The language was changed to English.

Course Type (SWS)
Lecture: 2 │ Exercise: 2 │ Lab: 0 │ Seminar: 0
Exam Number: ZKD 50039
Type of Lecture:
Language: English
Cycle: WS
ECTS: 6
Exam Type

Getting credits for this course requires a successful completion of all assignments, project, and oral exam at the end of the semester. The final grade will be calculated as follows: assignments and project (50%) and oral exam (50%).

assigned Study Courses
assigned People
assigned Modules
Information
Beschreibung:

In den letzten Jahren hat Learning Analytics (LA) viel Aufmerksamkeit auf sich gezogen, da Anwender, Institutionen und Forscher zunehmend das Potenzial sehen, das LA hat um die Zukunft des technologie-basierten Lernens zu gestalten. LA ist ein aufstrebendes Data Science Forschungsgebiet, das sich mit der Entwicklung von Methoden beschäftigt, die Bildungsdaten nutzen um den Lernprozess zu unterstützen. Erforschung und Entwicklung von LA-Systemen ist ein interdisziplinäres Feld, das Kompetenzen der Informatik, Psychologie, Pädagogik und Didaktik umfasst. LA basiert auf fundierten informatischen Methoden (Statistik, Visualisierung, Social Network Analysis, Machine Learning, Web/Data Mining, Recommender Systems, Visual Analytics, Big Data etc.), die auf das Lernen angewandt werden.

Der erste Teil des Kurses bietet einen systematischen Überblick über dieses Gebiet und seine Schlüsselkonzepte durch ein Referenzmodell für LA, welches auf vier Dimensionen basiert, namentlich Daten, Umgebungen und Kontext (Was?), Akteure (Wer?), Ziele (Warum?) und Methoden (Wie?). Der zweite Teil des Kurses nimmt die vier Dimensionen des LA-Referenzmodells in den Fokus. Dafür werden aktuelle Methoden und Techniken zur Entwicklung innovativer LA-Systeme in Bezug auf jede dieser Dimensionen vorgestellt. Der letzte Teil des Kurses widmet sich aktuellen Trends und Themen der LA-Forschung, die im Rahmen eingeladener Vorträge vorgestellt und diskutiert werden.

Die begleitenden Übungen sind praktische, projektartige Aufgabenstellungen. Ziel ist die Entwicklung und Evaluierung prototypischer LA-Komponenten, bei der die im Kurs erarbeiteten theoretischen Grundlagen Anwendung finden. Die Projekte werden im Verlauf der Vorlesung vorgestellt und diskutiert.

Lernziele:

Nach erfolgreichem Absolvieren des Moduls können Studierende

Kenntnisse:

  • die theoretischen und informatischen Grundlagen von Learning Analytics erklären
  • einen systematischen Entwicklungsprozess für Learning-Analytics-Systeme beschreiben
  • Voraussetzungen und Parameter für die Anwendung verschiedener Learning-Analytics-Methoden diskutieren
  • aktuelle Trends und Forschungsfragen in Learning Analytics benennen

Fertigkeiten:

  • adäquate Werkzeuge für die Implementation von Learning-Analytics-Systemen auswählen, diese praktisch anwenden und die erreichten Ergebnisse eigenständig beurteilen
  • kleinere Learning-Analytics-Entwicklungsprojekte planen und umsetzen

Kompetenzen:

Basierend auf den im Modul erworbenen Kenntnissen und Fertigkeiten können Absolventen

  • kreative Lösungen für Learning Analytics vorschlagen
  • die Vor- und Nachteile verschiedener Learning-Analytics-Technologien abwägen
  • in interdisziplinären Teams innovative Learning-Analytics-Systeme entwerfen und aufbauen
  • Verantwortung in Teams übernehmen

 

Literatur:

- J. Han, M. Kamber: Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, Second Edition, 2006
- M. Ester, J. Sander: Knowledge Discovery in Databases. Techniken und Anwendungen. Springer Verlag, 2000
- C. Bishop: Pattern Recognition and Machine Learning. Springer, 2006
- T. Munzner: Visualization Analysis and Design. CRC Press, 2014
- M. Ward, G. Grinstein, D.A. Keim: Interactive Data Visualization: Foundations, Techniques, and Application. A.K. Peters, Ltd, 2010
- C. Ware: Information Visualization: Perception for Design. Morgan Kaufmann, 2nd edition, 2004

 

Vorleistung:
Infolink:
Bemerkung:
Description:

Learning Analytics (LA) has attracted a great deal of attention as practitioners, institutions, and researchers are increasingly seeing the potential that LA has to shape the future technology-enhanced learning landscape. LA is an emerging data science field that represents the application of big data and analytics in education. It deals with the development of methods that harness educational data sets to support the learning process. LA is an interdisciplinary field involving competences from computer science, cognitive psychology, and pedagogy. It leverages various computer science methods. These include statistics, big data, machine learning, data/text mining, information visualization, visual analytics, and recommender systems. The first part of the course will provide a systematic overview on this emerging field and its key concepts through a reference model for LA based on four dimensions, namely data, environments, context (what?), stakeholders (who?), objectives (why?), and methods (how?). In the second part of this courses, we will discuss various methods and techniques required to develop innovative LA systems, in relation to each dimension of the LA reference model. In the last part of the course, current topics and trends in LA research will be presented and dicussed in invited taks. The presented methods and technologies will be further investigated and applied in small student projects carried out throughout the course.

Learning Targets:
Literature:

- J. Han, M. Kamber: Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, Second Edition, 2006
- M. Ester, J. Sander: Knowledge Discovery in Databases. Techniken und Anwendungen. Springer Verlag, 2000
- C. Bishop: Pattern Recognition and Machine Learning. Springer, 2006
- T. Munzner: Visualization Analysis and Design. CRC Press, 2014
- M. Ward, G. Grinstein, D.A. Keim: Interactive Data Visualization: Foundations, Techniques, and Application. A.K. Peters, Ltd, 2010
- C. Ware: Information Visualization: Perception for Design. Morgan Kaufmann, 2nd edition, 2004

 

Pre-Qualifications:
Info Link:
Notice: