Learning Analytics erste Ergebnisse Prof. Dr. Dr. Heribert Popp, TH Deggendorf. innovativ & lebendig Bildungsregion DonauWald

Größe: px
Ab Seite anzeigen:

Download "Learning Analytics erste Ergebnisse Prof. Dr. Dr. Heribert Popp, TH Deggendorf. innovativ & lebendig Bildungsregion DonauWald"

Transkript

1 Learning Analytics erste Ergebnisse Prof. Dr. Dr. Heribert Popp, TH Deggendorf innovativ & lebendig Bildungsregion DonauWald

2 Agenda E-Learning an TH Deggendorf ist Basis für Learning A. Definition Learning Analytics Adaptivität Leuchturmprojekte Technologien des Data Mining für Learning Analytics Was kann man damit machen? Erste Ergebnisse 1. Semester Mathematik über vhb Studenten-Cockpit

3 Technische Hochschule Deggendorf Gegründet: Fakultäten 15 Bachelorstudiengänge, 7 Masterstudiengänge 8 Weiterbildungs-Master 4900 Studierende 100 Professoren

4 TH Deggendorf und Seit 1998 Fernsehvorlesungen (Mo.-Fr. von Uhr) auf BR- Alpha mit Weiterbildungsprüfungen für 2002 Die ersten akademischen Absolventen Deutschlands (Ba. WI), die ca. 50 % virtuell studiert 11 Mal erfolgreicher Durchgang eines dualen (berufsbegleitender) Ba. WI mit ca. 45% Ein kleiner Teil der Professoren substituieren bis zu 50% ihrer Lehre durch virtuelle 22% der Studierenden nutzen virtuelle Hochschule Bayern (vhb) (1. Platz in Bayern) Seite 4

5 Virtuellen Hochschule Bayern (www.vhb.org) Kostenlos für alle bayerischen Studierenden Mehr als 300 virtuelle Kurse mit Belegungen je Sem. Beispiele der Deggendorfer Nutzung - Statistik (HS München) - Operations Research (HS Augsburg) - Internet für Anwender (HS Regensburg) - Datenbanken (Uni Bayreuth) - M-Business (Uni Erlangen-Nürnberg) Benutzerdaten sind hier in den Anbieter LMS!!! Seite 5

6 Messen der Effizienz des Einsatzes von E-Learning Notendurchschnitt eines ganzen Sem. in Mathematik im Studiengang BWL Präsenz Virtuell Lernen Blended Learning Blended Learning +Wissensm. 3,6 3,5 3,1 2,7-2,9 Messen und Prognose ist der Kern von Learning Analytics Seite 6

7 Definition Learning Analytics Learning Analytics bezeichnet die Sammlung, Auswertung und Interpretation verschiedenster Daten, die von Studierenden produziert oder für sie erhoben werden, um Lernfortschritte zu messen, zukünftige Leistungen vorauszuberechnen und potenzielle Problembereiche aufzudecken. Learning Analytics bedeutet - Daten generieren und sammeln - Analysieren - Verhalten der Studenten verstehen - Daten anderen zugänglich machen und Reports erstellen - Maßnahmen einleiten, und zwar auf Level des Individuums, des Kurses, der Abteilung oder der Institution. Datenquellen: Explizite Handlungen der Studierenden Seminararbeiten, Prüfungen Verhalten im LMS (Benutzung virtueller Materialien) Implizite Handlungen wie soziale Interaktionen Einträge in Diskussionsforen Notenblatt mit Prüfungsversuchen

8 Adaptivität

9 Ort/ Name des Projektes (Quelle ) Institution (Verantwor tlicher ) Ziel: Notenprognose University of Minnesota Grade Discrepancy Project (Johnson et al. 2012, S. 25) Capella University (seit 2002) Action Analytics (Norris 2011, S. 2; Jankowski 2011, S. 2) Grand Canyon Loud Analytics University (Morrison, 2012) Modelle mit Fokus auf Echtzeit-Feedback Copenhagen Teaching Analytics (Brown 2011, S. 3) Business School (Ravi Vatrapu) University of Córdoba Classification via Clustering (López et al.2012 S. 148) und WEKA (Zafra 2011, S. 193) University of Maryland, Baltimore Country Check My Activity (Johnson et al. 2012, S. 23) Lousiana State University LA- Werkzeug, welches mittels Noten Prognosen erstellt (Norris 2011, S. 2) Mazur Group und Harvard University Learning Catalytics (Johnson et al. 2012, S. 25; Learning Catalytics LLC 2012) Ziel: Gefährdete Studenten erkennen Rio Salado PACE (Progress and Course Engagement) College in (Cottam 2011, S. 1 ff.) Arizona Purdue University (2007 gestartet) Projekt Signals für Academic Analytics (Johnson et al. 2012, S. 23) Modelle mit Fokus auf die Lerninhalte University of Lecture-capture System Saskatchewan (Brown 2011, S. 3) (Chris Brooks) Open University (Simon Buckingham Shum) Bonn (Katja Niemann) Using LA to identify exploratory dialogue (Brown 2011, S. 3) Empfehlungen für nächstes Lern-Objekt machen (Brown 2011, S. 3)

10 Praxisbeispiel von Learning Analytics - Pace Einsatz: Rio Salado College (Arizona) mit Studierenden Kann gefährdete Studenten bereits nach einer Woche Kursdauer mit einer sehr hohen Wahrscheinlichkeit erkennen Die studentische Entwicklung wird verfolgt und, wenn nötig, werden Interventionen ermöglicht. Die Reports werden mittels Ampelfarben visualisiert. Ziel ist es herauszufinden, welches Verhalten die erfolgreichen Studenten von den nicht so erfolgreichen unterscheidet. Haupteinflussfaktoren auf den studentischen Erfolg sind: Die Frequenz, wie oft sich ein Student im Kurs anmeldet, das Engagement im Kurs (gemessen am lesenden oder auch schreibenden Zugriff und der Teilnahme an Übungen) und wie viele Punkte ein Studierender bei den online-tests bekommt. Das System kann nach acht Kurstagen schon mit einer Wahrscheinlichkeit von 70% vorhersagen, ob der jeweilige Student den Kurs erfolgreich (mindestens befriedigend) absolvieren wird. Diese Prognosen werden wöchentlich wiederholt. Gefährdete Studenten werden bspw. angerufen, um die Gründe herauszufinden, warum sie Schwierigkeiten haben und, um Lösungswege zu gestalten. Manchmal bewirkt dieser Kontakt einen große Veränderung im Lernverhalten, manchmal aber auch nicht.

