E-Book, Deutsch, 254 Seiten
Mai / Crane / Bezbradica Educational Data Mining und Learning Analytics
2023
ISBN: 978-3-658-39607-7
Verlag: Springer
Format: EPUB
Kopierschutz: 6 - ePub Watermark
Ein maschinell generierter Forschungsüberblick
E-Book, Deutsch, 254 Seiten
ISBN: 978-3-658-39607-7
Verlag: Springer
Format: EPUB
Kopierschutz: 6 - ePub Watermark
Das Buch bietet einen umfassenden Überblick über den neuesten Stand der Forschung auf dem Gebiet des Data Mining im Bildungswesen und seiner Anwendungen. Es richtet sich an ein Publikum mit unterschiedlichem Hintergrund von Informatiker:innen bis zu Bildungsphilosoph:innen.
Dr. Tai Tan Mai ist derzeit Assistenzprofessor an der School of Computing, Dublin City University, Irland. Er promovierte an der gleichen Einrichtung und erhielt vom irischen Forschungsrat renommierte Forschungsstipendien. Zu seinen Forschungsinteressen gehören Data Mining, Learning Analytics, Process Mining und komplexe Systeme.
Prof. Martin Crane ist Schulleiter und Professor an der School of Computing, Irland. Er ist Mitautor von etwa 75 begutachteten wissenschaftlichen Artikeln, Zeitschriften- und Buchbeiträgen und hat seine Arbeit auf internationalen Konferenzen vorgestellt. Während seiner 20-jährigen Forschungstätigkeit bei Hitachi und DCU war er PI bei extern finanzierten Projekten mit einem Gesamtwert von 1,5 Millionen Euro. Er betreute 14 Doktorarbeiten und 2 Forschungsmaster bis zum Abschluss, wobei 5 primär betreute Doktorarbeiten in Arbeit sind. Zu seinen Forschungsgebieten gehören Learning Analytics, Quantitative Finance und Komplexe Systeme.
Dr. Marija Bezbradica ist Assistenzprofessorin an der School of Computing, Dublin City University, Irland. Ihre Forschungsgebiete sind interdisziplinär und umfassen komplexe Systeme, prädiktive und verhaltensorientierte Analytik in den Bereichen FinTech, Smart Cities, e-Health, Bildung, angewandte Mathematik und Hochleistungsrechnen. Sie ist Mitautorin von über 40 begutachteten wissenschaftlichen Artikeln, Zeitschriften- und Buchbeiträgen und hat ihre Arbeit auf internationalen Konferenzen vorgestellt. Marija hat eine Reihe von Doktoranden und Masterstudenten bis zum Abschluss betreut und hat nationale und internationale Zuschüsse von Einrichtungen wie der Europäischen Union (H2020MSCA-ITN-2017), SFI/FinTech Fusion, IRC und Enterprise Ireland erhalten.
Autoren/Hrsg.
Weitere Infos & Material
1;Vorwort;5
2;Inhaltsverzeichnis;7
3;1: Aktuelle Erkenntnisse aus der Literatur zu Data Mining und Learning Analytics im Bildungsbereich;8
3.1;Einführung;8
3.2;Beitrag 1.1: Systematic review of research on artificial intelligence applications in higher education – where are the educators?;11
3.2.1;Kurzfassung – Zusammenfassung;11
3.2.2;Einführung;11
3.2.3;Künstliche Intelligenz in der Bildung;12
3.2.4;Methode;12
3.2.5;Ergebnisse;13
3.2.6;Schlussfolgerungen und Implikationen für die weitere Bildungsforschung;13
3.2.7;Danksagung;14
