Auflistung nach Autor:in "Merceron, Agathe"
1 - 10 von 13
Treffer pro Seite
Sortieroptionen
- TextdokumentEin Chatbot für die Erstellung von Übungsaufgaben im ELearning(Bildungsräume 2017, 2017) Edriss, Majd; An, Truong-Sinh; Dubois, Francois; Merceron, AgatheZiel dieser Arbeit ist die Entwicklung eines alternativen Verfahrens zur Erstellung von Übungsaufgaben im Projekt “Smart Learning im Handwerk - SLHw” in Form eines Chatbots. Dieser Beitrag bietet hierzu erste grundlegende Recherche und Lösungsansätze zur Implementierung.
- KonferenzbeitragErste Untersuchungen zur Notenprognose für ein Kursempfehlungssystem(Proceedings of DELFI Workshops 2020, 2020) Wagner, Kerstin; Merceron, Agathe; Sauer, PetraKursempfehlungssysteme können den Studienerfolg unterstützen. Eine wichtige Komponente eines solchen Systems ist die Prognose der Note, die Studierende bei Kursbelegung erwarten können. In diesem Beitrag werden verschiedene Algorithmen zur Notenprognose eingesetzt und verglichen. Die Modelle der linearen Regression liefern die besseren Ergebnisse. Darüber hinaus haben sie den Vorteil, nachvollziehbar zu sein, was Nutzende befähigt, die Grenzen des Modells besser einzuschätzen, und somit zu entscheiden, wie viel Vertrauen sie dem System schenken möchten.
- Konferenz-AbstractImperfection in Learning Analytics(DeLFI 2018 - Die 16. E-Learning Fachtagung Informatik, 2018) Merceron, AgatheDie Benutzung der Informations- und Kommunikationstechnologien in der Bildung bewirkt, dass in diesem Bereich auch viele Daten elektronisch vorliegen. Das relativ junge Feld Learning Analytics beschäftigt sich mit der Auswertung dieser Daten mit dem Ziel, Lernen und Lernumgebungen zu verstehen und zu optimieren. Dazu bedient sich Learning Analytics unter anderem der Techniken aus dem maschinellen Lernen. Es folgen ein paar Beispiele: • Algorithmen werden benutzt, um vorherzusagen, ob Studierende in einem Studium oder in einem Kurs „at risk“ sind. • Algorithmen werden benutzt, um zu berechnen, ob Studierende manche Konzepte noch nicht gut beherrschen und daher mehr Übungen präsentiert bekommen müssen. • Algorithmen werden benutzt, um typische Lernverhalten zu entdecken. • Algorithmen werden benutzt, um Lernempfehlungen auszusprechen. • „Dashboards“ werden erstellt, um Lehrenden wie Lernenden einen Überblick über die Lernfortschritte anzubieten. Der Trend ist, diese Anwendungen mit einem „User-Centered Design“-Vorgehen zu entwickeln. Doch weder die Ergebnisse der Algorithmen noch die Daten sind perfekt. Ein Lernender wird zum Beispiel mit einer Wahrscheinlichkeit von 73.3 % als „at risk of failing a course“ eingestuft, nicht mit 100 %. Kitto, Buckingham Shaw und Gibson stellen in meinen Augen eine sehr berechtigte Frage: “It is usually assumed to be important that classifiers be accurate, as otherwise a student will be subjected to inappropriate interventions. However, such a position leaves us in a dilemma; are we to wait until perfect accuracy is achieved?”, siehe “Embracing Imperfection in Learning Analytics”, Proceedings LAK 18. In dieser Keynote werde ich Arbeiten aus meiner Forschung vorstellen, welche mit diesem Dilemma zu tun haben.
- KonferenzbeitragKonzept eines Gamification-Moduls für das Smart Learning Projekt: ein „data-driven“ Ansatz(DeLFI 2018 - Die 16. E-Learning Fachtagung Informatik, 2018) An, Truong-Sinh; Merceron, Agathe; Edriss, MajdMit der Smart Learning Infrastruktur wurde ein neuartiges didaktisches Konzept für Kurse in der Weiterbildung entwickelt. Diese Infrastruktur ist vielfältig anwendbar. Erste Analysen von Kursen zeigen, dass TeilnehmerInnen, die alle Übungen korrekt abgearbeitet haben, eine bessere Note erreichen als die Durchschnittsnote. Dieser Beitrag beschreibt ein Konzept für ein Gamification-Modul, welches mit spielerischen Elementen möglichst frühzeitig dazu animiert, alle Übungen eines Kurses korrekt und mit Verstand abzuarbeiten.
