Post on 27-Oct-2019
deposit_hagenPublikationsserver der Universitätsbibliothek
Entwicklung eines Frameworks zur Personalisierung von E-Learning-Angeboten
Mathematik und Informatik
Dissertation
Tobias Augustin
Entwicklung eines Frameworks zur
Personalisierung von
E-Learning-Angeboten
M.Sc. Tobias Augustin
aus Hagen
Dissertation
zur Erlangung des akademischen Grades
Dr. rer. nat.
der Fakultät für Mathematik und Informatik der
Fernuniversität in Hagen
Hagen 2016
ii
Kurzfassung
Massive Open Online Courses oder kurz MOOC’s sind eine erst seit we-
nigen Jahren eingesetzte, spezielle Form von E-Learningangebot, mit der
sich bis dahin ungeahnte Mengen von Lernenden erreichen lassen. Derzeit
werden MOOC’s vor allem von Universitäten und Unternehmen im Bil-
dungssektor eingesetzt. Sie erlauben es Lernenden auf der ganzen Welt,
zeit- und ortsunabhängig an Veranstaltungen teilzunehmen. Die Veran-
staltungen mit teilweise mehr als 100.000 Teilnehmern setzen sich aus
kleinen Lerneinheiten zusammen, bestehend aus Videosequenzen oder
Textabschnitten.
Allerdings sind MOOC’s heute nur als statische Umgebung vorzufinden,
die nicht auf die Individualität und den jeweils aktuellen situativen Kon-
text des Nutzers eingehen. Nach dem Prinzip ”one size fits all” erlauben
sie lediglich hinsichtlich der Komponenten Zeit und Ort große Freihei-
ten. Zwar sind Lernumgebungen, die sich dynamisch an die verschiede-
nen Anforderungen und Bedürfnisse des Benutzers anpassen, keine neue
Überlegung, denn Ansätze zur Entwicklung adaptiver Lernumgebungen
gibt es etwa seit den 1980er Jahren. Allerdings gehen die vorhandenen
Lösungen und Ansätze in der Regel nicht über adaptierbare Funktionen,
um den Komfort bei der Bearbeitung zu erhöhen, und eine Adaption im
Sinne von recht einfachen Navigationshilfen oder Annotationen hinaus.
Die Ursachen hierfür liegen zum einen in den fehlenden technischen Res-
sourcen in der Anfangszeit dieser Entwicklungen und zum anderen in der
Anzahl der zu erreichenden Lernenden. Auch in Zeiten von online verfüg-
baren Web-Based-Trainings finden sich in der Regel nur kleine vierstelli-
ge Teilnehmerzahlen. Betrachtet man den Aufwand für die Entwicklung
einer umfangreichen adaptiven Lernumgebung und die anschließende Er-
stellung multimodaler und multicodaler Inhalte, ist der Aufwand je Teil-
nehmer immer eine kritische Größe gewesen.
Diese kritischen Einflussfaktoren haben sich in den letzten Jahren stark
verändert. Berücksichtigt man die heute über MOOC’s erreichbare Menge
an Lernenden, ist zu erkennen, dass sich dieses Verhältnis verändert hat
und daß damit eine deutliche Erhöhung des Aufwands zur Erstellung von
qualitativ hochwertigen adaptiven Inhalten gerechtfertigt scheint. Gleich-
zeitig wurde die Entwicklung von Webtechnologien stark vorangetrieben,
mit der Folge, dass viele proprietäre Sonderlösungen durch leistungsstar-
iii
ke Standards abgelöst werden können.
Jedoch gibt es seit der Frühzeit der adaptiven Lernumgebungen Entwick-
lungen, die vollkommen neue Lösungsansätze und Konzepte erfordern. So
konnte in den 1980er Jahren noch davon ausgegangen werden, dass einem
Benutzer immer genau ein Endgerät zugeordnet werden kann. Es war
nicht zu erwarten, dass dieses Gerät sich hinsichtlich seiner Leistungs-
fähigkeit und technischen Möglichkeiten verändert. Heute hingegen ver-
wenden die meisten Nutzer mehrere Geräte, die in unterschiedlichen Si-
tuationen zum Einsatz kommen. Insbesondere die Nutzung mobiler End-
geräte in adaptiven Lernumgebungen erfordert neue Lösungsansätze, um
Geräte mit verschiedenen Charakteristika so mit Inhalten zu beliefern,
dass für den Nutzer ein individuell optimierter und zugleich transparen-
ter Lernprozess auf allen seinen Geräten entsteht.
Vorhandene Systeme nutzen nur ein sehr eingeschränktes Spektrum an
individuellen Benutzermerkmalen und daraus abgeleiteten Adaptions-
maßnahmen. Häufig berücksichtigen vorhandene Systeme nur ein einzel-
nes Merkmal, dessen Ausprägung zu Beginn ermittelt wird und anschlie-
ßend als konstant angenommen wird, wodurch sich kein Benutzermodell
erstellen lässt. Insbesondere dynamische Faktoren, die für die momentane
Situation des Benutzers entscheidend sind, finden keine Berücksichtigung.
Gegenstand der Arbeit ist die Konzipierung und Entwicklung einer be-
nutzerzentrierten adaptiven Lernumgebungen, die sich dadurch auszeich-
net, dass sie den Lernprozess anhand individueller Merkmale ihrer Benut-
zer und deren Umgebung, sowie deren aktueller Situation anpassen kann.
Hierfür wurde ein dynamisch erweiterbares Framework konzipiert und als
Prototyp entwickelt, innerhalb dessen Messverfahren für technische oder
individuelle, persönliche Benutzermerkmale integriert werden können. So
lässt sich innerhalb des Frameworks ein präzises Benutzermodell erstel-
len, mit dessen Hilfe ein dynamisches Regelwerk die zu vermittelnden
Lerninhalte an die Individualität und die aktuelle persönliche Situation
des Lernenden anpasst. Exemplarisch werden in der Arbeit die aktu-
ell zur Verfügung stehende Kommunikationsbandbreite als technisches
Merkmal, die Medienpräferenz des Lernenden und eine Emotionsanalyse
als individuelles, persönliches Merkmale ermittelt.
iv
Abstract
Massive Open Online Courses or short MOOC’s are a special form of e-
learning environment, which has been in use for a few years and allows us
to address untold numbers of students. At present, MOOCs are mainly
used by universities and enterprises in the education sector. They enable
learners all over the world to participate in lectures independent of place
and time. The lectures with sometimes more than 100,000 students are
based on small units consisting of video sequences or text sections.
However today’s MOOC’s are only to be found as a static environments
that do not take into account the diversity of the students and their si-
tuational context. According to the ”one size fits all” principle, they only
allow great freedom with regard to the components time and location.
Learning environments that adapt dynamically to the individual needs of
the user are not a new consideration, as approaches to developing adap-
tive learning environments have been around since the 1980s. However,
existing solutions usually do only have adaptable functions to increase
the comfort in the processing, and do not reach beyond an adaptation in
the sense of quite simple navigation aids or annotations.
The reasons for this have been, on the one hand, the lack of technical
resources in the early days of these developments, and the number of stu-
dents to be reached. Even in times of online-based web-based training,
there are usually only small numbers of course attendants. Considering
the effort required to develop a large adaptive learning environment and
the subsequent creation of multimodal and multicodal content, the effort
per participant has always been a critical factor.
These critical factors have changed dramatically in recent years. Consi-
dering the number of students that are reachable today by MOOCs, it is
obvious that this relationship has changed and that a significant increase
in the effort to produce high-quality adaptive content can now be justi-
fied. At the same time, the development of web technologies has been
significantly progressed, with the result that many proprietary special
solutions today can be replaced by powerful standards.
Since the early days of adaptive learning environments there have been
developments that require completely new approaches and concepts. In
the 1980s, for example, it could be assumed that a single user would
always use the same, unique terminal or device. This device was not
v
expected to change in terms of performance and technical capabilities.
Today, however, most users have access to multiple devices that are used
in different situations. In particular, the use of mobile devices in adapti-
ve learning environments requires new approaches to ensure that devices
with different characteristics are provided with learning content in such a
way that the user experiences an individually optimized and at the same
time transparent education process on all his devices. Existing systems
use only a very limited range of individual user features and adaptive
measures derived from them. In many cases, existing systems only take
into account a single characteristic, with the initial value for this charac-
teristic being determined once at the beginning of a learning session and
then assumed to be constant, which means that no dynamic user model
can be created. In particular, dynamic factors, which can be decisive for
the current situation of the user, are not taken into account.
The aim of this thesis is the design and development of a user-centric
adaptive learning environment, which is characterized by the fact that
it can adapt the learning process by means of individual characteristics
of its users and their environment as well as their current situation. For
this purpose, a dynamically extensible framework was designed and de-
veloped as a prototype, within which measuring methods for technical or
individual, personal user features can be integrated. In this way, a precise
user model can be created within the framework. A dynamic set of rules
will adopt the course material to be delivered to the individuality and
the current personal situation of the learner. The current communicati-
on bandwidth as a technical feature, the media preference of the learner
and an emotion analysis as individual, personal features are identified
and demonstrated as examples.
vi
Inhaltsverzeichnis
Kurzfassung ii
Abstract iv
Abbildungsverzeichnis ix
1. Einleitung 1
1.1. Motivation und Problemstellung . . . . . . . . . . . . . . 3
1.2. Forschungsfragen und Ziel der Arbeit . . . . . . . . . . . 7
1.3. Gliederung der Arbeit . . . . . . . . . . . . . . . . . . . 9
2. Stand der Forschung und Technik 11
2.1. Forschungsfeld . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Historische Entwicklung . . . . . . . . . . . . . . . . . . 14
2.3. Adaptive Systeme . . . . . . . . . . . . . . . . . . . . . . 16
2.4. Taktung der Adaption . . . . . . . . . . . . . . . . . . . 22
2.4.1. Schnittstellen-Adaptivität . . . . . . . . . . . . . 22
2.4.2. Makroadaptivität . . . . . . . . . . . . . . . . . . 23
2.4.3. Mikroadaptivität . . . . . . . . . . . . . . . . . . 23
2.5. Einflussgrößen . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6. Messverfahren . . . . . . . . . . . . . . . . . . . . . . . . 35
2.6.1. Explizite Messverfahren . . . . . . . . . . . . . . 37
2.6.2. Implizite Messverfahren . . . . . . . . . . . . . . 38
2.6.3. Weitere Messverfahren . . . . . . . . . . . . . . . 39
2.7. Domänenmodell . . . . . . . . . . . . . . . . . . . . . . . 41
2.8. Benutzermodell . . . . . . . . . . . . . . . . . . . . . . . 43
2.9. Modellierungsverfahren . . . . . . . . . . . . . . . . . . . 45
2.9.1. Verfahren zur Modellierung von Benutzern . . . . 45
2.9.2. Verfahren zur Modellierung von Stereotypen und
Personae . . . . . . . . . . . . . . . . . . . . . . . 51
2.10. Adaptionsmaßnahmen . . . . . . . . . . . . . . . . . . . 54
2.10.1. Textadaption . . . . . . . . . . . . . . . . . . . . 54
2.10.2. Navigationsadaption . . . . . . . . . . . . . . . . 56
2.10.3. Contentadaption . . . . . . . . . . . . . . . . . . 57
2.11. Verfügbare Lösungen und Produkte . . . . . . . . . . . . 59
2.11.1. Schnittstellenadaptivität . . . . . . . . . . . . . . 59
2.11.2. Makroadaptivität . . . . . . . . . . . . . . . . . . 61
vii
2.11.3. Mikroadaptivität . . . . . . . . . . . . . . . . . . 65
2.11.4. Zusammenfassende Betrachtung über den Stand
der Technik . . . . . . . . . . . . . . . . . . . . . 68
2.12. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . 71
2.13. Verbleibende Herausforderungen und weiteres Vorgehen . 74
3. Systemkonzeption 77
3.1. Anforderungsanalyse . . . . . . . . . . . . . . . . . . . . 77
3.2. Zieldefinition . . . . . . . . . . . . . . . . . . . . . . . . 80
3.3. Anforderungsdefinition . . . . . . . . . . . . . . . . . . . 83
3.4. Logische Systemarchitektur . . . . . . . . . . . . . . . . 88
3.5. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . 91
4. Umsetzung des Prototyps 92
4.1. Systemarchitektur . . . . . . . . . . . . . . . . . . . . . . 93
4.1.1. Systemplattform und Entwicklungsumgebung . . 94
4.1.2. Physische Architektur . . . . . . . . . . . . . . . 95
4.1.3. Datenbankstruktur . . . . . . . . . . . . . . . . . 97
4.2. Regelverwaltung . . . . . . . . . . . . . . . . . . . . . . . 104
4.3. Komponentenschnittstelle . . . . . . . . . . . . . . . . . 105
4.4. Komponentenentwicklung . . . . . . . . . . . . . . . . . 107
4.4.1. Medienpräferenz . . . . . . . . . . . . . . . . . . 107
4.4.2. Bandbreitenermittlung . . . . . . . . . . . . . . . 111
4.4.3. Emotionserkennung . . . . . . . . . . . . . . . . . 113
4.5. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . 137
5. Demonstration und Evaluation 139
5.1. Strukturverwaltung . . . . . . . . . . . . . . . . . . . . . 141
5.2. Contentpflege . . . . . . . . . . . . . . . . . . . . . . . . 146
5.3. Benutzerbetreuung . . . . . . . . . . . . . . . . . . . . . 150
5.4. Regelverwaltung . . . . . . . . . . . . . . . . . . . . . . . 152
5.5. Endbenutzerschnittstelle . . . . . . . . . . . . . . . . . . 159
5.6. Evaluation der Komponente zur Emotionserkennung . . . 176
5.7. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . 181
6. Ergebnisse und Diskussion 184
6.1. Forschungsergebnisse . . . . . . . . . . . . . . . . . . . . 184
6.2. Zusammenfassung und Fazit . . . . . . . . . . . . . . . . 188
viii
6.3. Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Literaturverzeichnis 193
Anhang 209
A. Knoten zur Demonstration der Benutzerschnittstelle 209
B. Übersicht über die eingesetzten Testbilder 213
ix
Abbildungsverzeichnis
1. Kernkomponenten eines AEHS . . . . . . . . . . . . . . . 21
2. Adaptierbare Funktion in mobiler Anwendung . . . . . . 36
3. Domänen Netzwerkmodell . . . . . . . . . . . . . . . . . 42
4. Einfaches binäres Overlay Modell . . . . . . . . . . . . . 47
5. Mehrschichtiges gewichtetes Overlay Modell . . . . . . . 49
6. Logische Systemarchitektur . . . . . . . . . . . . . . . . 90
7. Physikalische Systemarchitektur . . . . . . . . . . . . . . 97
8. Datenbankstruktur: Content Schema . . . . . . . . . . . 99
9. Datenbankstruktur: User Schema . . . . . . . . . . . . . 101
10. Datenbankstruktur: Regel Schema . . . . . . . . . . . . . 103
11. Komponentenschnittstelle . . . . . . . . . . . . . . . . . 106
12. Schematischer Aufbau . . . . . . . . . . . . . . . . . . . 108
13. JavaScript Komponente zur Ermittlung der Medienpräferenz109
14. PHP Komponente zur Ermittlung der Medienpräferenz . 110
15. AJAX Requests im zeitlichen Verlauf . . . . . . . . . . . 110
16. Clientseitig eingesetzter Javascript Code zur ermittlung
der zur Verfügung stehenden Bandbreite . . . . . . . . . 111
17. Schematischer Aufbau der Emotionserkennungskomponente114
18. WebSocket Client . . . . . . . . . . . . . . . . . . . . . . 115
19. WebSocketServer Klasse . . . . . . . . . . . . . . . . . . 116
20. WebSocketHandler Klasse . . . . . . . . . . . . . . . . . 117
21. Serverseitige Extraktion der Benutzerkennung . . . . . . 117
22. Zwei Haar Features in einem Testbild . . . . . . . . . . . 118
23. Haar Features nach Viola und Jones . . . . . . . . . . . . 119
24. Einfaches Integral-Image zwischen Ursprung und Punkt
(x,y) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
25. Pixelsumme eines beliebigen Rechtecks mittels Integral-
Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
26. Kaskade von Klassifikatoren . . . . . . . . . . . . . . . . 123
27. Weitere Features nach Lienhart et al. . . . . . . . . . . . 125
28. ExtractFaces.cpp . . . . . . . . . . . . . . . . . . . . . . 126
29. Originalbild und erkannte Gesichtsregion . . . . . . . . . 127
30. Erkannte Landmarks . . . . . . . . . . . . . . . . . . . . 128
31. Einfaches 2-Bit Beispielbild . . . . . . . . . . . . . . . . 131
32. Schematischer Aufbau Emotionserkennung . . . . . . . . 136
x
33. Content Graph . . . . . . . . . . . . . . . . . . . . . . . 141
34. Kontextmenü eines Knoten . . . . . . . . . . . . . . . . . 142
35. Neu erstellter Knoten . . . . . . . . . . . . . . . . . . . . 142
36. Erstellung eines Testknotens . . . . . . . . . . . . . . . . 143
37. Neu erstellter Testknoten . . . . . . . . . . . . . . . . . . 143
38. Erstellung einer neuen Kante zwischen bestehenden Knoten144
39. Neu erstellte Kante . . . . . . . . . . . . . . . . . . . . . 144
40. Entfernen eines bestehenden Knotens . . . . . . . . . . . 145
41. Content Graph - Detailauschnitt . . . . . . . . . . . . . . 145
42. Modifikation eines Knoten . . . . . . . . . . . . . . . . . 146
43. Knoteneditor . . . . . . . . . . . . . . . . . . . . . . . . 147
44. Darstellung von Referenzknoten . . . . . . . . . . . . . . 148
45. Testeditor . . . . . . . . . . . . . . . . . . . . . . . . . . 149
46. Auswahl eines Benutzers . . . . . . . . . . . . . . . . . . 150
47. Content Graph mit Benutzerpfad-Detailauschnitt . . . . 150
48. Ansicht von Benutzerattributen . . . . . . . . . . . . . . 151
49. Funktionsbereich der Regelverwaltung . . . . . . . . . . . 152
50. Editorbereich der Regelverwaltung . . . . . . . . . . . . 152
51. Entfernen eines vorhandenen Links . . . . . . . . . . . . 153
52. Regeleditor: Detailansicht Bedingung . . . . . . . . . . . 154
53. Regeleditor: Detailansicht Anweisung . . . . . . . . . . . 155
54. Vollständige Regel . . . . . . . . . . . . . . . . . . . . . 155
55. Aufwändige Regel . . . . . . . . . . . . . . . . . . . . . . 157
56. Generierter PHP Regelcode . . . . . . . . . . . . . . . . 158
57. Knotenstruktur zur Demonstration . . . . . . . . . . . . 159
58. Regelsatz zur Demonstration der Benutzerschnittstelle . 160
59. Start Ba . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
60. Test Ba . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
61. Testergebnis Ba . . . . . . . . . . . . . . . . . . . . . . . 162
62. Beginner 1 Ba . . . . . . . . . . . . . . . . . . . . . . . . 163
63. Beginner 2 Ba . . . . . . . . . . . . . . . . . . . . . . . . 164
64. Start Bb . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
65. Test Bb . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
66. Testergebnis Bb . . . . . . . . . . . . . . . . . . . . . . . 166
67. Beginner 1 Bb . . . . . . . . . . . . . . . . . . . . . . . . 167
68. Beginner 2 Bb . . . . . . . . . . . . . . . . . . . . . . . . 168
69. Start Bc . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
xi
70. Test Bc . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
71. Testergebnis Bc . . . . . . . . . . . . . . . . . . . . . . . 170
72. Beginner 1 Bc . . . . . . . . . . . . . . . . . . . . . . . . 171
73. Beginner 2 Bc . . . . . . . . . . . . . . . . . . . . . . . . 172
74. Start Bd . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
75. Test Bd . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
76. Testergebnis Bd . . . . . . . . . . . . . . . . . . . . . . . 174
77. Expert 1 Bd . . . . . . . . . . . . . . . . . . . . . . . . . 174
78. Modifiziertes Design für die Evaluation . . . . . . . . . . 177
1
1. Einleitung
Massive Open Online Courses oder kurz MOOC’s sind eine erst seit we-
nigen Jahren eingesetzte, spezielle Form von E-Learningangebot, mit der
sich bis dahin ungeahnte Mengen von Lernenden erreichen lassen. Derzeit
werden MOOC’s vor allem von Universitäten und Unternehmen im Bil-
dungssektor eingesetzt. Sie erlauben es Lernenden auf der ganzen Welt,
zeit- und ortsunabhängig an Veranstaltungen teilzunehmen. Die Veran-
staltungen mit teilweise mehr als 100.000 Teilnehmern setzen sich aus
kleinen Lerneinheiten zusammen, bestehend aus Videosequenzen oder
Textabschnitten. Das sich MOOC’s heute einer so großen Beliebtheit
erfreuen ist jedoch nicht ausschließlich das Resultat der zur Verfügung
stehenden Technologie, sondern vor allem zwei weiteren Faktoren geschul-
det.
Zum einen der rasanten Zunahme an Internetnutzern in Entwicklungs-
und Schwellenländern der letzten Jahre. Durch die fortschreitende Glo-
balisierung und Digitalisierung können nun auch diese Teilnehmer von
Bildungsangeboten profitieren, die zuvor nur einem verhältnismäßig klei-
nen privilegierten Kreis zur Verfügung standen. Dadurch haben sich viele
Lehrangebote die traditionell nur eine kleine Hörerschaft erreichten hin
zu einem globalen Massenmarkt entwickelt.
Zum anderen findet aber auch in der westlichen Welt ein Strukturwan-
del statt. Die Nachfrage an Bildungsformen, die nicht an einen festen
Zeitplan und Ort geknüpft sind steigt sowohl im akademischen, als auch
im Weiterbildungsbereich. Die Ursachen hierfür finden sich einerseits in
einer Generation, die den Umgang mit Online-Medien gewohnt ist und
dies auch im Bereich der Ausbildung fordert, und andererseits in neu-
en Arbeitsformen und Beschäftigungsverhältnissen in denen lebenslanges
Lernen zu einem wichtigen Faktor geworden ist, da Qualifikationen und
Erfahrungen schnell veralten und wertlos werden können.1
Allerdings sind MOOC’s heute nur als statische Umgebung vorzufin-
den, die nicht auf die Individualität und den jeweils aktuellen situati-
ven Kontext des Nutzers eingeht. So fordert auch Jörg Dräger, Vorstand
für Bildung bei der Bertelsmann Stiftung, in einem Artikel der ZEIT
”Nicht mehr massive müssen die Onlinekurse sein, sondern personalized
1 Vgl. Weber, 2007
2
– POOCs statt MOOCs”2.
Eine ähnliche Entwicklung erwartet auch John Hennessy, Präsident der
Stanford-Universität, ”Die Vorlesung als Format wird aussterben und
durch neue Format ersetzt werden [...]. Außerdem werden wir intelligente
automatische Tutorensysteme haben, die anhand individueller Stärken
und Schwächen Online-Übungsprogramme für unsere Studenten erstel-
len”.3
Es kann sicherlich in Frage gestellt werden, ob die seit Jahrhunderten
bewährte Form der Vorlesung tatsächlich aussterben wird. Jedoch kann
dieser radikale Ansatz durchaus als inspirierender Denkanstoß verstan-
den werden, denn klar ist auch, dass unterstützende Online-Angebote
und solche für spezielle Zielgruppen fest in der Bildungslandschaft ver-
ankert sind und sich rasch verbreiten.
Dass ein Lehrer sein Lehrmaterial und seinen Unterricht auf die Be-
dürfnisse und Voraussetzungen der Schüler ausrichtet, ist seit jeher die
Grundlage für erfolgreiche Lehre. Eine individuelle Abstimmung der Leh-
re auf den einzelnen Schüler war jedoch nur wenigen vorbehalten. Die
breite Masse jedoch nahm an größer angelegten Lehrveranstaltungen teil,
in denen der Lehrende dem Unterricht im Idealfall so ausrichtete, dass
er für die Mehrheit der Schüler geeignet war. Dieser Kompromiss führ-
te jedoch dazu, dass eine exakte didaktische Abstimmung auf einzelne
Schüler nicht erreicht werden konnte. Insbesondere eine gezielte Abstim-
mung auf Teilnehmer mit besonderen Förderbedarfen gelingt in einem
solchen Umfeld regelmäßig nicht. Es sind genau diese Probleme, mit de-
nen sich Lehrende in großen Gruppen schon immer konfrontiert gesehen
haben und die sich nun auch bei modernen Formen der Lehre mit großer
Relevanz zeigen.
2 Dräger, 20133 Wiarda, 2016
3
1.1. Motivation und Problemstellung
E-Learning ist in vielen Bildungseinrichtungen angekommen und mitt-
lerweile ein grundlegender Bestandteil von Bildungsangeboten jeglicher
Art. Neben dem Einsatz im schulischen und universitären Umfeld sind
E-Learning-Angebote für die betriebliche und private Weiterbildung ver-
fügbar. Das E-Learning-Angebot erfreut sich großer Beliebtheit, da es
jederzeit an nahezu jedem Ort zur Verfügung steht. Dieses hohe Maß
an Flexibilität wird durch den technischen Fortschritt im Bereich der
Präsentations- und Distributionstechnologien ermöglicht. Außerdem sind
in den meisten Haushalten und Arbeitsplätzen Geräte verfügbar, die in
der Lage sind, multimediale Inhalte abzuspeichern und wiederzugeben.
Neben den Vorzügen der E-Learning-Angebote für den Lernenden erge-
ben sich auch Vorteile für die Lehrenden. So ist mit geringem Aufwand
eine große Anzahl von Lernenden zu erreichen. Limitierende Faktoren
wie die Hörsaalgröße können vernachlässigt werden.
Eine spezielle Form von E-Learning-Angeboten bilden MOOC’s. Diese
neue Form des Lehrens und Lernens ist die konsequente Weiterentwick-
lung von E-Learning-Angeboten, die sich an große Zahlen von Lernenden
richten, und findet viel Beachtung in den Medien. Hierbei handelt es sich
um eine spezielle Form der Vorlesung, die auf Video aufgezeichnet wird
und online abrufbar ist. Ein solcher Kurs besteht in der Regel aus vie-
len einzelnen Videosequenzen und Textpassagen. Im Anschluss an die
meist nur 8 bis 12 Minuten dauernden Videosequenzen können die Stu-
dierenden in Form eines Tests feststellen, ob die vorgestellten Inhalte
verstanden wurden und gegebenenfalls angewendet werden können. Da-
durch können Menschen auf der ganzen Welt meist kostenlos und ohne
Zugangsbeschränkung an universitärem Wissen teilhaben.4
Coursera, einer der größten Anbieter von MOOC’s, beispielsweise hatte
am Ende des Gründungsjahres 2012 schon über zwei Millionen registrier-
te Benutzer5 und damit ein größeres Wachstum als Facebook6. 100.000
Studenten in einem Onlinekurs sind übliche Größenordnungen.7 MOOC’s
scheinen sich insbesondere für die Massenausbildung in Grundlagen zu
eignen. ”Es ist doch eine enorme Verschwendung von Ressourcen, wenn
4 Vgl. Pappano, 20125 Vgl. Kolowich, 20126 Vgl. Pappano, 20127 Vgl. Friedman, 2012
4
bundesweit jedes Semester Dutzende Einführungsvorlesungen in die Sta-
tistik angeboten werden. Da würde es doch reichen, eine gute für alle
zu produzieren”, schlägt Hannes Klöpper vor. Soll will die Universität
Duisburg-Essen künftig Großveranstaltungen aus dem Grundstudium di-
gitalisieren und lediglich durch Tutoren begleiten lassen. ”Mit den MOOC
lässt sich der Ansturm der Studierenden viel effizienter bewältigen”, sagt
Volker Meyer-Guckel vom Stifterverband für die deutsche Wissenschaft8.
Es zeigt sich aber, dass MOOC’s trotz ihres Erfolgs den Anforderungen
an moderne, lernerzentrierte Bildungssysteme nicht immer gerecht wer-
den. Gefordert wird eine lernerzentrierte, bedarfsgerechte und flexible
Umgebung nach dem Prinzip ”my need, my time, my place”.9
Derzeit folgen MOOC’s vielmehr dem Prinzip ”one size fits all” und stellen
eine statische Lernumgebung dar, die lediglich hinsichtlich der Kompo-
nenten Zeit und Ort große Freiheiten erlaubt. Aus diesem Grund gibt es
im Bereich der MOOC’s Forschungsbedarf, um sie ”[...]enjoyable, adapti-
ve, evaluable, accessible, usable by handicapped learners, aware of cultural
diversity and ethical context [...]” zu gestalten10.
Zwar sind Lernumgebungen, die sich dynamisch an die verschiedenen An-
forderungen und Bedürfnisse des Benutzers anpassen, keine neue Über-
legung, denn Ansätze, adaptive Lernumgebungen zu entwickeln, gibt es
etwa seit den 1980er Jahren. Allerdings gehen die vorhandenen Lösungen
und Ansätze in der Regel nicht über adaptierbare Funktionen, um den
Komfort bei der Bearbeitung zu erhöhen, und eine Adaption im Sinne
von recht einfachen Navigationshilfen oder Annotationen hinaus. Auch
bei aufwändigen Systemen fällt auf, dass sie sich auf einen kleinen Bereich
der Individualität konzentrieren. In der Regel wird eine Einflussgröße un-
tersucht und unter Berücksichtigung der gewonnenen Ergebnisse eine der
zur Verfügung stehenden Adaptionsmaßnahmen ausgewählt. Unter der
Annahme, dass sich die Individualität eines Lerners aus einer Vielzahl
persönlicher und situativer Faktoren zusammensetzt, lässt sich erkennen,
dass die vorhandenen Lösungen keine ausreichende Berücksichtigung der
individuellen Erfordernisse erreichen können.
Die Ursachen hierfür scheinen zum einen die fehlenden technischen Res-
sourcen in der Anfangszeit dieser Entwicklungen und zum anderen die
8 Vgl. Schmidt, 20139 Schlageter and Feldmann, 2002, S. 347
10 Dillenbourg et al., 2014
5
Anzahl der zu erreichenden Lernenden zu sein. Auch in Zeiten von on-
line verfügbaren Web-Based-Trainings finden sich in der Regel nur klei-
ne vierstellige Teilnehmerzahlen. Betrachtet man den Aufwand für die
Entwicklung einer umfangreichen adaptiven Lernumgebung und die an-
schließende Erstellung multimodaler und multicodaler Inhalte, ist der
Aufwand je Teilnehmer immer eine kritische Größe gewesen. Brusilovsky
und Millán führen hierzu aus: ”The more user features are represented in
the model the more complete it will be. However, the cost of creating and
maintaining a more complete model should be caully balanced against the
usefulness of such a model.”11
Diese kritischen Einflussfaktoren haben sich in den letzten Jahren stark
verändert. Berücksichtigt man die heute über MOOC’s erreichbare Menge
an Lernenden, ist leicht zu erkennen, dass sich dieses Verhältnis drastisch
verändert hat und dass damit eine deutliche Erhöhung des Aufwands zur
Erstellung von Systemen und qualitativ hochwertigen adaptierbaren In-
halten gerechtfertigt scheint. Ferner ist im Bereich nutzbarer Inhalte ein
weiterer Trend zu beobachten. Neben der ständigen Vervielfachung der
im Internet verfügbaren Inhalte wird momentan intensiv an der Entwick-
lung von Datenbanken zur Verwaltung von Open Educational Ressources
(OER) gearbeitet.
Gleichzeitig wurde die Entwicklung von Webtechnologien stark voran-
getrieben, mit der Folge, dass viele proprietäre Sonderlösungen durch
leistungsstarke Standards abgelöst wurden. Auch im Bereich der einge-
setzten Sensorik sind große Fortschritte hinsichtlich Verfügbarkeit und
Verbreitung zu verzeichnen. Waren Mobiltelefone vor 10 Jahren noch
recht einfache Geräte zur Text und Audio Ein- und Ausgabe, so finden
sich in heutigen Smartphones durchschnittlicher 20 verschiedene Senso-
ren. 12 Die Bandbreite reicht von Kameras über Näherungssensoren bis
hin zu Pulsmessern.13 Durch heute verfügbare Datenbestände und techni-
sche Verfahren in Verbindung mit der Fortschreitenden Verbreitung und
Bandbreite von Sensorik lassen sich so viele Benutzermerkmale abrufen
beziehungsweise erfassen, die zuvor gar nicht oder nur unter unverhält-
nismäßig hohem Aufwand zu ermitteln waren. Schon heute werden Iden-
tifikationsprozesse eingesetzt, die anhand von einfachen Gesichtsbildern
11 Brusilovsky and Millán, 2007, S. 2912 Vgl. Kühl, 201613 Vgl. Biermann, 2014
6
Personen identifizieren. Auch die Analyse von Emotionen in Gesichtsbil-
dern ist praktisch einsetzbar und könnte in Lernanwendungen genutzt
werden.
Außerdem stehen einem Großteil der Gesellschaft günstige Internetan-
bindungen mit hoher Bandbreite zur Verfügung. Diese Eingangsvoraus-
setzung zur Teilnahme an digitalen Bildungsangeboten kann in vielen
Teilen der Welt bereits als gegeben angesehen werden, während in vielen
anderen Teilen eine rasche Entwicklung zu verzeichnen ist. Insbesondere
die Zahl der mobilen Internetnutzer wächst sehr schnell. Bereits heute
gibt es weltweit mehr als 3 Mrd. Internetnutzer 14, von denen etwa 2,3
Mrd. Nutzer mobile Geräte für dem Zugang nutzen15. Prognosen gehen
davon aus, dass es 2019 bereits 4 Mrd. Internetnutzer geben wird16, was
erstmals mehr als 50% der Weltbevölkerung entspricht17.
Jedoch gibt es seit der Frühzeit der adaptiven Lernumgebungen auch
Entwicklungen, die vollkommen neue Lösungsansätze und Konzepte er-
fordern. So konnte in den 1980er Jahren noch davon ausgegangen werden,
dass einem Benutzer ein Endgerät zugeordnet werden kann. Es war nicht
zu erwarten, dass sich dieses Gerät hinsichtlich seiner Leistungsfähigkeit
und technischen Möglichkeiten verändert. Heute hingegen verwenden die
meisten Nutzer mehrere Geräte, die in unterschiedlichen Situationen zum
Einsatz kommen.
Ein Nutzer könnte beispielsweise zuhause einen leistungsstarken PC ver-
wenden und für die mobile Nutzung wahlweise auf ein Tablet oder Smart-
phone zurückgreifen. Insbesondere die Nutzung mobiler Endgeräte in ad-
aptiven Lernumgebungen erfordert neue Lösungsansätze, um Geräte mit
verschiedenen Charakteristika so mit Inhalten beliefern zu können, dass
für den Nutzer ein individueller und zugleich transparenter Lernprozess
auf allen seinen Geräten entsteht.
14 Internet Live Stats, 201615 eMarketer, 2016c16 eMarketer, 2016b17 eMarketer, 2016a
7
1.2. Forschungsfragen und Ziel der Arbeit
Gegenstand der Arbeit sind benutzerzentrierte adaptive Lernumgebun-
gen, die sich dadurch auszeichnen, dass sie den Lernprozess anhand in-
dividueller Merkmale ihrer Benutzer und deren Umgebung, sowie deren
aktueller Situation anpassen. Vorhandene Systeme nutzen nur ein sehr
eingeschränktes Spektrum an individuellen Benutzermerkmalen und dar-
aus abgeleiteten Adaptionsmaßnahmen. Häufig berücksichtigen vorhan-
dene Systeme nur ein einzelnes Merkmal, dessen Ausprägung zu Beginn
ermittelt wird und anschließend als konstant angenommen wird, wodurch
sich kein Benutzermodell erstellen lässt. Insbesondere dynamische Fak-
toren, die für die momentane Situation des Benutzers entscheidend sind,
finden keine Berücksichtigung.
Im Gegensatz hierzu soll in dieser Arbeit durch die Nutzung vielfältiger
Benutzermerkmale ein möglichst präzises Benutzermodell erstellt wer-
den und eine Ermittlung der jeweiligen Ausprägung begleitend oder in
geeigneten Intervallen erfolgen, um so geeignete Adaptionsmaßnahmen
vornehmen zu können, die auf die Individualität des Nutzers abgestimmt
sind.
Da es bis heute keine Lösung gibt multiple Einflussfaktoren innerhalb ei-
nes Lernprozesses zu berücksichtigen, muss zunächst untersucht werden,
welche individuellen Einflussfaktoren sich auf den Lernprozess auswirken
können und in einem weiteren Schritt, welche dieser ermittelten Fak-
toren nach heutigen Möglichkeiten technisch erfassbar sind. Außerdem
muss eine Architektur konzipiert werden, die es ermöglicht unterschiedli-
che Einflussfaktoren zu erfassen, die ermittelten Daten vorzuhalten und
über ein zentrales Regelwerk unterschiedliche Einflussfaktoren miteinan-
der zu verknüpfen.
Anhand dieser Problemstellung ergeben sich die nachfolgend aufgeführ-
ten Forschungsfragen:
• F1: Welche individuellen Einflussfaktoren sind im Kontext von com-
puterbasierten Lernumgebungen grundsätzlich als relevant in Be-
zug auf den Lernprozess anzusehen?
• F2: Welche individuellen Einflussfaktoren sind im Kontext von com-
puterbasierten Lernumgebungen nach heutigem Kenntnisstand tech-
8
nisch zu erfassen und mit welchen Methoden können sie erfasst
werden?
• F3: Wie lassen sich erfasste Einflussfaktoren unter Berücksichtigung
unterschiedlicher Datenformate und Erfassungszyklen in geeigneter
Weise in einer Datenstruktur vorhalten?
• F4: Welche Basiskomponenten sind für den Aufbau einer benutzer-
zentrierten adaptiven Lernumgebung erforderlich?
• F5: Wie lassen sich unterschiedliche Module zur Erfassung von in-
dividuellen Einflussfaktoren in einem Gesamtsystem integrieren?
• F6: Wie lassen sich Komponenten zur Ermittlung von Einflussfak-
toren sinnvoll in einem System kombinieren?
Ziel der Arbeit ist es Einflussfaktoren zu ermitteln, die sich auf Tei-
le des Lernprozesses auswirken. Die ermittelten Einflussfaktoren sollen
hinsichtlich ihrer technischen Erfassbarkeit bewertet werden. Zudem soll
evaluiert werden, wie sich festgestellte individuelle Faktoren in geeigneter
Weise modellieren lassen und sich entsprechende Adaptionsmaßnahmen
ableiten lassen. Anhand dieser Erkenntnisse sollen ein Systemkonzept
und ein Prototyp entwickelt werden, die es erlauben unterschiedliche Ein-
flussfaktoren zu erfassen und zu kombinieren. So soll die Grundlage zur
Gewinnung eines möglichst vollständigen Benutzerprofils geschaffen wer-
den. Anhand ausgewählter Einflussfaktoren soll beispielhaft die Zusam-
menarbeit in einem Gesamtsystem demonstriert werden. Dabei besteht
der Prototyp mindestens aus den folgenden Kernkomponenten:
• Autorenwerkzeug zur Erstellung und Pflege von Inhalten und Me-
tadaten
• Domänenmodell für die Speicherung der Lehrinhalte
• Benutzermodell zur Modellierung einzelner Benutzerattribute
• Business-Rule-Engine, sowie Business-Rule-Repository für die Ver-
waltung des Regelwerks
• Benutzerschnittstelle (Client) für die Nutzung durch den Lernenden
9
1.3. Gliederung der Arbeit
Die vorliegende Arbeit beleuchtet in Kapitel 2 zunächst die Historie ad-
aptiver Systeme und deren Vorgänger und gibt einen Überblick über den
aktuellen Forschungsstand. Dazu werden verfügbare Lösungen und For-
schungsergebnisse betrachtet und bewertet.
Das nachfolgende Kapitel gibt einen generellen Überblick über die erfor-
derlichen Komponenten adaptiver Lernsysteme und zeigt dabei grund-
sätzliche Unterscheidungsmerkmale auf. Außerdem wird untersucht, wel-
che relevanten Einflussfaktoren zu berücksichtigen sind, um auf die Indi-
vidualität des Nutzers eingehen zu können. Hierzu soll zunächst evaluiert
werden, welche persönlichen, situativen und technischen Einflussfaktoren
sich auf den Lernprozess auswirken können und welche Adaptionsmaß-
nahmen sich daraus ableiten lassen.
Im Fokus der Betrachtung stehen
• mögliche Einflussfaktoren, die sich auf den Lernprozess auswir-
ken,
• Möglichkeiten, die Ausprägungen dieser Einflussgrößen anhand von
Messverfahren zu bestimmen,
• Modellierungsverfahren, die die Ausprägungen der ermittelten
Einflussgrößen in einem Benutzermodell speichern können,
• sowie die Ableitung geeigneter Adaptionsmaßnahmen.
In Kapitel 4 wird das Systemkonzept des zu entwickelnden Prototyps
vorgestellt. Auf Basis der grundsätzlichen Überlegungen des vorangegan-
genen Kapitels werden in einem strukturierten Auswahlprozess konkret
nutzbare Faktoren, Methoden und Verfahren identifiziert. Diese werden
im Weiteren genutzt, um ein Konzept für eine konkrete Implementierung
vorzuschlagen und einen Prototypen zu implementieren. Hierzu werden
zunächst Ziele festgelegt, die mit dem vorgeschlagenen System erreicht
werden sollen. Anschließend werden die festgelegten Ziele verwendet, um
Anforderungen zu formulieren, die die Erreichung der Ziele ermöglichen.
Zudem werden Rahmenbedingungen berücksichtigt, die einen zeitgemä-
ßen Betrieb eines Softwaresystems ermöglichen. Hierzu zählen die Be-
rücksichtigung heute eingesetzter Endgeräte, die Wartbarkeit des Sys-
tems, sowie ein Mindestmaß an Ausfallsicherheit und Datenschutz.
10
In Kapitel 5 wird die Umsetzung der Basis des entwickelten Prototyps
auf verschiedene Ebenen behandelt. Außerdem zeigt es beispielhaft die
Entwicklung und Integration von unterschiedlichen Komponenten zur Er-
mittlung von Benutzerattributen.
Die Arbeit schließt mit einem Fazit zu den gewonnenen Erkenntnissen
und gibt einen Ausblick zu offenen Fragestellungen und sich ergebenden
Forschungsbedarfen.
11
2. Stand der Forschung und Technik
Dieses Kapitel gibt zunächst einen Überblick über das Forschungsfeld und
angrenzende Disziplinen, zu dieser Arbeit. Im Folgenden wird die Ent-
wicklung technischer Maschinen zur Wissensvermittlung bis hin zu ad-
aptiven Lernsystemen betrachtet. Anschließend werden Grundlagen der
Adaptivität im Bereich E-Learning behandelt und insbesondere die Tak-
tung der Adaption behandelt.
Die einzelnen Komponenten eines modernen Lernsystems, sowie die zu-
grundeliegenden Standards und Techniken werden im Folgenden Beschrie-
ben. In diesem Teil werden grundsätzlich denkbare Ansätze und Metho-
den vorgestellt, die sich eignen können, um individuelle Eigenschaften des
Lernenden zu berücksichtigen. Hierzu wird zunächst auf Einflussgrößen
eingegangen, die die Diversität der Lernenden maßgeblich ausmachen. Im
zweiten Teil werden Methoden und Modelle vorgestellt, die sich eignen,
um Einflussgrößen zu messen und zu modellieren. Anschließend werden
Möglichkeiten zur Analyse der ermittelten Einflussgrößen evaluiert. Im
letzten Teil dieses Kapitels werden Maßnahmen vorgeschlagen, die sich
aus der Analyse der Einflussgrößen ableiten lassen können.
Da sich aus den zuvor behandelten Gebieten der Forschung häufig kon-
krete Implementierungen entwickelt haben, werden in Kapitel 2.11 ver-
fügbare E-Learning Lösungen und Produkte hinsichtlich ihrer adaptiven
Funktionen vorgestellt.
2.1. Forschungsfeld
Der Ansatz benutzerzentrierter adaptiver Lernumgebungen ist an der
Schnittstelle der Informatik Teilgebiete Mensch-Computer Interaktion,
Multimedia- und Hypermediatechnik, sowie Bildungsinformatik bezie-
hungsweise E-Learning einzuordnen.
Die Mensch-Computer-Interaktion (englisch Human–computer interacti-
on; HCI) ist ein Teilgebiet der Informatik und beschäftigt sich mit der
benutzergerechten Gestaltung von Mensch-Maschine-Schnittstellen inter-
aktiver Systeme. Neben Erkenntnissen aus der Informatik werden auch
solche aus der Psychologie (insbesondere Medienpsychologie), der Ar-
beitswissenschaft, der Kognitionswissenschaft und der Ergonomie berück-
sichtigt. Das Hauptaugenmerk im Bereich Mensch-Maschine-Interaktion
12
(MMI) liegt in der Entwicklung von Konzepten und Technologien, die
die Nutzung technischer Systeme für den Menschen erleichtern.18
Unter E-Learning versteht man generell die Unterstützung von Lehr- und
Lernprozessen durch digitale Medien und Technologien, die mit Computer-
oder Internetunterstützung durchgeführt werden.19 Der Begriff E-Learning
umfasst ein großes Spektrum sowohl technologischer Entwicklungen als
auch lernorganisatorischer Formen. E-Learning ist kein klar definierter
Begriff und hat eine Vielzahl an begrifflichen Vorläufern, wie Compu-
ter Based Training – CBT20, Computer Based Instruction - CBI21 oder
Computer Aided Teaching - CAT22 Er umfasst sowohl onlinegestützte
Lernformen als auch computerunterstützte offline Lernformen. Zumeist
setzt E-Learning setzt sich aus den Facetten Interaktivität, Multicoda-
lität, Multimedialität und Multimodalität zusammen. Tabelle 1 zeigt in
Anlehnung an Kerres23 drei voneinander zu unterscheidende Formen des
E-Learnings. Sie stellen Punkte in einem Spektrum von völlig selbststän-
digen Lernangeboten bis hin zu einem völlig betreuten Lernangeboten
dar.