3.3;Beitrag 1.2: Automatic learning styles prediction: a survey of the State-of-the-Art (2006–2021));14
3.3.1;Kurzfassung – Zusammenfassung;14
3.3.2;Einführung;14
3.3.3;Methodik der Forschung;15
3.3.4;Lernstilvorhersage;15
3.3.5;Literaturgestützte Methoden;15
3.3.6;Datengesteuerte Methoden;16
3.3.7;Offline-Auswertung;16
3.3.8;Online-Bewertung;17
3.3.9;Bewertungsdaten, Kontext und Umfang;17
3.3.10;Herausforderungen bei der Vorhersage;18
3.3.11;Forschungsrichtungen;19
3.3.12;Schlussfolgerung;19
3.3.13;Danksagung;20
3.4;Beitrag 1.3: MOOCs: Origins, Concept and Didactic Applications: A Systematic Review of the Literature (2012–2019);20
3.4.1;Kurzfassung – Zusammenfassung;20
3.4.2;Einleitung und Problemstellung;20
3.4.3;Methode;21
3.4.4;Ergebnisse;21
3.4.5;Diskussion;21
3.4.6;Schlussfolgerungen und zukünftige Forschung;22
3.4.7;Danksagung;22
3.5;Beitrag 1.4: Student success prediction in MOOCs;23
3.5.1;Kurzfassung – Zusammenfassung;23
3.5.2;Einführung;23
3.5.3;Vorhersage des studentischer Erfolgs in MOOC;24
3.5.4;Vorhersagemodelle für den Lernerfolg in MOOC: eine funktions-, ergebnis- und modellbasierte Taxonomie;24
3.5.5;Synthese: Trends bei Vorhersagemodellen für den Lernerfolg in MOOC;25
3.5.6;Methodische und Forschungslücken;25
3.5.7;Möglichkeiten für künftige Forschung;26
3.5.8;Schlussfolgerung;26
3.5.9;Danksagung;27
3.6;Beitrag 1.5: Student performance analysis and prediction in classroom learning: A review of educational data mining studies;27
3.6.1;Kurzfassung – Zusammenfassung;27
3.6.2;Einführung;27
3.6.3;Methodik;28
3.6.4;Analyse der Schülerleistungen;28
3.6.5;Vorhersage der Schülerleistungen;29
3.6.6;Diskussion;29
3.6.7;Schlussfolgerung;30
3.6.8;Danksagung;30
3.7;Beitrag 1.6. Vorhersage des Studienerfolgs in der Hochschulbildung: Literaturübersicht und bewährte Verfahren;30
3.7.1;Kurzfassung – Zusammenfassung;31
3.7.2;Einführung;31
3.7.3;Definition von akademischem Erfolg;31
3.7.4;Methodik der Überprüfung;32
3.7.5;Einflussfaktoren für die Vorhersage des akademischen Erfolgs;32
3.7.6;Data-Mining-Techniken zur Vorhersage des akademischen Erfolgs von Studenten;33
3.7.7;Data-Mining-Prozessmodell zur Vorhersage des Studienerfolgs;34
3.7.8;Schlussfolgerung;34
3.7.9;Danksagung;35
3.8;Beitrag 1.7. Ethische Fragen der Lernanalytik: ein Überblick über das Feld;35
3.8.1;Kurzfassung – Zusammenfassung;35
3.8.2;Einführung;36
3.8.3;Hintergrund;36
3.8.4;Methode;36
3.8.5;Ergebnisse;37
3.8.6;Diskussion;37
3.8.7;Schlussfolgerung und Forschungsmöglichkeiten;38
3.8.8;Danksagung;38
3.9;Literatur;38
4;2: Computerunterstütztes kollaboratives Lernen: Neueste Erkenntnisse über Tools zur Unterstützung der Lerndynamik in Gruppen;47
4.1;Einführung;47
4.2;Beitrag 2.1. Förderung der Regulierung der gleichberechtigten Teilnahme an der Online-Zusammenarbeit durch eine Kombination aus einem Gruppenbewusstseinstool und adaptiven Aufforderungen. Aber ist das überhaupt wichtig?;50
4.2.1;Kurzfassung – Zusammenfassung;50
4.2.2;Einführung;51
4.2.3;Methode;51
4.2.4;Ergebnisse;52
4.2.5;Diskussion;53
4.2.6;Schlussfolgerung und Möglichkeiten für künftige Forschung;53
4.2.7;Danksagung;54
4.3;Beitrag 2.2. Analyse des kollaborativen Lernens in sozialen Netzwerken im Bildungsbereich;54
4.3.1;Kurzfassung – Zusammenfassung;54
4.3.2;Einführung;54
4.3.3;Soziale Netzwerke und Bildung;55
4.3.4;Rahmenwerk;55
4.3.5;Studie über die ausgewählten sozialen Netzwerke;56
4.3.6;Feldstudie: ELSE;56
4.3.7;Einsatz und Erprobung;57
4.3.8;Schlussfolgerung und künftige Arbeiten;58
4.3.9;Danksagung;58
4.4;Beitrag 2.3. Unterstützung sozial geteilter Regulierung während des kollaborativen aufgabenorientierten Lesens;58
4.4.1;Kurzfassung – Zusammenfassung;59
4.4.2;Einführung;59
4.4.3;Methode;60
4.4.4;Messungen;61
4.4.5;Verfahren;61
4.4.6;Auswertungen;61
4.4.7;Ergebnisse;62
4.4.8;Diskussion;62
4.4.9;Danksagung;63
4.5;Beitrag 2.4. Interaktion beim computerunterstützten kollaborativen Lernen: eine Analyse der Implementierungsphase;63
4.5.1;Kurzfassung – Zusammenfassung;63
4.5.2;Einführung;63
4.5.3;Konzeptioneller Rahmen;64
4.5.4;Methodik;64
4.5.5;Ergebnisse;65
4.5.6;Diskussion;65
4.5.7;Schlussfolgerungen;66
4.5.8;Danksagung;66
4.6;Beitrag 2.5. Die studentische Wahrnehmung des Einflusses von Kahoot! auf das Lehren und Lernen;66
4.6.1;Kurzfassung – Zusammenfassung;66
4.6.2;Einführung;67
4.6.3;Hintergrund;67
4.6.4;Methoden;68
4.6.5;Ergebnisse;68
4.6.6;Diskussion;69
4.6.7;Schlussfolgerung;69
4.6.8;Danksagung;70
4.7;Beitrag 2.6. Lernen in digitalen Umgebungen: ein Modell für die kulturübergreifende Anpassung;70
4.7.1;Zusammenfassung;70
4.7.2;Einführung;70
4.7.3;Interkulturelle Projekte in digitalen Umgebungen;71
4.7.4;Kompetenzen und Fertigkeiten;72
4.7.5;Komponenten der Lernumgebung in kulturübergreifenden Projekten;72
4.7.6;Das Modell der kulturübergreifenden Anpassung;73
4.7.7;Wechselwirkungen zwischen den Komponenten des Modells;73
4.8;Implikationen und zukünftige Forschung;73
4.8.1;Danksagung;74
4.9;Beitrag 2.7. Räume für interaktives Engagement oder Technologie für differenzierte akademische Beteiligung? Google Groups für kollaboratives Lernen an einer südafrikanischen Universität;74
4.9.1;Kurzfassung – Zusammenfassung;74
4.9.2;Einführung;75
4.9.3;Literaturübersicht;76
4.9.4;Theoretischer Rahmen;76
4.9.5;Methodik;77
4.9.6;Präsentation der Ergebnisse und Diskussion;77
4.9.7;Schlussfolgerung;78
4.9.8;Danksagung;78
4.10;Beitrag 2.8. AMOEBA: Gestaltung der Zusammenarbeit im Informatikunterricht durch Live-Learning-Analytics;78
4.10.1;Kurzfassung – Zusammenfassung;78
4.10.2;Ko-konstruktivistische Gestaltungsprinzipien für die Orchestrierung des CS-Unterrichts (C3P);79
4.10.3;CS-ZPD: Operationalisierung unserer Gestaltungsprinzipien;79
4.10.4;Zusammenarbeit im Mining;80
4.10.5;Einsteigerprogrammierumgebungen;80
4.10.6;AMOEBA;81
4.10.7;Forschungsfragen;81
4.10.8;Methoden;81
4.10.9;Ergebnisse;82
4.10.10;Diskussion;82
4.10.11;Schlussfolgerung;83
4.10.12;Danksagung;83
4.11;Literatur;83
