen»Big Data« oder »Data Mining« (HORIZON PROJECT 2013, S. 28) und existiertbereits seit einiger Zeit. In der Lehre wird diese Art von Analyse bisher nochsehr selten eingesetzt. Dies liegt natürlich vor allem auch daran, dass Infor-mationen zu einzelnen Lernschritten und Details des Lernens nur begrenztals Beobachtungen und Videos verfügbar sind und noch seltener als Daten,also als maschinenlesbare und digitalisierte Information.

SIEMENS und LONG postulierten 2011, dass explizite Daten eines Lernendenquasi als ein Nebenprodukt aufgrund der Nutzung von Internet, Computer,Smartphones oder auch Lern-Management-Systeme (LMS) entstehen. DieArt der Daten ist dabei zweitrangig; egal ob es sich um einen Tweet, einenEintrag auf Facebook oder die Tätigkeiten in einem Lern-Management-Sys-tem handelt – all dies hinterlässt einen digitalen Fingerabdruck (SIEMENS/LONG 2011) und Spuren von Lernprozessen, die nachverfolgt werden kön-nen. Die Datenmenge, die man über Lernende zur Verfügung hat, wirddaher immer größer. Vor allem durch die Arbeit mit LMS oder PersonalLearning Environments (EBNER/TARAGHI 2010) entstehen individuelle bzw.personalisierte Daten. Solche Systeme speichern die aufgerufenen Inhalte,welche Aufgaben begonnen und erledigt wurden, sogar mit wem kommuni-ziert wurde (LOCKYER/DAWSON 2012). Dadurch entstehen insbesondere in Mit-teleuropa Datenschutzdiskussionen, die auch die Autoren als wichtig ein-schätzen. Während man im angloamerikanischen Raum von vielenInstitutionen auch im Hochschulbereich hört, dass sensibelste Datenbe-stände verknüpft und verwendet werden, um am Ende eines Kurses umfas-send angelegte Evaluationen durchzuführen, ist dies in unseren Breitengra-den so einfach nicht möglich. Über allen Datensammlungen hängt dasvirtuelle Schild mit dem Sprichwort der Informatiker, »Alles, was mit Datenpassieren kann, passiert auch«. Es ist also auch für uns wichtig, auf denAspekt des Datenschutzes und spätere Verwendungsmöglichkeiten derDatenbestände zu achten. Dabei spielt Datensparsamkeit eine wichtigeRolle und steht in einem gewissen Gegensatz zu unserem wissenschaftli-chen Erkenntnisinteresse.

Das Forschungsfeld um LA grenzt sich von dieser Debatte etwas ab, indemes betont, dass es vor allem darum geht, dass Lehrende aktiv während einesKurses in einen bestimmten Lernprozess eingreifen können (LOCKYER/DAWSON

2012), um das Lernen in einer Domäne zu begünstigen, und weniger umdie Identifizierung und Charakterisierung einer natürlichen Person.

In diesem Beitrag zeigen wir anhand von praktischen Beispielen, wie sichdurch LA der Unterrichtsalltag verbessern und produktiver gestalten lässtund wir diskutieren einige der mit LA verbundenen Erfahrungen und Per-spektiven.

Page 3: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

2 Was ist denn »Learning Analytics« jetzt genau?

Das verstärkte Interesse an der Analyse von Daten hängt natürlich damitzusammen, dass erst durch heutige Web- und Rechnertechnologien dieAggregation und Analyse großer Datenmengen möglich wurde. Allerdingswird die Bedeutung dieses Prozesses sowohl in der pädagogischen Praxis alsauch in der Wissenschaft noch gering geschätzt und wenig beachtet.

Zurzeit gibt es zwei Forschungsfelder, die sich mit den Konsequenzen dieserEntwicklung auseinandersetzen. Zum einen ist das Learning Analytics and

Knowledge (LAK) und zum anderen Educational Data Mining (EDM) (SIEMENS/BAKER 2012). Durch das verstärkte Interesse an den neuen Möglichkeitenwerden jährliche Konferenzen in beiden Forschungsbereichen abgehalten.Die erste offizielle Konferenz, die »1st International Conference on Educa-tional Data Mining« fand 2008 in Montreal, Kanada statt. Im Sommer 2011wurde dann die »International Educational Data Mining Society« (IEDMS,siehe http://www.educationaldatamining.org) gegründet. Ihre Aufgabe istes, die Forschung auf dem Gebiet des Educational Data Mining zu fördern.Ein Jahr zuvor, im Jahr 2011, wurde auch im Bereich LAK die erste Konfe-renz in Banff, Kanada veranstaltet. Diese stand vor allem unter dem Motto,Technik, Pädagogik und soziale Bereiche in einen Dialog zu bringen, um soalle Bedürfnisse zu erfüllen (SIEMENS/BAKER 2012).

Seitdem gibt es Diskussionen, ob LAK und EDM ein und dasselbe sind oderdas eine Gebiet eine Teilmenge des anderen. Geht man nach SIEMENS UND

BAKER (2012) so haben die beiden Bereiche einen großen überlappendenBereich, aber auch einige wichtige Unterschiede.

Abb. 1: Zusammenspiel von LA, LAK und EDM (gemäß SIEMENS 2013 )

Abbildung 1 zeigt das Zusammenspiel der drei verschiedenen Forschungs-richtungen und ihre Überlappung nach SIEMENS. Beide Bereiche (LAK undEDM) haben einen sehr datenintensiven Ansatz und verwenden auch häu-fig ähnliche oder gleiche Methoden, um diese Daten zu analysieren. IhrZiel ist es, die Analysen von großen Datenmengen im Bildungsbereich zu

Handbuch E-Learning 48. Erg.-Lfg. August 2013 3

Forschungsfelder:Learning Analyticsand Knowledge undEducational DataMining

Vergleich der For-schungsfelder

Page 4: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

4 48. Erg.-Lfg. August 2013 Handbuch E-Learning

verbessern, um so die Lehre, das Lernen sowie das Lehr- und Lernumfeldzu optimieren. Ihre Unterschiede kann man vor allem an ihren Zielenerkennen. Während LAK versucht, durch die Analyse und die Aufbereitungvon Daten menschliche Entscheidungen zu erleichtern oder zu begründen,wird in EDM großer Wert auf das automatische Erkennen gelegt, um darausmaschinell gesteuerte Folgeprozesse auszulösen. LAK möchte nicht nurautomatisieren, sondern legt den größten Wert darauf, Informationen ineinfachen visuellen Darstellungen an Lehrende und Lernende weiterzuge-ben (SIEMENS/BAKER 2012). Durch diese einfache Darstellung können auchLehrende ohne Training damit etwas anfangen. Um einfache Darstellungenzu erreichen, verwendet man bei LAK nach DAVID WILEY (BAKER et al. 2012)Techniken der Datenvisualisierung und der Usability-Forschung.

