Kann uns Data Science helfen Lernende besser zu verstehen?
Autor: Selver Softic
Diese Frage stellte sich der Autor mit Kolleg*innen von der Partneruni in Novi Sad, Serbien, im Rahmen einer wissenschaftlichen Untersuchung, die gemeinsam in dem LMS System (Moodle) der Uni Novi S
ad durchgeführt wurde.
Ziel der gemeinsamen Forschungsaktivitäten war, die Nutzung und Wirkung digitaler Technologien auf einer E-Learning-Plattform zu untersuchen. Dazu wurde am Lernmanagementsystem Moodle geforscht. Daten der E-Learning-Plattform wurden empirisch ausgewertet, um Schlüsselindikatoren für studentische Leistungen in verschiedenen Kursen zu finden. Der Erfolg der Studierenden durch Interaktion mit dem E-Learning-System wurde mit einer gemischten Methode bewertet, sie sich aus folgenden Faktoren zusammensetzte: soziale Netzwerkanalyse, K-Means-Clustering und multiple lineare Regression.
Die Vollstichprobe umfasste 42 Studierende aus zwei Kursen in zwei verschiedenen Studiengängen: E-Business im Studiengang Engineering of Information Systems (EIS) und E-Business im Studiengang Engineering Management (EM).
Im Folgenden werden ein paar interessante Einblicke in die Resultate der erwähnten wissenschaftlichen Arbeit präsentiert.
Die Ergebnisse zeigen, dass Studierende mit gleichen oder ähnlichen Leistungen ähnliche Bildungsressourcen nutzen. Darüber hinaus wurde herausgefunden, dass alle Kurse einen starken positiven Zusammenhang zwischen der Position im Netzwerk und dem Studienerfolg aufweisen.
Die Autor*innen kommen zu dem Schluss, dass sich die besten Studierenden in der Mitte des Netzwerks befinden, gemessen an der Eigenvektorzentralität. Weiterhin lässt sich sagen, dass die Tendenz der analysierten Daten zeigt, dass sich Studierende mit ähnlichen Leistungen im selben Cluster befinden und dass die Intensität der Ressourcennutzung mit den erreichten Punktzahlen korreliert.
Für die Cluster Analyse wurde die K-Means-Methode verwendet. In diesem Fall sind die Cluster klar unterscheidbar und entlang des Views/Score-Raums verteilt (siehe Abbildung 2). Sie können durch verschiedene Farben unterschieden werden: blau, gelb, grün, lila und hellgrün. Die blauen Clustermitglieder S8 und S17 repräsentieren die Studierenden, die die Prüfung nicht bestanden haben. In den anderen vier Clustern sehen wir einen nahezu linearen Spread-Trend in Abhängigkeit von der Anzahl der Aufrufe der Lernressourcen. Anscheinend zeigt der Trend, dass die Anzahl der Aufrufe mit der Punktzahl bei der Prüfung korreliert.
Die durchgeführte Regressionsanalyse konnte mit starken Klassifikationskoeffizienten im 90%-Bereich die Beobachtungen aus den ersten zwei Analysen bestätigen.
Folglich liefert diese Studie theoretische und praktische Implikationen darüber, wie sich die Nutzung von Bildungsressourcen über E-Learning-Plattformen auf den Erfolg der Studierenden auswirkt. Diese Studie könnte für Lehrende und Evaluierungen von E-Learning-Kursen hilfreich sein.
Darüber hinaus ermöglichen diese Informationen den Lehrenden, Korrekturmaßnahmen durchzuführen und denjenigen Studierenden, die sich weniger an einem Kurs beteiligen und schlechtere Leistungen vorweisen, einen neuen Ansatz anzubieten.
So können z.B. Lehrende Interaktionen (Wikis, Diskussionsforen, Nachrichten oder Chats) zwischen Studierenden mit besseren und schlechteren Noten anregen, damit Studierende mit schlechteren Leistungen ihren Erfolg steigern können.
Schließlich sollten Lehrende und Manager*innen von E-Learning-Plattformen Ressourcen und Module innerhalb dieser Plattformen prioritär dazu verwenden, die Studierenden zur Nutzung zu motivieren und Interaktionen zwischen den Studierenden zu initiieren.
Den vollständigen Artikel können Sie unter diesem Link einsehen: https://online-journals.org/index.php/i-jet/article/view/11646
Über den Autor
DI Dr. Selver Softic ist hauptberuflicher Lektor und Fachbereichskoordinator für IT Fächer und Internationalisierung. Seine Lehrveranstaltungen umfassen Kryptographie, Algorithmen, Markupsprachen, Informatik und Data Science Grundlagen. Sein Interesse gilt der Verbesserung der Lehr/Lernunterstützung durch Learning Management Systeme durch Educational Data Mining und Learning Analytics.