Was Forschung von Lehre lernen kann Metadaten-Management im E-Learning

Transkript

1 Was Forschung von Lehre lernen kann Metadaten-Management im E-Learning Prof. Dr.-Ing. habil. Ulrike Lucke Maximaler Raum für Titelbild (wenn kleiner dann linksbündig an Rand angesetzt) 1

2 Warum Metadaten? Daten über Daten Auffindbarkeit Wiederverwendbarkeit p Interoperabilität Nachhaltigkeit de.academic.ru 2012 UNIVERSITÄT POTSDAM Institut für Informatik Komplexe Multimediale Anwendungsarchitekturen 2

3 Existierende Standards DIF LOM TEI METS MODS DDI MARC ONIX EAD XOBIS EML CSDGM CWM GILS Darwin Core e-gms NISO MIX CDWA VRA Core MEI PBCore MPEG-7 Dublin Core DOI Wer soll all diese Metadaten generieren? 3

4 ausgewählte Buzzwords der vergangenen Jahre Dienste Lern- plattform Meta- daten Multi- media Domäne: E-Learning Modularisierung Lernobjekt Personalisierung 2012 UNIVERSITÄT POTSDAM Institut für Informatik Komplexe Multimediale Anwendungsarchitekturen 4

5 Learning Object Metadata (LOM) 5

6 Wo liegt das Problem? menschliches Problem online.de organisatorisches Problem technisches Problem technische Lösung en-zahnrad.ch 6

7 Semi-Automatische Metadaten-Extraktion Beispiel: BMBF-Projekt Wissenswerkstatt Rechensysteme (WWR) Multimediales Baukastensystem für die Technische Informatik ca. 100 Lehr-/Lernmodule à 4 Wochen 1 Metadatensatz pro Modul 37 Attribute pro Metadatensatz ca. 200 einzelne Informationen pro Metadatensatz Automatische Extraktion: Metadaten zu 90% aus den Modulquellen ableitbar wenige Felder aus Projektkontext definiert mehr & hochwertigere Metadaten Bunschkowski et al.: "Qualitätssicherung für Metadaten, Proceedings DeLFI UNIVERSITÄT POTSDAM Institut für Informatik Komplexe Multimediale Anwendungsarchitekturen 7

8 Qualitätssicherung für Metadaten Autor Gutachter Nutzer Daten erzeugen Metadaten erzeugen Daten anbieten Umwelt abfragen 8

9 Interoperabilität von Metadaten Wer Metadaten erzeugen kann, kann sie auch konvertieren! Nutzungsumgebungen Vermittlungsschicht LOM CSDGM e-gms DOI PBCore DIF domain-spezifische Extraktion domain-spezifische Extraktion Datenquellen 2012 UNIVERSITÄT POTSDAM Institut für Informatik Komplexe Multimediale Anwendungsarchitekturen 9

10 Schlussfolgerungen g technische Ebene: geeignete Formate automatisierte Metadaten-Erstellung organisatorische Ebene: Definition von Prozessen & Verantwortlichen t e Bindung an die Entstehung der eigentlichen Daten Qualitätskontrolle durch Begutachtung Peer Review Verfahren menschliche Ebene? 10

11 Was bleibt zu tun? Skalierbarkeit globaler Systeme: Datenmengen Heterogenität Interoperabilität verschiedener Metadatenstandards verfeinerte Extraktion (Data Mining, Computerlinguistik) Psychologie der Kollaboration 11

12 Prof. Dr.-Ing. habil. Ulrike Lucke Universität Potsdam Institut für Informatik Lehrstuhl für Komplexe Multimediale Anwendungsarchitekturen, Chief Information Officer (CIO) A.-Bebel-Str Potsdam UNIVERSITÄT POTSDAM Institut für Informatik Komplexe Multimediale Anwendungsarchitekturen 12