Merke: Sowohl das Forschungsfeld Educational Data Mining als auch Lear-

ning Analytics haben einen sehr datenintensiven Ansatz und verwendenauch häufig ähnliche oder gleiche Methoden, um diese Daten zu analy-sieren. Ihr Ziel ist es, die Analysen von großen Datenmengen im Bil-dungsbereich zu verbessern, um so die Lehre, das Lernen sowie das Lehr-und Lernumfeld zu optimieren.

JOHN STAMPER forscht im Bereich von EDM und Intelligent Tutoring Systems

(IST) und ist auch technischer Direktor am Science of Learning Center Data-

Shop in Pittsburgh. Er sieht dies ähnlich und meint:

»For the most part, the goals of the EDM and LAK communities overlap extensi-

vely, but there are subtle differences that I see between the two communities«

(BAKER et al. 2012).

Er ist er Meinung, dass EDM versucht, die gesammelten Daten zu nutzenum herauszufinden, wie und wann Lernen geschieht, während im Gegen-satz dazu LAK den Fokus auf den Lerner setzt und versucht, durch dessenpersönliche Daten festzustellen, wie die Interaktion mit Technologie seinpersönliches Lernen beeinflusst. Beide Communities sind aber ein wichtigerBestandteil der Forschung, um die Effizienz von Bildungssystemen zu ver-bessern (BAKER et al. 2012).

ERIK DUVAL arbeitet mit seinem Team an Dashboards, um Daten zu visualisie-ren und einfach für Lerner und Lehrende aufzubereiten (DUVAL 2010). Nachseiner Ansicht ist Learning Analytics

»[…] about collecting traces that learners leave behind and using those traces to

improve learning« (BAKER et al. 2012).

Für ihn steht bei LAK ebenfalls der Lerner im Mittelpunkt, wohingegenEDM eher versucht, diese Spuren durch Algorithmen zu analysieren undMuster und Gesetzmäßigkeiten zu erkennen. Aus seiner Sicht ist es auchsehr wichtig, dass das Ergebnis der Analyse als Feedback an den Lerner undals Information an den Lehrenden weitergegeben wird. Bei der Weitergabeist vor allem eine einfache Repräsentation der Daten sehr wichtig:

»Translating those traces into visual representations and feedback that support

learning is another challenge: the danger of presenting meaningless eye candy or

networks that confuse rather than help is all too real« (BAKER et al. 2012).

Page 5: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

Auch wenn es eine Vielzahl von Meinungen gibt und damit die Grenzenzwischen LA und EDM sehr verschwommen sind, so findet sich doch infast allen Quellen eine Aussage, die RYAN BAKER (2012) sehr schön zusam-menfasst als:

»[…]I believe that in the future of EDM and LAK should be best friends [...].«

Man kann aber erkennen, dass es nicht einfach ist, eine einheitliche Defi-nition zu finden. Ein Versuch wurde auf der LAK-Konferenz 2011 in Banff(Kanada) erarbeitet. Diese definiert LA folgendermaßen:

»Learning analytics is the measurement, collection, analysis and reporting of data

about learners and their contexts, for purposes of understanding and optimizing

learning and the environments in which it occurs« (SIEMENS 2011).

Das Feld von LA umfasst also das Sammeln, Analysieren und Visualisierenvon Daten aus dem Bildungsbereich. Dies ist natürlich eine sehr breiteDefinition.

Schön et al (2012) definieren LA etwas konkreter als:

»Learning Analytics ist die Interpretation von lernerspezifischen Daten, um indivi-

duelle Lernprozesse gezielt zu verbessern.«

Merke: Learning Analytics ist die Interpretation von lernerspezifischenDaten, um individuelle Lernprozesse zu verbessern. Es ist zu betonen,dass die Interpretation beziehungsweise die nötige Intervention in derRegel nicht automatisiert abläuft, sondern auf die Erfahrung von Lehren-den zurückgreift.

LAK versucht die Daten zu analysieren, sie in Verbindung mit dem eigentli-chen Lernprozess zu bringen und wieder in das Unterrichtsgeschehen ein-fließen zu lassen. Wichtig ist bei LAK auch die Rolle des Lehrers. Er nimmteine überwachende Haltung ein und muss bei Problemen, die durch dieAnalyse von Daten entdeckt werden, aktiv in den Lernprozess eingreifen.Geschieht dies nicht, so kann dies zu Frustration oder Verwirrung bei denLernenden führen. Dies ist z.B. in vielen LMS nicht immer leicht, da diesenur eine Auswertung in Tabellenstruktur zur Verfügung stellen (GARCÍA-SOLÓ-

RZANO et al. 2012). Mit einer solchen Struktur ist es für den Lehrenden sehrschwer, schnell und effektiv aussagekräftige Informationen zum Lernerfolgdes Schülers zu erhalten. Für diesen Zweck werden im Forschungsbereichvon LAK Tools entwickelt, die Lehrende bei dieser Aufgabe unterstützen(GARCÍA-SOLÓRZANO et al. 2012). Für WebCT steht zum Beispiel »CourseVis«zur Verfügung und für das LMS Moodle wurde »GISMO« entwickelt.

