LeMo-Lernprozessmonitoring auf personalisierenden und nicht personalisierenden Lernplattformen

Transkript

1 LeMo-Lernprozessmonitoring auf personalisierenden und nicht personalisierenden Lernplattformen Liane Beuster 1, Margarita Elkina 2, Albrecht Fortenbacher 1, Leonard Kappe 1, Agathe Merceron 3, Andreas Pursian 2, Sebastian Schwarzrock 3, Boris Wenzlaff 1 1 Hochschule für Technik und Wirtschaft Berlin Wilhelminhofstraße Berlin {liane.beuster, albrecht.fortenbacher, kappe, boris.wenzlaff}@htw-berlin.de 2 Hochschule für Wirtschaft und Recht Berlin Alt Friedrichsfelde Berlin {margarita.elkina, andreas.pursian}@hwr-berlin.de 3 Beuth Hochschule für Technik Berlin Luxemburger Str Berlin {merceron, sschwarzrock}@beuth-hochschule.de Zusammenfassung Die in diesem Projekt zu entwickelnde Anwendung ermöglicht es, Nutzungsdaten verschiedener Lernplattformen mittels Methoden des Educational Data Mining zu untersuchen, um daraus Erkenntnisse über Lernverhalten und Optimierungsmöglichkeiten der elearning Angebote zu gewinnen. Besondere Schwerpunkte bei der Entwicklung dieser Anwendung liegen in der Vereinheitlichung der gewonnenen Daten, in der Auswahl geeigneter Data-Mining Methoden, der Auswahl geeigneter Verfahren zur Anonymisierung und der nutzerfreundlichen Visualisierung der ausgewerteten Daten. 1. Das Projekt Ziel dieses interdisziplinären Forschungsprojekts Lernprozessmonitoring auf personalisierenden und nicht personalisierenden Lernplattformen (LeMo) ist es, eine prototypische Anwendung zu entwickeln, die sowohl in der Forschung zur Verifikation von Hypothesen zum Lernverhalten eingesetzt werden kann als auch in der Lehre für das Monitoring von Lernprozessen. Dabei kooperieren die drei Berliner Hochschulen - Beuth-Hochschule für Technik Berlin, Hochschule für Technik und Wirtschaft Berlin und Hochschule für Wirtschaft und Recht Berlin - sowie fünf Praxispartner aus dem Bereich elearning bbw Hochschule, eledia GmbH, FIZ-Chemie GmbH, imc AG und Lesson Nine GmbH miteinander Ziel der Anwendung Das Projekt lässt sich im Feld des Educational Data Mining [EDM] verorten. Methoden des Data- Mining Associations, Sequential Patterns, Regressionsanalyse, Clusteranalyse, Faktorenanalyse u.a. sowie Statistiken und Visualisierung - werden in der zu entwickelnden Anwendung genutzt, um basierend auf den Nutzungsdaten von elearning-plattformen Informationen über das Verhalten der Anwender sowie über Qualität und Optimierungsmöglichkeiten der elearning-angebote zu gewinnen. Die zu entwickelnde Monitoring-Anwendung unterstützt Wissenschaftlicher, Dozenten und elearning- Anbieter durch eine benutzerfreundliche Oberfläche bei der Beantwortung unterschiedlicher Fragestellungen. Die Ergebnisse der Data-Mining Prozesse werden zudem mit Hilfe verschiedener Visualisierungen dargestellt Lernplattformen als Datenlieferanten

