Wir freuen uns über Ihr Interesse an einer Abschlussarbeit an unserem Lehrstuhl. Zurzeit können wir vor allem Abschlussarbeiten von Studierenden betreuen, die unsere lehr-lern-bezogenen Schwerpunkte gewählt und damit bereits entsprechende Vorkenntnisse erworben haben (Bachelor: Psychologie des Lehrens und Lernens; Master: Medienbasierte Wissenskonstruktion).

Digitale Indikatoren für Lernen im Citizen Science Kontext

Lernen kann an vielerlei Orten stattfinden – egal ob im Klassenzimmer, im Vorlesungssaal oder zu Hause. Dabei ist Lernen heutzutage nicht mehr zwangsläufig an physische Orte gebunden, da die Digitalisierung die Art und Weise, wie wir lernen, in den letzten Jahren erheblich verändert hat. Online-Lernplattformen wie Moodle, Online-Foren und Massive Open Online Courses (MOOCs) gewinnen zunehmend an Bedeutung und bieten eine Vielzahl von Vorteilen, die das traditionelle Lernen im Klassenzimmer ergänzen oder sogar ersetzen können. Verschiedene Frameworks können Lernen in solchen Settings beschreiben, wie bspw. das ICAP-Framework von Chi & Wylie (2014). Zu solchen Settings können nicht nur formalere Settings (Moodle, MOOCs) gehören, sondern auch informellere Settings wie bspw. Citizen-Science Plattformen.

Citizen Science beschreibt dabei die Beteiligung von Bürger:innen an wissenschaftlichen Forschungsprojekten. Auf Citizen Science Plattformen wie bspw. Zooniverse können Freiwillige dabei an solchen Projekten teilnehmen, indem sie Daten analysieren und mit anderen Freiwilligen darüber diskutieren. Während die Beteiligung an solchen Projekten zweifelsfrei die Wissenschaft voranbringt, stellt sich die Frage nach dem Nutzen für die Freiwilligen und speziell, inwiefern dabei auch ein Lerneffekt stattfindet.

An dieser Stelle ist besonders relevant, dass die Aktionen von Nutzenden digitale Spuren hinterlassen, welche wir sammeln und auswerten können. Durch Aggregation bzw. Betrachtung im zeitlichen Verlauf können wir Änderungen im Verhalten nachweisen, sowie den Nutzenden verschiedene Rollen zuschreiben, um daraus auf Wissenszuwachs bzw. Lerneffekte zu schließen. Je nach Setting können wir dann Fragestellungen beantworten wie bspw:

• Was sind angebrachte Methoden, Wissenszuwachs und Lernen durch verschiedene Verhaltensindikatoren (bspw. Kommentare in Diskussionsforen) nachzuweisen?
• Können wir Wissenszuwachs und Lernen in Citizen Science Projekten nachweisen?
• Wie anwendbar sind Frameworks wie bspw. das ICAP-Modell auf solche Settings?

Um mithilfe digitaler Spuren diese Fragen zu beantworten, bieten sich vor allem automatisierte Verfahren wie soziale Netzwerkanalyse mit Tools wie Gephi oder NetworkX an, oder die Klassifizierung von Forenposts, welche entweder automatisiert oder manuell stattfinden kann. Dabei ist es nicht zwingend notwendig zu programmieren, jedoch kann es sich im Rahmen einer automatisierten Analyse natürlich anbieten, zumindest in Teilen mit Programmiersprachen wie R oder Python zu arbeiten. Generell ist es aber auch denkbar, einen geringeren informatischen Fokus bei der Beantwortung der obigen Fragestellungen zu setzen. Zu diesen Themen können Abschlussarbeiten als Bachelor- oder Masterarbeit geschrieben werden. Das genaue Thema (z. B. Ergänzung der möglichen Fragestellungen mit Ihren Vorschlägen und Interessen) erfolgt in Ansprache.

Ansprechpartner: Bei Interesse oder Fragen zu der Ausschreibung: Melden Sie sich sehr gerne per E-Mail bei Simon Krukowski (simon.krukowski@uni-due.de).

