Sie sind hier: Startseite / Forschung / Projekte / Learning Progression Analytics

LPA

Learning Progression Analytics

Alle Lernenden entsprechend ihrer Potentiale individuell zu fördern – das versprechen mit künstlicher Intelligenz (KI) ausgestattete digitale Lernumgebungen. Künstliche Intelligenz ermöglicht die adaptive Anpassung der Inhalte und Methoden in digitalen Lernumgebungen an den Lernfortschritt. Diese Adaptivität wirkt dabei wie ein Katalysator für den Lernprozess, weil Lernende in adaptiven Lernumgebungen z.B. nicht mehr ein allgemeines Feedback bekommen, sondern ein an ihre individuellen Bedürfnisse angepasstes Feedback.

Um die Lernumgebung kontinuierlich an die Bedürfnisse der Lernenden anzupassen, ist es jedoch notwendig, kontinuierlich den individuellen Lernfortschritt zu erfassen. Digitale Lernumgebungen stellen hierfür ein breites Spektrum von Daten zur Verfügung; darunter neben den so genannten Produktdaten (z.B. der Antwort auf eine Aufgabe) auch Prozessdaten (z.B. das Tippverhalten beim Beantworten der Aufgabe). Diese Daten so auszuwerten, dass reliable und valide Rückschlüsse auf den individuellen Lernfortschritt möglich werden, bleibt allerdings eine Herausforderung.

Learning Progression Analytics (LPA)soll diese Herausforderung bewältigen. Unter LPA wird in interdisziplinären Projekten untersucht, wie sich Modelle des fachlichen Lernens (Learning Progressions) mit Erkenntnissen der allgemeinen Lehr-Lern Psychologie (Learning Sciences) verknüpfen lassen, um indivduelle Lernfortschritte reliabel und valide aus Prozess- und Produktdaten mit Methoden der Data Science (Learning Analytics) rekonstruieren zu können.

 

LPA AFLEK

Erfolgreicher Schulunterricht ist mehr als die bloße Beschäftigung mit vorgegebenen Themen im Unterricht. Im Idealfall sollten Schülerinnen und Schüler mithilfe des Unterrichts Kompetenzen entwickeln und vernetztes Wissen aufbauen. Ist das nicht so, ist der Lernverlauf „unproduktiv“. Digitale Unterrichtseinheiten können helfen, individuelle Lernverläufe von Schülerinnen und Schülern zu erfassen, zu analysieren, inwieweit diese produktiv sind, und die Informationen an Lehrkräfte zurückzumelden. Wie Lehrkräfte diese Daten im Unterricht nutzen können, um aus unproduktiven Lernverläufen produktive zu machen, ist bislang weitgehend unerforscht.

Hier setzt das vom Bundesministerium für Bildung und Forschung (BMBF) geförderte Verbundprojekt des Leibniz-Instituts für die Pädagogik der Naturwissenschaften und Mathematik (IPN), des Leibniz-Instituts für Bildungsforschung und Bildungsinformation (DIPF) und der Ruhr-Universität Bochum an. Ziel ist es herausfinden, wie sich individuelle Lernverläufe und die dabei auftretenden Lernschwierigkeiten abbilden lassen. Anhand von Daten aus digitalen Unterrichtseinheiten im Fach Physik sollen produktive und unproduktive Lernverläufe identifiziert werden. Mithilfe dieser Informationen sollen Lernschwierigkeiten automatisch erkannt und konkrete Handlungsvorschläge für Lehrkräfte abgeleitet werden, um unproduktive in produktive Lernverläufe zu überführen. Das interdisziplinäre Team nutzt dafür sogenannte Teacher Dashboards, die Lehrkräften nahezu in Echtzeit Feedback zum Lernverlauf ihrer Schülerinnen und Schüler geben können. Dem Team am IPN obliegt dabei die Koordination des Verbundprojekts. Es bringt außerdem seine Expertise in der fachdidaktischen Analyse von Lernprozessen und der Kompetenzdiagnostik in das Verbundprojekt ein. Das Team des DIPF fokussiert vor allem die Analyse von Lernprozessen mittels Learning Analytics. Das Team der Ruhr-Universität bringt seine lernpsychologische Expertise in das Verbundprojekt ein und ist für die Erprobung der Teacher Dashboards unter realen Bedingungen zuständig.