18 Vgl. Shneiderman and Plaisant, 201019 Vgl. Ehlers, 201120 Vgl. Brendel, 199021 Vgl. Lillie et al., 198922 Vgl. Grob, 199723 Vgl. Kerres, 2001
13
OffenesTelelernen
Teletutoring Teleteaching
Merkmale Lerninhalte wer-den in modularenDatenbanken an-geboten, der Ab-ruf erfolgt wahl-frei keine organi-sierte Kommuni-kation
zeitlich getakteteDistribution vonLernmaterialienmit LernaufgabenBetreuung vorallem asynchron
synchrone Kom-munikation zwi-schen entferntenPersonen
Vorteile individuelleAuswahl vonLerninhalten und-wegen zeitlichfreier Zugriff
Betreuung durchTutor kooperati-ves verteiltes Ler-nen in Gruppenmöglich
interpersonelleInteraktionohne zeitlicheVerzögerung
MöglicheNachteile
kein systematischaufbereitetesLernangebotkeine systemati-sche Betreuunggeringer Lerner-folg für Anfänger
Aufwand bei Pla-nung (Anpassungan Zielgruppeu.ä.)organisatorischerAufwand beiDurchführung einwahlfreier Zugriff
technischer Auf-wandoft nur Einweg-KommunikationSynchronisationdes Lehr-Lernprozesses
Tabelle 1: Vor- und Nachteile der methodischen Grundformen des E-Learnings nach Kerres
Diese Arbeit bewegt sich im Umfeld des offenen Telelernens. Das offene
Telelernen ist eng verbunden mit der „Open University“ in Großbritan-
nien24. Sie organisiert ihr Lehrangebot nicht in fest umrissenen Curricu-
la und Studiengängen, sondern fördert die individuellen Lerninteressen
durch Offenheit in der Kurswahl. Der entscheidet eigenständig, welche
Inhalte er wann und in welcher Detailtiefe lernt. Es ist jedoch bekannt,
dass diese Form des Lernprozesses nur dann erfolgreich ist, wenn der Ler-
nende bereits umfangreiche Lernkompetenzen und Erfahrungen mit der
notwendigen Selbstorganisation besitzt. Häufig sind Lernende durch die
notwendige Organisation überfordert. Folglich nutzen sie die angebote-
nen Kurse nach einiger Zeit nicht mehr. Aus didaktischer Sicht sollte das
Lehrangebot beim offenen Telelernen auf die individuelle Auseinander-
setzung des Lernenden mit dem Inhalt abgestimmt sein.25
24http://www.open.ac.uk25 Vgl. Ehlers, 2011
14
Multimedia- und Hypermediatechnik ist ein Teilgebiet der Informatik,
das sich mit der Verknüpfung verschiedener web-basierter Technologien
im Bereich Multimedia befasst. Multimedia bezeichnet technische Syste-
me, die in der Lage sind, verschiedene Datenformate, wie Texte, Grafiken,
Ton und Video, zu verarbeiten und für den interaktiven Abruf vorzuhal-
ten.26 Multimediale Lernsysteme im Speziellen zeichnen sich durch ei-
ne vernetze Informationsstruktur, die durch Hypertext ermöglicht wird,
aus. Ein Hypertext besteht aus Knoten, die Informationen enthalten,
und Verbindungen, welche die strukturellen Zusammenhänge zwischen
den Knoten explizit darstellen.27 Ein Zugriff auf die Knoten ist in be-
liebiger Abfolge möglich. Hypertext-Systemen werden oftmals aufgrund
der möglichen assoziativen Anordnung von Lerninhalten hohe didakti-
sche Potentiale nachgesagt.28 29 Bestehen die Knoten eines Dokuments
nicht aus Textbausteinen, sondern aus anderen Medienformaten, spricht
man von Hypermedia.30.
2.2. Historische Entwicklung
Der Gedanke, moderne Technologien zu nutzen, um Lernprozesse zu er-
leichtern, ist nicht erst mit der Entwicklung von Computern und dem In-
ternet aufgekommen. So entwickelte Pressey bereits 1915 Maschinen ”zur
Intelligenzprüfung und zur Informationsvermittlung“.31 32 Sie werden als
Ursprung für die Entwicklung von modernen Lernmaschinen gesehen.
Diese Maschinen präsentierten den Lernenden Multiple-Choice-Fragen.
Ein internes Rechenwerk addiert die Anzahl der korrekt beantworteten
Fragen und ermöglicht ein anschließendes Ablesen der Ergebnisse durch
den Leiter des Tests. In einer Erweiterung, hin zu einer Lernmaschine
wurde die Anzeige der Lerninhalte über die Ergebnisse dieser Tests ge-
steuert. Weitere Lerninhalte wurden erst dann präsentiert, wenn die Tests
zu den vorangegangenen Inhalten erfolgreich absolviert wurden.33.
26 Vgl. Kerres, 200127 Vgl. Tergan, 200228 Vgl. Haack, 200229 Vgl. Langer, 201330 Vgl. Tergan, 200231 Boring, 1958, S. 152 f.32 Pressey, 1946, S. 26233 Vgl. Benjamin, 1988, S. 705 f.
15
In den 1950er-Jahren griff Skinner die Idee des Privatlehrers wieder auf
und entwickelte Lehrapparate, die es ermöglichen sollten die Lehre ma-
schinell zu individualisieren. Dazu bediente er sich an den Prinzipien
des operanten Konditionierens und differenzierte zwischen dem Appa-
rat und dem in ihm ablaufenden Programm. Die Apparate ermöglichten
es, nicht nur eine Lösung aus vorgegebenen Möglichkeiten auszuwählen,
sondern eigene Lösungsvorschläge durch das Verschieben von Hebeln ein-
zugeben.34 So wurden einerseits die Lehrapparate auf denen individua-
lisierte Lernangebote abliefen und andererseits die Lehrprogramme, die
in gedruckter Form eingesetzt wurden entwickelt. Allerdings waren aus-
schließlich die gedruckten Lehrprogramme bis in die 1960er- Jahre erfolg-
reich, während die Lehrapparate nie zu einem Erfolg wurden. Ursächlich
hierfür ist der enorme technische Aufwand für deren Entwicklung und
Herstellung.35
Auch in den folgenden Jahrzehnten wurden immer wieder Projekte mit
dem Ziel eine maschinelle Form der Lehre zu finden gestartet. In die-
sen Projekten wurden vermehrt Computer für die Steuerung der Lehr-
maschinen eingesetzt, konnten sich aber letztlich aufgrund der enormen
Kosten für Computersysteme dieser Zeit nie durchsetzen. Seitdem der
Personal Computer in den 1980er Jahren zu immer geringeren Kosten
zur Verfügung stand und sich rasant verbreitet erlebte auch der Zweig
der computerbasierten Lernumgebungen eine Belebung. So wurden Sys-
teme vorgestellt, die ihr Verhalten anhand statischer Regeln, individuell
auf den Lernenden zuschneiden.
Systeme, die die Individualität von Lernenden in computerunterstütz-
ten Lernumgebungen berücksichtigt, werden als ”Adaptive Educational
System” (AES) bezeichnet.36 Diese Systeme sind zum einen aus den ”In-
telligent Tutor Systems” (ITS) und zum anderen aus den ”Adaptive Hy-
permedia Systems” (AHS) entstanden.
Die ITS sind aus dem Forschungszweig der Lehrmaschinen entstanden,
der sich mit der Frage beschäftigt hat, wie individualisiertes Lehren und
Lernen möglich ist. In diesem Kontext wurden Lehrprogramme entwi-
ckelt, die sich mithilfe von künstlicher Intelligenz selbstständig auf die
34 Vgl. Benjamin, 1988, S. 70835 Vgl. Leutner, 1992, S. 2 f.36 Vgl. Brusilovsky, 1998
16
Voraussetzungen des Lernenden einstellen können.37 Die Entwicklung der
ITS wurde in erster Linie von Fragestellungen der Informatik getrieben,
sodass in vielen ITS instruktionspsychologische und pädagogische Er-
kenntnisse eine untergeordnete Rolle spielten.38
Im Gegensatz hierzu sind AHS eine jüngere Entwicklung die mit dem
Entstehen des Internets einhergeht. AHS hatten zunächst keinen Bezug
zu Lernumgebungen, sondern beschäftigten sich mit der grundsätzlichen
Individualisierbarkeit von Multimediainhalten im Internet. Im Zusam-
menhang mit Lernumgebungen werden sie deshalb auch als ”Adaptive
Educational Hypermedia Systems” (AEHS)39 40 oder ”Adaptive Hyper-
media Learning Systems” (AHLS)41 bezeichnet. Hierzu verwenden Sys-
teme dieses Typs in der Regel ein Benutzermodell, in dem die berück-
sichtigten Attribute des Benutzers vorgehalten werden.42
2.3. Adaptive Systeme
Als adaptive Systeme werden im Bereich von Lernumgebungen unter-
schiedlichste Anwendungen der computergestützten Lehre bezeichnet. Im
Allgemeinen zeichnen sich adaptive Systeme dadurch aus, dass sie Fakto-
ren ihrer Umwelt und ihres Nutzungskontexts berücksichtigen. Adaptive
Systeme im Bereich von Lernumgebungen im Speziellen berücksichtigen
hierzu in der Regel individuelle Merkmale und die aktuelle Situation ih-
rer Benutzer. Diese Merkmale reichen vom Geschlecht43 über Vorwissen44
45 bis hin zum kognitiven Typ46 47 des Nutzers. Abhängig von dem je-
weiligen System kann der Benutzer das System eigenständig auf seine
Bedürfnisse und Vorlieben einstellen, oder das System nimmt diese Ad-
aption selbstständig vor.
Es gibt ein sehr breites Spektrum von möglichen Benutzermerkmalen.
Trotzdem werden Benutzermerkmale in der aktuellen Forschung zumeist37 Vgl. Issing and Klimsa, 1995, S. 55538 Vgl. Leutner, 1992, S. 4 ff.39 Henze and Nejdl, 2004, S. 440 Mampadi, 2012, S. 141 Mampadi et al., 2009, S. 15642 Vgl. Brusilovsky, 199843 Vgl. Schumacher and Morahan-Martin, 2001, S. 9544 Vgl. Last et al., 2001, S. 345 Vgl. Mitchell et al., 2005, S. 5346 Vgl. Chen and Macredie, 2004, S. 37547 Vgl. Stash and De Bra, 2004, S. 378
17
nur isoliert verwendet. In einer Studie48 von 2012 wurde der Einfluss
von Vorwissen und kognitivem Stil in adaptiven Lernumgebungen unter-
sucht. Zwar konnte in der abschließenden Untersuchung ein unterschied-
lich starker Effekt der beiden Merkmale ausgemacht werden, allerdings
kommt diese Untersuchung, wie auch vorangegangene Studien49 50, zu
der Folgerung, dass künftige Lösungen sich auf die Kombination mehre-
rer Merkmale konzentrieren sollten.
Bisher gibt es keine Lernumgebung, die einerseits basierend auf einem
Lernermodell, Motivation, Vorwissen, erlangtes Wissen, Lernstil etc. er-
fasst und andererseits alle Möglichkeiten der Modifikation der Lernin-
halte nutzt. In der Regel werden nicht mehr als ein oder zwei Variablen
im Lernermodell operationalisiert und ein bis zwei Modifikationen vorge-
nommen.51
Im Folgenden wird ein Überblick über den Forschungsstand gegeben.
Dazu werden zunächst unterschiedliche Modelle betrachtet und anhand
dieser, eine strukturierte Kategorisierung von adaptiven Lernumgebun-
gen vorgenommen.
In der Forschung zu adaptiven Systemen im Bereich von Lernumgebun-
gen werden die unterschiedlichen Ausprägungen der Adaptivität nach
unterschiedlichen Kriterien kategorisiert. Einige der vorgeschlagenen Kri-
terien werden nachfolgend vorgestellt.
Burgos et al. schlagen hierzu drei Kategorien vor.
• Adaptionsinstanz
Die Adaptionsinstanz beschreibt die Instanz in einem Modell, die
die Adaption vornimmt. In diesem Zusammenhang begrenzen die
adaptability und adaptivity die Menge der möglichen Instanzen.
Auf der einen Seite beschreibt die adaptability eine Instanz, die es
dem Benutzer ermöglicht eigenständig Modifikationen an der Ler-
numgebung vorzunehmen. Auf der anderen Seite beschreibt die ad-
aptivity die systemseitige Adaption der Lernumgebung an den Ler-
nenden. Diese Form sieht keine direkte Eingriffsmöglichkeit durch
48 Vgl. Mampadi, 2012, S. 749 Vgl. Mampadi et al., 2009, S. 16350 Vgl. Mampadi et al., 2011, S. 100951 Vgl. Lehmann, 2010, S. 17
18
den Lernenden vor. Tatsächlich bedienen sich adaptive Lernumge-
bungen aber häufig einer Form, die weder das eine, noch das andere
Extrem vollständig abbildet oder eine Mischform darstellt.52
• Adaptionsinput
Unabhängig von der Adaptionsinstanz, sind die berücksichtigten
Merkmale und Einflussfaktoren zu berücksichtigen. Die verwende-
ten Merkmale und Einflussfaktoren werden als Adaptionsinput be-
zeichnet. Häufig werden die Interaktionen der Benutzer mit der
Lernplattform oder explizierte Steuerungsentscheidungen der Nut-
zer als Adaptionsinput verwendet.
Konkret wird hierzu zwischen vier Quellen für den Adaptionsinput
unterschieden:
– Informationen über das Verhalten und die Leistung der Nut-
zer, die durch das System ermittelt werden.
– Explizite Entscheidungen der Nutzer.
– Entscheidungen eines Betreuers oder Lehrenden, der durch
Evaluation der Lehrsituation bewusste Entscheidungen trifft.
– Vordefinierte Regeln zur Steuerung der Adaption.53
• Adaptionsgegenstand
Der Adaptionsgegenstand beschreibt die Elemente einer Lernumge-
bung, auf die sich die Adaption bezieht. Hierzu werden drei Grup-
pen vorgeschlagen. Die erste Gruppe beinhaltet Möglichkeiten, um
die Benutzerschnittstelle anzupassen, und kann dem Bereich Usa-
bility Engineering zugeordnet werden. Typische Anwendungsfälle
sind die Positionierung von Elementen und deren Ausgestaltung
hinsichtlich Farbe, Größe und weiterer Attribute. In der Regel wird
diese einfache Form der Adaption eigenständig durch den Benut-
zer vorgenommen. Die zweite Gruppe beschreibt die Sequenzierung
von Lerninhalten. Abhängig von unterschiedlichen Einflussfaktoren
wird hier die Reihenfolge der Lernobjekte individuell für jeden Be-
nutzer manipuliert. Die letzte Gruppe arbeitet auf Basis der Leh-
rinhalte. Für jedes Lernobjekt liegen alternative Inhalte vor und
werden abhängig von Einflussfaktoren eingesetzt.54
52 Vgl. Burgos et al., 2007, S. 16153 Vgl. Burgos et al., 2007, S. 16254 Vgl. Burgos et al., 2007, S. 162f.
19
Ein anderes Unterscheidungsmerkmal, für die Differenzierung von adap-
tiven Lernumgebungen ist der Adaptionszweck. Hierzu wird nach Leut-
ner55 zwischen dem Kompensationsmodell, dem Präferenzmodell und
dem Fördermodell unterschieden. Im Rahmen des Fördermodells werden
durch Tests zunächst Defizite der Lernenden ermittelt und anschließend
durch die Präsentation zusätzlicher Lerneinheiten versucht zu beheben.
Bei dem Einsatz des Kompensationsmodells sollen Defizite der Lernen-
den durch zur Verfügung gestellte Hilfsmittel kompensiert werden. Im
Gegensatz hierzu ermittelt und kompensiert das Präferenzmodell keine
Defizite der Lernenden, sondern unterstützt und Fördert die vorhande-
nen Stärken des Lernenden
Schulmeister56 und Leutner57 schlagen außerdem vor, Systeme entspre-
chend der Taktung der Adaption zu unterschieden. Das Spektrum der
möglichen Taktungen reicht von einer einmaligen Anpassung zum Bei-
spiel zu Beginn durch den Nutzer selbst, über einige wenige Anpassungen
bis hin zur kontinuierlichen Bewertung des Nutzerverhaltens. Im Ver-
gleich zu der Adaptionsinstanz nach Burgos et al. sind bei der Taktung
der Adaption die Anzahl der Eingriffe und die Zeit zwischen den Eingrif-
fen relevant und nicht, wer den Eingriff durchführt.
Die hier vorgestellten Modelle zur Kategorisierung adaptiver Lernumge-
bungen zeigen viele Gemeinsamkeiten und Schnittpunkte. Unter Berück-
sichtigung der jeweils anderen Modelle lässt sich jedoch auch erkennen,
dass kein Modell alle Eigenschaften vollständig erfasst und nur durch
Ergänzung eine umfassende Charakterisierung möglich ist. Aus den vor-
gestellten Modellen können fünf Kategorien hergeleitet werden, die die
Kategorisierung adaptiver Lernumgebungen ermöglichen:
1. Quelle des Adaptionssinputs,
2. Adaptionsinstanz,
3. Taktung der Adaption,
4. Adaptionsgegenstand,
5. Zweck der Adaption.55 Vgl. Leutner, 2002, S. 11856 Vgl. Schulmeister, 2006, S. 115ff.57 Vgl. Leutner, 2002, S. 118ff.
20
Die Kategorien Adaptionssinput, Adaptionsinstanz und Adaptionsgegen-
stand entsprechen den Kategorien nach Burgos et al.58. Die Taktung der
Adaption entspricht der Unterscheidung zwischen Mikro- und Makroa-
daptivität nach Leutner59, beziehungsweise der statischen und dynami-
schen Lerner-Adaptivität nach Schulmeister60. Der Zweck der Adaption
greift die Differenzierung des Adaptionszwecks nach Leutner auf.
Henze und Nejdl bieten eine Beschreibung auf Basis der technischen
Komponenten eines AEHS61 an. Die einzelnen Komponenten können im
Gegensatz zu den Kategorien der vorangegangenen Modelle als techni-
sche Module eines Systems betrachtet werden. In diesem Modell sind die
Kernkomponenten ”Document Space”, ”User Model”, ”Observations” und
”Adaption Component”.62
In einem adaptiven System bestehen Beziehungen zwischen diesen ein-
zelnen Bestandteilen. Der ”Document Space” kann als Speicherort für
Wissensobjekte und deren Metadaten verstanden werden und wird im
Folgenden allgemein als Domänenmodell bezeichnet. Die ”User Model”-
Komponente beinhaltet Daten zu Benutzern, deren Umgebung und ih-
rem Verhalten und wird im Folgenden als Benutzermodell bezeichnet.
Die Komponenten ”Observations” und ”Adaption Component” arbeiten
auf Basis der Daten des Domänen- und Benutzermodells und bilden die
Funktionalität eines Systems ab. Hier wird zu Gunsten einer detaillierte-
ren Betrachtung auf die Begrifflichkeiten ”Observations” und ”Adaption
Component” verzichtet. Stattdessen wird zwischen möglichen Einfluss-
faktoren, die sich auf den Lernprozess auswirken, Messverfahren zur Er-
mittlung der Ausprägungen von Einflussgrößen, Modellierungsverfahren,
die die Ausprägungen der ermittelten Einflussgrößen in einem Benutzer-
modell speichern können und daraus abgeleiteten geeigneten Adaptions-
maßnahmen unterschieden.
Die Beziehung dieser Faktoren, Verfahren und Maßnahmen zueinander
kann als Regelkreis verstanden werden und ist in Abbildung 1 dargestellt.
In diesem Regelkreis werden verschiedene Einflussfaktoren gemessen und
so die Adaptionsmaßnahmen beeinflusst. Im folgenden Adaptionsschritt
nimmt der Einflussfaktor eine veränderte Größe an, sodass die Adaptions-
58 Vgl. Burgos et al., 2007, S. 161ff.59 Vgl. Leutner, 2002, S. 118ff.60 Vgl. Schulmeister, 2006, S. 115ff.61 Adaptive Educational Hypermedia System62 Vgl. Henze and Nejdl, 2004, S. 5
21
maßnahme weiter beeinflusst wird, bis ein zufriedenstellendes Ergebnis
erreicht wurde. Die Taktung der Adaption gibt dabei an, in welchem zeit-
lichen Abstand Adaptionsmaßnahmen durchgeführt werden.
In den folgenden Unterkapiteln werden die einzelnen Kernkomponenten
einer adaptiven Lernumgebung auf Basis dieses Modells detailliert erläu-
tert.
Abbildung 1: Kernkomponenten eines AEHS
In den folgenden Unterkapiteln werden die übrigen vorgeschlagenen Kom-
ponenten eines adaptiven E-Learningsystems und die Taktung der Adap-
tion näher beleuchtet. Da die Taktung der Adaption ein offensichtliches
Systemmerkmal und ein Indikator für die Komplexität der Systeme ist,
wird sie zunächst erläutert und im folgenden Teil als Grundlage für die
Kategorisierung der verfügbaren Technik und Lösungen verwendet.
22
2.4. Taktung der Adaption
Eine grundlegende Unterscheidung bietet Leutner63, der adaptive Lehr-
systeme primär in Bezug auf Mikroadaptivität und Makroadaptivität
unterscheidet.
Schulmeister64 unterschiedet ähnlich, stellt allerdings neben der stati-
schen und dynamischen Lerner-Adaptivität, die im wesentlichen der Makro-
und Mikroadaptivität entsprechen, die Schnittstellen-Adaptivität als wei-
tere Form der Adaptivität vor.
Im Folgenden wird die Differenzierung nach Leutner und Schulmeister
aufgegriffen, um eine Kategorisierung vorzunehmen. Dabei wird die Ma-
kroadaptivität synonym für statische Lerner-Adaptivität und Mikroad-
aptivität synonym für dynamische Lerner-Adaptivität verwendet.
2.4.1. Schnittstellen-Adaptivität
Die Schnittstellen-Adaptivität oder Adaptierbarkeit bezieht sich auf die
Adaption der Benutzerschnittstelle. Dabei handelt es sich um ein sehr
pragmatisches Konzept, das es erlaubt, die Benutzerschnittstelle an die
Bedürfnisse beziehungsweise Einschränkungen des Benutzers anzupas-
sen. In der Regel lässt sich die Präsentation in Form von Schriftgröße,
einstellbaren Fenstergrößen und Farbgebung anpassen. Außerdem lassen
sich zusätzliche Hilfsmittel wie Werkzeuge für Annotationen, Datenban-
ken oder Kommunikationsdienste zu- beziehungsweise abschalten. Um
eine Bearbeitung auch durch Nutzer mit Einschränkungen zu erlauben,
sind außerdem häufig für Screenreader optimierte Texte, Bilder mit Be-
schreibungstext und Farbgestaltungen für Farbblinde anzutreffen.65
Mittlerweile ist diese Form der Adaptivität unter dem Gesichtspunkt
der Usability und der Barrierefreiheit in vielen Hypermediaanwendungen
anzutreffen. Dies liegt zum einen an der vergleichsweise einfachen Um-
setzbarkeit, da sie unabhängig von den Inhalten erfolgen kann und zum
anderen an dem unbestrittenen Nutzen und der Notwendigkeit durch Re-
gulierungen und Vorschriften, wie EN ISO 9241-11066, 9241-15167, 9241-
63 Vgl. Leutner, 2002, S. 118ff.64 Vgl. Schulmeister, 2006, S. 115ff.65 Vgl. Schulmeister, 2006, S. 11666 ISO 9241-110, 2006,67 ISO 9241-151, 2008,
23
17168 oder die ”Web Content Accessibility Guidelines” (WCAG) 2.0 des
World Wide Web Konsortiums69.
2.4.2. Makroadaptivität
Makroadaptivität oder statische Adaptivität ist die Fähigkeit einer Lern-
umgebung, sich seitens des Lehrenden oder des Systems selbst an die Er-
fordernisse des Lernenden anpassen zu lassen. Hierbei sind nur sehr we-
nige Eingriffe vorgesehen. In der Praxis ist meist ein einmaliger Eingriff
zu Beginn der Lerneinheit notwendig. Makroadaptive Systeme erfordern
somit nur einen relativ geringen Aufwand für die technische Entwicklung
dieser Form von System. Implizit liegt auch hier ein Lernermodell vor.
Jedoch gibt es für die Festlegung dieser Form von Lerner- oder Benut-
zermodell weitaus größere Freiheiten, weil es nicht oder zumindest nicht
kontinuierlich durch das System aktualisiert werden muss. Eine deutliche
Einschränkung in diesem Zusammenhang ist die Beschränkung auf per-
sönliche Merkmale, von denen nicht zu erwarten ist, dass sie sich während
einer Sitzung verändern. In Systemen, die nur einen Eingriff vorsehen,
können folglich nur Konstanten berücksichtigt werden.
Ein typisches Szenario ist ein Selbsttest zu Beginn einer Lerneinheit, der
das vorhandene Wissen prüft und anschließend entsprechende Lerninhal-
te auswählt.
2.4.3. Mikroadaptivität
Im Gegensatz zu den makroadaptiven Systemen, die wenige oder nur
einen Zeitpunkt der Adaption vorsehen, wird eine solche Adaption bei der
Mikroadaptivität oder dynamischen Adaptivität deutlich häufiger oder
kontinuierlich vorgenommen. Somit ist diese Gruppe von Systemen in
der Lage individuelle Merkmale des Lernenden zu Berücksichten, die sich
rasch verändern können und in der Lage darauf zu reagieren.70 71 Dazu
wird in der Regel ein Lerner- oder Benutzermodell eingesetzt, das zur
Laufzeit einer Sitzung aktualisiert werden kann. Es ist leicht zu erkennen,
dass eine mikroadaptive Umgebung grundsätzlich eine deutlich größere
Bandbreite an Adaptionsmaßnahmen bieten kann.
68 ISO 9241-171, 2008,69 Ben Caldwell, 2008,70 Vgl. Leutner, 2002, S. 12071 Vgl. Schulmeister, 2006, S. 116
24
2.5. Einflussgrößen
Einflussgrößen sind unterschiedliche Kriterien und Faktoren, anhand de-
rer sich verschiedene Benutzer und deren momentane Situation unter-
scheiden und somit die Individualität von Lernenden ausmachen. Im
Folgenden werden verschiedene Einflussgrößen vorgestellt und einer ers-
ten Kategorisierung unterzogen. Dazu werden sie zum einen in Kate-
gorien eingeteilt und hinsichtlich ihrer Veränderbarkeit beziehungsweise
Beständigkeit im zeitlichen Verlauf untersucht. Durch diese zweistufige
Einteilung lassen sich Einflussgrößen anschließend in verschiedene Grup-
pen einteilen.
Grundlegend ist zwischen
• technischen Einflussgrößen,
• persönlichen Einflussgrößen und
• situativen Einflussgrößen
zu unterscheiden.
Technische Einflussgrößen sind alle Einflussgrößen, die nicht direkt von
einem Benutzer abhängen, sondern von seiner technischen Ausstattung.
Die persönlichen Einflussgrößen hängen direkt von persönlichen Merk-
malen eines Nutzers ab. Situative Einflussfaktoren werden durch die mo-
mentane Umgebung des Benutzers bestimmt.
Weiter ist zu berücksichtigen, dass Einflussgrößen einer unterschiedli-
chen zeitlichen Beständigkeit unterliegen. Während zu erwarten ist, dass
sich situative Faktoren, wie die Konzentrationsfähigkeit häufig verändern,
können andere Einflussfaktoren, wie Sehschwächen oder andere körper-
liche Einschränkungen als konstant angesehen werden. Wie beständig
der konkrete Wert einer Einflussgröße ist, kann zusätzlich zwischen un-
terschiedlichen Benutzern variieren. Für eine grobe Einteilung werden
folgende Attribute vorgeschlagen:
• konstant
• hohe Beständigkeit
• mäßige Beständigkeit
25
• geringe Beständigkeit
• keine Beständigkeit
Es ist festzuhalten, dass die gewählten Kategorien nur eine grobe Ein-
teilung zulassen und sich nur für eine erste Einschätzung eignen. Zum
einen sind teilweise keine eindeutigen Zuordnungen möglich. Etwa kön-
nen Einflussfaktoren wie die Konzentrationsfähigkeit sowohl persönlich
als auch situativ sein. Zum anderen lässt sich für einige Einflussfaktoren
keine klare Annahme über deren zeitliche Beständigkeit treffen. Die Ziele
können abhängig vom Benutzer stark variieren oder konstant sein.
Anhand der vorgeschlagenen Kategorisierungen werden im Folgenden
Einflussgrößen vorgestellt und zugeordnet.
• Vorhandenes Wissen
Unter vorhandenem Wissen ist jenes Wissen zu verstehen, das vor
der Durchführung eines Lernprozesses zur Verfügung steht. Hierbei
ist primär Wissen aus der Domäne des thematischen Lehrgebiets
relevant. Darüberhinaus kann aber auch Grundlagenwissen aus an-
deren Bereichen relevant sein. Dies ist zum Beispiel der Fall, wenn
Inhalte aus dem Bereich der relationalen Datenbanken vermittelt
werden sollen und der Lerner bereits aus einer mathematischen
Ausbildung mit logischen Ausdrücken vertraut ist.
Unter Zuhilfenahme des vorhandenen Wissens des Nutzers ist es
möglich, die entsprechenden Lerneinheiten zu verkürzen oder in
kompakter Form anzubieten. Somit ist ein Direkteinstieg in rele-
vanten Themengebieten und Komplexitätsstufen möglich.
Das vorhandene Wissen zu einem bestimmten Zeitpunkt – typischer
ist hier der Wissensstand zu Beginn eines Lernprozesses interessant
- ist ein persönlicher Einflussfaktor.
Es ist davon auszugehen, dass sich das vorhandene Wissen zu Be-
ginn der Bearbeitung als Konstante festhalten lässt und sich nur
im Bereich des Domänenwissens durch den Lernprozess selbst ver-
ändert.
Die zeitliche Beständigkeit des vorhandenen Wissens ist zwar als
konstant zu betrachten, allerdings ist es möglich, dass weiteres vor-
handenes Wissen durch die Auseinandersetzung mit einem Lern-
gegenstand aktiviert wird und anschließend zur Verfügung steht.
26
Somit ist die Beständigkeit dieser Einflussgröße insgesamt als hoch
anzusehen.
• Domänenwissen
Domänenwissen spiegelt das Wissen zu einzelnen Elementen der
Lehrdomäne wider. Das Domänenwissen ist neben der Lernstilbe-
trachtung das am weitesten verbreitete Benutzermerkmal bestehen-
der adaptiver Lehrsysteme.72 Zu Beginn einer Lerneinheit ist davon
auszugehen, dass das Domänenwissen dem vorhandenem Wissen
entspricht. Während das vorhandene Wissen das Wissen zu einem
bestimmten Zeitpunkt festhält, zeigt das Domänenwissen die Ent-
wicklung des Wissens eines Benutzers.
Das Domänenwissen ist als persönliches Merkmal anzusehen und
im Gegensatz zum vorhandenen Wissen durchaus veränderbar.
Das Ziel eines jeden Lernsystems ist die Vermittlung von Wissen,
somit ist die zeitliche Beständigkeit dieses Parameters als gering
anzusehen. Dies bedeutet jedoch nicht, dass nur ein Zugewinn von
Wissen denkbar ist, sondern ebenfalls ein Verfall von Wissen, wenn
beispielsweise durch die Darstellungen im Lehrsystem Zweifel an
bereits vorhandenem Wissen aufkommen.
• Ziele des Nutzers
Die Ziele des Nutzers sind eine weitere Möglichkeit, um den Umfang
der zu vermittelnden Inhalte genau bestimmen zu können. Gemein-
sam mit dem vorhandenen Wissen lässt sich der Umfang so nach
oben und unten beschränken.
Ziele können beispielsweise ein weiter Überblick über ein Themen-
gebiet, die theoretische Vertiefung eines speziellen Themengebiets
oder praktische Kenntnisse zum Umgang mit einer bestimmten
Technologie sein.
Die Ziele eines Benutzers sind ein persönliches Merkmal eines Ler-
ners, können aber auch durch andere Anspruchsgruppen, wie dem
Arbeitgeber vorgegeben sein.
Die Ziele eines Nutzer verändern sich fast immer von Lernsitzung zu
Lernsitzung und häufig sogar während einer Sitzung.73 Dies könnte
der Fall sein, wenn ein Lerner, während er sich einen Überblick über
72 Vgl. Brusilovsky and Millán, 2007, S. 573 Vgl. Brusilovsky and Millán, 2007, S. 10
27
ein Themengebiet verschafft, für ihn interessante Themen identifi-
ziert und deren Untersuchung zu seinen Zielen erklärt. Somit haben
die Ziele eines Nutzers im zeitlichen Verlauf häufig nur eine geringe
Beständigkeit.
• Interessen des Nutzers
Unter Interesse versteht man die kognitive Anteilnahme, die eine
Person an einer Sache nimmt und die unterschiedlich stark ausge-
prägt sein kann. Ebenso werden auch Vorlieben und Hobbys als
Interessen bezeichnet. Das Gegenteil zu einem Interesse wird als
Desinteresse bezeichnet und kann in seiner stärksten Form eine
Apathie sein.
In der Psychologie spricht man hinsichtlich des Interesses von einem
mehrdimensionalen Konstrukt.74 Moderne Theorien und Untersu-
chungen basieren auf einer Personen-Gegenstands-Konzeption, wel-
che die psychischen Phänomene des Lernens und der Entwicklung
als permanente Austauschbeziehung zwischen einer Person und ih-
rer sozialen Umwelt interpretiert. 75 Demnach definiert sich ein In-
teresse durch konkrete Objekte, thematische Wissensbereiche oder
bestimmte Gruppen von Tätigkeiten. Der Grad der Interessen wird
über den Grad der subjektiven Wertschätzung des Interessenge-
gestands ist und die Intensität der positiv emotionalen Zustände
während der Interessenhandlungen definiert.
Das Interesse ist eine persönliche Einflussgröße mit einer hohen Be-
ständigkeit.
• Lernstil
Die meisten der in Kapitel 2.11 vorgestellten adaptiven Systeme ba-
sieren auf einem Lernstil als Adaptionsmerkmal. Dabei werden von
verschiedenen Systemen unterschiedliche Lernstilmodelle verwen-
det, um eine Unterscheidung individueller Benutzer zu ermöglichen
und darauf abgestimmte Methoden der Adaption zu verwenden.
In der Literatur gibt es unterschiedliche Ansätze, Lernstil-Typen
zu definieren und voneinander zu unterscheiden.
Wild76 ist der Auffassung, dass Lernstile relativ stabile kognitive
74 Vgl. Todt, 199075 Vgl. Deci and Ryan, 198576Vgl. Wild, 2000
28
und affektive Verhaltensweisen sind, die widerspiegeln, wie Perso-
nen ihre Umwelt wahrnehmen und auf diese reagieren.77 Er versteht
sie als feste Persönlichkeitsmerkmale, die unabhängig von kontex-
tuellen Bedingungen sind.
Schulmeister78 hingegen fasst Lernstile als wissenschaftliche Kon-
strukte und nicht als Persönlichkeitseigenschaften auf. Demnach ist
der individuelle Gebrauch von Lernstilen kontext-relativ und kann
sich je nach Inhalten, Aufgaben und Gegebenheiten ändern. Da
die Selbsteinschätzung des eigenen Lernstils durch Lernstilinven-
tare nicht unbedingt mit dem tatsächlich genutzten Lernstil über-
einstimmt, wählten Nistor und Schäfer79 den Begriff des aufgaben-
induzierten Lernstils.
Der Lernstil ist ein Persönlichkeitsmerkmal.
Da nicht klar ist, ob sich ein Lernstil im Laufe der Zeit verändert
oder konstant ist, kann seine Beständigkeit im zeitlichen Verlauf
nicht klassifiziert werden.
• Kognitiver Stil
In der Kognitionspsychologie geht man davon aus, dass Personen
sich in ihren kognitiven Verarbeitungsstilen unterscheiden, die sie
im Rahmen von Lernprozessen und zur Problemlösung anwenden.
Messick beschreibt kognitive Stile als ”consistent individual diffe-
rences in preferred ways of organising and processing information
and experience”.80
Resultate aus zahlreichen Studien deuten auf verschiedene konsis-
tente Hauptdimensionen individueller Unterschiede hin81 82, unter
denen die sogenannten kognitiven Stile eine besondere Rolle spie-
len.
Das Konstrukt der kognitiven Stile wurde von Allport83 eingeführt
und bezieht sich auf eine typische Art eines Individuums, Dinge
wahrzunehmen, sich zu erinnern, zu denken und Probleme zu lö-
sen. Jahrzehntelang haben sich Psychologen umfassend mit kogni-
77Vgl. Sternberg, 1994, S. 169 ff.78Vgl. Schulmeister, 2004, S. 479Vgl. Nistor and Schäfer, 200480 Messick, 1984,81 Dunn et al., 1981, S. 372 ff.82 Riding and Cheema, 1991, S. 193 ff.83 Allport, 1937
29
tiven Stilen befasst. Messick84 identifizierte 19 Verfahren zur Mes-
sung kognitiver Stile; Smith85 unterschied zwischen mindestens 17
Verfahren zur Messung von Lernstilen. Der Unterschied zwischen
Lernstilen und kognitiven Stilen wird darin gesehen, dass Lernstile
in der praktischen Anwendung verwurzelt sind, während kognitive
Stile im Bereich der Forschung zur Informationsverarbeitung anzu-
treffen sind.
Unter den vielen in der Literatur genannten kognitiven Stilen kön-
nen für das Online-Lernen die Stile ”feldabhängig vs. feldunabhän-
gig”, ”ganzheitlich vs. analytisch”, ”impulsiv vs. reflektierend” sowie
sensorische Präferenzen und verschiedene, von Kolb86 unterschie-
dene kognitive Typen als relevant betrachtet werden.87
Der kognitive Stil ist ein Persönlichkeitsmerkmal mit einer hohen
Beständigkeit.
• Ethnisch-kultureller Hintergrund
Es liegen Berichte88 über Mathematikkurse in Berkeley vor, nach
denen schwarze und lateinamerikanische Studierende deutlich schlech-
ter abschneiden als asiatische und weiße Studierende.
Zunächst wurde davon ausgegangen, dass Schwarze und Studen-
ten lateinamerikanischer Herkunft häufig aus einkommensschwa-
chen Schichten kommen, denen die Motivation und die familiäre
Unterstützung fehlt. Jedoch zeigt sich in Interviews mit 20 schwar-
zen und 20 chinesischen Studierenden, das Schwarze Studenten ähn-
lich wie weiße Studenten allein lernten, während die chinesischen
Studenten in Lerngruppen bevorzugten und sich gegenseitig unter-
stützten.
Anhand dieses Beispiels wird deutlich, wie der ethnisch-kulturelle
Hintergrund massiven Einfluss auf den Lernerfolg haben kann und
in der Auswahl von Lehrmethoden berücksichtigt werden muss.
Der ethnisch-kulturelle Hintergrund ist ein Persönlichkeitsmerk-
mal, das unveränderlich und somit konstant ist.
84 Messick, 197685 Smith, 198486 Kolb, 198487 Vgl. Seel and Ifenthaler, 2009, S. 47 f.88Vgl. Treisman, 1992, S. 2 ff.
30
• Konzentrationsfähigkeit
Die Konzentrationsfähigkeit eines Lernenden beurteilen zu können
ist für Lehrende in der klassichen Lehre, wie es im Schulunterricht
oder Seminaren der Fall ist, ein wichtiger Einflussfaktor. In diesen
Situationen kann der Lehrende auf Lernende eingehen, die unkon-
zentriert wirken, indem er etwa den Schwierigkeitsgrad anpasst oder
als Alternative zu einem Text ein Video einsetzt. Genauso kann er
aber auch in Phasen, in denen die Lernenden hochkonzentriert wir-
ken, versuchen, komplexere Inhalte zu vermitteln.
Da die persönliche Konzentrationsfähigkeit als hoch dynamische
Komponente anzusehen ist, die nicht oder nur in geringem Maße
extern beeinflussbar ist, kann sie als gleichzeitig persönlich und
situativ mit geringer Beständigkeit angesehen werden.
• Motivation
Eine nicht zu unterschätzende Einflussgröße ist die Motivation. Al-
lerdings wird diese Komponente von kaum einem adaptiven System
berücksichtigt.89 Dabei wird anerkannt, dass moderne eLearning-
Lösungen eine beträchtliche Wirkung auf die Motivation haben
können, indem sie viele motivationsanregende Aufgaben, Darstel-
lungsformen und Inhalte bereitstellen.90
Um eine zutreffende Bewertung der Motivation vornehmen zu kön-
nen, ist eine Unterscheidung zwischen intrinsischer und extrinsicher
Motivation vorzunehmen.
Die extrinsiche Motivation gliedert sich in die positive und negative
Verstärkung in Form von Belohnung und Zwang.
Intrinistische Motivation liegt in den Formen Neugier, Anreiz und
Erfolgserwartung vor.
Die Neugier ist das Explorationsbedürfnis aller Menschen und wird
insbesondere dann geweckt, wenn eine Inkongruenz zwischen neu-
em und bekannten Wissen besteht.
Anders als bei der Neugier stehen bei der anreiztheoretischen Auf-
fassung nicht kognitive Aspekte im Fokus, sondern emotionale Kom-
ponenten. Es wird davon ausgegangen, dass in Personen als Form
der Persönlichkeitsdisposition latente Motive und Bedürfnisse vor-
handen sind und diese sich durch aktuelle Situationsfaktoren anre-89 Vgl. Seel and Ifenthaler, 2009, S. 8390 Vgl. Hede, 2002, S. 177 ff.
31
gen und in aktuelle Motivation überführen lassen.
Ein weiterer wesentlicher Aspekt der Motivation ist die Erfolgser-
wartung. Ist ein Mitarbeiter beispielsweise davon überzeugt, dass
eine Handlung zu einem Erfolg führt, wird er hoch motiviert sein
und die dazu nötigen Handlungen auch gerne tätigen.91
Da die extrinsische und die intrinsische Motivation zwei grundle-
gend verschiedene Motivationsfaktoren darstellen, müssen sie auch
gesondert bewertet werden.
Die extrinsische Motivation auf der einen Seite ist nicht durch den
Lerner selbst, sondern durch Dritte, wie beispielsweise Eltern oder
Arbeitgeber bestimmt und stellt somit einen situativen Einfluss-
faktor dar. Durch die Abhängigkeit dieser Einflussgröße von einem
oder mehreren externen Einflüssen ist ihre Beständigkeit gering zu
bewerten.
Die intrinsiche Motivation auf der anderen Seite ist durch den Ler-
ner selbst bestimmt und gegebenenfalls veränderbar. Sie ist somit
ein persönlicher Einflussfaktor bei einer hohen Beständigkeit.
• Merkmale der Internetverbindung
Insbesondere im Bezug auf die Verwendbarkeit von verschiedene
Medientypen ist die zur Verfügung stehende Internetverbindung
eine entscheidende Einflussgröße. Vor allem bei Nutzung unter-
schiedlicher und mobiler Geräte gewinnt dieser Faktor an Bedeu-
tung. Durch Kenntnis über die zur Verfügung stehende Bandbreite
und die Stabilität der Verbindung lassen sich geeignete Medienty-
pen auswählen und störende Ladezeiten oder Nicht-Verfügbarkeiten
vermeiden.
Diese Einflussgröße ist als technisch und zugleich situativ zu kate-
gorisieren und hat eine geringe Beständigkeit.
• Endgerät
Das Endgerät bildet die Schnittstelle zwischen dem Lernsystem
und dem Lerner. Die Ausführung und Ausstattung von Endgerä-
ten spielen eine erhebliche Rolle bei der Auswahl von Lösungen.
Heute ist eine enorme Vielfalt an Geräten verfügbar, die als End-
geräte eingesetzt werden können und unterschiedlichste Technologi-91 Vgl. Edelmann, 2003, S. 30 ff.
32
en unterstützen. Wichtigste Merkmale bei der Unterscheidung von
Endgeräten sind die Rechenleistung, der verfügbare Speicher, die
Bildschirmgröße und Auflösung, sowie die Verfügbarkeit von Stan-
dardsoftware. Außerdem spielt das eingesetzte Zubehör eine weite-
re wichtige Rolle. So kann beispielsweise die Information über die
Verwendbarkeit von Kopfhörern in Kombination mit Informationen
über den situativen Kontext eine sinnvolle Adaption im Bezug auf
verwendbare Medien ermöglichen. Abhängig von diesen Merkma-
len eines eingesetzten Endgeräts verringert sich zum Beispiel die
Vielfalt an einsetzbaren Medien.
Das eingesetzte Endgerät an sich ist ein technisches Merkmal. Auf-
grund der hohen Vielfalt an verfügbaren Geräten und der Viel-
zahl an Benutzern mit mehreren Geräten, wie Laptop, Tablet-Com-
puter und Smart-Phone ist es zugleich ein situatives Merkmal mit
einer mäßigen Beständigkeit.
Es kann davon ausgegangen werden, dass ein Gerätewechsel wäh-
rend der Bearbeitung einer Lerneinheit eher selten ist, keinesfalls
jedoch davon, dass einem Benutzer dauerhaft ein Gerät zugeordnet
werden kann. Weiter muss berücksichtigt werden, dass neben einem
Gerätewechsel auch eine Veränderung der Gerätesoftware jederzeit
möglich ist.
• Einschränkungen des Lerners
Diese Kategorie fasst unterschiedliche Einschränkungen einzelner
Lerner zusammen, aus denen sich besondere Anforderungen an die
Lernumgebung ergeben.
Zu den am weitesten verbreiteten zählen Farbfehlsichtigkeiten, Far-
benblindheit, Fehlsichtigkeiten oder eingeschränkte Hörfähigkeit. In
der Regel lassen sich diese Merkmale nicht verändern und sind des-
halb als konstantes Persönlichkeitsmerkmal zu betrachten.
• Präferenz für Medientypen
Zur sensorischen Präferenz, der natürlicherweise bei multimedialem
Lernen eine besondere Rolle zukommt, gibt es viele empirische Stu-
dien. Nach Bissell et al.92 beruht die Präferenz für eine bestimmte
Form der Wahrnehmung auf einer ”bestimmten sensorischen Moda-
lität, die als System mit der Umgebung vermittels der Sinnesemp-92 Vgl. Bissell et al., 1971, S. 130 ff.
33
findungen interagiert”. Die Sinnesorgane bestimmen demnach also
die Wahrnehmungspräferenzen.
Die menschlichen Sinnesorgane werden in visuelle, auditive und kin-
ästhetische Informationsverarbeitung unterteilt. Nach Dunn und
Dunn93 sind 20 bis 30% der amerikanischen Studenten auditori-
sche Typen, mehr als 40% sind visuelle Typen und 30 bis 40% sind
kinästhetische Typen.
Gerne wird auch zwischen Verbalisierern und Visualisierern unter-
schieden, denen unterschiedliche sensorische Präferenzen unterstellt
werden.94
Diese Typisierungen besagt aber nur, dass Menschen eine bestimm-
te sensorische Präferenz für die Informationsverarbeitung bevorzu-
gen. Selbstverständlich sind sie aber auch in der Lage alle anderen
Sinnesorgane zu nutzen.95
Außerdem ist zu berücksichtigen, dass eine Medienpräferenz mit an-
deren Einflussgrößen, wie körperlichen Einschränkungen oder dem
situativen Kontext korrelieren kann.
Die Präferenz für Medientypen ist als Persönlichkeitsmerkmal mit
einer mäßigen Beständigkeit zu sehen.
• Lernkontext
Der Lernkontext bildet, die Faktoren der derzeitigen Umgebung des
Lernenden ab. Hierzu kann zum Beispiel die Umgebungshelligkeit
gezählt werden, die sich ab einer gewissen Größe negativ auf die
Abspielbarkeit von Videosequenzen auswirken kann. Ähnlich ver-
hält es sich mit der sinnvollen Nutzung von Audioinformationen in
lauten Umgebungen.
Hierbei handelt es sich um einen situativen Einflussfaktor mit einer
mäßigen Beständigkeit.
• Zur Verfügung stehende Zeit
Für die Anwendung in einem adaptiven System kann die verfügba-
re Zeit des Nutzers eine wichtige Einflussgröße darstellen. Anhand
dieser Größe kann ein System geeignete Lerneinheiten zusammen-
stellen, die in der verfügbaren Zeit sinnvoll zu bearbeiten sind oder
93 Vgl. Dunn and Dunn, 1979, S. 24094 Vgl. Sadler-Smith, 1997, S. 51 ff.95 Vgl. Seel and Ifenthaler, 2009, S. 48 f.
34
bei sehr kurzen verfügbaren Zeitintervallen Inhalte wiederholen.
