OpenLAP: a user-centered open learning analytics platform

Muslim, Arham; Schroeder, Ulrik (Thesis advisor); Chatti, Mohamed Amine (Thesis advisor); Drachsler, Hendrik (Thesis advisor)

Aachen (2018, 2019)
Doktorarbeit

Dissertation, RWTH Aachen University, 2018

Kurzfassung

Während der letzten Jahre hat das Thema Learning Analytics (LA) das Interesse von Forschern aus dem Bereich Technology Enhanced Learning (TEL) erweckt. Generell geht es dabei um die Entwicklung von Methoden zur Analyse von in Lernumgebungen anfallenden Daten mit dem Ziel Lernprozesse zu unterstützen. Der Grundgedanke fasst diese Unterstützung als einen Prozess von Daten zu Analyse zu Handlungen zu Lernen auf. Da in letzter Zeit Möglichkeiten von selbstorganisiertem, vernetztem und lebenslangen Lernen wichtiger geworden sind, entsteht ein Bedarf an einem besseren Verständnis wie verschiedene Lerner in offenen Lernumgebungen lernen und wie Lehrende, Institutionen und Forscher dies unterstützen können. Des Weiteren sollte diese Offenheit in der Konzeptualisierung und Entwicklung von innovativen LA Ansätzen berücksichtigt werden um effektivere Lernerlebnisse zu ermöglichen. Mit Open Learning Analytics (OLA) entsteht ein Forschungsfeld, das das Potential hat die Herausforderungen für LA in offenen Lernumgebungen zu anzugehen. Jedoch mangelt es momentan noch an konkreten Lösungen und Implementierungen für effektive OLA Anwendungen. Die meisten momentan verfügbaren Lösungen involvieren den Endbenutzer nicht kontinuierlich in den LA Prozess und folgen Designmustern die nicht einfach an sich verändernde Anforderungen angepasst werden können. Zudem sind existierende Implementierungen oftmals nur für spezifische Anwendungsszenarien gedacht, die nur die Anforderungen einer bestimmten Nutzergruppe adressieren und dabei auf einer vordefinierten Menge von Systemanfragen und Indikatoren basieren. Dies beschränkt die Einsatzmöglichkeiten solcher Lösungen, während es die Idee von OLA ist mehrere Nutzergruppen mit unterschiedlichen Informationsbedürfnissen zu unterstützen. Das Ziel dieser Dissertation ist es, den LA Prozess besser zu personalisieren. Dazu wurde eine effektive und nutzerzentrierten Open Learning Analytics Plattform (OpenLAP) gestaltet, sowie eine konzeptuelle Implementierung evaluiert. OpenLAP stellt hierbei eine benutzerfreundliche Oberfläche zur Verfügung, welche ein interaktives und exploratives Nutzererlebnis in Echtzeit ermöglicht indem Benutzer dynamisch neue Indikatoren für ihre Analyseziele definieren können. Darüber hinaus ist OpenLAP als ein modulares und erweiterbares OLA Ökosystem aufgebaut, dass es erlaubt neue Datenquellen, Analysemethoden und Visualisierungstechniken einfach zur Laufzeit zu integrieren, um damit das System an neue Anforderungen unterschiedlicher Nutzertypen zu adaptieren. Die wichtigsten Beiträge dieser Dissertation sind: (1) eine umfassende Analyse der momentan verfügbaren Werkzeuge und Lösungen für LA bezüglich ihrer Offenheit und Unterstützung von Personalisierung, (2) ein theoretisch fundiertes Design eines nutzerzentrierten Systems (OpenLAP) anhand von Anforderungen, die auf einer empirischen Literaturanalyse basieren, (3) einer konkreten Implementierung von OpenLAP mit einer Benutzeroberfläche zur Gestaltung selbstdefinierter Indikatoren, sowie einen Mechanismus für die Integration neuer Datenquellen, Analysemethoden und Visualisierungstechniken und (4) eine gründliche Evaluation des Systems in einer Pilotstudie an der RWTH Aachen in Bezug auf Gebrauchstauglichkeit, Nützlichkeit, Erweiterbarkeit und Modularität.