Lecture 7: Introduction to Learning Analytics Flashcards
Explain the concepts of academic analytic, educational data mining, and learning analytics.
Academic Analytics (AA)
unterstützt Entscheidungsfindung mit BI Tools und statistischen Modellen in akademischen Einrichtungen hauptsächlich für organisatorische und administrative Zwecke z.B. auch Vorhersage des Studierendenerfolgs, Identifikation von gefährdeten Studierenden
Educational Data Mining (EDM)
Anwendungen von Data Mining Techniken auf Bildungsdaten um besseres Verständnis von Lernenden und ihren Umgebungen zu bekommen
* Technologischer Fokus, oft ohne menschliches Eingreifen z.B automatisierte Adaption der gewonnenen Erkenntnisse
Learning Analytics (LA):
Nutzt Daten und Modelle von Lernenden und ihren Umgebungen, um Lernen besser zu verstehen und zu optimieren
* Fokus auf pädagogische Bedürfnisse und informiert und hilft Lehrenden, Unterricht zu personalisieren und Lernschwierigkeiten frühzeitig zu erkennen
Action Research
- Untersuchung und Bewertung des eigenen Lehrens
- Oft von Lehrenden durchgeführt, um die eigene Lehre oder ein Bildungsprogramm zu verbessern
- Schwerpunkte: Überwachung, Analyse, Reflexion
- Stetige Verbesserung des Bildungsprozesses
Explain the learning analytics process.
- Data Collection: Sammeln von Rohdaten aus verschiedenen Quellen.
- Data Analysis: Analyse der gesammelten Daten mit spezifischen Fragen, die beantwortet werden sollen.
- Data Aggregation: Aggregieren der Daten, um Antworten auf die gestellten Fragen zu finden.
- Visualization Reports: Visualisieren der aggregierten Daten in Berichte für ein besseres Verständnis.
- Action/Intervention: Implementierung von Maßnahmen oder Interventionen basierend auf gewonnenen Erkenntnissen (Reflektieren auch).
- Learning Activity: Lernaktivitäten mit den neuen Maßnahmen fortsetzen, das wiederum mehr Daten für den nächsten Zyklus generiert.
What is the learning analytics reference model (Chatti et al., 2012)? Explain the four dimensions of the reference model and give examples and challenges for each dimension.
Das learning analytics reference model von Chatti et al. (2012) unterteilt Lernanalysen in vier Dimensionen um es besser zu strukturieren: Was?, Warum?, Wie? und Wer?. Im Bereich “Was?” geht es um die Erfassung von Daten aus verschiedenen Lernumgebungen und deren Kontext, mit Herausforderungen wie Big Data-Problematiken, verschiedenen Datenformaten und Datenschutz. “Warum?” bezieht sich auf die Ziele der Lernanalysen, etwa die Verbesserung der Lernumgebung, Unterstützung des Lern und Lehrprozesses und Vorhersage von Studendenperformance, mit dem Bedarf an aussagekräftigen Indikatoren und Metriken. “Wie?” betrachtet Methoden wie Statistik, Informationsvisualisierung und Data Mining zur Analyse und Darstellung von Lerninteraktionen, wobei Design, Benutzerfreundlichkeit und Integration in TEL-Systemen die Herausforderungen sind. Schließlich bezieht sich “Wer?” auf die Stakeholder wie Datenanbieter, Datenkunden und Forscher, mit Herausforderungen im Datenschutz und Privatsphäre.
Das Lernanalysen-Referenzmodell von Chatti et al. (2012) stellt eine Strukturierung von Lernanalysen in vier wesentlichen Dimensionen dar: Was?, Warum?, Wie? und Wer? Bei der Dimension “Was?” geht es um die Aspekte der Daten, Umgebungen und Kontexte, in denen Lernanalysen angewendet werden. Hierbei werden Datenquellen wie geschützte Daten, sensorische Daten und Open Source Data genutzt, die sowohl aus zentralisierten Bildungssystemen als auch aus verteilten Lernumgebungen stammen können. Diese Dimension wirft Herausforderungen wie die Bewältigung von Big Data-Problematiken, Datenschutz und die Verwaltung verschiedener Datenformate auf.
Die Dimension “Warum?” betrachtet die Zielsetzung der Lernanalysen, beispielsweise zur Verbesserung der Lernumgebung durch Monitoring und Analyse, oder zur Unterstützung des Lernprozesses durch Tutoring und Mentoring. Eine besondere Herausforderung hierbei ist die Entwicklung von aussagekräftigen Indikatoren und Metriken, die über herkömmliche Noten hinausgehen, sowie die Förderung von lebenslangem Lernen durch polykontextuales Profiling.
Im Hinblick auf die Dimension “Wie?” stehen Methoden wie Statistik, Informationsvisualisierung und Data Mining im Fokus, um grundlegende Statistiken der Lernerinteraktion bereitzustellen, Informationen visuell darzustellen und nützliche Muster in den Daten zu entdecken. Hierbei gilt es, Herausforderungen wie Design und Benutzerfreundlichkeit, insbesondere für Nicht-Experten, sowie die Integration in Technology-Enhanced Learning (TEL)-Systemen zu meistern.
Die letzte Dimension “Wer?” bezieht sich auf die Stakeholder, die in Lernanalysen involviert sind. Dazu zählen Datenanbieter, also Personen, die durch ihr Interaktionsverhalten Daten liefern, Datenkunden als Empfänger dieser Informationen und Forscher bzw. Systemdesigner, die die Auswirkungen von TEL-Umgebungen untersuchen und Erfahrungen im Bereich Lernanalysen austauschen. Hier liegen die Herausforderungen insbesondere im Bereich des Datenschutzes, um Datenmissbrauch zu vermeiden und ein Vertrauensverhältnis zu schaffen.