Bei diesem Parameter ist eine geringe Beständigkeit zu unterstel-
len, da davon auszugehen ist, dass er mit Ausnahme von einigen
Regelmäßigkeiten immer wieder veränderte Größen annimmt. Diese
Größe ist ein Merkmal, das von der Umwelt des Benutzers abhän-
gen kann und somit als situativ zu kategorisieren.
Tabellarische Zusammenfassung
Einflussgröße Kategorie Beständigkeit
Vorhandenes Wissen persönlich hoch
Domänenwissen persönlich gering
Ziele des Nutzers persönlich gering
Interessen des Nutzers persönlich hoch
Lernstil persönlich unklar
Kognitiver Typ persönlich hoch
Ethnisch-kultureller Hintergrund persönlich konstant
Konzentrationsfähigkeit situativ / persönlich gering
Extrinsiche Motivation situativ gering
Intrinsische Motivation persönlich hoch
Merkmale der Internetverbindung technisch / situativ gering
Endgerät technisch / situativ mäßig
Einschränkungen des Lerners persönlich konstant
Präferenz für Medientypen persönlich mäßig
Lernkontext situativ mäßig
Zur Verfügung stehende Zeit situativ gering
35
2.6. Messverfahren
In diesem Abschnitt werden Verfahren aufgezeigt, mit denen die Aus-
prägung der in Kapitel 2.5 vorgestellten Einflussgrößen von individuellen
Benutzern gemessen werden können. Grundsätzlich ist zwischen explizi-
ten und impliziten Messverfahren zu unterscheiden. Während explizite
Verfahren den Benutzer meist direkt durch eine Frage oder eine Gruppe
von Fragen untersuchen, nutzen implizite Verfahren andere Anhaltspunk-
te wie die Ergebnisse von Tests oder werten die Interaktion des Nutzers
mit dem System aus.
Explizite Verfahren haben ein deutlich breiteres Anwendungsspektrum,
da viele Daten und Anhaltspunkte nicht implizit erfasst werden können.
Außerdem spricht die einfache Handhabung für den Einsatz von expli-
ziten Verfahren. Allerdings birgt diese Methode insbesondere bei einem
Einsatz in Lernumgebungen auch einige Nachteile, die im Folgenden auf-
geführt sind.
• Der Benutzer muss Zeit mit der Beantwortung zusätzlicher Fragen
verbringen, die keinen oder nur einen geringen Bezug zum primären
Lerninhalt haben.
• Die Qualität der abgeleiteten Aussage über den Benutzer hängt
stark von der Qualität der Fragen ab.
• Benutzer beantworten Fragen bewusst oder unbewusst falsch. So
ist es denkbar, dass Fragen nach der Motivation oder dem Vor-
wissen vorsätzlich falsch beantwortet werden, weil die Befürchtung
besteht, dass diese Daten im schulischen oder universitären Um-
feld einem Betreuer, beziehungsweise im betrieblichen Umfeld dem
Vorgesetzten zur Verfügung gestellt werden könnten. Unbewusst
falsche Angaben sind vor allem zu erwarten, weil der Nutzer sich
unter Umständen selbst schlecht einschätzen kann. Dies trifft ins-
besondere auf den Einsatz in Lernumgebungen zu.
• Der Einsatz von expliziten Methoden kann nur im Rahmen von
adaptierbaren oder makroadaptiven Systemen erfolgen. Für den
Einsatz in mikroadaptiven Systemen sind explizite Messmethoden
grundsätzlich ungeeignet.
36
Implizite Verfahren hingegen sind im Hinblick auf Konzipierung und Ent-
wicklung als deutlich komplexer einzustufen. Außerdem ist ihr Einsatz-
bereich deutlich eingeschränkter als der der expliziten Methoden. Der
große Vorteil in der Verwendung dieser Methoden liegt vor allem in den
erzielbaren Ergebnissen, die einen großen Wahrheitsgehalt haben, da sie
aus realen Beobachtungen stammen. Außerdem wird der Benutzer nicht
durch zusätzliche Interaktionen mit dem System belastet und kann sich
auf die primären Lerninhalte konzentrieren.
Häufig spielen aber auch andere Rahmenbedingungen eine Rolle, wie ein
simples Beispiel veranschaulicht. Abbildung 2 zeigt die mobile Mediathek-
Anwendung des ZDF, die es dem Benutzer erlaubt, seine Verbindungs-
geschwindigkeit und die damit sinnvoll nutzbare Qualität der Medienin-
halte explizit auszuwählen. Diese adaptierbare Funktion ließe sich durch
technische Maßnahmen ebenfalls implizit realisieren. Allerdings würde in
diesem Fall nur das Ziel der Qualitätsmaximierung erreicht. Liegt der
Fokus des Benutzers auf einem sparsamen Umgang mit dem verfügbaren
Datenvolumen, würde die Adaption nicht das angestrebte Ziel des Benut-
zers verfolgen. Es zeigt sich also, dass die Entscheidung für oder gegen
den Einsatz von impliziten Methoden eine entscheidende Rolle einnimmt.
Abbildung 2: Adaptierbare Funktion in mobiler Anwendung
37
In Kapitel 2.6.1 und 2.6.2 werden Verfahren vorgestellt, mit denen die
Ausprägungen von in Kapitel 2.5 beschriebenen Einflussgrößen ermit-
telt werden können. Hierbei werden nur Verfahren berücksichtigt, die in
üblichen Umgebungen, wie Desktop Computer, Tablet Computer oder
Smartphones Anwendung finden können. In Kapitel 2.6.3 werden weitere
Verfahren aufgeführt, die nicht für eine Verwendung in Standardsyste-
men geeignet sind.
Welche der Technologien in welcher Konstellation verwendet wird, sollte
sorgfältig bewertet und entschieden werden. Die verschiedenen Aufzeich-
nungstechniken produzieren verschieden hohe Datenmengen, die nur und
genau dann erfasst werden sollten, wenn sie nach der Erhebung auch
wirklich gewinnbringend gesichtet, ausgewertet, aufbereitet, interpretiert
und für die Benutzermodellierung und die Verwendung in Adaptionsmaß-
nahmen sinnvoll nutzbar gemacht werden können.
2.6.1. Explizite Messverfahren
• Fragebogen
Fragebögen sind ein häufig eingesetztes Mittel, da sie auf der einen
Seite für nahezu beliebige Fragestellungen eingesetzt werden kön-
nen und auf der anderen Seite sehr einfach integriert werden kön-
nen. Die einfache Integrierbarkeit ergibt sich aus der unkomplizier-
ten Implementierung von Fragebögen, sowie der Modellierung und
Auswertung von Ergebnissen und den häufig bereits zur Verfügung
stehenden Fragenkatalogen. Im Bereich der Kognitionspsychologie
beispielsweise stellen Dunn & Dunn96 oder Felder und Silverman97
und weitere in Kapitel 2.5 genannte neben den Modellen gleichzei-
tig die zugehörigen Fragenkataloge und Auswertungsmethoden zur
Verfügung.
Kritisch an dieser Methode zur Erhebung werden vorgegebene Ant-
wortmöglichkeiten gesehen, da diese missverständlich sein können.
So haben empirische Untersuchungen gezeigt, dass Aussagen zu
Häufigkeiten von Sachverhalten (immer, gelegentlich, selten, nie)
oder deren Ausprägung (sehr stark, stark, schwach, sehr schwach)
sehr unterschiedlich aufgefasst.98 Außerdem lässt eine ungerade An-
96 Vgl. Dunn et al., 198497 Vgl. Felder and Silverman, 1988, S. 674 ff.98 Vgl. Rohrmann, 1978, S. 222 ff.
38
zahl von Antwortmöglichkeiten den Eindruck entstehen, dass mitt-
lere Antwortmöglichkeit den ”normalen” Zustand repräsentiert.99
2.6.2. Implizite Messverfahren
Ein Standardelement, das in den meisten adaptiven Lernumgebungen an-
zutreffen ist, sind Selbsttests. Selbsttests bestehen aus unterschiedlichen
Aufgabentypen, wie Multiple Choice, Lückentext oder Zuordnungsauf-
gaben und haben das Ziel, dem Benutzer die Möglichkeit zu bieten das
erworbene Wissen zu überprüfen. Die Ergebnisse von Selbsttests werden
häufig im Benutzermodell hinterlegt und dienen anschließend als Input
für folgende Adaptionsschritte. Beispielsweise können dem Benutzer In-
halte zu Fragen, die nicht korrekt beantwortet wurden, erneut vorgelegt
werden. Diese Methodik kann als Ausgangspunkt der adaptiven Lernum-
gebungen betrachtet werden, da dieses Prinzip bereits 1915 von Pressey
angewandt wurde. 100
Neben der Auswertung von Tests ist die Auswertung des Navigations-
verhaltens von Benutzern eines der am häufigsten verwendeten impli-
ziten Messverfahren. Verfügbare Systeme wie WINDS101, NetCoach102,
COALE103 oder INSPIRE104 werten das Navigationsverhalten von Be-
nutzern aus und erstellen daraus eine Historie im Benutzermodell. An-
hand dieser Daten kann das System zu einem späteren Zeitpunkt ermit-
teln, ob ein Lernobjekt für den Benutzer bekannt oder unbekannt ist.
Wie das Navigationsverhalten ermittelt wird, bleibt in den Beschrei-
bungen der Systeme offen. Lediglich in der Beschreibung zu INSPIRE
wird angegeben, dass als technische Grundlage HTTP-Anfragen analy-
siert werden.
Einzig das System COALE, das neben einer adaptiven Lernfunktion eine
Kollaborationsfunktion anbietet, nutzt die Daten des Navigationsverhal-
tens für eine weitere Funktion neben der Beurteilung, ob Lernobjekte für
einen Benutzer bekannt sind oder nicht. Dieses System erteilt jedem Be-
nutzer einen Wert, der seinen Grad der Beschäftigung widerspiegeln soll.
99 Vgl. Schwarz and Scheurig, 1991, S. 205100 Vgl. Benjamin, 1988, S. 705 f.101 Vgl. Specht et al., 2002b, S. 4102 Vgl. Weber et al., 2001, S. 3103 Vgl. Furugori et al., 2002, S. 497104 Vgl. Papanikolaou et al., 2002a, S. 4
39
Befindet sich der Benutzer in einer Diskussion, wird angenommen, dass
sein Grad der Beschäftigung hoch ist. Durchsucht er hingegen das Inhalts-
verzeichnis, wird unterstellt, dass sein Grad der Beschäftigung gering ist
und er bei Bedarf eingeladen werden kann, einen anderen Teilnehmer zu
unterstützen.
Weitere Anwendungsfälle für die Nutzung der Daten aus dem Navigati-
onsverhalten der Systembenutzer sind in der Literatur nicht beschrieben.
Unter Ausnutzung von heute verfügbarer Technologie ist eine deutlich
erweiterte Nutzung impliziter Messverfahren denkbar. Zum einen sind
umfangreiche Softwareframeworks für die Nutzung in Webanwendungen
verfügbar. Vor allem clientseitige Lösungen, die den Java Script Funk-
tionsumfang erweitern, können eingesetzt werden, um implizite Nutzer-
daten zu generieren. Zum anderen stehen heute leistungsstarke Hard-
wareplattformen mit erweiterter Peripherie zur Verfügung. Vor allem in
der Klasse der Smartphones und Tablet-Geräte hat sich ein De-facto-
Standard für eingesetzte Hardware und zugehörige Peripherie etabliert,
der sehr weite Verbreitung findet. So können heute alle modernen Geräte
dieser Klasse Daten aus Sensoren für den Standort, die Beschleunigung,
die Umgebungslichtstärke und die Entfernung des Benutzers zum Ge-
rät liefern. Außerdem stehen Informationen zur Netzanbindung und dem
verwendeten Transportmedium oder eine auf den Benutzer gerichtete Ka-
mera zur Verfügung. Alle diese Datenquellen könnten als Eingangsgröße
in adaptiven Systemen Anwendung finden.
Jedoch ist bisher keines dieser Verfahren zur Gewinnung von Daten in
der Literatur zu adaptiven Lernumgebungen aufgeführt.
2.6.3. Weitere Messverfahren
• Eye-Tracking Systeme
Eye-Tracking Systeme können die Pupillenbewegungen und damit
die Blickrichtung eines Probanden mit einem Auflösungsvermögen
von wenigen Bogenminuten erfassen und dokumentieren. Diese Me-
thodik gilt als vielversprechender Ansatz in der Untersuchung von
Benutzerverhalten.105 Heutige Anwendungen sind primär im Ge-
biet der Mensch-Computer Interaktion und des Usability Enginee-
105 Vgl. Jacob and Karn, 2003, S. 598
40
rings zu finden. Das System AdeLE106 beschreibt einen Ansatz, um
Eye-Tracking Informationen in einer adaptiven Lernumgebung zu
nutzen. Allerdings scheint ein flächendeckender Einsatz von Eye-
Tracking im Bereich von adaptiven Lernumgebungen derzeit nicht
möglich, da die benötigte Technik aufwändig und teuer ist und des-
halb meist nur in Laborumgebungen zur Verfügung steht.
• Computer Vision basierte Erkennung von Emotionen
Die Erkennung von Emotionen ist eine Fähigkeit, die lange Zeit aus-
schließlich von menschlichen Lehrern gewährleistet werden konnte.
Die Erkenntnis über den emotionalen Zustand lässt Rückschlüsse
auf andere Einflussfaktoren zu. So ist erkennbar, ob ein Lernender
über ein Testergebnis erfreut oder frustriert ist, ob eine neue Lern-
einheit einen Lernenden überrascht oder ob er von den Inhalten
gelangweilt ist. Alle diese Zustände ermöglichen es den Lehrenden,
Rückschlüsse aus ihrer Vorgehensweise zu ziehen.
Moderne Computer Vision Anwendungen und Frameworks wie open-
CV ermöglichen es schon heute, Gesichter in Echtzeit aus Videose-
quenzen zu segmentieren. Durch nachgelagerte Verfahren, die der-
zeit erforscht werden, ist es möglich, auf Basis der so gewonnenen
Daten unter Zuhilfenahme von Referenzdatenbanken emotionale
Zustände zu bestimmen. Dazu werden die Abstände zwischen Refe-
renzpunkten im Gesicht ermittelt und mit denen einer Datenbank
von Videosequenzen abgeglichen.107 Entsprechende Datenbanken,
wie Cohn Kanade108 oder CMU PIE109 mit Referenzmaterial sind
bereits aus verschiedenen Projekten hervorgegangen.
Ein Einsatz dieser Technik im Umfeld adaptiver Lernumgebungen
ist bisher nicht beschrieben.
106 Vgl. Pivec et al., 2006,107 Vgl. Suk and Prabhakaran, 2014, S. 134108 Vgl. Lucey et al., 2010b109 Vgl. Sim et al., 2002
41
2.7. Domänenmodell
Das Domänenmodell D einer adaptiven Lernumgebung beinhaltet die
Summe aller zur Wissensdomäne gehörigen Lernobjekte L.
D = L0, L1, . . . , Ln (1)
In einem adaptiven System bildet das Domänenmodell gemeinsam mit
dem Benutzermodell die Datenbasis für die Adaption. Dabei sind im Be-
nutzermodell die Einflussfaktoren hinterlegt, die als Adaptionsgrundlage
verwendet werden. Das Domänenmodell beinhaltet die Inhalte, die adap-
tiert werden. Im direkten Vergleich ist das Domänenmodell als statisch
zu betrachten, während das Benutzermodell häufig einer großen Dyna-
mik unterliegt.
Innerhalb des Domänenmodells wird das gesamte Domänenwissen in eine
Menge von Lernobjekten zerlegt. Als Synonyme für den Begriff Lernob-
jekt werden in der Literatur häufig auch die Begriffe Wissenselement, Ler-
neinheit, Wissensgegenstand, Informationsfragment oder Konzept ver-
wendet, die alle elementare Teile des Domänenwissens bezeichnen.110 Im
Rahmen dieser Arbeit wird der Begriff Lernobjekt verwendet.
Ein Lernobjekt besteht neben dem eigentlichen Inhalt aus einem ein-
deutigen Bezeichner und einer Struktur aus Attribut-Wert-Paaren zur
Verwaltung von Metadaten. Da ein Lernobjekt die kleinste Informati-
onseinheit des Domänenmodells bildet, eignet es sich nicht für eine Ad-
aption.111 Adaptive Funktionen und Regeln können nur auf einer Menge
von Lernobjekten arbeiten. Allerdings ist es denkbar, adaptierbare Funk-
tionen auf den Inhalt eines einzelnen Lernobjektes anzuwenden.
Die einfachste Form eines Domänenmodells ist eine Reihe von Lernob-
jekten, die in keiner Beziehung zueinander stehen und keine Struktur
aufweisen.112 113 Derart unstrukturierte Domänenmodelle gründen aus-
schließlich auf referentiellen, nicht näher spezifizierten assoziativen Be-
ziehungen zwischen den Knoten, die einen Zugriff von jedem Knoten auf
jeden anderen Knoten zulassen.114
In aufwändigeren Domänenmodellen sind die einzelnen Lernobjekte der-
110 Vgl. Brusilovsky and Millán, 2007, S. 18111 Vgl. Wu et al., 2000, S. 252112 Vgl. Sanrach and Grandbastien, 2000, S. 215f.113 Vgl. Brusilovsky, 2003, S. 382114 Vgl. Tergan, 2002, S. 102
42
art miteinander verbunden, dass sich Beziehungen ableiten lassen. Bei
dieser Art des Domänenmodells lassen sich Beziehungen unterschiedlicher
Art herstellen, sodass eine lineare, hierarchische oder Netzstruktur aus
Lernobjekten entsteht.115 Die komplexeste Struktur in diesem Zusam-
menhang ist ein Netzwerk aus Knoten, die Lernobjekte repräsentieren,
und Kanten, die die Beziehungen zwischen den Lernobjekten modellie-
ren. Sie wird deshalb auch Netzwerkmodell genannt. Das Netzwerk ist ein
gerichteter azyklischer Graph, dessen Knoten die Lernobjekte und des-
sen Kanten die Beziehungen darstellen.116 In adaptiven Lernumgebungen
werden Voraussetzungen, die ausdrücken, welche Lernobjekte vor dem
Betreffenden bearbeitet werden müssen, häufig als Beziehung zwischen
Lernobjekten verwendet.117
Abbildung 3: Domänen Netzwerkmodell
115 Vgl. Sanrach and Grandbastien, 2000, S. 216116 Vgl. Wu et al., 2000, S. 252117 Vgl. Brusilovsky and Millán, 2007, S. 18
43
2.8. Benutzermodell
Für adaptive Systeme ist die Möglichkeit Informationen über dessen Be-
nutzer zur erfassen und zu verwalten eine Grundvoraussetzung. Ohne
Informationen über den Benutzer ist es für ein adaptives System nicht
möglich, sich an die Eigenschaften und Bedürfnisse des jeweiligen Be-
nutzers anzupassen. Dazu werden die relevanten Informationen in Be-
nutzermodellen vorgehalten und verwaltet. Ein Benutzermodell ist eine
Datenstruktur, die dazu dient Merkmale und Attribute von Benutzern
zu einem bestimmten Zeitpunkt ausdrückt. Synonym wird häufig der
Begriff Benutzerprofil verwendet. Im Zusammenhang mit ITS-Systemen
wird außerdem häufig der Begriff Studentenmodell verwendet.118
Inhaltlich besteht ein Benutzermodell häufig aus einfachen Attribut-Wert-
Paaren, kann aber auch mehreren komplexeren Relationen und unter-
schiedlichen Datenstrukturen bestehen.
Mögliche Inhalte eines Benutzermodells sind: Präferenzen, persönliche
Ziele, Aufgaben oder Interessen, sowie personenbezogene Daten oder At-
tribute zur Steuerung von Rechte- und Rollenverwaltungen. Diese Liste
könnte beliebig fortgeführt werden, da sie für jeden Anwendungsfall un-
terschiedliche Ausprägungen berücksichtigt. Man unterscheidet zwischen
statischen Benutzermodellen, deren Inhalte sich selten oder nie ändern,
und dynamischen Modellen, die Daten beinhalten die sich häufig ändern
oder aktualisiert werden.
Das Benutzermodell bildet gemeinsam mit dem Domänenmodell die Da-
tenbasis für die Durchführung der Adaption. Während das Domänen-
modell Lernobjekte und deren Metadaten vorhält, beinhaltet das Be-
nutzermodell Informationen über die Systembenutzer. Im Gegensatz zu
den statischen Daten des Domänenmodells sind die Daten über einen
Benutzer im Benutzermodell ständigen Änderungen unterworfen. Auch
der Umfang der im Benutzermodell vorhandenen Datenmengen ist höhe-
ren Schwankungen unterworfen als die Daten des Domänenmodells. Die
Menge der Daten im Domänenmodell ist in der Regel konstant und nur
durch Erweiterungen und Änderungen durch den Autor veränderbar. Im
Gegensatz dazu hängen die Daten im Benutzermodell von der Anzahl
der Benutzer, deren Interaktion mit dem System und den berücksich-
tigten Attributen ab. Darüber hinaus ist für die Speicherung der Daten
118 Vgl. Brusilovsky and Millán, 2007, S. 4
44
in einem Benutzermodell die Berücksichtigung von Datenschutz und Da-
tensicherheit von besonderer Bedeutung, da es sich um personenbezogene
Daten handelt. Unter Datenschutz sind der Schutz vor missbräuchlicher
Datenverarbeitung, der Schutz des Rechts auf informationelle Selbstbe-
stimmung und der Schutz des Persönlichkeitsrechts bei der Datenverar-
beitung zu verstehen. Datensicherheit ist in diesem Zusammenhang als
das Ziel zu verstehen, Daten jeglicher Art in ausreichendem Maße gegen
Verlust, Manipulationen und andere Bedrohungen zu sichern.
Für die Speicherung von Daten, wie sie in einem Benutzermodell zu er-
warten sind, stehen mehrere Alternativen zur Verfügung. Grundsätzlich
ist es denkbar Benutzermodelle in Form von CSV-Dateien oder XML-
Datenstrukturen zu speichern. Um allerdings den Anforderungen nach
hoher Flexibilität, Erweiterbarkeit, Datenschutz und Datensicherheit ge-
recht zu werden, eignen sich moderne relationale Datenbankmanagement-
systeme in besonderem Maße.
Neben diesen grundlegenden Anforderungen an ein Benutzermodell ist zu
berücksichtigen, welche Daten in einem Benutzermodell modelliert wer-
den sollen und in welcher Form eine Modellierung erfolgen kann. Hierzu
wird in Kapitel 2.5 und 2.6 beschrieben, welche Attribute im Rahmen
eines adaptiven Systems von Bedeutung sind. In Kapitel 2.9 werden ver-
schiedene Möglichkeiten zur Modellierung der Daten vorgestellt.
45
2.9. Modellierungsverfahren
Die in Kapitel 2.5 und 2.6 vorgestellten Einflussgrößen und Messverfah-
ren zur Ermittlung ihrer Ausprägung helfen, einzelne Benutzer anhand
von Eigenschaften und Attributen zu modellieren oder sie Stereotypen
oder Personae zuordnen zu können. Einerseits müssen die Einflussgrö-
ßen dazu messbar sein. Andererseits müssen sie für die Verwendung in
Benutzermodellen in geeigneter Form modelliert werden können. Für die
Verwendung in Modellen, die Stereotypen oder Personae nutzen, müssen
die Einflussgrößen nicht modellierbar, aber vergleichbar und zuordenbar
sein.
In Kapitel 2.9.1 werden Modellierungsverfahren vorgestellt, die angewen-
det werden können, um Attribute und Eigenschaften konkreter Benutzer
zu modelllieren. In Kapitel 2.9.2 wird auf die Verwendung von Stereo-
typen und Personae eingegangen, die sich eignen, um einen konkreten
Benutzer einem definierten Modell zuzuordnen.
2.9.1. Verfahren zur Modellierung von Benutzern
Schwab beschreibt Interpretationsformen des Begriffs ”Benutzermodell”,
die sich häufig in der Literatur finden119:
• Der Computer modelliert den Benutzer.
• Der Mensch baut sich ein Modell von dem System, mit dem er
arbeitet, auf.
• Ein Systemdesigner überlegt sich Anforderungen und Eigenschaften
von potenziellen Anwendern.
In den meisten Publikationen überwiegt jedoch die erste Variante. Unter
einem Benutzermodell wird in der Regel eine Wissensbasis verstanden,
die dem System als Grundlage dient, um sich an den Menschen anzupas-
sen. In diesem Sinne definierten Wahlster und Kobsa im Jahre 1989:
”A user model is a knowledge source in a natural-language dialog system
which contains explicit assumptions on all aspects of the user that may
be relevant to the dialog behavior of the system. These assumptions must
be separable by the system from the rest of the system’s knowledge.”120
119 Vgl. Schwab, 1989, S. 14120 Vgl. Wahlster and Kobsa, 1989, S. 3
46
Während sich diese Begriffsabgrenzung aus einem Forschungsschwerpunkt
von Wahlster und Kobsa heraus entwickelte, beschränkt man Benutzer-
modellierung mittlerweile nicht mehr auf natürlichsprachige Systeme121.
Genauso erscheint es sinnvoll, das Anwendungsfeld von Dialogsystemen
auf alle Arten von interaktiven Systemen auszuweiten122.
In diesem Abschnitt werden Methoden und Modelle vorgestellt, die sich
eignen, um die in Kapitel 2.5 vorgeschlagenen Einflussgrößen zu model-
lieren.
• Skalare Modelle
Die einfachste Art einer Einflussgröße konkrete Werte zuzuordnen
ist der Einsatz eines skalaren Modells, das jedem Benutzer in einem
Benutzermodell einen Wert der Skala zuordnet. Dies kann quantita-
tiv, beispielswiese über einen Zahlenwert im Interval [0,5] oder qua-
litativ, beispielswiese durch das Schulnotensystem geschehen.123 124
Bei bekannten Systemen wird häufig eine vierstufige Kategorisie-
rung von Novice, Beginner, Intermediate und Advanced oder Ex-
pert, oder poor, average und good gewählt.125 126 127 Skalare Mo-
delle eignen sich insbesondere, um allgemeingültige Attribute eines
Benutzers festzuhalten, die einerseits nur eine Ausprägung für alle
Lernobjekte haben und andererseits keiner zeitlichen Veränderung
unterliegen.
Ein typischer Anwendungsfall für den Einsatz eines skalaren Mo-
dells zur Benutzermodellierung ist das Festhalten eines Sprachni-
veaus nach einem Test, wie beispielswiese TOEFL.
Ein weiterer häufiger Einsatzzweck ist die Nutzung in kollabora-
tiven Foren. Nutzer erhalten hier abhängig von der Anzahl der
erstellten Beiträge oder Beitragsbewertungen entsprechende Aus-
zeichnungen.
121 Vgl. Blank, 1996, S. 16122 Vgl. Pohl, 1996, S. 6123 Vgl. Brusilovsky and Millán, 2007, S. 6124 Vgl. Brusilovsky et al., 1998, S. 1 ff.125 Vgl. Mampadi, 2012, S. 62126 Vgl. Papanikolaou et al., 2003, S. 213 ff.127 Vgl. Brusilovsky and Anderson, 1998, S. 92 ff.
47
• Overlay-Modelle
Die Idee des Overlay-Modells ist es, über das Domänenmodell für
jeden Benutzer eine individuelle Struktur zu legen. In dieser Struk-
tur werden Benutzerattribute hinterlegt und können immer einem
Objekt des Domänenmodells zugeordnet werden.128 Hierbei han-
delt es sich um das wichtigste und gleichzeitig bekannteste Modell
zur Benutzermodellierung in adaptiven Systemen.129 Die folgende
Abbildung zeigt ein sehr einfaches Overlay-Modell zur Fortschritts-
kontrolle. Das blau dargestellte Domänenmodell in Form sequen-
tiell angeordneter Lernobjekte ist systemweit identisch. Zusätzlich
wird für jeden Benutzer eine Struktur erstellt, hier in grün darge-
stellt, die der Anordnung des Domänenmodells entspricht. In dieser
zusätzlichen Struktur können persönliche Attribute des Benutzers
einzelnen Lernobjekten des Domänenmodells zugeordnet werden.
Das Beispiel zeigt für den dargestellten Benutzer bereits bearbei-
tete Lernobjekte. Bei der Bearbeitung der folgenden Lernobjekte
können die bereits bearbeiteten Objekte als bekannt vorausgesetzt
werden.
Abbildung 4: Einfaches binäres Overlay Modell
Das hier beschriebene Overlay-Modell ist sehr einfach gehalten und
128 Vgl. Brusilovsky, 2003, S. 383129 Vgl. Brusilovsky and Millán, 2007, S. 18
48
dient der Veranschaulichung. Der Informationsgehalt, der mit die-
sem Modell ausgedrückt werden kann, geht nicht über Aussagen
wie ”wurde bearbeitet” oder ”ist bekannt” auf Basis von Lernob-
jekten hinaus. Deshalb werden sie auch als binäre Overlay-Modelle
bezeichnet.130
Um mehrere Attribute präziser beschreiben zu können, existieren
mehrere Erweiterungen zu Overlay-Modellen. Zum einen erlauben
gewichtete Overlay-Modelle eine präzisere Wertzuweisung von At-
tributen, indem anstelle von binären Werten qualitative oder nu-
merische skalare Werte zur Modellierung von Attributen verwendet
werden. Zum anderen wird es durch die Verwendung von mehreren
Modellierungsschichten möglich, beliebig viele verschiedene Attri-
bute zu modellieren.
Abbildung 5 zeigt ein mehrschichtiges gewichtetes Overlay-Modell
in einem Domänenmodell mit alternativen Pfaden. Dieses Modell
berücksichtigt mehrere Ebenen und kann somit verschiedene Attri-
bute zu einem Benuztzer und Lernobjekt modellieren. Außerdem
wird die Modellierung gewichtet vorgenommen, wodurch sich die
jeweiligen Attribute präziser modellieren lassen. In der gelb dar-
gestellten Ebene werden numerische Werte verwendet, die grüne
Ebene nutzt ein qualitatives Werteschema.
130 Vgl. Brusilovsky and Millán, 2007, S. 20
49
Abbildung 5: Mehrschichtiges gewichtetes Overlay Modell
Der Einsatz von Overlay-Modellen verschiedener Komplexität eig-
net sich vor allem in Systemen mit hoher Taktung der Adaption,
in denen viele Attribute der Benutzer berücksichtigt werden.
• Bug-Modell
Der Ansatz des Bug-Modells geht davon aus, dass falsches Ver-
halten eines Nutzers, etwa bei einem Test, auf eine systematische
falsche Verwendung von Wissen anstatt der korrekten Regel zur
Lösung des Problems zurückgeführt werden kann. Ein Nachteil von
Overlay-Modellen ist die fehlende Möglichkeit, Irrtümer und Fehler
festzuhalten, die durch den Benutzer gemacht wurden. Ein Bug-
Modell ermöglicht es, Fehler des Benutzers zu erkennen und deren
Ursachen zu identifizieren. Dazu werden zu jedem Lernobjekt nicht
nur korrekte Informationen gespeichert, die vermittelt werden sol-
len, sondern auch mögliche Fehler und deren Auswirkung definiert.
Die Nutzung eines Bug-Modells erlaubt es in der Theorie also nicht
nur festzustellen, dass ein Fehler gemacht wurde und welches Lern-
objekt betroffen ist, also gegebenenfalls wiederholt werden sollte,
50
sondern auch die Frage zu beantworten, warum ein Fehler gemacht
wurde. Im Rahmen von adaptiven Systemen ergeben sich so viele
Möglichkeiten, genau auf die individuellen Schwächen von einzel-
nen Benutzern einzugehen.131 Allerdings muss das System hierzu
alle möglichen Quellen für einen Fehler kennen. In Lernfeldern, in
denen systematische Fehler leicht zu erkennen sind und Ergebnisse
klar als richtig oder falsch gewertet werden können, kann ein Ein-
satz allerdings sinnvoll sein. Brown hat dieses Konzept erfolgreich
für die Vermittlung und Prüfung von grundlegenden mathemati-
schen Fertigkeiten umgesetzt. 132
• Bayes’sches Netzwerk
Auch die Verwendung von Bayes’schen Netzwerken zur Modellie-
rung und Wahrscheinlichkeitsvorhersage kann für einen Einsatz in
adaptiven Lernumgebungen geeignet sein, ist aber heute noch nicht
vorzufinden133. Bayes’sche Netzwerke eignen sich für den Einsatz in
Umgebungen, in denen mit fehlenden Daten oder unsicheren Infor-
mationen gearbeitet werden muss. Heute werden Bayes’sche Netze
beispielswiese in der medizinischen Diagnostik eingesetzt, um in ei-
nem Umfeld aus einer Vielzahl von Krankheiten, Symptomen und
Kontextinformationen Vorhersagen über Krankheiten eines Pati-
enten zu treffen, über den nur wenige unsichere Informationen be-
kannt sind. Ein Bayes’sches Netzwerk ist definiert als
BN = (V,G(V ), CPT (V )) (2)
– mit einer Menge V von diskreten, endlichen Variablen,
– einem gerichteten azyklischen Graph G(V ), dessen Knoten die
Variablen aus V sind und dessen Kanten die Abhängigkeiten
zwischen diesen Variablen darstellen
– und einer Menge bedingter Wahrscheinlichkeitstabellen
CPT (V ) mit jeweils einer bedingten Wahrscheinlichkeitsta-
belle P (A|B1, . . . , Bn) ∈ CPT (V ) für jeden Knoten A ∈ V
mit den Elternknoten B1, . . . , Bn ∈ V im Graphen G(V )
131 Vgl. Brusilovsky and Millán, 2007, S. 8132 Vgl. Brown and Burton, 1978, S. 1 ff.133 Vgl. Brusilovsky and Millán, 2007, S. 25
51
Die Variablen einer Domäne werden zu Knoten in einer entspre-
chenden graphischen Repräsentation, in der gerichtete Kanten di-
rekte kausale Abhängigkeiten von Elternknoten zu Kindernoten re-
präsentieren. In einer Lernumgebung ist der gerichtete azyklische
Graph G(V ) durch das Domänenmodell, wie in Kapitel 2.7 be-
schrieben, gegeben. Die einzelnen Variablen V stellen Lernobjekte
in Form von Wissensobjekten und Testobjekten dar. Die Kanten ei-
nes Bayes’schen Netzwerks, die die kausale Abhängigkeit zwischen
Knoten repräsentieren, modellieren eine typische Fragestellung in
adaptiven Lernumgebungen. Aus eine Menge von möglichen Lern-
objekten muss das System ein sinnvolles für die folgende Präsen-
tation auswählen. Hier können Bayes’sche Netzwerke dabei helfen
zu bestimmen, ob es wahrscheinlich ist, dass ein potentielles Folge-
objekt für den Benutzer bereits bekannt ist oder ob alle Vorausset-
zungen erfüllt sind.
Neben der Auswahl von Lernobjekten können Bayes’sche Netzwer-
ke auch helfen, Testszenarien zusammenzustellen. Hierzu muss ei-
nerseits ermittelt werden, welche Erfolgsquote von einem Benut-
zer erzielt werden sollte, damit er motiviert ist, weiter zu arbeiten,
gleichzeitig aber nicht so gut abschneidet, dass er demotiviert wird.
Andererseits muss unter Berücksichtigung der bekannten Variablen
eine Annahme darüber getroffen werden, mit welchem Testszena-
rio der Benutzer wahrscheinlich die zuvor bestimmte Erfolgsquote
erreicht.
Bayes’sche Netzwerke eignen sich also nicht nur für Anwendungen
im Bereich der Benutzermodellierung, sondern durch die Möglich-
keit, wahrscheinliche Vorhersagen zu treffen auch dafür, Adaptions-
maßnahmen zu steuern und so in bestimmten Bereichen die Funk-
tion von Messverfahren in Kombination mit logischen Regeln zu
übernehmen.
2.9.2. Verfahren zur Modellierung von Stereotypen und Personae
Der vorherige Abschnitt beschreibt die Benutzermodellierung durch die
Verwendung von Attributen realer Einzelbenutzer. Während der System-
benutzung können sich diese Attribute ändern, sodass eine kontinuierliche
Erfassung und Modellierung von Benutzerattributen erforderlich ist. Eine
52
Alternative zu diesem Vorgehen bietet die Verwendung von Stereotypen
oder Personae.
Stereotypen und Personae repräsentieren eine Gruppe, eine Klasse oder
einen Typ von Benutzern in Bezug auf einen konkreten Anwendungs-
fall. Allerdings dürfen Personae und Stereotypen nicht verwechselt wer-
den. Stereotypen sind in vielerlei Hinsicht von ausentwickelten Personae
zu unterscheiden. Stereotypen repräsentieren keine tatsächlichen Daten
oder Eigenschaften, sondern Annahmen der Entwickler über Personen.
Deshalb können mangelhaft erstellte Personae auch Stereotypen sein.134
Die Benutzung von Stereotypen ist eine der ältesten Formen der Be-
nutzermodellierung. Bei dieser Methode wird versucht, alle denkbaren
Benutzer eines Systems in Gruppen einzuteilen. Diese Gruppen werden
als Stereotypen bezeichnet. Alle Benutzer einer Gruppe werden dabei
identisch behandelt. Es werden also keine Merkmale, Eigenschaften oder
Attribute berücksichtigt, sondern immer der Stereotyp. Ändern sich die
Merkmale eines Benutzers im zeitlichen Verlauf, so wird nicht der Ste-
reotyp angepasst, sondern der betreffende Benutzer einem anderen Ste-
reotypen zugeordnet.135
Diese Art der Benutzermodellierung erlaubt es einerseits, die Komplexi-
tät von Systemen und die Anzahl von benötigten Adaptionsmaßnahmen
zu reduzieren. Andererseits stellt die Verwendung von Stereotypen immer
eine Kompromisslösung dar, da für einen Benutzer das passendste Modell
ausgewählt wird. Bei den allermeisten Benutzern ist davon auszugehen,
dass der verwendete Stereotyp nie ein vollständig richtiges Bild des zu-
geordneten Benutzers wiederspiegelt, sondern immer nur eine Näherung
liefert. Auch ist zu berücksichtigen, dass die Ermittlung der Ausprägung
von Attributen weiterhin erforderlich ist, um den Benutzer einem Stereo-
typen zuordnen zu können.
Eine andere Form der Benutzermodellierung ist der Einsatz von Per-
sonae. Hierbei handelt es sich um eine Technik, die vor allem im Bereich
der Softwarearchitektur, des Requirement Engineerings und des Usabili-
ty Engineerings anzutreffen ist. Ähnlich wie bei Stereotypen handelt es
134 Vgl. Cooper et al., 2010, S. 104 f.135 Vgl. Brusilovsky and Millán, 2007, S. 17 ff.
53
sich bei Personae nicht um reale Personen. Im Gegensatz zu Stereotypen,
spiegeln Personae Idealtypen, die direkt aus den Beobachtungen echter
Menschen synthetisiert werden. Stereotypen können vollständig fiktiv in
der Zusammensetzung ihrer Eigenschaften sein oder sich aus den Beob-
achtungen unterschiedlicher Personen zusammensetzen. Personae hinge-
gen werden durch Interviews und Marktforschungsergebnisse erstellt. Es
handelt sich also nicht um eine Annahme über potentielle Benutzer, son-
dern ein Abbild realer Personen.136
Die von Stereotypen bekannten Probleme bei der Zuordnung von Be-
nutzern zu Modellen und damit verbundenen Ermittlung von Benutze-
rattributen sind bei der Verwendung von Personae genauso vorzufinden.
Zudem ist die Auswahl geeigneter Personae ein kritischer Arbeitsschritt.
Stereotypen und Personae eigenen sich dazu, die Komplexität von Syste-
men zu reduzieren, indem zunächst eine Menge von möglichen Benutzer-
typen definiert wird und anschließend realen Benutzern zugeordnet wer-
den. Allerdings geht diese Vereinfachung gegenüber der Berücksichtigung
von individuellen Benutzerattributen zu Lasten der möglichen Detailge-
nauigkeit und Diversität in der Modellierung. Stereotypen und Personae
können in den meisten Fällen nur eine Näherung und kein genaues Bild
eines Nutzers liefern.
136 Vgl. Cooper et al., 2010, S. 104 f.
54
2.10. Adaptionsmaßnahmen
Adaptionsmaßnahmen sind Maßnahmen, die vom System getroffen wer-
den, um die Lerninhalte an die Bedürfnisse und Vorlieben des Benutzers
anzupassen. In diesem Kapitel werden Adaptionsmaßnahmen beschrie-
ben, wie sie in verfügbaren Systemen und der Literatur vorgefunden wer-
den.
2.10.1. Textadaption
Im Folgenden werden zunächst Methoden aufgezeigt, mit denen sich
Textpassagen adaptieren lassen. Frühe adaptive Hypermedia-Systeme ba-
sierten in erster Linie auf Text, weshalb in diesem Bereich vielfältige
Methoden entwickelt wurden.
• Stretch Text
Dem Stretchtext liegt die Idee zu Grunde, zusätzliches Material
nicht in einem anderen Fenster anzuzeigen, sondern in den Text-
fluss zu integrieren. In einer Umgebung, die Stretchtext nutzt, sind
zusätzliche Informationen zunächst grundsätzlich nicht sichtbar.
Ähnlich wie bei üblichen Hypertext-Links werden Stretchtext-Links
angezeigt. Beim Aktivieren eines Stretchtext-Links wird das ange-
forderte Material eingefügt.137.
In dem System MetaDoc müssen Autoren beim Erstellen von In-
halten definieren, ob das Lernobjekt eine weiterführende Erläute-
rung oder ein ”low-level Detail” ist. Das System zeigt Experten-
Benutzern bei der Bearbeitung nur Inhalte, die als ”low-level Detail”
markiert sind. Die weiterführenden Erläuterungen werden erst nach
Aktivieren des zugehörigen Stretchtext-Links eingeblendet. Nutzer
mit geringem Vorwissen hingegen sehen stets alle Inhalte einge-
blendet. Allerdings steht jedem Benutzer jederzeit die Möglichkeit
offen, verborgene Inhalte einzublenden und sichtbare Inhalte aus-
zublenden.138
Studien139 über MetaDoc haben gezeigt, dass mit dieser einfachen
Methode, die auf einem skalaren Benutermodell basiert, die Lern-
geschwindigkeit und das Verständnis gesteigert werden kann.137 Vgl. Seeberg, 2004, S. 167138 Vgl. Brusilovsky and Millán, 2007, S. 15139 Vgl. Boyle and Encarnacion, 1994, S. 12 ff.
55
In einer sehr einfachen Form wird Stretchtext heute für die mobile
Variante von Wikipedia eingestezt. Die Funktion ist durch den Nut-
zer adaptierbar und bezieht sich nicht auf einzelne Inhalte, sondern
auf ganze Kapitel. Trotzdem kann so insbesondere bei umfangrei-
chen Artikeln eine deutlich übersichtlichere Darstellung angeboten
werden. Zunächst ist nur die Einleitung sichtbar, folgende Kapi-
tel sind ausgeblendet. Erst durch Aktivieren der Stretchtext-Links
werden die Inhalte eingeblendet.
• Dimming Fragments
Diese Methode wird auch als Shadowing bezeichnet und zeigt im-
mer den gesamten Text an.140 In Abhängigkeit von ihrer Relevanz
werden einzelne Textfragmente abgeschwächt angezeigt. Wichtige
Fragemente werden kräftig dargestellt, während weniger relevante
Passagen blass dargestellt werden.141
• Couloring Fragments
Diese Methode arbeitet ähnlich der zuvor vorgestellten Methode.
Hierbei werden die Texte in Abhängigkeit von ihrer Relevanz far-
big dargestellt, wodurch sich mehrere Möglichkeiten ergeben, den
Text mit Attributen anzureichern. Allerdings sind die Möglichkei-
ten durch die Anzahl der Farben, die ein Benutzer sinnvoll einord-
nen kann, begrenzt.142 Außerdem ist zu beachten, dass ein Text, der
aus zu vielen Farben zusammengestezt wird, gegebenenfalls nicht
harmonisch auf den Benutzer wirkt.
Auch diese Methode eignet sich nicht, den Umfang einer dargestell-
ten Seite zu reduzieren, da immer der vollständige Inhalt angezeigt
wird.
• Scaling Fragments
Das Skalieren von Textfragmenten eignet sich ebenfalls, um die Re-
levanz von Testblöcken darzustellen. Dabei werden für den Benut-
zer wichtige Inhalte größer dargestellt als jene, die eine geringere
Relevanz haben.143
140 Vgl. Seeberg, 2004, S. 167141 Vgl. Bunt et al., 2007, S. 418142 Vgl. Bunt et al., 2007, S. 420143 Vgl. Bunt et al., 2007, S. 418
56
2.10.2. Navigationsadaption
Abhängig vom Benutzermodell passen adaptive Systeme die Navigation
für einzelne Benutzer an. In der Regel versuchen die Systeme, den Nutzer
auf Inhalte zu verweisen, die für ihn relevant sind und ihn von weniger
relevanten Inhalten fernzuhalten. Das Spektrum der Möglichkeiten für die
Adaption der Navigation reicht von ”geführten Touren”, die dem Benutzer
keine Entscheidung über den nächsten Inhalt erlaubt, bis hin zu freier
Navigation, die sich besonders für fortgeschrittene Benutzer eignet.
Die freie Navigation, wie sie zum Beispiel in Wiki-Systemen zu finden
ist, wird hier nicht näher betrachtet, da es sich bei dieser Methode nicht
um eine Adaptionsmaßnahme handelt.
Die folgenden Methoden werden eingesetzt, um eine adaptive Navigation
zu ermöglichen.
• Link-Hiding
Das System verbirgt Links, die zu Informationen führen, die nicht
für den Benutzer geeignet sind.144 Dies kann der Fall sein, wenn
der Link zu bereits bekannten oder besuchten, zu anspruchsvollen
oder für das angestrebte Ziel ungeeigneten Lernobjekten führt. Ins-
besondere Benutzer, die sich in der Wissensdomäne noch nicht aus-
kennen, können schlecht einschätzen, welche Informationen sinnvoll
und relevant sind und welche nicht. Der Benutzer kann davon aus-
gehen, dass alle für ihn sichtbaren Links zu relevantem Material
führen.145
Werden die verfügbaren Links soweit reduziert, dass sich für den
Benutzer nur noch eine Navigationsmöglichkeit ergibt, spricht man
von einer geführten Tour. In diesem Fall wählt das System immer
die beste Folgeseite aus und bietet diese zur weiteren Navigation
an.146 In der Regel werden die Links nicht mehr wie herkömmliche
Links dargestellt, sondern als ”Weiter”-Schaltfläche.
• Link-Sorting
Eine weniger restriktive Methode ist das Sortieren von Links. Hier-
bei werden alle Links nach Relevanz für den jeweiligen Benutzer
geordnet angezeigt.147 Je wichtiger ein Link ist, desto weiter oben144 Vgl. De Bra and Calvi, 1998145 Vgl. Seeberg, 2004, S. 168146 Vgl. Brusilovsky, 2007, S. 264 f.147 Vgl. Seeberg, 2004, S. 166
57
wird er einsortiert. Unwichtige Links finden sich am unteren En-
de der Linkliste.148 Diese Methode erleichtert die Auswahl für den
Benutzer, ohne Informationen vorzuenthalten und eignet sich des-
halb für Benutzer, die fortgeschritten sind, aber immer noch eine
Unterstützung benötigen.