Einen konkreten Prozess von LA können wir in Abbildung 2 sehen:

Handbuch E-Learning 48. Erg.-Lfg. August 2013 5

Page 6: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

Datenspuren derUser

Interpretation derDaten

6 48. Erg.-Lfg. August 2013 Handbuch E-Learning

Abb. 2: Prozess von LA (SIEMENS 2010)

Unter »Learners off-put data« versteht SIEMENS die Datenspuren, die der Userhinterlässt. Diese Daten können von unterschiedlichen Quellen kommen(z.B. Facebook, Twitter, LMS,…). Aus den Daten werden einerseits User-Profile gewonnen, und andererseits werden sie auf Basis von »IntelligentData« analysiert. Daraus versucht LA eine Vorhersage zu erstellen und dieLernumgebung, den Lern-Content und die Aufgaben für den Benutzer zuadaptieren und anzupassen. Idealerweise ist das Ergebnis eine auf den Userzugeschnittene Lernumgebung, die sich genau seinem Wissensstand undseinen Gewohnheiten anpasst. Auch hier könnte man sagen, der Unter-schied zwischen EDM und LAK ist, dass bei EDM von der Analyse bis zurAdaption alles automatisiert abläuft.

LAK hingegen bezieht stärker den Lehrenden und seine pädagogischenInterventionsmöglichkeiten mit ein. So bleibt die eigentliche Interpretationder Daten bei der Lehrkraft, wird aber unterstützt von der intelligentenDatenaufbereitung. Auch die Adaption der Lernumgebung ist nicht mehrvollautomatisiert zu sehen, sondern vielmehr als wechselseitige Beziehungvon pädagogischer Intervention, technischer Adaption und sozialen Inter-aktionen. Wir schätzen es bei möglichen Lernproblemen als fruchtbar ein,

Page 7: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

wenn ein Medienwechsel vom Computer zum Lehrer oder anderen Medienund Sozialformen veranlasst wird.

Einen ähnlichen Ansatz findet man in BADER-MATAL und LOTZE (2011). Diesebeschreiben den Aufbau der Learning-Analytics-Plattform »Grockit«. DerAufbau der Plattform wird in fünf Punkte unterteilt.1. Data Collection

In diesem Punkt muss das System so entwickelt sein, dass es Daten überdas User-Verhalten und dessen erledigte Aufgaben und erreichte Zielespeichert. In Grockit wurde dies direkt in den Programmcode implemen-tiert.

2. Selection

Hierbei ist es das Ziel, dass man Daten zusammenführt, die zur Beant-wortung einer speziellen Frage notwendig sind. Dies geschieht in Grockitdurch SQL Queries.

3. Analysis

In dieser Phase werden die zuvor gefilterten Daten zur Analyse verwen-det, um auf eine spezielle Frage eine Antwort zu finden. Diese Phase wirdauf der Plattform Grockit mit dem Statistik-Paket R umgesetzt.

4. Visualization

Hier muss ein effektiver Weg gefunden werden, um die Daten repräsen-tativ, aber auf einfache Art und Weise auszudrücken. Wird im Fall Gro-ckit ebenfalls mit R durchgeführt.

5. Distribution

Hierbei muss bedacht werden, welche Analysen an welche Stakeholdergehen und wie sie transportiert werden. In Grockit wird dies mit einemwebbasierten System erledigt, in dem jeder Stakeholder seine Reportsabonnieren kann.

LAK und ihre Forschungsergebnisse haben das Potenzial, Bildung aus gänz-lich neuen Blickwinkeln zu betrachten und vor allem das pädagogischeHandeln gezielt zu unterstützen. Insbesondere für die Optimierung derLehre tun sich hier neue Betätigungsfelder auf. Lehrende können durch dieständige Verfügbarkeit von Echtzeitdaten den Lernprozess besser über-schauen und Studierende in ihrem Vorankommen zeitnah und gezielt indi-viduell unterstützen. Alle Beteiligten an Unterrichtsprozessen profitierenvon diesen verschiedenen Feedbacks. HATTIE et. al (2013) haben in ihrer gro-ßen Zusammenstellung der wesentlichen Wirkfaktoren zur Bestimmungguten Unterrichts auf die große Bedeutung von allseitigen prozessbezoge-nen Feedbacks herausgestellt. Der Vergleich von aggregierten Statistikenvon Lernerfolgen untereinander kann zudem zu einer Erhöhung der Moti-vation aller Beteiligten führen (SIEMENS/LONG 2011) und die Datensammlun-gen können eine Basis sein für eine verbesserte Planung von Bildungsres-sourcen.

3 Praktische Umsetzung

In diesem Kapitel soll die praktische Umsetzung und das Potenzial von LAgezeigt werden, indem mehrere Beispiele besprochen werden. Hierbei wirdauf konkrete Implementierungen an der Technischen Universität Grazdurch die Abteilung Vernetztes Lernen zurückgegriffen, die sich im Rahmen

Handbuch E-Learning 48. Erg.-Lfg. August 2013 7

Aufbau einer Lear-ning-Analytics-Platt-form

LAK ermöglicht zeit-nahes Feedback

Page 8: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

Ziele des Trainers

8 48. Erg.-Lfg. August 2013 Handbuch E-Learning

von mehreren Projekten und Abschlussarbeiten bereits sehr früh dieses The-mas angenommen hat.

Im Folgenden besprechen wir kurz einige Applikation mit einem besonde-ren Fokus auf LA. Sie sind von http://mathe.tugraz.at nach einer einfachenRegistrierung zu testen.

3.1 Der Einmaleins-Trainer

Der Einmaleins-Trainer wurde mit zwei Zielen entwickelt. Erstens einerautomatischen Anpassung an die Leistungsfähigkeit der Lernenden, sodassAufgaben weder als zu schwer noch als zu leicht empfunden werden. Zwei-tens sollte eine detaillierte Darstellung der bereits sicher gelösten Aufgabenden Lehrenden möglichst genaue Rückmeldung über den Kompetenzgradder Lernenden geben (SCHÖN et al 2012).