11 Data Mining Unter Educational Data Mining (EDM) verstehen wir automatische Verfahren zur Analyse sehr großer Datenbestände, die aus der unübersehbaren Fülle von Details bisher unbekannte Strukturen und Zusammenhänge herausfiltern und diese Informationen so aufbereiten und bewerten, dass sie eine wertvolle Basis zum Verständnis der Studierenden und deren Lernumgebungen darstellen. Business Intelligence 11

12 Vereinfachter Data Mining Prozess Business Intelligence 12

13 Datenquellen Informationen, die über Log-Daten direkt erfasst werden können Name oder Matrikelnummer des Studierenden Anzahl der Log-ins komplette Zeit (Beginn und Ende), um daraus die Zeitspanne zu errechnen, die sich ein Student im System aufhält Teilnahme an bestimmten Aktivitäten (Tests, Diskussionen etc.) Zeit, die für eine Datei aufgewendet wird Quellen, die heruntergeladen werden Bewertung der Aktion (Frage gestellt, Antwort gegeben, falsche Vorstellungen) Niveau des abgelegten Tests/ Wissenskomponente (wenn Student eine Frage beantwortet oder Tests absolviert) Indirekte Informationen, die LMS liefert Anzahl und Frequenz der Posts in Blogs und Diskussionsforen und der Input, den der Student dazu liefert Kontext (andere beteiligte Studenten) und Zuhörerschaft und die Zeit, in der Studierender mit anderen interagiert Social network analysis, um Beziehungen zwischen den Studierenden und dem Lehrenden zu erkennen Art und Weise, mit der um Hilfe gefragt wird Clickstreams (Abfolge der Seitenaufrufe), ggf. Herkunftslink und Though clicks, um Sequenzen und Ziel des Websitebesuchs zu erkennen Allgemeine Informationen Quellen außerhalb des LMS Attention/ Focus Heat-Maps (s. Anhang 5) Standort und eventuell verwendetes Endgerät (Handy, Laptop, PC der HDU) Version von Browser und Betriebssystem Sprache Bildschirmauflösung (mittels JavaScript) installierte Plugins (mittels Java Script) Lebenslauf/ Profil des Studierenden Notenspiegel und OPAC-Daten Befragung der Studenten über Wirksamkeit der Lernmethoden Interesse am Material/ Qualität des Materials Anwesenheit im Kurs Noten der Tests und Klausuren Beurteilung unter Gleichrangigen eingereichte Studienarbeiten

14 Log-Datei des LMS Moodle 36245x10 view view.php?id=460 course XXX : x10 view view.php?id=9178 folder XXX : x10 view all index.php?id=460 user XXX : x10 view all index.php?id=460 user XXX : x10 view all index.php?id=460 user XXX : x10 view index.php? entryid=&tagid=&tag= blog XXX : x10 view index.php? entryid=&tagid=&tag= blog XXX : x10 view all index.php?id=460 user XXX : x10 view view.php?id=9178 folder XXX : x10 view view.php?id=9176 page XXX : x10 view view.php?id=9176 page XXX : x10 view view.php?id=9176 page XXX : x10 view view.php?id=9177 folder XXX : x10 view view.php?id=9178 folder XXX : x10 view view.php?id=9179 url XXX : x10 view view.php?id=9181 resource XXX : x10 view view.php?id=9183 url XXX : x10 view view.php?id=9184 folder XXX : x10 view view.php?id=460 course XXX :30

15 Statistische Verfahren Die in Log-Dateien aufgezeichneten Daten, werden mit Hilfe von statistischen Tools und OLAP (Online Analytical Processing) ausgewertet. Folgende Daten können mittels statistischer Analyse erhoben werden: - Welche Seite wurde besucht? - Wie oft wurde diese Seite besucht? (Frequenz) - Wie lange wurde die Seite besucht? (Dauer insgesamt und pro Besuch) Aus diesen Daten werden dann Patterns und Trends über den Zeitverlauf ausgewertet. Da die Nutzer mittels Log-In identifizierbar sind, können verschiedene Nutzer oder Nutzer-Gruppen auch miteinander verglichen werden. Zu den statistischen Verfahren gehören - Korrelationsanalysen wie lineare Korrelation und Chi-Quadrat- Unabhängigkeitstest. (ist als Zielgröße z. B. das Bestehen der Klausur definiert, so werden die Hauptbeeinflusser Online-Tests, Diskussionen, Lesen der Skripte identifiziert) - Regressionsverfahren (lineare Regression, neuronale Netze und radiale Basisfunktionen)

16 Statistische Verfahren - Regressionsbeispiel Streudiagramm zwischen Zeit, die ein Student im LMS verbringt und den absolvierten online-tests (links), rechts zusätzlich mit Regressionsgerade Annahme: Anzahl der online-tests, die ein Student ablegt, hängt nur von der verbrachten Zeit im LMS-System ab 16

17 Statistische Verfahren Recommender Agent Click-Stream Vergleich

18 Klassifikation Bei der Klassifikation wird nach gleichen Mustern bestimmter Attribute gesucht, so dass ein neues Objekt einer bestehenden Gruppe zugeordnet werden kann. Gegeben ist eine Klasseneinteilung einer Objektmenge Technik: Trainingsmenge mit gegebener Klasseneinteilung Verfahren (u.a. Entscheidungsbaum) Entscheidungsbäume leiten aus einer gegebenen Datenmenge einen Satz von Regeln ab, um unbekannte Objekte zu klassifizieren. Entscheidungsbäume sind intuitiv verständlich und schnell zu erstellen. Sie reagieren aber empfindlich auf inkonsistente und fehlende Daten

