Learning Analytics: Unterschied zwischen den Versionen

Aus MoodleDocs
Wechseln zu:Navigation, Suche
KKeine Bearbeitungszusammenfassung
 
(5 dazwischenliegende Versionen von 2 Benutzern werden nicht angezeigt)
Zeile 2: Zeile 2:
==Übersicht==
==Übersicht==


{{MediaPlayer | url = https://youtu.be/UHwfG6q9UsA | desc =  3.7 Übersicht}}
{{MediaPlayer | url = https://youtu.be/TFhQVwk1CQY | desc =  3.8 Übersicht}}




Ab Moodle 3.4 implementiert Moodle auf Open Source Basis eine Learning Analytics Funktionalität. Die Implementierung verwendet Algorithmen und Verfahren des maschinellen Lernens, die über die Verfahren der einfachen deskriptiven Datenanalyse hinaus gehen. Die Funktionalität ermöglicht es, Vorhersagen über den Lernerfolg einzelner Nutzer/innen zu treffen und Diagnosen und Empfehlungen für Teilnehmer/innen und Trainer/innen bereitzustellen.
Moodle implementiert auf Open Source Basis eine Learning Analytics Funktionalität. Die Implementierung verwendet Algorithmen und Verfahren des maschinellen Lernens, die über die Verfahren der einfachen deskriptiven Datenanalyse hinaus gehen. Die Funktionalität ermöglicht es, Vorhersagen über den Lernerfolg einzelner Nutzer/innen zu treffen und Diagnosen und Empfehlungen für Teilnehmer/innen und Trainer/innen bereitzustellen.


===Was ist Learning Analytics?===
===Was ist Learning Analytics?===
Zeile 14: Zeile 14:
* vorschreibende (Tue dies, um eine Verbesserung zu erreichen.)
* vorschreibende (Tue dies, um eine Verbesserung zu erreichen.)


Die meisten kommerziellen Lösungen sind nur beschreibend.Vorschreibende und proaktive Lösungen treffen bestimmte Annahmen über das Lernen, die nicht auf alle Nutzer/innen zutreffen.
Die meisten kommerziellen Lösungen sind nur beschreibend. Vorschreibende und proaktive Lösungen treffen bestimmte Annahmen über das Lernen, die nicht auf alle Nutzer/innen zutreffen.


===Analytics versus Berichte===
===Analytics versus Berichte===
Moodle stellt eine Vielzahl von Berichten zur Verfügung, die auf Logdaten basieren, aber diese Berichte haben eher beschreibenden Charakter - sie geben Auskunft darüber, was passiert ist, aber nicht warum und sie machen keine Vorhersagen oder geben Ratschläge, wie eine Verbesserung beim Lernerfolg erreicht werden kann. Die Logdaten selbst sind an sich keine Beschreibungen für den Lernprozess. Sie sagen aus, "er", "was" "wann" getan hat, aber nicht "warum" und "wie gut". Zu jeder einzelnen Mikro-Aktion ist viel mehr Kontextinformation erforderlich, um ein Muster des Engagements zu entwickeln.
Moodle stellt eine Vielzahl von Berichten zur Verfügung, die auf Logdaten basieren, aber diese Berichte haben eher beschreibenden Charakter - sie geben Auskunft darüber, was passiert ist, aber nicht warum und sie machen keine Vorhersagen oder geben Ratschläge, wie eine Verbesserung beim Lernerfolg erreicht werden kann. Die Logdaten selbst sind an sich keine Beschreibungen für den Lernprozess. Sie sagen aus, "wer", "was" "wann" getan hat, aber nicht "warum" und "wie gut". Zu jeder einzelnen Mikro-Aktion ist viel mehr Kontextinformation erforderlich, um ein Muster des Engagements zu entwickeln.