• Link-Annotation
Eine weitere Methode zur Adaption von Links ist die Nutzung von
dynamischen Annotationen. Gebräuchlich ist der Einsatz von tex-
tuellen Annotationen, Farben oder Symbolen149. Diese Methode
zeichnet sich vor allem dadurch aus, dass gleichzeitig alle Links an
beliebiger Stelle sichtbar sein können und auch ohne einen Kontext
immer klar zu erkennen ist, welche Funktion der Link hat.
Außerdem können Link-Annotationen mehrschichtige Informatio-
nen liefern, indem beispielsweise ein Symbol anzeigt, dass ein Link
erläuternde Informationen enthält und für den Benutzer empfohlen
wird.
Die meisten modernen Browser bieten eine einfache farbige Link-
Annotation, die bereits besuchte Links violett und noch nicht be-
suchte Links blau darstellt.150
Das System ELM-Art151 nutzt die Ampelfarben, um Links anzurei-
chern. Ein grüner Punkt vor einem Link symbolisiert empfohlene
Inhalte, ein roter Punkt Inhalte, die zum jetzigen Zeitpunkt noch
nicht gelernt werden sollten.
2.10.3. Contentadaption
Die unter 2.10.1 und 2.10.2 vorgestellten Methoden erlauben es, auf Basis
eines Benutzermodells die Auswahl, Struktur und Präsentation im Bezug
auf Relevanz von Lernobjekten vorzunehmen. Der Vorteil dieser Metho-
den liegt in ihrer einfachen Handhabung und dem geringen Aufwand für
die Erstellung von Inhalten. Zum einen können bereits vorhandene Doku-
mente durch Anreicherung mit zusätzlichen Attributen für die Verwen-
dung in adaptiven Systemen aufbereitet werden. Zum anderen lassen sich
die zugrundeliegenden Adaptionsmaßnahmen mit einfachsten Mitteln im-
148 Vgl. Brusilovsky, 2007, S. 266149 Vgl. Seeberg, 2004, S. 166150 Vgl. De Bra and Calvi, 1998151 Vgl. Brusilovsky et al., 1996
58
plementieren. De Bra beschreibt hierzu einen einfachen Präprozessor für
das AHA System, der auf Basis von Kommentaren im HTML-Code ar-
beitet.152
Allerdings stoßen diese einfachen Methoden schnell an ihre Grenzen,
wenn es darum geht, Inhalte für individuelle Benutzer aufzubereiten und
zusammenzustellen.153 Systeme, die es ermöglichen, Inhalte dynamisch
zusammenzustellen und auch in kleineren Einheiten als Seiten zu struk-
turieren, bieten einerseits deutlich vielfältigere Möglichkeiten in der Auf-
bereitung der Inhalte, andererseits erfordern sie grundlegend andere Vor-
aussetzungen. Die Inhalte müssen in modularer Form vorliegen und nicht
wie in den meisten einfachen Systemen in Form umfangreicher statischer
Dokumente. Für den Aufbau einer modularen Wissensbasis eignet sich
ein Domänenmodell, wie in 2.7 beschrieben. Außerdem ist ein leistungs-
fähiger Präprozessor erforderlich, der die Inhalte in Echtzeit dynamisch
aus der modularen Wissensbasis zusammenstellt.
Aus der Verwendung einer modularen Wissensbasis ergeben sich nach
Seeberg noch weitere Vorteile.154 Besteht die Wissensbasis aus Lernob-
jekten, können mehrere Objekte dasselbe Wissen vermitteln, dabei aber
einen unterschiedlichen Detailierungsgrad, eine unterschiedliche Heran-
gehensweise oder unterschiedliche Medientypen verwenden. Somit kann
verschiedenen kognitiven Typen oder der Medienpräferenz von einzelnen
Benutzern Rechnung getragen werden, wie es mit den zuvor vorgestell-
ten Methoden nicht möglich ist. Zudem können kontextfreie Lernobjekte
in einer modularen Umgebung dynamisch kombiniert werden. Außerdem
ist eine einfachere Wartbarkeit gewährleistet, indem neue Objekte ein-
fach hinzugefügt und veraltete entfernt werden können.
Grundsätzlich lässt sich auf Grundlage einer Adaption einzelner Content-
elemente eine deutlich umfangreichere Adaption erreichen. Eine denkbare
Anwendung ist die freie Zusammenstellbarkeit und Kombinierbarkeit von
elementaren Lernobjekten, wie Grafiken, Videosequenzen oder Textblö-
cken. Durch statische Inhalte mit beschreibenden Attributen lassen sich
nur marginale Adaptionsszenarien auf Basis der Präsentation und Na-
vigation realisieren. Modulare elementare Lernobjekte ermöglichen es,
flexible und vollkommen dynamische Szenarien zu erreichen.
152 Vgl. De Bra and Calvi, 1998153 Vgl. Bunt et al., 2007, S. 422 ff.154 Vgl. Seeberg, 2004, S. 168 f.
59
2.11. Verfügbare Lösungen und Produkte
Im folgenden Abschnitt werden bestehende Implementierungen adaptier-
barer und adaptiver Lernumgebungen betrachtet. Dabei wird zwischen
den vorgestellten Ebenen der Adaptierbarkeit und Adaptivität unter-
schieden.
2.11.1. Schnittstellenadaptivität
In diesem Abschnitt werden Systeme mit einer adaptierbaren Benutzer-
schnittstelle vorgestellt. Es werden nur ausgewählte Systeme berücksich-
tigt, da sich der Begriff sehr weit fassen lässt und grundsätzlich jedes
System mit Funktionen, die sich durch den Benutzer anpassen lassen, in
diese Kategorie fällt. Dazu zählen unter anderem auch Vergrößerungs-
funktionen, die Möglichkeit Hintergrundfarben und andere Optionen an-
passen zu können.
APLE
Das Adaptive Personal Learning Environment, kurz APLE ist ein adap-
tierbares eLearning System der jüngeren Generation. Es soll dem Benut-
zer ermöglichen die Benutzerschnittstelle und eingesetzte Hilfswerkzeuge
anzupassen. Im Fokus der adaptierbaren Funktionen stehen bei diesem
System Benutzer, die durch körperliche Einschränkungen nicht auf kon-
ventionelle eLearning Systeme zurückgreifen können.
APLE basiert auf dem Portland Virtual Learning Environment155 und
erweitert es um eine adaptierbare Komponente. Durch diese Erweiterung
wird dem Benutzer zum einen die Möglichkeit geboten Werkzeuge für
kollaboratives Arbeiten, entsprechend seinen Anforderungen in die Ler-
numgebung einzubinden. Zum anderen kann er die Benutzerschnittstelle
auf seine Bedürfnisse anpassen. Zur Anpassung der Benutzerschnittstelle
wird die Auswahl der Textgröße und Farbe aufgeführt. Außerdem soll es
möglich sein Texte, für die Ausgabe in Brailleschrift oder durch Screen-
reader, zu optimieren.156
iPrendo
iPrendo ist ein klassisches eLearning System mit adaptierbaren Funktio-
155 Vgl. Green et al., 2006, S. 3 f.156 Vgl. Green et al., 2008, S. 1 ff.
60
nen. Hierzu bietet es dem Lernenden die Möglichkeit das System gestal-
terisch an seine Vorlieben anzupassen. Der Benutzer hat beispielswiese
freie Hand in der Auswahl der Farbgebung. Außerdem ist die Anwendung
sowohl für eine Desktop- aus als mobile Nutzung ausgelegt, bietet also ein
responsive Design, wie es heute in vielen Webanwendungen vorzufinden
ist.157
157 Vgl. iPrendo, 2014
61
2.11.2. Makroadaptivität
Im folgenden Teil werden verschiedene Systeme vorgestellt, die sich in
mindestens einer Funktion automatisch auf den Lerner einstellen.
ALE
Das im Rahmen des WINDS158 Projektes entwickelte ALE159 zählt zu
der Gruppe der Systeme, die eine Makroadaptivität nutzen. Das System
nutzt neben der Makroadaptivität auch Funktionen der Schnittstellenad-
aptivität, um beispielsweise die Sprache des Kurses anpassen zu können.
Das System arbeitet mit einem Kursindex und einem Benutzermodell.
Anhand des Benutzermodells wird die Adaptivität des Kurses errreicht,
indem dem Benutzer durch einen Fragenkatalog ein Lernstil zugeord-
nend wird.160 Diese Einstellung des Lerntyps kann zwar jederzeit durch
den Benutzer durch erneute Beantwortung der Fragen geändert werden,
wodurch bei entsprechend hoher Taktung eine Mikroadaptivität bezüg-
lich des Lerntyps erreicht werden könnte, allerdings scheint eine häufig
wechsende Selbsteinschätzung als eher unwahrscheinlich.
Außerdem beinhaltet das Benutzermodell bearbeitete Lernobjekte, die
Auswertungen von durchgeführten Testaufgaben und die Bewertungen
von Aufgaben, die durch Tutoren kontrolliert wurden.161
Welche Lernstile dem System zugrunde liegen und welche konkreten Maß-
nahmen und Reaktionen im Sinne der Adaption daraus resultieren, wird
in den Veröffentlichungen zu dem System nicht erläutert.162
training42
Einen ähnlichen Ansatz wie das ALE verwendet das System training42
der bureau42 GmbH.163 Hier wird versucht, durch einen Selbsttest zu
Beginn des Kurses einen persönlichen Lernstil zu ermitteln, der anschlie-
ßend dem zugehörigen Benutzerprofil zugeordnet wird. Anhand des Lern-
stils sollen den Benutzern angepasste Navigationspfade aufgezeigt werden
und Medien selektiert werden. Nach Schulmeister164 basiert das System
158Web-based Intelligent Design and Tutoring System159Adaptive Learning Environment160 Vgl. Specht et al., 2002b, S. 2ff.161 Vgl. Specht et al., 2002a, S. 573162 Vgl. Schulmeister, 2003, S. 120163 Vgl. Bureau42, 2014164 Vgl. Schulmeister, 2003, S. 121
62
auf dem Lernstilinventar nach Felder und Silverman165. Allerdings wird
hier noch die ursprüngliche Variante des Lernstilinventars verwendet und
nicht, wie von Felder empfohlen, eine der zahlreichen Überarbeitungen
aus den folgenden Jahren.
AES-CS
Das Adaptive Educational System (AES) based on Cognitive Styles (CS)
unterscheidet zwischen zwei Benutzergruppen mit den Ausprägungen
Feldabhängig und Feldunabhängig nach Witkin166. Der Group Embed-
ded Figures Tests167 wird verwendet, um die Benutzer durch einen Selbst-
test einer der beiden Ausprägungen zuzuordnen.
Diese Information wird gemeinsam mit statischen Angaben zum Benutzer
und dem Wissensstand zu einzelnen Inhalten des Kurses im Benutzermo-
dell festgehalten. Neben dem Benutzermodell verwendet das System ein
Domänenmodell, das die Struktur des Kurses auf Basis von Konzepten
und Themen festlegt.168
NetCoach
NetCoach ist eine Lernplattform, die an der Pädagogischen Universität
Freiburg entwickelt wurde.169 Die Autoren unterscheiden dabei zwischen
adaptierbaren Eigenschaften und adaptiven Funktionen. Adaptierbare
Eigenschaften sind in diesem Zusammenhang einige Funktionen, um bei-
spielsweise Farben und Warnmeldungen durch den Benutzer anpassen
zu können.170 Hierbei handelt es sich also um klassische Funktionen der
Schnittstellenadaptivität. Die Eigenschaften passen sich nicht dem Be-
nutzer an, sondern können vom Benutzer seinen Vorlieben oder Anforde-
rungen entsprechend geändert werden.
Die adaptiven Funktionen nehmen eine Sequenzierung der Kapitel und
eine farbliche Markierung von Kapitelverweisen vor. Die Sequenzierung
der einzelnen Lerneinheiten wird anhand von Angaben zu Voraussetzun-
gen und Beziehungen vorgenommen, die der Autor bei der Erstellung
spezifiziert. So kann das System eine Warnung anzeigen, wenn ein Ka-
165 Vgl. Felder and Silverman, 1988, S. 674 ff.166 Vgl. Witkin et al., 1975, S. 1ff.167 Vgl. Witkin et al., 1971, S. 1ff.168 Vgl. Triantafillou et al., 2003, S. 3ff.169 Vgl. Schulmeister, 2003, S. 118170 Vgl. Weber et al., 2001, S. 1 ff.
63
pitel gewählt wird, dessen vorausgesetzte Kapitel noch nicht bearbeitet
wurden oder, nach der Bearbeitung eines Kapitels Empfehlungen zur
weiteren Navigation geben.171 Außerdem werden zu jedem Kapitel Test-
fragen gestellt und so ein Lernfortschritt ermittelt, der eingesetzt wird,
um den Bearbeitungsstand der Kapitel farbig zu markieren. Schulmeis-
ter gibt zu bedenken, dass sich die Adaptivität von NetCoach primär
auf die Faktoren Kapitelrelation und Testfragen beschränkt und es sich
vielmehr um eine Navigationshilfe, als um Adaptivität im Sinne der ad-
aptiven Lehrmethoden nach Leutner handelt.172
MetaDoc
MetaDoc ist ein System, das es ermöglichen soll Hypertextdokumente an
den Wissensstand des Lesers anzupassen. Ziel des Systems ist es nur ein
Dokument für unterschiedliche Leser zu erstellen, ohne das Text über-
sprungen werden muss, weil er bereits bekannt ist oder andere Quellen
durchsucht werden müssen, weil der Text zu anspruchsvoll ist.
MetaDoc arbeitet im Bereich von technischer Dokumentation, da in die-
sem Umfeld genauso Leser zu erwarten sind, die kein Vorwissen haben,
wie Leser, die ein umfangreiches Vorwissen haben und komplexe Details
nachlesen.
Der Benutzer kann das System an seinen Wissenstand adaptieren, in-
dem er seien aktuellen Wissensstand angibt. Diese Information wird in
einem einfachen Benutzermodell gespeichert, das zwischen “novices“, “be-
ginners“, “intermediates“ und “experts“ unterscheidet. Anhand der Daten
aus dem Benutzermodell sorgt das System dafür, dass die Inhalte ent-
sprechend des Wissensstandes des Benutzers aufbereitet und dargestellt
werden.173
iWeaver
Das 2002 entwickelte Projekt iWeaver nutzt ebenfalls einen typischen
makroadaptiven Ansatz, der zu Beginn des Kurses anhand eines Fragen-
katalogs mit 118 Fragen den Lernstil ermittelt.174 Als Grundlage wird
ein Teil des Lernstilmodells von Dunn & Dunn175 verwendet. Es wird
171 Vgl. Weber et al., 2001, S. 2172 Vgl. Schulmeister, 2003, S. 118 f.173 Vgl. Boyle and Encarnacion, 1994, S. 3 ff.174 Vgl. Wolf, 2003, S. 2 f.175 Vgl. Dunn et al., 1984
64
allerdings nur zwischen verbalen, visuellen, auditiven und taktilen Ler-
nern unterschieden. Die anderen Dimensionen des Lernstilmodells werden
nicht berücksichtigt.
Auch die Reaktionen des Systems, die auf dem ermittelten Lernstil ba-
sieren, sind aus anderen Systemen bekannt. So werden Links sortiert und
gegebenenfalls verborgen, außerdem wird konditionaler Text176 verwen-
det und der Medientyp angepasst. Neben der Möglichkeit, die anhand
des Lernstils zugeordneten Medien zu verwenden, wird dem Benutzer zu
jedem Zeitpunkt die Möglichkeit geboten, die alternativen Medien aus-
zuwählen.
INSPIRE
Das INSPIRE System von Papanikolaou et al. ist nach Schulmeister auf-
grund seiner Komplexität und seines Differenzierungsgrads in Bezug auf
Lernstile und Adaptionsmethoden ohne Konkurrenz177.
Das System arbeitet auf Grundlage des Lernstilinventars nach Honey und
Mumford178, welches wiederum auf den Lernstilen nach Kolb basiert, die
seit 1976 bekannt sind und mittlerweile in Version 3.1 vorliegen.179 Der
Lernstil des Benutzers wird, wie bei den meisten der hier vorgestellten
makroadaptiven Systemen, anhand eines Fragebogens ermittelt, der vor
der Systembenutzung beantwortet werden muss. Der eingesetzte Frage-
bogen entspricht dem von Honey und Mumford vorgeschlagenen. Auch in
diesem System wird dem Benutzer die Möglichkeit geboten, nachträglich
Änderungen an den Systempräferenzen vorzunehmen. Anschließend wird
auf Grundlage des ermittelten Lerntyps eine Sequenzierung der Lernin-
halte, für die Variation und Repräsentation und die adaptive Navigati-
onsunterstützung vorgenommen.180
Als Grundlage sind alle Lernmodule in die Typen Theorie, Übung, Bei-
spiel und Aktivität unterteilt und werden dem Benutzer abhänig von
seinem Lernstil in entsprechender Abfolge präsentiert. Jedes Lernmo-
dul wiederum dient einem anderen Ziel. Dabei wird zwischen den Zielen
’Remember’, also Lernen und Verstehen der wesentlichen Aspekte der
Lerneinheit, ’Use’, also Einsatz des erworbenen Wissens in spezifischen
176 Vgl. Schulmeister, 2003, S. 122177 Vgl. Schulmeister, 2003, S. 123f.178 Vgl. Honey and Mumford, 2000179 Vgl. Kolb, 2005180 Vgl. Papanikolaou et al., 2002a, S. 1 f.
65
Anwendungsfällen und ’Find’, also Erarbeitung von neuen Lösungsstrate-
gien, unterschieden. Entsprechend des Lerntyps und des Ziels werden für
den Benutzer individuelle Lernpfade erstellt. So wird einem Pragmatiker
für ein Modul des Typs ’Remember’ zunächst ein Beispiel vorgestellt,
anschließend die zugrundeliegende Theorie erläutert und zum Ende die
Fragen. Einem Theoretiker hingegen werden als erstes die Fragen aufge-
zeigt, anschließend die Theorie behandelt und in einem letzten Schritt
das zugehörige Beispiel vorgestellt.181
Somit ist sichergestellt, dass jedem Benutzer alle Lerninhalte vermittelt
werden, dabei aber auf seine individuellen Lernpräferenzen eingegangen
wird.
2.11.3. Mikroadaptivität
Dieser Abschnitt stellt Systeme vor, die versuchen durch eine kontinuier-
liche Beobachtung und Analyse des Benutzerverhaltens eine individuell
optimierte Aufbereitung und Darstellung der Lerninhalte zu erreichen.
Im Vergleich zu makroadaptiven Systemen lassen sich allerdings nur sehr
wenige Entwicklungen aus diesem Bereich finden, die grundlegend ver-
schiedene Analysemethoden anwenden.
AHA!
Eines der wenigen Systeme, dass eine echte Mikroadaptivität implemen-
tiert ist AHA!. Die aktuelle Version von AHA!182 183 nutzt ein Benutzer-
und ein Domänenmodell. Während das Domänenmodell die Beziehung
zwischen einzelnen Lernobjekten definiert ist das Benutzermodell ein so-
genanntes Overlaymodell, das in der selben Struktur Attribute des Be-
nutzer speichert. Die eingentlichen Inhalte werden als vollständige Web-
seiten, Fragemente oder Objekte geladen.
Die Mikroadaptivität wird erreicht, indem jede Benutzerinteraktion (i.d.R.
”Klicks”) im Benutzermodell protokolliert wird. Das Benutzermodell ent-
hält für jedes Objekt des Domänenmodells einen Zähler für die Anzahl
der Aufrufe und eine Variable für den zugehörigen Wissensstand. Der
Wissensstand wird mittels Multiple Choise Tests ermittelt. Zu Beginn
wird der Benutzer gefragt, wie er seinen Wissensstand im Bereich der
181 Vgl. Papanikolaou et al., 2002b, S. 346182 Vgl. De Bra et al., 2003, S. 81 ff.183 Vgl. De Bra et al., 2006, S. 133 f.
66
Wissensdomäne einschätzt, um von Beginn an adaptierte Inhalte anzei-
gen zu können.
Die Reaktionen der Adaptionsmaßnahmen leiten sich direkt aus diesen
Werten des Benutzermodells ab. Es werden insgesamt drei verschiedene
Adaptionsmaßnahmen eingesetzt. Zum einen werden Links in verschiede-
nen Farben dargestellt, um dem Benutzer aufzuzeigen, welche Links emp-
fohlen werden, welche bereits besucht wurden und welche derzeit noch
nicht empfohlen werden. Um den Benutzer nicht zu sehr einzuschränken,
kann aber jeder Link benutzt werden.
Zum anderen wird im Navigationsbereich mittels farbigen Icons ange-
zeigt, welche Kapitel empfohlen werden und welche derzeit noch nicht
besucht werden sollten. Auch hier lassen sich die nicht empfohlenen Links
benutzen. Nach einer einer Ausführungs, warum das System den entspre-
chenden Link als noch nicht geeignet einstuft, kann der Nutzer selber
entscheiden, ob er dem Link weiter folgen möchte oder nicht.
Außerdem werden innerhalb einer Seite einzelne Textfragmente oder Ob-
jekte konditional in Abhängigkeit vom Benutzermodell ein- oder ausge-
blendet.
COALE
Das COALE184 Projekt verfolgt den ambitionierten Ansatz, ein System
zu entwickeln, das sowohl eine adaptive als auch eine kollaborative Kom-
ponente einsetzt. Die Erläuterungen zum Prototypen zeigen jedoch, dass
der Fokus auf der kollaborativen Komponente liegt.
Für die Adaption arbeitet das System in zwei Schritten. Zunächst wird
das Benutzerverhalten analysiert, um anschließend daraus folgende Ak-
tionen und Hilfestellungen ableiten zu können.
Die Analyse des Benutzerverhaltens wird immer wieder anhand der drei
Kenngrößen Beschäftigungsgrad, Fortschritt und inhaltlicher Zusammen-
hang vorgenommen.
Der Beschäftigungsgrad ist gering, wenn der Benutzer beispielsweise das
Inhaltsverzeichnis durchsucht. Hoch ist er hingegen, wenn der Benutzer
mit einem anderen Lerner in einer Diskussion ist. Der Lernfortschritt
wird anhand des Verhältnisses von richtig beantworteten Fragen zu be-
arbeiteten Fragen ermittelt. Der inhaltliche Zusammenhang, "Distance184Collaborative and Adaptive Learning Environment
67
between Contents"wird nach der ersten abgeschlossenen Lerneinheit er-
mittelt und soll Auskunft darüber geben, ob der Benutzer Inhalte aus
einem anderen oder ähnlichen Bereich wählt.
Aus diesen kontinuierlich ermittelten Daten leitet das System Vorschläge
und Aktionen ab. Die einzigen in der Beschreibung vorgestellten Reak-
tionen auf diese Daten sind eine Navigationshilfe und eine Schnittstelle in
das kollaborative Modul. Die Navigationshilfe schlägt entweder die Stra-
tegie ”Depth-first” oder ”Width-first” vor. Je nach Grad der Beschäfti-
gung, des gerade ausgewählten Lernmaterials und des individuellen Fort-
schritts wird der Benutzer anderen Lernern für eine Online-Diskussion
vorgeschlagen oder nicht.185
AdeLE
AdeLE steht für ”Adaptive e-Learning with Eye-Tracking” und verfolgt
den Ansatz mittels eines Eye-Tracking Systems in Echtzeit die visuelle
Perzeption des Nutzers aufzuzeichnen.186 Da dem System zu jedem Zeit-
punkt aktuelle Daten über die fokussierten Objekte auf dem Bildschirm
zur Verfügung stehen, handelt es sich bei diesem System ebenfalls um
ein mikroadaptives System. Anhand der Augenbewegung des Nutzers
soll das System versuchen herauszufinden, ob der Benutzer etwas liest,
eine Abbildung ansieht, in einem Text sucht oder den Navigationsbereich
betrachtet.
Es wird allerdings kritisiert, dass durch dieses aufwändige Verfahren kei-
ne Einblicke in kognitive Probleme oder Lernschwierigkeiten gewonnen
werden können, sondern lediglich oberflächliche Daten ermittelt werden
können.187 Außerdem eignet sich diese Technik nicht für den flächen-
deckenden Einsatz im Bereich von adaptiven Lernumgebungen, da die
benötigte Technik aufwändig und teuer ist und deshalb meist nur in La-
borumgebungen zur Verfügung steht.
185 Vgl. Furugori et al., 2002, S. 493ff.186 Vgl. Pivec et al., 2006, S. 497187 Vgl. Schulmeister, 2003, S. 126 f.
68
2.11.4. Zusammenfassende Betrachtung über den Stand der
Technik
Systeme, die dem Benutzer die Möglichkeit bieten, die Benutzerschnitt-
stelle eigenständig an seine Bedürfnisse anzupassen, bilden den ersten
Teil der Betrachtung. Zwar erhöhen solche Funktionen zweifelsfrei den
Komfort bei der Nutzung, allerdings sind die hier eingesetzten Methoden
und Techniken heute in den meisten Webanwendungen zu finden und
können somit als etablierter Standard betrachtet werden, der nicht mehr
charakteristisch für ein adaptives E-Learning System ist.
Da zu erwarten ist, dass ein Benutzer in einer Lernumgebung eine ver-
gleichsweise lange Zeit verbringt, sind solche Funktionen hier selbstver-
ständlich besonders sinnvoll. Gleichzeitig ist aber auch zu bedenken, dass
der Nutzer selbst eine Auswahl über seine Präferenzen treffen muss und
die adaptierbaren Funktionen keinen Einfluss auf das Lernen selbst ha-
ben, sondern sich lediglich das Erscheinungsbild der Anwendung in eini-
gen Punkten anpassen lässt.
Die meisten der vorgestellten makroadaptiven Entwicklungen arbeiten
auf Basis eines Lernstilmodells. In der Regel wird der Benutzer dazu zu
Beginn der Systemnutzung einem Selbsttest unterzogen, anhand dessen
ihm ein Lernstil oder -typ zugeordnet wird. Auf Basis dieses Lernstils
werden je nach System unterschiedliche Funktionen adaptiert. Typische
Funktionen, die bei mehreren Systemen zu finden sind, sind die Auswahl
von empfohlenen Links, Annotationen und Textfragmenten, die abhängig
vom Benutzer ein- oder ausgeblendet werden.
Es wird also eine Begrenzung des Inhalts und eine Sequenzierung vorge-
nommen. Die einzelnen Lerntypen oder Lernstile der Benutzer werden in
den vorgestellten Systemen nicht hinsichtlich des eingesetzten Medien-
typs berücksichtigt.
Selbst wenn diese Systeme in Richtung von alternativen Inhalten erwei-
tert werden, ist kritisch zu betrachten, dass ein makroadaptives System
nur Aspekte des Nutzers oder seiner technischen Umgebung untersuchen
kann, die sich zwischen den Eingriffsintervallen nicht verändern. Bei den
vorgestellten Systemen, die nur einen initialen Eingriff vorsehen, können
also nur Konstanten berücksichtigt werden.
Gleichzeitig basieren diese Systeme zumeist auf einem Selbsttest, der
69
durch den Benutzer zu bearbeiten ist. Ob der Benutzer hier eine realisti-
sche Einschätzung seiner Fähigkeiten und Arbeitsweise abgibt, ist frag-
lich. Insbesondere bei der Berücksichtigung von Nutzern, die ein solches
System nicht im Rahmen eines Studiums oder anderer Bildungsangebote
nutzen, kann eine solche Beurteilung nur sehr vage erfolgen, da der Nut-
zer sein Lernverhalten unter Umständen selbst nicht einschätzen kann.
Der vielversprechendste und zugleich technisch deutlich anspruchsvollere
Ansatz ist die Entwicklung von mikroadaptiven Systemen.
Die hier vorgestellten Systeme verfolgen grundsätzlich unterschiedliche
Ansätze, um die Interaktion des Benutzers mit dem System kontinuierlich
zu erfassen. Während COALE und AHA! erfassen, in welchem Bereich
des Systems sich ein Benutzer aufhält, benutzt AdeLE ein Eye-Tracking
System, um die Augenbewegung des Benutzers zu erfassen. Keines der
Systeme benutzt ein Benutzermodell oder bietet ein breites Spektrum
an Adaptionsmöglichkeiten. Leider beschränken sich die Entwickler auch
hier trotz umfangreich zur Verfügung stehender Nutzungsdaten auf Na-
vigationshilfen und, im Fall von COALE, Vorschläge für Lernpartner.
Allen untersuchten Systemen ist gemein, dass sie sich auf einen kleinen
Bereich der Individualität konzentrieren. In der Regel wird eine Einfluss-
größe untersucht und unter Berücksichtigung der gewonnenen Ergebnis-
se eine der zur Verfügung stehenden Adaptionsmaßnahmen ausgewählt.
Unter der Annahme, dass sich die Individualität eines Lerners aus einer
Vielzahl persönlicher und situativer Faktoren zusammensetzt, lässt sich
erkennen, dass die vorhandenen Lösungen keine ausreichende Berücksich-
tigung der individuellen Erfordernisse erreichen werden. Diese Annahme
wird durch andere Forschungen188 189 190 gestützt und lässt den Schluss
zu, dass ein echter Fortschritt im Bereich der adaptiven Lernanwendun-
gen nur durch die Kombination verschiedener Einflussfaktoren und Ad-
aptionsmaßnahmen erreicht werden kann. Die gleichzeitige Verwendung
vieler persönlicher und situativer Faktoren erfordert allerdings auch ein
angepasstes Vorgehen in der Erfassung dieser Faktoren. Würden alle Fak-
toren explizit, etwa durch die Verwendung von Fragebögen erfasst, würde
188 Vgl. Mampadi, 2012, S. 7189 Vgl. Lehmann, 2010, S. 17190 Vgl. Mampadi et al., 2009, S. 163
70
für den Nutzer ein nicht vertretbarer Aufwand allein für die Erfassung
seiner Persönlichkeitsmerkmale entstehen. Würden außerdem situative
Faktoren in der Analyse berücksichtigt, würde die Zusatzbelastung für
den Lernenden noch weiter signifikant steigen. Insbesondere die deutlich
weniger verbreiteten und anspruchsvolleren hier untersuchten mikroad-
aptiven Systeme berücksichtigen nur eine isolierte Einflussgröße. Zugleich
haben diese Ansätze aber aufgrund ihrer häufig impliziten Messverfahren
das größte Potential, in einem komplexen System eingesetzt zu werden,
welches eine Vielzahl von Einflussfaktoren berücksichtigt.
Es ist derzeit kein System bekannt, dass aufgrund seiner Struktur dazu
in der Lage wäre, eine Vielzahl von Einflussfaktoren zu berücksichtigen
und diese in kurzen Intervallen zu erfassen, ohne dass für den Nutzer
ein unvertretbar hoher Aufwand allein für die Messvorgänge entstehen
würde.
71
2.12. Zusammenfassung
In diesem Kapitel wurden Einflussgrößen, Methoden zur Messung und
Modellierung, sowie daraus resultierende Adaptionsmaßnahmen unter-
sucht, die sich für den Einsatz in adaptiven Lernumgebungen eignen.
Die Untersuchung zeigt, dass eine Vielzahl an individuellen Einflussfak-
toren gibt, die eine Auswirkung auf den Lernprozess haben und bereits
beschrieben sind. Somit kann die Forschungsfrage F1 wie folgt beantwor-
tet werden.
F1: Welche individuellen Einflussfaktoren sind im Kontext von compu-
terbasierten Lenumgebungen grundsätzlich als relevant in Bezug auf den
Lernprozess anzusehen?
A1: Aus der Forschung und Literatur sind vielfältige individuelle Ein-
flussfaktoren bekannt, die sich auf den Lernprozess auswirken. Im Ein-
zelnen sind die folgenden Faktoren identifiziert worden:
• Vorhandenes Wissen
• Domänenwissen
• Ziele des Nutzers
• Interessen des Nutzers
• Lernstil
• Kognitiver Typ
• Ethnisch-kultureller Hintergrund
• Konzentrationsfähigkeit
• Extrinsiche Motivation
• Intrinsische Motivation
• Merkmale der Internetverbindung
• Endgerät
• Einschränkungen des Lerners
• Präferenz für Medientypen
72
• Lernkontext
• Zur Verfügung stehende Zeit
Nicht bekannt ist, ob diese Aufzählung von Faktoren vollständig ist, noch
ob es Beziehungen und Wechselwirkungen zwischen einzelnen Faktoren
oder Gruppen von Faktoren gibt, da sie nur einzeln untersucht wurden.
Die Mehrzahl der hier aufgeführten Faktoren wird in der Literatur je-
doch nur theoretisch behandelt und findet keine konkrete Anwendung
in bereits existierenden Systemen, wie sie im Stand der Technik unter-
sucht wurden. Auch ist bemerkenswert, dass neben den häufig verwende-
ten statischen Einflussfaktoren, wie etwa dem Lernstil, eine Vielzahl von
dynamischen Faktoren existiert, die genutzt werden könnten, um den
situativen Kontext zu erfassen. Wie bereits in Kapitel 2.11 aufgezeigt,
konzentrieren sich bestehende Systeme in der Regel auf einen isolierten
Einflussfaktor geringer Dynamik (siehe 2.11.4). Unter Berücksichtigung
der Bandbreite an zur Verfügung stehenden Einflussfaktoren, lässt sich
erkennen, dass sich eine exakte Vorstellung über den Lernenden und sei-
ner momentanen Situation nur dann erhalten lässt, wenn unterschiedliche
Einflussfaktoren gleichzeitig berücksichtigt werden.
Welche Einflussgrößen tatsächlich berücksichtigt werden können, hängt
maßgeblich von den zur Verfügung stehenden Messverfahren ab. Insbe-
sondere in der Frühzeit der adaptiven Lernumgebungen standen kaum
weit verbreitete und zuverlässige Standards im Bereich der Hard- und
Software zur Verfügung, die sich geeignet hätten, um entsprechende Mess-
verfahren zu implementieren. Aus diesem Grund wurden die meisten Sys-
teme auf Basis von expliziten Verfahren entwickelt, die sich auf Frage-
bögen zur Erfassung einzelner Aspekte stützten. Somit lässt sich auch
die Forschungsfrage F2 teilweise vor dem Hintergrund des aktuellen For-
schungsstands beantworten.
F2: Welche individuellen Einflussfaktoren sind im Kontext von compu-
terbasierten Lernumgebungen nach heutigem Kenntnisstand technisch zu
erfassen und mit welchen Methoden können sie erfasst werden.
A2-1: Die aus der Forschung und Literatur bekannten Einflussfaktoren
wurden bisher nur theoretisch behandelt oder isoliert in Projekten oder
Produkten berücksichtigt. Eine implizite technische Erfassung der Fakto-
ren findet nicht statt, vielmehr ist in der Regel eine explizite Ermittlung
73
der Merkmalsausprägung zu finden.
In der Zwischenzeit haben sich sowohl im Bereich der Endgeräte, als auch
der Softwareplattformen mächtige Standards etabliert, die den Einsatz
neuer Methoden zur Erfassung von Einflussfaktoren ermöglichen. Hier-
durch wird es möglich, erweiterte Erfassungsmethoden zu entwickeln und
Faktoren, die bisher explizit erfasst wurden, implizit zu erfassen. Jedoch
wird bisher keiner dieser heute verfügbaren und weit verbreiteten Stan-
dards in der Literatur zu adaptiven Lernumgebungen berücksichtigt.
Für die Modellierung der erfassten Daten werden unterschiedliche For-
men von Benutzermodellen vorgeschlagen. Diese Modelle lassen sich pri-
mär dahingehend unterscheiden, ob konstante oder dynamische Attri-
bute erfasst werden sollen. Für den jeweiligen Anwendungsfall muss ein
geeignetes Modellierungsverfahren identifiziert werden. Vor allem in Um-
gebungen, die sowohl Einflussgrößen mit einer hohen Beständigkeit, als
auch solche, die einer hohen Dynamik unterliegen, ist eine Kombinati-
on von verschiedenen Verfahren sinnvoll. Anwendung kann eine derartige
Modellierung etwa in einer Umgebung finden, die den häufig eingesetzten
statischen Lernstil gemeinsam mit der dynamischen und situationsabhän-
gigen Konzentrationsfähigkeit berücksichtigen.
Auch im Bereich der Adaptionsmaßnahmen steht eine große Vielfalt von
einsetzbaren Möglichkeiten zur Verfügung. Grundsätzlich lassen sich die-
se Möglichkeiten in die Kategorien Textadaption, Navigationsadaption
und Contentadaption unterteilen. Die vorgestellten Systeme nutzen in
der Regel die einfach zu realisierenden Methoden aus den Kategorien
Text- und Navigationsadaption. Methoden zur Contentadaption, also zur
Adaption auf Inhaltsebene, werden nur in der Theorie beschrieben.
Es zeigt sich, dass zwischen grundsätzlich denkbaren und teilweise in der
Literatur beschriebenen Ansätzen, und solchen die tatsächlich in Anwen-
dungen eingesetzt und erforscht werden, eine große Diskrepanz besteht.
Dies mag zum einen der Tatsache geschuldet sein, dass viele Entwicklun-
gen zu einer Zeit entstanden sind, als notwendige technische Ressourcen
nicht im ausreichenden Maße zur Verfügung standen. Zum anderen sind
viele Untersuchungen in diesem Bereich von psychologischen Fragestel-
lungen getrieben, weshalb sich der Einsatz von simplen technischen Me-
thoden anbietet, um einer spezifischen Fragestellung nachzugehen.
74
Auf der anderen Seite sind einige technisch anspruchsvolle Vorschläge,
wie das AdeLE-System191, dokumentiert, die sich aber auf einer rein
technischen Ebene befinden und die nie den Einzug in ein Gesamtsystem
erhalten haben.
2.13. Verbleibende Herausforderungen und weiteres
Vorgehen
Aus dem Stand der Forschung und Technik lassen sich keine zufrieden-
stellenden Antworten auf die verbleibenden Forschungsfragen F3, F4, F5
und F6 geben. Außerdem ist der Bereich der Methodik zur technischen
Erfassung von Einflussfaktoren nur unzureichend beantwortet, da vor
allem implizite technische Verfahren noch nicht berücksichtigt sind. Des-
halb soll im folgenden Teil der Arbeit ein Framework zur Evaluierung der
verbleibenden Fragestellungen entwickelt werden. Das Framework bildet
die Basisstruktur und zentrale Komponenten des Gesamtsystems. Neben
dem Framework sollen außerdem erste Komponenten als Plug-Ins für das
Framework zur Bestimmung von ausgewählten Einflussfaktoren genutzt
werden, um exemplarisch die Funktionalität zeigen und untersuchen zu
können.
Die Suche nach bekannten Faktoren, die einen Einfluss auf eine Lern-
situation haben, hat gezeigt, dass es zwar bereits eine Vielzahl an be-
kannten Faktoren gibt. Gleichzeitig hat sich aber auch gezeigt, dass es
für keinen der Einflussfaktoren Möglichkeiten zur impliziten technischen
Erfassung gibt. Vor dem Hintergrund, dass das geplante System mehrere
Faktoren gleichzeitig unterstützen soll wurde bereits diskutiert, dass eine
explizite Erfassung nicht sinnvoll erscheint( siehe hierzu auch 2.6, 2.11.4).
Aus den ermittelten Faktoren, die einen Einfluss auf eine Lernsituation
haben, sollen zunächst drei für die folgende Betrachtung berücksichtigt
werden. Dazu müssen Komponenten entwickelt werden, die implizit die
Ausprägung des jeweiligen Merkmals erfassen.
In den letzten Jahren hat sich der Trend zur Nutzung mobiler Endgeräte
immer weiter ausprägt. Bereits jetzt ist in vielen Regionen erkennbar,
dass die Nutzung mobiler Geräte weiter verbreitet ist, als die Nutzung
von klassischen PCs und Laptops. So ist auch im Bereich von E-Learning
191Siehe Kapitel 2.11.3
75
Anwendungen im speziellen davon auszugehen, dass die Nutzung mobi-
ler Endgeräte einen signifikanten Anteil ausmacht. Problematisch bei der
Nutzung mobiler Endgeräte ist der Umstand, dass die potentiell Ver-
fügbare Bandbreite für den Abruf von Inhalten stark je nach Nutzer
variiert und die real verfügbare Bandbreite starken Schwankungen un-
terliegt. Mitunter können real zur Verfügung stehende Bandbreiten nur
ausreichend sein um einfache zeichenbasierte Formate mit zumutbarer
Verzögerung abzurufen, obwohl dem Nutzer potentiell eine hohe Band-
breite zur Verfügung steht, mit der sich problemlos auch hochauflösende
Videos darstellen lassen. Um diesen Einflussfaktor im Rahmen des vorge-
schlagenen Frameworks berücksichtigen zu können soll eine Komponente
entwickelt werden, die es ermöglicht die momentan verfügbare Bandbreite
des Endgeräts eines Nutzers zu ermitteln. Auf Grundlage der, von dieser
Komponente zur Verfügung gestellten Daten können im Regelwerk ent-
sprechende Adaptionsmaßnahmen zur Anpassung der genutzten Inhalte
definiert werden.
In unterschiedlichen Untersuchungen hat sich gezeigt, dass die Präferenz
für bestimmte Medienformate insbesondere in Lernsituationen eine si-
gnifikante Auswirkung auf den Lernprozess hat(siehe hierzu auch 2.5).
Im Vergleich zu klassischen Printmedien bieten Multimedia- und Hyper-
mediasysteme die benötigte Basistechnologie, um unterschiedlichste Me-
dienformate in einem System zu vereinen. Gleichzeitig kann diese Tech-
nologie auch genutzt werden, um Inhalte in unterschiedlichen Repräsen-
tationsformen anzubieten. Diese technologischen Stärken sollen genutzt
werden, um dem Nutzer vornehmlich solche Inhalte anzubieten, die seiner
individuellen Medienpräferenz entsprechen. Hierzu soll eine Komponen-
te entwickelt werden, die kontinuierlich bestimmt, welche Medientypen
vom Nutzer besonders intensiv wahrgenommen werden. Die so gewonnen
Daten stellt die Komponente im Rahmen des Regelwerks zur Verfügung,
sodass diese als Eingangsgröße für Adaptionsregeln verwendet werden
können.
Als dritte Komponente soll ein Verfahren entwickelt werden, mit dem sich
der momentane Gemütszustand eines Lernenden ermitteln lässt. Diese
Komponente soll es ermöglichen, die Emotionen des Lernenden als Ein-
flussgröße innerhalb des Regelwerks zu nutzen. Dazu sollen die in vielen
Endgeräten, wie Laptops oder Smartphones vorhandenen Kameras ge-
nutzt werden. In Laptops oder Desktop Computern stehen hierzu häufig
76
Peripherie- oder fest eingebaute Kameras zur Verfügung. Bei Smartpho-
nes kommt eine sekundäre Kamera, die auf den Nutzer gerichtet ist und
auch als Frontkamera bezeichnet wird, zum Einsatz. Die aus diesen Ka-
meras gewonnen Bilder sollen hinsichtlich der momentanen Gemütslage
des Nutzers untersucht werden. Aus den so gewonnen Informationen kön-
nen Maßnahmen zur Beeinflussung für die Lernsituation getroffen wer-
den. Denkbar ist etwa, dass ein Studierender immer, wenn er mit neuen
Lernmaterialien konfrontiert wird, hinsichtlich der erkennbaren Emoti-
on untersucht wird. Reagiert der Studierende überrascht oder verärgert,
kann für die nächste Lerneinheit ein vergleichsweise einfacher Lerninhalt
gewählt werden. Ein Studierender, der während der Präsentation eines
Testergebnisses freudig reagiert hat, könnte analog in der kommenden
Lerneinheit herausfordernde Inhalte präsentiert bekommen.
77
3. Systemkonzeption
Nachdem in den vorherigen Kapiteln aufgezeigt wurde, welche Möglich-
keiten zur Adaption bekannt sind und welche davon bereits in vorhan-
denen Systemen zum Einsatz kommen, sollen in diesem Kapitel Anfor-
derungen an ein System formuliert werden, das die Beantwortung der
verbleibenden Forschungsfragen ermöglicht.
Die Definition der Ziele und daraus erarbeiteten Anforderungen für die
Systemarchitektur basiert auf der grundsätzlichen Modellbildung zu ad-
aptiven Systemen in Kapitel 2.3 und der allgemeinen Beschreibung der
Komponenten in den folgenden Abschnitten. Dazu werden zunächst Zie-
le festgelegt, die die Basis für die Erstellung einer Anforderungsanalyse
bilden. In einem weiteren Schritt wird aus der Anforderungsanalyse ein
Systemarchitekturvorschlag erarbeitet. Die Zielarchitektur soll einerseits
die bereits bekannten Verfahren und Methoden zur Adaption in einer
Plattform vereinen und andererseits die Basis für die Erweiterungen um
weitere Verfahren und Methoden bilden.
Der so erstellte Systemarchitekturvorschlag dient im weiteren Verlauf der
Arbeit als Grundlage für die Entwicklung des System-Prototyps.
3.1. Anforderungsanalyse
Die Zielarchitektur soll die flexibel erweiterbare Grundlage für die Imple-
mentierung eines adaptiven Systems bilden. Insbesondere soll das System
die Möglichkeit bieten, grundsätzlich alle vorgestellten Formen der Ad-
aptivität, sowie implizite und explizite Messverfahren zu unterstützen.
Außerdem sollen aktuelle Technologien unterstützt werden.
Um auch auf die Anforderungen der Systemakteure einzugehen, sollen
unterschiedliche Perspektiven auf das System realisiert werden. Neben
der Frontendanwendung für die Studierenden werden angepasste Ba-
ckendanwendungen benötigt, die es Fachautoren und Kursbetreuern er-
möglichen, das System anzupassen, ohne Kenntnisse über das System
oder dessen technische Einzelheiten zu haben. Eine weitere Perspektive
soll Programmschnittstellen für die Entwicklung neuer Komponenten zur
Verfügung stellen.
Die Anforderungsanalyse, die sich mit der Erhebung, Bewertung und
Spezifikation von Anforderungen beschäftigt, nimmt im Softwareentwick-
78
lungsprozess eine der Schlüsselpositionen ein. Es ist bekannt, dass die
Hälfte der Entwicklungsfehler auf eine fehlerhafte Anforderung bzw. de-
ren Spezifikation zurückzuführen sind.192 Zudem verursachen Mängel, die
erst nach der Implementierung entdeckt werden, im Schnitt die hundert-
fachen Kosten derer, die schon während der Design- und Analysephase
entdeckt werden.193 Ein schlechtes konzeptuelles Modell erhöht, als Kon-
sequenz der Fehlersuche und Korrektur, den Entwicklungsaufwand oder
resultiert in einem System, welches den oder die Nutzer als Konsequenz
nicht erkannter Mängel nicht zufriedenstellt.
Nach dem Standish Group Report wurde in einer Befragung festgestellt,
dass 52,7% der Projekte abgeschlossen wurden, ihr geplantes Budget aber
um bis zu 189% überstiegen. In Projekten, die abgeschlossen wurden,
konnten durchschnittlich nur 42% der geplanten Funktionalitäten umge-
setzt werden. Lediglich 16,1% der Projekte wurden unter Einhaltung der
geplanten Zeit-, Kosten- und Qualitätsvorgaben erfolgreich abgeschlos-
sen.194
Nach IEEE610.12195 wird der Begriff Anforderung folgendermaßen de-
finiert:
1. A condition or capability needed by a user to solve a problem or
achieve an objective.
2. A condition or capability that must be met or possessed by a system
or system component to satisfy a contract, standard, specification,
or other formally imposed documents.
