Realisierung adaptierender Funktionalitäten im Learning Content Management System Moodle

Bachelorarbeit von Tamara Rachbauer

Einleitung:

Immer mehr Universitäten und Fachhochschulen bieten zusätzlich zum traditionellen Studium berufsbegleitende Fernstudiengänge mittels E-Learning an. Dabei findet die Anpassung der Lernsysteme an die individuellen Bedürfnisse der Lernenden leider eine immer noch zu geringe Bedeutung.

Im Kapitel 2 werden die Begriffe E-Learning, asynchrones und synchrones E-Learning und Blended Learning kurz erklärt. Des Weiteren werden E-Learning-Systeme und Standards beschrieben.

Ein eigenes Kapitel 3 beschäftigt sich mit der Bedeutung von Adaption im Bereich von E-Learning. Dabei werden verschiedene Begriffe im Zusammenhang mit Adaption erklärt, Adaptionsmöglichkeiten aufgezählt und Beispiele für bereits existierende, adaptive Lernsysteme gezeigt.

Anschließend wird im Kapitel 4 evaluiert, inwieweit Adaptivität in Moodle und seinen Konkurrenzplattformen vorhanden ist.

Kapitel 5 beschäftigt sich mit der Erweiterung von Moodle um adaptierende Funktionalitäten. Hier werden bereits vorhandene Personalisierungs- und Adaptionsmöglichkeiten beschrieben und Moodle um ein adaptierendes Modul erweitert.

Die Arbeit wird im Kapitel 6 mit einer zusammenfassenden Wertung und einem Ausblick abgeschlossen.

Inhaltsverzeichnis:

Textprobe:

Kapitel 3.5, Beispiele für adaptive Lernsysteme: Kapitel 3.5.1, ActiveMath: Die Open-Source-Software ActiveMath, die vom Deutschen Forschungsinstitut für Künstliche Intelligenz (DFKI) in Saarbrücken entwickelt wurde, speichert laut ActiveMath die persönlichen Eigenschaften und den Wissensstand der Lernenden in einem Benutzerprofil. Aufgrund dieser Informationen werden dann die Lerninhalte an die Lernenden angepasst erzeugt. Dabei ist eine Variation im Hinblick auf Lerngeschwindigkeit als auch auf Erklärungstiefe und Herangehensweise möglich. Des Weiteren macht ActiveMath den Lernenden Vorschläge zu ihrem optimalen Lernpfad.

Kapitel 3.5.2, AdeLE - Adaptive eLearning with Eye-Tracking: AdeLE ist, wie aus dem Namen bereits hervorgeht, ein adaptives E-Learning System, welches Eye-Tracking-Technologie verwendet, um laut AdeLE herauszufinden, welcher Lerntyp sich gerade vor dem Bildschirm befindet. Dazu werden mit Hilfe von Infrarotdioden Reflexionen auf dem Auge der Lernenden generiert. Die direkt im Bildschirm integrierte Kamera zeichnet die Blickbewegungen der Lernenden auf und erkennt daran, welche Inhalte präsentiert werden sollen. Für den visuellen Typ z. B. sind dies grafisch aufbereitete Inhalte, für den auditiven Typ werden zusätzliche Audiostreams angeboten. AdeLE ist ein im November 2003 gestartetes Forschungsprojekt zwischen der Fachhochschule Joanneum und dem Institut für Informationssysteme und Computermedien der Technischen Universität Graz. Wie auf AdeLE beschrieben, wurde 2005 ein erster Prototyp auf der Wissensmanagement-Konferenz „i-Know“ in Graz präsentiert. Bis die Technik serienreif ist, wird es nach AdeLE wahrscheinlich noch bis 2010 dauern.

Kapitel 3.5.3, Chameleon: Chameleon ist laut Eichelsberger eine Software, die Adaption anhand einer individuellen Lernweggenerierung vornimmt. Dabei ist der individuell angepasste Lernweg bezüglich der Vorkenntnisse, der technischen Ausstattung und des Lerntyps auf die Lernenden abgestimmt. Chameleon funktioniert laut Eichelsberger folgendermaßen: Die Software verwaltet eine Wissensbasis, die über mehrere Lernwege verfügt. Diese werden, auf die individuellen Bedürfnisse der Lernenden bezogen, gewichtet. Anschließend wird der am besten passende Lernweg ausgewählt und den Lernenden präsentiert.

Kapitel 3.5.4, GRAPPLE - Generic Responsive Adaptive Personalized Learning Environment: Das vom Februar 2008 bis zum Februar 2011 dauernde GRAPPLE Projekt beschreibt sein Hauptziel auf als das Bereitstellen einer Lernumgebung, die eine automatische Anpassung an persönliche Präferenzen, Vorwissen, Fähigkeiten und Kompetenzen, Lernziele und den sozialen Kontext, in dem das Lernen stattfindet, durchführt. Dabei stellt GRAPPLE Autorentools zur Verfügung, die die Lehrenden unterstützen, adaptive und interaktive Lernmaterialien zu erstellen.

Kapitel 3.55, INSPIRE - Intelligent System for Personalized Instruction in a Remote Environment: Ein Beispiel für ein E-Learning-System, welches Adaption auf Basis von Lernstilen durchführt, ist das im Jahr 2003 entwickelte INSPIRE. Dieses verwendet laut Schulmeister die vier Lernstile Aktivisten, Reflektierer, Theoretiker und Pragmatiker. Um den entsprechenden Lernstil zu ermitteln, müssen die Lernenden zu Beginn einen Fragebogen ausfüllen. Die Ergebnisse verwendet INSPIRE, um die Lernenden einem bestimmten Lernermodell zuzuordnen. Anhand von diesen Modellen werden die Inhalte angeordnet und präsentiert und eine adaptive Navigationsunterstützung angeboten.

