Im Zuge einer zunehmenden Digitalisierung der Hochschullehre gewinnt die Debatte um die Analyse der in diesem Zusammenhang produzierten Daten in jüngerer Zeit stetig an Relevanz. Durch die Analyse des digital dokumentierten Lernverhaltens, bekannt unter dem Begriffspaar "Learning Analytics" (Mattox, Martin & Van Buren 2016), erscheint die Angabe zuverlässiger Information bzgl. dem Lernerfolg der Studierenden just in time möglich. Im Rahmen des Vortrags loten wir diese vielversprechenden Perspektiven anhand von Daten aus, die wir im Kontext der Einführungsveranstaltung in die Mathematikdidaktik an der PH Karlsruhe erheben konnten. Da die Lehrveranstaltung nach einem eigens entwickelten Blended Learning Konzept durchgeführt wurde (vgl. Mundt & Hartmann 2015, 2016 und Hoyer & Mundt 2014, 2016), konnten wir auf vergleichsweise detaillierte Daten zurückgreifen. Das ermöglicht uns die Rekonstruktion differenter Lernprofile, auf deren Grundlage Aussagen über den Studienerfolg möglich werden. Erste Befunde sollen abschließend zur Diskussion gestellt werden.

1. LEARNING ANALYTICS MEETS
MATHEMATICS TEACHER EDUCATION
Fabian Mundt, M.A. & Prof. Dr. Mutfried Hartmann
Digital geschärfte Einblicke in das Lernverhalten
zu Beginn des Lehramtsstudiums

2. Agenda
1 Learning Analytics
2 Situation vor Ort
4 Einsichten
3 Analysestrategie

3. 1

4. »Learning Analytics is the measurement, collection,
analysis and reporting of data about learners and
their contexts, for purposes of understanding and
optimising learning and the environments in which
it occurs.«
(1st International Conference on Learning Analytics and Knowledge, 2010)
Definition
1

5. Herausforderungen
‣ Daten abrufen
‣ Datenschutz (interne vs. externe Dienste)
Dem Sammeln von Daten ist nicht grenzenlos möglich.
‣ Schnittstellen
Häufig ermöglichen die gängigen LMS nur oberflächliche Statistiken.
‣ Daten analysieren
‣ Datenmenge
In einem Semester fallen schnell große Mengen an Daten an.
‣ Analyseverfahren (»Smart Data«)
Die zielführende Exploration großer Datenmengen ist herausfordernd
1

6. Didaktischer Mehrwert
‣ Schwächen im Lernmaterial erkennen und
beheben
‣ Akzeptanz und Nutzung des Lehr-Lern-
Settings nachvollziehen
‣ Lernverhalten sichtbar machen
‣ Typische Lernprofile identifizieren
‣ Selbstkontrolle anbieten
1

7. 2
®

8. e:t:p:M® Konzeptschema
2

9. montags Weihnachten
alle Inhalte freigeschaltet
e:t:p:M® Interaktionsdaten
2

10. 1% 3% 5%
26%
42%
24%
0
20
40
60
trifftüberhauptnichtzutrifftkaum
zu
trifftteilw
eise
nichtzu
trifftteilw
eise
zu
trifftw
eitgehend
zu
trifftvollzu
(n = 158)
Das eigenverantwortliche Lernen wird durch das
Gesamtkonzept gefördert.
9%
5%
9%
23%
28%
26%
0
10
20
30
trifftüberhauptnichtzutrifftkaum
zu
trifftteilw
eise
nichtzu
trifftteilw
eise
zu
trifftw
eitgehend
zu
trifftvollzu
(n = 151)
Die online-Lektionen zusammen mit den Plenums-
veranstaltungen und Begleitseminaren bevorzuge
ich im Vergleich zu einer herkömmlichen
Präsenz-Vorlesung mit ca. 300–400 Studierenden.
https://etpm-dev.ph-karlsruhe.de/etpm-evaluation/
e:t:p:M® Umfragedaten
2

11. ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
Analysestrategie
3

12. Analysestrategie
3
Umfragedaten Interaktionsdaten
‣ individualisiert
‣ partikulär
‣ kategorial
‣ individualisiert
‣ vollständig
‣ metrisch
➡ integrative geometrische Modellierung

13. Geometrische Datenanalyse
3
Datentabelle
Variablen
Individuen
Punktwolken
Wolke der Variablen
Wolke der Individuen
i a b c
a
b
c
i
Punkte repräsentieren
Kategorien (kategorial)
oder Variablen (metrisch)
Punkte repräsentieren
Individuen
(kategorial & metrisch)
(vgl. Le Roux 2014; Husson et al. 2017)

14. 4
Einsichten

15. Interaktionsanalysen
4

16. Beispiel: Erziehungswissenschaft
4

17. Multiple Korrespondenzanalyse
‣ Zusammenhänge zwischen 9 Variablen
‣ Bewertung einer online-Lektion [5 kategorial]
(Gestaltung, Struktur, Anspruch, Umfang, Interesse)
‣ Interaktion mit einer online-Lektion [4 metrisch]
(Anspielungen, Pausen, Sprünge, Gesamtdauer)
4

18. 4

19. 4

20. 4

21. 4

22. Beispiel: Arithmetik I
4

23. Multiple Korrespondenzanalyse
‣ Zusammenhänge zwischen 12 Variablen
Die metrischen Variablen wurden als ordinal umkodiert.
‣ Dauer [2 kategorial]
(App gesamt, Besuch Durchschnitt)
‣ Web-App Interaktion [5 kategorial]
(Besuche gesamt, Klicks gesamt, Events gesamt,
Videoevents gesamt, Events Durchschnit)
‣ Videointeraktion [5 kategorial]
(Abspielungen, Pausen, Springen, Fähnchen, Geschwindigkeit)
4

24. ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
4

25. 4

26. 4

27. 4

28. 4

29. 4

30. 4

31. ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
HIERARCHISCHE
CLUSTERANALYSE der
Koordinaten der Individuen
Hier ggf. auch das Konzept der
KONZENTRATIONSELLIPSE benennen.
Nicht mit dem inferenzstatistischen
Konzept der Konfidenzellipse
verwechseln!
4

32. ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
Bezeichnung im Rahmen der Multiplen
Korrespondenzanalyse:
STRUKTURIERENDE FAKTOREN
Weil sie durch Klassifikation der Individuen den
konstruierten Raum strukturieren.
4

33. ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
4

34. !
Prof. Dr. Mutfried Hartmann
mutfried.hartmann@ph-karlsruhe.de
Fabian Mundt, M.A.
fabian.mundt@ph-karlsruhe.de