3. Stakeholders
W. Greller
2019
Workshop Learning Analytics
3
Wen würden Sie als STAKEHOLDER im Learning
Analytics Prozess bezeichnen?
Auch: Kommerzielle Service Provider und Automatisierte Agenten
können als Stakeholder/Data Clients fungieren.
Data Controller = Verwalter/Manager der Datenbank (muss nicht der
Data Client sein)
Prinzipiell 2 Typen:
- Data Subjects
- Data Clients
4. Data Subjects
W. Greller
2019
Workshop Learning Analytics
4
Unterliegen dem Datenschutz!
Klassisches Student – Lehrer Verhältnis basiert auf
konventionellem Vertrauen („learning contract“)
Zu beachten:
Gruppenaktivitäten oder Beobachtungsszenarien (im virtuellen
Klassenzimmer): Studentendaten auch für andere sichtbar.
5. Data Clients
W. Greller
2019
Workshop Learning Analytics
5
Sind die Nutznießer der LA Informationen.
Zu beachten:
Data Clients haben oft die „Obligation to act“
- das wirft auch ethische Fragen auf!
6. Sonderfall
W. Greller
2019
Workshop Learning Analytics
6
Data Subject = Data Client
• SRL oder Reflexive Szenarien
• Quantified Self
• Lehrerfolg spiegelt sich in Studierendenzahlen
(implizit)
7. Stakeholders
W. Greller
2019
Workshop Learning Analytics
7
Zur Identifikation von Stakeholdern müssen
wir die Zweckorientierung des LA Systems
und der LA Fragestellung kennen.
z.B. Lehr/Lernverbesserungen,
Personalentwicklung/Personalmanagement,
Studienfinanzierung, Kommerzielle Zwecke?
9. Learning Networks
W. Greller
2019
Workshop Learning Analytics
9
Neben klassischer Bildungshierarchie
auch andere Flow Modelle
• Peer Assessment
• Peer Netzwerke
• MOOCs
• Akademische Veröffentlichungsprozesse (double
blind peer reviews) – Reviewer feedback
Auch: Computer Agenten – Entscheidungen zugunsten des Lernenden
oder Event auslösen: Erinnerung, Lern-Empfehlung, etc.
10. Learning Analytics vs. Academic
Analytics
LA betrachtet den Lernprozess, AcA wendet Business Intelligence
Techniken an, mit dem Ziel “Werte” zu schaffen für die Institution,
Managers und Policy Makers (Long & Siemens, 2011)
W. Greller
2019
Workshop Learning Analytics
10
13. Ziele und Zweck
W. Greller
2019
Workshop Learning Analytics
13
Zwei wesentliche Ansätze:
• Reflexion über Stand der Dinge
• Vorhersagen, Prognosen, Zukunftshinweise,
Empfehlungen, Warnungen
15. Reflexion
W. Greller
2019
Workshop Learning Analytics
15
Wie können LA Daten reflexiv genutzt
werden?
• Status
• (Historische) Entwicklung – Lernfortschritt
• Synchrone Positionierung (Vergleich mit anderen
oder zu Lernzielen)
• Effizienzmessung
• Reflexion Amplifiers
17. Quantified Self
W. Greller
2019
Workshop Learning Analytics
17
• Selbstbeobachtung und Reaktion auf eigene Leistungsdaten,
z.B. Vokabeltestprogramm oder Zeitnehmung
• Meist genutzt für Handlungsänderungen: Rauchen,
Gewichtskontrolle, Fitness, Schlafmessung usw.
• Lerner nehmen Fortschritt und Erfolg selbst in die Hand
• Reflexion, Kontext und Instrumente sind entscheidend
18. Reflexion Amplifiers
W. Greller
2019
Workshop Learning Analytics
18
Reflexion Amplifiers sind fokussierte Dateninfos, die
zur Reflexion des eigenen Verhaltens oder Lernens
anregen sollen.
z.B. Apple Screen Time, Lerntagebuch, Feedback Loops
19. Reflexion Amplifiers
W. Greller
2019
Workshop Learning Analytics
19
Beispiel: Apple Screen Time
• Keine Wertung: Selbstevaluierung gefordert
• Keine Folgeaktion: Selbstreaktion gefordert
20. Dashboards
W. Greller
2019
Workshop Learning Analytics
20
• Keine Wertung: Selbstevaluierung gefordert
• Keine Folgeaktion: Selbstreaktion gefordert
Kann aber auch Reaktionen und Wertungen enthalten: z.B.
Klassendurchschnitt, Lernfort- oder Rückschritt
Folgeaktion kann über Mediator erfolgen (Lehrer/Lernhilfe/Intelligente
Systeme)
Meist über Visualisierung dargestellte Zusammenfassung kürzlicher
Aktivitäten. Meist als Reflexion Amplifier umgesetzt.
z.B. Forumbeiträge, Uploads, Quizergebnisse, Log-Zeiten
21. Vorhersagen
W. Greller
2019
Workshop Learning Analytics
21
Wo machen Learning Analytics Vorhersagen Sinn?
Empfehlungen (Recommender Systeme):
• Lernmaterialien
• Peers, Lernhilfe
• Lernpfad oder Lernaktivität
• Serendipitous Learning
Warnungen (Prognostics):
• Lernanschluss zu Kurs/Peers verloren
• Drop-Out Gefahr
• Psycho-Emotionale Extreme (Suizid?)
Wahrscheinlichkeit des Eintretens beachten: 90% (ggü Höhe des Risikos)
z.B.(1) 30% der Studis melden sich nach 3 Wochen vom Kurs ab
z.B.(2) 0,2% der Studis vertreten extremistische Ansichten
23. Vorhersagen
W. Greller
2019
Workshop Learning Analytics
23
ABER: Lernen ist ein komplexer Prozess!!!
Vorsicht bei eindimensionalen Vorhersagen aus Daten!
Modellierung von Lernern und Lernprozessen
Profiling
- kann u.a. zu besseren adaptiven Lernservices führen
- derzeit viele Hoffnungen auf automatisierte
Entscheidungsprozesse zu Lernpfaden usw.
(Effizienzgewinne? oder Enteignung?)