Einsatz von Social Networks Analysis im E-Learning
•
0 gefällt mir•1,376 views
Ein Bild sagt mehr als 1000 Worte. Ansprechende Visualisierungen von Online-Netzwerken ermöglichen die Darstellung großer Datenmengen und das Erkennen von Zusammenhängen, die sonst vielleicht im Datenmaterial verloren gingen. Ich erläutere Grundlagen der Social Network Analysis, basierend auf meinem Lernprozess im MOOC „Social Network Analysis“ im Herbst 2014 (Coursera, Univ. of Michigan, Lada Adamic) und stelle Modelle und wichtige Parameter der Social Network Analysis vor sowie erste Erfahrungen mit der Anwendung dieser Visualisierungen auf meine Online-Gruppen.
Empfohlen
Weitere ähnliche Inhalte
Andere mochten auch
Andere mochten auch (19)
Ähnlich wie Einsatz von Social Networks Analysis im E-Learning
Ähnlich wie Einsatz von Social Networks Analysis im E-Learning (13)
Mehr von Jutta Pauschenwein
Mehr von Jutta Pauschenwein (20)
Einsatz von Social Networks Analysis im E-Learning
- 1. WS: Einsatz von Social Network Analysis ! ! 11.3.2015 ! Jutta Pauschenwein ZML-Innovative Lernszenarien FH JOANNEUM
- 2. 2
- 3. Trainingsgruppe - nach 10 Tagen 3
- 4. Agenda • Definitionen und Begriffe der Social Network Analysis • Visualisierungssoftware • Daten • Visualisierung von Online-Gruppen 4
- 5. 5 Coursera MOOC: 8 Wochen, Herbst 2014
- 6. ! Warum SNA? ! • Verstehen durch Visualisieren Definitionen • Netzwerk: Set von verbunden Knoten (sozial: durch Beziehungen verbunden) • Knoten: Personen, Orte … (nodes, actors, sites, vertices) • Verbindungen: Beziehungen (edges, ties, relations) • Netzwerke können als Graphen dargestellt werden 6
- 7. Fragen, Betrachtungsweisen Zur Netzwerkstruktur • Sind die Knoten miteinander verbunden? Wie weit sind sie voneinander entfernt? Sind einige Knoten wichtiger als andere? Gibt es im Netzwerk Communities? Formen von Netzwerken • Zufallsgenerierte oder bevorzugte Verbindungen, Kleine-Welt- Netzwerke 7
- 8. • Verbindungen im Netzwerk sind gerichtet/orientiert oder un-gerichtet • Die Verbindung kann ein „Gewicht“ haben. • Ein Knoten kann mehrere Verbindungen haben - Grad (degree) A kommuniziert mit B A kommuniziert mit B und umgekehrt A kommuniziert 4mal mit B Verbindungen 8 Kommunikation einer Studierendengruppe auf google+ 4 Tage
- 9. Erdős-Rényi Graph • einfaches Netzwerkmodell mit fixer Knotenanzahl • Annahme 1: Knoten verbinden sich zufällig • Annahme 2: Netzwerk ist ungerichtet • Annahme 3: N Knoten, M Verbindungen, p Wahrscheinlichkeit, dass sich zwei Knoten verbinden • es erscheinen keine „Hubs“ (sehr gut verbundene Knoten), aber „Giant Component“ 9
- 10. reale Netzwerke wachsen Erweiterungen des Erdős-Rényi Ansatzes • wachsende Netzwerke, etwa das WWW, Citation Network Modelle • Random Preferential: neue Knoten verbinden sich lieber mit gut vernetzten Knoten • Introduction Model: Knoten werden einander „vorgestellt“ • Static Geographic Model: Knoten verbinden sich mit den Nachbarn der mit ihnen verbundenen Knoten 10
- 11. Barabasi-Albert Modell • jeder Knoten verbindet sich mit anderen Knoten mit einer gewissen Wahrscheinlichkeit abhängig von seinem Grad (wie viele Verbindungen der Knoten selbst hat) • der Prozess startet mit einer Anfangskonfiguration • jeder neue Knoten kommt mit einer Möglichkeit von m Verbindungen zum Netzwerk 11
- 12. Zentralität / Centrality Welche Rolle spielen die Knoten im Netzwerk? wichtiger Parameter: average shortest path ! ! ! ! Freeman’s formula for centralization 12
- 13. 13 Degree Centrality - Grad-Zentralität Knoten mit hoher Grad-Zentralität sind aktive Player im Netzwerk, gut vernetzt
- 14. 14 Betweeness Centrality - Betweeness- Zentralität „Broker“ - über diesen Knoten läuft alle Kommunikation links nach rechts und umgekehrt Fällt dieser Knoten aus dem Netzwerk, bricht die Verbindung zusammen
- 15. 15 Closeness - Nähe Die Entfernung dieses Knoten zu allen anderen - es reicht nahe einem gut vernetzten Knoten (Hub) zu sein
- 16. 16 Eigenvector Centrality - Eigenvektor- Zentralität Ein Knoten ist umso wichtiger, je wichtiger seine Nachbarn sind.