19 Klassifikationsverfahren: Entscheidungsbäume Folie zeigt einen Entscheidungsbaum, wie er im Rahmen der Learning Analytics verwendet werden könnte. Es wurde eine Hierarchie erstellt: Als oberstes Entscheidungskriterium steht der lesende Zugriff im LMS, gefolgt vom schreibenden Zugriff im LMS, also ob der Student bspw. das Forum verwendet. Ziel dieses Entscheidungsbaumes könnte es sein, eine Prognose zu geben, mit welcher Wahrscheinlichkeit der Studierende die Klausur am Ende des Kurses bestehen wird. Business Intelligence 19

20 Clusterbildung/Segmentierung o o o o Einteilung von Objekten in anwendungsbezogene interessante Teilmengen (Cluster) Alle Objekte eines Cluster haben gemeinsame Eigenschaften Ergebnisse: Auflistung der Objekte der Cluster, Beschreibung der Cluster Methoden, mit deren Hilfe Clusterverfahren durchgeführt werden o hierarchische und partitionierende Verfahren o neuronale Netze o k-means-algorithmen o Fuzzy c-means, Kohonen Self-Organizing Maps und Generative Topographic Mapping (selten in LA verwendet) Clusterverfahren können bei E Learning ähnliches Lernmaterial in Gruppen einteilen. So können Verbindungen zwischen verschiedenen Dokumenten erkannt werden und dem Lernenden neue Links zu verwandten Themen gegeben werden. Studenten können, abhängig von ihrem Wissen, in Cluster eingeteilt werden, um dann festzustellen, welches Wissen einer jeden Gruppe noch zu vermitteln ist. Business Intelligence 20

21 Clusterverfahren Anwendung: vhb Mathematik (Erstkurs Passau) Die Studenten wurden in Klassen eingeteilt: Klasse 1: 1,0 bis 3,0 ist gut bestanden Klasse 2: 3,3 bis 4,0 ist bestanden Klasse 3: 5,0 ist nicht bestanden um in den kommenden Semestern, anhand des online-verhaltens der Studierenden, eine Prognose geben zu können wer sicher besteht (Klasse 1), - wer wahrscheinlich besteht, aber Unterstützung braucht (Klasse 2), - wer mit großer Wahrscheinlichkeit nicht besteht und daher Unterstützung braucht (Klasse 3). 0 ressource course quiz forum user chat podcast blog gut bestanden bestanden nicht bestanden Quiz: jeweils Faktor 1,6 mehr Kurs-ID (course) spürbar

22 Clusterverfahren: vhb-kurs Mathematik (Erstkurs Hof) Teilnahme an Klausur Durchschni<snote Std.abweichung Cluster 1 38,2% 4,05 0,97 Cluster 2 80,4% 2,93 1,05 Cluster 3 100% 1,77 1,08

23 Clusterverfahren Anwendung: vhb Mathematik (Wiederholung Passau) ZeilenbeschriFungen cluster0 cluster1 cluster2 (Leer) Gesamtergebnis Mi<elwert von Note mipel 3, akrven 3, sehr akrv wenig 3, akrven 3,

24 Visualisierung Der Benutzer kann mit Hilfe von Visualisierungen besser und schneller die Aussagen verstehen, als bei bloßer zur Verfügung-Stellung der Daten (z.b. Abhängigkeiten) Hier können einfache Visualisierungswerkzeuge schon sehr nützlich sein, um Probleme zu identifizieren. Mögliche Visualisierungstypen sind Tabellen, Charts, Säulendiagramme, Histogramme, Kastendiagramme, Streudiagramme, Netze und Dashboards, die eine Zusammenfassung darstellen Beispiel Netze

25 Visualisierung: Beispiel Kommunikationsnetz

26 Dashboard Dashboard mit Ampelfarben aus dem Projekt Signals der Purdue University

27 Dashboard: Aktivitäten im Zeitablauf (Anzahl Mausclicks) Klasse 3 (unten) wird signifikant später im vhb- Kurs aktiv. Erst am ist eine erste online-aktivität zu verzeichnen, während Klasse 1 (oben) schon am aktiv wird

28 Aus Dashboard interpretiert Es lässt sich ein direkter Zusammenhang erkennen zwischen dem erfolgreichen Absolvieren einer Klausur und - Der Summe der online-aktivitäten, d. h. wie viele Seiten, Tests etc. online besucht werden (WAS?) - Dem Beginn dieser Aktivitäten (WANN?) - Die Zeit, die für diese Aktivitäten aufgewendet wird (WIE LANGE?)

29

30 Stolpersteine Die Frage des Datenschutzes muss diskutiert werden nicht zuletzt mit den Studierenden. Welche Daten müssen erfasst werden? Welche Datenerfassung ist überflüssig? Welche Daten besitzen pädagogische Relevanz? Fraglich ist, wie sich eine unmittelbare Reaktion auf Daten im Lehr-/ Lernprozess realisieren lässt. Im individuellen Lernprozess spielen so viele unterschiedlichen Faktoren eine Rolle, dass es unmöglich erscheint, aus automatisch generierten Daten und einer automatischen Datenauswertung die optimalen Maßnahmen für einen Lernenden abzuleiten. Bisher liegt der Hauptfokus des Learning Analytics -Ansatzes auf der Methodik der Datenerfassung und -auswertung, und weniger auf Ansätzen der Anwendung im realen Hochschulkontext. Die Datenerfassung setzt voraus, dass die verwendeten Werkzeuge zentral vorgegeben sind. Allerdings nutzen Studierende vermehrt auch webbasierte Werkzeuge oder Apps, für die sie sich individuell entscheiden. Dann gestaltet sich auch die Datenerfassung rund um den Lernprozess schwierig.

