Konzept für den Einsatz von Learning-Analytics-Applikationen im Mathematikunterricht
-
Upload
educational-technology -
Category
Education
-
view
253 -
download
0
Transcript of Konzept für den Einsatz von Learning-Analytics-Applikationen im Mathematikunterricht
Konzept für den Einsatz von Learning-Analytics-Applikationen im MathematikunterrichtMICHAEL STRAẞER
Überblicko Einleitungo Learning Analyticso Mathematischer Hintergrundo Aufbau der Studieo Forschungsfrageno Ergebnisseo Zusammenfassung
Einleitungo Computer sind allgegenwärtigo Schulen forcieren Einsatz mit Technologieno Computer am Arbeitsplatz ebenso hilfreich wie notwendig
o Umgang mit Technologien lernen
undo Lernen mit Technologien
Was ist Learning Analytics?o Sammeln von Daten
o Interpretieren von lernerInnenspezifischer Daten
o Individuelle Lernprozesse verbessern
o Dient der/dem LehrerIn als Werkzeug
Der Learning Analytics Cycle nach Clowo Die vier wichtigsten Punkte
• Lernende
• Daten
• Analyse
• Interventionen
Mathematischer Hintergrundo Jeder soll bestimmte Grundkompetenzen aufweisen können
o Probleme aber schon oft bei Grundrechnungsarten
o Wenn das Fundament steht, kann weiter gemacht werden
Division mit RestSatz 1 (Division mit Rest von ganzen Zahlen)
Zu je zwei natürlichen Zahlen 𝑎 und 𝑏 mit ≠ 0 𝑏 gibt es eindeutig bestimmte natürliche Zahlen 𝑚 und 𝑟 mit den Eigenschaften:
𝑎 = + 0 ≤ < 𝑚 ∗ 𝑏 𝑟 𝑢𝑛𝑑 𝑟 𝑏Die Zahl m heißt ganzzahliger Quotient von 𝑎 durch 𝑏, die Zahl 𝑟 Rest von 𝑎 nach Division durch 𝑏.
o(Pauer, 2004, S. 3)
Division mit RestDivisionsalgorithmus
Gegeben seien zwei Zahlen , . Gesucht sind , , wobei die 𝑎 𝑏 ∈ ℕ 𝑚 𝑟 ∈ ℕSchreibweise
𝑎 ∶ 𝑏 = 𝑚 𝑚𝑖𝑡 𝑅𝑒𝑠𝑡 𝑟verwendet wird.
Algorithmus aus der Schule bekannt:
Aufbau der Studieo Echtes Feldexperimento Sechs erste Klassen eines Gymnasiums
◦ Versuchsklassen (VK): 75 Teilnehmer◦ Kontrollklassen (KK): 74 Teilnehmer
o Homogene Verteilung von Schülerinnen und Schüler auf VK und KKo Abhängige Variablen:
◦ Lernzuwachs◦ Zuwachs des Kompetenzlevels◦ Zeitaufwand für die Lehrerin/den Lehrer
Aufbau der Studieo Vorbereitungsphase:
◦ Gespräche mit der Schule und den Lehrerinnen und Lehrern◦ Vortest◦ Erklärung des Online-Trainers
o Versuchsphase:◦ Wöchentlich Aufgaben◦ In KK schriftlich als Übungsblatt◦ In VK mit Online-Trainer
o Nachbereitungsphase◦ Nachtest◦ Rückmeldung
VK vs. KK
Forschungsfragen
Forschungsfrage 1:
Welchen Lernfortschritt können Schülerinnen und Schüler beim Verwenden von
Learning-Analytics-Applikationen aufweisen, wenn auf ihre analysierten Fehler
wöchentlich reagiert wird?
(5 Hypothesen)
Forschungsfragen
Forschungsfrage 2:
Welcher Aufwand entsteht in den Versuchsklassen und in den Kontrollklassen
für die Lehrerinnen und Lehrer und welcher Vorteil ergibt sich aus dem Einsatz
von Learning-Analytics-Applikationen im Mathematikunterricht?