3. A documented representation of a condition or capability as in (1)
or (2).
Nach dieser Definition sind Anforderungen Bedingungen oder Eigenschaf-
ten, die es einerseits dem Benutzer ermöglichen, ein Problem zu lösen
oder ein Ziel zu erreichen und andererseits solche, die aus organisatori-
schen Notwendigkeiten, Industriestandards oder gesetzlichen Vorschrif-
ten hervorgehen. Neben den Anforderungen des Nutzers gibt es in der
192Vgl. Rombach, 2003, S. 3193Vgl. Boehm, 1981, S. 4194Vgl. The Standish Group, 1994195Vgl. IEEE Computer Society, 1990, S. 62
79
Regel eine Reihe von weiteren sogenannten Stakeholdern, die ein Inter-
esse an einem System haben oder Vorschriften, Normen und Standards
definieren. Diese Stakeholder können beispielsweise der Gesetzgeber, Ma-
nager auf Auftraggeberseite, Gewerkschaften oder Partnerunternehmen
sein.
Allgemein sind Anforderungen unabhängig vom Design und beschreiben
das „Was“ und nicht das „Wie“.196
Für die Klassifizierung wurde lange Zeit zwischen funktionalen und nicht-
funktionalen Anforderungen unterschieden.197
Nach Sommerville definieren funktionale Anforderungen eine vom Sys-
tem oder einer Systemkomponente bereitzustellende Funktion oder einen
bereitzustellenden Service. Als Teil einer Benutzeranforderung kann eine
funktionale Anforderung sehr allgemein beschrieben sein. Als Bestandteil
einer Spezifikation beschreibt eine funktionale Anforderung detailliert die
Eingaben und Ausgaben sowie bekannte Ausnahmen eines Systems.198
Nichtfunktionale Anforderungen hingegen beschreiben Anforderungen an
ein System, die sich nicht als Funktion abbilden lassen. Beispielhaft sind
Anforderungen an die Ausfallsicherheit und Verfügbarkeit oder die Si-
cherheit und den Datenschutz zu nennen. Folgt man Pohl, sind nicht-
funktionale Anforderungen in aller Regel unterspezifizierte funktionale
Anforderungen oder Qualitätsanforderungen.
Bei unterspezifizierten funktionalen Anforderungen handelt es sich bei
genauerer Betrachtung um eine oder mehrere funktionale und Qualitäts-
anforderungen, die lediglich nicht ausreichend detailliert spezifiziert sind.
Diese Unterspezifikation birgt ein hohes Risiko für Anforderungsanaly-
se und die nachfolgenden Prozesse. Zum einen besteht die Gefahr, dass
die Anforderung von verschiedenen Projektbeteiligten unterschiedlich in-
terpretiert wird, zum anderen lässt sich die Korrektheit der Implemen-
tierung nicht eindeutig überprüfen.199 Das klassische Beispiel für eine
nichtfunktionale Anforderung nach Sicherheit könnte eines oder mehre-
re der Schutzziele der IT-Sicherheit (Vertraulichkeit, Verfügbarkeit und
Integrität) meinen. So ist es denkbar, dass der Anforderungssteller die
vertrauliche Handhabung von personenbezogenen Daten fordert, der Sys-196Vgl. Pohl, 2007, S. 20ff.197Vgl. Sommerville, 2007, S. 154ff., IEEE u.A.198Vgl. Sommerville, 2007, S. 152f.199Vgl. Pohl, 2007, S. 16f.
80
temarchitekt für eine hohe Verfügbarkeit der Daten sorgt und die Quali-
tätssicherung die Konsistenz von Daten prüft. Die Folge ist ein System,
das nicht den gewünschten Anforderungen entspricht, jedoch vollkommen
spezifikationskonform entwickelt und überprüft wurde.
Die zweite Kategorie von Anforderungen, die sich hinter einer nichtfunk-
tionalen Anforderung verbergen können, sind die Qualitätsanforderun-
gen. Qualitätsanforderungen beziehen sich auf qualitative Eigenschaften
des Gesamtsystems, einzelner Funktionen oder Funktionsgruppen.
Neben den funktionalen Anforderungen und Qualitätsanforderungen wer-
den Restriktionen als Rahmenbedingungen bezeichnet. Eine Rahmenbe-
dingung ist eine organisatorische oder technologische Anforderung, die
die Art und Weise der Entwicklung einschränkt. Grundsätzlich ist davon
auszugehen, dass eine Rahmenbedingung eine funktionale oder qualitati-
ve Anforderung immer einschränkt. Dabei wird zwischen Rahmenbedin-
gungen unterschieden, die entweder den Entwicklungsprozess oder aber
das zu entwickelnde System einschränken.200 201 Ein Beispiel für eine das
System einschränkende Rahmenbedingung sind Vorschriften nach dem
Bundesdatenschutzgesetz, die den Umsetzungsspielraum im Umgang mit
personenbezogenen Daten einschränkt. Hingegen kann der Entwicklungs-
prozess beispielsweise durch organisationsinterne Richtlinien beschränkt
werden.
Zusammenfassend ergeben sich drei Hauptkategorien von Anforderun-
gen:
• Funktionale Anforderungen
• Qualitative Anforderungen und
• Rahmenbedingungen
3.2. Zieldefinition
In diesem Abschnitt werden die Ziele festgelegt, die mit dem vorgeschla-
genen System erreicht werden sollen. Im folgenden Abschnitt werden die
hier festgelegten Ziele verwendet, um Anforderungen zu formulieren, die
die Erreichung der Ziele ermöglichen.
200Vgl. Pohl, 2007, S. 18f.201Vgl. Gause, 2005, S. 13ff.
81
Die Ziele leiten sich in erster Linie aus der Betrachtung der bestehenden
Systeme ab. Zudem werden einige Rahmenbedingungen berücksichtigt,
die einen zeitgemäßen Betrieb eines Softwaresystems ermöglichen. Hierzu
zählen insbesondere die Berücksichtigung heute eingesetzter Endgeräte,
die Wartbarkeit des Systems, sowie ein Mindestmaß an Ausfallsicherheit
und Datenschutz.
• (Z1) Berücksichtigung der Diversität von Lernenden
Das System soll die Diversität von Lernenden anhand von per-
sönlichen, situativen und technischen Merkmalen berücksichtigen.
Durch die Berücksichtigung dieser Merkmale soll eine möglichst
exakte Vorstellung über den Lernenden und seine momentane Si-
tuation erlangt werden. Dazu sollen unterschiedliche Merkmale aus
den einzelnen Kategorien nutzbar gemacht und gemeinsam zur Mo-
dellierung eines Benutzermodells verwendet werden.
• (Z2) Gleichzeitige Nutzbarkeit und Kombinierbarkeit von
unterschiedlichen Benutzermerkmalen
Das System soll eine Vielzahl von Benutzermerkmalen aus den
einzelnen Kategorien berücksichtigen können. Die berücksichtig-
ten Merkmale sollen nicht nur isoliert verwendet werden können,
sondern sich auch kombinieren lassen, so dass Abhängigkeiten und
Wechselwirkungen berücksichtigt werden können.
• (Z3) Geringe Wahrnehmbarkeit durch den Lernenden
Die Erfassung von Benutzerattributen soll möglichst exakt und zu-
gleich so diskret wie möglich vorgenommen werden. Dementspre-
chend sollen nach Möglichkeit implizite Messverfahren den Vorrang
vor expliziten Verfahren haben und soweit wie möglich auf umfang-
reiche Fragebögen verzichtet werden.
• (Z4) Systempflege durch Betreuer ohne technische Kennt-
nisse
Die Erstellung und Pflege von Inhalten, deren Metadaten und der
zentralen Adaptionssteuerung soll von typischen Autoren und Kurs-
betreuern ohne technische Kenntnisse vorzunehmen sein.
• (Z5) Einfache Systemerweiterungen
Durch ein flexibles und modulares Design des Systems soll es mög-
82
lich sein, das System durch Hinzufügen von Komponenten zu er-
weitern. Für alle Komponenten soll es eine einheitliche Schnittstelle
geben, die mit der sie in das Gesamtsystem integriert werden kön-
nen.
• (Z6) Plattformunabhängige Systemnutzung
Das System soll von verschiedenen Endgeräten genutzt werden kön-
nen. Insbesondere sollen unterschiedliche Endgerätetypen und Platt-
formen unterstützt werden, ohne dass zusätzliche Software verwen-
det werden muss.
• (Z7) Betrieb nach heutigem Stand der Technik
Das System soll in Bezug auf Sicherheit, Verfügbarkeit und Leis-
tungsfähigkeit nach heutigem Stand der Technik und de facto Stan-
dards betrieben werden können. Es sollen nach Möglichkeit Stan-
dardtechnologien eingesetzt werden und auf den Einsatz von pro-
prietären Lösungen verzichtet werden.
• (Z8) Verwendung kostenfreier Software
Das System soll nach Möglichkeit auf Software basieren, für deren
Einsatz keine Lizenzgebühren anfallen.
83
3.3. Anforderungsdefinition
Aus den definierten Zielen lassen sich Anforderungen an das zu konzipie-
rende System ableiten.
Nachfolgend werden zu den festgelegten Zielen Anforderungen definiert,
die eine Erreichung der Ziele ermöglichen.
Die Anforderungen werden im weiteren Verlauf nicht, wie üblich hinsicht-
lich Realisierungskosten und –qualität bewertet, da das Ziel vielmehr eine
Machbarkeitsstudie als ein Entwicklungsprojekt unter Berücksichtigung
von Kosten- und Zeitparametern ist.
Die einzelnen Ziele lassen sich durch die nachfolgend aufgeführten An-
forderungen erreichen.
Funktionale Anforderungen:
• (Z1) Berücksichtigung der Diversität von Lernenden
– (AF1-1) Unterstützung von adaptierbaren und adapti-
ven Verfahren.
Das System soll so aufgebaut werden, dass sich sowohl adap-
tierbare, als auch adaptive Funktionen integrieren lassen.
• (Z2) Gleichzeitige Nutzbarkeit und Kombinierbarkeit von
unterschiedlichen Benutzermerkmalen
– (AF2-1) Einsatz eines Regelwerks zur Festlegung des
Software-Verhaltens
Das System soll eine zentrale Konfiguration für die Festlegung
des Systemverhaltens bereitstellen. Diese Konfiguration soll
alle Einflussfaktoren in geeigneter Form abbilden und sie mit
geeigneten Adaptionsmaßnahmen verknüpfen lassen.
– (AF2-2) Gleichzeitige Nutzung mehrerer unterschied-
licher Einflussgrößen
Alle Einflussgrößen müssen beliebig miteinander kombiniert
werden können, so dass sich flexible Bedingungen aus mehre-
ren Einflussfaktoren zusammenstellen lassen, um so die Adap-
tionsmaßnahmen beeinflussen zu können.
• (Z3) Geringe Wahrnehmbarkeit durch den Lernenden
84
– (AF3-1) Unterstützung von impliziten Messverfahren
Das System soll explizite und implizite Messverfahren glei-
chermaßen unterstützen. Welches Verfahren gewählt wird, soll
dabei nicht vom Gesamtsystem abhängen, sondern einzig von
den eingesetzten Komponenten für die Ermittlung der Ein-
flussgrößen.
• (Z4) Systempflege durch Benutzer ohne technische Kennt-
nisse
– (AF4-1) Erstellung und -pflege von Inhalten ohne Wis-
sen über Adaption
Inhalte sollen sich ohne Kenntnisse über die verwendeten Ad-
aptionsmaßnahmen erstellen lassen. Grundsätzlich sollen In-
halte und Adaptionstechniken unabhängig voneinander erstellt
und gepflegt werden können, um keine inhaltlichen Abhängig-
keiten entstehen zu lassen.
– (AF4-2) Einfache Erstellung und Pflege von Inhalten
auch ohne technisches Know-How
Inhalte und deren ergänzenden Attribute sollen sich ohne De-
tailkenntnisse über das System oder Fertigkeiten in den zu-
grundeliegenden Technologien erstellen und pflegen lassen. So-
mit lässt sich gewährleisten, dass Fachautoren ohne Bezug zum
Gesamtsystem Inhalte erstellen und pflegen können oder be-
stehende Inhalte aus anderen Quellen einfach übernommen
werden können.
– (AF4-3) Regelerstellung und –pflege unabhängig von
Inhalten
Regeln sollen sich ohne Kenntnisse über die verwendeten In-
halte erstellen lassen. Grundsätzlich sollen Regeln und Adap-
tionstechniken unabhängig voneinander erstellt und gepflegt
werden können.
– (AF4-4)Einfache Erstellung und Pflege von Regeln auch
ohne technisches Know-How
Regeln (siehe AF2-1) sollen sich ohne Detailkenntnisse über
das System oder Fertigkeiten in den zugrundeliegenden Tech-
nologien erstellen und pflegen lassen. Somit lässt sich gewähr-
85
leisten, dass Kursbetreuer ohne Bezug zum Gesamtsystem Re-
geln erstellen und pflegen können.
• (Z5) Einfache Systemerweiterungen
– (AF5-1) Modularisierte Software – Einsatz von Kom-
ponenten
Das System soll neben der Basisanwendung aus austauschba-
ren Komponenten bestehen, die es bei Bedarf, ermöglichen,
die berücksichtigten Einflussfaktoren zu erweitern. Außerdem
können so alternative Methoden für einzelne Einflussfaktoren
eingesetzt werden. Es soll beispielsweise möglich sein, eine Ein-
flussgröße durch den Austausch der zugehörigen Komponente
entweder explizit oder implizit zu erfassen.
– (AF5-2) Klare Trennung von Systembestandteilen
Grundlegende Systembestandteile sollen zur Strukturierung
des Gesamtsystems klar voneinander abgegrenzt sein.
– (AF5-3) Erweiterbarkeit um weitere Einflussgrößen
Das System soll modular aufgebaut sein, so dass sich zusätzli-
che Komponenten zur Bestimmung von Einflussgrößen einfach
in das Gesamtsystem integrieren lassen.
– (AF5-4)Erweiterbarkeit um weitere Adaptionsmaßnah-
men
Das System soll so aufgebaut sein, dass sich sowohl adaptier-
bare, als auch adaptive Funktionen integrieren lassen.
– (AF5-5) Unterstützung unterschiedlicher Technologien
Für die Entwicklung von zusätzlichen Komponenten sollen un-
terschiedliche Technologien eingesetzt werden können, um ein
breites Spektrum von Möglichkeiten zu erhalten und möglichst
wenigen technischen Restriktionen zu unterliegen.
– (AF5-6) Klare Schnittstellen für zusätzliche Module
Für die Erweiterung um weitere Komponenten sollen Schnitt-
stellen geschaffen werden.
• (Z6) Plattformunabhängige Systemnutzung
– (AF6-1) Plattformunabhängigkeit
Das System soll von allen Anwendern unabhängig vom Geräte-
86
typ und Betriebssystem ohne den Einsatz von Zusatzmodulen
oder Erweiterungen am jeweiligen Endgerät genutzt werden
können.
– (AF6-2) Unterstützte Endgeräte für Frontend
Das System-Frontend soll sowohl von Desktop Computern, als
auch von Tablet Computern und Smartphones genutzt werden
können.
– (AF6-3) Unterstützte Endgeräte für Backend
Das System-Backend soll von Desktop Computern genutzt
werden können.
Neben den funktionalen Anforderungen, werden aus den Zielen auch qua-
litative Anforderungen abgeleitet. Durch diese Anforderungen soll sicher-
gestellt werden, dass das System grundlegenden Erwartungen für einen
Regelbetrieb genügt.
Qualitative Anforderungen:
• (Z7) Betrieb nach heutigem Stand der Technik
– (AQ7-1) Ausfallsicherheit und Verfügbarkeit
Das System soll so aufgebaut sein, dass es sich in einer hoch-
verfügbaren Infrastruktur betreiben lässt. Hierzu sollen al-
le betriebskritischen Systembestandteile redundant ausgelegt
werden können.
– (AQ7-2) Datensicherheit
Daten sollen vor Verlust geschützt werden können.
– (AQ7-3) Datenschutz
Daten und insbesondere personenbezogene Daten sollen vor
unberechtigter Verarbeitung geschützt werden können.
– (AQ7-4) Leistungsfähigkeit
Das System soll möglichst einfach skalierbar sein, um es an
erweiterte Anforderungen anpassen zu können.
• (Z8) Verwendung kostenfreier Software
– (AQ8-1) Verwendung von Open Source Software
Das System soll nach Möglichkeit auf Open Source Software
aufbauen, durch deren Einsatz keine Kosten entstehen.
87
Aus der groben Systemanforderung ergeben sich folgende Rollen für Sys-
tembenutzer.
Akteure:
• Lernender
Der Lernende ist der eigentliche Endanwender, der das System als
Lernumgebung verwendet.
• Tutor
Der Tutor betreut die Studenten während der Systembenutzung
und kann Systementscheidungen analysieren und nachvollziehen.
• Kursentwickler
Der Kursentwickler erstellt die generelle Struktur der Lernumge-
bung für eine spezifische Wissensdomäne. Außerdem kann der Kur-
sentwickler die Rolle des Autors einnehmen und eigenständig Inhal-
te, wie Texte und Abbildungen erstellen. Neben der Erstellung von
Inhalten pflegt der Kursentwickler Metadaten zu Inhalten, wie de-
ren Typ oder Schwierigkeitsgrad.
• Medienentwickler
Der Medienentwickler erstellt und pflegt Inhalte, wie Texte und Ab-
bildungen. Neben der Erstellung und Pflege von Inhalten verwaltet
er die Metadaten zu Inhalten, wie deren Typ oder Schwierigkeits-
grad.
• Rule Designer
Der Rule Designer legt das adaptive Systemverhalten anhand von
Regeln fest und bestimmt somit, welche der verfügbaren Einfluss-
größen welche Adaptionsmaßnahmen erfordern.
• Softwareentwickler
Der Softwareentwickler entwickelt Erweiterungen in Form von neu-
en Komponenten für Einflussgrößen oder Anpassungen der Adap-
tionsmaßnahmen.
88
3.4. Logische Systemarchitektur
Dieser Abschnitt beschreibt die Architektur des Systems, anhand des-
sen einzelnen Komponenten und deren logischer Struktur. Grundlage für
die vorgeschlagene Architektur ist das in Kapitel 2.3 vorgestellte Refe-
renzmodell (Abbildung 1) und die Beschreibung seiner Komponenten in
den folgenden Abschnitten, sowie die in diesem Kapitel definierten Zie-
le und Anforderungen. Die Architekturbeschreibung bildet wiederum die
Grundlage für die Umsetzung des Gesamtsystems im folgenden Kapitel.
Um sicherzustellen, dass alle gestellten Anforderungen von der Umset-
zung berücksichtigt werden, sind die entsprechenden Referenzen auf An-
forderungen hinter den Maßnahmen zur Realisierung notiert.
Das „User Manager“ Modul arbeitet mit dem Datenbestand der Nutzer-
datenbank und stellt eine Backendanwendung zur Verfügung, mit der Da-
ten über Studierende manipuliert und ausgewertet werden können. Dieser
Teil der Architektur behandelt das Benutzermodell des Referenzmodells
und die Verfahren zur Modellierung von Benutzerattributen (rot).
Das „Content Manager“ Modul ermöglicht die Erstellung und Pflege von
Lerninhalten und deren interner Struktur. Dieses Modul korrespondiert
mit dem Domänenmodell des Referenzmodells (blau).
Die Verwaltung des Regelwerks ist auf drei Module aufgeteilt, die ge-
meinsam den Bereich der Regelverwaltung und Adaptionsmaßnahmen
behandeln (grün). Die Erstellung und Pflege einzelner Regeln und Zu-
sammenhänge erfolgt mit Hilfe des „Rule Editor“ Moduls. Das Modul
bildet die Schnittstelle zwischen der zugehörigen Datenbankstruktur und
der grafischen Backendanwednung zur Regelverwaltung.
Das Modul „Rule Generator“ erzeugt aus den, in der Datenbank hin-
terlegten, Regelfragmenten vollständige Regelsätze in Form von Code-
fragmenten. Dieses Modul kann im Zuge der Regeldefinition über die
Backendanwednung zur Regelverwaltung und über die Rule Engine an-
gesprochen werden.
Die Rule Engine bildet ein zentrales Modul des Systems. Sie erhält voll-
ständig erzeugte Regelsätze vom „Rule Generator“ Modul, anhand derer
sie auf Grundlage der Informationen aus dem Benutzermodell Inhalte
auswählt, adaptiert und sequenziert (AF2-1).
89
Alle Anwendungs- und Nutzerdaten sind in einer Datenbank organisiert.
Um die Daten klar voneinander abgrenzen zu können, werden drei Sche-
mata gebildet (AF5-2).
Im Schema Content (blau) werden sämtliche Lerninhalte verwaltet. Die
wichtigsten Schnittstellen zu diesem Schema sind auf der einen Seite das
„Content Manager“ Modul für die Erstellung und Pflege der Inhalte und
auf der anderen Seite die Rule Engine, die benötigte Inhalte aus der Da-
tenbank abruft und dem Frontend-View zur Verfügung stellt.
Die Daten für Systemregeln werden im Schema Rule Repository (grün)
vorgehalten. Die Pflege und Erstellung der Regeln erfolgt über das „Rule
Editor“ Modul, während das „Rule Generator“ Modul die, in der Daten-
bank modellierten Regeln erzeugt, um Sie im System nutzen zu können.
Das Schema User Model (rot) beinhaltet alle Benutzerdaten. Diese Da-
ten werden über die einzelnen Komponenten gesammelt und der Rule
Engine zur Verfügung gestellt. Über das Backend können die Daten für
Auswertungs- und Unterstützungszwecke in geeigneter Form dargestellt
werden.
Eine detaillierte Beschreibung der Datenbankstruktur ist in Kapitel 4.1.3
zu finden.
Eine besondere Rolle im flexiblen Design des Gesamtsystems nehmen
die Komponenten zur Erfassung von Einflussfaktoren ein. Eine Kompo-
nente ist so aufgebaut, dass sie Messwerte zu bestimmten Einflussgrößen
ermitteln und bereitstellen kann und entspricht somit den Einflussfak-
toren und Messverfahren des Referenzmodells (orange). Komponenten
bilden aber immer nur einen optionalen Bestandteil des Gesamtsystems.
Ob und wie die untersuchten Einflussfaktoren analysiert werden, ist nicht
abhängig von der jeweiligen Komponente, sondern wird im zentralen Re-
gelwerk bestimmt. Somit können beliebige Einflussgrößen, die durch die
entsprechenden Komponenten ermittelt werden, in beliebiger Form zur
Regelgestaltung und somit zum Systemverhalten beitragen. In Kapitel
4.3 wird die Schnittstelle der Systembasis für Komponenten beschrieben.
Kapitel 4.4 zeigt, wie die Komponenten, die in dieser Arbeit zum Einsatz
kommen, realisiert werden können.
90
Abbildung 6: Logische Systemarchitektur
91
3.5. Zusammenfassung
Die hier vorgeschlagene Anforderungsdefinition für die Systemarchitektur
basiert auf der grundsätzlichen Modellbildung zu adaptiven Systemen in
Kapitel 2.3 und der allgemeinen Beschreibung der Komponenten in den
folgenden Abschnitten.
Dazu wurden zunächst Ziele festgelegt, die mit dem vorgeschlagenen Sys-
tem erreicht werden sollen. Im Anschluss wurden aus den Zielen funk-
tionale und qualitative Anforderungen an das zu erstellende System ab-
geleitet, mit denen sich die Ziele realisieren lassen. Außerdem wurden in
diesem Kapitel die Akteure identifiziert, die mit dem System über unter-
schiedliche Schnittstellen interagieren.
Anschließend wurden die erhobenen Anforderungen in eine logische Sys-
temarchitektur überführt.
Der folgende Teil der Arbeit beschreibt die gewählte Architektur und die
konkrete Implementierung des Gesamtsystems und dessen Komponenten.
In der Beschreibung der Architektur werden die einzelnen Anforderun-
gen aus diesem Kapitel aufgegriffen und dargestellt, wie diese konkret
realisiert werden.
92
4. Umsetzung des Prototyps
In diesem Kapitel wird die Realisierung eines Prototyps dargestellt, der
auf den zuvor entwickelten Anforderungen basiert. Die vorgeschlagene
Realisierung orientiert sich eng an den, im vorherigen Kapitel identifizier-
ten Anforderungen und Zielen, sowie der daraus abgeleiteten logischen
Systemarchitektur. Die größte Herausforderung bei der Entwicklung des
Prototyps ist die Überwindung der Diskrepanz zwischen denkbaren An-
sätzen der Situationsanalyse auf der einen Seite und bereits verfügbaren
Lösungen auf der anderen Seite.202
Um dieses Ziel zu erreichen ist im Entwurf des Systems eine Reihe von
Neuerungen zu berücksichtigen, die bei keinem der untersuchten Syste-
me203 zu finden sind. Das konzipierte System soll eine Vielzahl von Ein-
flussfaktoren erfassen können und sich um weitere Einflussfaktoren erwei-
tern lassen. Dazu ist es nicht nur nötig einzelne Einflussfaktoren bestim-
men zu können, sondern auch Beziehungen und Wechselwirkungen zwi-
schen den Einflussfaktoren modellieren zu können und diese entsprechend
berücksichtigen zu können. Außerdem müssen bekannte statische Model-
le durch flexible dynamische Strukturen abgelöst werden, die mit einer
Vielzahl von Variablen umgehen können, um etwa zusätzliche Einfluss-
faktoren integrieren zu können. Im Bereich der Datenmodellierung wird
ein mehrschichtiges, erweiterbares Modell zur Verwaltung unterschiedli-
cher Variablen benötigt, das sowohl statische als auch dynamische Daten
enthält. All diese Ansätze sind in den untersuchten Systemen nicht vor-
zufinden. Der Grund hierfür ist schlicht, dass es keine Notwendigkeit für
eine flexible und erweiterbare Systemarchitektur gab. Die vorgestellten
Systeme arbeiteten mit einer klar definierten Anzahl von zu erfassenden
Variablen und reagieren in diesem Umfeld statisch auf unterschiedliche
Situationen.
Bei der Realisierung des skizzierten Systementwurfs werden sich jedoch
auch einige Einschränkungen ergeben. Problematisch ist, dass mit den
heute zur Verfügung stehenden Möglichkeiten nicht alle theoretischen
Ansätze unter Berücksichtigung aller Anforderungen auch praktisch rea-
lisierbar sind. Beispielhaft ist hier die implizite Erfassung der zur Verfü-
gung stehenden Zeit für eine Sitzung zu nennen. Ob eine solche Erfassung
202siehe hierzu S. 73203siehe hierzu Kapitel 5.2
93
unter Zuhilfenahme künftiger Entwicklungen möglich sein wird ist frag-
lich. Außerdem wird sich bei einem praktischen Einsatz immer die Frage
nach dem zu betreibenden Aufwand für die Erfassung einzelner Aspekte
einer Lernsituation gegenüber dem entstehenden Nutzen stellen.
Der folgende Teil beschreibt zunächst die System- und Entwicklungs-
umgebung, sowie das Basissystem, das die zentrale Datenhaltung, das
Frontend, die Ruleengine und die zugehörigen Backend-Schnittstellen be-
reitstellt. In den darauffolgenden Unterkapiteln werden Komponenten für
die Messung von Einflussgrößen und Adaptionsmaßnahmen vorgestellt.
4.1. Systemarchitektur
Die in diesem Abschnitt vorgestellte Systemarchitektur hat das Ziel die
im vorherigen Kapitel gebildeten Anforderungen umzusetzen. Dazu wird
das System im Folgenden in einer logischen, einer Plattform-, einer phy-
sischen und einer Datenbankarchitektur dargestellt.
Die Systembasis besteht aus einer zentralen Datenbank und einem Fron-
tend zur Nutzung durch die Studierenden, sowie Modulen zur Verwaltung
und Pflege von Inhalten und Regeln des Systems. Zu jedem dieser Mo-
dule besteht eine Backend-Schnittstelle, die es Autoren, Rule Designern
und Tutoren ermöglicht, Inhalte und Regeln zu erstellen und anzupassen.
Die Anwendungen können unabhängig voneinander genutzt werden, so
dass bei der Erstellung und Pflege von Regeln keine Kenntnis über die
vorhandene Inhalte oder deren Struktur erforderlich ist(AF4-3). Genau-
so können Inhalte erstellt und angepasst werden, ohne die vorhandenen
oder geplanten Regeln des Systems zu kennen(AF4-1). Außerdem sind
alle Schnittstellen zur Erstellung und Pflege von Inhalten und Regeln als
intuitive grafische Oberfläche gestaltet, sodass auch Benutzer ohne tech-
nische Kenntnisse das System verwalten können(AF4-2 / AF4-4).
Ein weiterer wichtiger Bestandteil der Systembasis ist die Komponenten-
schnittstelle. Über diese Schnittstelle können Module zur Erfassung von
Einflussgrößen in das System integriert werden (AF5-6). Alle über diese
Schnittstelle integrierten Module sind optional und können in beliebiger
Kombination mit dem System verwendet werden (AF2-2 / AF3-1 / AF5-
1 / AF5-3).
Die eigentliche Bestimmung der Ausprägung von Einflussfaktoren wird
durch die jeweilige Komponente durchgeführt. Dabei muss die Kompo-
94
nente nur in der Lage sein die Schnittstelle des Basissystems zu bedienen
und unterliegt darüber hinaus keinen weiteren Restriktionen hinsichtlich
ihrer Funktion oder der eingesetzte Technologie (AF5-5).
Die grundlegende Funktion der einzelnen Module und ihr Zusammen-
hang wurde bereits in Kapitel 3.4 aufgezeigt. In diesem Kapitel wird
zunächst die Entwicklungsumgebung und die physische Architektur des
Gesamtsystems aufgezeigt. Die zugrundliegende Datenbankstruktur wird
in Kapitel 4.1.3 beschrieben. Die Backendanwendung zur Verwaltung und
Pflege von Inhalten wird in Kapitel 5.2 näher erläutert. Kapitel 5.4 be-
handelt die Backendanwendung zur Verwaltung und Pflege des Regel-
werks. Der Aufbau der Komponentenschnittstelle wird in Kapitel 4.3
betrachtet.
4.1.1. Systemplattform und Entwicklungsumgebung
Als Basis des Systems wird ein Apache http204 Webserver, eine My-
SQL205 Datenbank und ein Jetty Servlet/JSP-Container206 verwendet.
Der Apache Webserver wird außerdem um das PHP Modul erweitert.
Gemeinsam bilden diese Komponenten die Basis des Serversystems und
lassen sich auf verschiedenen Betriebssystemplattformen und Hardwa-
rearchitekturen betreiben. Für einen Betrieb auf einer Linux Plattform
entstehen neben den Hardwarekosten keine Lizenz- und Betriebskosten.
Außerdem besteht die gesamte Systembasis aus Open Source Produkten
(AQ8-1). Zudem werden alle Produkte der Forderung nach dem Einsatz
weit verbreiteter Lösungen gerecht. MySQL ist neben den kommerziellen
Lösungen von Oracle und Microsoft das weltweit am weitesten verbreite-
te relationale Datenbankmanagementsystem(AQ8-1).207 Ebenso ist der
Apache HTTP Server weltweit am häufigsten verwendete Webserver.208
Für die Entwicklung der Komponente zur Erkennung von Emotionen
in Bilddaten wird zusätzlich auf das Open Computer Vision Library -
OpenCV209 Framework zurückgegriffen, das ebenfalls als freie Softwa-
204http://httpd.apache.org205http://www.mysql.com206http://eclipse.org/jetty207http://db-engines.com/de/ranking208http://news.netcraft.com/archives/web_server_survey.html209http://opencv.org
95
re unter den Bedingungen der BSD-Lizenz zur Verfügung steht (AQ8-1).
Das Framework bietet C++, C, Python und Java Schnittstellen und kann
auf Windows, Linux, Mac OS, iOS und Android Plattformen betrieben
werden. Das Framework beinhaltet umfasst unter anderem Algorithmen
für die Gesichtserkennung, Haar-Klassifikatoren und verschiedene Filter,
wie Gauß, Sobel. Außerdem beinhaltet es Klassen zur Verarbeitung von
Video- und Bilddaten und eine Reihe von Funktionen um einfache Ope-
rationen, wie Größenanpassung oder Änderung des Farbraums auf diesen
Daten anwenden zu können.
4.1.2. Physische Architektur
Aus der logischen Struktur des Systems lässt sich die benötigte physikali-
sche Struktur ableiten(siehe Abbildung 7). Das Netzwerk ist als DMZ210
ausgelegt, sodass sich Datenbank und Anwendungsserver in einem spe-
ziell gesicherten Netzwerksegment befinden. In diesem Netzwerksegment
befindet sich auch die Infrastruktur zur Administration, Wartung und
Pflege des Systems. Das davorliegende Netzwerksegment wird als DMZ
bezeichnet und beherbergt die Webserver, mit denen die Endgeräte der
Lernenden direkt kommunizieren können.
Die hier vorgeschlagene Architektur wird den Empfehlungen des IT-
Grundschutzkataloges des Bundesamts für Sicherheit in der Informati-
onstechnik gerecht, die ein zweistufiges Firewall-Konzept zum Internet
vorsehen. Hierzu wird eine Firewall als Gateway zwischen Internet und
DMZ und eine zusätzliche Firewall zwischen DMZ und internen Netz po-
sitioniert. Somit kann sichergestellt werden, dass eine Schwachstelle in
einer der Firewalls nicht keinen Zugang zum internen Netz ermöglicht.
In einem professionellen Umfeld würde man außerdem für die beiden
Firewalls unterschiedliche Lösungen wählen, da ansonsten eine bekann-
te Schwachstelle ausreichen würde, um beide Firewalls zu überwinden.
Insbesondere kritische Daten, wie die Datenbank für Benutzerprofile, be-
finden sich hierbei im gesicherten Netzsegment und sind somit besonders
geschützt. Lediglich die Webserver, die direkt von Benutzerclients erreich-
bar sein müssen, befinden sich in der vorgelagerten DMZ. Dieser Aufbau
wird gewählt, um die Forderung nach Datenschutz (AQ7-3) zu erfüllen.
Außerdem sieht der Aufbau Redundanzen in allen zentralen Komponen-
210Demilitarized Zone
96
ten vor. Dadurch können die Forderungen nach Ausfallsicherheit (AQ7-
1), Datensicherheit (AQ7-2) und Leistungserweiterbarkeit durch Skalier-
barkeit (AQ7-4) erreicht werden.
Im Einzelnen wird im Bereich der Datenbankserver die MySQL Cluster
Technik verwendet, die es erlaubt, das Datenbankmanagement-System
um weitere Clusterknoten zu erweitern und somit gleichzeitig eine hohe
Ausfallsicherheit und Verarbeitungsgeschwindigkeit zu gewährleisten.
Im Bereich der Applikations- undWebserver wird ein einfaches redundan-
tes System mit vorgeschaltetem Loadbalancer vorgesehen. Als Loadba-
lancer kommen, je nach tatsächlicher Anforderung, Techniken wie DNS211
Round Robin bis hin zu Layer 4-7-Switches in Betracht. Auch die jeweili-
ge Größe eines Clusterverbunds muss auf den Anwendungsfall angepasst
werden.
In jedem Fall erlaubt diese Architektur einen hochverfügbaren Betrieb
und sehr gute Skalierungsmöglichkeiten.
211Domain Name System
97
Abbildung 7: Physikalische Systemarchitektur
4.1.3. Datenbankstruktur
Alle Anwendungs- und Nutzerdaten sind in einer Datenbank organisiert.
Innerhalb dieser Datenbank sind die Daten in drei Schemata unterteilt.
Alle Lerninhalte und Testszenarios, sowie deren Beziehung zueinander
sind im Schema Content enthalten. Abbildung 8 zeigt die Struktur des
Schemas.
Die Knoten und Kanten des Contentgraph sind in den Tabellen node und
edge modelliert (hier blau dargestellt). Ein Knoten besteht primär aus
einer ID, einem Namen und einem Typ. Die Beziehung mehrerer Kno-
ten zueinander wird in der Tabelle edge über die Attribute from und to
festgehalten. Anhand des type Attributs lässt sich erkennen, um welchen
Typ von Knoten es sich handelt.
98
Für Knoten vom Typ content werden die zugehörigen Lerninhalte in
der Tabelle content (hier rot dargestellt) vorgehalten. Jede Entität die-
ser Tabelle enthält ein Contentelement und ist einem Knoten zugeordnet.
Somit kann ein Knoten vom Typ content aus 1+n Contentelementen be-
stehen.
Für Knoten vom Typ test sind die zugehörigen Inhalte in der Tabelle test
(hier grün dargestellt) hinterlegt. Die Tabelle test beinhaltet neben der
Referenz zu einem Knoten, einem Namen und einem Textattribut für die
Fragestellung auch ein Attribut, dass den Testtyp bestimmt. Als Stand-
dardtestteypen sind Multiple Choice, Single Choice, Matrix Choice, und
Lückentextaufgaben vorgesehen.
Neben der Tabelle test werden die Daten zu Tests in drei weiteren Tabel-
len vorgehalten. Zum einen beinhaltet die Tabelle testattributes beliebige
weitere Attribute zu einem Test. Diese Attribute werden beispielsweise
für Matrix Choice Aufgaben benötigt, um die Benennung der einzelnen
Lösungsspalten festzulegen.
Zum anderen beinhaltet die Tabelle questions die eigentlichen Fragen und
Antwortmöglichkeiten zu einem Test. Über das Attribut test_id wird
eine Referenz zu der zugehörigen Frage geschaffen, sodass einem Test
1+n Fragen und Antwortmöglichkeiten zugeordnet werden können. Für
die meisten Testtypen, wie Multiple Choice und Single Choice Aufgaben
werden die Antwortmöglichkeiten im Attribut data1 und die korrekte
Lösung für die anschließende Auswertung in right_answer gespeichert.
Für Lückentextaufgaben, die aus einem Textteil vor und nach der Lücke
bestehen, wird zusätzlich das Attribut data2 verwendet. Neben der ei-
gentlichen Definition von Fragen und Lösungen beinhaltet diese Tabelle,
ähnlich wie die Tabelle node, ein level Attibut, dass die Zuordnung eines
Schwierigkeitsgrades zu jeder Frage eines Tests erlaubt. Somit können
dieselben Tests, dem situativen Kontext angepasst, dynamisch für jeden
Benutzer mit einem unterschiedlichen Anspruch erzeugt werden. Bei der
Bearbeitung durch den Benutzer werden nur solche Fragen durch die Ru-
le Engine verwendet, die seinem Wissen angepasst sind.
In einer dritten Tabelle kann festgelegt werden, welcher Contentknoten
die Lernelemente enthält, auf denen die Frage basiert. Dazu beinhaltet
die Tabelle testrefnodes jeweils die ID der Frage und der zugehörigen
Contentknoten. Diese Referenz ermöglicht es zu jeder Frage aus einem
Test die zugehörige Informationsquelle zu bestimmen.
99
Abbildung 8: Datenbankstruktur: Content Schema
Das Schema User (siehe Abbildung 9) enthält alle nutzerbezogenen Da-
ten und besteht aus drei Tabellen (hier blau dargestellt). Die Tabelle user
enthält Benutzerdaten, die sich im zeitlichen Verlauf nicht oder nur selten
ändern und deren Historie nicht relevant ist. Neben Identifikationspara-
100
metern, wie dem Benutzernamen, dem Passwort und der Email-Adresse
enthält diese Tabelle auch den derzeitigen Wissensstand und das ange-
strebte Ziel des Benutzers.
Die Tabelle userpath hingegen enthält Benutzerdaten, die sich im zeit-
lichen Verlauf häufig ändern und deren Entwicklung von Interesse sein
kann. In dieser Tabelle wird bei jedem Request des Benutzers die Be-
nutzer ID, der aufgerufene Knoten und das Zugriffsdatum festgehalten.
Neben diesen Informationen können in weiteren Attributen Daten über
verschiedene ermittelte Einflussgrößen festgehalten und später ausgewer-
tet werden. Diese beiden Tabellen werden bei der Erweiterung des Sys-
tems mit zusätzlichen Komponenten um weitere Attribute ergänzt.
Die Tabelle useranswer enthält alle Testantworten des Nutzer. Dazu re-
ferenziert diese Tabelle die Benutzer-, Knoten-, Test- und Frage-ID und
legt die gegebene Antwort und den Testdurchlauf ab. Die hierzu refe-
renzierten Tabellen des Schemas Content sind in dieser Abbildung gelb
dargestellt.
101
Abbildung 9: Datenbankstruktur: User Schema
102
Das Schema Rules ist in Abbildung 10 zu sehen. In diesem Schema sind
alle Systemregeln zur Steuerung des adaptiven Verhaltens in der Form
modelliert, dass sie vom „Rule Generator“ Modul verarbeitet und mit
dem „Rule Editor“ Modul editiert werden können. Die zentralen Tabel-
len rules und statement beinhalten die einzelnen Regeln. Eine Regel kann
eine bedingte Anweisung oder eine Verzweigung sein und besteht immer
aus einer Bedingung und mindestens einer Anweisung. Die Bedingungen
sind in der Tabelle rules und die Anweisungen in der Tabelle statement
enthalten.
Damit nur gültige Regeln eingerichtet werden können, beinhaltet die Da-
tenbank in weiteren Tabellen Vorgabewerte für die einzelnen Regelbe-
standteile. Diese Vorgabewerte können in der zugehörigen Backendan-
wendung über Auswahllisten für die Erstellung und Anpassung von Re-
geln verwendet werden. Im Einzelnen sind die Vorgabewerte für Bestand-
teile der Bedingungen in den Tabellen attributes, operators, values und
units enthalten. Die Tabellen scope und action enthalten die Vorgabewer-
te für die Bestandteile der Anweisungen. Über entsprechende Relationen
wird anhand des eingesetzten Attributs festgelegt, welche Operatoren,
Werte und Einheiten verwendet werden dürfen. Die Auswahllisten wer-
den im Regeleditor so verkettet, dass ein nachfolgendes Element in Ab-
hängigkeit zum Wert seines Vorgängers immer nur gültige Werte für das
jeweilige Attribut enthalten kann. Dieses Verfahren wird in Kapitel 5.4
näher erläutert.
Damit ein grafischer Regeleditor verwendet werden kann, beinhaltet die
Tabelle layout zusätzliche Attribute, wie Positionsdaten und einen Anzei-
genamen für jede Regel. Die Verknüpfung und Reihenfolge der einzelnen
Regeln wird in der Tabelle links durch Modellierung von Start- und End-
punkten in Form von Regel-ID‘s abgebildet.
103
Abbildung 10: Datenbankstruktur: Regel Schema
104
4.2. Regelverwaltung
Die Regelverwaltung bestehende aus den Modulen Rule Editor, Rule Ge-
nerator und Rule Engine ist eine zentrale Komponente, die die Erstel-
lung, Verwaltung und Ausführung von Regeln ermöglicht. Die Messung
der Ausprägung von Einflussgrößen an einzelnen Benutzern wird durch
Komponenten, wie in Kapitel 4.4 beschrieben, durchgeführt. Jede Kom-
ponente stellt mindestens eine Einflussgröße zur Verfügung, die so inte-
griert wird, dass sie im Regeleditor zur Auswertung verwendet werden
kann(AF2-2). Somit stehen die Einflussgrößen aller Komponenten, die
in das System integriert sind, im Regeleditor an einer zentralen Stelle
zur Verfügung (AF2-1). Hier können Beziehungen und Wechselwirkun-
gen zwischen den Einflussgrößen abgebildet werden.
Wie gefordert, soll die Erstellung, Verwaltung und Pflege von Regeln ohne
Kenntnisse über die Programmstruktur erfolgen können (AF4-4). Hierzu
kommt ein grafischer Regeleditor zum Einsatz, mit dem sich Bedingun-
gen und Anweisungen erstellen und verknüpfen lassen. Da der Regeleditor
clientseitig vollständig als Javascript/jQuery Anwendung implementiert
wird, erfüllt er auch die Forderung nach einer plattformunabhängigen
Anwendung(AF6-1). Da es sich um eine reine Backend-Anwendung han-
delt, die nicht von Studierenden genutzt werden kann, wird die Oberfläche
nur für die Nutzung auf Desktop-Endgeräten optimiert(AF6-3). Der Re-
geleditor organisiert das definierte Regelwerk in dem bereits vorgestellten
Datenbankschema.
Das Rule Generator Modul ist dafür zuständig die in der Datenbank
vorgehaltenen Regelsätze in entsprechende PHP Kontrollstrukturen zu
überführen. Die so generierten Kontrollstrukturen können einerseits zur
Kontrolle angezeigt werden und andererseits zur Ausführung innerhalb
der Anwendung in die Rule Engine übertragen werden.
Die Handhabung des Regelverwaltung wird detailliert in Kapitel 5.4 dar-
gestellt.
105
4.3. Komponentenschnittstelle
Die Komponentenschnittstelle ist eine standardisierte technische Schnitt-
stelle (AF5-6), die es ermöglicht, weitere Komponenten in das Gesamtsys-
tem zu integrieren. Grundsätzlich können hierzu beliebige Technologien
auf beliebigen Plattformen eingesetzt werden (AF5-5). Lediglich Funk-
tionalitäten zur direkten Datenerfassung und Datenmodellierung müssen
in einer standardisierten Form erfolgen.
Für die Datenerfassung können JavaScript oder PHP Codefragmente in
den Frontend-View eingebettet werden. Zur Modellierung der Daten wird
das Datenbankmodell entsprechend den Anforderungen der Komponente
erweitert. Damit die Komponente auch innerhalb des Regelwerks ein-
gesetzt und ausgewertet werden kann, muss einerseits die Komponente
unter einem eindeutigen Namen registriert werden und es müssen an-
dererseits gültige Operatoren, Werte und Einheiten zur Regelerstellung
definiert werden(vgl. Kapitel 5.4).
Ein Beispiel für die technische Unabhängigkeit ist die in Kapitel 4.4.3
vorgestellte Emotionserkennung auf Basis von OpenCV. Die Algorith-
men zur Emotionserkennung sind als C++ Klassen implementiert und
können auf einem unabhängigen System betrieben werden. Die Kompo-
nente zur Datenerfassung, die den Datenstrom der Endgerätekamera an
einen Websocketserver umleitet, muss hingegen in Form eines JavaScript
Codefragments in den Frontend-View eingebettet werden. Die anschlie-
ßende Analyse und Auswertung der Daten finden technologisch unab-
hängig auf einem Drittsystem statt. Erst das gewonnene Ergebnis der
Auswertung muss wieder standardkonform in ein zuvor definiertes Da-
tenbankfeld übertragen werden.
Abbildung 11 zeigt die Schnittstelle zur Integration neuer Komponenten.
Die erste Sektion bietet die Möglichkeit, Codefragmente in den PHP-
beziehungsweise JavaScript-Teil des Frontend-Views zu integrieren. Die
zweite Sektion ermöglicht die Definition der gültigen Operatoren, Werte
und Einheiten dieser Komponente innerhalb des Regelwerks. Die letz-
te Sektion erweitert das Datenbankmodell um Attribute, die von dieser
Komponente benötigt werden. Hierbei kann zwischen statischen und dy-
namischen Attributen unterschieden werden. Statische Attribute werden
dem skalaren Benutzermodell hinzugefügt. Durch dynamische Attribute
lässt sich das Overlay-Benutzermodell erweitern.
106
Abbildung 11: Komponentenschnittstelle
107
4.4. Komponentenentwicklung
Das vorherige Kapitel beschreibt die statischen Bestandteile des Systems,
die dessen Kern bilden. Um die geforderte Adaptivität zu erreichen, müs-
sen weitere Komponenten in das System integriert werden. Diese Kompo-
nenten sollen es ermöglichen, individuelle Benutzermerkmale zu erfassen.
Vollständig integrierte Komponenten können im Kontext des Regelwerks
zur Steuerung des Adaptionsverhaltens genutzt werden. Das Regelwerk
ermöglicht es ebenso, die Ergebnisse verschiedener Komponenten mitein-
ander zu verknüpfen.
In diesem Kapitel werden beispielhaft die Implementierungen zu einigen
Komponenten zur Messung von Einflussgrößen beschrieben.
4.4.1. Medienpräferenz
In diesem Kapitel wird ein Verfahren vorgeschlagen, dass genutzt wer-
den kann, um eine Präferenz einzelner Benutzer für unterschiedliche Me-
dientypen festzustellen. Hierzu soll die Perzeptionsdauer der sichtbaren
Contentelemente festgestellt und entsprechend des Contenttyps summiert
werden.
Im Bereich des Usability Engineerings wird die Wahrnehmung von In-
halten typischerweise mittels Eye-Tracking bestimmt.212 Für die ange-
strebte Anwendung durch Endbenutzer ist der Einsatz von Eye-Tracking
Systemen unter Kosten- und Verfügbarkeitsgesichtspunkten nicht rea-
lisierbar. Als vereinfachter Ersatz soll die Position des Mauszeigers zur
Datengewinnung verwendet werden. Untersuchungen haben gezeigt, dass
Internetnutzer den Mauszeiger typischerweise zum Zentrum des wahrge-
nommenen Bereichs führen. 213 Weitere Untersuchungen konnten einen
direkten Zusammenhang zwischen Augen- und Mausbewegung feststellen
und können somit zumindest einen indirekten Zusammenhang zwischen
Mauszeigerposition und wahrgenommenen Bereich zeigen.214
Die technische Realisierung eines mauszeigerbasierten Verfahrens mit
heute verfügbaren Standardkomponenten ist im Vergleich zum Einsatz
einer Eye-Tracking-Lösung bedeutend einfacher. Jedes Contentelement
des Frontend-Views ist in einem div-Element eingebettet. Um die ein-
zelnen dargestellten Elemente differenzieren zu können wird das class-212Vgl. Pan et al., 2004, S. 147 ff.213Vgl. Arroyo et al., 2006, S. 486214Vgl. Chen et al., 2001, S. 281 f.
108
Attribut verwendet. Alle Contentelemente des selben Medientyps haben
die selbe Klasse und können somit einfach gruppiert werden. Die Metho-
de document.getElementsByClassName(‘Text‘) etwa liefert ein Objekt
mit allen div-Elementen der Klasse Text des aktuellen Dokuments zu-
rück.
Innerhalb welcher Gruppe von Contentelementen sich der Mauszeiger
aktuell befindet, wird nicht durch einen Positionsabgleich ermittelt, son-
dern mittels der JavaScript Events onmouseover und onmouseot. Wann
immer ein Element mit der Maus erreicht wird, wird die Differenz von
diesem Zeitpunkt bis zum Zeitpunkt des Verlassens des Elements ermit-
telt. Der so ermittelte Zeitwert wird mittels eines AJAX215 Requests an
die PHP Serverkomponente gesendet und von dieser in der Benutzerda-
tenbank erfasst.
Der Zusammenhang der einzelnen Komponenten wird in Abbildung 12
aufgezeigt.
Abbildung 12: Schematischer Aufbau
Abbildung 13 zeigt den zugehörigen JavaScript Code, der zur Datenge-
winnung in den Frontend-View eingebettet wird.
215Apronym von engl. Asynchronous JavaScript and XML
109
Abbildung 13: JavaScript Komponente zur Ermittlung der Medienpräfe-renz
Der AJAX Request der Funktion dbStore ruft das PHP Skript der Kom-
ponente (siehe Abbildung 14) auf, dass die ermittelte Dauer nach jedem
Verlassen eines div-Elements in die Datenbank schreibt.
110
Abbildung 14: PHP Komponente zur Ermittlung der Medienpräferenz
Eine Messung der Anfragedauer vom Zeitpunkt des AJAX Requests bis
zum Empfang der Antwort zeigt, dass die Laufzeit aufgrund der kom-
pakten Paketgröße in der Regel im Bereich von 15ms bis 35ms bewegt.
Auch längere Laufzeiten stellen kein Problem dar, da die Kommunikati-
on asynchron stattfindet. Abbildung 16 zeigt einige AJAX-Requests der
JavaScript Komponente an die Serverkomponente und deren Laufzeit.
Abbildung 15: AJAX Requests im zeitlichen Verlauf
Durch Modifikationen kann diese Komponente auch für die Erfassung der
Benutzerinteressen verwendet werden. Hierzu würde man die Contentele-
111
mente nicht mehr nach dem Medientypen gruppiert, sondern hinsichtlich
inhaltlicher Zusammenhänge.
4.4.2. Bandbreitenermittlung
Die Bandbreite der Internetverbindung, die dem Endgerät eines Benut-
zers zur Verfügung steht, ist eine technisch recht einfach zu ermittelnde
Größe. Durch Berücksichtigung dieser Einflussgröße kann beispielsweise
sichergestellt werden, dass datenintensive Medientypen wie Videos nur
dann eingebunden werden, wenn dem Endgerät des Benutzers eine aus-
reichend hohe Bandbreite zur Verfügung steht.
Für die Implementierung in diesem System wird eine sehr einfache Lö-
sung verwendet, die den Client bei jeder HTTP Anfrage zunächst ein
Datenpaket von bekannter Größe vom Server herunterladen lässt. Die
Differenz der Zeit zu Beginn der Übertragung und nach Abschluss der
Übertragung kann gemeinsam mit der bekannten Paketgröße in die Ge-
schwindigkeit der Übertragung umgerechnet werden.
Abbildung 16: Clientseitig eingesetzter Javascript Code zur ermittlungder zur Verfügung stehenden Bandbreite
Es muss allerdings berücksichtigt werden, dass dieses Verfahren nur be-
dingt zuverlässige Werte ermitteln kann. Dies liegt zum einen an mögli-
chen Schwankungen der verfügbaren Bandbreite, die vor allem bei mobi-
112
len Geräten zu erwarten sind.
Zum anderen sieht der slow start Alogrithmus der Congestion Control216
des TCP Standards eine allmähliche Steigerung der Übertragungsge-
schwindigkeit vor.
Zu Beginn einer Datenübertragung wird der Slow-Start-Algorithmus
eingesetzt, um das sogenannte congestion window zu bestimmen. So-
mit soll eine mögliche Überlastsituation vermieden werden. Dazu werden
anfangs nur kleine Datenpakete vom Sender zum Empfänger übertra-
gen(MSS217=1).
Der Empfänger sendet für jedes erhaltene Paket als Bestätigung ein ACK
an den Sender zurück. Nach jedem eingegangenen ACK wird die Größe
des Congestion Window um eine MSS erhöht. Da für jedes empfangene
Paket nach erfolgreicher Übermittlung ein ACK vom Empfänger des Pa-
kets zum Absender geschickt wird, führt dies innerhalb einer Roundtrip-
Zeit zu einer Verdopplung des Congestion Windows. In dieser Phase
wächst die Paketgröße also exponentiell an. Diese exponentielle Zunahme
der Paketgröße wird so lange fortgesetzt, bis der Slow-Start Threshold
erreicht ist. Dieser Teil des Ablaufs wird Slow Start Phase genannt.
Anschließend wird das Congestion Window nur noch um jeweils eine MSS
vergrößert, nachdem alle Pakete aus dem Fenster erfolgreich vom Sender
zum Empfänger übertragen wurden. In dieser Phase liegt eine lineare
Vergrößerung vor, da das Congestion Window nur noch um eine MSS je
Round-Trip Intervall erhöht wird. Dieser Teil des Ablaufs wird als Conge-
stion Avoidance Phase bezeichnet. Wenn das vom Empfänger festgelegte
Empfangsfenster erreicht worden ist wird die Vergrößerung beendet und
der Prozess ist abgeschlossen.
Trotz dieser Einschränkungen eignet sich das vorgeschlagene Verfahren
gut, um eine Einschätzung der tatsächlich verfügbaren Bandbreite vor-
nehmen zu können. Für den beabsichtigten Einsatzzweck ist eine solche
Einschätzung vollkommen ausreichend, da keine exakten Werte benötigt
werden, sondern lediglich eine geringe Anzahl von Geschwindigkeitsklas-
sen, die sich vom Regelwerk auswerten lassen.
216rfc5681217Maximum Segment Size
113
4.4.3. Emotionserkennung
Diese Komponente soll es ermöglichen, die Emotionen des Lernenden als
Einflussgröße zu nutzen. Dazu sollen die in vielen Endgeräten, wie Lap-
tops oder Smartphones vorhandenen Kameras genutzt werden. In Lap-
tops oder Desktop Computern stehen hierzu häufig Peripherie- oder fest
eingebaute Kameras zur Verfügung. Bei Smartphones kommt eine sekun-
däre Kamera, die auf den Nutzer gerichtet ist und auch als Frontkamera
bezeichnet wird, zum Einsatz.
Die aus diesen Kameras gewonnen Bilder sollen hinsichtlich der momen-
tanen Gemütslage des Nutzers untersucht werden. Aus den so gewonnen
Informationen können Maßnahmen zur Beeinflussung für die Lernsitua-
tion getroffen werden. Denkbar ist etwa, dass ein Studierender immer,
wenn er mit neuen Lernmaterialien konfrontiert wird, hinsichtlich der er-
kennbaren Emotion untersucht wird. Reagiert der Studierende überrascht
oder verärgert, kann für die nächste Lerneinheit ein vergleichsweise ein-
facher Lerninhalt gewählt werden. Ein Studierender, der während der
Präsentation eines Testergebnisses freudig reagiert hat, könnte analog in
der kommenden Lerneinheit herausfordernde Inhalte präsentiert bekom-
men.
Für die Erkennung und Klassifizierung von Gesichtern muss grundsätz-
lich zwischen zwei verschiedenen Teilproblemen unterscheiden werden.
Eines ist die Face Detection, das andere die Face Recognition. Da diese
beiden Arbeitsschritte sehr rechenintensiv sind, sind die Aufzeichnung
der Kameradaten und der anschließende Transport der Daten zu einem
zentralen System für die Bewertung eine weitere Herausforderung bei der
Entwicklung dieser Komponente.
Bei der Face Detection will man in einem Gesamtbild die Stelle finden, an
der sich das Gesicht befindet. Ins Deutsche könnte man diesen Vorgang
als Gesichtsentdeckung oder Gesichtssegmentierung übersetzen. Dieser
Schritt ist für die anschließende Analyse des gefundenen Gesichts erfor-
derlich. Die eigentliche Gesichtserkennung (Face Recognition) befasst sich
damit, ein Gesicht zu kategorisieren. Die häufigste Anwendung der Face
Recognition ist die Zuordnung eines entdeckten Gesichts zu einer bereits
bekannten Person. Im Rahmen dieser Arbeit wird eine Methode gesucht,
um Gesichter einer Klasse, die einer Emotion entspricht zuzuordnen und
nicht einer bestimmten Person.
114
Abbildung 17 zeigt den Schematischen Aufbau der Komponente, wie er
in den folgenden Abschnitten beschrieben wird.
Abbildung 17: Schematischer Aufbau der Emotionserkennungskompo-nente
Der folgende Abschnitt beschreibt zunächst kurz, wie die Bilder der End-
geräte Kameras gewonnen und zum Zentralsystem übertragen werden
können. Außerdem wird dargestellt, durch welche Maßnahmen die Bilder
hinsichtlich Auflösung, Farbraum und Kontrast normalisiert werden.
Normalisierung und Übertragung der Bilddaten
Der der Veröffentlichung von HTML5 im Oktober 2014 ist es möglich die
clientseitigen Audio- und Videogeräte direkt ohne Nutzung von Drittanbieter-
Plug-Ins anzusprechen. Dazu steht eine umfangreiche JavaScript Biblio-
115
thek zur Verfügung.218 Die meisten der weit verbreiteten Browser unter-
stützen HTML5 und die neuen Funktionen bereits. Dadurch ist es auf
einfache Weise möglich, eine JavaScript basierte Komponente in Web-
basierte Lernumgebungen zu integrieren, um die Kamera am Endgerät
des Lernenden anzusprechen.
Für die Kommunikation mit der Serverkomponente wird das WebSocket-
Protokoll verwendet, das ebenfalls seit HTML5 als Standard verfügbar
ist. Das WebSocket- Protokoll ist ein auf TCP basierendes Netzwerkpro-
tokoll, das entwickelt wurde, um eine bidirektionale Verbindung zwischen
einer Webanwendung und einem WebSocket-Server herzustellen.219 220
Abbildung 18 zeigt anhand eines kleinen Beispiels, das zunächst prüft,
ob der Client die benötigte Funktionalität bereitstellt und anschließend
eine WebSocket Verbindung zum Server auf Port 9999 aufbaut. Nach-
dem die Verbindung erfolgreich aufgebaut wurde, sendet der Client jede
Sekunde ein Bild von der Kamera des Clients an den Server.
Abbildung 18: WebSocket Client
218Vgl. Burnett et al., 2016219Vgl. Hickson, 2012220Vgl. Fette and Melnikov, 2011
116
Auf der Serverseite wird der Java-basierte Webserver Jetty eingesetzt,
der neben Servlets auch WebSocket Verbindungen beherrscht und zudem
kostenfrei einsetzbar ist. Auch auf der Serverseite lässt sich mit einfachen
Mitteln ein WebSocket-Server implementieren. Die Klasse WebSocketS-
erver (siehe Abbildung 19) stellt einen WebSocketServer zur Verfügung
und registriert eine Handler-Klasse, die alle eingehenden Nachrichten ver-
arbeitet.
Abbildung 19: WebSocketServer Klasse
Die in Abbildung 20 gezeigt WebSocketHandler Klasse zeigt einzelne Me-
thoden mit Annotationen, die für die jeweiligen Events aufgerufen wer-
den. Nachdem initial die Verbindung hergestellt wurde und der Client
regelmäßig Bilder vom Client über das WebSocket-Protokoll an den Ser-
ver sendet, wird für jedes eingehende Bild die Methode onFrame aufge-
rufen. Die Implementierung der Methode sorgt dafür, dass eingehende
Nachrichten vom Typ Byte-Buffer in den Datentyp IplImage konvertiert
und anschließend in einem CanvasFrame angezeigt werden.
117
Abbildung 20: WebSocketHandler Klasse
Dieses Beispiel zeigt, wie einfach die Bilddaten durch Nutzung moderner
HTML5 Technologie vom Client zum Server übertragen werden, ohne das
zusätzliche Drittanbieter-Plug-Ins benötigt werden. Um das vorgestellte
Beispiel auch in einer Mehrbenutzerumgebung einsetzen zu können ist
es außerdem erforderlich die eingehenden Daten einzelnen Benutzern zu-
ordnen zu können. Dies kann in einer Demoanwendung ohne besonderen
Schutzbedarf erreicht werden, indem der Client beim Aufbau der Ver-
bindung eine eindeutige Benutzerkennung an die Server URL anhängt.
Auf der Serverseite kann dieses Attribut gezielt extrahiert werden und
gewährleistet somit, dass während der Verarbeitung die Herkunft der
Daten erkennbar ist.
Abbildung 21: Serverseitige Extraktion der Benutzerkennung
118
Face Detection
Grundsätzlich gibt es für beide Verfahren ganz verschiedene Algorithmen.
Als sehr effektiv in der Detektion von Gesichtern haben sich sogenannte
Haar-Features erwiesen. Das 2001 von Viola und Jones vorgestellte Ver-
fahren221 ermöglicht Objektdetektion auf Graustufenbildern in Echtzeit.
Zur Beschreibung von Objekten werden Merkmale basierend auf den Hel-
ligkeitsunterschieden verschiedener Regionen innerhalb des Objekts ein-
gesetzt. Beispielsweise ist der Augenbereich in einem Gesicht gewöhnlich
dunkler als der Wangenbereich und die Augen sind in der Regel dunkler
als die Nase, siehe Abbildung 22.
Abbildung 22: Zwei Haar Features in einem Testbild
Zum Finden der Objekte im Bild werden die so genannten Haar-like
Features verwendet, siehe Abbildung 23.
221Vgl. Viola and Jones, 2001
119
Abbildung 23: Haar Features nach Viola und Jones
Da die Position und die Skalierung jedes Features frei wählbar ist, exis-
tiert eine Vielzahl von möglichen Features pro Bildbereich.222 Durch zwei
Techniken, die in diesem Verfahren eingesetzt werden, können aber trotz
des großen Rechenaufwands sehr schnelle Ergebnisse erzielt werden.
Ein Teil der hohen Verarbeitungsgeschwindigkeit wird durch die weiter
unten vorgestellte Kaskadenstruktur erreicht.
Der andere Teil, der zu der hohen Verarbeitungsgeschwindigkeit führt,
basiert auf einer von Viola und Jones neu eingeführten Repräsentation
der Bilder, die sie Integral-Image nannten. Durch dieses Integral-Image
können Rechteckmerkmale, aus denen die Haar- Merkmale bestehen, sehr
effizient berechnet werden. Das Integral-Image wird berechnet, indem
die Pixelwerte innerhalb eines Bildes summiert werden. Da das Verfah-
ren auf Helligkeitsunterschieden basiert, wird das zu untersuchende Bild
zunächst in Grauwerte umgewandelt. In der Regel werden 8-Bit Graustu-
fen verwendet, sodass zwischen 256 unterschiedlichen Helligkeitswerten222Vgl. Blauth, 2012, S. 5
120
unterschieden wird. Der Wert des Integral-Images an einer bestimmten
Position ergibt sich aus der Summe aller Pixelwerte oberhalb und links
des betrachteten Punktes.
ii(x, y)∑
x′5x,y′5y
i(x′, y′), (3)
wobei ii(x, y) das Integral-Image ist und i(x′, y′) das Originalbild dar-
stellt.
Der Wert des Integral-Images an Punkt (x, y) in Abbildung 24 ist die
Summe aller Pixelwerte innerhalb der grauen Fläche.
Abbildung 24: Einfaches Integral-Image zwischen Ursprung und Punkt(x,y)
Das Integral-Image selbst kann in einem Durchgang mit folgenden For-
meln berechnet werden
s(x, y) = s(x, y − 1) + i(x, y) (4)
ii(x, y) = ii(x− 1, y) + s(x, y) (5)
121
s(x, y) ist hierbei die Zeilensumme, s(x,−1) = 0 und ii(−1, y) = 0.
Der Zusammenhang lässt sich anhand eines einfachen Beispiels mit dem
Originalbild i, der Zeilensummenmatrix s und dem Integral-Image ii er-
kennen. Zur Vereinfachung wird hier mit einem 3 x 3 Pixel großen Bi-
närbild gearbeitet.
i =
1 0 1
1 1 1
0 0 1
s =
1 1 3
1 2 3
0 0 1
ii =
1 1 2
2 3 5
2 3 6
Der Vorteil dieses Verfahrens ist, dass sich nach der initialen Berech-
nung des Integral-Images mit nur einem Zugriff die Pixelsumme zu jeder
rechteckigen Fläche zwischen dem Ursprung und einem beliebigen Punkt
ermitteln lässt. Ist das Integral-Image berechnet, kann mit lediglich vier
Zugriffen die Summe aller Pixelwerte innerhalb eines beliebigen Recht-
ecks ermittelt werden.223
Abbildung 25: Pixelsumme eines beliebigen Rechtecks mittels Integral-Image
223Vgl. Viola and Jones, 2001, S. 5
122
Der Wert des Integral Images an Punkt 1 in Abbildung 25 ist die
Summe aller Pixelwerte in der Fläche A. Der Wert an Punkt 2 ist die
Summe der Flächen A+B, an Punkt 3 A+C und an Punkt 4 A+B+C+B.
Somit kann die Summe der Pixelwerte von D mit folgender Vorschrift
berechnet werden
D = ii(x4, y4) + ii(x1, y1)− (ii(x2, y2) + ii(x3, y3)) (6)
Da ein Gesicht nur durch die Identifikation vieler Features sicher erkannt
werden kann und diese Features für sehr viele Positionen in unterschied-
lichen Skalierungen mit dem Bild verglichen werden müssen, ist dieses
Verfahren trotz der Verwendung eines Integral-Images sehr recheninten-
siv. Häufig ist bei dem größeren Teil des Bildes leicht zu entscheiden, dass
es sich dabei um Hintergrund handelt und nur bei dem geringeren Teil ist
es notwendig, den Ausschnitt einer genaueren Analyse zu unterziehen. Da
die meisten Bilder aus deutlich mehr Hintergrund bestehen als aus dem
gesuchten Objekt, wäre ein Klassifikator wünschenswert, der mit wenig
Rechenaufwand feststellen kann, dass es sich nicht um das gesuchte Ob-
jekt handelt, aber trotzdem gründlich in den Regionen arbeitet, die das
gesuchte Objekt enthalten. Für diesen Zweck nutzen Viola und Jones224
eine Struktur, die sie, bezugnehmend auf Amit und Geman225, als dege-
nerierten Entscheidungsbaum beschrieben und “Kaskade"nannten. Jeder
Knoten dieses Entscheidungsbaums hat einen binären Klassifikator und
genau einen Nachfolger. In jedem dieser Knoten wird entschieden, ob es
sich bei dem betrachteten Ausschnitt um Hintergrund handelt oder um
das gesuchte Objekt.226
224Vgl. Viola and Jones, 2001225Vgl. Amit et al., 1997226Vgl. Meins, 2010, S. 17
123
Abbildung 26: Kaskade von Klassifikatoren
124
Wird entschieden, dass es sich um Hintergrund handelt, wird die Kas-
kade verlassen und der Ausschnitt als negativ klassifiziert. Der Klassifika-
tionsprozess ist damit an dieser Stelle beendet. Wird jedoch entschieden,
dass es sich um das gesuchte Objekt handeln könnte, wird der Ausschnitt
dem nachfolgenden Knoten zur Klassifikation übergeben. Nur wenn bis
zum Ende der Kaskade an keinem Knoten ein Klassifikator für Hinter-
grund votiert, wird der Ausschnitt als das gesuchte Objekt klassifiziert.
Das entscheidende Element dieser Kaskade ist, dass frühe Knoten wenig
komplexe und schnelle Klassifikatoren beinhalten. Je weiter hinten ein
Klassifikator angesiedelt ist, desto komplexer wird er.227
Konkret beinhaltet der erste Klassifikator der Kaskade zwei Features und
erkennt damit 60% der Ausschnitte als Hintergrund, die kein Gesicht ent-
halten und nahezu 100% der Ausschnitte, die ein Gesicht enthalten, als
positives Resultat zur weiteren Untersuchung. Der zweite Klassifikator
besteht aus fünf Features und untersucht damit alle positiv bewerteten
Ausschnitt des ersten Klassifikators. Dieser Klassifikator erkennt bereits
80% der Ausschnitte als Hintergrund, die kein Gesicht enthalten. In wei-
teren Schritten werden drei Klassifikatoren mit 20 Features, zwei Klassi-
fikatoren mit 50 Features, fünf Klassifikatoren mit 100 Features und 20
Klassifikatoren mit 200 Features verwendet.228
Das Verfahren von Viola und Jones wurde 2002 von Lienhart et al. um
weitere Features erweitert und konnte so noch effizienter eingesetzt wer-
den.229 230 Dazu kommen die in Abbildung 27 dargestellten Features
zum Einsatz. Das Verfahren nach Viola und Jones berücksichtigt nur die
Feature 1a, 1b, 2a, 2c und 4a.
227Vgl. Meins, 2010, S. 17228Vgl. Viola and Jones, 2001, S. 16ff.229Vgl. Lienhart et al., 2003, S. 2ff.230Vgl. Lienhart and Maydt, 2002, S. 1ff.
125
Abbildung 27: Weitere Features nach Lienhart et al.
Die gesamte Kaskade zur Gesichtserkennung ist in XML Form im Rah-
men der Open Computer Vision Library231 frei verfügbar.
Eine Gesichtssegmentierung lässt sich in C++ mit der Open Compu-
ter Vision Library leicht implementieren. Der zugehörige Quellcode ist
im folgenden Listing zu sehen. Zunächst muss ein Bild geladen, zur bes-
seren Erkennung in Graustufen umwandelt und anschließend das Histo-
gramm ausgeglichen werden. Letzteres wird gemacht, um den Kontrast
zu verbessern, damit die Graustufen so getrennt werden, dass sie bes-
ser unterscheidbar sind. Dadurch lassen sich im Bild enthaltene Objekte
besser voneinander unterscheiden.
Die Umwandlung in Grauwerte übernimmt die Funktion cvtColor mit
dem Parameter CV_BGR2GRAY. Die folgende Histogrammangleichung
wird durch die Funktion equalizeHist ausgeführt. Anschließend wird ei-
ne Funktion zum Extrahieren der Gesichter benötigt. Umgesetzt wird
die Extraktion mit cv2.CascadeClassifier::detectMultiScale, welches in-
nerhalb eines Bildes Gesichter verschiedener Größen erkennen kann und
die Koordinaten der Eckpunkte ausgibt. Anhand dieser Daten werden
alle gefundenen Gesichter aus dem Originalbild segmentiert und in einer
neuen Datei gespeichert. Abbildung 29 zeigt auf der rechten Seite das
Eingangsbild und auf der linken Seite das erstellte Bild, das nur den Be-
reich des erkannten Gesichts beinhaltet. Die Speicherung der erkannten231http://opencv.org
126
Gesichter dient hier nur der Veranschaulichung. Im Folgenden werden die
Daten direkt an die Gesichtsklassifizierung übergeben.
Abbildung 28: ExtractFaces.cpp
127
Abbildung 29: Originalbild und erkannte Gesichtsregion
Face Recognition
Für die Gesichtserkennung gibt es viele verschiedene Methoden, die sich
grundsätzlich in zwei Hauptgruppen aufteilen lassen. Auf der einen Seite
gibt es die merkmalsbasierte Gesichtserkennung. Dieser Ansatz konzen-
triert sich darauf, spezifische Gesichtscharakteristika wie Augen, Nase,
Mund und Kopfkonturen zu entdecken, und ein Gesichtsmodell anhand
der Position, der Größe und der Beziehungen zwischen diesen Merkmalen
zu definieren. Diese Merkmale eines Gesichts werden auch als Landmarks
bezeichnet. Für die Detektion der Merkmale stehen fertige Modelle wie
Stasm232 oder flandmark233 frei zur Verfügung.
232Vgl. Milborrow and Nicolls, 2014233Vgl. Uřičář et al., 2012
128
Abbildung 30: Erkannte Landmarks
Es hat sich jedoch herausgestellt, dass diese Ansätze sehr instabil in Be-
zug auf die Genauigkeit der Positionsbestimmung einzelner Merkmale
sind. Eigene Untersuchungen234 dieses Verfahrens auf Basis der fland-
mark Bibliothek haben gezeigt, dass Merkmale nicht präzise erkannt
werden und Ergebnisse nur unter optimalen Bedingungen reproduzierbar
sind. Zusätzlich haben Forschungen im Bereich der menschlichen Vorge-
hensweise zur Gesichtserkennung gezeigt, dass die einzelnen Eigenschaf-
ten und ihre unmittelbaren Beziehungen nur eine unzulängliche Qualität
der Gesichtserkennung ermöglichen.235 Trotzdem wird dieser Ansatz in
der Literatur viel beachtet und ist weit verbreitet. Zu diesem Ansatz
zählen zum Beispiel Methoden wie die Gesichtserkennung anhand der
Gesichtsmetrik, das “Elastic Bunch Graph Matching“ 236 und die Ge-
sichtserkennung anhand geometrischer Merkmale237.
Auf der anderen Seite gibt es holistische Ansätze, die sich nicht auf
234 Augustin, 2016a235Vgl. Carey and Diamond, 1977236Vgl. Wiskott et al., 1997237Vgl. Brunelli and Poggio, 1993
129
einzelne Merkmale spezialisieren, sondern bei dene das gesamte Gesicht
betrachtet wird und auch die Klassifikation anhand des ganzen Gesichts
durchgeführt wird. Hierzu zählen Methoden wie das Template Matching238,
die Fisherface-Methode239 und die Eigenface-Methode240. Auf das Tem-
plate Matching wird im Folgenden zunächst nur kurz eingegangen, da es
sich von den anderen Verfahren, die später detailliert beschrieben wer-
den, grundsätzlich unterscheidet.
Template Matching
Ein häufig eingesetztes Verfahren Erkennung von Objekten oder Gesich-
tern ist das sogenannte Template Matching. Das Verfahren wird häu-
fig zur Qualitätssicherung Materialprüfung in Fertigungsprozessen einge-
setzt, da dort eine Umgebung geschaffen werden kann, die eine effiziente
Objektklassifikation durch Template Matching erlaubt.241
Templates sind vorab definierte Masken, die mit dem zu erkennenden
Objekt abgeglichen werden. Das einfache Template Matching untersucht
die Übereinstimmungen eines zu untersuchenden Bildes mit einem oder
mehreren Templates. Dazu kommen entweder Templates zum Einsatz,
die das gesamte Objekt oder nur einzelne Ausschnitte des gesuchten Ob-
jektes repräsentieren. Brunelli und Poggio haben eine Verbesserung des
Verfahren entwickelt, die speziell die Erkennung von Gesichtern begüns-
tigt.242 Sie setzen zum einen ein Template für eine Frontalaufnahme eines
gesamten Gesichts und zum anderen je ein Template für die Augen, den
Mund und die Nase ein. Für die Zuordnung eines gegebenen Gesichts
wird zunächst ein Abgleich mit allen Templates der vollständigen Ge-
sichter vorgenommen. Die Templates, die die höchste Übereinstimmung
erzielen werden in einem weiteren Schritt zusätzlich auf Grundlage der
Templates der Ausschnitte bewertet. Um das Verfahren erfolgreich ein-
setzen zu können, müssen ist es allerdings zwingend erforderlich, dass die
zu untersuchenden Bilder hinsichtlich Orientierung und Größe auf die
verwendeten Templates abgestimmt sind.
238Vgl. Brunelli and Poggio, 1993239Vgl. Belhumeur et al., 1997240Vgl. Turk and Pentland, 1991a241Vgl. Stiene, 2006, S. 8242Vgl. Brunelli and Poggio, 1993
130
Diese Einschränkungen kommen bei einer erweiterten Form des Verfah-
rens, dem Deformable Template Matching, nicht zum Tragen. In dieser
Abwandlung werden die untersuchten Ausschnitte zusätzlich deformiert,
um den Gegebenheiten des zu untersuchenden Bildes anzupassen. Al-
lerdings steigt der erforderliche Rechenaufwand zur Durchführung die-
ser Methode drastisch an und ist in Echtzeitumgebungen nicht realisier-
bar.243
Neben dem hohen Rechenaufwand, den dieses Verfahren erfordert, er-
scheint es aber vor allem ungeeignet für den Zweck der Emotionserken-
nung, da das Template Matching bekannte Bildausschnitte in einem zu
untersuchendem Bild findet. Für die Erkennung einer Emotion wird aber
ein Verfahren benötigt, dass ein zu untersuchendes Bild beziehungsweise
das darin enthaltene Gesicht einer Klasse zuordnet, die die Emotion re-
präsentiert.
Eigenfaces
Turk und Pentland244 haben eine Methode zur Identifikation von Gesich-
tern entwickelt, die auf dem Verfahren der der Hauptkomponentenana-
lyse (auch PCA245) basiert. Den Ursprung hat diese Methode in einem
Vorgehen von Sirovich und Kirby 246, das die Hauptkomponentenanalyse
nutzte, um Bilder von Gesichtern äußerst effizient zu repräsentieren.
Im Gegensatz zu anderen verfügbaren Ansätzen wird bei dieser Methode
nicht versucht das Bild eines Gesichts mittels ausgewählter Merkmale,
wie Nase, Mund oder Augen (und deren Position zueinander) zu identifi-
zieren. Bei diesen Ansätzen werden relevante Informationen nicht erfasst,
die sich aus der Gesamtheit des untersuchten Gesichts ergeben. Im Ge-
gensatz hierzu wird im Rahmen der Eigenfaces-Methode das vollständige
Gesicht berücksichtigt und versucht enthaltenen relevanten Informatio-
nen effizient zu modellieren. Deshalb spricht man bei diesem Ansatz auch
von einem holistischen Verfahren. Die Eigenfaces Methode untersucht die
Variationen in Gruppen von Bildern, ohne dabei einzelne Merkmale ex-
plizit zu berücksichtigen, um so die differenzierbaren Hauptkomponenten243Vgl. Steinbrecher, 2005, S. 205 ff.244Vgl. Turk and Pentland, 1991b245Principal-Component-Analysis246Vgl. Sirovich and Kirby, 1987
131
(die Eigenvektoren der Kovarianzmatrix zu einer Gruppe von Bildern
bzw. Gesichtern) in der Menge von untersuchten Gesichtern zu bestim-
men. Die Gruppen von Bildern, die für die Ermittlung der Hauptkompo-
nenten eingesetzt werden im Folgenden als Trainingsmenge bezeichnet.
Man kann sich dann die Eigenvektoren als die markanten Merkmale vor-
stellen, die die Variation zwischen den Gesichtern charakterisieren. Es ist
also das Ziel, jedes Gesicht als eine gewichtete Linearkombination dieser
Eigenvektoren darzustellen.
Da die Bilder von Gesichtern hochdimensionale Vektoren darstellen und
somit auch umgekehrt wieder die Eigenvektoren als Bilder darstellen kön-
nen, werden sie als Eigenvektoren bezeichnet. Ein Graustufenbild mit ei-
ner Höhe von H Pixeln und einer Breite von B Pixeln kann man sich
entweder als ein, durch die Intensitätswerte seiner Pixel beschriebene B
x H - Matrix vorstellen oder, als einen Vektor der Dimension B x H, wo-
bei jedes Pixel eine Komponente des Vektors repräsentiert. Bei einem für
heutige Verhältnisse sehr niedrig auflösendem Bild von 512*512 Pixeln
entsteht ein Vektor mit 218 Dimensionen, beziehungsweise einen Punkt
im 218-dimensionalen Raum. Da sich die Bilder von Gesichtern in vielen
Bereichen ähneln, lässt sich erkennen, dass sie nicht beliebig im ganzen
Raum verteilt sind und der eigentliche Gesichtsraum einen relativ nied-
rigdimensionalen Unterraum beschreibt. Um diesen Unterraum zu finden,
müssen jene Vektoren ermittelt werden, die am aussagekräftigsten sind.
Diese Vektoren sind genau die bereits beschriebenen Eigenvektoren der
Kovarianzmatrix bezüglich der Trainingsmenge.
Zur Veranschaulichung wird ein Bild der Größe 2 x 3 mit vier unter-
schiedlichen Graustufen, also Intensitätswerten, gewählt:
Abbildung 31: Einfaches 2-Bit Beispielbild
132
Daraus ergibt sich die Matrix ΓM , beziehungsweise der Vektor ΓV :
ΓM =
0 1
1 2
2 3
ΓV =
0
1
1
2
2
3
Die Trainingsmenge bestehe aus M Gesichtsbildern Γ1,Γ2,Γ3, ...,ΓM .
Aus diesen M Gesichtsvektoren wird zuerst das Durchschnittsgesicht Ψ
gebildet:
Ψ =1
M
M∑i=1
Γi (7)
Aus dem so gewonnenen Durchschnittsgesicht und den Trainingsbildern
werden dann die Differenzbilder Φ berechnet:
Φi = Γi −Ψ (8)
Aus diesen Differenzbildern wird nun die Kovarianzmatrix C gebildet,
deren M Eigenvektoren (Hauptkomponenten) gesucht sind:
C = AAT (9)
wobei A die Matrix ist, welche die Differenzbilder als Spalten besitzt und
AT ihre Transponierte bezeichnet. Mit einem weiteren Bild in der Trai-
ningsmenge ergibt sich folgender Zusammenhang.
Die Lösung dieses Problems für Bilder der Größe 512x512 würde in einer
236 Matrix resultieren. Hier wird ein einfacherer Ansatz benötigt, um die
relevanten Eigenvektoren zu ermitteln, da die vollständige Berechnung
zu aufwändig ist. An dieser Stelle kann ein deutlich einfacheres Problem
gelöst werden und anstatt einer (BxH)2 Matrix eine MxM Matrix ver-
wendet werden. Hierzu wird anstatt C = AAT nur C ′ = ATA berechnet.
AAT besitzt (BxH)2 Eigenwerte und Eigenvektoren, während ATA nur
M Eigenwerte und Eigenvektoren besitzt. Die M Eigenwerte von ATA
und ihre zugehörigen Eigenvektoren entsprechen den M größten Eigen-
werten von AAT und zugehörigen Eigenvektoren.
Aus den Eigenwerten vi der Kovarianzmatrix C ′ können mit Hilfe der
133
folgenden Formel die Eigenfaces ui berechnet werden:
ui =
M∑k=1
vikΦk, i = 1, . . . ,M (10)
Da nur die größten Eigengesichter signifikante Differenzen aufweisen rei-
chen in der Regel die ersten M Eigenfaces für den Zweck der Gesichts-
klassifizierung aus. In vielen Fällen sind kann sogar mit erheblich weniger
Eigenfaces gearbeitet werden, so dass nur noch die ersten K Eigenfaces
ausgewählt werden. Sirovich und Kirby247 konnten zeigen, dass es für
eine Trainingsmenge von 115 Bildern ausreichend ist nur die besten 40
Eigenfaces zu verwenden, um eine Zuverlässigkeit von 98% im Bereich
der Personenidentifikation zu erzielen. Es lässt sich leicht erkennen, dass
es ausreichend ist lediglich die Eigenwerte und Eigenvektoren von ATA
anstatt AAT zu bestimmen, da K < M (BxH)2.
Nun kann jedes Gesicht der Trainingsmenge als Linearkombination der
errechneten Eigenfaces repräsentiert werden.
Φi −Ψ =
M∑j=1
wjuj (11)
Um Klassen für einzelne Personen zur Personenidentifikation oder, wie
in diesem Fall gewünscht für einzelne Emotionen, zu bilden ist es erfor-
derlich zu jedem Gesicht der Trainingsmenge einen Gewichtsvektor zu
berechnen. Dazu werden die jeweiligen Koeffizienten ermittelt:
ωk = uTk Φ, k = 1, . . . ,M ′ (12)
Nun ist jedes Bild der Trainingsmenge durch einen Gewichtsvektor der
folgenden Form repräsentiert.
ΩT = [ω1, ω2, . . . , ωM ′ ] (13)
Für die Erstellung von Emotionsklassen ist es erforderlich Gesichter die
die selbe Emotion zeigen in Klassen zu gruppieren.248 Die Trainings-
menge besteht aus einer Menge von Gesichtern, die die zu erkennenden
Emotionen zeigen. Zu jeder Emotionsklasse existiert mindestens ein Ge-
247Vgl. Sirovich and Kirby, 1987248Vgl. Augustin, 2016b
134
sicht in der Trainingsmenge. Zur Bestimmung einer Emotionsklasse ist
es nun erforderlich, die einzelnen Gewichtsvektoren der Bilder zu einer
Emotionsklasse zu mitteln. Der resultierende Durchschnittsgewichtsvek-
tor der Klasse charakterisiert die jeweilige Emotion.
Nachdem die Trainingsmenge initialisiert wurde und die einzelnen Emo-
tionsklassen erstellt sind, können eingehende Bilder analysiert werden.
Dazu wird zunächst die Differenz ΦIN zwischen einen zu untersuchendes
Bild ΓIN und dem Durchschnittsgesicht Ψ gebildet:
ΦIN = ΓIN −Ψ (14)
Als nächstes wird das zu analysierende Bild als Linearkombination der Ei-
genfaces dargestellt. Dazu werden auch hier die Koeffizienten bestimmt:
ωkIN = uTk ΦIN , k = 1, . . . ,M ′ (15)
Anschließend steht auch zu dem Eingangsbild der Gewichtsvektor zur
Verfügung.
Als Ähnlichkeitsmaß in diesem Verfahren wird die Euklidische Distanz
verwendet. An dieser Stelle können aber auch jegliche andere Ähnlich-
keitsmethoden angewendet werden. Insgesamt benötigt man zwei Distan-
zen. Die eine Distanz ε2k gibt an, wie nah das Eingabebild an einer be-
stimmten Emotionsklasse liegt.
ε2k = ‖(Ω− Ωk)‖2 (16)
Die andere Distanz ε2 gibt an, wie nah das Eingabebild grundsätzlich an
den anderen Bildern des Face Space liegt.
ε2 = ‖(Φ− Φf )‖2 (17)
Die Distanz εk wird für jede Emotionsklasse einzeln berechnet. Ausschlag-
gebend ist am Ende das kleinste εk, da dieses die ähnlichste Emotionsklas-
se auszeichnet, die ein guter Kandidat für die Identifizierung ist. Für die
generelle Distanz zum Face Space wird noch Φf =∑M ′
i=1 ωiui benötigt.
Hierbei wird mit den zuvor errechneten Gewichten Γk die entsprechende
135
Linearkombination der Eigenfaces gebildet. Das daraus resultierende Bild
im Face Space wird dann mit dem eigentlichen Eingabebild auf Euklidi-
sche Distanz untersucht. Je kleiner dieser Wert ist, desto genauer konnte
das Eingabebild wiederhergestellt werden. Für den letzten Schritt, die
Klassifizierung des Eingabebildes, werden noch zwei Schwellenwerte θεund θεk benötigt. Diese geben an, bis zu welchem Wert eine Ähnlich-
keit zu der jeweiligen Klasse oder zum Face Space allgemein noch gültig
ist. Die letztendliche Klassifizierung lässt sich anhand der folgenden Ta-
belle ablesen. Liegt die Distanz zum Face Space über dem angegebenen
εk < θεk εk ≥ θεkε < θε Emotionk unbekanntε ≥ θε kein Gesicht kein Gesicht
Tabelle 3: Klassifizierung des Eingangsbilds anhand der Schwellwerte θεund θεk .
Schwellenwert θε, so ist das Eingabebild kein Gesicht. Liegt die Distanz
zum Face Space unter dem angegebenen Schwellenwert θε, so wird anhand
der Nähe zu den einzelnen Emotionsklassen entschieden, ob eine bekann-
te Emotion vorliegt oder ob die Emotion unbekannt ist. Betrachtet wird
immer das kleinste εk, um die nächstgelegene Klasse zu bestimmen, die
der identifizierten Emotion entspricht.
Aufgrund der umfangreichen Berechnungen, die dieses Verfahren erfor-
dert, wird der Kern dieser Komponente, bestehend aus Gesichtserken-
nung und Emotionserkennung, in C++ entwickelt und auf einem sepa-
raten System betrieben. Dadurch genügt sie nicht dem Anspruch einer
plattformunabhängigen Lösung, demonstriert aber die Flexibilität hin-
sichtlich des Einsatzes verschiedener Technologien und verteilter Syste-
me für die Entwicklung weiterer Komponenten. Der schematische Aufbau
dieser Komponente ist in Abbildung 78 dargestellt.
136
Abbildung 32: Schematischer Aufbau Emotionserkennung
137
4.5. Zusammenfassung
In diesem Kapitel wurde gezeigt, wie anhand des Architekturvorschlags
das Gesamtsystem implementiert wurde. Die Implementierung dient der
Erfüllung der Anforderungen aus der Anforderungserhebung und somit
der Erreichung der definierten Ziele.
Als Bestandteil zur Datenverwaltung wird eine Datenbank mit drei Da-
tenmodellen vorgeschlagen. Das Datenmodell User Model verwaltet die
benutzerbezogenen Daten und beantwortet mit seiner Struktur Forschungs-
frage F3.
F3: Wie lassen sich erfasste Einflussfaktoren unter Berücksichtigung un-
terschiedlicher Datenformate und Erfassungszyklen in geeigneter Weise
in einer Datenstruktur vorhalten?
A3: Für die Abbildung der nutzerbasierten Daten, aber auch der Lernin-
halte, innerhalb Domänenmodells wurde im Rahmen der Konzeption und
Entwicklung des Prototyps eine relationale Datenbank als System zur
Datenverwaltung eingesetzt. Innerhalb dieser Datenbank wurde für die
Modellierung der Benutzerdaten ein mehrschichtiges und dynamisch er-
weiterbares Modell zur Verwaltung unterschiedlicher Einflussgrößen ent-
wickelt, das sowohl statische als auch dynamische Daten enthält. Die
Struktur für die Verwaltung der dynamischen Daten ist an ein mehr-
schichtiges Overlaymodell mit Referenz auf die Knotenstruktur des Do-
mänenmodells angelehnt, das zur Integration weiterer Komponenten um
zusätzliche Schichten erweitert werden kann. Die statischen Nutzerda-
ten und Daten ohne Knotenbezug werden in einfachen Relationen vor-
gehalten. Durch diesen Ansatz lassen sich erfasste Einflussfaktoren un-
terschiedlicher Datenformate und Erfassungszyklen organisieren. Zudem
lässt sich die Struktur für die Berücksichtigung weiterer Einflussfaktoren
einfach erweitern.
Aus der Betrachtung des Architekturvorschlags lassen sich die erforderli-
chen Basiskomponenten zum Aufbau einer benutzerzentrierten adaptiven
Lernumgebung ableiten und Forschungsfrage F4 beantworten.
F4: Welche Basiskomponenten sind für den Aufbau einer benutzerzen-
trierten adaptiven Lernumgebung erforderlich?
138
A4: Es wird ein System zur Datenverwaltung benötigt, das mindestens
ein Datenmodell für das Benutzermodell und das Domänenmodell
bereitstellt. Das Benutzermodell enthält die bekannten persönlichen At-
tribute der Systembenutzer. Das Domänenmodell beinhaltet die Lernres-
sourcen, die im Rahmen der Adaption eingesetzt werden können.
Neben der Datenverwaltung werden Komponenten benötigt, mit denen
sich die persönlichen Einflussfaktoren durch Messverfahren erfassen
und durch geeignete Modellierungsverfahren im Benutzermodell vor-
halten lassen, um anschließend auf Grundlage dieser Daten Adaptions-
maßnahmen mit Hilfe der Ressourcen aus dem Domänenmodell durch-
führen zu können.
Der konkrete Systemarchitekturvorschlag basiert auf diesem Basismodell
und erweitert es um ein Datenmodell zum Vorhalten des Regelwerks.
Zusätzlich beinhaltet der Vorschlag je eine Komponente zur Erstellung
und Verwaltung von Lerninhalten, Adaptionsregeln und Benutzerdaten.
Die Komponente „Adaptionsmaßnahmen“ des Basismodells wird durch
die Bestandteile Rule Generator, Rule Engine und Frontend View ab-
gebildet. Der Rule Generator ist erforderlich, um die Bestandteile der
Regelsätze aus der Datenbank in vollständige Regeln zu übersetzen. So-
bald die Regelsätze aufgebaut sind, können sie in der Rule Engine zur
Ausführung gebracht werden, um auf Grundlage der des Benutzermo-
dells entsprechende Inhalte aus dem Domänenmodell zu laden und sie
dem Frontend View zur Verfügung zu stellen, damit sie dem Benutzer
angezeigt werden können.
