@misc{Koeppen2019, author = {K{\"o}ppen, Veit}, title = {Nutzer, die das Buch ausgeliehen haben, haben auch ... - Datengetriebene Empfehlungen f{\"u}r die Ausleihe}, series = {TK 3: Content kuratieren / Suchportale (18.03.2019, 09:00 - 11:30 Uhr, M8 (Messehaus))}, journal = {TK 3: Content kuratieren / Suchportale (18.03.2019, 09:00 - 11:30 Uhr, M8 (Messehaus))}, url = {http://nbn-resolving.de/urn:nbn:de:0290-opus4-163300}, year = {2019}, abstract = {Das Suchverst{\"a}ndnis und -verhalten der Nutzer hat sich mit Google und Amazon auch in Bibliotheken dramatisch ge{\"a}ndert. Trotzdem sind die zentralen Katalogsysteme der Einstiegspunkt in die Literaturrecherche, insbesondere f{\"u}r die Best{\"a}nde der wissenschaftlichen Bibliotheken. W{\"a}hrend es bereits Empfehlungssysteme auf Basis der Nutzerrecherche oder der systematischen Zusammenh{\"a}nge gibt, fehlen Ans{\"a}tze, die Ausleihdaten ber{\"u}cksichtigen. Zielstellung ist es, diese L{\"u}cke zu schließen, indem Empfehlungen basierend auf den Ausleihdaten erm{\"o}glicht werden.Datenschutzschranken und die Verkn{\"u}pfung von Katalog- und Ausleihsystem stellen Herausforderungen dar, die der genutzte Ansatz eines Data-Privacy-By-Design-Konzepts {\"u}berwindet. Mit etablierten Methoden des Data-Mining, k{\"o}nnen nicht-personalisierte Empfehlungen erstellt werden, die sowohl auf unterschiedlichen Suchstufen (Autorenebene, Werkebene oder Titelebene) wie auch auf unterschiedlichen Zeitr{\"a}umen basieren.Erste Ergebnisse an der UB Magdeburg zeigen dabei, dass hinreichend viele Empfehlungen in Abh{\"a}ngigkeit der Parametrisierung f{\"u}r Ausleihen m{\"o}glich sind. Zudem kann eine nahtlose Integration sowohl in Katalog- wie auch Discoverysystemen erfolgen. Das Konzept verwendet dabei eine Service-orientierte Softwarearchitektur, um eine gr{\"o}ßtm{\"o}gliche Flexibilit{\"a}t und Weiternutzung zu erm{\"o}glichen und zugleich auf bestehenden Ans{\"a}tzen aufzubauen. Die resultierenden Empfehlungen erzeugen einen Mehrwert f{\"u}r den Nutzer, der zu einer Erh{\"o}hung der Ausleihzahlen f{\"u}hren kann.Eine Justierung der Empfehlungen erfolgt {\"u}ber Data Mining-Parameter und f{\"u}r die Privacy relevante Parameter. Eine Evaluation der Ergebnisse bei unterschiedlichen Parameters{\"a}tzen kann wichtige Informationen f{\"u}r das Bestandsmanagement bereitstellen. Das Konzept wurde im Rahmen einer Masterarbeit an der HU Berlin erstellt und evaluiert.}, language = {de} } @misc{WolffKoeppen2021, author = {Wolff, Ian and K{\"o}ppen, Veit}, title = {Ein Forschungsdatenrepositorium f{\"u}r den Austausch von Learning Analytics Daten}, series = {Themenkreis 6: Forschungsdaten und forschungsnahe Dienstleistungen / OER-Strategien und Datenkompetenz(16.06.2021, 11:00 - 12:30 Uhr, Raum 2 (virtuell))}, journal = {Themenkreis 6: Forschungsdaten und forschungsnahe Dienstleistungen / OER-Strategien und Datenkompetenz(16.06.2021, 11:00 - 12:30 Uhr, Raum 2 (virtuell))}, url = {http://nbn-resolving.de/urn:nbn:de:0290-opus4-175780}, year = {2021}, abstract = {Vielen wissenschaftlichen Untersuchungen dienen Forschungsdaten als Grundlage neuer Erkenntnisse. Um diese Grundlage nicht zu verlieren, sollten die Daten sicher gespeichert, nachhaltige archiviert und langfristig bereitgestellt werden. Der breite Zugang zu Forschungsdaten erlaubt neue Perspektiven f{\"u}r wissenschaftliches Arbeiten, indem bereits bestehende Ergebnisse reproduziert werden und einfacher zu neuen Erkenntnis gelangt wird. Learning Analytics (LA) nutzen Daten, die von Lernenden und Lehrenden produziert werden. Dabei verfolgen LA das Ziel, mit Analysemodellen, Informationen und soziale Verbindungen innerhalb des Lernprozesses sichtbar zu machen, um Lernverhalten zu unterst{\"u}tzen. Die statistischen Analysemethoden der LA ben{\"o}tigen