Das Kernstück des Trainers ist ein Algorithmus, der das nächste Beispielbasierend auf dem individuellen Kompetenzgrad eines Lernenden und des-sen Lernhistorie ermittelt. Hierzu ist jeder einzelnen Multiplikationsauf-gabe des Einmaleins aufgrund empirischer Erfahrungswerte bzw. der typi-schen didaktischen Reihenfolge ein Schwierigkeitsgrad zugeordnet. Nachzwei Einstufungsaufgaben (mittelschwer und je nach Antwort leichter oderschwerer Folgeaufgabe) wird erstmalig der Kompetenzgrad geschätzt. Dienächste Aufgabenstellung erfolgt aus der Menge der Aufgaben, die maximaletwas schwieriger sind als der bis dahin erreichte Kompetenzgrad. Im Pro-gramm gilt ein Problem erst dann als »gekonnt«, wenn es zweimal hinterei-nander richtig beantwortet wurde. Bei einem Fehler wird dieser Wert auf 0zurückgesetzt. Der Kompetenzgrad bzw. die Lernrate ist die Summe der bisdahin gut, also zweifach richtig gelösten Aufgaben.

Abb. 3: Screenshot des Einmaleins-Trainers (http://mathe.tugraz.at)

Page 9: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

Abbildung 3 zeigt einen Screenshot des Trainers mit der zu lösenden Auf-gabe (hier 9x7) sowie darunter einen Balken, der die verbleibende Reakti-onszeit darstellt. Der Schüler erhält zweifach Feedback: Die Matrix linksdokumentiert den Bearbeitungsstand für alle Aufgaben, mit der Maus kanndie entsprechende Aufgabe, also z.B. 5x8, zur Anzeige veranlasst werden,orange steht für einmal richtig gelöst und gelb für zweimal hintereinandergelöst. Der Hase zeigt den aktuellen Prozess an: Er wandert in dem MaßeRichtung Karotte, wie kontinuierlich hintereinander richtige Lösungen pro-duziert werden.

Abb. 4: Verlauf einer Lernrate eines Lernenden

Aus der Sicht von LA ist es natürlich interessant, wie sich die Lernraten derLernenden entwickeln. Gibt es hier ein stetiges Wachstum, stagniert derLernfortschritt oder ist der Prozess stark rückläufig? Abbildung 4 zeigt bei-spielhaft die Entwicklung der Lernrate eines Lernenden als Kurve. Nachetwa 170 gerechneten Beispielen sind etwa 20 Beispiele als gut gekonnteingestuft, danach tritt eine Phase ein, während der kaum ein Lernzuwachszu beobachten ist. Erst nach insgesamt ca. 300 gerechneten Beispielen steigtdie Lernrate stark/schnell an. Es erscheint generell sinnvoll, nach Erkenneneiner Stagnationsphase eine pädagogische Intervention zu inszenieren. Die-ses Vorgehen repräsentiert einen Ansatz von LA: Durch die systematischeintelligente zeitnahe Analyse der Lernkurven kann der Lernprozess nichtnur insgesamt beschrieben werden, es können auch Alarme zur Veranlas-sung von Interventionen durch Lehrkräfte veranlasst werden. Durch dasbeschriebene Setting wird das Lernen begünstigt.

Abbildung 5 zeigt den Leistungsstand einer Klasse (Namen wurden ent-fernt). Es würde keinen Sinn ergeben, den Lehrer mit allen Daten von allenSchülern in Listen zu versorgen. Wir liefern dem Lehrer eine kompakte undzugleich differenzierte Übersicht. Orientierung zu Problemfällen gibt dieerste Spalte mit Ampelsignalen, hier nur einmal die gelbe Marke. Die Wahr-nehmung der übrigen Grafik geschieht mit etwas Übung als Ganzheit imHinblick auf den Leistungsstand der Klasse.

Handbuch E-Learning 48. Erg.-Lfg. August 2013 9

Setting des Trainers

Entwicklung derLernrate

Page 10: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

Darstellung der Lern-ergebnisse für Leh-

rende

10 48. Erg.-Lfg. August 2013 Handbuch E-Learning

Abb. 5: Übersicht über den Lernfortschritt einer Schulklasse (Sicht des Lehrenden)

Die Zeilen dokumentieren jeweils die Ergebnisse der Lernenden, dunkel-grün markiert bedeutet dabei »gut gekonnt«, hellgrün ein »gekonnt«, grauein »noch nicht gerechnet« und schlussendlich rot ein »nicht gekonnt«.Ganz links in der ersten Spalte kann die Lehrkraft mit einem Blick überse-hen, wie aktuell die Entwicklung vorangeht und wo er Probleme hat: DieSpalte »Skills« zeigt den Lehrenden in den Ampelfarben, ob das Programmim Einzelfall eine Intervention empfiehlt: keine (grün), eventuell (gelb)oder dringend (rot). Im weiteren Verlauf der Zeile können die detailliertenProblemaufgaben betrachtet werden.

Die Lehrenden können sich so schnell ein Eindruck bilden, wo die gesamteKlasse steht, ob sie vielleicht einen gemeinsamen Förderbedarf hat und wodie Probleme im Einzelnen liegen.

Bei diesem Beispiel wird wohl auch deutlich, dass mit LA eine große MengeDaten analysiert wird, welche die physiologischen Kapazitäten einer Lehr-kraft bezüglich Wahrnehmung, Speicherung und Verarbeitung übersteigt.Das Computersystem bietet nicht nur eine Entlastung für den Lehrer, son-dern begründet eine ganze neue Unterrichtsqualität. Diese Einschätzungbezieht sich auf die fortwährende, gezielte, individuell ausgerichtete Aufga-benauswahl, das präzise individuelle, zweifache Feedback während der Auf-gabenbearbeitung sowie für die Lehrkraft die Übersicht über den Leistungs-stand insgesamt und den Interventionsbedarf bei Einzelnen.

Page 11: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

Merke: Learning Analytics am Beispiel des Einmaleins-Trainer bezieht sichauf die fortwährende, gezielte, individuell ausgerichtete Aufgabenaus-wahl, das präzise individuelle, zweifache Feedback während der Aufga-benbearbeitung sowie für die Lehrkraft die Übersicht über den Leistungs-stand insgesamt und den Interventionsbedarf bei Einzelnen.

