Art Meets Insight: Eye Catching Visualizations For Better Analytics
Learning Analytics meets Mathematics Teacher Education
-
Upload
fabian-mundt -
Category
Science
-
view
23 -
download
4
Transcript of 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
»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
®
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)
Interaktionsanalysen
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
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
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
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]