Publikation

Activity Sequence Modeling and Multi-Targeted Clustering for Personalization in E-Learning

Outline:

M. Augstein - Activity Sequence Modeling and Multi-Targeted Clustering for Personalization in E-Learning - Phd Thesis, Institut für Informationsverarbeitung und Mikroprozessortechnik (FIM), JKU, Österreich, 2011, pp. 1-221

Abstract:

Kurze Inhaltszusammenfassung in der Originalsprache des Dokuments: deutsch Über die letzten Jahrzehnte ist der Einfluss von E-Learning auf den globalen Lernprozess stetig gestiegen. E-Learning hat in verschiedensten Formen und Ausprägungen Einzug in einen Großteil der Bildungsszenarien gehalten, ein Umstand der nicht nur eine Revolution der Lernumgebungen angestoßen, sondern auch einen Paradigmenwechsel im allgemeinen Verständnis des Lernvorgangs verursacht hat. Während im E-Learning-Bereich, anders als in der nichtdigitalen Welt, traditionell der individuelle Lerner im Vordergrund stand, rückte in den vergangenen Jahren kollaboratives Lernen immer mehr in das Zentrum der Aufmerksamkeit. Gleichzeitig änderte sich die Rolle des Lernenden von der eines passiven Informationskonsumenten zu der des aktiv den Lernprozess mitgestaltenden Teilnehmers. Ein ehemals Lehrer-zentrierter Prozess wandelte sich zu einem Lerner-zentrierten. Parallel zu dieser Fokusverschiebung entwickelten sich auch die den Lernprozess unterstützenden Technologien rasant weiter. Nicht nur im Bereich des Lernens erfuhr die Gesellschaft einen Wandel zur Informationsgesellschaft, die stetig wachsende, immer unübersichtlicher werdende Mengen an Informationen zu verarbeiten hatte. Methoden zur Informationsfilterung und -selektion wurden unabkömmlich um die, für das Individuum relevanten Stecknadeln im Heuhaufen zu identifizieren; ein Prozess, der aufgrund der Vielfalt und Unterschiedlichkeit einzelner Personen in verschiedensten Aspekten keinem universellen Schema folgen konnte. Die neuen Anforderungen ließen den Wunsch nach Personalisierung im Informationschaos erwachen - die Idee adaptiver Systeme war geboren. Adaptive Systeme passen sich automatisch an die individuellen Bedürfnisse, Anforderungen und Charakteristika des einzelnen Benutzers an, um diesen im Arbeitsprozess bestmöglich zu unterstützen, ein Konzept das auch im Bereich des E-Learning mittlerweile zu großer Popularität gefunden hat. Diese Arbeit befasst sich mit der Analyse und Interpretation von Lerneraktivitäten als Basis für zuverlässige Schlussfolgerungen über die individuellen Bedürfnisse der einzelnen Lerner. Ein in sich abgeschlossenes, allgemeines Verfahren zur Verwendung von Lernerdaten in der Benutzermodellierung wird beschrieben, das besonders die Bedeutung von Relationen zwischen Aktivitäten hervorhebt. Lerneraktivitäten werden nicht weiter als in sich abgeschlossene Interaktionen mit dem System interpretiert sondern vielmehr als Bestandteile von Aktivitätssequenzen, die sich mehr oder weniger stark in Zuständen gegenseitiger Beeinflussung oder Abhängigkeit befinden können. Diese Arbeit stellt einen Ansatz zur Modellierung von Aktivitätssequenzen vor, der, in Verbindung mit einem unüberwachten maschinellen Lernprozess zur Mustererkennung, auf mehreren Ebenen angewandt werden kann: um vordefinierte, konkrete Problemlösestile in Aktivitätsdaten zu identifizieren, um neue, bislang undefinierte Problemlösestile innerhalb vordefinierter, so genannter "Dimensionen" zu erkennen, und um automatisiert potenziell bedeutsame Dimensionen und sich darin manifestierende konkrete Problemlösestile ausfindig zu machen. Eine anschließende Diskussion behandelt sowohl die Rückführung der, durch den beschriebenen Prozess gewonnenen Informationen über individuelle Problemlösestile, in den Adaptionskreislauf, als auch die durch die Gewinnung, Verarbeitung, Interpretation und eventuelle Weitergabe personenbezogener Interaktionsdaten auftretenden Fragestellungen zu Sicherheit und Privatsphäre der Benutzer.