139
5. Demonstration und Evaluation
Dieses Kapitel widmet sich der Demonstration des entwickelten Gesamt-
systems. Da sich das konzipierte System in einem sehr frühen Entwick-
lungsstadium befindet und aufgrund von Zeit- und Kostenerwägungen,
wird zunächst auf ein Benutzerexperiment verzichtet und stattdessen ei-
ne Demonstration des Gesamtsystems in Anlehnung an ein Cognitive
Walkthrough durchgeführt. Für den weiteren Verlauf der Systementwick-
lung ist ein Expert Round Table und danach ein Benutzerexperiment
geplant. Der Cognitive Walkthrough ist eine Methode zur Überprüfung
der Handhabung eines Produktes. Ein Cognitive Walkthrough ist schnell
und einfach durchführbar und verursacht nur geringe Kosten. Darüber
hinaus kann er schon in einem frühen Entwicklungsstadium eingesetzt
werden, wenn Benutzertests noch nicht durchführbar sind.
Nachteilig ist, dass im Cognitive Walkthrough Experten testen und kein
tatsächlicher Anwender. Der Cognitive Walkthrough bietet sich beson-
ders deshalb an, weil bereits ein funktionaler Prototyp vorhanden ist
und somit keine Aufwände für die Planung und Erstellung von Mock-
Up‘s entstehen.
Für die Durchführung des Cognitive Walkthrough gilt es, als Vorüber-
legung Benutzercharakteristiken und Szenarien zu definieren. Die Be-
nutzercharakteristiken orientieren sich an den in Kapitel 3 benannten
Systemakteuren und die Szenarien an deren typischen Aufgaben. Auf
die Rolle des Softwareentwicklers wird in der Betrachtung des Cognitive
Walkthrough verzichtet, da es sich bei dieser Rolle nicht um einen Be-
nutzer des Systems im engeren Sinne handelt, sondern um eine Funktion,
die technische Schnittstellen des Systems verwendet.
Der Abschnitt 5.1 behandelt die Szenarien zur Erstellung und Anpas-
sung der Knotenstruktur aus der Perspektive des Kursentwicklers. In
Abschnitt 5.2 werden Szenarien zur Pflege der Inhalte aus Sicht des Me-
dienentwicklers dargestellt. Abschnitt 5.3 stellt die Schnittstelle zur Be-
treuung einzelner Benutzer aus der Perspektive eines Tutors dar, wäh-
rend in Abschnitt 5.4 die Schnittstelle zur Verwaltung des Regelwerks für
die Rolle Rule Designer dargestellt wird. Der folgende Teil beschreibt in
Abschnitt 5.5 die Benutzerschnittstelle aus Sicht des Lernenden. Da das
Gesamtsystem individuelle Benutzermerkmale erfasst und entsprechend
darauf reagiert, werden für die Rolle des Lernenden detailliertere Benut-
140
zercharakteristiken festgelegt als für die übrigen Rollen.
Um eine künftige weitergehende Evaluation des Gesamtsystems über-
haupt vorbereiten zu können, muss zunächst gezeigt werden, dass die
einzelnen Komponenten zur Erfassung von Einflussfaktoren grundsätz-
lich funktionsfähig sind. Bei den Komponenten zur Bestimmung der ver-
fügbaren Bandbreite und der Medienpräferenz des Benutzers kann auf-
grund der Nutzung der zugrundliegenden technischen Verfahren in an-
deren Kontexten davon ausgegangen werden, dass valide Ergebnisse er-
zielt werden. Die Komponente zur Bestimmung der Emotion des Benut-
zers macht hier eine Ausnahme. Zum einen sind die zugrundeliegenden
Verfahren zwar bekannt, kommen aber typischerweise in einem anderen
Kontext zum Einsatz. Zum anderen ist die im Kern genutzte Eigenfaces-
Methode in eine Reihe weiterer Bearbeitungsschritte eingebettet, um et-
wa den Bildausschnitt mit dem zu untersuchendem Gesicht zu extrahie-
ren. Aus diesem Grund wird in Kapitel 5.6 eine Methode zur Evaluation
der Emotionserkennungskomponente vorgestellt und anhand erster Tests
gezeigt, mit welcher Zuverlässigkeit diese Komponente eingesetzt werden
kann.
141
5.1. Strukturverwaltung
Die Lerninhalte des Systems werden in Knoten organisiert. Jeder Kno-
ten besteht dabei aus mindestens einem Lernobjekt, kann aber beliebig
viele Lernobjekte beinhalten. Dabei können die Lernobjekte in verschie-
denen Repräsentationsformen vorliegen. Neben den Lernobjekten sind
jedem Knoten Metadaten zugeordnet, die ihn beschreiben. Hierzu wer-
den Attribute zur Beschreibung des Schwierigkeitsgrades, des Typs und
der Beziehung zu anderen Knoten eingesetzt.
Mehrere Knoten, die in Beziehung zueinander stehen, bilden einen gerich-
teten Graphen (siehe Abbildung 33). Durch die Einrichtung von Kanten
zwischen den Knoten lassen sich Beziehungen der Knoten zueinander
modellieren. Vor allem aber lassen sich damit zwischen mehreren Knoten
alternative Pfade erzeugen, die sich hinsichtlich des Schwierigkeitsgrades
oder der Zielgruppe unterscheiden.
Abbildung 33: Content Graph
Zur Strukturverwaltung der Lerninhalte verfügt das Framework über ei-
ne grafische Benutzerschnittstelle, die sich dem Kursentwickler weitest-
gehend intuitiv erschließt. So können an beliebigen Stellen des Graphen
neue Knoten angehängt werden oder Verbindungen zwischen bestehen-
den Knoten hergestellt werden.
142
Die folgenden Detailausschnitte des Graphen aus Abbildung 33 zeigen
beispielhaft, wie sich ein zusätzlicher Knoten integrieren und anschlie-
ßend modifizieren lässt.
Durch einen Rechtsklick erscheint für den jeweiligen Knoten ein spezifi-
sches Kontextmenü mit den aktuell verfügbaren Bearbeitungsoptionen.
Über die Schaltfläche “Create Child“ kann ein nachfolgender Knoten er-
zeugt werden.
Abbildung 34: Kontextmenü eines Knoten
Der Knoten wird zunächst mit Standardwerten initialisiert. Der Name
des Knotens, die eigentlichen Lerninhalte, sowie der Schwierigkeitsgrad
und weitere Metadaten können anschließend im Editor des Knotens durch
Autoren und Medienentwickler angepasst werden.
Abbildung 35: Neu erstellter Knoten
143
Auf ähnliche Weise lässt sich auch ein Knoten für einen Test erstellen.
Über die Schaltfläche “Create Test“ lässt sich ein Testknoten erstellen,
der anschließend von einem Autor oder Medienentwickler mit Inhalten
gefüllt werden kann.
Abbildung 36: Erstellung eines Testknotens
Abbildung 37: Neu erstellter Testknoten
144
Über das Knotextmenü eines Knotens lassen sich bestehende Knoten
auch mit anderen, bereits vorhandenen Knoten durch zusätzliche Kanten
im Graphen verbinden. Dazu wird im Kontextmenü des Ursprungskno-
tens die Schaltfläche “Link to“ ausgewählt und anschließend der Zielkno-
ten markiert. Abbildung 38 zeigt einen Detailausschnitt des Graphen mit
bestehenden Knoten. Abbildung 39 zeigt den selben Detailausschnitt und
die neu erstellte Kante.
Abbildung 38: Erstellung einer neuen Kante zwischen bestehenden Kno-ten
Abbildung 39: Neu erstellte Kante
145
Soll ein vorhandener Knoten entfernt werden, so geschieht dies eben-
falls über das Kontextmenü des betreffenden Knotens.
Abbildung 40: Entfernen eines bestehenden Knotens
Abbildung 41 zeigt beispielhaft einen einfachen Graphen, der nach ei-
nem Eingangstest drei Pfade modelliert. Benutzer, die dem Wissensstand
”Novice” zugeordnet werden, erhalten einen unabhängigen Pfad über die
Knoten ”Novice 1”, ”Novice 2” und ”Novice 3”. Nutzer der Kategorie „In-
termediate“ werden nach der Abarbeitung von zwei Knoten in einen Kno-
ten des Levels ”Expert” übergeleitet. Benutzer, denen der Wissensstand
”Expert” zugeordnet wird, besuchen die beiden entsprechenden Knoten,
bevor das Kapitel für alle Nutzergruppen mit einem Test abgeschlossen
wird.
Die Indikation, welchem Schwierigkeitsgrad ein Knoten angehört, wird
durch seine Farbe verdeutlicht. In diesem Beispiel wurden die Knoten
zur Veranschaulichung zusätzlich entsprechend benannt.
Abbildung 41: Content Graph - Detailauschnitt
146
5.2. Contentpflege
Dieser Abschnitt beschreibt Szenarien zur Pflege und Verwaltung von
Inhalten aus der Perspektive eines Medienentwicklers. Primär arbeitet
diese Rolle auf der bereits erstellten Struktur und gestaltet Knoten mit
konkreten Inhalten aus.
Um einen neu erstellten Knoten zu editieren, wird der Editor über die
Schaltfläche “Edit Node“ des Kontextmenüs ausgewählt.
Abbildung 42: Modifikation eines Knoten
Der Knoteneditor bietet die Möglichkeit, die Metadaten eines Knotens
zu editieren. Außerdem können über diesen Editor Lerninhalte einge-
pflegt werden. Abbildung 43 zeigt den neu erstellten Knoten mit einem
ersten Contentelement. Ein Knoten kann aus beliebig vielen Contentele-
menten bestehen. Neue Contentelemente lassen sich über die Schaltflä-
che “Content hinzufügen“ erstellen. Jedes Contentelement kann in unter-
schiedlichen Formen vorliegen, die über den jeweiligen Reiter erstellt und
bearbeitet werden können. Texte können dabei durch den Einsatz von
Wikitext besonders einfach mit umfangreichen Formatierungen erstellt
werden, ohne dass Kenntnisse in umfangreichen Auszeichnungssprachen
wie etwa HTML erforderlich sind.
Durch diese Struktur kann das System während der Bearbeitung anhand
von Regeln unter Zuhilfenahme von Informationen aus dem Benutzermo-
147
dell die jeweilige Adaptionsmaßnahme wählen, die wiederum das geeig-
nete Contentformat für die Repräsentation auswählt.
Abbildung 43: Knoteneditor
Neu erstellte Knoten vom Typ Test werden mit dem Testeditor bearbei-
tet. Ein Knoten dieses Typs besteht aus einem Satz von beliebig vielen,
jedoch mindestens einer, Übungsaufgabe. Mit dem Testeditor können,
ähnlich wie bei der Erstellung von Lerninhalten, einzelne Aufgaben zu
einem gesamten Test zusammengefasst werden. Als Aufgabentypen ste-
hen zunächst standardmäßig Single Choice-, Multiple Choice-, Matrix
Choice- und Lückentextaufgaben zur Auswahl. Jedoch ist auch eine Er-
weiterung um weitere Aufgabentypen durch Nutzung des flexiblen Da-
tenbankmodells und durch entsprechende Erweiterungen im Testeditor
einfach umzusetzen. Die Auswahl eines Referenzknotens erlaubt zudem
die Spezifikation des Lernelements, das die in dieser Aufgabe abgefragten
Inhalte enthält. Im Rahmen der Nachbereitung können dem Nutzer so
148
gezielt Informationen vorgeschlagen werden, für die sich im Test Defizite
gezeigt haben. Abbildung 44 zeigt die spezielle Darstellung der Referenz-
knoten zu einem Testknoten.
Abbildung 44: Darstellung von Referenzknoten
Jede Aufgabe wiederum besteht aus 1+n Antwortmöglichkeiten. Um ei-
ne Aufgabe für einzelne Benutzer adaptieren zu können, werden die ein-
zelnen Antwortmöglichkeiten, wie in Abbildung 45 zu sehen, zusätzlich
mit einem Schwierigkeitsgrad parametrisiert. Somit können Tests wäh-
rend einer Benutzersitzung dynamisch zusammengestellt werden. Bei der
Gestaltung des Testknotens innerhalb einer Benutzersitzung sind unter-
schiedliche Ansätze denkbar. Etwa könnte das Ziel verfolgt werden den
Lernenden niemals zu überfordern und eben nur solche Antwortmöglich-
keiten in einer Frage zu verwenden, die er mit recht hoher Sicherheit
auch korrekt beantworten kann. Ebenso könnte das Ziel aber auch darin
bestehen, gezielt eine herausfordernde Aufgabe zu konstruieren, die den
Lernenden dazu motiviert sich intensiver mit dem Lerngegenstand aus-
einanderzusetzen. Welchem Ansatz das System folgt wird im zentralen
Regelwerk festgelegt, das basierend aus dem Attribut zum Schwierigkeits-
grad Tests dynamisch zusammenstellt.
149
Abbildung 45: Testeditor
150
5.3. Benutzerbetreuung
In diesem Abschnitt werden die ersten verfügbaren Module zur Benut-
zerbetreuung vorgestellt. Um Benutzern bei Fragen zum Lernfortschritt
oder dem Systemverhalten assistieren zu können, stehen der Rolle Tutor
unterschiedliche Funktionen zur Verfügung.
Über eine einfache Schnittstelle kann der Tutor einen Systembenutzer
auswählen (siehe Abbildung 46).
Abbildung 46: Auswahl eines Benutzers
Nach der Auswahl des Benutzers kann der Tutor den gesamten Content-
graph sehen und anhand rot eingefärbter Kanten erkennen, welcher Pfad
durch die Knoten für den Benutzer gewählt wurde. Abbildung 47 zeigt
einen exemplarischen Detailausschnitt, in dem der Pfad und somit die
besuchten Knoten nachzuvollziehen sind.
Abbildung 47: Content Graph mit Benutzerpfad-Detailauschnitt
151
Zusätzlich ist es für den Tutor möglich, Detailinformationen auf Benut-
zerebene anzuzeigen und so unter Zuhilfenahme des eingesetzten Regel-
werks Systementscheidungen nachvollziehen zu können. Abbildung 48
zeigt zu dem zuvor gezeigten Ablauf eines Benutzer die zugehörigen De-
tailinformationen.
Abbildung 48: Ansicht von Benutzerattributen
Anhand des gewählten Pfades und der zur Verfügung stehenden Detai-
linformationen für dieses exemplarische Szenario könnte der Tutor auch
ohne weitere Informationen zu folgender Einschätzung gelangen: Der Be-
nutzer beginnt eine Lerneinheit über den Einstiegsknoten (Knoten: Start
- 327), auf dessen Inhalte oder Darstellungsform der Benutzer überrascht
reagiert (Emotion: surprise). Der anschließende Eingangstest (Knoten:
Selftest - 329) ist scheinbar mit Schwierigkeiten verbunden (Emotion:
sad). Nach dem Eingangstest wird deshalb für den Benutzer ein einfa-
cher Pfad durch die Lerneinheiten gewählt (Knoten: L1N – 330, C2N
– 331, C3N – 332, . . . ), obwohl auch andere Pfade mit einem höheren
Schwierigkeitsgrad zur Verfügung gestanden haben.
152
5.4. Regelverwaltung
Die Regelverwaltung soll es ermöglichen, das Verhalten des Systems an-
hand von ermittelten Einflussgrößen der Nutzer festlegen zu können. Zur
Erstellung und Verwaltung von Regeln steht der Rolle Rule Designer eine
umfangreiche grafische Benutzerschnittstelle zur Verfügung. Die Oberflä-
che besteht primär aus einem Funktions- und einem Editorbereich. Der
Funktionsbereich enthält ein Set von Funktionen, mit denen ein Modell
geladen, neue Regelelemente hinzugefügt und ein Regelsatz generiert wer-
den kann (siehe Abbildung 49). Der Editorbereich dient der grafischen
Anordnung von Regelelementen (Start, Bedingung und Aktion) und de-
ren Verknüpfung (siehe Abbildung 50).
Abbildung 49: Funktionsbereich der Regelverwaltung
Abbildung 50: Editorbereich der Regelverwaltung
153
Die Handhabung des Editors ist weitestgehend intuitiv und kann auch
von Benutzern ohne weitreichende technische Kenntnisse in kurzer Zeit
erlernt werden.
Über die entsprechenden Funktionen können neue Elemente erzeugt wer-
den, die anschließend innerhalb des Editorbereichs zur Verfügung stehen.
Einmal erzeugte Elemente können mittels Drag&Drop platziert werden.
Beziehungen zwischen Elementen werden innerhalb des Editorbereichs
erzeugt, indem zuerst ein Doppelklick auf das Ursprungselement aus-
geführt wird und anschließend ein Doppelklick auf das Zielelement. Als
Vorgabe wird jede Verbindung mit einem Y für ein logisches true erzeugt.
Durch einen Klick auf das Element kann diese Voreinstellung abgeändert
werden. Soll eine bestehende Verbindung entfernt werden, muss die be-
treffende Verbindung mit der Maus überfahren werden. Durch einen Klick
auf das eingeblendete Icon wird die Verbindung entfernt (siehe Abbildung
51).
Abbildung 51: Entfernen eines vorhandenen Links
Die Formulierung einer Bedingung erfolgt durch einen Klick auf das ent-
sprechende Element in der anschließend angezeigten Maske. Bedingungen
müssen so formuliert sein, dass sie einen Wahrheitswert der zweiwertigen
klassischen Logik liefern. Einer Bedingung können für jeden Wahrheits-
wert weitere Bedingungen oder Anweisungen folgen. Damit die Bedin-
gungen immer in einer gültigen Form erstellt werden, folgen sie stets
demselben Schema und bestehen aus einer Einflussgröße und einem Ope-
rator, gefolgt von einem Vergleichswert und einer Einheit. Die auswert-
baren Einflussgrößen sind entweder vom System vorgegeben oder inner-
halb einer Komponente definiert, die auch die Ermittlung der Werte erle-
digt. Außerdem ist in der Datenbank bereits definiert, welche Werte für
154
die einzelnen Regelbestandteile verfügbar sind. Welche Werte eingesetzt
werden können, wird bestimmt, indem eine Gesamtmenge an gültigen
Werten für einen Regelbestandteil definiert wird und ein Attribut diese
Menge zusätzlich auf eine Teilmenge beschränkt. Abbildung 52 zeigt, wie
eine Bedingung zum Prüfen der Verbindungsgeschwindigkeit aufgebaut
werden kann. Für den Ausgang mit dem Wahrheitswert “Nein“ könnte
eine Anweisung formuliert werden, die das Anzeigen von datenintensiven
Videosequenzen auf der folgenden Seite verbietet.
Abbildung 52: Regeleditor: Detailansicht Bedingung
Anweisungen bilden den zweiten wesentlichen Bestanteil einer Regel
und werden ebenfalls über die nach einem Klick auf das betreffende Ele-
ment angezeigte Maske erstellt oder angepasst. Während die Bedingun-
gen Einflussgrößen auswerten, lassen sich über die Anweisungen Adapti-
onsmaßnahmen ausführen. Sie werden ähnlich formuliert, bestehen aber
nur aus zwei Bestandteilen. Zum einen wird ein Geltungsbereich definiert,
der festlegt, für welchen Bereich die Adaptionsmaßnahme gültig sein soll.
So können Adaptionsmaßnahmen beispielsweise nur für die kommende
Seite oder das aktuelle Kapitel festgelegt werden. Zum anderen bestehen
155
Anweisungen aus der anzuwendenden Adaptionsmaßnahme.
Abbildung 53 zeigt den Regeleditor für eine Anweisung, die das Beispiel
aus dem vorherigen Abschnitt vervollständigt.
Abbildung 53: Regeleditor: Detailansicht Anweisung
Abbildung 54 zeigt die gesamte Regel im grafischen Regeleditor.
Abbildung 54: Vollständige Regel
156
Durch die Verkettung von Bedingungen und Anweisungen lassen sich be-
liebig komplexe Regeln erstellen. Ein Beispiel für eine aufwändigere Regel
ist in Abbildung 55 zu sehen. Zunächst wird geprüft, ob es sich um einen
Knoten mit Lerninhalten handelt. Ist dies nicht der Fall, wird überprüft,
ob es sich um einen Testknoten handelt. Wenn es sich um einen Testkno-
ten handelt, wird über zwei zusätzliche Bedingungen geprüft, in welchem
Intervall sich das Testergebnis des Lernenden befindet. Entsprechend des
Testergebnisses wird der Nutzer im folgenden Kapitel als Beginner, In-
termediate oder Expert eingestuft.
Einen Sonderfall bilden Benutzer, die aufgrund eines Testergebnisses von
unter 70% als Novice eingestuft werden sollen. In diesem Fall wird zusätz-
lich geprüft, ob der Benutzer an einem Gerät mit großem Bildschirm und
hoher Bandbreite arbeitet. Wenn diese beiden Bedingungen erfüllt sind,
wird der Nutzer trotzdem als Intermediate eingestuft. Diese Regel könn-
te etwa dann Anwendung finden, wenn man von der Annahme ausgeht,
dass der Nutzer bessere Lernergebnisse erzielt, wenn weitere Medienty-
pen verwendet werden können, die nur sinnvoll nutzbar sind, wenn eine
entsprechend hohe Bandbreite und ein ausreichend großer Bildschirm
verfügbar sind.
157
Abbildung 55: Aufwändige Regel
Nachdem die Regeln über die grafische Benutzeroberfläche erstellt wur-
den, kann der Regelquellcode generiert und betrachtet werden. Abbil-
dung 56 zeigt den generierten Code für die objektorientierte Skriptspra-
che PHP249.
249rekursives Akronym für “PHP: Hypertext Preprocessor“
158
Abbildung 56: Generierter PHP Regelcode
Anschließend wird der generierte Quellcode in das Template des Frontend-
Views eingesetzt und ist sofort für die Anwendung verfügbar.
159
5.5. Endbenutzerschnittstelle
In diesem Abschnitt wird das Systemverhalten aus der Perspektive ei-
nes Lernenden demonstriert. Der Lernende ist naturgemäß die primäre
Zielperson des hier vorgestellten Systems. Auch die konzipierten Adapti-
onsmaßnahmen fokussieren sich auf den Lernenden. Deshalb erfasst das
Gesamtsystem individuelle Benutzermerkmale und reagiert entsprechend
darauf. Folglich werden für die Rolle des Lernenden detailliertere Benut-
zercharakteristiken festgelegt als für die übrigen Rollen. In dem gewähl-
ten Szenario wird der Beginn einer exemplarischen Lerneinheit für vier
Systembenutzer Ba, Bb, Bc und Bd dargestellt. Die Benutzer weisen die
in der folgenden Tabelle aufgeführten Charakteristiken auf.
Benutzer Vorwissen Medienpräferenz Bandbreite
Ba nicht vorhanden visuell hoch
Bb nicht vorhanden visuell gering
Bc nicht vorhanden visuell hoch
Bd vorhanden text gering
Für das Szenario wurde ein Teilgraph aus Knoten, entsprechend Abbil-
dung 57 erstellt, aus dem die Knoten Chapter 1 Intro, Pretest, Beginner
1, Beginner 2 und Expert 1 verwendet werden.
Abbildung 57: Knotenstruktur zur Demonstration
Der Aufbau aller Knoten, die in diesem Szenario zum Einsatz kommen,
ist im Anhang unter Teil A zu finden.
160
Der für die Durchführung des Szenarios eingesetzte Regelsatz ist in Ab-
bildung 58 abgebildet.
Abbildung 58: Regelsatz zur Demonstration der Benutzerschnittstelle
161
Die folgende Anordnung zeigt das Szenario aus der Perspektive des
Benutzers Ba
Abbildung 59: Start Ba
Abbildung 60: Test Ba
162
Abbildung 61: Testergebnis Ba
163
Abbildung 62: Beginner 1 Ba
164
Abbildung 63: Beginner 2 Ba
165
Die folgende Anordnung zeigt das Szenario aus der Perspektive des
Benutzers Bb
Abbildung 64: Start Bb
Abbildung 65: Test Bb
166
Abbildung 66: Testergebnis Bb
167
Abbildung 67: Beginner 1 Bb
168
Abbildung 68: Beginner 2 Bb
169
Die folgende Anordnung zeigt das Szenario aus der Perspektive des
Benutzers Bc
Abbildung 69: Start Bc
Abbildung 70: Test Bc
170
Abbildung 71: Testergebnis Bc
171
Abbildung 72: Beginner 1 Bc
172
Abbildung 73: Beginner 2 Bc
173
Die folgende Anordnung zeigt das Szenario aus der Perspektive des
Benutzers Bd
Abbildung 74: Start Bd
Abbildung 75: Test Bd
174
Abbildung 76: Testergebnis Bd
Abbildung 77: Expert 1 Bd
175
In diesem Abschnitt wurde gezeigt, wie sich das Gesamtsystem in ei-
nem Szenario für vier Benutzer mit unterschiedlichen Benutzercharakte-
ristiken verhält. Dazu wurden die Benutzermerkmale Vorwissen, Medi-
enpräferenz, und Bandbreite berücksichtigt. Das Vorwissen wurde durch
einen Eingangstest ermittelt, in dem fachliche Fragen zu den vorgesehe-
nen Lerninhalten gestellt wurden. Für die Ermittlung der Medienpräfe-
renz des Benutzers wurde die in Kapitel 4.4.1 beschriebene Komponente
eingesetzt. Ebenso wurde die in Kapitel 4.4.2 beschriebene Komponente
zur Ermittlung der verfügbaren Bandbreite eingesetzt. Die Charakteris-
tiken der eingesetzten Benutzer unterscheiden sich in diesen Benutzer-
merkmalen und führen somit dazu, dass sich das System für jeden Benut-
zer unterschiedlich verhält. Die Benutzer Ba, Bb und Bc zeigen anhand
des Eingangstests, dass sie im Bereich zu vermittelnden Lerninhalte kein
Vorwissen haben. Entsprechend erhalten sie in den folgenden Knoten de-
taillierte Informationen und Erläuterungen. Der Benutzer Bd hingegen
zeigt anhand des Eingangstests, dass bereits umfangreiches Vorwissen
vorliegt und erhält entsprechend in der folgenden Lerneinheit nur noch
eine Zusammenfassung der benötigten Grundlagen. Während der Bear-
beitung des ersten Contentknotens wird systemseitig festgestellt, dass die
Benutzer Ba und Bb eine Präferenz für visuelle Lehrmedien haben, wäh-
rend der Benutzer Bc eine Präferenz für textuelle Beschreibungen hat.
Außerdem ermittelt das System für den Benutzer Ba eine hohe zur Verfü-
gung stehende Bandbreite. Da im folgenden Knoten einige Lernelemente
redundant zur Verfügung stehen, werden den Benutzern Ba und Bb visu-
elle Lehrinhalte angeboten, während der Benutzer Bc weiterhin mit den
textuellen Ausführungen arbeitet. Aufgrund der verfügbaren Breitban-
danbindung von Benutzer Ba wird diesem eine Videosequenz angeboten,
während Benutzer Bb, dem nur eine geringe Bandbreite zur Verfügung
steht ein Schaubild präsentiert wird.
Diese eingeschränkte und sehr einfache Sequenz zeigt exemplarisch, wie
sich das System auf unterschiedliche Benutzer einstellt und nach den
Möglichkeiten der verfügbaren Inhalte individuelle Lernszenarien erzeugt.
176
5.6. Evaluation der Komponente zur
Emotionserkennung
Die Evaluation der Komponente zur Emotionserkennung wird mit Hilfe
der Cohn-Kanade AU-Coded Expression Database250 251 als Trainings-
menge durchgeführt. Die verwendete Version der Datenbank enthält 8795
Bilder von 97 unterschiedlichen Personen und in einer weiteren Daten-
struktur Informationen über die jeweils gezeigte Emotion. Tatsächlich
können für den hier dargestellten Anwendungsfall aber nur 488 Bilder
verwendet werden, da zu jeder Person und gezeigter Emotion eine Se-
quenz von Bildern zur Verfügung steht, die die Entstehung der Emotion
von einem neutralen Gesichtsausdruck bis hin zur Emotion zeigt. Diese
488 Bilder werden für das initiale Training der Gesichtsdatenbank einge-
setzt.
Für die Evaluation der Emotionserkennung wurde ein modifiziertes De-
sign verwendet. Zunächst wurden der Websocketserver und alle zugehöri-
gen Komponenten durch eine einfache Komponente zum Laden von Test-
bildern ersetzt. Zu jedem geladenen Testbild wird außerdem die bekannte
Emotionsklasse übergeben. Nachdem die initiale Phase zum Aufbau der
Gesichtsdatenbank durchlaufen wurde, werden die Bilder aus dem Satz
der Testbilder nacheinander der Prozessfolge für zu analysierende Bilder
unterzogen. Als letzter Schritt wird das ermittelte Ergebnis mit dem At-
tribut des Testbildes verglichen. Das folgende Schaubild zeigt den Aufbau
der Evaluationsumgebung.
250 Kanade et al., 2000251 Lucey et al., 2010a
177
Abbildung 78: Modifiziertes Design für die Evaluation
Zur Auswertung der Ergebnisse wird für jedes der analysierten Bilder
ein Datensatz erzeugt, der aus dem Zeitstempel, der erkannten Emo-
tionsklasse, dem Namen der Emotionsklasse und der Distanz zwischen
Testbild und Emotionsklasse besteht. In der jeweils folgenden Zeile wird
der Wahrheitswert für den Vergleich zwischen bestimmter und gegebener
Emotionsklasse, sowie den beiden Klassen dargestellt.
Der folgende Auszug zeigt die Analyse von zehn Testbildern, von denen
sieben bereits im Training-Set enthalten waren und drei unbekannt sind.
Die bereits im Traing-Set enthaltenen Bilder werden mit einer Distanz
von 0 der korrekten Klasse zugeordnet. Die drei unbekannten Bilder wer-
den mit einer größeren Distanz ebenfalls der korrekten Klasse zugeordnet.
Die hierzu eingesetzten Testbilder sind im Anhang B zu finden.
178
2016-08-24 15:37:20.125 Faces loaded2016-08-24 15:37:20.125 Start Training2016-08-24 15:37:22.851 Finished TrainingCreating Face-Analyser Object2016-08-24 15:37:23.125 Loading 10 Faces2016-08-24 15:37:23.647 Predicted label: 1 anger Distance: 75.09188837453587true 1:12016-08-24 15:37:24.25 Predicted label: 1 anger Distance: 0.0true 1:12016-08-24 15:37:24.87 Predicted label: 3 disgust Distance: 0.0true 3:32016-08-24 15:37:25.496 Predicted label: 3 disgust Distance: 0.0true 3:32016-08-24 15:37:26.146 Predicted label: 4 fear Distance: 0.0true 4:42016-08-24 15:37:26.656 Predicted label: 5 happy Distance: 68.36607480539038true 5:52016-08-24 15:37:27.327 Predicted label: 5 happy Distance: 0.0true 5:52016-08-24 15:37:27.867 Predicted label: 7 surprise Distance: 71.16776196890171true 7:72016-08-24 15:37:28.498 Predicted label: 7 surprise Distance: 0.0true 7:72016-08-24 15:37:29.107 Predicted label: 7 surprise Distance: 0.0true 7:7
Der folgende Durchgang zeigt ein Set von 14 Testbildern, die zufällig aus
der Trainingsmenge entnommen wurden und nicht im Trainingsprozess
eingesetzt wurden. Von den 14 Bildern wurden zwölf korrekt und zwei
falsch kassifiziert.
2016-08-24 16:28:31.638 Faces loaded2016-08-24 16:28:31.638 Start Training2016-08-24 16:28:34.465 Finished TrainingCreating Face-Analyser Object2016-08-24 16:28:34.739 Loading 14 Faces2016-08-24 16:28:35.267 Predicted label: 1 anger Distance: 75.09188837453587true 1:12016-08-24 16:28:35.944 Predicted label: 1 anger Distance: 48.53419340880507true 1:12016-08-24 16:28:36.591 Predicted label: 1 anger Distance: 67.88581494453459false 1:02016-08-24 16:28:37.25 Predicted label: 1 anger Distance: 79.74821991311255true 1:12016-08-24 16:28:37.565 Predicted label: 3 disgust Distance: 54.83880737283831true 3:32016-08-24 16:28:37.913 Predicted label: 3 disgust Distance: 48.682725286678114true 3:32016-08-24 16:28:38.24 Predicted label: 5 happy Distance: 116.52885803722319true 5:52016-08-24 16:28:38.69 Predicted label: 5 happy Distance: 109.26098592569147true 5:52016-08-24 16:28:39.126 Predicted label: 5 happy Distance: 58.80477110371916false 5:42016-08-24 16:28:39.687 Predicted label: 5 happy Distance: 68.36607480539038true 5:52016-08-24 16:28:40.166 Predicted label: 5 happy Distance: 44.43827175573794true 5:52016-08-24 16:28:41.008 Predicted label: 7 surprise Distance: 71.16776196890171true 7:72016-08-24 16:28:41.615 Predicted label: 7 surprise Distance: 50.956918684760836true 7:72016-08-24 16:28:41.93 Predicted label: 7 surprise Distance: 50.26849049189277true 7:7
Anschließend wurden weitere Durchläufe ausgeführt, bei denen jeweils ein
179
Subjekt vollständig aus der Trainingsmenge entfernt wurde. Somit soll
gezeigt werden, wie sich die Erkennung gegenüber völlig unbekannten
Subjekten verhält. Dieser Ansatz kommt dem späteren Anwendungssze-
nario nahe. Die Durchläufe wurden für die Subjekte S011, S055, S071
und S130 der Cohn-Kanade AU-Coded Expression Database ausgeführt.
S011
2016-11-29 09:55:21.627 Loading 5 Faces2016-11-29 09:55:22.735 Predicted label: 5 happy Distance: 77.96756290738635false 5:32016-11-29 09:55:23.279 Predicted label: 5 happy Distance: 67.1964375517272false 5:42016-11-29 09:55:23.738 Predicted label: 5 happy Distance: 57.54000515230306true 5:52016-11-29 09:55:24.246 Predicted label: 6 sadness Distance: 61.02386231437483true 6:62016-11-29 09:55:24.712 Predicted label: 7 surprise Distance: 67.63962099262945true 7:7
S055
2016-11-29 10:12:00.576 Loading 5 Faces2016-11-29 10:12:01.8 Predicted label: 1 anger Distance: 53.04779335154781true 1:12016-11-29 10:12:02.668 Predicted label: 3 disgust Distance: 47.32648229090492true 3:32016-11-29 10:12:03.569 Predicted label: 5 happy Distance: 57.89052526316833false 5:42016-11-29 10:12:04.387 Predicted label: 5 happy Distance: 56.37175399626869true 5:52016-11-29 10:12:05.121 Predicted label: 7 surprise Distance: 48.862745145022316true 7:7
S071
2016-11-29 12:13:06.619 Loading 5 Faces2016-11-29 12:13:07.629 Predicted label: 1 anger Distance: 41.65036643709852true 1:12016-11-29 12:13:08.317 Predicted label: 3 disgust Distance: 49.54828449923097true 3:32016-11-29 12:13:08.987 Predicted label: 5 happy Distance: 34.703879577732046true 5:52016-11-29 12:13:09.677 Predicted label: 1 anger Distance: 45.50578197583825false 1:62016-11-29 12:13:10.391 Predicted label: 7 surprise Distance: 49.8702132922374true 7:7
S0130
2016-11-29 12:19:52.125 Loading 5 Faces2016-11-29 12:19:52.923 Predicted label: 1 anger Distance: 43.90798599920765true 1:12016-11-29 12:19:53.547 Predicted label: 1 anger Distance: 49.72868503364368false 1:32016-11-29 12:19:54.155 Predicted label: 5 happy Distance: 54.643993041118996true 5:52016-11-29 12:19:54.76 Predicted label: 3 disgust Distance: 56.69760730789802false 3:62016-11-29 12:19:55.394 Predicted label: 7 surprise Distance: 56.79894639014409true 7:7
180
Über alle Durchläufe mit unbekannten Subjekten wurde eine Zuverläs-
sigkeit von 70% für die Erkennung von gezeigten Emotionen ermittelt.
Auch wenn die hier vorgestellten Ergebnisse nur auf einer kleinen Daten-
menge basieren kann man feststellen, dass die Methode zur Emotions-
erkennung zuverlässig genug funktioniert, um sie in der vorgeschlagenen
E-Learning-Umgebung zielgerichtet einsetzen zu können.
Bei der Einordnung der Ergebnisse ist zu berücksichtigen, dass im Rah-
men dieser Evaluation das ermittelte Ergebnis mit der Vorgabe der Da-
tenbank verglichen wurde. Studien haben gezeigt, dass auch menschliche
Betrachter Emotionen nicht zweifelsfrei differenzieren können. So liegt die
Zuverlässigkeit in der Bestimmung einer Emotion durch einen menschli-
chen Betrachter in der Regel bei unter 80% und kann bei unterschiedli-
chen kulturellen Gruppen des Darstellers und des Betrachters bei unter
60% liegen.252
Für die im Folgenden dargestellten Testbilder gibt die Datenbank Kodie-
rung 3 – disgust (links) und 1- anger (rechts) vor, während die Kompo-
nente für beide Bilder die Emotion 1 – anger bestimmt.
disgust - anger anger - anger
Tabelle 5: Vergleich von Testbildern
252Vgl. Beaupré and Hess, 2006
181
5.7. Zusammenfassung
In diesem Kapitel wurde die Systemfunktionalität anhand unterschiedli-
cher Szenarien für verschiedene Akteure demonstriert. Im Rahmen die-
ser Demonstration wurde auch gezeigt, wie sich mit dem System einfache
Szenarien aus Inhalten und Regeln zusammenstellen lassen und wie diese
anschließend für verschiedene Benutzercharakteristiken der Rolle der Ler-
nenden genutzt werden können. Anhand dieser Szenarien wurde gezeigt,
wie sich das Systemverhalten gegenüber dem Lernenden unter Berück-
sichtigung von individuellen Einflussfaktoren anpasst.
Dadurch lässt sich die Antwort zu Forschungsfrage F2 weiter präzisieren.
F2: Welche individuellen Einflussfaktoren sind im Kontext von compu-
terbasierten Lernumgebungen nach heutigem Kenntnisstand technisch zu
erfassen und mit welchen Methoden können sie erfasst werden?
A2-2: Anhand der im Rahmen dieser Arbeit entwickelten Komponen-
ten zur impliziten Ermittlung der verfügbaren Bandbreite, der Medien-
präferenz des Benutzers und der gezeigten Emotion zeigt sich, dass mit
verfügbaren Methoden weitere Einflussfaktoren ermittelbar sind. Diese
Methoden sind aus der untersuchten Literatur zu adaptiven Lernumge-
bungen nicht bekannt. Die hier genutzte Auswahl an Einflussfaktoren
kann um weitere, noch nicht berücksichtigte Faktoren, wie etwa zur Er-
mittlung von Endgeräteeigenschaften erweitert werden.
Durch die Implementierung der Komponentenschnittstelle seitens des
Basissystems und die Nutzung der Schnittstelle durch die exemplarisch
entwickelten Komponenten lässt sich anhand der dargestellten Szenarien
Forschungsfrage F5 beantworten.
F5: Wie lassen sich unterschiedliche Module zur Erfassung von individu-
ellen Einflussfaktoren in einem Gesamtsystem integrieren?
A5: Für die systemunabhängige Entwicklung von Komponenten zur Er-
mittlung von Einflussfaktoren wurde eine Schnittstelle geschaffen. Die
Schnittstelle kann von unterschiedlichen Komponenten bedient werden
und integriert den jeweiligen Einflussfaktor in das Regelwerk. Jede an-
gemeldete Komponente kann so in die Regelerstellung einbezogen wer-
den. Die Komponenten selbst sind dabei vollkommen unabhängig vom
182
Basissystem und können bei Bedarf auf anderen Plattformen betrieben
werden. Dadurch ergibt sich eine sehr große Freiheit in Bezug auf die
eingesetzten Technologien für die Implementierung der Verfahren. Einen
ersten Eindruck über die mögliche Vielfältigkeit der verwendeten Mess-
verfahren geben die drei im Rahmen dieser Arbeit realisierten Messver-
fahren (siehe Kapitel 4.4).
Die Bereitstellung aller integrierten Komponenten zur Ermittlung von
Einflussgrößen innerhalb der Regelverwaltung und der Aufbau der vorge-
schlagenen Regelverwaltung ermöglicht die Beantwortung der Forschungs-
frage F6.
F6: Wie lassen sich Komponenten zur Ermittlung von Einflussfaktoren
sinnvoll in einem System kombinieren?
A6: Damit das System mit verschiedenen Einflussfaktoren umgehen kann,
wurde zunächst eine Komponentenschnittstelle entwickelt, die es ermög-
licht, nahezu beliebige Messverfahren in das Gesamtsystem zu integrie-
ren. Alle integrierten Messverfahren können im Rahmen der Regelver-
waltung als Eingangsgröße verwendet werden. Die Regelverwaltung ist so
aufgebaut, dass alle zur Verfügung stehenden Einflussfaktoren in nahe-
zu beliebiger Weise mit einander kombiniert werden können und erlaubt
somit die Erstellung von sehr flexiblen Regelsätzen. Durch die Integrier-
barkeit von zusätzlichen oder modifizierten Komponenten zur Ermittlung
von Einflussfaktoren, gemeinsam mit den Auswerte- und Kombinations-
möglichkeiten der Regelverwaltung können beliebige Adaptionsszenarien
generiert werden.
Im letzten Teil dieses Kapitels wurde eine Evaluationsmethode für die
Komponente zur Emotionserkennung aufgezeigt und anhand kleiner Da-
tensätze erste Tests durchgeführt. Diese ersten Tests zeigen, dass die
Funktion der Komponente grundsätzlich gegeben ist. Der gewählte An-
satz erreicht eine Zuverlässigkeit von 70% in der korrekten Erkennung
von Emotionen. In jedem Fall ist in einem nächsten Schritt eine Evaluie-
rung mit einer zweiten Datenbank erforderlich, um so Ergebnisse für eine
aussagekräftige Grundmenge zu erhalten. Auf eine Evaluation weiterer
Systembestandteile und Komponenten wurde aufgrund des sehr frühen
Entwicklungsstadiums des Gesamtsystems und aus Zeit- und Kostener-
183
wägungen zunächst verzichtet.
184
6. Ergebnisse und Diskussion
In diesem Kapitel werden die gewonnenen Erkenntnisse vor dem Hinter-
grund der Forschungsfragen aus Kapitel 1 zusammengefasst. Anschlie-
ßend werden die Ergebnisse diskutiert und ein Fazit gezogen. Das Kapitel
schließt mit einem Ausblick auf weiteren Forschungsbedarf.
6.1. Forschungsergebnisse
In diesem Abschnitt werden die Antworten zu den gestellten Forschungs-
fragen aus Kapitel 1 zusammengefasst.
F1: Welche individuellen Einflussfaktoren sind im Kontext von com-
puterbasierten Lenumgebungen grundsätzlich als relevant in Bezug auf
den Lernprozess anzusehen?
A1: Aus der Forschung und Literatur sind vielfältige individuelle Ein-
flussfaktoren bekannt, die sich auf den Lernprozess auswirken. Im Ein-
zelnen sind die folgenden Faktoren identifiziert worden:
• Vorhandenes Wissen
• Domänenwissen
• Ziele des Nutzers
• Interessen des Nutzers
• Lernstil
• Kognitiver Typ
• Ethnisch-kultureller Hintergrund
• Konzentrationsfähigkeit
• Extrinsiche Motivation
• Intrinsische Motivation
• Merkmale der Internetverbindung
185
• Endgerät
• Einschränkungen des Lerners
• Präferenz für Medientypen
• Lernkontext
• Zur Verfügung stehende Zeit
Nicht bekannt ist, ob diese Aufzählung von Faktoren vollständig ist, noch
ob es Beziehungen und Wechselwirkungen zwischen einzelnen Faktoren
oder Gruppen von Faktoren gibt, da sie nur einzeln untersucht wurden.
F2: Welche individuellen Einflussfaktoren sind im Kontext von com-
puterbasierten Lernumgebungen nach heutigem Kenntnisstand technisch
zu erfassen und mit welchen Methoden können sie erfasst werden?
A2-1: Die aus der Forschung und Literatur bekannten Einflussfakto-
ren wurden bisher nur theoretisch behandelt oder isoliert in Projekten
oder Produkten berücksichtigt. Eine implizite technische Erfassung der
Faktoren findet nicht statt, vielmehr ist in der Regel eine explizite Er-
mittlung der Merkmalsausprägung zu finden.
A2-2: Anhand der im Rahmen dieser Arbeit entwickelten Komponen-
ten zur impliziten Ermittlung der verfügbaren Bandbreite, der Medien-
präferenz des Benutzers und der gezeigten Emotion zeigt sich, dass mit
verfügbaren Methoden weitere Einflussfaktoren ermittelbar sind. Diese
Methoden sind aus der untersuchten Literatur zu adaptiven Lernumge-
bungen nicht bekannt. Die hier genutzte Auswahl an Einflussfaktoren
kann um weitere, noch nicht berücksichtigte Faktoren, wie etwa zur Er-
mittlung von Endgeräteeigenschaften erweitert werden.
186
F3: Wie lassen sich erfasste Einflussfaktoren unter Berücksichtigung
unterschiedlicher Datenformate und Erfassungszyklen in geeigneter Wei-
se in einer Datenstruktur vorhalten?
A3: Für die Abbildung der nutzerbasierten Daten, aber auch der Lern-
inhalte, innerhalb Domänenmodells wurde im Rahmen der Konzepti-
on und Entwicklung des Prototyps eine relationale Datenbank als Sys-
tem zur Datenverwaltung eingesetzt. Innerhalb dieser Datenbank wurde
für die Modellierung der Benutzerdaten ein mehrschichtiges und dyna-
misch erweiterbares Modell zur Verwaltung unterschiedlicher Einfluss-
größen entwickelt, das sowohl statische als auch dynamische Daten ent-
hält. Die Struktur für die Verwaltung der dynamischen Daten ist an ein
mehrschichtiges Overlaymodell mit Referenz auf die Knotenstruktur des
Domänenmodells angelehnt, das zur Integration weiterer Komponenten
um zusätzliche Schichten erweitert werden kann. Die statischen Nutzer-
daten und Daten ohne Knotenbezug werden in einfachen Relationen vor-
gehalten. Durch diesen Ansatz lassen sich erfasste Einflussfaktoren un-
terschiedlicher Datenformate und Erfassungszyklen organisieren. Zudem
lässt sich die Struktur für die Berücksichtigung weiterer Einflussfaktoren
einfach erweitern.
F4: Welche Basiskomponenten sind für den Aufbau einer benutzerzen-
trierten adaptiven Lernumgebung erforderlich?
A4: Es wird ein System zur Datenverwaltung benötigt, das mindestens
ein Datenmodell für das Benutzermodell und das Domänenmodell
bereitstellt. Das Benutzermodell enthält die bekannten persönlichen At-
tribute der Systembenutzer. Das Domänenmodell beinhaltet die Lernres-
sourcen, die im Rahmen der Adaption eingesetzt werden können.
Neben der Datenverwaltung werden Komponenten benötigt, mit denen
sich die persönlichen Einflussfaktoren durch Messverfahren erfassen
und durch geeignete Modellierungsverfahren im Benutzermodell vor-
halten lassen, um anschließend auf Grundlage dieser Daten Adaptions-
maßnahmen mit Hilfe der Ressourcen aus dem Domänenmodell durch-
führen zu können.
187
F5: Wie lassen sich unterschiedliche Module zur Erfassung von indivi-
duellen Einflussfaktoren in einem Gesamtsystem integrieren?
