Learning Analytics meets Mathematics Teacher Education

LEARNING ANALYTICS MEETS MATHEMATICS TEACHER EDUCATION

Fabian Mundt, M.A. & Prof. Dr. Mutfried Hartmann

Digital geschärfte Einblicke in das Lernverhalten zu Beginn des Lehramtsstudiums

Agenda

1 Learning Analytics

2 Situation vor Ort

4 Einsichten

3 Analysestrategie

1

»Learning Analytics is the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimising learning and the environments in which it occurs.«

(1st International Conference on Learning Analytics and Knowledge, 2010)

Definition

1

Herausforderungen‣ Daten abrufen ‣ Datenschutz (interne vs. externe Dienste)

Dem Sammeln von Daten ist nicht grenzenlos möglich. ‣ Schnittstellen

Häufig ermöglichen die gängigen LMS nur oberflächliche Statistiken.

‣ Daten analysieren ‣ Datenmenge

In einem Semester fallen schnell große Mengen an Daten an. ‣ Analyseverfahren (»Smart Data«)

Die zielführende Exploration großer Datenmengen ist herausfordernd

1

Didaktischer Mehrwert‣ Schwächen im Lernmaterial erkennen und

beheben

‣ Akzeptanz und Nutzung des Lehr-Lern-Settings nachvollziehen

‣ Lernverhalten sichtbar machen

‣ Typische Lernprofile identifizieren

‣ Selbstkontrolle anbieten

1

2

®

e:t:p:M® Konzeptschema

2

montags Weihnachten

alle Inhalte freigeschaltet

e:t:p:M® Interaktionsdaten

2

1% 3% 5%

26%

42%

24%

0

20

40

60

trifft ü

berh

aupt

nicht

zu

trifft k

aum zu

trifft t

eilweis

e nich

t zu

trifft t

eilweis

e zu

trifft w

eitge

hend

zu

trifft v

oll zu

(n = 158)

Das eigenverantwortliche Lernen wird durch das Gesamtkonzept gefördert.

9%5%

9%

23%

28%26%

0

10

20

30

trifft ü

berh

aupt

nicht

zu

trifft k

aum zu

trifft t

eilweis

e nich

t zu

trifft t

eilweis

e zu

trifft w

eitge

hend

zu

trifft v

oll zu

(n = 151)

Die online-Lektionen zusammen mit den Plenums- veranstaltungen und Begleitseminaren bevorzuge

ich im Vergleich zu einer herkömmlichen Präsenz-Vorlesung mit ca. 300–400 Studierenden.

https://etpm-dev.ph-karlsruhe.de/etpm-evaluation/

e:t:p:M® Umfragedaten

2

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

● ●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

Analysestrategie

3

Analysestrategie

3

Umfragedaten Interaktionsdaten

‣ individualisiert

‣ partikulär

‣ kategorial

‣ individualisiert

‣ vollständig

‣ metrisch

➡ integrative geometrische Modellierung

Geometrische Datenanalyse

3

Datentabelle

Variablen

Indi

vidu

en

Punktwolken

Wolke der Variablen

Wolke der Individuen

i a b c

a

b

c

i

Punkte repräsentieren Kategorien (kategorial) oder Variablen (metrisch)

Punkte repräsentieren Individuen

(kategorial & metrisch)

(vgl. Le Roux 2014; Husson et al. 2017)

4

Einsichten

Interaktionsanalysen

4

Beispiel: Erziehungswissenschaft

4

Multiple Korrespondenzanalyse

‣ Zusammenhänge zwischen 9 Variablen ‣ Bewertung einer online-Lektion [5 kategorial]

(Gestaltung, Struktur, Anspruch, Umfang, Interesse) ‣ Interaktion mit einer online-Lektion [4 metrisch]

(Anspielungen, Pausen, Sprünge, Gesamtdauer)

4

4

4

4

4

Beispiel: Arithmetik I

4

Multiple Korrespondenzanalyse

‣ Zusammenhänge zwischen 12 Variablen Die metrischen Variablen wurden als ordinal umkodiert. ‣ Dauer [2 kategorial]

(App gesamt, Besuch Durchschnitt) ‣ Web-App Interaktion [5 kategorial]

(Besuche gesamt, Klicks gesamt, Events gesamt, Videoevents gesamt, Events Durchschnit)

‣ Videointeraktion [5 kategorial](Abspielungen, Pausen, Springen, Fähnchen, Geschwindigkeit)

4

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

● ●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

4

4

4

4

4

4

4

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

● ●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

HIERARCHISCHE CLUSTERANALYSE der Koordinaten der Individuen

Hier ggf. auch das Konzept der KONZENTRATIONSELLIPSE benennen. Nicht mit dem inferenzstatistischen Konzept der Konfidenzellipse verwechseln!

4

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●●

●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

● ●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

Bezeichnung im Rahmen der Multiplen Korrespondenzanalyse:

STRUKTURIERENDE FAKTOREN

Weil sie durch Klassifikation der Individuen den konstruierten Raum strukturieren.

4

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●

● ●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

4

!Prof. Dr. Mutfried Hartmann [email protected]

Fabian Mundt, M.A. [email protected]