31 Literatur Ferguson, R. (2012). The State Of Learning Analytics in 2012: A Review and Future Challenges. Technical Report KMI-12-01, Knowledge Media Institute, The Open University, UK. Johnson, L., Adams, S., & Cummins, M. (2012). The NMC Horizon Report: 2012 Higher Education Edition. Austin, Texas: The New Media Consortium. Elisabeth Schlierf: (2013) Methoden der Wissensgenerierung bei den Learning Analytics, Bachelorarbeit, HDU Deggendorf Beer, R. (2014). Cockpit für Learning Analytics Implementierung der Methoden und ihre Anwendungen. Bachelorarbeit TH Deggendorf (in Arbeit)

32 Vielen Dank für Ihre Aufmerksamkeit deggendorf.de

Learning Analytics und das LeMo-Tool

Learning Analytics und das LeMo-Tool Learning Analytics und das LeMo-Tool Prof. Dr. Margarita Elkina HWR Berlin margarita.elkina@hwr-berlin.de Forum elearning Technische Hochschule Wildau 13. Januar 2015 1 Agenda Learning Analytics LeMo-Tool

Mehr

Learning Analytics mit Webanalyse-Diensten, Moodle-Plugins und Excel

Learning Analytics mit Webanalyse-Diensten, Moodle-Plugins und Excel Learning Analytics mit Webanalyse-Diensten, Moodle-Plugins und Excel DI(FH) Jakob Hofstätter E-Learning Koordinator jakob.hofstaetter@hartlauer.at Tel.: + 43 660 1313 605 Hartlauer Akademie Teufelsgraben

Mehr

Big und Smart Data für Hochschulforschung und Hochschulmanagement

Big und Smart Data für Hochschulforschung und Hochschulmanagement Big und Smart Data für Hochschulforschung und Hochschulmanagement Möglichkeiten und Grenzen Struktur des Vortrags 1. Thema 2. Educational Data Mining für Hochschulmanagement 3. Educational Data Mining

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Anbindung von Moodle an den DFNVC-Webkonferenzdienst

Anbindung von Moodle an den DFNVC-Webkonferenzdienst Anbindung von Moodle an den DFNVC-Webkonferenzdienst VCC-Workshop Technische Universität Dresden 9./10. Mai 2012 R. Trefz, DFN-Verein, trefz@dfn.de Inhalt Einführung in Moodle Adobe Connect Pro Plugin

Mehr

Learning Analytics: Einsatzszenarien und erste Erfahrungen Workshop zu Learning Analytics DeLFi 2013

Learning Analytics: Einsatzszenarien und erste Erfahrungen Workshop zu Learning Analytics DeLFi 2013 Learning Analytics: Einsatzszenarien und erste Erfahrungen Workshop zu Learning Analytics DeLFi 2013 A. Baumann & H. Pongratz Bremen, 8.9.2013 Die Technische Universität München Die TUM in Zahlen 13 Fakultäten

Mehr

Kann ein Tool wie LeMo Learning Analytics an die Hochschulen bringen?

Kann ein Tool wie LeMo Learning Analytics an die Hochschulen bringen? Kann ein Tool wie LeMo Learning Analytics an die Hochschulen bringen? Albrecht Fortenbacher Potsdam, 27. Januar 2014 Agenda Das Projekt Lernprozessmonitoring Die Anwendung LeMo Case Study: Nachbereitung

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Evaluation halboffener Lernszenarien und Learning Analytics am Beispiel der Mathematik Prof. Dr. Dr. Heribert Popp TH Deggendorf

Evaluation halboffener Lernszenarien und Learning Analytics am Beispiel der Mathematik Prof. Dr. Dr. Heribert Popp TH Deggendorf Evaluation halboffener Lernszenarien und Learning Analytics am Beispiel der Mathematik Prof. Dr. Dr. Heribert Popp TH Deggendorf i n n o v a t i v & l e b e n d i g B i l d u n g s r e g i o n D o n a

Mehr

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

wir begleiten motivierte menschen. wir begleiten motivierte menschen. wir begleiten motivierte menschen.

wir begleiten motivierte menschen. wir begleiten motivierte menschen. wir begleiten motivierte menschen. ÜBERBLICK Kontext PERSPEKTIVEN DER ONLINE EDUCATION Ansätze, Trends, Strategien Trends und Strategien MCI Ansatz und Aktivitäten MCI Studiengang BWL Online Mag. Regina Obexer Learning Solutions Dr. Matthias

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Lernen durch Concept Maps

Lernen durch Concept Maps Lernen durch Concept Maps Elisabeth Riebenbauer & Peter Slepcevic-Zach Karl-Franzens-Universität Graz Institut für Wirtschaftspädagogik Linz, 15. April 2016 Hamburg, Mai 2014 Überblick Concept Maps Theoretische

Mehr

Beispiele für die E-Learning-gestützte IT-Grundlagenausbildung

Beispiele für die E-Learning-gestützte IT-Grundlagenausbildung Tim Becker Referate-Seminar zur im WS 05/06 an der JLU Gießen Beispiele für die E-Learning-gestützte Gießen, 19./20. Dezember 2005 Agenda 1. Einleitung und Überblick 2. Inhalte und typische Learning Objects

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Analyse von Student-Studentund Student-Tutor-Interaktionen

Analyse von Student-Studentund Student-Tutor-Interaktionen Analyse von Student-Studentund Student-Tutor-Interaktionen Nils Montenegro Humboldt-Universität zu Berlin 1 / 25 Einleitung Wozu Interaktionen analysieren? Wie kann ein System eingreifen? Wie kann man

Mehr

ATTACHMENT: Module groups and associated modules degree course BSc Business Information Technology Full Time / Part Time Foundation ECTS-Credits Communication 1 4 Communication 2 4 Communication 3 4 Communication

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Vorteile: Lernen wird flexibler gestaltet, Austausch und Zugriff auf Inhalte jederzeit möglich

Vorteile: Lernen wird flexibler gestaltet, Austausch und Zugriff auf Inhalte jederzeit möglich was ist das? E-Learning: digitale Medien unterstützen Lernen Blended Learning: Mischform aus Präsenzseminaren und E-Learning, computergestütztes Lernen von zuhause aus, Austausch trotz räumlicher Entfernung

Mehr

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc. Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken

Mehr

Learning Analytics und Foren

Learning Analytics und Foren Learning Analytics und Foren Agathe Merceron Beuth Hochschule für Technik Berlin Margarita Elkina Hochschule für Wirtschaft und Recht Berlin Albrecht Fortenbacher Hochschule für Technik und Wirtschaft

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Fachhochschule Bielefeld University of Applied Sciences. Agenda

Fachhochschule Bielefeld University of Applied Sciences. Agenda easy learning Wie kommt die Bibliothek in den virtuellen Lernraum? Dr. Antje Kellersohn, Fachhochschule Bielefeld 7. AGFN-Fortbildungstreffen, 25. September 2007, Berlin Agenda Definition: Was ist elearning?