Weiterführende Literatur:

ICAP Framework

Chi, M. T., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational psychologist, 49(4), 219-243.

Citizen Science & Learning

Rohden, F., Kullenberg, C., Hagen, N., & Kasperowski, D. (2019). Tagging, pinging and linking–User roles in virtual citizen science forums. Citizen Science: Theory and Practice, 4(1).

Kloetzer, L., Lorke, J., Roche, J., Golumbic, Y., Winter, S., & Jõgeva, A. (2021). Learning in citizen science. The science of citizen science, 283.

Social Network Analysis & Learning

Chen, B., & Poquet, O. (2022). Networks in learning analytics: Where theory, methodology, and practice intersect. Journal of Learning Analytics, 9(1), 1-12.

Hecking, T., Chounta, I. A., & Hoppe, H. U. (2017). Role modelling in MOOC discussion forums. Journal of Learning Analytics, 4(1), 85-116.

Analysis of online forum messages

Farrow, E., Moore, J., & Gašević, D. (2020, March). Dialogue attributes that inform depth and quality of participation in course discussion forums. In Proceedings of the tenth international conference on learning analytics & knowledge(pp. 129-134).

Ahmad, M., Junus, K., & Santoso, H. B. (2022). Automatic content analysis of asynchronous discussion forum transcripts: A systematic literature review. Education and Information Technologies, 27(8), 11355-11410.

Der Zusammenhang zwischen Group Awareness und Gedächtnisprozessen (MA)

Group Awareness (GA) bezeichnet die Verarbeitung und Interpretation sozialer Informationen beim gemeinsamen Lernen. GA kann sich dabei auf verschiedene, in der Lernsituation relevante Charakteristika der Lernpartner oder der sozialen Gruppe beziehen, beispielsweise auf deren aktuelle Motivation, Emotionen, (Meta-)Kognition, Verhalten oder auch auf stabile Personeneigenschaften. GA im Lernkontext ist dabei eine wichtige Voraussetzung für zielgerichtete soziale Interaktionsprozesse. Aufbauend auf der Verarbeitung sozialer Informationen während des Lernprozesses können dabei weiterhin nachhaltig nutzbare, stabil(er)e Gedächtnisstrukturen über Lernpartner (Partnermodelle) gebildet werden.

Die Verarbeitung sozialer Informationen ist dabei als kognitiver Prozess zu verstehen, darum wird davon ausgegangen, dass für den Aufbau und die Aufrechterhaltung von GA sowie die Integration in Langzeitgedächtnisstrukturen (im Sinne eines Aufbaus stabiler Partnermodelle) Arbeitsgedächtnisressourcen benötigt werden. Allerdings ist der Zusammenhang zwischen Arbeitsgedächtnisressourcen bzw. -belastung und dem Aufbau von GA und Partnermodellen bisher empirisch wenig untersucht. In der hier ausgeschriebenen Bachelor- oder Masterarbeit soll darum experimentell untersucht werden, inwiefern sich kognitive Belastung auf GA und die Bildung von Partnermodellen auswirkt. Wenn die Arbeit als Masterarbeit durchgeführt werden soll, kann zusätzlich beispielsweise untersucht werden, inwiefern im Vorfeld bestehende Partnerschemata arbeitsgedächtnisentlastend wirken. Grundlage der Arbeit bildet dabei die GA-Konzeption von Schnaubert und Bodemer (2022) und die hier angenommenen Zusammenhänge zwischen GA und dem Arbeitsgedächtnis.