Lernende mit dem Lernstil Reflektierer bekommen zuerst ein Beispiel zum Lesen, dann ein Stück Theorie und zum Abschluss eine Übung. Bei den anderen Lernstilen wird die Reihenfolge verändert.

Kapitel 3.5.6, Learning Companion - Der Lernfreund: Das Projekt Digital Life beschäftigt sich mit dem Einfluss der verschiedenen Gemütszustände der Lernenden auf den Lernprozess. Ein Versuch einer programmtechnischen Umsetzung ist der sogenannte Learning Companion, auf Deutsch der Lernfreund. Hinter dem Begriff versteckt sich eine Software, die anhand einer speziellen Hardware die Gemütszustände des Lernenden analysiert und darauf reagiert. Dabei werden die Emotionen der Lernenden laut Digital Life mit Bio-Sensoren aufgezeichnet, und die Daten dann der Software übermittelt. Im Laufe der Forschungszeit sind von Digital Life einige Prototypen zur Ermittlung der Gemütszustände entwickelt worden:

Der Galvanic Skin Response (GSR) Sensor: Dieser funktioniert über den Wirkleitwert der Haut. Dabei werden den Lernenden Elektroden an Finger oder Zehen in Form von Manschetten angelegt und die Veränderung des Hautwirkleitwerts aufgezeichnet. Dieser verändert sich je nach Gemütslage. Die Schweißdrüsenaktivität steigert die elektrische Leitfähigkeit und macht so das Erregungsniveau messbar. Der Blood Volume Pulse (BVP) Sensor: Dieser nimmt den Blutdruck in den Gliedmaßen mittels eines speziellen Verfahrens wahr, welches die Aktivität, die Größe und die Blutdurchflussmenge in den peripheren Blutgefäßen (Fingerspitzen, Ohrläppchen …) erfasst und aufzeichnet. Die Veränderung dieser Aktivitäten ist Barometer der jeweiligen emotionalen Verfassung. Der Respiration-Sensor bzw. Atmungssensor: Dieser kann über das Brustbein oder das Zwerchfell die Atemaktivität messen. Durch die Atemfrequenz kann auf die emotionalen Zustände der Lernenden geschlossen werden. Der Electromyogram Sensor (EMG): Dieser ermittelt die elektrische Aktivität der Muskelkontraktion z.B. im Gesicht, wodurch die Stimmungen der Lernenden widergespiegelt werden.

Kapitel 3.5.7, L4 – Life Long Learning Laboratory: Das von der TU Darmstadt in der Entwicklung befindliche Projekt L4 - Life Long Learning Laboratory ermöglicht den Lernenden neben der Auswahl der Inhalte, die durch Tests ermittelt werden, auch die Auswahl zwischen verschiedenen Lernzielen. Abhängig von der Wahl bekommen die Lernenden nur die Inhalte vorgesetzt, die ihnen helfen, ihr gewähltes Ziel zu erreichen.

Kapitel 3.5.8, Open-EIS LMS: Ein Beispiel für ein E-Learning-System, das eine Adaption auf Basis von Learning on Demand anbietet, stellt open-EIS der Community4you GmbH dar. Das open-EIS LMS bietet ein integriertes WYSIWYG-Autorensystem, einen Frageneditor, Fragetypenauswahl, einen Konfigurator und ein Course Delivery System. Das SCORM-fähige System verfügt über eine einfach zu bedienende, grafische Oberfläche und beinhaltet alle Funktionen zur Verwaltung und Statistik von Lernenden, Kursen und Prüfungen, zur statistischen Auswertung von Ergebnis- und Lernstatusdaten sowie zur Offline-Arbeit durch einen Offline Client.

Kapitel 3.5.9, Projekt iWeaver: In Schulmeister wird ein weiteres im Jahr 2003 entwickeltes E-Learning-System mit dem Namen iWeaver beschrieben, welches Adaption auf Basis von Lernstilen durchführt. Dabei wird der Lernstil anhand von 118 Fragen ermittelt, die zu Beginn gestellt werden. Es wird zwischen verbalen, visuellen, auditiven und taktilen Lernenden unterschieden.

Kapitel 3.5.10, Projekt LIP - Learning in Progress: Schmidt beschreibt in [Schmidt 2004] einen Prototyp für ein System, das Anpassung auf Basis des in Kapitel 3.4.4 vorgestellten, kontextgesteuerten Lernens durchführt und in Unternehmen eingesetzt werden soll.

LIP kann dem Benutzer auf Basis seines Kontextes personalisierte Lernprogramme empfehlen, indem das Lernsystem über spezielle Schnittstellen Informationen, wie aktueller Prozessschritt oder Aufgabe, ermittelt und überprüft, ob Bedarf nach einem Lernprogramm besteht, welches den aktuellen Wissensbedarf decken kann. Dabei verwendet das System das sogenannte Matching-Verfahren, das aus den folgenden drei Schritten besteht: Analyse der Wissenslücke, das heißt der Menge von Kompetenzen, die erforderlich sind, aber die Lernenden nicht besitzen. Ermitteln von Lernobjekten, die diese fehlenden Kompetenzen vermitteln können und das Zusammenstellen eines passenden Lernprogramms. Bewerten der möglichen Lernprogramme anhand von Benutzerpräferenzen.