2 Als Datenbasis dienen hierbei die umfangreichen Datenbestände, welche in den elearning- Umgebungen(Moodle, ecampus (CLIX), ChemgaPedia, Babbel) der beteiligten Hochschulen und Praxispartner u.a. in Form von Log-Dateien erhoben werden. Die im Rahmen des LeMo-Projekts entwickelte Data-Mining-Anwendung wird mit geringen Anpassungen auch für andere elearning- Plattformen eingesetzt werden können. Die Anwendung kann sowohl im Zusammenhang mit personalisierenden Plattformen (ein Login ist erforderlich wie bei Moodle oder Babbel) oder nicht personalisierenden Plattformen (Zugriff ohne Login wie bei ChemgaPedia) angewendet werden. Ein besonderes Merkmal der entstehenden Anwendung ist, dass Datenanalysen unabhängig von den betreffenden Plattformen und damit plattformübergreifend und vergleichend erfolgen können, was insbesondere für Firmen und Hochschulen interessant ist, an denen mehrere Lernplattformen parallel eingesetzt werden Forschungshypothesen und Fragen an das Lernprozess-Monitoring Als Leitlinie der Data-Mining-Analysen dient ein Katalog von über 80 Forschungshypothesen und didaktischen Fragestellungen der Hochschulen und Praxispartner zu Lernverhalten und Mediennutzung der Anwender Beispiele für Forschungshypothesen zu Lernverhalten und Medieneinsatz Es lassen sich aus den Nutzungsdaten Rückschlüsse auf typische Benutzergruppen ziehen. Es gibt einen Zusammenhang zwischen der Nutzung bestimmter Ressourcen und den Ergebnissen von Tests. Es gibt eine kritische Masse an Beiträgen, bei der die Aktivität im Forum wechselt Beispiele für Fragestellungen zum Monitoring von Lernprozessen Wie verteilen sich die Forenbeiträge auf die Teilnehmer? Lassen sich besonders ausgetretene Pfade durch die Ausbildungslandschaft erkennen? Gibt es Pfade die nie beschritten werden? Gibt es Übungen oder Tests, die fast alle Lernenden problemlos bestehen oder solche die viele Lernende falsch beantworten? 1.4. Interdisziplinäre Forschungsthemen Bei der Entwicklung der hier beschriebenen Data-Mining-Anwendung ergeben sich eine Reihe von interdisziplinären Forschungsthemen in den Bereichen Didaktik, Informatik, Statistik und Datenschutz, wie z.b.: Wie muss eine grafische Benutzeroberfläche beschaffen sein, so dass sie den heterogenen Anforderungen der Zielgruppen gerecht werden kann? Wie kann der Datenschutz gewahrt werden und zugleich möglichst viele aussagekräftige Informationen gewonnen werden? Welche Fragestellungen und Hypothesen sind für Aussagen über das Lernverhalten relevant? 2. Schwerpunkte bei der Entwicklung der Anwendung 2.1. Vereinheitlichung der Daten Die verschiedenen Lernplattformen sind sehr unterschiedlich aufgebaut und speichern Daten über das Lernverhalten ihrer Nutzer in verschiedensten Formaten. Personalisierende Systeme nutzen in der Regel Datenbanken zur Protokollierung des Nutzerverhaltens. Bei nicht personalisierenden Plattformen hingegen können Aktionen der Nutzer auch in Log-Dateien gespeichert werden. Was in der einen Plattform Kurs genannt wird, trägt möglicherweise in einer anderen Plattform die Bezeichnung Lerngruppe oder auch Lerneinheit. In der LeMo-Anwendung werden Informationen, die Gleiches bezeichnen, einheitlich verarbeitet.