3.2 Der PlusMinus-Trainer

Der PlusMinus-Trainer wird im Rahmen einer Diplomarbeit und im Zugeder E-Learning-Initiative im Forschungsgebiet LA erstellt. Er dient dazu,dass z.B. die Schulkinder an Grundschulen die schriftliche Addition undSubtraktion testen und trainieren können (ähnlich dem Einmaleins-Trai-ner). Im Zuge der Aufgabenbearbeitung werden die Daten aufgezeichnetund analysiert. Jede neue Aufgabe wird unter Berücksichtigung der bisheri-gen Statistik generiert. Durch die Analyse der Lösungsschritte aller Zwi-schenergebnisse und der jeweiligen Lösungen wird versucht, typische, alsohäufige fehlerhafte Vorgehensweisen in den Rechenverfahren zu entdeckenund eine einfache, kompakte Übersicht dazu an die Lehrkräfte weiterzuge-ben. Diese haben natürlich auch die Möglichkeit, genaue Statistiken derSchülerbearbeitungen einzusehen. Das Programm schätzt jeden Fall einund signalisiert der Lehrperson, ob einzelne Kinder eher noch unsystemati-sche Fehler wegen mangelnder Routine machen, oder ob bei systemati-schen, typischen Fehlern auf einzelne Problemfälle eingewirkt werdensollte.

Für die Unterrichtsqualität und die Ökonomie der Lehrkräfte hat dieseAnwendung einen enormen Mehrwert. Um an solche Daten auf traditionel-lem Wege zu kommen, müsste man diagnostische Tests durchführen undauswerten. Ein Beispiel für so einen Test für die schriftliche Subtraktion istin Abbildung 6 dargestellt.

Handbuch E-Learning 48. Erg.-Lfg. August 2013 11

Ziele und Setting desTrainers

Page 12: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

12 48. Erg.-Lfg. August 2013 Handbuch E-Learning

Abb. 6: Diagnostischer Test (GERSTER 1982, S. 49)

Es ist hier kritisch zu allererst zu bemerken, dass ein solcher Test nichteinfach durchzuführen und zu korrigieren ist. Denn für jeden Fehler, denein Schüler oder eine Schülerin macht, muss eine aufwendige Einzelanalysedes Beispiels durchgeführt werden – und dies ist immer mit viel Zeitauf-wand verbunden. In Abbildung 7 sehen sie fünf Subtraktionen. VersuchenSie, aus diesen Ergebnissen eine typische Häufung einer Fehlerart zuerkennen!

Abb. 7: Fehleranalyse

Die Subtraktionen c und e wurden in diesem Beispiel richtig gelöst. Diessind die einzigen Beispiele, die keinen Übertrag beinhalten. Daher ist es

Page 13: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

naheliegend anzunehmen, dass die Testperson Probleme mit Überträgenhat. Bei genauerem Betrachten kann man erkennen, dass diese Beispiele aufeinen der häufigsten Fehler (PADBERG 2005) in der Subtraktion schließen las-sen. Bei diesem Fehlermuster wird in jeder Spalte die kleinere von der grö-ßeren Zahl subtrahiert. Dadurch entstehen keine Überträge und dieRechenschritte sind»leichter« durchzuführen.

Um einen solchen Test für eine Klasse mit 20 Schülern zu korrigieren undauszuwerten, wird die Lehrperson einen Aufwand von 5 bis 10 Stundenhaben. Möchte sie immer auf den neuesten Wissensstand der Schülerinnenund Schüler eingehen, so müsste ein solcher Test ein- bis zweimal wöchent-lich wiederholt werden – und dies für alle Klassen. Dies ist in der Praxisnicht umsetzbar. Auch ist die Fehleranalyse wegen der kleinen Aufgaben-zahl oftmals nicht einfach und auch nicht immer eindeutig, es muss imEinzelfall jedenfalls nachgeprüft werden.

Der PlusMinus-Trainer ist adaptiv. Er sucht systematisch nach Aufgabenmit einer ähnlichen logischen Schwierigkeitscharakteristik, also Stellen-zahl, Übertrag und bestimmten Ziffernanzahl, um Unentschiedenheit beider Zuordnung zu Fehlertypen statistisch abklären zu können. Die Aufga-ben werden passend zum Lernstand jeder einzelnen Testperson immer neugeneriert. Wenn das Programm feststellt, dass im Einzelfall kein Fortschrittstattfindet und immer wieder ähnliche Fehler gemacht werden, kann eineLehrkraft dies in einer Gesamtstatistik anhand der Ampelsymbolik soforterkennen, also ob ein Eingriff dringend nötig ist, gelegentlich empfohlenwird oder der Lernprozess fortschreitet (siehe Abb. 8).

Abb. 8: Statistische Auswertung der Schüler für den Lehrer

Die Zahlen in den jeweiligen Feldern stehen für die Anzahl der Versuche indieser Kategorie. Wird der Mauszeiger über ein Userlevel-Feld geführt, soerscheint ein Tooltip, welcher eine kurze Information zu diesem Levelbereitstellt. Die Darstellung wurde so gewählt, dass es auch für mehrereSchüler bzw. eine Klasse gut zu übersehen ist.

Die Statistik aus Abb. 8 zeigt, dass dieses Kind bei der Addition bisher keinProblem hatte (kein rotes Feld). Bei der Subtraktion scheint es aber nunSchwierigkeiten zu geben, und zwar beim Schwierigkeitsgrad zweistelligminus einstellig mit Übertrag, dabei keine Nullen. In diesem Fall solltenLehrende erklärend oder durch Bereitstellen von alternativem Material inden Lernprozess eingreifen, da es sonst zu einer Demotivation der betroffe-nen Schüler kommen könnte. Möchte die Lehrkraft noch mehr Informatio-nen einsehen, so ist dies über den Link »Hier« in der Spalte »Details« mög-lich. Hier kann sie sich die fehlerhaften Beispiele im Einzelnen ansehenund gegebenenfalls eine eigene Auswertung durchführen.

