Rensing - Adaptivität von mobilen Lernanwendungen

KOM - Multimedia Communications Lab

TUD – Technische Universität Darmstadt

© 2014 author(s) of these slides including research results from the KOM research network and TU Darmstadt. Otherwise it is specified at the respective slide 10. November 2014

[email protected]

Adaptivität von mobilen

Lernanwendungen Potenziale, Formen und Grenzen

Dr.-Ing. Christoph Rensing

#Adaptivität #Mobile_Learning

KOM – Multimedia Communications Lab 2

Agenda

Adaptivität von Lernanwendungen

Mobile - Kontextadaptive Lernanwendungen

Adaptivität von mobilen Lernanwendungen

Grenzen von adaptiven mobilen Lernanwendungen



Definition:

Adaptivität ist die Fähigkeit eines Systems (hier einer Lern-

anwendung) sich automatisch an das Verhalten und die

Bedürfnisse eines Nutzers (hier eines Lernenden) anzupassen.

Lerner-Verhalten

Anpassung einer Lernanwendung

Lerner-Bedürfnisse


Adaptivität in Intelligenten Tutoriellen

Systemen

Topics Students

Experience

Learning

Characteristics

Affective

Characteristics Misconceptions

Existing knowledge: concepts,

facts, procedures,

skills, declarative knowledge

User history: student attitude towards some

statement, discourse,

plans, goals,

task experience

Incorrect „buggy“

knowledge

Learning rate, student

preferences, type of thinking

Engagement, boredom,

seriousness, level of

concentration

In Anlehnung an (Woolf, 2009) – Elements of a student model in an ITS

Auswahl von Lernressourcen Bestimmung der Reihenfolge

von Lernressourcen

Lerner-Verhalten

Lerner- Bedürfnisse

Lerner-Eigenschaften


Adaptivität in kooperativen Lernumgebungen

Elemente und Mechanismen von Kooperationsskripts

Ele

mente

Teilnehmer

Gruppen

Aktivitäten

Rollen

Ressourcen

Mechanis

men

Gruppen- formation

Festlegen Interaktions- reihenfolge

Aufgaben- und Rollenverteilung

In Anlehnung an (Kobbe et al., 2007)

Lerner- Verhalten


Adaptivität vs. Adaptierbarkeit

Adaptierbarkeit bezeichnet die Möglichkeit eines Nutzers (hier eines

Lernenden) ein System (hier eine Lernanwendung) an die aktuellen

Bedürfnisse anzupassen indem er aktiv (Auswahl)-Entscheidungen

trifft.

Grad

Grad

Adaptivität

Adaptierbarkeit

Empfehlungs-

systeme Awareness-

tools

Intelligente Tutorielle Systeme

Adaptive kooperative

Lernumgebungen


Agenda






Kontextinformation


Kontextbewusste Systeme sind Systeme, die auf Basis von

physikalischen Sensoren Kontextinformationen einer Person

erfassen und basierend auf diesen Informationen

Kommunikations-, Informations- oder andere Dienste

anbieten, steuern und anpassen (Dey & Abowd, 2000).

Lerner-Verhalten


Lerner-Bedürfnisse

Sensorik

Auswahl, Steuerung und Anpassung von Diensten


Kontextdimensionen

(Rensing & Tittel, 2013)

Lerner-Verhalten

Lerner-Bedürfnisse

Geräte


Beispiel: Situiertes Lernen

Mobiles Lernen in der Agrarwissenschaft –

Projekt von httc Darmstadt und JLU Gießen

Ausgangspunkt

Exkursionen zur Lehr- und Forschungsstation

Oberer Hardthof

Zielsetzung

Aktivierung der Studierenden

Eigenständige Exploration des

Kuhstalls statt nur rezipierende Aufnahme

Eigene Erstellung von Informations-

/Lerneinheiten

Aufteilung der Gruppe in Kleingruppen

besseren Einblick in und direkteren Zugang

zu einzelnen Bereichen des Kuhstalls

Quelle: JLU Gießen –

Institut für Tierzucht und Haustiergenetik


Zugriff auf Lerneinheiten

URL der Lerneinheit per QR-Code kodiert

Zugriff auf Lerneinheit per Scan des QR-Codes

Lerneinheit liegt in Lernplattform vor

Quelle: JLU Gießen

Quelle: JLU Gießen

Objekte in der Umgebung

Auswahl von Lernressourcen


Beispiel:

informelles Community-basiertes Lernen

Projekt MOLEM

(Mobiles Lernen in der Elektromobilität)

Unterstützung von

Servicetechnikern

während der Arbeit

u.a. informeller

Erfahrungsaustausch

mittels eines Frage

und Antwortsystems


Vorschlag von Lerneinheiten

Expertenauswahl

Bestimmung der aktuellen

Aufgabe mittels Auslesen

der Fahrzeuginformationen


Vorschlag von existierenden

Frage & Antworten

hier Präsentationstitel eintragen....

13.02.2015

| Seite 13

Arbeitsaktivität



Bestimmung verfügbarer Kollegen und

Kommunikationskanal

Aktivitätserkennung mittels

Audio-Snippets und Machine

Learning


13.02.2015

| Seite 14

Aktivität Verfügbarkeit Unterbrechbarkeit

Reparaturarbeiten in der Werkstatt X

Reparaturarbeiten auf der Straße X X

Autofahren (nur per Telefon) (nur per Telefon)

Besprechung / Auftragsannahme X X

Pause

Arbeitsaktivität

Auswahl von Kommunika-

tionskanal

Lernpartner- auswahl


Kontextmodell nach Yin et al. (2014)


Agenda







Kontextinformation


Sensorik

Lerner- verhalten


Lernermodell

Mobile - Kontextadaptive

Lernanwendungen

Adaptive

Lernanwendungen

+

Adaptive mobile Lernanwendungen

Lerner- bedürf- nisse

Lerner- eigen-

schaften Lerner-

verhalten Lerner-

bedürfnisse

Diagnose- elemente


Kontext nach Moebert et al. (2014)

Physischer Kontext:

Wetter (aktuell & zukünftig), Umgebungsgeräusche, Lichtstärke, Zeit,

Luftfeuchtigkeit, Temperatur

Mobil:

Position (unterteilt in Adresse, Gebäude, Region & Land), Ankunft, Abreise,

Entfernung zu einem Ort, Transportmittel, Geschwindigkeit, Ziel

Situativer Kontext:

Körpergeste, Gesichtsausdruck, Blickrichtung

Szenario:

Lernfortschritt, aktuelle Aufgabe, benötigte Zeit für die Bearbeitung

Persönlicher Kontext:

Termine, Vorwissen (verifiziert & abgeleitet), Motivation, Erwartungen und Motive,

Vorlieben, soziale Verknüpfungen, Behinderungen

Technischer Kontext:

vorhandene Infrastruktur (wie Drucker & externe Monitore), Gerätefunktionen (wie

Stimmen-, Bild- oder Videoaufnahme bzw. –ausgabe)


Kontext nach Moebert et al. (2014)

Physischer Kontext:

Wetter (aktuell & zukünftig), Umgebungsgeräusche, Lichtstärke, Zeit,

Luftfeuchtigkeit, Temperatur

Mobil:

Position (unterteilt in Adresse, Gebäude, Region & Land), Ankunft, Abreise,

Entfernung zu einem Ort, Transportmittel, Geschwindigkeit, Ziel

Situativer Kontext:

Körpergeste, Gesichtsausdruck, Blickrichtung

Szenario:

Lernfortschritt, aktuelle Aufgabe, benötigte Zeit für die Bearbeitung

Persönlicher Kontext:

Termine, Vorwissen (verifiziert & abgeleitet), Motivation, Erwartungen und Motive,

Vorlieben, soziale Verknüpfungen, Behinderungen

Technischer Kontext:

vorhandene Infrastruktur (wie Drucker & externe Monitore), Gerätefunktionen (wie

Stimmen-, Bild- oder Videoaufnahme bzw. –ausgabe)

Kontextbasierte Information

Lernereigenschaften

Lernerverhalten


Adaptive mobile Lernanwendungen

Sensorik

Lerner- eigen-

schaften

Technologie- auswahl

Gruppen- formation

Festlegen Interaktions- reihenfolge

Aufgaben- und Rollenverteilung

Auswahl von Lernressourcen Bestimmung der Reihenfolge

von Lernressourcen

…

Lerner- bedürfnisse

Lerner- verhalten

Lernermodell Diagnose- elemente



Expertenauswahl

Aufgabe


13.02.2015

| Seite 21

Aktivität der Kollegen


Lernpartner- auswahl

Auswahl von Kommunika-

tionskanal

Lernermodell


Agenda






Grenzen

Datenschutz

Wer hat Zugriff auf Informationen, die mittels der Sensorik der

mobilen Endgeräte erfasst werden? Wo werden die Informationen

gespeichert?

Gebot der

Datensparsamkeit

Benutzerakzeptanz

Work Life Balance: Fließende Übergänge zwischen Arbeit, Lernen

und Freizeit

Regelmäßige Diskussion mit Arbeitnehmervertretungen in

betrieblichen Szenarien

MOLEM Plattform

MOLEM App

Aktivität ?

Sensordaten ?

Unterbrechbarkeit/Verfügbarkeit ?


Fragen & Kontakt


Referenzen

Dey, A. K. & Abowd, G.D. (2000): Towards a better understanding of context and

contextawareness. In CHI 2000 Workshop on the What, Who, Where, When, and How of

Context-Awareness.

Lucke, U. & Rensing, C. (2014): A survey on pervasive education. In: Pervasive and Mobile

Computing, no. 14, p. 3-16.

Kobbe L. et al (2007): Specifying computer-supported collaboration scripts. International

Journal of Computer-Supported Collaborative Learning, Volume 2, Issue 2-3, pp 211-224.

Moebert, T. et al. (2014): Ein generalisierter Ansatz zur kontextsensitiven Anpassung in

mobilen E-Learning-Umgebungen. In: Rensing, C. & Trahasch, S. (Hrsg.): Proceedings of

DeLFI Workshops 2014

Rensing, C. & Tittel, S. (2013): Situiertes mobiles Lernen – Potenziale, Herausforderungen

und Beispiele. In: Claudia de Witt, Almut Sieber (Hrsg.): Mobile Learning - Potenziale,

Einsatzszenarien und Perspektiven des Lernens mit mobilen Endgeräten, S. 121-142,

Springer VS.

Woolf, B. (2009): Designing Intelligent Interactive Tutors. Morgan-Kaufmann.

YIN, C. et al. (2014): A Hierarchical Ontology Context Model For Work-based Learning,

Frontiers of Computer Science, to appear.