- 17. Communities finden Was macht eine Community / Substruktur aus? • Es gibt viele Verbindungen innerhalb der Community • Jede/r andere ist nur ein paar Hops entfernt • Knoten derselben Community sind stark miteinander verbunden Auffinden von Communities ist schwierig, Anzahl der Communities unbekannt, kleine / große Communities • minimum cut: vorgeschriebene Anzahl von Gruppen, die möglichst wenig miteinander verbunden sind • hierarchisches Clustern: Clustern nach gewissen Eigenschaften • betweennes Clustering: Verbindungen mit höchster Betweenness werden gelöscht 17
- 18. 18 Problem: wann hört man auf, Verbindungen zu löschen? ! => Modularität - Vergleich, wie viele Verbindungen es innerhalb / außerhalb der Community gibt ! In einem Netzwerk wachsen die Verbindungen innerhalb eine Community, während sie zu Knoten außerhalb abnehmen http://spark-public.s3.amazonaws.com/sna/other/guess/betweennessclust.html
- 19. 19 3 Communities meiner FB-Freunde
- 20. Visualisierungssoftware Netlogo! • programmable modeling environment for simulating natural and social phenomena • Free, open source - cross-platform: runs on Mac, Windows, Linux, et al • https://ccl.northwestern.edu/netlogo Gephi! • interactive visualization and exploration platform for networks and complex systems, dynamic and hierarchical graphs. • Runs on Windows, Linux and Mac OS X. Gephi is open-source and free. • http://gephi.github.io/ 20
- 21. Visualisierung von Online- Gruppen: Daten Berufsbegleitend Studierende WS 14/15 4 Tage im November 2014 Google+ Händische Zuordnung 21 „Knoten“-Tabelle „Verbindungen“-Tabelle
- 22. „Nur“ vier Tage: Kommunikationsverhalten einzelner und der Gruppe Eine Person ist aktiver als die Lehrenden vorzeigen mit gephi 22
- 23. Visualisierung von Online- Gruppen Berufsbegleitend Studierende WS 14/15 3 Wochen Online-Sozialisierung Moodle - Interaktion: wer antwortet wem Interaktionen mit sich selbst wurden gelöscht 23 Knotengröße gemäß Grad / Degree ! Farbe gemäß Betweenness
- 24. Gleiche Gruppe Gesamter Austausch während eines Semesters 24 Knotengröße gemäß Grad / Degree ! Farbe gemäß Betweenness vorzeigen mit gephi
- 25. Gleiche Gruppe Gesamter Austausch während eines Semesters 25 4 Communities
- 26. Visualisierung von Online- Gruppen Trainingskurs 14/15 1 Semester Moodle - Interaktion: wer antwortet wem Interaktionen mit sich selbst wurden gelöscht 26 Knotengröße gemäß Grad / Degree ! Farbe gemäß Betweenness 2 Communities
- 27. Mein Fazit • Die SNA gibt mit eine neue Einsicht in meine Online- Gruppen (Broker, Communities), die ich allerdings noch nicht ganz verstehe …. • SNA hat ein großes Potential, ist jedoch auch recht komplex • Mit dem aktuellen Datenmaterial: weitere Beschäftigung mit den Optionen von Gephi • Zukunft: weitere Beschäftigung mit der Datengenerierung (etwa cope15 MOOC, Twitter, Facebook, Google+) 27