Leibniz Forschungsinitiative Digitale Bildung

Datengestütztes, digitales Lehren und Lernen

Die Forschungsinitiative „Digitale Bildung – Datengestütztes, digitales Lehren und Lernen“ ist ein interdisziplinärer Zusammenschluss von Kolleg*innen aus den Fachdidaktiken, der Psychologie, Erziehungswissenschaft und der Informatik an der Leibniz Universität Hannover. Gemeinsam verfolgen wir das Ziel, moderne und insbesondere KI-basierte Verfahren der Datenanalyse für das Lehren und Lernen nutzbar zu machen und zu erforschen.

Forschende, Fakultäten und Einrichtungen

In der Forschungsinitiative schließen sich Naturwissenschaftsdidaktikerinnen und -didaktiker sowie Informatikerinnen und Informatiker aus drei Fakultäten (Naturwissenschaftliche Fakultät, Fakultät für Mathematik und Physik, Fakultät für Elektrotechnik und Informatik), dem Forschungszentrum L3S und der Technischen Informationsbibliothek (TIB) zusammen.

Naturwissenschaftliche Fakultät

Fakultät für Mathematik und Physik

Philosophische Fakultät

Fakultät für Elektrotechnik und Informatik | L3S

FORSCHUNGSZENTRUM L3S
DIDAKTIK DER ELEKTROTECHNIK UND INFORMATIK

Assoziierte Mitglieder

Forschungsziele

Vor dem Hintergrund des hohen Innovationspotentials einer digitalen Unterstützung naturwissenschaftlicher Lernprozesse und der Möglichkeiten von Learning Analytics sowie des Maschinellen Lernens besteht das Ziel der Forschungsinitiative „Digitale Bildung“ darin, zu erforschen, wie Lernen, unter Einbindung und Weiterentwicklung moderner Verfahren der Datenanalyse, digital unterstützt werden kann.

Im Fokus steht Lernen in formalen, d.h. schulischen und universitären Kontexten und in informellen Kontexten sowie die entsprechende Innovierung technischer Verfahren.

Die Verbindung der fachdidaktisch-inhaltlichen Expertise zur Evaluation und zur Gestaltung von Lernprozessen mit der Expertise der Informatik zur automatisierten bzw. intelligenten Analyse von Daten erschließt neue Forschungsfelder mit hoher gesellschaftlicher Relevanz.

Forschungsschwerpunkte

Aktuelle Arbeiten der Forschungsinitiative Digitale Bildung werden u.a. im Rahmen Graduiertenkollegs LernMINT umgesetzt.

Details zu den Forschungsschwerpunkten

  • Digital basierte Lernprozesse in den Naturwissenschaften initiieren und untersuchen

    Formale Lehr- und Lernprozesse in der naturwissenschaftlichen Schul- und Hochschulbildung werden auf verschiedene Weisen durch digitale Medien begleitet. Dabei zeichnen sich Lernprozesse in den Naturwissenschaften durch eine Konstruktion fachlicher Vorstellungen unter Einbeziehung bestehender Vorerfahrungen, die Auseinandersetzung mit Naturphänomenen in Beobachtungen und Experimenten sowie die Orientierung auf Kompetenzen im Sinne von fachspezifischen Problemlösefähigkeiten aus. Durch das bisher weitgehend unausgeschöpfte Potential, Lernen durch die automatisierte Diagnose individueller Lernpotentiale und Lernprozesse zu unterstützen und im Sinne eines Formative Assessments zu begleiten, ergeben sich neuartige Möglichkeiten, individualisiert-datenbasierte Formate für heterogene bzw. inklusive Lerngruppen zu entwickeln und in ihren Effekten zu beforschen. Zentrale Ziele sind vor diesem Hintergrund, grundlegende Unterstützungsmöglichkeiten für Lernende und Lehrende zu erarbeiten und neuartige Formen von digital gestütztem Lernen zu entwickeln.

