Datenbasierte Kompetenz- und Verhaltensanalyse

1 Einleitung
1.1 eLearning - Motivation und Hintergrund
1.2 Zielsetzung
1.3 Anwendungsbeispiele
1.4 Weitere Gliederung
I Grundlagen
2 eLearning
2.1 Einleitung
2.2 De?zite der eLearning-Idee und Kompensationsmöglichkeiten.
2.3 eLearning-Angebotsformen
2.4 Lern-Management-Systeme
2.5 Metadaten im eLearning
2.6 Zusammenfassung und weiterführende Literatur
3 Knowledge Discovery in Databases
3.1 Einleitung
3.2 Explorative Datenanalyse
3.3 Knowledge Discovery in Databases
3.4 Prozessmodelle des Knowledge Discovery in Databases.
3.5 Data-Mining-Verfahren - Übersicht
3.6 EA-MOLE
3.7 Zusammenfassung und weiterführende Literatur
II Integration
4 Knowledge Discovery in Databases im eLearning
4.1 Einleitung
4.2 Knowledge Discovery in Databases im eLearning
4.3 Infrastruktur zur Analysedurchführung
4.4 Zusammenfassung und weiterführende Literatur
5 Agententechnologie als Baustein verteilter Systeme
5.1 Einleitung
5.2 Architektur des OL-MASs
5.3 Gesamtarchitektur
5.4 Zusammenfassung und weiterführende Literatur
III Anwendung
6 DistLearn - Lernen mit Lernmanagementsystemen
6.1 Einleitung
6.2 Anwendung von EA-MOLE und Ergebnisdiskussion
6.3 Strukturbezogene Ergebnisdiskussion
6.4 Zusammenfassung und weiterführende Literatur
7 VirtLearn - Lernen in Virtuellen Lernumgebungen
7.1 Einleitung
7.2 Anwendung von EA-MOLE und Ergebnisdiskussion
7.3 Strukturbezogene Ergebnisdiskussion
7.4 Zusammenfassung und weiterführende Literatur
8 TogTrain - VR-Learning in der Pilotenausbildung
8.1 Einleitung
8.2 Anwendung von EA-MOLE und Ergebnisdiskussion
8.3 Strukturbezogene Ergebnisdiskussion
8.4 Ærogator
8.5 Zusammenfassung und weiterführende Literatur
IV Abschluss
9 Fazit und Ausblick
9.1 Fazit
9.2 Ausblick
V Anhänge

Die Erfassung und Analyse von Daten zu Mensch/Maschine-Interaktionen und deren Kontext ist eine wichti-ge Grundlage zur Entwicklung unterschiedlicher Formen von Assistenz. Bezogen auf das Lernen mit elektronischen Lehr/Lernmaterialien besteht eine zentrale Herausforderung z.B. in der Diagnose und Bewertung beobachtbaren Lernerverhaltens vor dem Hintergrund individueller Lernwege. In dieser Arbeit wurde hierzu ein datenbasierter Zugang entwickelt, der anhand verschiedener Fallbeispiele konkretisiert und als leistungsfähig zu bewerten ist.

Um eine kontinuierliche Weiterentwicklung von Menschen und Organisationen zu gewährleis-ten, gilt im eLearning das Streben in Richtung höchstmöglicher Flexibilisierung von Aus- und Weiterbildung als eine treibende Kraft. Ein Lerner soll in die Lage versetzt werden, an nahezu beliebigen Orten wie auch zu beliebigen Zeiten das ihm angebotene Lehr-/Lernmaterial bearbei-ten zu können. Zudem erhält er die Möglichkeit, sich die verfügbaren Inhalte weitgehend selbst-organisiert sowie entsprechend seiner Bedürfnisse bzw. der an ihn gestellten Anforderungen zu erschließen.
Dies ist einerseits positiv zu bewerten, da es die Ebene der persönlichen Selbstverantwortung stärkt, andererseits aber auch als problematisch anzusehen, da Nutzer von eLearning-Angeboten i.d.R. nicht gleichermaßen über die hierzu notwendigen Kompetenzen verfügen. Aus diesem Grund wird im eLearning ein breites technologisches und organisatorisches Instrumentarium zur Unterstützung von Lernern/Lehrern erörtert, wobei die Entwicklung leistungsfähiger Assistenz in diesem Zusammenhang als außerordentlich schwierig gilt.
Eine zentrale Herausforderung liegt dabei in der Diagnose und Bewertung beobachtbaren Lernerverhaltens als Grundlage zur Ableitung zielgerichteter Hilfestellung im Kontext der (selbst-organisierten) Lernweggestaltung. Hierzu werden die Möglichkeiten eines datenbasierten Zu-gangs zur Entwicklung wie auch Verfeinerung von Assistenzsystemen für Lerner und Lehrer untersucht. Der Fokus liegt dabei auf der Erarbeitung adäquater Werkzeuge und Software-Infrastrukturen zum Knowledge Discovery in Databases, wobei das Data Mining in multivariaten Zeitreihen sowie die Idee agentenbasierter Softwaresysteme wesentliche Aspekte darstellen.
In drei unterschiedlichen Anwendungsfällen (Lernen in Lernmanagementsystemen, virtuellen Laboren sowie Virtual-Reality-Lernumgebungen) wurde der in dieser Arbeit entwickelte Zugang zur Diagnose und Bewertung von Lernerverhalten positiv bewertet, wobei die erarbeiteten Werkzeuge die an sie gestellten Erwartungen voll erfüllen konnten