(Pro-)Seminare & Praktika

 

​​Sommersemester 2023

Proseminare

Learning Analytics and Educational Data Mining
Data Mining versucht mittels verschiedener systematischer Analyseansätze aus größeren Datenmengen Erkenntnisse zu gewinnen, indem bspw. Muster oder Zusammenhänge aufgedeckt werden. Dies geschieht z.B. mittels statistischer Verfahren oder Machine Learning Techniken und gewinnt auf Grund der zunehmenden Menge an verfügbaren Nutzer- und Interaktionsdaten an Bedeutung. Dabei stehen nicht nur wirtschaftliche Interessen im Fokus sondern mit Educational Data Mining auch bildungspolitische. Gleichermaßen versucht auch Learning Analytics diverse Daten von Lernenden zur Verbesserung der Lehre- und des Lernens nutzbar zu machen und zu interpretieren, oft in Form von Vorhersagen über Verhalten oder Erfolg von Studierenden. Dieses Proseminar für Informatik und verwandte Studiengänge gibt eine Einführung in Educational Data Mining und Learning Analytics, deren Techniken, Anwendungen, Potentiale, Risiken, etc. Dabei folgt es einem konferenzähnlichen Ablauf, bei dem verschiedene Themen über das Semester verteilt erarbeitet und in einem Block am Ende vorgestellt werden. Der Fokus liegt dabei auf dem Erlernen des wissenschaftlichen Arbeitsprozesses und wird von wöchentlichen Arbeitsaufträgen begleitet.

Ansprechpartner*in: René Röpke (roepke@informatik.rwth-aachen.de)

Seminare

Accompanying seminar: Multimodal Learning Analytics in Virtual Reality (Master)
This seminar is offered alongside a Research Focus Class (RFC) at the chair, so you can only choose it if you have a commitment to the RFC. The goal of the seminar is to improve and deepen the theoretical basis for the RFC.

Ansprechpartner*in: Birte Heinemann (heinemann@informatik.rwth-aachen.de)

Technology Enhanced Learning for Programming Education (Master)
This seminar covers topics on programming education, modern programming environments (e.g., Jupyter, JACK), automated assessment and feedback, new trends in programming education, e.g., gamification, artificial intelligence and personalization. Possible topics may include: Automated Exercise Grading in Python, Code Quality Assessment for Python, Gamification in Programming Environments, Personalization in Programming Education, Artificial Intelligence in Programming Environments, Peer Learning and Gamification in Programming Education, Individual Support for Novice Programmers using Jupyter

Ansprechpartner*in: Annabell Brocker (a.brocker@informatik.rwth-aachen.de)

Research Focus Class

Multimodal Learning Analytics in Virtual Reality
Dieser forschungsorientierte Kurs richtet sich an Studierende, die Interesse an aktuellen Fragestellungen, Entwicklungen und Forschung im Bereich moderner Lerntechnologien haben. Neue Technologien für gute Lehre zu erschließen ist oft ein iterativer Prozess. Fragen, die sich Lehrende und Forscher stellen sind zum Beispiel: Welche Inhalte eignen sich um sie in VR zu lehren? Wie können wir die Vorteile der virtuellen Realität bestmöglich nutzen? Eine besonders wichtige und viel diskutierte Frage ist nicht zuletzt: wie können wir empirisch zeigen, dass unsere Lernumgebungen funktionieren und die Studierenden/ SchülerInnen die Inhalte verstehen und lernen? Wie empfinden Lernende die neuen Technologien? Wie können wir klassisches Lernen in Vorlesungen mit einer Lerneinheit in VR vergleichen?
Diese Research Focus Class für Informatik und verwandte Studiengänge wird diese und ähnliche Fragestellungen in den Fokus des Kurses stellen. Zunächst erfolgt eine Einführung in den aktuellen Stand der Forschung zum Bereich virtueller Realität und Forschung im Bereich Bildungstechnologien. Im Folgenden Fragestellung und Forschungsidee identifiziert und diese werden gemeinsam diskutiert. Nach dieser Konzeptphase folgt eine Praxisphase, in der die Studierenden ihre Forschungsidee ausarbeiten (z.B. durch prototypische Implementierungen, Analysen, Experimenten, usw.) und evaluieren. Der Kurs wird durch ein Kolloquium vollendet.