eine große Anzahl an Datens{\"a}tzen, um valide Aussagen treffen zu k{\"o}nnen. Oft ist die Anzahl der untersuchten Lernf{\"a}lle jedoch gering, weshalb sich eine Zusammenlegung unterschiedlicher Forschungsdatens{\"a}tze anbietet. Wir untersuchen das kollaborative Erlernen von Programmiersprachen an drei Standorten, um mehrere {\"a}hnliche Lernbereiche zusammenzubringen und zugleich eine hinreichend große Datenbasis f{\"u}r eine Analyse zu schaffen. Dabei soll eine einfache Transferierbarkeit der erhobenen Lernendendaten auf unterschiedliche Programmiersprachen, {\"U}bungskonzepte und Hochschulkontexte erm{\"o}glicht werden, mit dem Anspruch die heterogenen Daten untereinander nutzbar zu machen. Auf informationstechnischer Ebene erfolgte eine Bedarfsanalyse der LA, aus der heraus ein Objektmodell abgeleitet wurde. Dieses bildet relevante Charakteristika und Objekte des LA Forschungsprozesses ab und f{\"u}hrt zu einem Metadatenmodell. Dieses wird in einem Forschungsdatenrepositorium genutzt, um eine Nachnutzbarkeit der Daten zu erzielen. Somit wird eine Grundlage f{\"u}r die nachhaltige Nutzung von Learning Analytics-Daten und -Ans{\"a}tzen in Forschung und Lehre an deutschen Hochschulen gebildet.}, language = {de} } @misc{WolffKoeppenZug2022, author = {Wolff, Ian and K{\"o}ppen, Veit and Zug, Sebastian}, title = {Ein Fallbeispiel zum Umgang mit Learning Analytics Forschungsdaten - fachspezifische Konzeptentwicklung eines Data Librarians}, series = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Data Literacy (01.06.2022, 9:00 - 11:30, Saal 4)}, journal = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Data Literacy (01.06.2022, 9:00 - 11:30, Saal 4)}, url = {http://nbn-resolving.de/urn:nbn:de:0290-opus4-179082}, year = {2022}, abstract = {Learning Analytics (LA) befassen sich mit der Aggregation und Analyse von Lernendendaten und deren Kontext, um den Lernprozess zu verstehen und systematisch zu verbessern. Obwohl die Methoden der LA zum gr{\"o}ßten Teil digitale Daten generieren und komplexe Analyseverfahren verwenden, besitzt die Disziplin bisher weder eine Forschungsdatenkultur noch liegen fachspezifische Konzepte zur Nachnutzung der Daten vor. Insbesondere vor dem Hintergrund, dass die Zahl der Probanden h{\"a}ufig ein kritisches Element der Studien darstellen, w{\"a}re diese auf einer {\"u}bergreifenden Ebene zielf{\"u}hrend. Wissenschaftliche Bibliotheken k{\"o}nnen hier mit ihrer Datenkompetenz eine entscheidende Rolle spielen, Wissenschaftler der LA bez{\"u}glich ihrer Datenhaltung zu unterst{\"u}tzen. Anhand eines Fallbeispiels aus der Hochschullehre, der Untersuchung kollaborativen Erlernens von Programmiersprachen, zeigen wir, wie die Arbeit eines beteiligten Data Librarians aussehen kann. Im Fokus soll die unterst{\"u}tzende Arbeit f{\"u}r den Wissenschaftler stehen, die einerseits auf die Analyse der LA Forschung und der sich daraus ergebenden fachspezifischen Bedarfe beruht. Andererseits soll das entwickelte Vorgehensmodell einen Mehraufwand bez{\"u}glich der professionellen Datenerhaltung f{\"u}r den Wissenschaftler verhindern, indem Maßnahmen und fachspezifische L{\"o}sungen entlang des Datenlebenszyklus in den Bereichen - Planung, Auswahl, {\"U}bernahme, Speicherung, Erhaltungsmaßnahmen, Zugriff und Nutzung - abgeleitet werden. Entsprechend zielt das Vorhaben ausgehend von der Analysephase auf eine weitgehend automatisierte Realisierung dieser Schrittfolge. In der Umsetzung des Konzepts entsteht auf der Basis der {\"u}ber mehrere Semester gesammelten Datens{\"a}tze eine konsistente mehrstufige (Meta-)Datenstruktur, die den Austausch entlang notwendiger Bedarfe (bspw. Privacy) f{\"u}r die Arbeit im unmittelbaren Team, durch Projektpartner und durch Dritte gew{\"a}hrleistet.}, language = {de} }