IFeL blog

Structure, Dialogue and Autonomy


Leave a comment

ALMoo – Adaptives Lernen mit Moodle

Von Anna Lupandina und Matthias Holthaus

Das Projekt ALMoo wurde vom IFeL entwickelt, durchgeführt und abschliessend evaluiert. Ziel und Idee von ALMoo war es, zu untersuchen, inwieweit mit dem Einsatz von adaptiven Lerntechnologien an der FFHS die Lehre optimiert werden kann. Es ging darum auf Basis von forschungsgeleiteten Instruktionsansätzen und unter der Berücksichtigung von kognitionsrelevanten Überlegungen ein adaptives Instruktionsmodell zu entwickeln und zu erproben, das vor allem auch dem spezifischen Bedarf der Fernstudierenden der FFHS gerecht wird und deren Studium unterstützt.

Die ersten Ergebnisse zeigen, das ALMoo besonders die schwächeren Studierenden unterstützt.

ALMoo im Schnelldurchgang erklärt:

Jeder Studierende musste zu Beginn des Kurses einen Vorwissenstest absolvieren, der die Studierenden in zwei Wissensstufen – Novize oder Fortgeschrittener – einteilte. Entsprechend dieser Einteilung erhielten die Studierenden zwar die gleichen Aufgaben, aber mit unterschiedlich detaillierten Instruktionen und Erklärungen. Die Einteilung in Novize und Experte war aber nicht unveränderlich. Hatten Novizen Aufgaben erfolgreich gelöst, bekamen sie die Empfehlung in den Expertenbereich (Aufgaben mit weniger Zwischenschritten und Instruktionen) zu wechseln. Hatten Experten hingegen Aufgaben nicht gelöst, bekamen sie die Empfehlung in den Novizenbereich  (Aufgaben mit Zwischenschritten und ausführlichen Instruktionen) zu wechseln.

Somit hatte jeder Studierende seinen individuellen – seinem Wissen entsprechenden – Lernpfad. Das Befolgen dieses Lernpfades war allerdings keineswegs verpflichtend. Studierende konnten sich auch für die Lernaufgaben mit dem anderen Instruktionsmodell entscheiden.

Die erste Veranstaltung in der ALMoo eingesetzt wurde und von 95 Studierenden besucht wurde ist mittlerweile beendet und die ersten Ergebnisse liegen nun vor.

Diese Ergebnisse deuten darauf hin, dass bei dem installierten Setting an der FFHS vor allem – wie oben bereits erwähnt – die schwächeren Studierenden, die Novizen vom adaptiven Lernsystem profitiert haben. Dies kann als erstes Untersuchungsergebnis festgehalten werden. Ihre Wissensdefizite konnten sie durch die zusätzlichen Erklärungen und ausführlicheren Aufgaben zur Prüfung hin signifikant besser aufarbeiten.

Ferner zeigt sich, dass die Studierenden, die aktiv (e-)lernen, mit den E-Learning-Komponenten aktiv und online lernen und gelernt bzw. gearbeitet haben bessere Lernerfolge erzielen. Aus einer ‚nach oben unbegrenzte Online-Aktivität‘ folgt zwar nicht ein nach oben unbegrenzter Lernerfolg, aber aus einer E-Learning-Passivität folgt hier eher ein Misserfolg. Dies kann als zweites Untersuchungsergebnis festgehalten werden. Dass E-Learning, als primäre Lernumgebung, nicht zu unterschätzen ist, als primäre Lernumgebung anerkannt werden muss. Die Aktivität der Studierenden und somit auch deren Engagement und folglich deren Lernerfolg kann so über entsprechende E-Learningsysteme (adaptive Lernsysteme) gefördert und ‚gesteuert‘ werden.

Darüber hinaus können Adaptive Lernsysteme auch dabei helfen, Selbstreguliertes Lernen zu erlernen wie auch den eigenen Wissensstand besser einzuschätzen.

ALMoo wird fortgeführt. Auch in einer weiteren Veranstaltung wird ALMoo nun eingeführt und weitere Daten werden gesammelt und ausgewertet um die Ergebnisse zu validieren. Auch an Fachpublikationen um die Ergebnisse zu veröffentlichen wird gegenwärtig gearbeitet und bei Erscheinen hier darauf hingewiesen.


Leave a comment

SeLC und SPL: Unsere Eindrücke

Am 14.-15. April 2015 fand die Swiss Professional Learning Fachmesse sowie die Swiss eLearning Conference bereits jeweils zum 7. und 6. Mal statt. Das IFeL war, wie auch in den letzten Jahren bei diesen Events präsent; und zwar mit zwei Themen: Vorausblickende Betreuung der Online-Prozesse, vertreten durch Marc Garbely, sowie Einsatz adaptiver Lernumgebungen im Bildungskontext, vertreten durch Prof. Per Bergamin und Anna Lupandina.

An den zwei Präsentationen zum ersten der beiden Themen waren auf der Aktionsfläche Training jeweils zahlreiche Zuschauer anwesend, die den Ausführungen gespannt folgten und eifrig Notizen machten. Die aus dem CAS eDidactics stammende Thematik animierte dabei eine erfreuliche Anzahl von Personen dazu, im Anschluss an die Präsentation mehr über dieses CAS-Studienangebot der FFHS erfahren zu wollen. Hierbei ergaben sich spannende Gespräche über das technologiegestützte Lernen und Lehren.

Die beiden weiteren Präsentationen sensibilisierten die Zuschauer zum Thema adaptives Lernen. Sie thematisierten die Möglichkeiten der Umwandlung eines Standard-LCMS in eine adaptive Umgebung, sowie die damit verbundenen Prozesse. Die aufmerksamen Blicke der zahlreichen Zuhörer, sowie intensive Diskussionen während und nach den Vorträgen verdeutlichen die Aktualität des Inhalts. Der Renner im Fachpublikum war eindeutig die Pespektive der Anpassung an emotionale Zustände der Lernernenden, und bei Facial Action Coding Systems (FACS) auszumachen.

Uns von der FFHS hat die positive Stimmung und das engagierte Feedback der Zuhörer begeistert. Wir sehen uns nächstes Jahr und freuen uns darauf!

Hier geht es zum Download der Präsentationsfolien:

Personalisiertes Lernen: Einen adaptiven Kurs in einem LCMS bauen?

Analysieren, bewerten, vorschlagen: Adaptive Lernumgebung denkt mit.


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: