IFeL blog

Structure, Dialogue and Autonomy


Leave a comment

Mobiles Lernen weiterentwickeln

Mobiles Lernen ist für viele bereits Alltag. Auf der Seite der Anbieter erfordert es eine Weiterentwicklung der aktuellen Kombination von Lernkanälen (Präsenz, Online-Übung, Lesen der Fachbücher und Skripte). Im Vordergrund steht dabei das E-Reading / das digitale Lesen, das immer wichtiger wird.
Neben der Entwicklung und Evaluation von interaktiven E-Books arbeiten wir an der Entwicklung und Validierung quantitativer und qualitativer Messinstrumente zur Untersuchung kognitiver und emotionaler Aspekte des Lernens und des Lesens. In erster Linie wenden wir möglichst objektive Methoden wie Blickrichtungsmessungen (Eye Tracking), Emotionsmessungen (Facial Action Coding), Logfile-Analysen und Dual Task-Methoden an. Dies ergänzen wir mit subjektiven Messverfahren wie Ratingskalen, Fragebogen und Lautem Denken.

Zur Weiterentwicklung unseres Forschungsfeldes Mobiles Lernen suchen wir eine/n wissenschaftliche/n Mitarbeiter/in: http://www.ffhs.ch/?action=get_file&id=27&resource_link_id=16c8

Advertisements


1 Comment

In the mood – learning emotions

„Good morning Student, you’re just in the right mood for learning!“
In a near future students may hear this good morning when they sit down to learn.
Emotions are already recognized by computers. There is some good software for automated emotion recognition in human faces (see examples below). In the last fifteen years appeared an increasing amount of papers about automated facial emotion recognition and tools to detect emotions in faces using photos, webcams, lifestreams, and videos. As an example, look at a demo version of the Face Analysis Cloud Engine (beta version) of sightcorp: https://face.sightcorp.com/demo_analysis_display/.
Successful learning is a difficult task. It takes place, only if a person is ready for learning. Emotions take a very important part in it. In our limbic system, we appraise everything we do and everything that happens do us, if it is good or bad for us (Roth, 2009). So, emotions facilitate and hinder learning.
Generally, learning does not just happen. It is an active process. When Student enters a learning situation he does not beginning at point zero. He brings learning experiences, personal characteristics, and preexisting knowledge. Therefore, he will perceive the qualities of the learning environment and the learning content in his own way and experience his own emotional reactions and appraise the system and learning content. The learning content gets into working memory with its limited capacities. The larger the intrinsic load (e.g. difficulty of the learning content) and the extraneous load (e.g. bad usability), the less Student will learn. Emotions also influence the learning process. That happens directly (e.g. the emotional arousal is high) and indirectly via the appraisal of content and system (e.g. positive emotions can increase interest). Brief, lower cognitive load and positive influence of emotions lead to a better learning performance. This short description of our theoretical framework is based on several models and theories about memory and learning.
If the learning system ‚knows‘ that Student is in the mood for learning or not, it can adapt the learning content or/and the learning environment or it can recommend the best learning activities corresponding to Students emotions. To do this a lot of research has to be done. One of the central points is measuring emotions in a practical way. Mauss and Robinson (2009) recommend measuring emotions on different levels. In our research we will use among other measures questions about immediate subjective experiences and automated recognition of facial emotions.
„Reader, you seem tired. Let’s take a short brake.”
.
Examples of facial emotion coding software:


Leave a comment

Blended Learning top

Von Markus Appel und Constanze Schreiner der Universität Linz wird in der Psychologischen Rundschau ein Artikel publiziert, der Mythen rund ums Internet widerlegt.
Dabei wird auch der Mythos „Negative oder keine Effekte von Computer-unterstütztem Unterricht“ entgegengehalten.
Eine vorläufige Version des Artikels findet sich auf ResearchGate: https://www.researchgate.net/publication/259970800_Digitale_Demenz_Mythen_und_wissenschaftliche_Befundlage_zur_
Auswirkung_von_Internetnutzung

Blended Learning, das Modell der FFHS, schneidet dabei sehr gut ab. Die Autoren zitieren die Meta-Anaylse von Means et a. (2010), die folgende Ergebnisse fand:

  • Blended Learning ist dem klassischen Unterricht (face-to-face) überlegen: d=.35
  • Reines Online Lernen ist klassischen Unterricht nicht überlegen: d=.05
  • Kooperatives Online Lernen ist effektiv: d=.25
  • Durch Dozierende unterstütztes Online Lernen ist effektiv: d=.39

Die Effektgrössen können mit folgender Faustregel interpretiert werden: der Wert der Effektgrösse d entspricht in etwa dem Prozentanteil der Lernenden, die von der effektiveren Methode deutlich profitiert haben.
Ein Beispiel: Von allen Studierenden im Blended Learning Modell haben schätzungsweise 35% (d=.35) deutlich bessere Leistungen als Studierende im klassischen Unterricht.

Für die FFHS ist dieses Ergebnis von besonderem Wert, da die meisten Studien, die in der Meta-Analyse verrechnet wurden, mit Erwachsenen durchgeführt wurden.

Literatur
Means, B., Toyama, Y., Murphy, R., Bakia, M., & Jones, K. (2010). Evaluation of evidence-based practices in online learning: A meta-analysis and review of online learning studies. U.S. Department of Education.