Ansprechpartner*in: Birte Heinemann (heinemann@informatik.rwth-aachen.de)

Interactive Data and Learning Analytics
Dieser forschungsorientierte Kurs richtet sich an Studierende, die Interesse an aktuellen Fragestellungen, Entwicklungen und Forschung im Bereich moderner Lerntechnologien haben. In dieser Research Focus Class geht es um die Analyse verschiedener lerntheoretischer Facetten mittels Learning Analytics. Hierfür sind mögliche Aspekte, die von den Studierenden betrachtet werden können: Präsenz mit verschiedenen Unterkonstrukten wie Flow, Usability, 3D Wahrnehmung, usw.; Interaktivität; verschiedene Taxonomiestufen.
Diese Research Focus Class für Informatik und verwandte Studiengänge wird diese und ähnliche Fragestellungen in den Fokus des Kurses stellen. Zunächst erfolgt eine Einführung in den aktuellen Stand der Learning Analytics Forschung und der Applikation in der die Daten gesammelt wurden. Im Folgenden Fragestellung und Forschungsidee identifiziert und diese werden gemeinsam diskutiert. Nach dieser Konzeptphase folgt eine Praxisphase, in der die Studierenden ihre Forschungsidee ausarbeiten (z.B. durch prototypische Implementierungen, Analysen, Experimenten, usw.) und evaluieren. Der Kurs wird durch ein Kolloquium vollendet.

Ansprechpartner*in: Birte Heinemann (heinemann@informatik.rwth-aachen.de)

Software-Projektpraktika

Daten- und Modellbasierte Automatisierung von Produktionssystemen
Grundlage der Daten- und Modellbasierten Automatisierung von Produktionssystemen ist die valide Erfassung von Messdaten zur rechtzeitfähigen Aufnahme des Produktionsstatus und deren Rückführung zur Befähigung von adaptiven Automatisierungstechnologien. Forschungsschwerpunkte sind daher die Entwicklung von geeigneten Sensorsysteme zur Datenaufnahme und die Modellbildung zur Verknüpfung von Sensordaten und Produktionsprozessen. Geleitet vom Paradigma "Automation of Automation" werden Automations- und Kommunikationstechnologien (z.B. Reinforcement Learning, 5G) für den Einsatz mobiler Roboter und Manipulatoren in der Montage erforscht. Weiterhin stehen die daten- und modellgetriebene Vernetzung konventioneller und additiver Fertigungsprozesse mit mehrdimensionalen bildgebenden Technologien auf Röntgen-, Thermografie- und Ultraschallbasis sowie aufgabenspezifischen, kameragestützten Machine Vision Lösungen im Forschungsfokus. Machine Learning und industrielle Statistik werden für die risikobasierte Bewertung der verwendeten Daten im Exzellenzcluster "Internet of Production" eingesetzt. Unsere Arbeitsweise ist durch eine enge Zusammenarbeit mit unseren Industriepartnern aus verschiedenen Branchen (Automobil, Elektronik, Medizintechnik, Luftfahrt, etc.) geprägt. So gewährleisten wir in unserer Forschung einen hohen Bezug zu praktischen Fragestellungen und stellen den Ergebnistransfer von der Produktionsforschung in die Anwendung sicher.

Ansprechpartner*in: Dominik Wolfschläger (d.wolfschlaeger@wzl.rwth-aachen.de)

Digitalisierung in der Produktion
Am Fraunhofer-Institut für Produktionstechnologie IPT in Aachen forschen wir zusammen mit Partnern aus der Industrie an praxisrelevanten Themen zur Digitalisierung und Automatisierung der Produktion. Im Rahmen dieses Praktikums sollen daher verschiedene Module einer vernetzten, intelligenten Produktion beispielhaft erarbeitet und zu einem funktionsfähigen Gesamtsystem zusammengeführt werden. Dazu gehören unter anderem eine flexible Produktionsplanung, semantische Plug & Produce Schnittstellen, das Produktionsdatenhandling, Smart Devices, Data Analytics und Machine Learning. Dabei durchläuft jedes Team mit seinem Modul den gesamten Software Engineering Prozess. Diese Module werden auf Basis von Java oder C# mit teilweise bereits existierenden Systemen umgesetzt. Zum Testen und Validieren der Anwendungen stehen vielfältige Produktionsanlagen in unserem Institut bereit. Das Praktikum wird semesterbegleitend stattfinden. Es wird fixe Meilensteine (samt verpflichtender Treffen in der gesamten Gruppe) geben und zusätzlich wöchentliche Gelegenheiten, Hilfe und Feedback zum eigenen Projekt zu erhalten.