5;3: Computergestütztes selbstreguliertes und personalisiertes Lernen: Forschung zur Unterstützung des Lerntempos von Schülern;90
5.1;Einführung;90
5.2;Beitrag 3.1. Selbstregulierende Verhaltensprofile von Erwachsenen in gemischten Lernumgebungen und ihre Implikationen für die Gestaltung;93
5.2.1;Kurzfassung – Zusammenfassung;94
5.2.2;Einführung;94
5.2.3;Methode;94
5.2.4;Ergebnisse;95
5.2.5;Schlussfolgerungen und Diskussion;95
5.2.6;Danksagung;96
5.3;Beitrag 3.2. Die Einstellung von Hochschulstudenten zum Online-Lernen und ihre Absicht, Online-Kurse zu belegen: eine Perspektive des selbstgesteuerten Lernens;96
5.3.1;Kurzfassung – Zusammenfassung;96
5.3.2;Einführung;96
5.3.3;Literaturübersicht;97
5.3.4;Forschungsmethoden;97
5.3.5;Ergebnisse;98
5.3.6;Diskussion;98
5.3.7;Beschränkungen;99
5.3.8;Schlussfolgerungen;99
5.3.9;Danksagung;100
5.4;Beitrag 3.3. Aufdeckung von Schülerlernprofilen mit einem Video-Annotationstool: Reflektiertes Lernen mit und ohne Unterrichtsnormen;100
5.4.1;Kurzfassung – Zusammenfassung;100
5.4.2;Einführung;100
5.4.3;Methode;101
5.4.4;Ergebnisse;102
5.4.5;Interpretation und Diskussion von Clustern: Forschungsfrage 1;102
5.4.6;Diskussion von Verhaltensmustern in verschiedenen Kursen: Forschungsfragen 2 und 3;102
5.4.7;Auswirkungen auf die Praxis;103
5.4.8;Auswirkungen auf die Forschung;103
5.4.9;Danksagung;104
5.5;Beitrag 3.4. Untersuchung des zeitlichen Zugangs in einem Flipped Classroom: Prokrastination bleibt bestehen;104
5.5.1;Kurzfassung – Zusammenfassung;104
5.5.2;Einführung;104
5.5.3;Verwandte Arbeiten;105
5.5.4;Der Kurs;105
5.5.5;Methodik;106
5.5.6;Ergebnisse;106
5.5.7;Diskussion;107
5.5.8;Schlussfolgerung und zukünftige Arbeit;107
5.5.9;Danksagung;108
5.6;Beitrag 3.5. Eine Untersuchung von Persönlichkeitsmerkmalen als Prädiktor für den Einsatz von Strategien des selbstregulierten Lernens: Strategien und Überlegungen für den Online-Unterricht;108
5.6.1;Kurzfassung – Zusammenfassung;108
5.6.2;Einführung;109
5.6.3;Literaturübersicht;109
5.6.4;Selbstgesteuertes Lernen in Online-Umgebungen;110
5.6.5;Zweck der Studie;110
5.6.6;Methode;111
5.6.7;Quantitative Ergebnisse;111
5.6.8;Qualitative Ergebnisse;112
5.6.9;Diskussion;112
5.6.10;Schlussfolgerung;113
5.6.11;Danksagung;113
5.7;Beitrag 3.6. Learning Analytics zur Aufdeckung von Zusammenhängen zwischen Lerndesign und selbstgesteuertem Lernen;113
5.7.1;Kurzfassung – Zusammenfassung;113
5.7.2;Einführung;114
5.7.3;Hintergrund;114
5.7.4;Methode;115
5.7.5;Ergebnisse;116
5.7.6;Diskussion;116
5.7.7;Schlussfolgerung und zukünftige Arbeit;116
5.7.8;Danksagung;117
5.8;Beitrag 3.7. Eine empirische Untersuchung der Antezedenzien von lernerzentrierten Ergebnismessungen in MOOC;117
5.8.1;Kurzfassung – Zusammenfassung;117
5.8.2;Einführung;118
5.8.3;Prädiktoren für die Zufriedenheit der Lernenden und für die Erfüllung der Absichten;118
5.8.4;Methode;119
5.8.5;Analyse der Daten;119
5.8.6;Ergebnisse;120
5.8.7;Diskussion;120
5.8.8;Schlussfolgerungen;121
5.8.9;Danksagung;121