Es gibt zahlreiche Zusatz-Plugins für beschreibende Kategorien von Learning Analytics. Es gibt auch solche Lösungen außerhalb von Moodle. Sie alle bieten vorrangig beschreibende Analysen, die sich auf das Urteilvermögen der Nutzer/innen verlassen, die diese beschreibenden Berichte interpretieren und daraus Einschätzungen und Handlungsvorschläge ableiten.
Es gibt zahlreiche Zusatz-Plugins für beschreibende Kategorien von Learning Analytics. Es gibt auch solche Lösungen außerhalb von Moodle. Sie alle bieten vorrangig beschreibende Analysen, die sich auf das Urteilvermögen der Nutzer/innen verlassen, die diese beschreibenden Berichte interpretieren und daraus Einschätzungen und Handlungsvorschläge ableiten.
Zeile 27: Zeile 27:
**Machine-Learning-basierte Modelle, inklusive Vorhersagemodelle
**Machine-Learning-basierte Modelle, inklusive Vorhersagemodelle
**Statische Modelle, um auf der Basis einfacher Regeln besondere Situation zu entdecken
**Statische Modelle, um auf der Basis einfacher Regeln besondere Situation zu entdecken
{{Neu}}* Drei standardmäßige Vorhersagemodelle: ''[[Teilnehmer/innen sind gefährdet auszusteigen]]'', ''Fälligkeit von Aktivitäten'' und ''Keine Lehrtätigkeit''.
* Drei standardmäßige Vorhersagemodelle: ''[[Teilnehmer/innen, die Gefahr laufen, aus dem Kurs auszusteigen]]'', ''Fälligkeit für anstehende Aktivitäten'' und ''Kurse, bei denen die Gefahr besteht, dass sie nicht beginnen''.
* Verschiedene [[Analytics-Indikatoren|Indikatoren]], die das Engagement der Teilnehmer/innen messen und auf [https://en.wikipedia.org/wiki/Community_of_inquiry Community of Inquiry] basieren.
* Verschiedene [[Analytics-Indikatoren|Indikatoren]], die das Engagement der Teilnehmer/innen messen und auf [https://en.wikipedia.org/wiki/Community_of_inquiry Community of Inquiry] basieren.
* Eingebaute Werkzeuge, die diese Modelle auf die Daten Ihrer Moodle-Site anwenden  
* Eingebaute Werkzeuge, die diese Modelle auf die Daten Ihrer Moodle-Site anwenden  
* Proaktive Benachrichtigungen von Trainer/innen über diese Nutzer/innen mit Hilfe von [[Event-Liste|Moodle-Events]]
* Proaktive Benachrichtigungen von Trainer/innen über diese Nutzer/innen mit Hilfe von [[Event-Liste|Moodle-Events]]
* Für jedes Modell gibt es Einschätzungen und eine Liste von geeigneten Aktionen. Zum Beispiel können Trainer/innen beim Modell [[Teilnehmer/innen sind gefährdet auszusteigen]] die entsprechenden Nutzer/innen benachrichtigen oder die [[Aktivitätenbericht]]e dieser Teilnehmer/innen aufrufen, um weitere Informationen über sie zu erhalten.  
* Für jedes Modell gibt es Einschätzungen und eine Liste von geeigneten Aktionen. Zum Beispiel können Trainer/innen beim Modell [[Teilnehmer/innen, die Gefahr laufen, aus dem Kurs auszusteigen]] die entsprechenden Nutzer/innen benachrichtigen oder die [[Aktivitätenbericht|Aktivitätenberichte]] dieser Teilnehmer/innen aufrufen, um weitere Informationen über sie zu erhalten.  
* Eine [[dev:Analytics API| API]], um Indikatoren und Vorhersagemodelle für weitere Analytics-Plugins zu implementieren  
* Eine [[dev:Analytics API|API]], um Indikatoren und Vorhersagemodelle für weitere Analytics-Plugins zu implementieren  
* ein Plugin-Typ ''Machine Learning Backend'', der PHP und Python unterstützt und erweitert werden kann, um weitere Backends für maschinelles Lernen zu implementieren
* ein Plugin-Typ ''Machine Learning Backend'', der PHP und Python unterstützt und erweitert werden kann, um weitere Backends für maschinelles Lernen zu implementieren
*Das System kann einfach um neue Modelle erweitert werden, die auf wiederverwendbaren Zielen, Indikatoren und anderen Komponenten basieren. Mehr Informationen finden Sie in der [[dev:Analytics API|Analytics  API]] Entwicklerdokumentation.
* Das System kann einfach um neue Modelle erweitert werden, die auf wiederverwendbaren Zielen, Indikatoren und anderen Komponenten basieren. Mehr Informationen finden Sie in der [[dev:Analytics API|Analytics  API]] Entwicklerdokumentation.