3 Um auf diese verschiedenen Datenquellen zugreifen zu können, besitzt das Monitoring-System für jeden Plattform-Typ eine separate Schnittstelle, über die relevante Daten geladen werden. Der Zugriff auf die Daten kann erfolgen, ohne dass die Lernplattformen hierfür verändert werden müssen. Die erhobenen Daten werden in ein gemeinsames Modell überführt und im LeMo-System gespeichert. Somit stehen die Daten in einem allgemeinen, plattformunabhängigen Format für die Analyse durch Data-Mining-Verfahren zu Verfügung. Sowohl personalisierende, als auch nicht personalisierende Systeme können auf diese Weise mit dem selben Werkzeug untersucht werden. Eine Besonderheit stellt bei LeMo die Möglichkeit dar, auch verschiedene betriebene Lernplattformen gleichzeitig als Datenquellen des Monitoring-Systems zu verwenden. Dies lässt den direkten Vergleich zwischen mehreren eingesetzten Plattformen zu und hilft Fragen über deren Nutzung zu beantworten und deren Effektivität einzuschätzen Fragen und Hypothesen beeinflussen die Wahl der Analyse-Methoden Die 80 Fragen des als Leitlinie dienenden Katalogs wurden gestellt ohne zu berücksichtigen, ob und wie sie mit Hilfe der Anwendung zu beantworten sind. Der Katalog lässt sich verschieden gliedern: Eine erste Gliederung ergibt sich durch die Differenzierung der Fragen in (i) Forschungshypothesen zu Lernverhalten und Medieneinsatz sowie (ii) Fragestellungen zum Monitoring von Lernprozessen wie oben gezeigt. Eine zweite Gliederung ergibt sich, wenn beachtet wird, aus welchem Anwendungshintergrund die Frage gestellt wurde: (i) Forscher, (ii) Content-Anbieter, (iii) Bildungsanbieter, (iv) Dozent. Fragen von Forschern wurden schon erwähnt. Content-Anbieter stellen Fragen wie Welche Ressourcen wurden viel benutzt, welche Ressourcen wurden gar nicht oder kaum benutzt? oder Gibt es Seiten, die so gut wie nie angesprungen werden?, Lassen sich Gründe hierfür finden (schlechte Keyword-Vergabe im Vergleich mit anderen Seiten, keine Einbettung in populäre Pfade,...)?, Gibt es besonders aufwändige/gute Seiten im Material, die trotz ihrer Qualität nicht gefunden werden?. Bildungsanbieter stellen Fragen wie Wie viele Studierende gibt es in jedem Kurs?, Mit welchem Kurs steigen die meisten Lernenden ein? oder Welches sind Kurse, bei denen ein starkes Abbruchsverhalten sichtbar wird?. Dozenten stellen Fragen wie Lassen sich aus dem Einzelnutzerverhalten wie etwa der Bearbeitungsgeschwindigkeit Rückschlüsse auf das Verständnislevel des Nutzers ziehen? oder Welche Unterschiede gibt es in berufsbegleitenden Studiengängen und in Präsenzstudiengängen in der Aktivität der Studierenden? Eine andere Gliederung ergibt sich, wenn die von Lernplattformen gespeicherten Daten als Ausgangspunkt der Fragestellung genutzt werden. Wir haben vier Schwerpunkte identifiziert: (i) Benutzung des Lernangebotes, (ii) Performance der Lernenden, (iii) Verhalten und Entdeckung von Nutzer-Gruppen sowie (iv) Lernpfade. Die Analyse der Benutzung des Lernangebotes beantwortet Fragen wie Wann, wie oft, wie lange und von wie vielen Teilnehmern wurde auf einzelne Lerninhalte zugegriffen?. Die Analyse der Performance der Lernenden sucht nach Antworten für Fragen wie Welche Lernobjekte sind hilfreich um einen Test zu bestehen?. Die Analyse von Verhaltensmustern mit dem Ziel der Identifikation spezifischer Nutzer-Gruppen sucht nach Antworten auf Fragen wie Welche Unterschiede gibt es in berufsbegleitenden Studiengängen und in Präsenzstudiengängen in der Aktivität der Studierenden? oder Lassen sich aufgrund der Nutzung multimedialer Applikationen Rückschlüsse auf Nutzertypen ziehen?. Die Analyse der Lernpfade beantwortet Fragen wie Welche "ausgetretenen" Pfade durch das Lernmaterial gibt es?. Innerhalb jeder Gliederung ist die Verteilung der Fragen unscharf. Viele Fragen können sowohl als Forschungshypothesen sowie als Fragestellungen zum Monitoring verstanden werden. Forscher, Content-Anbieter, Bildungsanbieter und Dozenten stellen zum Teil gleiche oder sehr ähnliche Fragen wie zum Beispiel Welche Lernobjekte sind hilfreich um einen Test zu bestehen?. Fragen zu Nutzer- Gruppen sind mit Fragen der Benutzung des Lernangebotes verknüpft. Zum Beispiel erfordert die Frage Welche Unterschiede gibt es in berufsbegleitenden Studiengängen und in

