Refine
Document Type
- Conference Proceeding (6)
- Part of a Book (4)
- Article (1)
Has Fulltext
- no (11)
Is part of the Bibliography
- no (11)
Keywords
- Learning Analytics (2)
- Computer Vison (1)
- Human Computer Interaction (1)
- Learning Management System (1)
- Logfile-Analyse (1)
- MOOC (1)
- YOLOv4-algorithm (1)
- data collection (1)
- data sources (1)
- deep learning (1)
Department/institution
- Fachbereich - Medien (11)
Durch die Datafizierung im Bildungsbereich eröffnen sich neue Möglichkeiten datengetriebene Analysen von Lernprozessen voranzutreiben. Das Dilemma, einerseits Lernprozesse verbessern zu können und andererseits immer stärker in die Privatsphäre der Lernenden einzudringen, lässt sich hierbei nicht vollständig auflösen. In diesem Beitrag möchten wir vorstellen, wie im Projekt musicalytics in Musikschulkursen zum Thema Songwriting in hybriden Lehr-/Lernarrangements während des gesamten Kursverlaufs Bildschirmaufzeichnungen angefertigt wurden, um die Software- und Internetnutzung durch die Teilnehmenden ausserhalb ihrer regulären Kurszeiten zu untersuchen. Neben einer Darstellung der technischen Umsetzung dieser hoch immersiven Form der Datensammlung werden im Beitrag vor allem die Implikationen einer solchen Datafizierung am Beispiel von Bildschirmaufnahmen für die Teilnehmenden diskutiert. Die Lernenden wurden im Anschluss an die Kurse befragt, wie sie diese weitgehende Form der Datenerhebung wahrgenommen haben und welche Rolle diese Art der Beobachtung für ihre Kursaktivitäten spielte. Die zentralen Ergebnisse der qualitativen Interviewstudie mit 15 Teilnehmenden geben Einblick in die ambivalenten Positionierungen der Befragten hinsichtlich Selbstbestimmung, Entgrenzung, Vermessung und Kontrolle im Kursverlauf. Die Ergebnisse werden vor dem Hintergrund des non-formalen Lernsettings eingeordnet und diskutiert. Zudem wird deren mögliche Bedeutung für formale Bildungskontexte wie die Schule kritisch reflektiert.
Das Fach Musik stellt besondere Herausforderungen an die Kompetenzmessung. Das gilt sowohl für die psychometrischen Modelle als auch für die Entwicklung computergestützter Testsysteme. Insbesondere die Verwendung von Bild- und Tonbeispielen als auch die Messung von Rhythmus- und Melodieverständnis setzen neuartige multimediale Testitems voraus. In Zusammenarbeit von Musikpädagoginnen und -pädagogen und Informatikerinnen und Informatikern wurde im Projekt „PosyMus – Potenziale von Feedbacksystemen im Musikunterricht“6 ein neuartiges Testsystem entwickelt und in Schulen getestet. Der Beitrag stellt die Testitems sowie die Erhebungen in den Schulen vor. Dabei wurde zweierlei deutlich: Einerseits fördern die computerbasierten
Aufgabentypen die Motivation von Lernenden und andererseits sind zahlreiche praktische
Herausforderungen zur Einbettung in den Unterrichtsalltag zu lösen. Insbesondere die Rückmeldung der Testergebnisse wurde als Anforderung formuliert. Diese wird in Zukunft im Projektverlauf durch ein elektronisches Rückmeldesystem umgesetzt.
An increasing amount of data for learning analytics is available due to the spread of digital learning environments. Collecting data on student behavior and action in these environments raises the question of how personal privacy can be addressed, as students are the most important stakeholder in the process. In our study we propose a simple but powerful approach to enhance student privacy: a switch to turn the data collection on and off. We let the students decide for themselves when they want to stop and go on with the collection of their data. In this paper, we take a closer look at how our students make use of this option and when and how this influences the collected data by exemplarily investigating the data of two of our participants in detail. In our analysis we combine system log files, screen recordings and qualitative interviews.
Enforced by the pandemic, the production of videos in educational settings and their availability on learning platforms allow new forms of video-based learning. This has a strong benefit of covering multiple topics with different design styles and facilitating the learning experience. Consequently, research interest in video-based learning has increased remarkably, with many studies focusing on examining the diverse visual properties of videos and their impact on learner engagement and knowledge gain. However, manually analysing educational videos to collect metadata and to classify videos for quality assessment is a time-consuming activity. In this paper, we address the problem of automatic video feature extraction related to video production design. To this end, we introduce a novel use case for object detection models to recognize the human embodiment and the type of teaching media used in the video. The results obtained on a small-scale custom dataset show the potential of deep learning models for visual video analysis. This will allow for future use in developing an automatic video assessment system to reduce the workload for teachers and researchers.
In diesem Beitrag werden die Ergebnisse und der Prozess der LogfileAnalyse im Projekt You(r) Study beschrieben, die zum Ziel hat, die qualitativen Daten des Projekts mit den quantitativen Logdaten eines Learning Management Systems zu verbinden. Mittels deskriptiver Methoden und Clusterbildung werden die Logdaten in Hinblick auf die Fragestellungen des Projekts betrachtet. Außerdem wird kritisch diskutiert, welche Grenzen eine Logfile-Analyse in Bezug zur Zielsetzung hat