===Einschränkungen===
===Einschränkungen===
* Die Modelle müssen vorab mit Hilfe von Daten aus bereits abgeschlossenen Kursen Ihrer Moodle-Site "trainiert" werden. Die Modelle können ohne dieses "Training" keine Vorhersagen machen.
* Die Modelle müssen vorab mit Hilfe von Daten aus bereits abgeschlossenen Kursen Ihrer Moodle-Site "trainiert" werden. Die Modelle können ohne dieses "Training" keine Vorhersagen machen.
* Die Modellemüssen so angelegt und ausgewählt sein, dass sie den Prioritäten der Bildungseinrichtung entsprechen.
* Die Modelle müssen so angelegt und ausgewählt sein, dass sie den Prioritäten der Bildungseinrichtung entsprechen.
 
== Einstellungen==
== Einstellungen==
Das Moodle Learning Analytics System erfordert vorab einige Einstellungen. Siehe [[Analytics-Einstellungen]] für Details.
Das Moodle Learning Analytics System erfordert vorab einige Einstellungen. Siehe [[Analytics-Einstellungen]] für Details.

Aktuelle Version vom 16. August 2020, 12:49 Uhr

Übersicht

3.8 Übersicht


Moodle implementiert auf Open Source Basis eine Learning Analytics Funktionalität. Die Implementierung verwendet Algorithmen und Verfahren des maschinellen Lernens, die über die Verfahren der einfachen deskriptiven Datenanalyse hinaus gehen. Die Funktionalität ermöglicht es, Vorhersagen über den Lernerfolg einzelner Nutzer/innen zu treffen und Diagnosen und Empfehlungen für Teilnehmer/innen und Trainer/innen bereitzustellen.

Was ist Learning Analytics?

Unter Learning Analytics versteht man Software-Algorithmen, mit deren Hilfe man auf der Basis von Daten aus der Vergangenheit und dem gegenwärtigen (Nutzer-)Verhalten unbekannte Aspekte des Lernprozesses vorhersagen oder entdecken kann. Es gibt vier Hauptkategorien von Learning Analytics:

  • beschreibende (Was ist passiert?)
  • vorhersagende (Was wird als Nächstes passieren?)
  • diagnostische (Warum ist es passiert?)
  • vorschreibende (Tue dies, um eine Verbesserung zu erreichen.)

Die meisten kommerziellen Lösungen sind nur beschreibend. Vorschreibende und proaktive Lösungen treffen bestimmte Annahmen über das Lernen, die nicht auf alle Nutzer/innen zutreffen.

Analytics versus Berichte

Moodle stellt eine Vielzahl von Berichten zur Verfügung, die auf Logdaten basieren, aber diese Berichte haben eher beschreibenden Charakter - sie geben Auskunft darüber, was passiert ist, aber nicht warum und sie machen keine Vorhersagen oder geben Ratschläge, wie eine Verbesserung beim Lernerfolg erreicht werden kann. Die Logdaten selbst sind an sich keine Beschreibungen für den Lernprozess. Sie sagen aus, "wer", "was" "wann" getan hat, aber nicht "warum" und "wie gut". Zu jeder einzelnen Mikro-Aktion ist viel mehr Kontextinformation erforderlich, um ein Muster des Engagements zu entwickeln.

Es gibt zahlreiche Zusatz-Plugins für beschreibende Kategorien von Learning Analytics. Es gibt auch solche Lösungen außerhalb von Moodle. Sie alle bieten vorrangig beschreibende Analysen, die sich auf das Urteilvermögen der Nutzer/innen verlassen, die diese beschreibenden Berichte interpretieren und daraus Einschätzungen und Handlungsvorschläge ableiten.