Auch der PlusMinus-Trainer leistet ein Ausmaß an Datenverarbeitung, wiees eine einzelne Lehrkraft nur in Einzelfällen erbringen könnte. Nur mit

Handbuch E-Learning 48. Erg.-Lfg. August 2013 13

Fehleranalyse durchdie Lehrkraft ist zuaufwendig

Systematische Fehler-analyse

Page 14: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

Setting des Trainers

Analyse des Fehler-typs

14 48. Erg.-Lfg. August 2013 Handbuch E-Learning

Einsatz der IT-Kapazität können solche präzisen Förderhinweise entstehen.Dabei ist auch hier zu erwähnen, dass das adaptive, dynamische Diagnosti-zieren und Arbeiten am Programm für viele Kinder offenbar auch Lernzu-wachs bedeutet. Auch damit werden die Lehrkräfte entlastet und könnensich so den Einzelfällen widmen, die vom System identifiziert werden.

3.3 Der mehrstellige Multiplikations-Trainer

Der Multiplikationstrainer zur schriftlichen Multiplikation basiert auf ähn-lichen Überlegungen wie die andern beiden vorgestellten Programme. Auchhier erfolgt eine Adaption an unterschiedliche Levels. Der Schwierigkeits-grad steigt an mit der Stellenzahl – von der Multiplikation zweistellig *einstellig (nn*n) bis hin zu vierstellig * dreistellig (nnnn * nnn). Dazu kom-men Varianten mit und ohne Überträge. Hier gingen auch Erfahrungenmit zahlreichen Vorabtests und aus der Berücksichtigung der Ergebnisse desEinmaleins-Trainers ein (EBNER et al 2013).

Abb. 9: Mehrstelliger Multiplikations-Trainer (http://mathe.tugraz.at)

Abbildung 9 zeigt die Benutzeroberfläche des Trainers nach einer Multipli-kation und die identifizierten Fehler bei dieser Rechnung. Es werden alleTeilschritte erfasst: sowohl jede einzelne Multiplikation, die einzelnenAdditionen und auch die Überträge.

Ähnlich dem PlusMinus-Trainer erfolgt dann nach Abschluss der Eingabedie eigentliche Evaluation des Ergebnisses. Es wird automatisch erhoben,wenn Fehler gemacht werden, und zugeordnet, um welchen Fehlertyp essich handelt. Diese werden aggregiert und den Lehrkräften wird beim Auf-ruf der Klassenstatistik in den Ampelfarben signalisiert, ob eine pädagogi-sche Intervention angeraten erscheint oder das Lernen quasi sich selbstüberlassen werden kann.

Abb. 10: Auswertung des mehrstelligen Multiplikations-Trainers

Page 15: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

In Abbildung 10 ist die Auswertung bei drei Usern angezeigt. Zu sehen istdie Anzahl der Beispiele und wie viele davon korrekt bzw. falsch gelöstwurden. Durch die rote Farbe wird signalisiert dass die Erfolgsrate unter derfestgesetzten Grenze ist und daher vorgeschlagen wird, dass eine Lehrkraftinterveniert, also zusätzliche Hinweise und alternative Übungsmöglichkei-ten gibt. Das Programm nimmt im ersten Fall nur unspezifische Fehler war,im zweiten Fall wird attestiert, dass richtig multipliziert wurde (1x1), aberbeim Übertrag Probleme auftreten. Im dritten Fall überwiegen Problemebeim kleinen Einmaleins. Nach Belieben kann die Lehrperson sich einzelneLernende im Detail ansehen und genau nachvollziehen, welche Beispielemit welchem Resultat gerechnet wurden.

3.4 Learning Analytics am Beispiel der PLE

Im letzten Beispiel wird gezeigt, welche Breite der Forschungsbereich LA

hat. Es wurde eingangs erwähnt, dass insbesondere auch die Visualisierungvon Aktivitäten (Traces; Spuren) der Lernenden Rückschlüssen auf derenLernprozesse ermöglicht. Dies kann z.B. erfolgen, indem man darstellt, wel-che Aktivitäten oder Inhalte in sozialen Netzwerken getätigt wurden.Jedoch zeigen auch mehrere Forschungsarbeiten, dass die inhaltliche Ana-lyse von z.B. Twitter-Aktivitäten durchaus schwierig ist (DEVOCHT et al 2011;EBNER et al 2010).

In diesem Beispiel wird demonstriert, wie man Lerntätigkeiten im Rahmeneiner Personal Learning Environment erfassen kann. Diese Umgebung wirdan der Technischen Universität Graz seit 2010 den Studierenden zur Verfü-gung gestellt und besteht aus einem Framework, welche eine hohe Anzahlan sogenannten »Widgets« enthält (TARAGHI/EBNER 2012; TARAGHI et al 2012).Diese Widgets können innerhalb der Lernumgebung vom Lernenden belie-big verwendet und angeordnet werden, so wird eine sehr hohe Individuali-tät der Lernumgebung geschaffen (TARAGHI et al 2011). Jedes dieser Widgetserfüllt einen bestimmten Zweck. Es gibt Widgets für Twitter, Facebook, zumAbrufen der E-Mails oder auch verschiedene Lernobjekte, wie Taschenrech-ner und Ähnliches.

Innerhalb dieser Umgebung entstehen im Verlauf einer Lehrveranstaltungeine Unmenge unterschiedlichster Aktivitäten. Um hier eine Übersicht überinnewohnende Zusammenhänge zu bekommen, entwickeln wir verschie-dene Grafiken. Gerade in der Online-Lehre ist es essenziell, als Lehrenderzu wissen, wie aktiv die Studierenden sind und vor allem auch frühzeitigInformationen zu bekommen, wenn die Aktivität z.B. drastisch zurückgeht,um z.B. gezielt mögliche Probleme anzusprechen oder besondere Maßnah-men durchzuführen.

Handbuch E-Learning 48. Erg.-Lfg. August 2013 15

Visualisierung vonAktivitäten

Einsatz von Widgets

Page 16: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

LA verbessert dieLehr- und Lernqua-

lität

16 48. Erg.-Lfg. August 2013 Handbuch E-Learning

Abb. 11: Aktivität innerhalb der PLE (http://my.tugraz.at)

Abbildung 11 stellt die Verwendung von Widgets im Zeitverlauf dar. DieseStatistik ist natürlich auch auf einen beliebigen Zeitrahmen und Personen-kreis einzugrenzen und je Lernenden darstellbar. Mit dieser Visualisierungs-funktion können also die Aktivitäten eines spezifischen Adressatenkreisesfür ein Lehrangebot unmittelbar eingesehen werden und es kann auch ent-sprechend interveniert werden.

4 Zusammenfassung

LA ist ein Forschungsbereich, der noch sehr jung ist. Wir haben hier überverschiedene Anwendungen und Verfahren berichtet, die Daten zum Lern-verhalten von Schülern und Studenten produzieren, dokumentieren undanalysieren. Manche Anwendungen können begleitend zum Lernen imUnterricht, aber auch mobil oder von zuhause am PC genutzt werden.Andere dokumentieren Nutzeraktivitäten, wie An- und Abmeldezeitstem-pel, die Aktivitäten, Umfang, Dauer und eventuell Intensität der Kontakte,erledigte Aufgaben und vieles mehr. Es ist dabei herauszustellen, dass dieLehrkräfte mit Einsatz solcher Programme nicht nur entlastet werden. DieProgramme leisten ein Ausmaß an Datenerfassung und Verarbeitung, wiesie Lehrende aufgrund physiologischer Kapazitätsgrenzen gar nicht leistenkönnten. Sie tragen somit zu einer entscheidenden Qualitätsverbesserung

Page 17: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

des Unterrichtes bei, wie sie allein durch ein Aufstocken von Lehrpersonalnicht erreicht werden könnte. Wir verstehen diese und weitere zu entwi-ckelnde Anwendungen eingebettet in konventionelle Unterrichtsformenund nicht als Ersatz für herkömmliche Unterrichtsangebote. Im Medien-wechsel liegt eine spezifische Wirksamkeit für das Vorankommen möglichstvieler und die Zukunft von Learning Analytics.

Deshalb alarmieren wir die Lehrperson, wenn die Auswertung der Daten einStagnieren der Lernentwicklung signalisiert. Wir starten also bei erkanntenProblemen kein virtuelles Tutorenprogramm. Wo es allerdings darum geht,Lernangebote rund um die Uhr für viele verfügbar zu machen, kommenwir ganz sicher zu anderen Entscheidungen. Durch die Kombination vonTesten und Üben sowie durch die zeitliche Verteilung solcher Aktionenüber das gesamte Semester, Schuljahr bzw. längere Episoden entsteht aucheine ganz neue Sicht auf die Leistungsbeurteilung. Wir verfügen mit ent-sprechenden Anwendungen durch die Vielzahl an einzelnen Messungenüber viel zuverlässigere Einschätzungen der Kompetenz. Durch Aggregierenkönnen sowohl Portfolios mit ausführlichen Sammlungen von Einzelleis-tungen erstellt werden, aber auch sehr kompakte Zusammenfassungen alsSchulnote.

Wir können heute noch nicht absehen, was wir langfristig aus den geradeentstehenden großen Datenmengen noch an Erkenntnissen gewinnen wer-den bzw. welche Hypothesen uns dadurch nahegelegt werden. Zum Beispielberichten viele Lehrer, dass einzelne Leistungen erreicht werden, dann aberkurzfristig vergessen bzw. jedenfalls nicht stabil gezeigt werden und dannplötzlich und anhaltend wieder präsent sind. Wir können solche Prozessejetzt erstmalig für große Gruppen darstellen, durch Einbezug weiterer Vari-ablen ließen sich hier interessante Hypothesen testen, z.B. wie wirksamkonkretes Unterrichtshandeln für nachhaltiges Lernen ist oder der Fragenachgehen, wann (und wo) eigentlich was gelernt wird. Dabei stellen sichweiter Fragen danach, welche Gruppen und Typen unter welchen Bedin-gungen erfolgreich sind? Mit solchen Fragen kommen wir nach unsererAbgrenzung weg von der individuellen förderdiagnostischen Sicht der LA

in den Bereich des Educational Data Mining.

Wir können uns vorstellen, durch verschiedene zusätzliche Sensoren undSpeicherung deren Messwerte, Indikatoren für Aufmerksamkeit, Umweltge-räusche und Ablenkung zu erfassen, um diverse Probleme »aufzuklären«.Damit entstehen natürlich parallel und konkurrierend mit unserem For-schungs- und Aufklärungsinteresse auch Fragen und Eingrenzungen durchSchutzbedürfnisse und Persönlichkeitsrechte der betroffenen Schüler- undStudentenschaft, wenn z.B. Umweltstörgeräusche nicht nur als Lärmpegel,sondern als Unterhaltungen aufgezeichnet werden. Im User Managementunserer Lern-Apps können Daten von Schulen, Lehrern und Schülern kom-plett mit Aliasnamen anonym angemeldet werden. Diese Anonymitätkönnte bei Kombination mit weiteren persönlichen Daten und zum Umfeldunserer Lerner vermutlich nicht durchgehalten werden.

Drei der beschriebenen Anwendungsbereiche beschäftigten sich mit demmathematischen Erlernen der Grundrechnungsarten und stehen freizugänglich unter http://mathe.tugraz.at zur Verfügung. Weiters wurdeauch eine Möglichkeit der Visualisierung am Beispiel der Personal Learning

Handbuch E-Learning 48. Erg.-Lfg. August 2013 17

Neue Möglichkeitender Leistungsbeur-teilung

Entstehende For-schungsmöglich-keiten

Page 18: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

18 48. Erg.-Lfg. August 2013 Handbuch E-Learning

Environment (http://my.tugraz.at) gezeigt und damit die Breite des For-schungsfeldes.

Das Lernen wird dank der Technik individueller und persönlicher als jezuvor, dafür kann und wird LA ein Wegbereiter sein, wiewohl noch viel anweiteren Forschungsarbeiten und praktischen Einsätzen notwendig ist.

