Lernen findet zunehmend in Digitalen Räumen statt, z. B. auf Lernplattformen. Diese Digitalisierung von Lehr-Lern-Prozessen produziert Daten – viele Daten. Denn beim Durchlaufen von digitalen Lerneinheiten auf solchen Plattformen hinterlassen Lernende durch ihr Klickverhalten und die Beantwortung von Aufgaben zahlreiche „digitale Fußspuren“. Diese Fußspuren sind für die empirische Bildungsforschung äußerst interessant, da durch sie neue, bisher unzureichend beforschte Einblicke in Lernprozesse generiert werden können. Diese neuen Einblicke sind für die Naturwissenschaftsdidaktiken besonders relevant, weil so neuartige Unterstützungsmöglichkeiten für das Lernen konstruiert werden können. Wegen ihrer Menge und Komplexität ergeben sich für die Auswertung der anfallenden Daten allerdings verschiedene Fragen, z. B. Welche Muster verbergen sich in den Fußspuren? Besteht beispielsweise ein Zusammenhang zwischen dem Zeitpunkt, zu dem gewisse Aufgaben bearbeitet werden, und späteren Prüfungserfolgen? 

 

Unser Gast, Dr. Marvin Roski (roski@idn.uni-hannover.de), ist diesen und weiteren Fragestellungen in seiner Promotion zum individualisierten Chemielernen auf digitalen Lernplattformen an der Leibniz Universität Hannover nachgegangen. Dafür musste er tief in neuartige Analysemethoden eintauchen und auch eng der Informatik zusammenarbeiten.

 

Wie genau er mit dieser Herausforderung umgegangen ist und welche Schlüsse er aus seiner Arbeit für die Gestaltung von Lehr-Lern-Szenarien in der Schule und der Universität zieht, erfahrt ihr in dieser Folge von „Nicht im Fachraum essen!“

Wichtige Publikationen:                                   

Lernplattform „I3Lern“: 

https://i3lern.idn.uni-hannover.de/

Roski, M., Ewerth, R., Hoppe, A. & Nehring, A. (2024). Exploring Data Mining in Chemistry Education: Building a Web-Based Learning Platform for Learning Analytics. Journal of Chemical Education, 101(3), 930–940. https://doi.org/10.1021/acs.jchemed.3c00794

Vorhersage von Dropouts:

Roski, M., Sebastian, R., Ewerth, R., Hoppe, A. & Nehring, A. (2023). Dropout Prediction in a Web Environment Based on Universal Design for Learning. In N. Wang, G. Rebolledo-Mendez, N. Matsuda, O. C. Santos & V. Dimitrova (Hrsg.), Lecture Notes in Computer Science. Artificial Intelligence in Education (Bd. 13916, S. 515–527). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-36272-9_42

Clusteranalysen:

Roski, M., Sebastian, R., Ewerth, R., Hoppe, A. & Nehring, A. (2024). Learning analytics and the Universal Design for Learning (UDL): A clustering approach. Computers & Education, 214, 105028. https://doi.org/10.1016/j.compedu.2024.105028