Mehr

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse Webanalyse Definitionen, Verfahren und Unterschiede Stefan Keil, DIPF Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse 1 Agenda 1. Einleitung a. Erhebungsmethoden 2. Definitionen verschiedener

Mehr

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,

Mehr

Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren?

Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren? Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren? Th. Wenk Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren? Seite 1 Agenda Themeneinführung Social Media

Mehr

Aufgabenbeschreibung im Rahmen der Ausschreibung 2014-I der Virtuellen Hochschule Bayern

Aufgabenbeschreibung im Rahmen der Ausschreibung 2014-I der Virtuellen Hochschule Bayern Aufgabenbeschreibung im Rahmen der Ausschreibung 2014-I der Virtuellen Hochschule Bayern Da es durchaus möglich sein kann, dass das Lehrangebot an den beteiligten Hochschulen unterschiedlich eingesetzt

Mehr

Lernformen der Zukunft Ergebnisse des MMB Learning Delphi 2011

Lernformen der Zukunft Ergebnisse des MMB Learning Delphi 2011 Lernformen der Zukunft Ergebnisse des MMB Learning Delphi 2011 Dr. Lutz P. Michel, MMB-Institut Essen/Berlin Vortrag auf der Xinnovations 2011, Forum Collaboration & Knowledge Bild Sven Brentrup / aboutpixel.de

Mehr

WEKA A Machine Learning Interface for Data Mining

WEKA A Machine Learning Interface for Data Mining WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010

Mehr

ANALYSIEREN VON SOCIAL MEDIA AKTIVITÄTEN

ANALYSIEREN VON SOCIAL MEDIA AKTIVITÄTEN ANALYSIEREN VON SOCIAL MEDIA AKTIVITÄTEN PROFI-Webcast 10.03.2015 Dr. Michael Kosmowski Software-Architekt Tel.: 0721 46 46 46 64 44 E-Mail: m.kosmowski@profi-ag.de AGENDA Was passiert bei unseren Kunden?

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

E-Learning in der Erwachsenenbildung: Herausforderungen. Claudia Bremer, studiumdigitale, Universität Frankfurt

E-Learning in der Erwachsenenbildung: Herausforderungen. Claudia Bremer, studiumdigitale, Universität Frankfurt E-Learning in der Erwachsenenbildung: Szenarien, Chancen, Trends und Herausforderungen Claudia Bremer, studiumdigitale, Universität Frankfurt 1 2 Trends im elearning Horizon Report Quelle: New Media Consortium

Mehr

Einsatz von Podcasting für Blended Learning

Einsatz von Podcasting für Blended Learning Einsatz von Podcasting für Blended Learning Michael Zeiller Fachhochschulstudiengänge Burgenland Informationstechnologie und Informationsmanagement Next Generation Learning Blended Learning Einsatz von

Mehr

13 Lernorganisation 28.01.2013. mediendidaktik.de. Rahmenmodell der Didaktik. Lernorganisation. zeitlich räumlich sozial

13 Lernorganisation 28.01.2013. mediendidaktik.de. Rahmenmodell der Didaktik. Lernorganisation. zeitlich räumlich sozial mediendidaktik.de Duisburg Learning Lab 13 Lernorganisation Michael Kerres lehrbuch.mediendidaktik.de Rahmenmodell der Didaktik nach Paul Heimann Lernorganisation zeitlich räumlich sozial 1 Lernzeit Schulzeit

Mehr

Auswertung und Visualisierung von Lernaktivitäten im E-Learning

Auswertung und Visualisierung von Lernaktivitäten im E-Learning Professur für Graphische Datenverarbeitung Institut für Informatik Auswertung und Visualisierung von Lernaktivitäten im E-Learning Abschlussvortrag zur Diplomarbeit von Christian Corlath 30.03.2009 Inhalt

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Adaptives Lernen - wenn sich die Lerninhalte an die Lerner anpassen

Adaptives Lernen - wenn sich die Lerninhalte an die Lerner anpassen Adaptives Lernen - wenn sich die Lerninhalte an die Lerner anpassen Dr. Lutz Goertz MMB Institut Gesellschaft für Medien- und Kompetenzforschung mbh, Essen/Berlin Bildungskonferenz 2015 Neues wagen! Veränderung

Mehr

Data Mining als Arbeitsprozess

Data Mining als Arbeitsprozess Data Mining als Arbeitsprozess Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 31. Dezember 2015 In Unternehmen werden umfangreichere Aktivitäten oder Projekte im Bereich des Data Mining

Mehr

Aufgabenbeschreibung im Rahmen der Ausschreibung 2013-II der Virtuellen Hochschule Bayern

Aufgabenbeschreibung im Rahmen der Ausschreibung 2013-II der Virtuellen Hochschule Bayern Aufgabenbeschreibung im Rahmen der Ausschreibung 2013-II der Virtuellen Hochschule Bayern Da es durchaus möglich sein kann, dass das Lehrangebot an den beteiligten Hochschulen unterschiedlich eingesetzt

Mehr

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr.

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr. Mining the Web Analyse von Benutzerpfaden und Nutzertypen im Internet Dr. Frank Säuberlich Business Unit CRM Solutions SAS Deutschland Agenda 1. Einleitung: Der Lebenszyklus eines e-kunden Begriffsdefinition

Mehr

Update. Understanding ... 2 ... 3 OTH

Update. Understanding ... 2 ... 3 OTH Update der Lernplattform meet-to-learn : Neues im Überblick für Studierende Nachfolgende Informationen geben einen Überblick über zentrale Änderungen in der neuen Version von meet-to-learn. Zur Nutzung

Mehr

und ihre Bedeutung für die deutschen Hochschulen Claudia Bremer, studiumdigitale, Universität Frankfurt

und ihre Bedeutung für die deutschen Hochschulen Claudia Bremer, studiumdigitale, Universität Frankfurt MOOCs und ihre Bedeutung für die deutschen Hochschulen Claudia Bremer, studiumdigitale, Universität Frankfurt 1 ZEIT vom 15.3.13 Trends im elearning Horizon Report New Media Consortium (NMC) und EDUCAUSE