Webadressen

■ Applikationen der Technischen Universität Graz:http://mathe.tugraz.at

■ International Educational Data Mining Society:http://www.educationaldatamining.org

■ Grockit:https://grockit.com/

■ Personal Learning Environment der Technischen Universität Graz:http://my.tugraz.at

■ Science of Learning Center DataShop:https://pslcdatashop.web.cmu.edu/about

■ StatistikPaket R:http://www.r-project.org/

Literaturhinweise

BADER-NATAL, A./LOTZE, T.: Evolving a learning analytics platform, in: Procee-dings of the 1st International Conference on Learning Analytics andKnowledge (LAK '11), New York, USA 2011, S. 180-185.

BAKER, R. S./DUVAL, D./STAMPER, J./WILEY, D./BUCKINGHAM SHUM, S.: Panel: Educa-tional Data Mining meets Learning Analytics, in: Proceedings of 2ndInternational Conference on Learning Analytics & Knowledge (LAK'12), New York, USA 2012, S. 20.

DE VOCHT, L./SELVER, S./EBNER, M./MÜHLBURGER, H.: Semantically driven SocialData Aggregation Interfaces for Research 2.0., in: 11th InternationalConference on Knowledge Management and Knowledge Technologies,2011, Artikel 43.

DUVAL, E.: Attention Please! Learning Analytics for Visualization and Recom-mendation, to appear in: Proceedings of the 1st International Confe-rence on Learning Analytics and Knowledge (LAK '11), New York, USA2011.

EBNER, M./TARAGHI, B.: Personal Learning Environment for Higher Educa-tion – A First Prototype, in: Proceedings of World Conference on Educa-tional Multimedia, Hypermedia and Telecommunications 2010, S.1158-1166, Chesapeake, VA, USA 2010.

EBNER, M./MÜHLBURGER, H./SCHAFFERT, S./SCHIEFNER, M./REINHARDT, W./WHEELER, S.:Get Granular on Twitter Tweets from a Conference and their LimitedUsefulness for Non-Participants, in: Key competences in the knowledgesociety 2010, S. 102-113.

Page 19: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

Learning Analytics 3.24

EBNER, M./SCHÖN, M./TARAGHI, B./STEYRER, M.: Teachers Little Helper: MultiMath Coach, IADIS conference, Prague, acceptet in print.

GARCÍA-SOLÓRZANO, D./COBO, G./SANTAMARÍA, E./MORÁN, J.A./MONZO, C./MELENCHÓN, J.: Educational Monitoring Tool Based on Faceted Browsingand Data Portraits, in: Proceedings of 2nd International Conference onLearning Analytics & Knowledge (LAK '12), New York, USA 2012, S.170-178.

GERSTER, H.-D.: Schülerfehler bei schriftlichen Rechenverfahren – Diagnoseund Therapie, Freiburg 1982.

HATTIE, J./BEYWL, W./ZIERER, K.: Lernen sichtbar machen, Baltmannsweiler2013.

HORIZON PROJECT: Horizon Report. http://www.nmc.org/horizon-project, letz-ter Abruf Mai 2013.

LOCKYER, L./DAWSON, S.: Where Learning Analytics Meets Learning Design, in:Proceedings of the 2nd International Conference on Learning Analyticsand Knowledge (LAK '12), New York, USA 2012, S. 14-15.

PADBERG, F.: Didaktik der Arithmetik: Für Lehrerausbildung und Lehrerfort-bildung: Mathematik Primar- und Sekundarstufe, 3. Aufl.,Heidelberg2005.

SCHÖN, M./EBNER, M./KOTHMEIER, G.: It's Just About Learning the MultiplicationTable, in: Proceedings of the 2nd International Conference on LearningAnalytics and Knowledge (LAK '12), New York, USA 2012, S. 73-81.

SIEMENS, G.: Elearnspace, 2010, abrufbar unter:http://www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/(letzter Abruf Mai 2013).

SIEMENS, G.: LAK 11, 2011, abrufbar unter: https://tekri.athabascau.ca/analy-tics/about (letzter Abruf Mai 2013).

SIEMENS, G.: Slideshare, 2013, abrufbar unter: http://de.slideshare.net/gsie-mens/columbia-tc (letzter Abruf Mai 2013).

SIEMENS, G./BAKER, R. S. J.: Learning Analytics and Educational Data Mining:Towards Communication and Collaboration, in: Proceedings of the2nd International Conference on Learning Analytics and Knowledge(LAK '12), New York, USA 2012, S. 252-254.

SIEMENS, G./LONG, P.: Penetrating the Fog: Analytics in Learning and Educa-tion. EDUCAUSE Review, vol. 46, no. 5, 2011.

TARAGHI, B./ALTMANN, T./EBNER, M.: The World of Widgets – An Important Steptowards a Personalized Learning Environment, in: Proceedings of theThe PLE Conference 2011, S. 1-8.

TARAGHI, B./EBNER, M./KROELL, C.: Personal Learning Environment – Genera-tion 2.0, in: Proceedings of World Conference on Educational Multime-dia, Hypermedia and Telecommunications 2012, S. 1828-1835, Chesa-peake, VA, USA 2012.

Handbuch E-Learning 48. Erg.-Lfg. August 2013 19

Page 20: Learning Analytics – wie Datenanalyse helfen kann, das Lernen gezielt zu verbessern.

3.24 Learning Analytics

20 48. Erg.-Lfg. August 2013 Handbuch E-Learning

TARAGHI, B./EBNER, M.: Personal Learning Environment, in: HOHENSTEIN, A./WIL-

BERS, K. (Hrsg.): Handbuch E-Learning, 43. Erg.-Lfg., Köln: 2012, Beitrag5.16.1.

VATRAPU, R./TEPLOVS, C./FUJITA, N./BULL, S.: Towards Visual Analytics for Tea-chers' Dynamic Diagnostic Pedagogical Decision-Making, in: Procee-dings of the 1st International Conference on Learning Analytics andKnowledge (LAK '11), New York, USA 2011, S. 93-98.


Recommended