Ansprechpartner*in: Robert Siegburg (robert.siegburg@ipt.fraunhofer.de)

Ecurie Aix: Autonomes Fahren von Rennwagen
Im Motorsport geht es immer schneller, leichter, besser. Die Driverless Software von Ecurie Aix soll den Fahrer ersetzen, um genau das zu erreichen. Der Algorithmus muss dazu die Strecke wahrnehmen, eine Karte aufbauen, das Auto lokalisieren, einen Pfad planen und abfahren. Die vielseitigen Herausforderungen werden mit aktuellen Technologien gelöst. Ziel des SPPs ist es, die aktuelle Software im Ecurie Aix Team weiterzuentwickeln und das Auto kontinuierlich zu verschnellern: Die agile Software-Entwicklung realisiert hierfür neue Funktionalitäten und wird schlussendlich am Rennwagen auf der Teststrecke erprobt. Du möchtest in diesem SPP im Interdisziplinären Team deine Soft- und Hardskills weiterentwickeln: dann verabrede zuerst auf der Ecurie Aix Website https://www.ecurie-aix.de/bewerbung ein gegenseitiges Vorstellungsgespräch BEVOR du dich für dieses SPP entscheidest.

Ansprechpartner*in: René Röpke (roepke@informatik.rwth-aachen.de)

Angewandte Webtechnologien: Widgets für Explorables
Explorables sind digitale Lernmaterialien, die stark interaktiv und multimedial gestaltet sind, also außer Text auch Widgets wie Videos, Animationen, Selbsttests, Lernspiele, etc. enthalten (Beispiele hier: https://explorabl.es/). Man kann sie als "digitale Arbeitsblätter" verstehen, die in verschiedenen Lernsettings, zum Beispiel in Schulen, eingesetzt werden können. Um die Erstellung solcher Explorables ohne Programmierkenntnisse zu ermöglichen, entwickeln wir ein entsprechendes webbasiertes Autorenwerkzeug im SPP weiter. Konkret erweitern wir dieses Werkzeug um neue Widgets. Unter Einbezug unterschiedlicher Webtechnologien sollen prototypische Implementierungen im Team entwickelt werden. Dabei folgen wir einem modifizierten, agilen Projektmanagementansatz in Anlehnung an SCRUM.

Ansprechpartner*in: Frederic Salmen (salmen@informatik.rwth-aachen.de)

Praktika

Advanced Web Technologies: Integration of Learning Analytics into an LMS
Every modern learning management system (LMS) should include a learning analytics component to track, analyze and evaluate progress from both student and teacher points of view. A typical implementation of that approach requires two main steps or processes:
1) collecting data on the LMS side using a well-designed collector component and storing collected activity data into an LRS (learning record store) using xAPI (Experience API) statements -- This is the collection process.
2) analyzing collected data using the learning analytics framework EXCALIBUR LA and providing a customizable dashboard for both students and teachers in the LMS -- This is the feedback process.
The lab course is in cooperation with the Innovation Campus of National Technical University "Kharkiv Polytechnic Institute", Ukraine. The LMS used in this lab course is a fork of the actual system used at the university. Your role in the lab course will include but is also not limited to the following tasks: analysis of the LMS, identification of user events to be collected, implementation of a collector component that transforms collected data into xAPI statements, transmission of collected statements to an LRS without potential loss of data in case of interruption, identification of indicators and visualization types for displaying data for students and teachers, extraction and analyses of data from LRS using EXCALIBUR LA, creation of two dashboards for both target groups (i.e. teachers and students) and integration into the LMS

Ansprechpartner*in: Volodymyr Sokol (sokol@cs.rwth-aachen.de)