- KonferenzbeitragLearning Analytics und Visualisierung mit dem LeMo-Tool(DeLFI 2013: Die 11 e-Learning Fachtagung Informatik, 2013) Beuster, Liane; Elkina, Margarita; Fortenbacher, Albrecht; Kappe, Leonard; Merceron, Agathe; Pursian, Andreas; Schwarzrock, Sebastian; Wenzlaff, BorisDie Entwicklung des Lernprozess Monitoring Werkzeugs (LeMo) zielt darauf hin, Lehrende, Forschende und Anbieter von e-Learning bei der Analyse von Nutzungsdaten ihrer Onlineund Blended-Learning Lernszenarien zu unterstützen. LeMo ermöglichst es Verkehrsdaten sowohl von personalisierenden Lernplattformen, wie Clix oder Moodle, als auch von nicht-personalisierenden Plattformen mit frei zugänglichen Inhalten, auszuwerten. Das Tool ermöglicht verschiedene Analysen, wie zum Beispiel den Verlauf der Intensität der Aktivitäten über die Zeit, die durchschnittliche Nutzung des Angebots zu bestimmten Zeiten in der Woche, das Erkennen häufiger Pfade, einen Graphen über die Navigation zwischen den verschiedenen Lernobjekten eines Kurses und einen Überblick über die durchschnittlichen Testergebnisse. Filtereinstellungen zur Wahl des Zeitraums, der Lernobjekte, des Lernobjekt-Typs, der Nutzergruppe und visuelle Einstellungen erlauben spezifischere Analysen. Ein Hauptaugenmerk bei der Entwicklung des LeMo-Tools liegt auf der Nutzerfreundlichkeit und der dynamischen Visualisierung der Analyseergebnisse.
- ZeitschriftenartikelLearning Analytics: Data Science in der Bildung(Vol. 42, Data Science und Digitale Transformation, 2018) Merceron, Agathe
- KonferenzbeitragLehren mit Learning Analytics - erste Erfahrungen mit dem Tool LeMolena(DeLFI 2014 - Die 12. e-Learning Fachtagung Informatik, 2014) Elkina, Margarita; Fortenbacher, Albrecht; Merceron, AgatheLearning Analytics Tools erlauben einen Einblick in aktuelle und bereits abgeschlossene Kurse. Mit Analysen zur Nutzung der Online-Ressourcen und zum Navigationsverhalten der Lernenden können Dozenten Tendenzen beim Lernverhalten erkennen und auf Probleme reagieren. Der Beitrag präsentiert die Auswertung einer Umfrage unter \?Erstanwendern“ von LeMo, die sich im Wesentlichen auf die Nutzbarkeit der angebotenen Analysen und auf die Relevanz für die eigene Lehre konzentriert.
- KonferenzbeitragLeichtere Datenanalyse zur Optimierung der Lehre am Beispiel Moodle(DeLFI 2010 - 8. Tagung der Fachgruppe E-Learning der Gesellschaft für Informatik e.V., 2010) Krüger, André; Merceron, Agathe; Wolf, BenjaminLernraumsysteme (LMS) werden an Schulen, Hochschulen sowie in Firmen eingesetzt. Berichte und Statistiken gehören nicht zur ihren Kernfunktionalitäten und sind folglich unzureichend vorhanden. Für Lehrende, Bildungsinstitutionen oder Bildungsanbieter sind Informationen über die Nutzungsart und -weise der angebotenen Lehrveranstaltungen aber von entscheidender Bedeutung. Ziel unserer Arbeit ist es, herkömmliche Lernraumsysteme im Bereich Nutzungsdaten und Nutzerprofile zu ergänzen. In diesem Beitrag stellen wir ein Datenmodell vor, um die Nutzungsdaten, die vom LMS gespeichert werden, leichter zu analysieren. Folgend schlagen wir eine Systemarchitektur vor, um die von einem Lernraumsystem gespeicherten Daten in das Datenmodell zu exportieren. Die Implementierung für das LMS Moodle wird vorgestellt. Zum Abschluss erläutern wir die Datenanalyse eines Moodle-Kurses, die wir mit Hilfe unserer Anwendung durchgeführt haben.
- TextdokumentEine Middleware Infrastruktur für das Teilen von Lerndaten und Diensten zwischen Bildungseinrichtungen(Bildungsräume 2017, 2017) Dubois, Francois; An, Truong-Sinh; Merceron, AgatheIm Projekt “Smart Learning im Handwerk” (SLHw) ist vorgesehen, dass mehrere Bildungseinrichtungen den gleichen Kurs anbieten und dabei dieselben Lernmaterialien nutzen können. Ferner sollen Benutzerinteraktionen mit dem Material lokal gespeichert werden. Um diesen Anforderungen gerecht zu werden, wurde eine Middleware Infrastruktur entwickelt, welche Schnittstellen bereitstellt, um die Kommunikation zwischen Bildungsanbietern und die Nutzung von Diensten zu erlauben, ohne dass diese Bildungsanbieter oder die Dienste direkt miteinander kommunizieren. Dieser Beitrag präsentiert diese Middleware Infrastruktur, ihren Einsatz mit drei Bildungseinrichtungen und vier Kursen sowie eine erste technische Evaluation.
- WorkshopbeitragMining Academic Data to Support Students’ Advisors: A Preliminary Study(Proceedings of DELFI Workshops 2019, 2019) Egbers, Lennart; Merceron, Agathe; Wagner, StephanMany universities take measures to reduce the number of students dropping out. To support students’ advisors better becomes crucial. Besides their knowledge that they acquire through experience, which is a very important human factor in that process, advisors usually know very little about how students get along in their studies. In this paper, we present preliminary work to support advisors better when meeting students. The current investigation includes two main parts called “overview” and “typical completing behaviours”. The overview part contains visualizations giving general information about how students manage the degree as well as information contrasting students who complete the degree and students who drop out. Typical completing behaviours are obtained through clustering. In this work, data from 2276 students have been analysed.