5.9;Beitrag 3.8. Gleichheit der Lernchancen durch individuelle Fairness bei personalisierten Empfehlungen;121
5.9.1;Kurzfassung – Zusammenfassung;121
5.9.2;Einführung;122
5.9.3;Verwandte Arbeiten;123
5.9.4;Problemformulierung;123
5.9.5;Explorative Analyse;124
5.9.6;Optimierung der Gleichheit der Lernmöglichkeiten;124
5.9.7;Schlussfolgerungen;125
5.9.8;Danksagung;125
5.9.9;Fallstudien;125
5.10;Beitrag 3.9. Video-Annotation und -Analyse in CourseMapper;125
5.10.1;Kurzfassung – Zusammenfassung;126
5.10.2;Einführung;126
5.10.3;Grenzen und Herausforderungen des Video-basierten Lernens;126
5.10.4;Verwandte Arbeiten;127
5.10.5;CourseMapper-Entwurf;127
5.10.6;CourseMapper-Implementierung;128
5.10.7;Bewertung;128
5.10.8;Schlussfolgerung und künftige Arbeiten;129
5.10.9;Danksagung;129
5.11;Beitrag 3.10. Verbesserung von E-Learning-Systemen mit personalisierten Empfehlungen auf der Grundlage kollaborativer Tagging-Techniken;129
5.11.1;Kurzfassung – Zusammenfassung;130
5.11.2;Einführung;130
5.11.3;Kurze Literaturübersicht;130
5.11.4;Anwendung von Tag-basierten Empfehlungssystemen auf E-Learning-Umgebungen;131
5.11.5;Experimentelle Forschung;131
5.11.6;Schlussfolgerungen und künftige Richtungen;132
5.11.7;Danksagung;132
5.12;Literatur;132
6;4: Computergestütztes Tutoring: Einblicke in die Art und Weise, wie Maschinen Studierenden helfen können, Fortschritte zu machen;139
6.1;Einführung;139
6.2;Beitrag 4.1. Personalisierung von Algebra an die individuellen Interessen der Schüler in einem intelligenten Tutorsystem: Moderatoren der Wirkung;142
6.2.1;Kurzfassung – Zusammenfassung;142
6.2.2;Einführung;143
6.2.3;Theoretischer Rahmen;143
6.2.4;Methoden;144
6.2.5;Ergebnisse;145
6.2.6;Diskussion;145
6.2.7;Auswirkungen;146
6.2.8;Schlussfolgerung;146
6.2.9;Danksagung;146
6.3;Beitrag 4.2. Die Auswirkung von spielähnlichen Funktionen auf das Lernen mit einem intelligenten Tutorsystem;147
6.3.1;Kurzfassung – Zusammenfassung;147
6.3.2;Einführung;147
6.3.3;Versuch 1;148
6.3.4;Versuch 2;148
6.3.5;Allgemeine Diskussion;149
6.3.6;Danksagung;149
6.4;Beitrag 4.3. Multiple Agentendesigns in intelligenten konversationellen Tutorsystemen;150
6.4.1;Kurzfassung – Zusammenfassung;150
6.4.2;Einführung;150
6.4.3;Intelligente konversationelle Lernsysteme;151
6.4.4;MACITS-Entwürfe;152
6.4.5;Implementierungen von Multi-Agenten-Designs;152
6.4.6;Zukünftige Richtungen;152
6.4.7;Diskussion;153
6.4.8;Danksagung;153
6.5;Beitrag 4.4. Automatisierte Erkennung von abschweifenden Blicken beim computergestützten Lernen im Klassenzimmer;154
6.5.1;Kurzfassung – Zusammenfassung;154
6.5.2;Einführung;154
6.5.3;Hintergrund und verwandte Arbeiten;155
6.5.4;Studie 1: Machbarkeit von COTS Eye Tracking im Klassenzimmer;155
6.5.5;Studie 2: Erkennung von Gedankenwanderung (Offline-Modell);156
6.5.6;Studie 3: Cross-Training von Detektoren zwischen Labor und Klassenzimmer;156
6.5.7;Studie 4: Multimodale Erkennung von Gedankenwanderung anhand von Blicken und Videos;157