(3 Hypothesen)
Ergebnisse
Anfangstest
Erfolgsq
uote erledigter B
sp.
Abschlusst
est Erfo
lgsquote erle
digter Bsp
.
Zuwachs E
rfolgsq
uote erledigter B
sp
Anfangstest
Erfolgsq
uote Gesamt
Abschlusst
est Erfo
lgsquote Gesamt
Zuwachs E
rfolgsq
uote Gesamt0.00%
15.00%30.00%45.00%60.00%75.00%
Vergleich VK Mit KK
VK KK
Anfangstest
Richtige
Abschlusst
est Rich
tige
Zuwach
s Rich
tige
Anfangstest
Falsc
he
Abschlusst
est Fa
lsche
Zuwachs F
alsche
Anfangstest
erledigte Aufgaben
Abschlusst
est erle
digte Aufgaben
Zuwachs e
rledigter A
ufgaben-1.001.003.005.007.009.00
11.00
Vergleich VK Mit KK
VK KK
Gesamtaufwand traditionell Gesamtaufwand Online-Trainer
ohne Statistik mit Statistik Individuell Ohne Individualität
Minimum 19 Minuten 29 Minuten 10 Minuten 5 Minuten
Maximum 34 Minuten 61 Minuten 43 Minuten 10 Minuten
Durchschnitt 26 Minuten 47 Minuten 21 Minuten 6 Minuten
Überprüfen der Hypothesen: HY1
Schülerinnen und Schüler haben bei ähnlichem Aufwand in den Versuchsklassen und den Kontrollklassen denselben Lernfortschritt bei der Kompetenz Dividieren.o Hypothese 1 bestätigt VK KK Differenz VK zu
KKRichtige Zuwachs 1,04 1,26 -0,23
Falsche Zuwachs 0,74 -0,20 0,93
Erfolgsquote erledigter Bsp.
Zuwachs 1,57% 5,55% -4%
Erledigte Aufgaben Zuwachs 1,63 1,13 0,50
Erfolgsquote gesamt Zuwachs 8,07% 10,58% -3%
Überprüfen der Hypothesen: HY2
Gute Schülerinnen und Schüler in den Versuchsklassen erledigen mehr Aufgaben als aufgegeben werden, da sie keine begrenzte Anzahl pro Woche haben.o Hypothese 2 nicht bestätigt
S-ID Anzahl mehr erledigter Rechnungen im Durchschnitt pro Woche (auf ganze Zahlen gerundet)
406 0
516 15
523 4
604 4
605 0
609 8
Überprüfen der Hypothesen: HY3
Schülerinnen und Schüler in den Versuchsklassen sind schneller auf einem höheren Kompetenzlevel als in den Kontrollklassen.o Hypothese 3 bestätigt
o Am 26.11.2015 schon 8 Schüler am höchsten Kompetenzlevel
1 2 3 4 5 6 7 8 9 100.00
2.00
4.00
6.00
8.00
10.00
12.00
14.00
16.00
18.00
Durchschnitt des erreichten Kompetenzlevel
VK KK
Überprüfen der Hypothesen: HY4
Nicht alle Schülerinnen und Schüler in den Versuchsklassen erreichen das höchste Kompetenzlevel.o Hypothese 4 bestätigt
Anteil Klassen: Anzahl K-ID 4 K-ID 5 K-ID 6Anzahl der Schülerinnen und Schüler KL 10: 17 53% 29% 18%Anzahl der Schülerinnen und Schüler KL 10 15: 24 42% 33% 25%Anzahl der Schülerinnen und Schüler im höchsten KL: 32 13% 41% 47%
Überprüfen der Hypothesen: HY5
Vor allem Schülerinnen und Schüler in den Versuchsklassen, die nicht regelmäßig die geforderte Anzahl an Aufgaben erledigen, haben eine schwächere Leistungskurve und erreichen nicht das höchste Kompetenzlevel.o Hypothese 5 bestätigt
S-ID Leistungszuwachs Abweichung vom Durchschnitt
Erreichtes KL
402 0% -7,68% 8407 -8,3% -15,98% 10… .. … …518 0% -7,68% 12605 8,3% 0,62% 6624 -8,3% -15,98% 10Durchschnitt 4% -3% 9,384615385
Überprüfen der Hypothesen: HY6
Lehrerinnen und Lehrer haben einen größeren Aufwand für die Erstellung einer Übersicht über den Lernfortschritt und die Leistung der Schülerinnen und Schüler in den Kontrollklassen als in den Versuchsklassen.o Hypothese 6 bestätigt Online-Statistik
