Misserfolge beim digitalen Lernen verhindern: "Predictive learning analytics" am Beispiel einer Web-App für Grammatik und Rechtschreibung.

Literaturnachweis - Detailanzeige

Trefferliste

Autor/inn/en	Maier, Uwe; Klotz, Christian
Titel	Misserfolge beim digitalen Lernen verhindern: "Predictive learning analytics" am Beispiel einer Web-App für Grammatik und Rechtschreibung. Paralleltitel: Preventing failure in digital learning: applying predictive learning analytics to a web-app for grammar and spelling.
Quelle	In: Zeitschrift für Bildungsforschung, 12 (2022) 3, S. 553-577Infoseite zur Zeitschrift PDF als Volltext kostenfreie Datei Link als defekt meldenVerfügbarkeit
Beigaben	Illustrationen
Sprache	deutsch
Dokumenttyp	online; Zeitschriftenaufsatz
ISSN	2190-6904
DOI	10.1007/s35834-022-00369-z
Schlagwörter	Test; Deutschland; Deutschunterricht; Grammatik; Lernen; Modell; Prognose; Rechtschreibung; Schüler; Test; Analyse; Digitalisierung; Lernerfolg; Übung; Forschungsprojekt; Sekundarstufe I; Schüler; Lernerfolg; Lernen; Lernprozess; Übung; Deutschunterricht; Grammatik; Digitalisierung; Rechtschreibung; Analyse; Modell; Prognose; Tool; Online; Forschungsprojekt; Deutschland
Abstract	Verfahren des maschinellen Lernens werden erfolgreich eingesetzt, um für universitäre Online-Kurse das Bestehen von Abschlussprüfungen frühzeitig zu prognostizieren und damit Kursabbrüche zu minimieren. Für die im Schulbereich häufig eingesetzten Lern-Apps gibt es allerdings keine publizierten Beispiele für die Anwendung dieser Methodik. Diese Lern-Apps unterscheiden sich von semesterlangen Online-Kursen vor allem im Hinblick auf die flexiblen Einsatzmöglichkeiten, eine nicht sequenziell vorgegebene Bearbeitung der Lerninhalte sowie formative Assessments, die mehrfach wiederholt werden können. Mit diesem Beitrag soll beispielhaft untersucht werden, wie man Verfahren des maschinellen Lernens anwenden kann, um Misserfolg in einem derart strukturierten Übungstool rechtzeitig vorhersagen zu können. Datengrundlage sind Lern- und Leistungsdaten von 2999 Schülerinnen und Schülern aus Sekundarschulen (177 Klassen), die in unterschiedlichen Themenbereichen und Levels einer Web-App für Grammatik und Rechtschreibung gearbeitet haben (www.masteryx.de). Verschiedene Modellierungen ergaben, dass die Vorhersagewerte von semesterlangen Online-Kursen nicht erreicht werden können. Die Modellierungen reichen allenfalls, um für besonders lernschwache Schülerinnen und Schüler ein Frühwarnsystem zu implementieren. Verschiedene Herausforderungen für die Entwicklung von Vorhersagemodellen für analog strukturierte, digitale Lernsysteme werden diskutiert. (DIPF/Orig.). There is a growing literature on predictive learning analytics for massive open online courses in postsecondary institutions. Log-data in the first weeks of online learning and information on students' learning dispositions are used to predict final exam results and to prevent course dropout. However, the predictive learning analytics research community did not yet address adaptive learning systems with formative assessments which are frequently used in primary and secondary education. These systems differ from university online courses in terms of flexible implementation, no sequentially ordered learning paths, and frequent mastery assessments for narrow and specific learning goals. This study aims at developing and validating an early prediction model for a German and English grammar and spelling web-app with the respective structure (www.masteryx.de). Data come from 2999 students in 177 secondary classrooms. Random forest classifiers were trained to predict course level progression with previous learning activities and previous achievement gains in the web app. Unfortunately, the predictive models did not reach the accuracy scores known from the predictive modeling literature on university online courses. However, one predictive model is sufficient to detect struggling students before their second repetition of the formative assessment. The paper discusses potential causes for this result and highlights challenges and further directions for developing predictive models and early warning systems in adaptive learning systems for secondary classrooms. (DIPF/Orig.).
Erfasst von	DIPF \| Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main
Update	2023/1