Folge 20: Die Auswertung digitaler Fußspuren beim Chemielernen

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