4 Präsenzstudiengängen in der Aktivität der Studierenden? dass die Benutzung der gleichen Ressourcen für zwei verschiedene Gruppen analysiert wird. Die Analyse wird mit Methoden des Educational Data Mining (EDM) geführt. Das Ziel von EDM ist Daten aus Lernsystemen zu untersuchen, um Lernende und deren Lernumgebungen besser zu verstehen [BY][RV]. Zu den Methoden des EDM gehören zuerst die klassischen Data- Mining- Verfahren. Data- Mining- Algorithmen können in zwei Hauptgebiete unterteilt werden: beschreibende Algorithmen und prognostizierende Algorithmen. Mit beschreibenden oder deskriptiven Algorithmen werden Muster gesucht, welche die Daten näher bestimmen: Associations, Sequential Patterns, oder Clusteranalyse gehören zu diesem Feld. Diese Art von Algorithmen werden benutzt um zum Beispiel die Fragen Lassen sich aufgrund der Nutzung multimedialer Applikationen Rückschlüsse auf Nutzertypen ziehen? oder Welche "ausgetretenen" Pfade durch das Lernmaterial gibt es? zu behandeln. Regressionsanalyse, Entscheidungsbäume und Support Vector Machines sind unter anderem prognostizierende Algorithmen. Mit ihnen werden Zusammenhänge zwischen Variablen gesucht, um den unbekannten oder zukünftigen Wert einer Variablen mit Hilfe anderer Variablen vorherzubestimmen. Diese Art von Algorithmen werden benutzt um zum Beispiel die Frage Welche Lernobjekte sind hilfreich um einen Test zu bestehen? zu behandeln. Zu EDM werden auch Methoden der Daten- Erkundung oder Statistiken und Visualisierung gezählt. Diese Methoden werden für die Analyse der Benutzung des Lernangebots eingesetzt etwa bei Fragen wie Welche Ressourcen wurden viel benutzt, welche Ressourcen wurden gar nicht oder kaum benutzt?. Die Visualisierung der Antworten ist bedeutsam, damit Benutzer der Anwendung das Ergebnis der Analyse verstehen und verwerten können. Bei der Analyse der Daten zu den Fragestellungen ist die Trennung zwischen den verschiedenen Methoden des EDM unscharf. Die Frage Welche Lernobjekte sind hilfreich um einen Test zu bestehen? lässt sich am Besten mit einer Kombination aus Statistiken, Associations und prognostizierenden Algorithmen beantworten. Die verschiedenen möglichen Gliederungen der Fragen eröffnen wiederum verschiedene Möglichkeiten für die Gestaltung einer intuitiven benutzerfreundlichen Oberfläche zur Formulierung von Fragestellungen Datenschutz und Anonymisierung Der Datenschutz ist ein weiterer wichtiger Aspekt, der die Entwicklung der LeMo-Anwendung beeinflusst. Erhobene Daten der Anwender von Lernplattformen, dürfen aufgrund gesetzlicher Bestimmungen [BDS] nur anonymisiert ausgewertet werden. Das Ziel dieser Bestimmung ist der Schutz des Einzelnen vor der Beeinträchtigung des Persönlichkeitsrechts, durch den Umgang mit seinen personenbezogenen Daten. Anonymisierung bedeutet, dass Identifikatoren, die eine genaue Bestimmung einer Person erlauben, wie zum Beispiel der Name oder die Matrikelnummer eines Studenten dahingehend verändert werden, dass keine eindeutige Zuordnung zu einer Person möglich ist. Da Anonymisierung immer mit einem Informationsverlust verbunden ist, steht sie in einem direkten Widerspruch zur Auswertbarkeit der Daten. Um einen geeigneten Mittelweg zwischen Datenschutz und wertvollen Auswertungen zu finden, werden die zur Verfügung stehenden Datenstrukturen und ihre Abhängigkeiten untersucht sowie