Schnaubert, L., & Bodemer, D. (2022). Group Awareness and Regulation in Computer-Supported Collaborative Learning. International Journal of Computer-Supported Collaborative Learning, 17(1), 11–38. https://doi.org/10.1007/s11412-022-09361-1

Diese Arbeit wird (extern) in Kooperation mit Frau Dr. Lenka Schnaubert, Assistant Professor in Learning Sciences, University of Nottingham (UK), betreut. Die Arbeit kann wahlweise auf Deutsch oder Englisch verfasst und betreut werden. Bei Interesse wenden Sie sich bitte per Mail an Frau Dr. Schnaubert: Lenka.Schnaubert@nottingham.ac.uk

Group Awareness: Entwicklung und Validierung eines Erfassungsinstruments (MA)

Group Awareness (GA) bezeichnet die Verarbeitung und Interpretation sozialer Informationen beim gemeinsamen Lernen. GA kann sich dabei auf verschiedene, in der Lernsituation relevante Charakteristika der Lernpartner oder der sozialen Gruppe beziehen, beispielsweise auf deren aktuelle Motivation, Emotionen, (Meta-)Kognition, Verhalten oder auch auf stabile Personeneigenschaften. GA im Lernkontext ist dabei eine wichtige Voraussetzung für zielgerichtete soziale Interaktionsprozesse. Darum wird GA beim kollaborativen Lernen häufig mit spezifisch dafür entwickelten Tools unterstützt, die entsprechende Informationen erfassen, verarbeiten und bereitstellen. Ein Defizit existierender GA-Forschung ist dabei, dass Erkenntnisse über GA oftmals nur über Tool-bezogenen Studien gewonnen werden, jedoch vergleichsweise wenig Erkenntnisse über den Aufbau und die Aufrechterhaltung von GA in nicht-unterstützten Settings existieren. Ein Grund dafür ist, dass es bisher wenig Ansätze gibt, GA zu erfassen. Bis auf wenige Ausnahmen werden existierende Instrumente häufig ad hoc für spezifische Studien entwickelt und sind damit bzgl. zentraler Kernelemente von GA nicht validiert. In der hier ausgeschriebenen Masterarbeit soll diese Lücke im Ansatz geschlossen werden und ein Instrument zur Erfassung von GA entwickelte und mit Bezug auf Kernkonzeptbestandteile von GA validiert werden. Grundlage der Arbeit bildet dabei die GA-Konzeption von Schnaubert und Bodemer (2022).

Schnaubert, L., & Bodemer, D. (2022). Group Awareness and Regulation in Computer-Supported Collaborative Learning. International Journal of Computer-Supported Collaborative Learning. Advance online publication. https://doi.org/10.1007/s11412-022-09361-1

Diese Arbeit wird (extern) in Kooperation mit Frau Dr. Lenka Schnaubert, Assistant Professor in Learning Sciences, University of Nottingham (UK), betreut. Die Arbeit kann wahlweise auf Deutsch oder Englisch verfasst und betreut werden. Bei Interesse wenden Sie sich bitte per Mail an Frau Dr. Schnaubert: Lenka.Schnaubert@nottingham.ac.uk

Für generelles Interesse an einer Abschlussarbeit an unserem Lehrstuhl, wenden Sie sich bitte an unser Sekretariat. Selbstverständlich können Sie gerne auch eigene Themenwünsche, die mit unseren Forschungsschwerpunkten korrespondieren, einbringen. Bitte geben Sie bei Ihrer Mail an das Sekretariat folgende Informationen mit an:

1. Interessiert Sie einer unserer drei Forschungsschwerpunkte besonders? (Multimediales Lernen, Kognitive Group Awareness und soziale Navigation, Analysemethoden sozialer Interaktionsprozesse)
2. Gibt es bestimmte Lernorte, die Sie besonders interessieren? (z.B. Schule, Universität, Bibliothek, Museum, Internet)
3. Interessieren Sie sich eher für individuelle oder für soziale Lernprozesse?
4. Haben Sie bestimmte Interessen in Bezug auf die Umsetzung Ihrer Abschlussarbeit? (z.B. Programmieranteil, Durchführen eines Experiments, Einsatz einer bestimmten Analysemethode)

Sofern Sie noch keine konkreten Themenvorstellungen haben sollten, helfen Ihnen diese Überlegungen vielleicht auch bei der Konkretisierung Ihrer Ideen.