Mediendidaktische Methoden der Prozessanalyse zur Darstellung individueller Lernprozesse in hypertextuellen Lernumgebungen

Transkript

1 Mediendidaktische Methoden der Prozessanalyse zur Darstellung individueller Lernprozesse in hypertextuellen Lernumgebungen Stefan Iske, Universität zu Köln Allgemeine Didaktik und Schulforschung Humanwissenschaftliche Fakultät BILDUNG IM ZEITALTER DER INDIVIDUALISIERUNG, ÖFEB Jahrestagung, Innsbruck,

2 Mediendidaktische Methoden der Prozessanalyse zur Darstellung individueller Lernprozesse in hypertextuellen Lernumgebungen Methodische Herausforderungen der Prozessanalyse Prozess Resultat Quantitative und qualitative Ansätze Aggregierte sequenzierte Daten Sequenzanalyse mittels Optimal-Matching Fazit und Ausblick Beispiel (Swertz)

3 Prozess Zeitliche Abfolge von Elementen oder Ereignissen ( Hartwich: moment) z.b. Navigation in Hypertext Auswählen von Links > Abfolge / Sequenz von Webseiten

4 Analytische Perspektive: Prozess - Resultat

5 Analytische Perspektive: Prozess - Resultat T1 T2

6 Ansätze Prozessanalyse Qualitative Ansätze Grounded Theory Historisch-vergleichende A. Biographische A. Fallstudien... Quantitative Ansätze Zeitliche Abfolge von Elementen Kohorotenanalyse Zeitreihenanalyse; Ereignisanalyse; Sequenzanalyse...

7 Prozessanalyse: Qualitative Ansätze Biographische Methode Datenerhebung: inhärente Zeitlichkeit 1. Narrationsprozess (Narrative Struktur; z.b. narrativ-biographisches Interview) 2. Lebenslauf (biographie), Rekonstruktion v. Ereignissen Individuelle Perspektive: Relevanzsysteme retrospektiv, rekonstruktiv

8 Prozessanalyse: Quantitative Ansätze Fragebogen-Erhebung Datenerhebung: keine inhärente Zeitlichkeit (standardisiertes Vorgehen) Datenanalyse: Querschnitt (unterschiedl. Personen zu gleichem Zeitpunkt) Längsschnitt (gleiche Person zu unterschiedl. Zeitpunkten zeitl. Information

9 Quantitative Ansätze der Prozessanalyse... Aggregierung Information wird zusammengefasst Fokus: Eigenschaften Gruppe Logfile Analye Durchschnittl. Meßwerte werden berechnet (z.b. Nutzungszeit, PageViews, Hits) Fokkus: deskriptive / Inferenzstatistik Keine Berücksichtigung zeitlicher Information / des Nutzungsprozesses.

10 GoogleAnalytics Analyse aggregierter Logdaten: Visitors Flow

11 GoogleAnalytics Analyse aggregierter Logdaten: Visitors Flow (dyadischer) Zustandswechsel, Übergangswahrscheinlichkeiten, Markov-Prozesse: random walk Keine Berücksichtigung vollständiger Nutzungsprozesse / -sequenzen Keine Berücksichtigung individueller Fallgeschichten

12 Quantitative Ansätze der Prozessanalyse... Sequenzierung Berücksichtigung von Informationen über individuellen, zeitlichen Nutzungsprozesse (die bei Aggregierung verloren geht...) Analyseeinheit: vollständige Fallgeschichten Abgrenzung: Markov-Ketten Analyse mittels Optimal-Matching Navigation, Logfiles

13 Analyse sequenzierter Logfile-Daten Wie kann (der Grad der) Ähnlichkeit zwischen Sequenzen berechnet werden? Welche Muster, dynam. Prozesstrukturen sind in Sequenzen enthalten? Optimal-Matching: paarweiser Vergleich jeder Sequenz des Datensatzes Übereinstimmung (alignment): gleiche Abfolge von Elementen Operationen: Einfügen, Löschen, Ersetzen Je weniger Operationen --> desto ähnlicher Maßzahl: Levenshtein-Distanz (Levenshtein 1966, Needleman-Wunsch 1970, Sankoff, Kruskal 1983, Abbott 1986)

14 Beispiel: Sequenzanalyse mittels Optimal-Matching Sequenz 1: A B C D E F Sequenz 2: B A C D E F Sequenz 3: G A B C D E F

15 Wie arbeitet der Optimal-Matching Algorithmus? Beipsiel 1 sequence 1: G A B C D E F sequence 3: G A B C D E Alignment: F 1 Operation Einfügen (insertion)

16 Wie arbeitet der Optimal-Matching Algorithmus? Beipsiel 2 sequence 1: A B A C D E F sequence 2: B A D E F Alignment: C 1 Operation Löschen (deletion) 1 Operation Einfügen (insertion)

17 Wie arbeitet der Optimal-Matching Algorithmus? Beipsiel 3 sequence 2: G B sequence 3: G Alignment: A BC D E F A C D E B F 1 Operation Einfügen (insertion) 1 Operation Löschen (deletion) 1 Operation Einfügen (insertion)

18 Analysis of (sequenced) logfile data

19 Empirische Ergebnisse Empirische Analyse: 1700 Sequenzen, 4700 Elemente Online-Lernumgebung (Didakt. Ontologie) Identifizierung: Lernstrategien Beispielorientiert; Erklärungsorientiert, Layout-orientiert Analyse der (metakognitiven) Aneignung hypertextueller Lernumgebung Heterogenität empirischer Lernpfade (intra- / inter)

20 Fazit: Analyse von Lernpfaden mittels OM Aufbrechen der Fokussierung auf Resultate detaillierte Informationen über Lernpfade: Muster,Regelmäßigkeiten, dyn. Prozess-Strukturen online / offline Analyse heuristisch-explorativ: empirische Muster, Regelmäßigkeiten, Prozess-Strukturen konfirmatorisch: Vergleich mit (theoretischen) Mustern

21 Anwendungsbereiche Mixed-Method-Ansätze Evaluation multimedialer Lernumgebungen (Prozessqualität) Learning Analytics (big data, Analyse prozessgenerierter Daten) Social Navigation Adaptive Systeme Recommender-Systems

22 Vielen Dank!