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Präsentation der DeLFI Workshops

Präsentation der DeLFI Workshops Präsentation der DeLFI Workshops Workshops Informationstechnologien in der beruflichen Bildung Ulrich Hoppe Inclusive E-Learning Wiebke Köhlmann MobileLearning Dirk Börner/ Hendrik Thüs / Adam Giemza Learning

Mehr

Aktivierende Online-Lehre in der Mathematik mit Moodle, Clicker und LON-CAPA

Aktivierende Online-Lehre in der Mathematik mit Moodle, Clicker und LON-CAPA Aktivierende Online-Lehre in der Mathematik mit Moodle, Clicker und LON-CAPA Stefan Bisitz, Nils Jensen Zentrum für erfolgreiches Lehren und Lernen, Ostfalia DeLFI 2012 ZeLL Zentrum für erfolgreiches Lehren

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

Erfolgreiches Talentmanagement mit Totara

Erfolgreiches Talentmanagement mit Totara Erfolgreiches Talentmanagement mit Totara Tobias Hauser Thomas Kraehe Arrabiata Solutions GmbH Arrabiata Solutions GmbH 1 UNSER HINTERGRUND Arrabiata Solutions GmbH Full Service E-Learning Agentur 8 Jahre

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Mehr als virtuelle Klausuren. Dr. Sabine Hemsing

Mehr als virtuelle Klausuren. Dr. Sabine Hemsing Online- Assessment Mehr als virtuelle Klausuren Dr. Sabine Hemsing Der VCRP Initiierung und Förderung Support und Beratung Information und Ressourcen Technologie und Service Entwicklung und Politik Koordination

Mehr

Mobile und vernetzte Szenarien im Aufwind Ergebnisse der Trendstudie MMB Learning Delphi 2011

Mobile und vernetzte Szenarien im Aufwind Ergebnisse der Trendstudie MMB Learning Delphi 2011 Mobile und vernetzte Szenarien im Aufwind Ergebnisse der Trendstudie MMB Learning Delphi 2011 Dr. Lutz Goertz, MMB-Institut Essen/Berlin OPCO 12, Trends im E-Teaching 18. April 2012, 17:00 Uhr Bild Sven

Mehr

Social Media Analytics Aktuelle Herausforderungen

Social Media Analytics Aktuelle Herausforderungen Lehrstuhl für Informatik 5 Informationssysteme RWTH Aachen Social Media Analytics Aktuelle Herausforderungen Ralf Klamma RWTH Aachen I5-KL-111010-1 Gesellschaft für Informatik Regionalgruppe Köln Themenabend

Mehr

E-Learning. Neue Mode oder neues Modell? E-Learning Neue Mode oder neues Modell?

E-Learning. Neue Mode oder neues Modell? E-Learning Neue Mode oder neues Modell? E-Learning Neue Mode oder neues Modell? Klaus Haasis Universität Stuttgart multimedial / 100-online 11. Juli 2002 1 Internet Neue Mental Models Arbeiten Nomadic Work Lernen Knowledge Workers Kaufen Facilitators

Mehr

Business Information Management 5. Semester WS 2012/13 Vorlesung: New Trends in IT

Business Information Management 5. Semester WS 2012/13 Vorlesung: New Trends in IT Business Information Management 5. Semester WS 2012/13 Vorlesung: New Trends in IT Prof. Dr. Martin Rupp mailto:martin.rupp@ax-ag.com treten Sie mit mir direkt in Kontakt: martinrupp1964 Sie finden mich

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Thema:Blended Learning: Betrachtung in Bezug auf das EPLS Projekt

Thema:Blended Learning: Betrachtung in Bezug auf das EPLS Projekt Evaluationsprojekt zu Lernsoftware für den Fachbereich IK der FH Hannover Thema:Blended Learning: Betrachtung in Bezug auf das EPLS Projekt Referentin: Joanna Gropp Gliederung 2! Definition! Nutzen! Nachteile!

Mehr

Trends im elearning: Massive Open Online. Claudia Bremer, studiumdigitale, Universität Frankfurt

Trends im elearning: Massive Open Online. Claudia Bremer, studiumdigitale, Universität Frankfurt Trends im elearning: Massive Open Online Courses (MOOCS) und mobiles Lernen Claudia Bremer, studiumdigitale, Universität Frankfurt 1 Trends im elearning Horizon Report New Media Consortium (NMC) und EDUCAUSE

Mehr

Blended Working und Social Media in der täglichen Praxis der Unternehmensberatung als Erfolgsfaktor. 3. Branchenforum Consulting

Blended Working und Social Media in der täglichen Praxis der Unternehmensberatung als Erfolgsfaktor. 3. Branchenforum Consulting Blended Working und Social Media in der täglichen Praxis der Unternehmensberatung als Erfolgsfaktor Präsentiert durch: Guest Professor Robert A. Sedlák East China Normal University (ECNU) Shanghai Digitalisierung

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Data Mining - Clustering. Sven Elvers

Data Mining - Clustering. Sven Elvers Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Recommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006

Recommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Recommender Systems Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Inhalt 1 - Einführung 2 Arten von Recommender-Systemen 3 Beispiele für RCs 4 - Recommender-Systeme und

Mehr

Kurzanleitung Moodle für Dozenten und Dozentinnen

Kurzanleitung Moodle für Dozenten und Dozentinnen für Dozenten und Dozentinnen Willkommen bei Moodle, der E-Learning-Plattform der Folkwang Hochschule. Ziel dieser Kurzanleitung ist es, Ihnen Moodle nahe zu bringen, um Ihnen die ersten Schritte mit Moodle

Mehr

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 Abdul-Wahed Haiderzadah abdul-wahed.haiderzadah@haw-hamburg.de Betreuer:

Mehr

W.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik)

W.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik) Modulbeschrieb Business Intelligence and Analytics 16.10.2013 Seite 1/5 Modulcode Leitidee Art der Ausbildung Studiengang Modultyp W.WIINM42.13 Information ist eine derart wichtige Komponente bei der Entscheidungsfindung,