A5: Für die systemunabhängige Entwicklung von Komponenten zur
Ermittlung von Einflussfaktoren wurde eine Schnittstelle geschaffen. Die
Schnittstelle kann von unterschiedlichen Komponenten bedient werden
und integriert den jeweiligen Einflussfaktor in das Regelwerk. Jede an-
gemeldete Komponente kann so in die Regelerstellung einbezogen wer-
den. Die Komponenten selbst sind dabei vollkommen unabhängig vom
Basissystem und können bei Bedarf auf anderen Plattformen betrieben
werden. Dadurch ergibt sich eine sehr große Freiheit in Bezug auf die
eingesetzten Technologien für die Implementierung der Verfahren. Einen
ersten Eindruck über die mögliche Vielfältigkeit der verwendeten Mess-
verfahren geben die drei im Rahmen dieser Arbeit realisierten Messver-
fahren (siehe Kapitel 4.4).
F6: Wie lassen sich Komponenten zur Ermittlung von Einflussfaktoren
sinnvoll in einem System kombinieren?
A6: Damit das System mit verschiedenen Einflussfaktoren umgehen
kann, wurde zunächst eine Komponentenschnittstelle entwickelt, die es
ermöglicht, nahezu beliebige Messverfahren in das Gesamtsystem zu in-
tegrieren. Alle integrierten Messverfahren können im Rahmen der Regel-
verwaltung als Eingangsgröße verwendet werden. Die Regelverwaltung ist
so aufgebaut, dass alle zur Verfügung stehenden Einflussfaktoren in nahe-
zu beliebiger Weise mit einander kombiniert werden können und erlaubt
somit die Erstellung von sehr flexiblen Regelsätzen. Durch die Integrier-
barkeit von zusätzlichen oder modifizierten Komponenten zur Ermittlung
von Einflussfaktoren, gemeinsam mit den Auswerte- und Kombinations-
möglichkeiten der Regelverwaltung können beliebige Adaptionsszenarien
generiert werden.
188
6.2. Zusammenfassung und Fazit
Die vorliegende Arbeit hat gezeigt, dass es im Bereich der benutzerzen-
trierten adaptiven eLearning-Anwendungen große Diskrepanzen zwischen
bekannten Einflussfaktoren auf eine Lernsituation, sowie deren Stellen-
wert für die Wissensvermittlung und den konkret eingesetzten Methoden
gibt. Vor diesem Hintergrund wurde zunächst ermittelt, wie die Grund-
struktur einer benutzerzentrierten adaptiven eLearning-Anwendung auf-
gebaut sein muss, um unterschiedliche Einflussfaktoren in einer Lernsi-
tuation berücksichtigen zu können. Außerdem wurde untersucht, welche
Einflussgrößen eine Relevanz für eine Lernsituation haben. Es hat sich
herausgestellt, dass es eine Vielzahl von relevanten Faktoren gibt. Jedoch
hat sich auch gezeigt, dass diese Faktoren meist nur theoretisch und dar-
über hinaus isoliert behandelt werden.
Es gibt auch Überlegungen und erste Ansätze, mehrere Faktoren mitein-
ander zu kombinieren; diese zeigen, dass eine gleichzeitige Untersuchung
mehrerer Faktoren eine detaillierte und zutreffendere Modellbildung er-
möglicht und somit eine akkuratere Anpassung der Lernsituation auf die
individuellen Bedürfnisse des Nutzers erlaubt. Zudem hat sich gezeigt,
dass insbesondere Forschungen, die im Umfeld der Bildungspsychologie
und Kognitionswissenschaft entstanden sind, meist explizite Erfassungs-
methoden einsetzen, um einen expliziten Einflussfaktor untersuchen zu
können. Aber auch im Bereich der Systeme und Anwendungen, die im
Umfeld der Informatik entstanden sind, finden sich vornehmlich statische
und proprietäre Lösungen, die sehr fokussiert auf Teilbereiche ausgerich-
tet sind und kaum Möglichkeiten zur flexiblen Erweiterbarkeit bieten.
Die Ursachen hierfür liegen zum einen an sehr speziellen Fragestellungen
beziehungsweise Motivationen der einzelnen Arbeiten und zum anderen
an der geringen Verfügbarkeit von weit verbreiteten, zuverlässigen und
etablierten Standards im Bereich der Hard- und Software in der Frühzeit
der adaptiven Lernumgebungen.
Mit den vorhandenen Ansätzen lassen sich nur einzelne oder wenige Ein-
flussfaktoren berücksichtigen, da der Aufwand für die Ermittlung der
Daten den Nutzer mit unakzeptablen Unterbrechungen in der Lernsitua-
tion konfrontieren würde.
Aus diesen Erkenntnissen wurden im folgenden Teil der Arbeit Anfor-
derungen zusammengestellt, die ein System zu leisten im Stande sein
189
müsste, um in einer Umgebung mit multiplen Einflussfaktoren einge-
setzt werden zu können, auf die mit Hilfe eines Regelwerks flexibel rea-
giert werden kann. Auf Grundlage der gestellten Anforderungen wurde
eine Systemarchitektur konzipiert, mit der sich die Anforderungen reali-
sieren lassen. Die Systemarchitektur wiederum wurde im Rahmen eines
Prototyps zusammen mit drei exemplarisch ausgewählten Komponenten
zur impliziten Erfassung der Ausprägung von Einflussfaktoren implemen-
tiert.
Die Basiskomponenten des entwickelten Systems bilden insgesamt eine
solide Plattform und lassen sich aufgrund der eingesetzten Standardtech-
nologien einfach erweitern und anpassen. Durch die Struktur der Basis-
komponenten ist eine einfache Erweiterbarkeit um zusätzliche Kompo-
nenten gewährleistet. Die bereits erstellten Komponenten zur Erfassung
der momentan verfügbaren Bandbreite des Endgeräts, der Medienpräfe-
renz und der derzeitigen Gemütslage des Benutzers zeigen, dass sich mit
den heute bei großen Teilen der Bevölkerung zur Verfügung stehenden
Technologien ohne aufwändige Erweiterungen Einflussfaktoren auf der
Seite des Nutzers erfassen lassen.
Aus einer allgemeineren Perspektive stellt sich jedoch die Frage, welche
Nutzer konkret von einem adaptiven System profitieren können. Betrach-
tet man etwa das Spektrum des bereits vorhandenen Fachwissens von
Nutzern einer Lernumgebung, so sind auf der einen Seite solche Nut-
zer zu finden, die kein oder nur geringes Vorwissen und noch kein kon-
zeptuelles Modell für die jeweilige Wissensdomäne mitbringen. Auf der
anderen Seite des Spektrums sind Experten zu sehen, die bereits über
umfangreiches Fachwissen verfügen. Für die erste Gruppe kann eine im
Hintergrund ablaufende Adaption, die keine Benutzerinteraktion erfor-
dert, dadurch hilfreich sein, dass der Benutzer nicht eigenständig nach
angepassten Informationsressourcen suchen muss und sie auch nicht hin-
sichtlich der Relevanz für den eigenen Lernprozess bewerten muss. Für die
Gruppe der Experten am anderen Ende des Spektrums ist ein autonomes
adaptives System ohne Eingriffsmöglichkeit vermutlich weniger geeignet.
Abhängig vom konkreten Ziel des Experten bietet sich der Einsatz von
adaptierbaren Funktionen oder offenen Lernsituationen vermutlich eher
an. Zwischen diesen beiden Gruppen, die das Spektrum der Lernenden
nach oben und unten begrenzen, gibt es eine große Bandbreite an Nut-
zern. Neben dieser variablen Größe, die dieses Spektrum veranschaulicht
190
gibt es eine Vielzahl von weiteren Faktoren, für die sich in ähnlicher Wei-
se argumentieren lässt. Deshalb müssen künftige Systeme für den prak-
tischen Einsatz wohl nicht nur eine gute und bedarfsgerechte autonome
Adaption liefern, wie in dieser Arbeit als Ansatz vorgestellt, sondern
vielmehr zunächst unterscheiden, ob der Nutzer diese Art der Adaption
überhaupt benötigt. So wird es abhängig vom Benutzer erforderlich sein
auch umfangreichere Freiheiten in der Gestaltung der Lernumgebung zu
gewähren.
191
6.3. Ausblick
In dieser Arbeit wurde die Grundstruktur für ein flexibel erweiterba-
res eLearning-System vorgeschlagen und implementiert, dabei wurden
erste Komponenten zur impliziten Erfassung der momentan verfügba-
ren Bandbreite des Endgeräts, der Medienpräferenz und der derzeitigen
Gemütslage des Benutzers integriert. Um dieses System durch Erweite-
rungen und Verbesserungen für die Praxistauglichkeit vorzubereiten, ist
weiterer Forschungsbedarf in den Disziplinen Bildungspsychologie und
Kognitionswissenschaft, sowie der Informatik (insbesondere HCI und In-
formationsmanagement) zu erkennen.
Eine erste Demonstration mit dem Ziel der Darstellung der Funktions-
weise des Gesamtsystems, sowie eine Evaluation der Komponente zur
impliziten Emotionserkennung wurden bereits im Rahmen dieser Ar-
beit durchgeführt. Aufgrund der sehr oberflächlichen Demonstration und
der eingeschränkten Evaluation der Komponente zur Emotionserkennung
sind die vorliegenden Ergebnisse und deren Aussagekraft jedoch limitiert.
Aus diesem Grund ist die Durchführung eines Benutzerexperiments und
eine ausführliche Evaluation der Einzelkomponenten geplant.
Um ein möglichst exaktes Benutzermodell erstellen zu können, wird es er-
forderlich sein, weitere Komponenten zur Erfassung einzelner Einflussfak-
toren zu entwickeln und in das Gesamtsystem zu integrieren. Dazu wird
es erforderlich sein, die hier beschriebenen Einflussfaktoren hinsichtlich
ihrer Verwendbarkeit zu untersuchen und entsprechende Komponenten
zur Ermittlung ihrer Ausprägung zu entwickeln. Darüber hinaus sollten
weitere relevante Einflussfaktoren gesucht werden, mit denen in der glei-
chen Weise verfahren wird.
Außerdem erfordert das System eine möglichst große Vielfalt an verfüg-
baren Lerninhalten hinsichtlich der Modalität und des Anspruchs mit zu-
gehörigen Metadaten, um entsprechend des Regelwerks angepasste Res-
sourcen anbieten zu können. Hierzu bietet sich Anbindung an bestehende
Ressourcen undWissensdatenbanken an. Etwa könnte die Integration von
Schnittstellen für Wiki-Systeme oder derzeit entstehende OER’s ein viel-
versprechender Ansatz sein. Durch die Integration von Schnittstellen zu
Ressourcendatenbanken, könnte ein adaptives System eigenständig ge-
eignete Inhalte suchen und entsprechend des momentanen Bedarfs in die
individuelle Lernsequenz integrieren.
192
Mit Blick auf die Implementierung von Wissensvermittlungsstrategien,
wird es im Bereich der Bildungspsychologie und Kognitionswissenschaft
eine große Herausforderung sein, konkrete Regelsätze zu definieren. Da
die Regelsätze den didaktischen Ansatz beschreiben und den Kern der
Lernumgebung bilden, kann das hier vorgestellte System als Evaluati-
onsumgebung für die Forschung aufgefasst werden, die es ermöglicht,
die bereits umgesetzten und kommende Einflussfaktoren innerhalb ei-
ner Umgebung gezielt miteinander zu verknüpfen und so entsprechende
Szenarien zu entwickeln. Dabei kann die Definition von Wissensvermitt-
lungsstrategien durchaus die treibende Kraft für die Entwicklung neuer
Komponenten zur Bestimmung von Einflussfaktoren sein, indem dieser
Prozess Anforderungen für potentiell relevante Einflussfaktoren hervor-
bringt.
Für den großflächigen Einsatz des Systems wird es außerdem erforderlich
sein, geeignete Betriebsinfrastrukturen zu schaffen. Durch den Betrieb
des Systems mit einer Vielzahl an Nutzern ist eine große Menge an ver-
fügbaren und auszuwertenden Daten zu erwarten, die darüber hinaus zur
Systemlaufzeit durch dessen Benutzung stetig und dynamisch anwächst.
Berücksichtigt man außerdem die Forderung nach weiteren Komponenten
zur Erfassung von Einflussfaktoren und das so zusätzlich anfallende Da-
tenaufkommen, scheint es sinnvoll, den Betrieb innerhalb einer BigData
Infrastruktur in Erwägung zu ziehen. Hierzu werden bereits umfangreiche
Referenzmodelle, wie der Cross Industry Standard Process for Big Data
(CRISP4BigData)253 entwickelt und bieten die benötigten Kapazitäten
für einen performanten Betrieb auch in großen Maßstäben.
Interessant in diesem Zusammenhang ist auch das Sensor Enabled Af-
fective Computing for Enhancing Medical Care (SenseCare) Projekt254,
dass das Ziel verfolgt auf Grundlage einer BigData Struktur die emotio-
nalen Zustände demenzkranker Patienten zu erfassen.
253Vgl. Berwind et al., 2016254Vgl. Engel et al., 2016
193
Literatur
[Allport, 1937] Allport, G. W. (1937). Personality: A psychological in-
terpretation.
[Amit et al., 1997] Amit, Y., Geman, D., and Wilder, K. (1997). Joint
induction of shape features and tree classifiers. Pattern Analysis and
Machine Intelligence, IEEE Transactions on, 19(11):1300–1305.
[Arroyo et al., 2006] Arroyo, E., Selker, T., and Wei, W. (2006). Usabi-
lity tool for analysis of web designs using mouse tracks. In CHI ’06
Extended Abstracts on Human Factors in Computing Systems, CHI EA
’06, pages 484–489, New York, NY, USA. ACM.
[Augustin, 2016a] Augustin, T. (2016a). Emotion determination in elear-
ning environments based on facial landmarks. In International Work-
shop on Learning Technology for Education in Cloud, pages 122–136.
Springer.
[Augustin, 2016b] Augustin, T. (2016b). Extended use of personal fac-
tors in adaptive e-learning environments: Moods in mooc’s. In Ad-
vances in Physical Ergonomics and Human Factors, pages 813–826.
Springer.
[Beaupré and Hess, 2006] Beaupré, M. G. and Hess, U. (2006). An in-
group advantage for confidence in emotion recognition judgments: The
moderating effect of familiarity with the expressions of outgroup mem-
bers. Personality and Social Psychology Bulletin, 32(1):16–26.
[Belhumeur et al., 1997] Belhumeur, P. N., Hespanha, J. P., and Krieg-
man, D. (1997). Eigenfaces vs. fisherfaces: Recognition using class
specific linear projection. Pattern Analysis and Machine Intelligence,
IEEE Transactions on, 19(7):711–720.
[Ben Caldwell, 2008] Ben Caldwell, M. C. (2008). Web Content Acces-
sibility Guidelines (WCAG) 2.0.
[Benjamin, 1988] Benjamin, L. T. (1988). A history of teaching machi-
nes. American Psychologist, 43(9):703–712.
194
[Berwind et al., 2016] Berwind, K., Bornschlegl, M., Hemmje, M., and
Kaufmann, M. (2016). Towards a Cross Industry Standard Process to
support Big Data Applications in Virtaul Research Environments.
[Biermann, 2014] Biermann, K. (2014). Mächtige Sensoren. ZEIT onli-
ne, http://www.zeit.de/digital/mobil/2014-05/smartphone-sensoren-
iphone-samsung, abgerufen am: 05.06.2016.
[Bissell et al., 1971] Bissell, J., White, S., and Zivin, G. (1971). Sensory
modalities in children’s learning. Psychology and educational practice,
pages 130–155.
[Blank, 1996] Blank, K. (1996). Benutzermodellierung für adaptive inter-
aktive Systeme: Architektur, Methoden, Werkzeuge und Anwendungen.
Akademische Verlagsgesellschaft, Sankt Augustin.
[Blauth, 2012] Blauth, M. (2012). Detektion und Klassifikation von Ver-
kehrszeichen in Bildsequenzen basierend auf Farb- und Formmerkma-
len. Kaiserslautern.
[Boehm, 1981] Boehm, B. (1981). Software Engineering Economics.
Prentice-Hall, Upper Saddle River, New Jersey.
[Boring, 1958] Boring, E. G. (1958). Cp speaks. Contemporary Psycho-
logy, (3):152–153.
[Boyle and Encarnacion, 1994] Boyle, C. and Encarnacion, A. (1994).
Metadoc: an adaptive hypertext reading system. User Modeling and
User-Adapted Interaction, 4(1):1–19.
[Brendel, 1990] Brendel, H. (1990). CBT – der PC in Ausbildung und
Schulung. IWT-Verlag, Vaterstetten.
[Brown and Burton, 1978] Brown, J. S. and Burton, R. R. (1978). Dia-
gnostic models for procedural bugs in basic mathematical skills. Co-
gnitive Science, (2):155–192.
[Brunelli and Poggio, 1993] Brunelli, R. and Poggio, T. (1993). Face re-
cognition: Features versus templates. IEEE transactions on pattern
analysis and machine intelligence, 15(10):1042–1052.
195
[Brusilovsky, 1998] Brusilovsky, P. (1998). Adaptive Educational Sys-
tems on the World-Wide-Web: A Review of Available Technologies. In
Workshop WWW-Based Tutoring, San Antonio. Springer. 4th Inter-
national Conference on Intelligent Tutoring Systems ITS’98, 16-19.
[Brusilovsky, 2003] Brusilovsky, P. (2003). Developing adaptive educa-
tional hypermedia systems: From design models to authoring tools.
In Murray, T., Blessing, S., and Ainsworth, S., editors, Authoring
Tools for Advanced Technology Learning Environments, pages 377–409.
Springer Netherlands.
[Brusilovsky, 2007] Brusilovsky, P. (2007). Adaptive navigation support.
In The Adaptive Web, pages 263–290. Springer-Verlag.
[Brusilovsky and Anderson, 1998] Brusilovsky, P. and Anderson, J.
(1998). Act-r electronic bookshelf: An adaptive system for learning
cognitive psychology on the web. In Proc. of WebNet’98, World Con-
ference of the WWW, Internet, and Intranet. AACE, pages 92–97.
[Brusilovsky et al., 1998] Brusilovsky, P., Eklund, J., and Schwarz, E.
(1998). Web-based education for all: A tool for development adaptive
courseware. In Computer Networks and ISDN Systems, pages 1–7.
[Brusilovsky and Millán, 2007] Brusilovsky, P. and Millán, E. (2007).
User models for adaptive hypermedia and adaptive educational sys-
tems. In Brusilovsky, P., Kobsa, A., and Nejdl, W., editors, The Ad-
aptive Web, volume 4321 of Lecture Notes in Computer Science, pages
3–53. Springer Berlin Heidelberg.
[Brusilovsky et al., 1996] Brusilovsky, P., Schwarz, E., and Weber, G.
(1996). Elm-art: An intelligent tutoring system on world wide web.
In Intelligent tutoring systems, pages 261–269. Springer.
[Bunt et al., 2007] Bunt, A., Carenini, G., and Conati (2007). C.: Adap-
tive content presentation for the web. In The Adaptive Web: Methods
and Strategies of Web Personalization, pages 409–432. Springer-Verlag.
[Bureau42, 2014] Bureau42 (2014). training42.
[Burgos et al., 2007] Burgos, D., Tattersall, C., and Koper, R. (2007).
How to represent adaptation in elearning with ims learning design. In
Interactive Learning Environments, volume 2, pages 161–170.
196
[Burnett et al., 2016] Burnett, D. C., Bergkvist, A., Jen-
nings, E. C., Narayanan, A., and Aboba, B. (2016).
Media Capture and Streams. The World Wi-
de Web Consortium,http://w3c.github.io/mediacapture-
main/getusermedia.html, abgerufen am: 20.03.2016.
[Carey and Diamond, 1977] Carey, S. and Diamond, R. (1977). From
piecemeal to configurational representation of faces. Science,
195(4275):312–314.
[Chen et al., 2001] Chen, M. C., Anderson, J. R., and Sohn, M. H.
(2001). What can a mouse cursor tell us more?: Correlation of eye/-
mouse movements on web browsing. In CHI ’01 Extended Abstracts on
Human Factors in Computing Systems, CHI EA ’01, pages 281–282,
New York, NY, USA. ACM.
[Chen and Macredie, 2004] Chen, S. Y. and Macredie, R. D. (2004).
Cognitive modeling of student learning in web-based instructional
programs. International Journal of Human-Computer Interaction,
17(3):375–402.
[Cooper et al., 2010] Cooper, A., Reimann, R., and Cronin, D. (2010).
About face: Interface- und Interaction-Design. mitp.
[De Bra et al., 2003] De Bra, P., Aerts, A., Berden, B., Lange, B. D.,
Rousseau, B., Santic, T., Smits, D., and Stash, N. (2003). Aha! the
adaptive hypermedia architecture. In Proceedings of the fourteenth
ACM Hypertext Conference, pages 81–84. ACM Press.
[De Bra and Calvi, 1998] De Bra, P. and Calvi, L. (1998). Aha: a generic
adaptive hypermedia system. Proceedings of the 2nd Workshop on
Adaptive Hypertext and Hypermedia, pages 5–12.
[De Bra et al., 2006] De Bra, P., Smits, D., and Stash, N. (2006). The
design of aha! In Proceedings of the seventeenth ACM Conference on
Hypertext and Hypermedia, pages 133–134. ACM Press.
[Deci and Ryan, 1985] Deci, E. L. and Ryan, R. M. (1985). Intrinsic
motivation and self determination in human behavior.
197
[Dillenbourg et al., 2014] Dillenbourg, P., Fox, A., Kirchner, C., Mit-
chell, J., and Wirsing, M. (2014). Massive open online courses: Current
state and perspectives. Informatik Spektrum, 37(4):364–367.
[Dräger, 2013] Dräger, J. (2013). Maßgeschneiderte Vorlesungen
für alle. ZEIT online, http://www.zeit.de/2013/48/onlinekurse-
personalisierung-bildung, abgerufen am: 27.09.2014.
[Dunn et al., 1981] Dunn, R., Brennan, T. D. P., and Murrain, P. (1981).
Learningstyle researchers define differences differently. In Educational
Leadership, volume 5, pages 372–375.
[Dunn et al., 1984] Dunn, R., Dunn, K., and Freeley, M. (1984). Prac-
tical applications of the research: Responding to students’ learning
styles-step one. Research and Development Journal, 21(01):1 – 21.
[Dunn and Dunn, 1979] Dunn, R. S. and Dunn, K. J. (1979). Learning
styles/teaching styles: Should they... can they... be matched. Educa-
tional leadership, 36(4):238–244.
[Edelmann, 2003] Edelmann, W. (2003). Intrinsische und extrinsische
motivation. Grundschule, 35(4):30–32.
[Ehlers, 2011] Ehlers, U.-D. (2011). Qualität im E-Learning aus Lerner-
sicht. Springer.
[eMarketer, 2016a] eMarketer (2016a). Anteil der internetnutzer an der
weltbevölkerung in den jahren 2013 und 2014 sowie eine prognose bis
2019. http://de.statista.com/statistik/daten/studie/369362/
umfrage/prognose-der-internetpenetrationsrate-weltweit/.
abgerufen am: 07.06.2016.
[eMarketer, 2016b] eMarketer (2016b). Anzahl der inter-
netnutzer weltweit in den jahren 2013 bis 2015 so-
wie eine prognose bis 2020 (in milliarden). http://de.
statista.com/statistik/daten/studie/369356/umfrage/
prognose-zur-anzahl-der-internetnutzer-weltweit/. abge-
rufen am: 07.06.2016.
[eMarketer, 2016c] eMarketer (2016c). Anzahl der nut-
zer des mobilen internets weltweit im jahr 2014 so-
wie eine prognose bis 2019 (in milliarden). http://de.
198
statista.com/statistik/daten/studie/502548/umfrage/
anzahl-der-nutzer-des-mobilen-internets-weltweit/. ab-
gerufen am: 07.06.2016.
[Engel et al., 2016] Engel, F., Bond, R., Keary, A., Mulvenna, M., Walsh,
P., Zheng, H., Wang, H., Kowohl, U., and Hemmje, M. (2016). Sense-
Care: Towards an Experimental Platform for Home-Based, Visualisa-
tion of Emotional States of People with Dementia. Springer-Verlag.
[Felder and Silverman, 1988] Felder, R. and Silverman, L. (1988). Lear-
ning an teaching styles in engineering education. Engineering Educa-
tion, 78(07).
[Fette and Melnikov, 2011] Fette, I. and Melnikov, A. (2011). RFC
6455: The WebSocket protocol. Internet engineering task for-
ce,http://tools.ietf.org/html/rfc6455, abgerufen am: 20.03.2016.
[Friedman, 2012] Friedman, T. (2012). Come the Revolution. The New
York Times.
[Furugori et al., 2002] Furugori, N., Sato, H., Ogata, H., Ochi, Y., and
Yano, Y. (2002). Coale: Collaborative and adaptive learning environ-
ment. In Proceedings of CSCL 2002, pages 493–494.
[Gause, 2005] Gause, D. C. (2005). Why Context Matters - And what
Can We Do about it? IEEE Press, Los Alamitos.
[Green et al., 2008] Green, S., Nacheva-Skopalik, L., and Pearson, E.
(2008). An adaptable personal learning environment for e-learning and
e-assessment. In Proceedings of the 9th International Conference on
Computer Systems and Technologies and Workshop for PhD Students
in Computing, page 54. ACM.
[Green et al., 2006] Green, S., Pearson, E., and Stockton, C. (2006). Per-
sonal learning environments: Accessibility and adaptability in the de-
sign of an inclusive learning management system. In Pearson, E. and
Bohman, P., editors, Proceedings of World Conference on Educational
Multimedia, Hypermedia and Telecommunications 2006, pages 2934–
2941, Chesapeake, VA. Association for the Advancement of Computing
in Education (AACE).
199
[Grob, 1997] Grob, H. L. (1997). Aufbruch in die Informationsgesell-
schaft. Bieletzke, Münster.
[Haack, 2002] Haack, J. (2002). Interaktivität als kennzeichen von mul-
timedia und hypermedia. In Issing, L. and Klimsa, P., editors, Infor-
mation und Lernen mit Multimedia und Internet. Bletz.
[Hede, 2002] Hede, A. (2002). An integrated model of multimedia ef-
fects on learning. Journal of Educational Multimedia and Hypermedia,
11(2):177–191.
[Henze and Nejdl, 2004] Henze, N. and Nejdl, W. (2004). A logical cha-
racterization of adaptive educational hypermedia. The New Review of
Hypermedia and Multimedia, 10(1):77–113.
[Hickson, 2012] Hickson, I. (2012). The WebSocket API. The World Wi-
de Web Consortium,http://www.w3.org/TR/websockets/, abgerufen
am: 20.03.2016.
[Honey and Mumford, 2000] Honey, P. and Mumford, A. (2000). The
learning styles helper’s guide. Peter Honey Maidenhead, Berkshire.
[IEEE Computer Society, 1990] IEEE Computer Society (1990). IEEE
Standard Glossary of Software Engineering Terminology. IEEE Std.
610.12-1990.
[Internet Live Stats, 2016] Internet Live Stats (2016). An-
zahl der internetnutzer weltweit in den jahren 1997 bis
2015 sowie eine prognose für 2016 (in millionen). http:
//de.statista.com/statistik/daten/studie/186370/umfrage/
anzahl-der-internetnutzer-weltweit-zeitreihe/. abgerufen
am: 07.06.2016.
[iPrendo, 2014] iPrendo (2014). abgerufen am: 03.10.2014.
[ISO 9241-110, 2006] ISO 9241-110 (2006). ISO 9241-110:2006, Interna-
tional Organization for Standardization, Geneva, Switzerland.
[ISO 9241-151, 2008] ISO 9241-151 (2008). ISO 9241-151:2008, Interna-
tional Organization for Standardization, Geneva, Switzerland.
200
[ISO 9241-171, 2008] ISO 9241-171 (2008). ISO 9241-171:2008, Interna-
tional Organization for Standardization, Geneva, Switzerland.
[Issing and Klimsa, 1995] Issing, L. J. and Klimsa, P. (1995). Informa-
tion und Lernen mit Multimedia. Psychologie-Verl.-Union, Weinheim.
[Jacob and Karn, 2003] Jacob, R. J. and Karn, K. S. (2003). Eye
tracking in human-computer interaction and usability research: Ready
to deliver the promises. Mind, 2(3):4.
[Kanade et al., 2000] Kanade, T., Cohn, J. F., and Tian, Y. (2000).
Comprehensive database for facial expression analysis. In Proceedings
of the Fourth IEEE International Conference on Automatic Face and
Gesture Recognition (FG’00), pages 46–53, Grenoble, France.
[Kerres, 2001] Kerres, M. (2001). Multimediale und telemediale Lernum-
gebungen: Konzeption und Entwicklung. Walter de Gruyter.
[Kolb, 2005] Kolb, A. Y. (2005). The kolb learning style inventory–
version 3.1 2005 technical specifications. Boston, MA: Hay Resource
Direct, 200.
[Kolb, 1984] Kolb, D. (1984). Experiential learning: experience as the
source of learning and development. Prentice Hall, Englewood Cliffs,
NJ.
[Kolowich, 2012] Kolowich, S. (2012). Coursera looks to harness the free
labor of its devotees. Inside Higher Ed.
[Kühl, 2016] Kühl, E. (2016). Überwachung im Auftrag der Sicher-
heit. ZEIT online, http://www.zeit.de/digital/datenschutz/2016-
05/android-google-trust-score-passwoerter, abgerufen am: 05.06.2016.
[Langer, 2013] Langer, K. (2013). Flexible Hypermedia-Systeme in der
computerunterstützten Aus-und Weiterbildung: Entwurf einer wissens-
basierten Systemarchitektur. Springer-Verlag.
[Last et al., 2001] Last, D. A., O’Donnell, A. M., and Kelly, A. E. (2001).
The effects of prior knowledge and goal strength on the use of hyper-
text. Journal of Educational Multimedia and Hypermedia, 10(1):3–25.
201
[Lehmann, 2010] Lehmann, R. (2010). Lernstile als Grundlage adaptiver
Lernsysteme in der Softwareschulung. Waxmann.
[Leutner, 1992] Leutner, D. (1992). Adaptive Lehrsysteme: instruktions-
psychologische Grundlagen und experimentelle Analysen. Psychologie
Verlags Union.
[Leutner, 2002] Leutner, D. (2002). Adaptivität und adaptierbarkeit
multimedialer lehr- und informationssysteme. In Issing, L. and Klim-
sa, P., editors, Information und Lernen mit Multimedia und Internet.
Bletz.
[Lienhart et al., 2003] Lienhart, R., Kuranov, A., and Pisarevsky, V.
(2003). Empirical analysis of detection cascades of boosted classifiers
for rapid object detection. In Pattern Recognition, pages 297–304.
Springer.
[Lienhart and Maydt, 2002] Lienhart, R. and Maydt, J. (2002). An ex-
tended set of haar-like features for rapid object detection. In Image
Processing. 2002. Proceedings. 2002 International Conference on, vo-
lume 1, pages I–900. IEEE.
[Lillie et al., 1989] Lillie, D. L., Hannum, W. H., and Stuck, G. B. (1989).
Computers and effective instruction. Longman, New York.
[Lucey et al., 2010a] Lucey, P., Cohn, J. F., Kanade, T., Saragih, J., Am-
badar, Z., and Matthews, I. (2010a). The extended cohn-kanade data-
set (ck+): A complete expression dataset for action unit and emotion-
specified expression. In Proceedings of the Third International Work-
shop on CVPR for Human Communicative Behavior Analysis (CV-
PR4HB 2010), pages 94–101, San Francisco, USA.
[Lucey et al., 2010b] Lucey, P., Cohn, J. F., Saragih, J., and Ambadar, Z.
(2010b). The extended cohn-kanade dataset (ck+): A complete dataset
for action unit and emotion-specified expression. In In CVPR’10: IEEE
Conference on Computer Vision and Pattern Recognition, pages 94–
101.
[Mampadi, 2012] Mampadi, F. (2012). Assessing acceptance of adaptive
educational hypermedia systems: Prior knowledge vs. cognitive styles.
International Journal of Computer Science Issues, 9(4):62 – 70.
202
[Mampadi et al., 2009] Mampadi, F., Chen, S., and Ghinea, G. (2009).
The effects of prior knowledge on the use of adaptive hypermedia lear-
ning systems. In Jacko, J., editor, Human-Computer Interaction. Inter-
acting in Various Application Domains, volume 5613 of Lecture Notes
in Computer Science, pages 156–165. Springer Berlin Heidelberg.
[Mampadi et al., 2011] Mampadi, F., Chen, S. Y., Ghinea, G., and Chen,
M.-P. (2011). Design of adaptive hypermedia learning systems: A co-
gnitive style approach. Computers & Education, 56(4):1003–1011.
[Meins, 2010] Meins, N. (2010). Merkmalsreduktion und Ensemble-
Lernen mit AdaBoost am Beispiel der Kennzeichenlokalisierung. PhD
thesis.
[Messick, 1976] Messick, S. (1976). Individuality in learning. Higher
Education Series. Jossey-Bass Publishers.
[Messick, 1984] Messick, S. (1984). The nature of cognitive styles: Pro-
blems and promise in educational practice. Educational Psychologist,
19(2):59–74.
[Milborrow and Nicolls, 2014] Milborrow, S. and Nicolls, F. (2014). Ac-
tive Shape Models with SIFT Descriptors and MARS. VISAPP.
[Mitchell et al., 2005] Mitchell, T. J. F., Chen, S. Y., and Macredie, R. D.
(2005). Hypermedia learning and prior knowledge: domain expertise
vs. system expertise. Journal of Computer Assisted Learning, 21(1):53–
64.
[Nistor and Schäfer, 2004] Nistor, N. and Schäfer, M. (2004). Lernen mit
stil: Empirische befunde und offene fragestellungen zur bedeutung der
lernstile in virtuellen seminaren. Campus.
[Pan et al., 2004] Pan, B., Hembrooke, H. A., Gay, G. K., Granka, L. A.,
Feusner, M. K., and Newman, J. K. (2004). The determinants of web
page viewing behavior: An eye-tracking study. In Proceedings of the
2004 Symposium on Eye Tracking Research & Applications, ETRA ’04,
pages 147–154, New York, NY, USA. ACM.
[Papanikolaou et al., 2003] Papanikolaou, K., Grigoriadou, M., Kornila-
kis, H., and Magoulas, G. (2003). Personalizing the interaction in a
203
web-based educational hypermedia system: the case of inspire. User
Modeling and User-Adapted Interaction, 13(3):213–267.
[Papanikolaou et al., 2002a] Papanikolaou, K. A., Gfigoriadou, M., Kor-
nilakis, H., and Magoulas, G. D. (2002a). Inspire: An intelligent system
for personalized instruction in a remote environment. In Paul De Bra
(ed.): Third Workshop on Adaptive Hypertext and Hypermedia. Lecture
Notes in Computer Science., pages 215–225.
[Papanikolaou et al., 2002b] Papanikolaou, K. A., Grigoriadou, M., Kor-
nilakis, H., and Magoulas, G. D. (2002b). Towards new forms of know-
ledge communication: the adaptive dimension of a web-based learning
environment. In Computers & Education, number 39, pages 333–360.
[Pappano, 2012] Pappano, L. (2012). The Year of the MOOC. The New
York Times.
[Pivec et al., 2006] Pivec, M., Trummer, C., and Pripfl, J. (2006). Eye-
tracking adaptable e-learning and content authoring support. Infor-
matica (Slovenia), 30(1):83–86.
[Pohl, 2007] Pohl, K. (2007). Requirements Engineering: Grundlagen,
Prinzipien, Techniken. dpunkt.verlag, Heidelberg.
[Pohl, 1996] Pohl, W. (1996). Learning about the user – user mode-
ling and machine learning. In Moustakis, V. and Herrmann, J., edi-
tors, Proceedings of the ICML’96 Workshop ”Machine Learning meets
Human-Computer Interaction”, pages 29–40.
[Pressey, 1946] Pressey, S. L. (1946). Further attemps to develop a "me-
chanical teacher". American Psychologist, (1):262.
[Riding and Cheema, 1991] Riding, R. J. and Cheema, I. (1991). Cogni-
tive styles – an overview and integration. In Educational Psychology,
volume 3, pages 193–215.
[Rohrmann, 1978] Rohrmann, B. (1978). Empirische Studien zur Ent-
wicklung von Antwortskalen für die sozialwissenschaftliche Forschung.
Zeitschrift für Sozialpsychologie, 9(3):222–245.
204
[Rombach, 2003] Rombach, H. E. H. (2003). A Handbook oder Software
and Systems Engineering: Empirical Observations. Addison-Wesley,
Amsterdam.
[Sadler-Smith, 1997] Sadler-Smith, E. (1997). ‘learning style’: frame-
works and instruments. Educational psychology, 17(1-2):51–63.
[Sanrach and Grandbastien, 2000] Sanrach, C. and Grandbastien, M.
(2000). Ecsaiweb: A web-based authoring system to create adapti-
ve learning systems. In Brusilovsky, P., Stock, O., and Strapparava,
C., editors, Adaptive Hypermedia and Adaptive Web-Based Systems,
volume 1892 of Lecture Notes in Computer Science, pages 214–226.
Springer Berlin Heidelberg.
[Schlageter and Feldmann, 2002] Schlageter, G. and Feldmann, B.
(2002). E-Learning im Hochschulbereich: der Weg zu lernerzentrierten
Bildungssystemen. In Issing, L. and Klimsa, P., editors, Information
und Lernen mit Multimedia und Internet. Bletz.
[Schmidt, 2013] Schmidt, M. (2013). Digitale Vorlesungs-
häppchen revolutionieren die Bildung. ZEIT online,
http://www.zeit.de/studium/uni-leben/2013-06/mooc-deutschland-
iversity-vorlesungen-internet/komplettansicht, abgerufen am:
19.06.2014.
[Schulmeister, 2003] Schulmeister, R. (2003). Lernplattformen für das
virtuelle Lernen. Oldenbourg.
[Schulmeister, 2004] Schulmeister, R. (2004). Diversität von studieren-
den und die konsequenzen für e-learning. In Barrios, B. and Carsten-
sen, D., editors, Campus 2004-Kommen die digitalen Medien an den
Hochschulen in die Jahre., pages 133–144, M’unster. Waxmann.
[Schulmeister, 2006] Schulmeister, R. (2006). eLearning: Einsichten und
Aussichten. Oldenbourg.
[Schumacher and Morahan-Martin, 2001] Schumacher, P. and Morahan-
Martin, J. (2001). Gender, internet and computer attitudes and expe-
riences. Computers in Human Behavior, 17(1):95 – 110.
205
[Schwab, 1989] Schwab, T. (1989). Methoden zur Dialog- und Benutzer-
modellierung in adaptiven Computersystemen. Universität Stuttgart,
Stuttgart.
[Schwarz and Scheurig, 1991] Schwarz, N. and Scheurig, B. (1991).
Selbstberichtete Verhaltens- und Symptomhäufigkeiten : was Befragte
aus Antwortvorgaben des Fragebogens lernen, volume 1991/08.
[Seeberg, 2004] Seeberg, C. (2004). Adaptivität für individuelles ler-
nen. In Haake, J., Schwabe, G., and Wessner, M., editors, CSCL-
Kompendium, München. Oldenbourg.
[Seel and Ifenthaler, 2009] Seel, N. M. and Ifenthaler, D. (2009). Online
lernen und lehren. Ernst Reinhardt.
[Shneiderman and Plaisant, 2010] Shneiderman, B. and Plaisant, C.
(2010). Designing the User Interface: Strategies for Effective Human-
computer Interaction. Addison-Wesley.
[Sim et al., 2002] Sim, T., Baker, S., and Bsat, M. (2002). The cmu pose,
illumination, and expression database. In In Conference on Automatic
Face and Gesture Recognition.
[Sirovich and Kirby, 1987] Sirovich, L. and Kirby, M. (1987). Low-
dimensional procedure for the characterization of human faces. JOSA
A, 4(3):519–524.
[Smith, 1984] Smith, R. M. (1984). Learning how to learn: Applied theo-
ry for adults. Möbius: A Journal for Continuing Education Professio-
nals in Health Sciences, 4(2):93–98.
[Sommerville, 2007] Sommerville, I. (2007). Software Engineering.
Addison-Wesley, München, 8. edition.
[Specht et al., 2002a] Specht, M., Kravcik, M., Klemke, R., Pesin, L., and
Hüttenhain, R. (2002a). Adaptive learning environment for teaching
and learning in winds. In De Bra, P., Brusilovsky, P., and Conejo,
R., editors, Adaptive Hypermedia and Adaptive Web-Based Systems,
Berlin. Springer.
206
[Specht et al., 2002b] Specht, M., Kravcik, M., Klemke, R., Pesin, L.,
and Hüttenhain, R. (2002b). Adaptive learning environment in
WINDS.
[Stash and De Bra, 2004] Stash, N. and De Bra, P. (2004). Incorpora-
ting cognitive styles in aha! (the adaptive hypermedia architecture).
International Conference Web-Based Education, pages 378–383.
[Steinbrecher, 2005] Steinbrecher, R. (2005). Bildverarbeitung in der
praxis. RST-Verlag. München-Wien-Oldenburg.
[Sternberg, 1994] Sternberg, R. J. (1994). Thinking styles: Theory and
assessment at the interface between intelligence and personality. In
Sternberg, R. J. and Ruzgis, P., editors, Personality and intelligence,
pages 169–187, New York. Cambridge University Press.
[Stiene, 2006] Stiene, S. (2006). Konturbasierte objekterkennung aus tie-
fenbildern eines 3d-laserscanners. Universität Osnabrück, Fachbereich
Informatik, Masterarbeit.
[Suk and Prabhakaran, 2014] Suk, M. and Prabhakaran, B. (2014). Real-
time mobile facial expression recognition system–a case study. In Com-
puter Vision and Pattern Recognition Workshops (CVPRW), 2014 IE-
EE Conference on, pages 132–137. IEEE.
[Tergan, 2002] Tergan, S.-O. (2002). Hypertext und hypermedia: Kon-
zeption, lernmöglichkeiten, lernprobleme und perspektiven. In Issing,
L. and Klimsa, P., editors, Information und Lernen mit Multimedia
und Internet. Bletz.
[The Standish Group, 1994] The Standish Group (1994). The cha-
os report (1994). http://ifgi.uni-muenster.de/courses/
project-management/images/downloads/standish_report2014.
pdf. abgerufen am: 27.10.2013.
[Todt, 1990] Todt, E. (1990). Entwicklung des interesses. Angewandte
Entwicklungspsychologie des Kindes-und Jugendalters, 2:213–264.
[Treisman, 1992] Treisman, U. (1992). Studying students studying cal-
culus: A look at the lives of minority mathematics students in college.
College Mathematics Journal, pages 362–372.
207
[Triantafillou et al., 2003] Triantafillou, E., Pomportsis, A., and Geor-
giadou, E. (2003). AES-CS: Adaptive Educational System based on
Cognitive Styles.
[Turk and Pentland, 1991a] Turk, M. and Pentland, A. (1991a). Eigen-
faces for recognition. Journal of cognitive neuroscience, 3(1):71–86.
[Turk and Pentland, 1991b] Turk, M. A. and Pentland, A. P. (1991b).
Face recognition using eigenfaces. In Computer Vision and Pattern Re-
cognition, 1991. Proceedings CVPR’91., IEEE Computer Society Con-
ference on, pages 586–591. IEEE.
[Uřičář et al., 2012] Uřičář, M., Franc, V., and Hlaváč, V. (2012). De-
tector of facial landmarks learned by the structured output SVM. In
Csurka, G. and Braz, J., editors, VISAPP ’12: Proceedings of the 7th
International Conference on Computer Vision Theory and Applicati-
ons, volume 1, pages 547–556, Portugal. SciTePress — Science and
Technology Publications.
[Viola and Jones, 2001] Viola, P. and Jones, M. (2001). Robust real-time
object detection. International Journal of Computer Vision, 4:34–47.
[Wahlster and Kobsa, 1989] Wahlster, W. and Kobsa, A. (1989). User
models in dialog systems. In Wahlster, W. and Kobsa, A., editors,
User Models in Dialog Systems, pages 4–34, Berlin. Springer.
[Weber, 2007] Weber, B. (2007). Schöne neue arbeitswelt? - die zukunft
der arbeit.
[Weber et al., 2001] Weber, G., Kuhl, H.-C., and Weibelzahl, S. (2001).
Developing adaptive internet based courses with the authoring sys-
tem NetCoach. In Reich, S., Tzagarakis, M., and De Bra, P., editors,
Hypermedia: Openness, Structural Awareness, and Adaptivity, pages
226–238, Berlin. Springer.
[Wiarda, 2016] Wiarda, J. (2016). Rankings sind was für Angeber, In-
terview with John Hennessy. (14). Die Zeit.
[Wild, 2000] Wild, K.-P. (2000). Lernstrategien im Studium: Strukturen
und Bedingungen. Waxmann.
208
[Wiskott et al., 1997] Wiskott, L., Fellous, J.-M., Kuiger, N., and Von
Der Malsburg, C. (1997). Face recognition by elastic bunch graph
matching. Pattern Analysis and Machine Intelligence, IEEE Transac-
tions on, 19(7):775–779.
[Witkin et al., 1971] Witkin, H., PK, O., Raskin, E., and SA, K. (1971).
A manual for the embedded figures test.
[Witkin et al., 1975] Witkin, H. A., Moore, C. A., Goodenough, D. R.,
and Cox, P. W. (1975). Field-dependent and field-independent cogni-
tive styles and their educational implications. ETS Research Bulletin
Series, 1975(2):1–64.
[Wolf, 2003] Wolf, C. (2003). iweaver: Towards ’learning style’-based
e-learning in computer science education. In Greening, T. and Lis-
ter, R., editors, Fifth Australasian Computing Education Conference
(ACE2003), volume 20 of CRPIT, pages 273–279, Adelaide, Australia.
ACS.
[Wu et al., 2000] Wu, H., Bra, P. D., Aerts, A. T. M., and Houben, G.
(2000). Adaptation control in adaptive hypermedia systems. In Brusi-
lovsky, P., Stock, O., and Strapparava, C., editors, Adaptive Hyperme-
dia and Adaptive Web-Based Systems, International Conference, AH
2000, Trento, Italy, August 28-30, 2000, Proceedings, pages 250–259.
Springer.
209
AnhangA. Knoten zur Demonstration der
Benutzerschnittstelle
Definition des Startknotens
210
Definition des Testknotens
211
Definition des Contentknotens Beginner 1
212
Defintion des Contentknotens Expert 1
213
B. Übersicht über die eingesetzten
Testbilder
Testbild 1 Testbild 2
Testbild 3 Testbild 4
Testbild 5 Testbild 6
Testbild 7 Testbild 8
214
Testbild 9 Testbild 10
Tabelle 6: Übersicht über die eingesetzten Testbilder
215
ErklärungHiermit versichere ich, dass ich die vorliegende Dissertation ‘’Entwick-
lung eines Frameworks zur Personalisierung von E-Learning-Angeboten”
selbständig und ohne unerlaubte fremde Hilfe angefertigt und keine an-
deren als die in der Dissertation angegebenen Hilfsmittel benutzt habe.
Alle Stellen, die wörtlich oder sinngemäß aus veröffentlichten Schriften
entnommen sind, habe ich als solche kenntlich gemacht. Die vorliegende
Dissertation hat zuvor keiner anderen Stelle zur Prüfung vorgelegen.
Hagen, 08.12.2016
Tobias Augustin