In der Vergangenheit haben Learning Analytics Systeme häufig versucht, vergangene Aktivitäten zu analysieren, um zukünftige Aktivitäten in Echtzeit vorherzusagen. Das Learning Analytics System von Moodle ist ambitionierter. Wir glauben, dass eine umfassende Lösung nicht nur Aktionen vorhersagt, sondern sie zum Besseren verändert.

Funktionalitäten

  • Zwei Arten von Vorhersagemodellen werden unterstützt:
    • Machine-Learning-basierte Modelle, inklusive Vorhersagemodelle
    • Statische Modelle, um auf der Basis einfacher Regeln besondere Situation zu entdecken
  • Drei standardmäßige Vorhersagemodelle: Teilnehmer/innen, die Gefahr laufen, aus dem Kurs auszusteigen, Fälligkeit für anstehende Aktivitäten und Kurse, bei denen die Gefahr besteht, dass sie nicht beginnen.
  • Verschiedene Indikatoren, die das Engagement der Teilnehmer/innen messen und auf Community of Inquiry basieren.
  • Eingebaute Werkzeuge, die diese Modelle auf die Daten Ihrer Moodle-Site anwenden
  • Proaktive Benachrichtigungen von Trainer/innen über diese Nutzer/innen mit Hilfe von Moodle-Events
  • Für jedes Modell gibt es Einschätzungen und eine Liste von geeigneten Aktionen. Zum Beispiel können Trainer/innen beim Modell Teilnehmer/innen, die Gefahr laufen, aus dem Kurs auszusteigen die entsprechenden Nutzer/innen benachrichtigen oder die Aktivitätenberichte dieser Teilnehmer/innen aufrufen, um weitere Informationen über sie zu erhalten.
  • Eine API, um Indikatoren und Vorhersagemodelle für weitere Analytics-Plugins zu implementieren
  • ein Plugin-Typ Machine Learning Backend, der PHP und Python unterstützt und erweitert werden kann, um weitere Backends für maschinelles Lernen zu implementieren
  • Das System kann einfach um neue Modelle erweitert werden, die auf wiederverwendbaren Zielen, Indikatoren und anderen Komponenten basieren. Mehr Informationen finden Sie in der Analytics API Entwicklerdokumentation.

Einschränkungen

  • Die Modelle müssen vorab mit Hilfe von Daten aus bereits abgeschlossenen Kursen Ihrer Moodle-Site "trainiert" werden. Die Modelle können ohne dieses "Training" keine Vorhersagen machen.
  • Die Modelle müssen so angelegt und ausgewählt sein, dass sie den Prioritäten der Bildungseinrichtung entsprechen.

Einstellungen

Das Moodle Learning Analytics System erfordert vorab einige Einstellungen. Siehe Analytics-Einstellungen für Details.

Analytics nutzen

Die Moodle Learning Analytics API ist ein offenes System, das die Basis für eine Vielzahl von Modellen werden kann. Modelle können Indikatoren (Vorhersager), Ziele (Ausgang, den wir vorhersagen wollen), Einschätzungen (die Vorhersagen selbst), Benachrichtigungen (Mitteilungen, die aufgrund von Einschätzungen verschickt werden) und Aktionen (die den Empfänger/innen der Benachrichtigungen vorgeschlagen werden und die selbst wieder zu Indikatoren werden können) enthalten.

Die meisten Modelle sind standardmäßig deaktiviert. Die Modelle sollten erst aktiviert werden, nachdem Sie sich Gedanken darüber gemacht haben, welche Bildungsziele durch die Modelle unterstützt werden sollen. Siehe Analytics nutzen für mehr Informationen.

Modelle verwalten

Sobald die Modelle aktiviert und trainiert sind, werden Einschätzungen generiert. Modelle sollte auch bezüglich ihrer Geschwindigkeit und Genauigkeit überwacht werden. Siehe Analytics verwalten für mehr Informationen.

Rechte

Häufig gestellte Fragen