Mehr

Algorithmen und Datenstrukturen

Algorithmen und Datenstrukturen Vision ecampus am Beispiel der Grundlagenvorlesung Algorithmen und Datenstrukturen Judith Hüther und Katja Wengler Duale Hochschule, Standort Karlsruhe GML 2016: STRATEGISCHE UND ORGANISATORISCHE ELEMENTE

Mehr

E-Learning - Spektrum der Möglichkeiten und Problemlösepotenziale. 10. Mai 2011 Ralf P. Frenger, JLU Gießen

E-Learning - Spektrum der Möglichkeiten und Problemlösepotenziale. 10. Mai 2011 Ralf P. Frenger, JLU Gießen E-Learning - Spektrum der Möglichkeiten und Problemlösepotenziale 10. Mai 2011 Ralf P. Frenger, JLU Gießen Agenda Vorstellung JLU Gießen KOMM E-Learning Definition E-Learning an der JLU Anforderungen E-Lectures

Mehr

2. Datenvorverarbeitung

2. Datenvorverarbeitung Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy

Mehr

IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung

IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung Evaluieren & Erkennen, Weiterentwickeln & Reporten Datenerhebung, Datenanalyse und Data Mining

Mehr

Web Data Mining. Alexander Hinneburg Sommersemester 2007

Web Data Mining. Alexander Hinneburg Sommersemester 2007 Web Data Mining Alexander Hinneburg Sommersemester 2007 Termine Vorlesung Mi. 10:00-11:30 Raum?? Übung Mi. 11:45-13:15 Raum?? Klausuren Mittwoch, 23. Mai Donnerstag, 12. Juli Buch Bing Liu: Web Data Mining

Mehr

Digital traces: Möglichkeiten der bedeutungsvollen Analyse von komplexen Online-Daten

Digital traces: Möglichkeiten der bedeutungsvollen Analyse von komplexen Online-Daten Digital traces: Möglichkeiten der bedeutungsvollen Analyse von komplexen Online-Daten Andreas Breiter & Andreas Hepp Gliederung 1. Digital traces trotz big data: Zur Komplexität der heutigen Medienumgebung

Mehr

Übersicht Die Übersicht zeigt die Zusammenfassung der wichtigsten Daten.

Übersicht Die Übersicht zeigt die Zusammenfassung der wichtigsten Daten. Webalizer Statistik Bedeutung der Begriffe Übersicht Die Übersicht zeigt die Zusammenfassung der wichtigsten Daten. Anfragen Gesamtheit aller Anfragen an Ihren Account. Jede Anfrage auf eine Grafik, eine

Mehr

Herausforderungen bei der Nutzung von Tablets im Studium: Zur Relevanz der Gestalt der PLE, Lernverständnis und Entgrenzung

Herausforderungen bei der Nutzung von Tablets im Studium: Zur Relevanz der Gestalt der PLE, Lernverständnis und Entgrenzung Herausforderungen bei der Nutzung von Tablets im Studium: Zur Relevanz der Gestalt der PLE, Lernverständnis und Entgrenzung Dipl.-Päd. Patrick Bettinger, Dr. Frederic Adler, Prof. Dr. Kerstin Mayrberger,

Mehr

Das Bildungsportal Sachsen was bisher geschah! Die Lernplattform OPAL wofür kann ich sie einsetzen?

Das Bildungsportal Sachsen was bisher geschah! Die Lernplattform OPAL wofür kann ich sie einsetzen? elearning-sommeruni an der HTW DD Einführung in die Lernplattform OPAL Sven Morgner BPS Bildungsportal Sachsen GmbH 22.07.2008 HTW Dresden Überblick Themen des Workshops Das Bildungsportal Sachsen was

Mehr

WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS

WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST? BERNADETTE FABITS WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS HINEIN GEHÖRT DATA SCIENTIST, STATISTIKER, DATA MINER, ANALYST,. Gibt es noch mehr von denen. die arbeiten mit Big Data

Mehr

LiLa Portal Leitfaden für Dozierende

LiLa Portal Leitfaden für Dozierende Library of Labs Lecturer s Guide LiLa Portal Leitfaden für Dozierende Meist werden Dozierende die Lerninhalte ihrer Studierenden festlegen und aus der großen Auswahl von LiLa Experimenten diejenigen auswählen,

Mehr

SAP Integration von Business Objects am Beispiel von SAP Student Lifecycle Management. Anke Noßmann Syncwork AG

SAP Integration von Business Objects am Beispiel von SAP Student Lifecycle Management. Anke Noßmann Syncwork AG SAP Integration von Business Objects am Beispiel von SAP Student Lifecycle Management Anke Noßmann Syncwork AG SAP HERUG Partnertag, Berlin 06. November 2009 Inhalt 1. Ausgangssituation 2. Alternative

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

IMS - Learning Design

IMS - Learning Design IMS - Learning Design Ein Vortrag zum Thema Learning Design von Maayan Weiss Inhalt Was ist IMS Learning Design? Kurzer Einblick Welche Lücken gibt es im e-learning? Was hat IMS-LD zu bieten. Wie sieht

Mehr

Mobile Lernstrategien mit Moodle

Mobile Lernstrategien mit Moodle Mobile Lernstrategien mit Moodle Tobias Hauser Thomas Kraehe Arrabiata Solutions GmbH Arrabiata Solutions GmbH 1 UNSER HINTERGRUND Arrabiata Solutions GmbH Full Service E-Learning Agentur 8 Jahre Moodle

Mehr

Mahara für Hochschulen

Mahara für Hochschulen Mahara für Hochschulen Campus Source Tagung Münster 12.03.2015 Dipl.-Inf. Brigitte Kreplin brigitte.kreplin@fernuni-hagen.de 02331-987-4322 Zentrum für Medien & IT Abteilung Medienberatung 1. Einführung

Mehr

Master Logistik. Modultitel / Bezeichnung der Lehrveranstaltung Vertiefungsmodul Verfahren und IT-Systeme 1-3. Anzahl der SWS.

