Learning Analytics und adaptives Lernen im Schwerpunkt Mathematik
Adaptives Lernen meint, dass sich ein Lernsystem fortlaufend an die Fähigkeiten und Weiterentwicklung der Lernenden anpasst. Für Mathematik kann das heißen, dass Lernende stets die passende Mathe-Aufgabe bekommen, bei der sie Ihr bisheriges Wissen anwenden können und sich gleichzeitig das Wissen für die nächstschwierige Aufgabe aneignen. KI kann die dafür notwendigen Algorithmen bereitstellen.
Es wurden digitale Aufgaben für die Lernmanagementsysteme Moodle und ILIAS entwickelt, mit denen Studieneinsteiger:innen ihr Wissen aus der Schule wieder auffrischen können. Mittlerweile wurden die Übungsaufgaben mit ca. 800 Studierenden an vier Hochschulen in Nordrhein-Westfalen und Hessen getestet (Stand Frühjahr 2024). Die damit einhergehenden Lerndaten werden stetig anonymisiert untersucht, um wissenschaftliche Erkenntnisse daraus abzuleiten und die Aufgaben zu verbessern.
In erster Linie unterstützen Gamification-Elemente das Lernen. Drei unterschiedlichen Designs – Standard-, Pädagogischer-Agent- und Fantasy-Game-Design – bieten den Studierenden dabei ihren Vorlieben entsprechende Lernmaterialien. Durch das Sammeln und Analysieren der Lerndaten zeigt sich: Die unterschiedlichen Designs haben jeweils unterschiedliche Auswirkungen auf das Lernverhalten. Beispielsweise werden Aufgaben im Fantasy-Game-Design viel häufiger geübt, indem sie wiederholt werden.
Darüber hinaus sind die Aufgaben mit einer Schnittstelle für adaptives Lernen ausgestattet. Dies zeigt sich beispielsweise im Pädagogischer-Agent-Design wie folgt: Wenn Lernende die schwerste Aufgabe eines Bereichs nicht lösen können, werden sie zunächst zu einer Übersicht über den bisherigen Lernfortschritt geleitet, damit sie die für sich passende Aufgabe auswählen können.
Eine Befragung von Studierenden in den Vorkursen des Wintersemesters 2022-23 zeigt, dass das Angebot auf viel Zuspruch bei den Studierenden gestoßen ist.
Die Aufgaben sind als OpenSource-Angebot zur Vervielfältigung und Weiterentwicklung gedacht. Der Moodle-Kurs als Moodle-Kurs-Export (MBZ-Datei), sowie der Code stehen Interessierten zur freien Verfügung (MIT-Lizenz): Zum GitLab-Repositorium.
Die Aufgaben können jederzeit im offenen Moodle-System ausprobiert werden: Zum offenen Moodle-Kurs.
Das Lernsetting als Ganzes kann außerdem von jeder Hochschule auch im eigenen Lernmanagementsystem oder über einen E-Learning-Community-Server zur Verfügung gestellt werden.
Publikationen
- Neugebauer, M., Erlebach, R., Kaufmann, C., Mohr, J.,Frochte, J. (2024). Efficient Learning Processes by Design: Analysis of Usage Patterns in Differently Designed Digital Self-Learning Environments. In: Proceedings of the 16th International Conference on Computer Supported Education (CSEDU 2024) - Volume 2. Pages 476-477. DOI, PDF, BibTex
- Neugebauer, M. (2024). Lightweight Learning Analytics Dashboard for Analyzing the Impact of Feedback & Design on Learning in Mathematical E-Learning. In: Proceedings 18. Workshop Mathematik in ingenieurwissenschaftlichen Studiengängen. Pages 44-49. PDF, BibTex
- Neugebauer, M., Tousside, B.,Frochte, J. (2023). Success Factors for Mathematical E-Learning Exercises Focusing First-Year Students. In: Proceedings of the 15th International Conference on Computer Supported Education (CSEDU 2023) - Volume 2. Pages 306-317. DOI, PDF, BibTex
- Neugebauer, M.,Frochte, J. (2023). Steigerung von Lernerfolg und Motivation durch gamifizierte Mathematik-Aufgaben in Lernmanagementsystemen. In: Proceedings of the 21. Fachtagung Bildungstechnologien (DELFI 2023). Pages 247-248. DOI, PDF, BibTex