6.5.8;Studie 5: Erkennung von geistigem Umherschweifen im Klassenzimmer in Echtzeit (Online-Modell);157
6.5.9;Allgemeine Diskussion;158
6.5.10;Danksagung;158
6.6;Beitrag 4.5. Nachlässigkeit und Affekt in einem intelligenten Tutorsystem für Mathematik;158
6.6.1;Kurzfassung – Zusammenfassung;158
6.6.2;Einführung;159
6.6.3;Methode;159
6.6.4;Untersuchung des Verhältnisses zwischen Unachtsamkeit und Affekt;160
6.6.5;Diskussion und Schlussfolgerung;160
6.6.6;Danksagung;161
6.7;Beitrag 4.6. AutoTutor und Familie: Ein Rückblick auf 17 Jahre Natural Language Tutoring;161
6.7.1;Kurzfassung – Zusammenfassung;161
6.7.2;Einführung;161
6.7.3;Die Begründung für AutoTutor: Nachhilfe durch Diskurs;162
6.7.4;Vom Menschen inspirierte Nachhilfestrategien;163
6.7.5;Pädagogische Hilfsmittel und ergänzende Medien;163
6.7.6;AutoTutor-Technologien: Semantische Analyse, Authoring und Bereitstellung;164
6.7.7;Diskussion: Die wichtigsten Ergebnisse von AutoTutor;164
6.7.8;Zukünftige Richtungen;165
6.7.9;Danksagung;165
6.8;Beitrag 4.7. ElectronixTutor: ein intelligentes Tutorsystem mit mehreren Lernressourcen für Elektronik;165
6.8.1;Kurzfassung – Zusammenfassung;166
6.8.2;Hintergrund;166
6.8.3;Ergebnisse;167
6.8.4;Intelligentes Tutorsystem – Lernressourcen;167
6.8.5;Schlussfolgerungen;168
6.8.6;Danksagung;168
6.9;Literatur;168
7;5: Computergestütztes prädiktives Lernen: Einige neuere Methoden zur Vorhersage des Lernerfolgs;173
7.1;Einführung;173
7.2;Beitrag 5.1. Multisplit-optimierte Bagging-Ensemble-Modellauswahl für Multi-Klassen-Data-Mining im Bildungsbereich;177
7.2.1;Kurzfassung – Zusammenfassung;177
7.2.2;Einführung;177
7.2.3;Verwandte Arbeiten und Einschränkungen;178
7.2.4;Beitrag zur Forschung;178
7.2.5;Beschreibung des Datensatzes und der Zielvariablen;179
7.2.6;Beschreibung der Metriken zur Leistungsbewertung;179
7.2.7;Methodik;180
7.2.8;Machine-Learning-Parametereinstellung und Anwendung;180
7.2.9;Experimentelle Ergebnisse und Diskussion;181
7.2.10;Schlussfolgerung, Forschungsgrenzen und künftige Arbeiten;181
7.2.11;Danksagung;182
7.3;Beitrag 5.2. Einsatz von maschinellem Lernen zur Vorhersage von Studierendenschwierigkeiten anhand von Lernsitzungsdaten;182
7.3.1;Kurzfassung – Zusammenfassung;182
7.3.2;Einführung;183
7.3.3;Problemformulierungen;183
7.3.4;Materialien und Methoden;184
7.3.5;Ergebnisse und Diskussion;184
7.3.6;Schlussfolgerungen;185
7.3.7;Danksagung;185
7.4;Beitrag 5.3. Hybridisierung von clusterbasierter LDA und ANN zur Vorhersage von Schülerleistungen und Bewertung von Kommentaren;185
7.4.1;Kurzfassung – Zusammenfassung;185
7.4.2;Einführung;186
7.4.3;Verwandte Arbeiten;186
7.4.4;Datenanalyse und Methodik;187
7.4.5;Leistungsanalyse und Ergebnisse;187
7.4.6;Diskussion;188
7.4.7;Schlussfolgerung und künftiger Anwendungsbereich;188
7.4.8;Danksagung;189
7.5;Beitrag 5.4. Ein zweistufiger Ansatz für maschinelles Lernen zur Vorhersage von Schülerleistungen;189
7.5.1;Kurzfassung – Zusammenfassung;189