5 verschiedene Algorithmen zur Anonymisierung betrachtet und die jeweils resultierenden Ergebnisse anhand von Beispieldaten verglichen. Ein Verfahren der Anonymisierung stellt die Pseudonymisierung [PSE] dar, bei der Indikatorfelder durch beliebige Muster, wie beispielsweise einem zufällig gewählten Wert für den realen Namen ersetzt werden. Ein Datensatz ist dadurch weiterhin einer Person zuzuordnen ohne diese jedoch explizit bestimmen zu können. Anders als beim ersatzlosen Steichen von Datenfeldern bleiben bei der Pseudonymisierung die Bezüge verschiedener Datensätze, welche auf dieselbe Art pseudonymisiert wurden, erhalten Visualisierung Da die zu entwickelnde Anwendung von Nutzern mit unterschiedlichem statistischen Vorkenntnissen genutzt werden wird, ist die nutzerfreundliche Visualisierung der Daten ein Schwerpunkt der Entwicklung dieser Anwendung. Dabei implizieren die Ziele der Analysen spezifische Visualisierungsmöglichkeiten. Im Folgenden werden beispielhafte Visualisierungen zu ausgewählten Fragestellungen angeführt: Zu welchen Zeitpunkten wurde in welchem Umfang auf den jeweiligen Lerninhalt zugegriffen? Abbildung 1 Klassische Fragestellungen aus dem Bereich Benutzung des Lernangebots sollen grafisch ansprechend visualisiert werden können. Hierbei kommen z.b. Area- oder Bar-Charts zum Einsatz, die mittels frei wählbarer Parameter etwa für die gewünschte Veranstaltung/Kurs, das Zeitintervall oder die Nutzergruppe an die jeweiligen Fragestellungen angepasst werden können. Ziel ist es, ein möglichst universelles Werkzeug für beliebige Fragestellungen aus dem Bereich Benutzung des Lernangebots bereit zu stellen. Welches sind Kurse mit einer hohen, welches mit einer niedrigen Beteiligung? Abbildung 2

6 Neben der detaillierten Analyse einer einzelnen Veranstaltung bzw. eines Kurses liegt ein weiterer Schwerpunkt im Bereich Benutzung des Lernangebots auf der grafischen Aufbereitung aggregierter Daten, die eine Vergleichbarkeit verschiedener Veranstaltungen/Kurse über ein definiertes Zeitintervall ermöglichen. Hierfür werden Visualisierungen genutzt, die es erlauben, komplexe Daten auf intuitive und verständliche Weise fassbar zu machen. Am hier gewählten Beispiel einer Heatmap (Abbildung 2) lässt sich die durchschnittliche Nutzerbeteiligung für den Zeitraum Dez Jan für eine Gruppe von Veranstaltungen/Kursen ablesen. Welche ausgetretenen Pfade durch das Lernmaterial gibt es? Abbildung 3 Erkenntnisinteresse der Analyse der Lernpfade ist es, typische Nutzungsmuster der Lernenden bei der Navigation auf einer Lernplattform zu erkennen und zu analysieren. Hierbei steht neben der intuitiven Identifikation besonders stark nachgefragter Lernressourcen und gering frequentierter Inhalte, insbesondere die Extraktion von Lernpfaden oft wiederkehrende Navigationsmuster einer Vielzahl von Nutzern - im Mittelpunkt. Durch die leichte Identifikation von Navigationsbrüchen, können zudem Hinweise für Optimierungsmöglichkeiten innerhalb der Navigationsstruktur gewonnen werden. Als vorrangiges Mittel zur Visualisierung dieser Fragestellungen werden Methoden der Graphen- Repräsentationen genutzt. Das hier gewählte Beispiel (Abbildung 3) zeigt anhand eines kreisförmig angeordneten Graphen exemplarisch die Navigationsmuster für zwei vordefinierte Lernpfade. 3. Der Thementisch Der Thementisch verfolgt das Ziel, Anbieter und Anwender von elearning- Angeboten zusammenzubringen und einen Austausch über Konzepte und Erfahrungen mit elearning- Monitoring und Evaluation zu ermöglichen und unter dem Aspekt der nachhaltigen Verbesserung von elearning ein Zukunftsbild zu entwickeln Inhalte In einem multimedialen Impulsvortrag werden zentrale Ideen des Projektes und ausgewählte Forschungsschwerpunkte vorgestellt.