o Noch keine Statistik bei dertraditionellen Methode
Überprüfen der Hypothesen: HY7
Lehrerinnen und Lehrer können beim Verwenden des Online-Trainers aufgrund der automatischen Auswertung leichter und schneller auf die auftretenden Probleme von Schülerinnen und Schüler individuell reagieren. o Hypothese 7 bestätigt
Überprüfen der Hypothesen: HY8
Durch den Wegfall der Erstellung von Arbeitsblättern und deren Auswertung in den Versuchsklassen beim Arbeiten mit Learning-Analytics-Applikationen entsteht eine Zeitersparnis für Lehrerinnen und Lehrer.o Hypothese 8 bestätigto Zeitersparnis von durchschnittlich 20 Min. Gesamtaufwand traditionell Gesamtaufwand Online-Trainer
ohne Statistik mit Statistik Individuell Ohne Individualität
Minimum 19 Minuten 29 Minuten 10 Minuten 5 Minuten
Maximum 34 Minuten 61 Minuten 43 Minuten 10 Minuten
Durchschnitt 26 Minuten 47 Minuten 21 Minuten 6 Minuten
Zusammenfassungo Gleicher Lernerfolg, wie die traditionelle Methode
o Große Zeitersparnis für Lehrer
o Normalerweise keine Übungszettel über ein Semester verteilt
o Online-Trainer lässt sich leicht zusätzlich aufgeben
o Übungen über längere Zeiträume ohne Probleme
Zusammenfassungo Automatische Fehleranalyse
o Gute Übersicht über die Kompetenzen der Schülerinnen und Schüler
o Individualisierte Fehlerauswertung
o Geringer Zeitaufwand pro Woche (bei kürzester Methode durchschnittlich 6
Minuten!)
o Keine auftretenden Kosten auf Lehrer- und Schülerseite
Literaturo Agyris, C., & Schön, D. A. (1974). Theory in Practice: Increasing professional effectiveness. Jossey-Bass.
oBathelt, I., Post, S., & Padberg, F. (1986). Über typische Schülerfehler bei der schriftlichen Division von natürlichen Zahlen.
oBaumgartner, P., Häfele, H., & Maier-Häfele, K. (2002). E-Learning Praxishandbuch: Auswahl von Lernplattformen. Marktüberischt - Funktionen - Fachbegriffe. Innsbruck Wien: Studien-Verlag.
oBMBF. (2003). Lehrplan der Volksschule, Siebenter Teil, Bildungs- und Lehraufgaben sowie Lehrstoff und didaktische Grundsätze der Pflichtgegenstände der Grundschule und der Volksschuloberstufe, Grundschule - Mathematik. Abgerufen am 17. März 2016 von Bundesministerium für Bildung und Frauen: https://www.bmbf.gv.at/schulen/unterricht/lp/VS7T_Mathematik_3996.pdf
oClow, D. (2012). The Learning Analytics Cycle: Closing the loop effectively. LAK '12 - Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (S. 134-138). New York: ACM.
oEbner, M. (2015). Wozu Learning-Analytics-Applikationen im Mathematikunterricht? In M. Ebner, L.A. multimedia (S. 40-41).
oErpenbeck, J., & Sauter, W. (2013). So werden wir lernen! Berlin Heidelberg: Springer-Verlag.
oGeier, G. (2015). Adaptives Informationssystem zur Erlernung mehrstelliger Division. Graz.
oHasemann, K., & Gasteiger, H. (2014). Anfangsunterricht Mathematik. Springer Spektrum.
oHienerth, C., Huber, B., & Süssenbacher, D. (2009). Wissenschaftliches Arbeiten kompakt. Wien: Linde International.
