Lecture 12: Standards & Privacy Flashcards
What are the components of the Learning Analytics (LA) Infrastructure?
- Learning Data Generators and Collectors
- Learning Data Warehouse(s)
- Analytics Algorithms
- Learning (Analytics) Dashboards
- Learning Analytics Indicators
Definition:
- Strukturelle Elemente, die für das Sammeln, Analysieren und Präsentieren von Lern- und Nutzerdaten erforderlich sind, um den Lernprozess zu verstehen und zu verbessern.
Hauptkomponenten:
- Learning Data Generators and Collectors: Erzeugung und Sammlung von Daten aus verschiedenen Lernressourcen.
- Learning Data Warehouse(s): Zentrale Lagerung der Daten mit Hilfe von Data Models und Data Standards.
- Analytics Algorithms: Algorithmen für die Datenanalyse, um Muster und Einsichten zu identifizieren.
- Data Analysis and Manipulation Engines: Werkzeuge zur Manipulation und Analyse der gesammelten Daten.
- Learning Analytics Results Delivery Strategies: Strategien zur Präsentation der Analyseergebnisse, einschließlich Information Visualization.
- Learning (Analytics) Dashboards: Visuelle Schnittstellen zur Darstellung und Interpretation der Analyseergebnisse.
- Learning Analytics Indicators: Spezifische Metriken und Kennzahlen zur Messung relevanter Aspekte des Lernprozesses.
What is a Learning Data Warehouse?
Ein Learning Data Warehouse (LDW) speichert, verwaltet und analysiert Lern- und Teilnehmerdaten. Wichtige Eigenschaften sind Skalierbarkeit, Sicherheit und Performance sowie die Bereitstellung eines themenorientierten und zeitvarianten Datenblicks. Beispiele sind Learning Locker und LRS.
Definition:
- Spezialisiertes Datenlager für das Speichern, Verwalten und Analysieren von Lern- und Teilnehmerdaten zur Unterstützung informierter Entscheidungen im Bildungsbereich.
Komponenten:
- Underlying Data Model: Lern-Datenstandards (Experience API (xAPI/Tin can API/TCAPI) data standard, Learning Context Data Model (LCDM), Contextualized Attention Metadata (CAM), IMS Caliper), die gewährleisten eine konsistente Strukturierung und Kategorisierung der Daten, sodass sie effizient gespeichert, abgerufen und analysiert werden können.
- Raw Data:.
- APIs: .
Datenverarbeitung im Warehouse
* Batch Processing: Verarbeitung großer Datenmengen auf einmal, kosteneffizient, Divide-and-conquer-Strategie (MapReduce-Paradigma), zeitintensiv.
* Real-Time (Data-Stream Processing): Zeitkritische Operationen, asynchrone Datenverarbeitung bei Ankunft, sofortige Ergebnisse, aufwendig und komplex.
* –> Real-Time Processing oft teurer und technisch anspruchsvoller ist als Batch Processing
Eigenschaften:
- Skalierbarkeit:
- Sicherheit:
- Performance:
- Subject-oriented, Time-variant, Non-volatile: Themenorientierte Organisation, zeitvarianter historischer Datenblick, dauerhafte Datenspeicherung.
Beispiele für LDW:
- Learning Locker, Learning Records Store (LRS).
Experience API (xAPI/Tin Can API/TCAPI):
- Übertragung von Lerner-Aktionen (Activity Statements) basierend auf Activity Streams.
- Learning Record Store (LRS) für die Validierung und Speicherung von Aktivitätsaussagen.
Learning Context Data Model (LCDM):
- Benutzerzentrierte Ereignisse mit Fokus auf Kontext, geeignet für mobiles Lernen.
- REST API für Ereignisverwaltung.
Contextualized Attention Metadata (CAM):
- Daten über die Aufmerksamkeitsfoki und Aktivitäten der Benutzer.
- Generierung von kontextspezifischen Benutzerprofilen.
IMS Caliper:
- Beziehungen zwischen Akteur und Objekt (IMS Caliper Event).
- Caliper Entity und Metric Profiles zur Standardisierung der Messung und Berichterstattung von Aktivitäten.
What are the main aspects about privacy and ethics in the context of learning analytics?
In Learning Analytics sind Datenschutz und Ethik kritisch: Wichtig sind Transparenz, Einverständnis der Lernenden und Einhaltung von Gesetzen wie der GDPR. Die Datenverwendung sollte dem Wohl des Lernenden dienen, und Herausforderungen wie Identitätsmanagement erfordern Strategien zum Schutz der Privatsphäre, während die Vorteile maximiert werden.
Datenschutz und Ethik sind Schlüsselfaktoren im Kontext von Learning Analytics. Durch die leichte Sammlung persönlicher Informationen entsteht das Dilemma der Angemessenheit und Verteilung der Daten - wer sieht die Daten, wann und zu welchem Zweck. Transparenz und Datenbesitz sind wesentlich, wobei das Einverständnis der Lernenden für die Datensammlung erforderlich ist. Rechtliche Rahmenbedingungen wie die GDPR bieten Richtlinien zur rechtmäßigen und fairen Datenverarbeitung. Ethisch gesehen, wird Learning Analytics als moralische Praxis betrachtet, die den Lernenden ins Zentrum stellt. Herausforderungen wie Identitätsmanagement erfordern sorgfältige Strategien, um die Privatsphäre zu wahren, während die Vorteile der Learning Analytics genutzt werden.
Which privacy guidelines can you take into consideration?
- Bestimmung: Warum möchten man Learning Analytics anwenden?
- Erklären: Absichten und Ziele.
- Legitim: Warum darf man die Daten haben?
- Einbeziehen: Stakeholder und die Datensubjekte beteiligen.
- Einwilligung: Vertrag mit den Datensubjekten.
- Anonymisierung
- Technisch: Verfahren zur Gewährleistung der Privatsphäre.
- Extern: Zusammenarbeit mit externen Anbietern.