7 Anschließend werden zur Verortung der Anwesenden mittels der Methode Bühne einige Fragen an die Teilnehmenden gestellt, die diese in Form von räumlichen Aufstellungen beantworten. Beispiele für solche Fragen: Setzen Sie ein, zwei oder mehrere elearning- Plattformen ein? Werten Sie Ihr Angebot gar nicht, mit den Möglichkeiten der Plattform oder weiteren Analysetools aus und wie zufrieden sind Sie dabei mit diesen Möglichkeiten? Anschließend können sich die Anwesenden im World- Café für eines von drei Themenfeldern entscheiden: Visualisierungen für das Monitoring Zu ausgewählten Forschungsfragen werden mehrere Varianten für Visualisierungen vorgestellt, die von den Teilnehmern diskutiert und bewertet werden Datenschutz, Anonymisierung und Data- Mining In einem Rollenspiel werden unterschiedliche Positionen (Forscher, Anwender, Anbieter, Dozent, Datenschützer) diskutiert, Argumente gesammelt und von den Teilnehmenden abgewogen Vision für Monitoring Teilnehmende diskutieren in einem Rollenspiel mit den unterschiedlichen Rollen Träumer, Realist, Kritiker und Beobachter Eigenschaften ihrer Zukunftsvision einer Monitoring- Anwendung für elearning. Abschließend werden im Plenum die Ergebnisse der Aktivitäten aus den drei Themenfeldern präsentiert Übersicht über den Ablauf 1. Impulsvortrag 8 min 2. Fragestellungen an die Teilnehmenden - Aufstellungen 3 min 3. Vorstellung der Themenfelder im World- Café und Gruppeneinteilung 3 min 4. World- Café - 30 min a) Visualisierungen für das Monitoring b) Datenschutz, Anonymisierung und Data- Mining c) Vision für Monitoring 5. Vorstellung der Ergebnisse aus den drei Themenfeldern - 10 min 4. Fazit Bei der Entwicklung einer Monitoring-Anwendung für elearning-plattformen besteht eine Herausforderung darin, gegenläufige Interessen unterschiedlicher Akteure zu berücksichtigen, die Möglichkeiten und Grenzen technischer Möglichkeiten auszuloten und sich im interdisziplinären Spannungsfeld zu positionieren. In Zusammenarbeit mit unterschiedlichen Projektpartnern werden diese Herausforderungen in einem Kooperationsprojekt der drei Hochschulen angegangen. Mit LeMo werden die vielfältigen Anforderungen der Betreiber, Anwender und Forscher im Bereich des elearning zusammengeführt. Es wird eine Monitoring-Anwendung entwickelt, die sich durch ansprechende und aussagekräftige Visualisierungen sowohl für intensives Data-Mining als auch zur Optimierung einzelner Kurse eignet.