Master Logistik. Modultitel / Bezeichnung der Lehrveranstaltung Vertiefungsmodul Verfahren und IT-Systeme 1-3. Anzahl der SWS. Modulnummer 8 a 8 c Modultitel / Bezeichnung der Lehrveranstaltung Vertiefungsmodul Verfahren und IT-Systeme 1-3 Kurzbezeichnung Semeste Anzahl der SWS Häufigkeit des - r 12 Angebots 1 oder 2 jedes Semester/jedes

Mehr

Durch ausgeklügeltes Blended Learning steigere ich die Prüfungsleistung und schone Lehrressourcen

Durch ausgeklügeltes Blended Learning steigere ich die Prüfungsleistung und schone Lehrressourcen Durch ausgeklügeltes Blended Learning steigere ich die Prüfungsleistung und schone Lehrressourcen Seite 1 E-Learning - Einbindung in ein Curriculum und strategischer Einsatz Prof. Dr. Dr. Heribert Popp

Mehr

Integration der HIS-Softwareprodukte intern/extern. Dortmund 4.12.2007

Integration der HIS-Softwareprodukte intern/extern. Dortmund 4.12.2007 Integration der HIS-Softwareprodukte intern/extern Dortmund 4.12.2007 Inhalt Bestandsaufnahme Datenintegration Datenreplikation Schnittstellen Aspekte, Beispiele Aktuelle Kopplungstechniken Beispiele aus

Mehr

elearning 02.07.2004 SIGNAL project Hans Dietmar Jäger 1

elearning 02.07.2004 SIGNAL project Hans Dietmar Jäger 1 elearning The use of new multimedia technologies and the Internet to improve the quality of learning by facilitating access to resources and services as well as remote exchange and collaboration. (Commission

Mehr

Das LearningOnline Network mit Computer- Assisted Personalized Approach (LON-CAPA)

Das LearningOnline Network mit Computer- Assisted Personalized Approach (LON-CAPA) Das LearningOnline Network mit Computer- Assisted Personalized Approach () Gerd Kortemeyer Michigan State University 1 2 Lehrinhaltsverwaltungssystem Hausübungs- und Prüfungssystem Open-source und umsonst

Mehr

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825 Folien zum Textbuch Kapitel 6: Managementunterstützungssysteme Teil 2: Managementunterstützung auf strategischer Ebene Datenverwaltung und -auswertung Textbuch-Seiten 794-825 WI 1 MUS MUS auf strategischer

Mehr

Wegweiser zur Berechnung des studentischen Arbeitsaufwands (Workload)

Wegweiser zur Berechnung des studentischen Arbeitsaufwands (Workload) Wegweiser zur Berechnung des studentischen Arbeitsaufwands (Workload) Version 1, Stand September 2010 Hochschulreferat Studium und Lehre/September 2010 1 Vorwort Sehr geehrte Damen und Herren, liebe Kolleginnen

Mehr

IBM Connections 4.0 Neuerungen

IBM Connections 4.0 Neuerungen IBM Connections 4.0 Neuerungen Barbara Koch Leader Social Business Barbara B Koch Leader Social Business IBM Deutschland IBM Collaboration Solutions Unified Number : +49-7034-64-31018 Mobil: +49-172-7279370

Mehr

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

Berufsbegleitend zum Wirtschaftsingenieur-Bau. Technische Hochschule Ingolstadt 10.02.2014

Berufsbegleitend zum Wirtschaftsingenieur-Bau. Technische Hochschule Ingolstadt 10.02.2014 Berufsbegleitend zum Wirtschaftsingenieur-Bau Technische Hochschule Ingolstadt 10.02.2014 Agenda Geplanter berufsbegleitender Bachelorstudiengang Wirtschaftsingenieur-Bau Wie funktioniert ein berufsbegleitender

Mehr

Inhalt. FAQs / HOW TO

Inhalt. FAQs / HOW TO Inhalt Formen des Online-Studiums nach Studiengängen Anforderungen und Scheinerwerb Anmeldung / Registrierungen Registrierung bei der Virtuellen Hochschule Bayern (vhb) Lernplattform Moodle Eigenes Profil

Mehr

Dipl.-Inf. Thomas Grell 25.10.2013. Bisherige Erfahrungen aus den neuen CORE-Studiengängen

Dipl.-Inf. Thomas Grell 25.10.2013. Bisherige Erfahrungen aus den neuen CORE-Studiengängen Einsatz von E-Learning im Rahmen kompetenzorientierter Studiengänge Dipl.-Inf. Thomas Grell 25.10.2013 30.10.2013 Seite 1 30.10.2013 Seite 1 INHALTSVERZEICHNIS 01 INTRO Bisherige Erfahrungen aus den neuen

Mehr

Big & Smart Data. bernard.bekavac@htwchur.ch

Big & Smart Data. bernard.bekavac@htwchur.ch Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem

Mehr

Gesprächskreis V. E Learning. Zusammenfassung des Projek8eams Simone Görl. 08.04.2010 Universität zu Köln Gesprächskreis V

Gesprächskreis V. E Learning. Zusammenfassung des Projek8eams Simone Görl. 08.04.2010 Universität zu Köln Gesprächskreis V Gesprächskreis V E Learning Zusammenfassung des Projek8eams Simone Görl Überblick DefiniIonen und FunkIonen Status Quo Vorläufige Empfehlungen Weitere Fragen als Diskussionsgrundlage Problem der DefiniIon

Mehr

Begabungen und Lernkompetenzen. Eine anwendungsbezogene Einführung für Lehramtsstudierende

Begabungen und Lernkompetenzen. Eine anwendungsbezogene Einführung für Lehramtsstudierende Begabungen und Lernkompetenzen Eine anwendungsbezogene Einführung für Lehramtsstudierende Inhalte der heutigen Veranstaltung 1. Allgemeine Informationen & Einordnung in die Studienmodule 2. Themen, Inhalte

Mehr

Organisationsentwicklung und Supportmodelle für e-learning Regina Obexer, Service Manager VLE Queensland University of Technology

Organisationsentwicklung und Supportmodelle für e-learning Regina Obexer, Service Manager VLE Queensland University of Technology Organisationsentwicklung und Supportmodelle für e-learning Regina Obexer, Service Manager VLE Division of Technology Information and Learning Support Annika, 7 Monate alt Überblick : kurzes Portrait Lehr-

Mehr