 

Beteiligte Wissenschaftlerinnen und Wissenschaftler:

IPN

Adrian Grimm, Dr. Marcus Kubsch, Prof. Dr. Knut Neumann

DIPF

Onur Karademir, Sebastian Gombert, Dr. Daniele diMitri, Prof. Dr. Hendrik Drachsler

RUB

Isabell Bohm, Dr. Sebastian Strauß, Prof. Dr. Nikol Rummel

 

LPA ALICE

Um die Vision eines individualisiertem Unterrichts umzusetzen, der es mit Hilfe digitaler Technologien allen Lernenden ermöglicht, ihre Potentiale auszuschöpfen, müssen zunächst grundlegende theoretische und methodische Fragen geklärt werden. Es bedarf eines theoretischen Rahmens, der individuelle Lernprozesse mit domänenspezifischer Kompetenzentwicklung verknüpft. Digitale Technologien müssen so in den Unterricht integriert werden, dass (ausreichende) Daten zur automatisierten Erfassung von Lernfortschritten generiert werden und es bedarf entsprechender Methoden, diese Daten theoriegeleitet auszuwerten. Dabei darf Unterricht nicht zu einer Aneinanderreihung von Messungen verkommen, sondern muss pädagogisch und fachdidaktisch wertvolle Lernmöglichkeiten bieten, während gleichzeitig die benötigen Daten entstehen.

Mit dem Ziel, diese Herausforderungen zu bewältigen, kooperieren in ALICE das Leibniz-Institut für die Pädagogik der Naturwissenschaften und Mathematik (IPN) das Leibniz-Institut für Wissensmedien (IWM) und das Leibniz-Institut für Bildungsforschung und Bildungsinformation (DIPF) sowie die Ruhr Universität Bochum (RUB) in diesem von der Leibniz-Gemeinschaft geförderten Projekt. Die Partner bringen dabei jeweils ihre spezifische Expertise ein. Das IPN deckt den Bereich des fachlichen Lernens in Mathematik und Naturwissenschaften ab, das IWM die Gestaltung (digitaler) Wissensmedien, die Arbeitsgruppe um Nikol Rummel an der RUB bringt ihre Expertise zur Gestaltung von Instruktion und zur Analyse von Lernprozessen ein und das DIPF ist ausgewiesen im Bereich der technologiebasierten Erfassung von Lernprozessen und Lernergebnissen ein.

In dieser Konstellation werden nun basierend auf aktuellen Forschungserkenntnissen zuerst digitale Unterrichtseinheiten für die Naturwissenschaften sowie die Mathematik entwickelt. Diese Unterrichtseinheiten bilden dann die Grundlage, um zu erforschen, wie Daten aus diesen Einheiten genutzt werden können, um individuelle Lernstände zu erfassen, inwieweit sich hieraus Informationen für die längerfristige Kompetenzentwicklung gewinnen lassen und inwieweit im Falle von Lernschwierigkeiten die Gründe für diese identifiziert werden können.

 

Beteiligte Wissenschaftlerinnen und Wissenschaftler:

IPN

Didaktik der Physik: Dr. Marcus Kubsch, Prof. Dr. Knut Neumann

Didaktik der Mathematik: Kristin Litteck, Dr. David Bednorz, Prof. Dr. Aiso Heinze

Didaktik der Chemie: Jannik Lossjew, Dr. Sascha Bernholt

Didaktik der Biologie: Berrit Czinczel, Dr. Daniela Fiedler, Prof. Dr. Ute Harms

 

IWM

Dr. Peter Holz, Prof. Dr. Ulrike Cress

 

DIPF

Onur Karademir,  Sebastian Gombert, Dr. Daniele diMitri, Prof. Dr. Hendrik Drachsler

 

RUB

Dr. Sebastian Strauß, Prof. Dr. Nikol Rummel