8 Referenzen [EDM] International Educational Data Mining Society. [BY] R. S. Baker and K. Yacef (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining (JEDM), 1:1, pp [RV] C. Romero and S. Ventura (2010) Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 40:6, pp , ISSN: [BDS] Bundesdatenschutzgesetz. (14. Januar 2003). Bundesdatenschutzgesetz. Abgerufen am 20. November 2011 von [PSE] Datenschutz-Lexikon. Abgerufen am 08. März 2012 von Vita Prof. Dr. Albrecht Fortenbacher lehrt an der HTW Berlin und beschäftigt sich seit 2002 mit elearning, Lernplattformen und der Integration von Lernplattformen und Hochschulverwaltungssystemen. Er hat maßgeblich die Lernplattform ecampus (auf Basis des LMS CLIX) als zentrales Angebot der Hochschule (neben Moodle) aufgebaut. Gegenwärtig ist er Projektleiter bei ekompetenz, einem ESF-geförderten Weiterbildungsprojekt auf den Gebieten elearning und Projektmanagement und leitet das Projekt LeMo. Prof. Dr. Agathe Merceron lehrt an der Beuth Hochschule Berlin. Sie leitet den Studiengang Medieninformatik Online und das Labor Online-Learning. Seit 2000 forscht sie im fachlichen Kontext technoligieunterstütztes Lernen mit dem Schwerpunkt Educational Data Mining. Sie ist Mitglied in den Programmkomitees der Deutschen e-learning Fachtagung 2012 und der International Conference on Educational Data Mining Prof. Dr. Margarita Elkina lehrt an der HWR Berlin. Der Schwerpunkt ihrer Tätigkeit liegt bei der Verwaltung personenbezogener Daten sowie Informationsdaten, der Modellierung benutzerfreundlicher, graphischer Oberflächen und den Definitionen der Schnittstellen zwischen verschiedenen Software-Komponenten. Sie beschäftigt sich u.a. mit Erweiterungen der Moodle- Software und XML-basierten Export/Import Funktionen für Lernraumsysteme. M.A. Liane Beuster studierte Kommunikationspsychologie und Educational Media. Sie war mehrere Jahre als Konzepterin, Autorin und Projektkoordinatorin für Lernmedien in einem Bildungsverlag tätig. An der HTW Berlin betreute sie seit 2010 das elearning-förderprogramm und wechselte im Juli 2011 als Koordinatorin in das Forschungsprojekt LeMo. Dipl. Inf. (FH) Andreas Pursian studierte Angewandte Informatik und Politikwissenschaften, gefolgt von einer mehrjährigen Tätigkeit als IT-Koordinator bei einer NGO. Zuletzt war er als IT-Consultant für eine Organisation der Internationalen Zusammenarbeit tätig. Seit Oktober 2011 verstärkt er als wissenschaftlicher Mitarbeiter in den Bereichen Informationsvisualisierung und Usability unser Team. B. Sc. Sebastian Schwarzrock war nach dem Abschluss seines Bachelorstudiums der Medieninformatik als Softwareentwickler tätig. Seit Oktober 2011 arbeitet er als wissenschaftlicher Mitarbeiter im Projekt "LeMo" im Bereich Data-Mining. B. Sc. Boris Wenzlaff studierte an der HTW Berlin Angewandte Informatik. Während seines Bachelorstudiums arbeitete er zwei Jahre in dem Bereich Forschung & Entwicklung der HiSolutions AG und wechselte 2011, im Laufe seines Masterstudiums, in das Forschungsprojekt LeMo.

9 B.Sc. Leonard M. Kappe studierte Angewandte Informatik an der HTW Berlin. Nach dem Abschluss im Jahr 2011 folgte das konsekutive Master-Studium mit gleichzeitiger Beschäftigung als Wissenschaftlicher Mitarbeiter beim Forschungsprojekt LeMo. Das Projekt wird aus EFRE- Mitteln der Europäischen Union und durch das IFAF Berlin finanziert..