TY - GEN A1 - Köppen, Veit T1 - Nutzer, die das Buch ausgeliehen haben, haben auch ... - Datengetriebene Empfehlungen für die Ausleihe T2 - TK 3: Content kuratieren / Suchportale (18.03.2019, 09:00 - 11:30 Uhr, M8 (Messehaus)) N2 - Das Suchverständnis und -verhalten der Nutzer hat sich mit Google und Amazon auch in Bibliotheken dramatisch geändert. Trotzdem sind die zentralen Katalogsysteme der Einstiegspunkt in die Literaturrecherche, insbesondere für die Bestände der wissenschaftlichen Bibliotheken. Während es bereits Empfehlungssysteme auf Basis der Nutzerrecherche oder der systematischen Zusammenhänge gibt, fehlen Ansätze, die Ausleihdaten berücksichtigen. Zielstellung ist es, diese Lücke zu schließen, indem Empfehlungen basierend auf den Ausleihdaten ermöglicht werden.Datenschutzschranken und die Verknüpfung von Katalog- und Ausleihsystem stellen Herausforderungen dar, die der genutzte Ansatz eines Data-Privacy-By-Design-Konzepts überwindet. Mit etablierten Methoden des Data-Mining, können nicht-personalisierte Empfehlungen erstellt werden, die sowohl auf unterschiedlichen Suchstufen (Autorenebene, Werkebene oder Titelebene) wie auch auf unterschiedlichen Zeiträumen basieren.Erste Ergebnisse an der UB Magdeburg zeigen dabei, dass hinreichend viele Empfehlungen in Abhängigkeit der Parametrisierung für Ausleihen möglich sind. Zudem kann eine nahtlose Integration sowohl in Katalog- wie auch Discoverysystemen erfolgen. Das Konzept verwendet dabei eine Service-orientierte Softwarearchitektur, um eine größtmögliche Flexibilität und Weiternutzung zu ermöglichen und zugleich auf bestehenden Ansätzen aufzubauen. Die resultierenden Empfehlungen erzeugen einen Mehrwert für den Nutzer, der zu einer Erhöhung der Ausleihzahlen führen kann.Eine Justierung der Empfehlungen erfolgt über Data Mining-Parameter und für die Privacy relevante Parameter. Eine Evaluation der Ergebnisse bei unterschiedlichen Parametersätzen kann wichtige Informationen für das Bestandsmanagement bereitstellen. Das Konzept wurde im Rahmen einer Masterarbeit an der HU Berlin erstellt und evaluiert. KW - Empfehlungssystem KW - Data Mining KW - Datenschutz KW - Data-Privacy-by-Design Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:0290-opus4-163300 ER - TY - GEN A1 - Wolff, Ian A1 - Köppen, Veit T1 - Ein Forschungsdatenrepositorium für den Austausch von Learning Analytics Daten T2 - Themenkreis 6: Forschungsdaten und forschungsnahe Dienstleistungen / OER-Strategien und Datenkompetenz(16.06.2021, 11:00 - 12:30 Uhr, Raum 2 (virtuell)) N2 - 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 für 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 unterstützen. Die statistischen Analysemethoden der LA benötigen eine große Anzahl an Datensätzen, um valide Aussagen treffen zu können. Oft ist die Anzahl der untersuchten Lernfälle jedoch gering, weshalb sich eine Zusammenlegung unterschiedlicher Forschungsdatensätze anbietet. Wir untersuchen das kollaborative Erlernen von Programmiersprachen an drei Standorten, um mehrere ähnliche Lernbereiche zusammenzubringen und zugleich eine hinreichend große Datenbasis für eine Analyse zu schaffen. Dabei soll eine einfache Transferierbarkeit der erhobenen Lernendendaten auf unterschiedliche Programmiersprachen, Übungskonzepte und Hochschulkontexte ermöglicht 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 führt zu einem Metadatenmodell. Dieses wird in einem Forschungsdatenrepositorium genutzt, um eine Nachnutzbarkeit der Daten zu erzielen. Somit wird eine Grundlage für die nachhaltige Nutzung von Learning Analytics-Daten und -Ansätzen in Forschung und Lehre an deutschen Hochschulen gebildet. T2 - A Research Data Respository for Learning Analytics Data Sharing KW - Forschungsdatenmanagement KW - Metadaten KW - Learning Analytics KW - research data management KW - metadata KW - learning analytics Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:0290-opus4-175780 ER - TY - GEN A1 - Wolff, Ian A1 - Köppen, Veit A1 - Zug, Sebastian T1 - Ein Fallbeispiel zum Umgang mit Learning Analytics Forschungsdaten - fachspezifische Konzeptentwicklung eines Data Librarians T2 - TK 5: Content: Vom Umgang mit Inhalten und Daten / Data Literacy (01.06.2022, 9:00 - 11:30, Saal 4) N2 - 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 größten 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 häufig ein kritisches Element der Studien darstellen, wäre diese auf einer übergreifenden Ebene zielführend. Wissenschaftliche Bibliotheken können hier mit ihrer Datenkompetenz eine entscheidende Rolle spielen, Wissenschaftler der LA bezüglich ihrer Datenhaltung zu unterstützen. 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 unterstützende Arbeit für 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 bezüglich der professionellen Datenerhaltung für den Wissenschaftler verhindern, indem Maßnahmen und fachspezifische Lösungen entlang des Datenlebenszyklus in den Bereichen – Planung, Auswahl, Übernahme, 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 über mehrere Semester gesammelten Datensätze eine konsistente mehrstufige (Meta-)Datenstruktur, die den Austausch entlang notwendiger Bedarfe (bspw. Privacy) für die Arbeit im unmittelbaren Team, durch Projektpartner und durch Dritte gewährleistet. T2 - A use case for handling learning analytics research data KW - Forschungsdaten KW - Data Librarian KW - Learning Analytics KW - research data management KW - learning analytics KW - data librarian Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:0290-opus4-179082 ER -