LiteraturoKalz, M., & Schön, S. (2009). Persönliche Lernumgebungen: Grundlagen, Möglichkeiten und Herausforderungen eines neuen Konzepts. In K. Wilbers,
& A. Hohenstein, Handbuch E-Learning (S. 1-24).
oKalz, M., Schön, S., Lindner, M., Roth, D., & Baumgartner, P. (2011). System im Einsatz - Lernmanagement, Kompetenzmanagement und PLE. In M. Ebner, & S. Schön, Lehrbuch für Lernen und Lehren mit Technologien(L3T) (S. 15-21). Norderstedt: Books on Demand GmbH Verlag.
oKerres, M. (2001). Multimediale und telemediale Lernumgebungen. Konzeption und Entwicklung. München Wien: Oldenburg Verlag.
oKolb, D. A. (1984). Experiental Learning: Experience as the source of learning and development. NJ: Prentice Hall.
oLaurillard, D. M. (2002). Rethinking University Teaching: a conversational framework for the effective use of learning technologies. Routledge Falmer.
oLockyer, L., & Dawson, S. (2011). Learning Designs and Learning Analytics. LAK'11 (S. 153-156). Banff: ACM.
oMavani, M. (2010). Blending Intelligent and Reciprocal Tutoring Systems: A Dynamic Approach. International Conference and Workshop on Emerging Trends in Technology (S. 704-707). Mumbai: ACM.
oNeuhold, B. (2013). Learning Analytics - Mathematik Lernen neu gedacht. Graz: Books on Demand GmbH, Norderstedt.
oPadberg, F. (2011). Didaktik der Arithmetik, 4. erweiterte, stark überarbeitete Auflage. Heidelberg: Spektrum Akademischer Verlag.
LiteraturoPauer, F. (2004). Division mit Rest - der heimliche Hauptsatz der Algebra. Innsbruck.
oPronegg, M. (2015). Learning Analytics - Eine Feldstudie zum Einsatz von Learning-Analytics-Applikationen in der Mathematik. Graz.
oSchön, D. A. (1983). The Reflective Practitioner: How professionals think in action. Temple Smith.
oSchön, D. A. (1991). The Reflective Turn: Case studies in and on educational practice. Teachers College Press.
oSchön, M., & Ebner, M. (2013). Das Gesammelte interpretieren - Educational Data Mining und Learning Analytics. Abgerufen am 2016. 03 12 von L3T: http://l3t.tugraz.at/index.php/LehrbuchEbner10/article/view/119/117
oSchön, M., Ebner, M., & Kothmeier, G. (2012). It's Just About Learning the Multiplication Table. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK '12) (S. 73-81). Vancouver: ACM.
oSteffens, U., & Höfer, D. (2014). Die Hattie-Studie. Bundesministerium für Bildung und Frauen.
oSteyrer, M. (2012). Adaptives Informationssystem für mathematische Lernanwendungen. Graz.
oTaraghi, B., Ebner, M., & Schön, S. (2013). Systeme im Einsatz - WBT, LMS, E-Portfolio-Systeme, PLE und andere. In S. Schön, & M. Ebner, Lehrbuch für Lernen und Lehren mit Technologien. Abgerufen am 13. März 2013 von http://l3t.tugraz.at/index.php/LehrbuchEbner10/article/view/137/90
oWittmann, G. (2007). Von Fehleranalysen zur Fehlerkultur. Abgerufen am 17. März 2016 von https://eldorado.tu-dortmund.de/bitstream/2003/30872/1/041.pdf
oYang, F.-J. (2010). The Ideology of Intelligent Tutoring Systems. New York: ACM.