7.5.2;Einführung;189
7.5.3;Hintergrund;190
7.5.4;Bedeutung der Studie;190
7.5.5;Der EDUC8-Rahmen;191
7.5.6;Überblick über den Ansatz;192
7.5.7;Methodik;192
7.5.8;Experimentelle Ergebnisse;192
7.5.9;Vergleichende Analyse;193
7.5.10;Beschränkungen;193
7.5.11;Schlussfolgerungen;193
7.5.12;Danksagung;194
7.6;Beitrag 5.5. Evaluierung des Einflusses von zuvor geforderten Scaffolding-Items auf die Verbesserung der Vorhersage von Schülerleistungen;194
7.6.1;Kurzfassung – Zusammenfassung;194
7.6.2;Einleitung und Notationen;195
7.6.3;Literaturübersicht;195
7.6.4;Methodik;196
7.6.5;Ergebnisse und Diskussion;197
7.6.6;Schlussfolgerung und künftiger Anwendungsbereich;197
7.6.7;Danksagung;197
7.7;Beitrag 5.6. Ein prädiktives Modell zur Identifizierung von Lernstilen in MOOC-Umgebungen;198
7.7.1;Kurzfassung – Zusammenfassung;198
7.7.2;Einführung;198
7.7.3;Literaturübersicht;198
7.7.4;Prädiktives Modell zur Identifizierung von Lernstilen: Überblick über die vorgeschlagene Methode;199
7.7.5;Datensatz und Datenvorverarbeitung;199
7.7.6;Unüberwachte Modellierung;200
7.7.7;Aggregationsprozess;200
7.7.8;Überwachte Modellierung;201
7.7.9;Ergebnisse und Diskussion;201
7.7.10;Schlussfolgerung;202
7.7.11;Danksagung;202
7.8;Beitrag 5.7. Vorhersage von Risikoschülern anhand von Internetzugangsprotokollen;202
7.8.1;Kurzfassung – Zusammenfassung;203
7.8.2;Einführung;203
7.8.3;Verwandte Arbeiten;203
7.8.4;Datensatz;204
7.8.5;Vorverarbeitung;205
7.8.6;Methodik;205
7.8.7;Experimente und Diskussion;206
7.8.8;Schlussfolgerung;206
7.8.9;Danksagung;207
7.8.10;Fallstudien;207
7.9;Beitrag 5.8. Erkennung gefährdeter Studierender in Programmierkursen mithilfe von Lernanalysen aus den digitalen Fußabdrücken der Studierenden;207
7.9.1;Kurzfassung – Zusammenfassung;207
7.9.2;Einführung;208
7.9.3;Literaturübersicht;208
7.9.4;Der digitale Fußabdruck des Studierenden;209
7.9.5;Kontext;209
7.9.6;Prädiktive Modellierung;210
7.9.7;Automatisches und anpassungsfähiges Studierenden-Feedback bei der Peer-Programmierung;211
7.9.8;Ergebnisse;211
7.9.9;Schlussfolgerungen und künftige Arbeiten;212
7.9.10;Danksagung;212
7.10;Beitrag 5.9. Erfahrungen mit dem Einsatz eines adaptiven intelligenten Systems zur Verbesserung der Leistung von Online-Lernenden: eine Fallstudie in Wirtschaftskursen;212
7.10.1;Kurzfassung – Zusammenfassung;213
7.10.2;Einführung;213
7.10.3;Methodik;214
7.10.4;Ergebnisse;214
7.10.5;Schlussfolgerungen, Grenzen und zukünftige Forschung;215
7.10.6;Danksagung;215
7.11;Beitrag 5.10. Verbesserung des Bewertungsprozesses von Leistungen von Studierenden durch den Einsatz einer Software zur Entscheidungsunterstützung;215
7.11.1;Kurzfassung – Zusammenfassung;215
7.11.2;Einführung;216
7.11.3;Verwandte Studien;216
7.11.4;Methodik;217
7.11.5;DSS-PSP: Software zur Entscheidungsunterstützung;218
7.11.6;Schlussfolgerungen;218
7.11.7;Danksagung;219
7.12;Literatur;219
8;6: Ethik und Datenschutz für Learning Analytics: Forschung in einem neuen und schnell wachsenden Bereich;223
8.1;Einführung;223
8.2;Beitrag 6.1. Das Panoptikum der Hochschulbildung? Learning Analytics, Ethik und studentisches Engagement;225
8.2.1;Kurzfassung – Zusammenfassung;225
8.2.2;Einführung;226
8.2.3;Progression, Bindung und Ideen für Engagement;226
8.2.4;Analytik, MOOC und studentisches Engagement;227
8.2.5;Analytik und Ethik;227
8.2.6;Die Interessen der Studenten;228
8.2.7;Konsequenzen für politische Entscheidungsträger;228
8.2.8;Danksagung;229
8.3;Beitrag 6.2. Mein Ausgangspunkt für Analytics ist „extreme Skepsis“: Implikationen aus einer Untersuchung der Learning-Analytics-Perspektiven und -Gestaltungspraktiken von Hochschullehrern;229
8.3.1;Kurzfassung – Zusammenfassung;229
8.3.2;Einführung;229
8.3.3;Hintergrund;230
8.3.4;Methodik;231
8.3.5;Erkenntnisse;231
8.3.6;Diskussion und Implikationen;232
8.3.7;Beschränkungen;232
8.3.8;Schlussfolgerung;233
8.3.9;Danksagung;233
8.4;Beitrag 6.3. Das Lernen wieder in die Learning analytics integrieren: Maßnahmen für politische Entscheidungsträger, Forscher und Praktiker;233
8.4.1;Kurzfassung – Zusammenfassung;234
8.4.2;Einführung;234
8.4.3;Hintergrund;235
8.4.4;Delphi-Studie;235
8.4.5;Diskussion;236
8.4.6;Schlussfolgerungen;236
8.4.7;Danksagung;237
8.5;Beitrag 6.4. Learning analytics unter ethischen Gesichtspunkten betrachten;237
8.5.1;Kurzfassung – Zusammenfassung;237
8.5.2;Einführung und Hintergrund;237
8.5.3;Methodik;238
8.5.4;Erkenntnisse;239
8.5.5;Diskussion;240
8.5.6;Beschränkungen;240
8.5.7;Schlussfolgerung;240
8.5.8;Danksagung;241
8.6;Beitrag 6.5. Sind wir auf dem Weg zu einer „Helikopter-Universität“? Ansichten von Akademikern zu Learning Analytics;241
8.6.1;Kurzfassung – Zusammenfassung;241
8.6.2;Einführung;242
8.6.3;Methode;242
8.6.4;Erkenntnisse;242
8.6.5;Diskussion;243
8.6.6;Danksagung;243
8.7;Beitrag 6.6. Lernanalytik und Hochschulbildung: ein vorgeschlagenes Modell für die Einführung von Mechanismen der informierten Zustimmung zur Förderung der Privatsphäre und Autonomie der Studierenden;243
8.7.1;Kurzfassung – Zusammenfassung;244
8.7.2;Einführung;244
8.7.3;Big Data und Hochschulbildung;244
8.7.4;Learning Analytics und Privatsphäre als Kontrolle über die eigenen Daten und Informationen;245
8.7.5;Weitergabe und Verwendung von Daten ohne Zustimmung der Studierenden;245
8.7.6;Aufbau eines Modells für die informierte Zustimmung zu Learning Analytics;246
8.7.7;Schlussfolgerung;246
8.7.8;Danksagung;247
8.7.9;Fallstudien;247
8.8;Beitrag 6.7. Anwendung von Learning Analytics auf die Wissenschaft des Lehrens und Lernens;247
8.8.1;Kurzfassung – Zusammenfassung;247
8.8.2;Einführung;248
8.8.3;Verwendung von Learning Analytics;248
8.8.4;Die Wissenschaft des Lehrens und Lernens;249
8.8.5;Learning Analytics;249
8.8.6;Studentenerhalt, Erfolg und SoTL;250
8.8.7;Akademische Fragen und Beziehung zu SoTL;250
8.8.8;Fallstudie – Australisches Programm zur Unterstützung indigener Sprachen;251
8.8.9;Schlussfolgerung;251
8.8.10;Danksagung;252
8.9;Literatur;252