  • Lehr-Lern-Settings mit Robotik, augmented und virtual reality gestalten

    Im Rahmen dieses Schwerpunktes werden Konzepte und konkrete, exemplarische Umsetzungen für den Einsatz der digitalen Medien entwickelt. Hierbei werden zum einen schulische Settings und zum anderen universitäre Veranstaltungen mit vergleichsweise großen Lernkohorten fokussiert. Aufgrund der aktuellen technologischen Entwicklungen sollen u.a. Konzepte entwickelt werden, die beispielsweise Virtual Reality- und Augmented Reality-Technologien (VR- und AR-Technologien) verwenden und motivierende Lernträger (bspw. Roboter, Embedded Systems) integrieren. Bei den einzelnen Aktivitäten werden Studierende der Lehramtsstudiengänge sowie allgemein- und berufsbildende Schulen eingebunden, um, die Evaluation der Konzepte sicherzustellen und zum die Forschungsergebnisse direkt mit aktiven und zukünftigen Lehrkräften einzusetzen und zu diskutieren. Im Bereich kollaborativer Lernplattformen werden Konzepte auf Basis der am L3S entwickelten LearnWeb-Infrastruktur entwickelt und evaluiert, u.a. im Rahmen der Lehrerbildung an verschiedenen Universitäten sowie der Applied Machine Learning Academy in Hannover. Auch wenn aktuell der Schwerpunkt im Bereich der fachdidaktischen Forschung innerhalb der Elektrotechnik und Informatik angesiedelt ist, so ist insbesondere die Untersuchung der Umsetzbarkeit der Konzepte in anderen MINT-Bereichen innerhalb und außerhalb der Forschungsinitiative erwünscht.

  • Learning Analytics und Recommendations

    Das Ziel dieses Schwerpunktes bildet die Untersuchung relevanter Faktoren (Recommendations), die entweder Bedingung bzw. förderliche Faktoren für gelingende digital gestützte Lernprozesse und die Weiterentwicklung von Verfahren aus Data Mining und Learning Analytics für die Diagnose und Gestaltung naturwissenschaftlicher Lernprozesse sind. Hierzu wird beforscht, inwiefern die Integration bestimmter digitaler Methoden Mehrwerte und Risiken für Lernprozesse erzeugen kann. So werden analytischen Desiderata oder sinnvolle Anpassungen und Weiterentwicklungen beschreibbar, z. B. mit Blick auf vergleichsweise „kleine“ Lerngruppen oder die Güte individueller Diagnosen. Untersucht werden bspw., inwiefern Methoden des maschinellen Lernens für die Empfehlung und Strukturierung medialer Lernangebote hilfreich sind oder ob die Analyse des Suchverhaltens als Teil von Lernprozessen (Search as Learning) diese unterstützen kann. Durch die Analyse der digital generierten Daten sowie ergänzender Lernerfolgsanalysen werden die informationstechnische und fachdidaktische Perspektive einbezogen. Dieser interdisziplinäre Ansatz ermöglicht die Benennung von Gelingensbedingungen und Gestaltanforderungen für Bildungsangebote in verschiedenen Settings.

  • Transparenz und Sicherheit im Umgang mit digitalen Daten

    Damit eine zielgerechte Beforschung und Implementation datengestützten Lehrens und Lernens möglich werden, ist ein verantwortungsvoller ethischer Umgang mit erhobenen Daten unerlässlich. Mit Ansätzen wie „trusted learning analytics“ (z. B. Arbeiten von Prof. Dr. Hendrik Drachsler) wird eine wichtige Grundlage für einen verantwortungsvollen und zuverlässigen Einsatz von Learning Analytics gelegt. Darin werden bspw. Aspekte des transparenten Datenumgangs und der entsprechend offenen Kommunikation sowie der Involviertheit und Zustimmung sämtlicher beteiligter Personen adressiert. Die Untersuchung der Überzeugungen und ethischen Urteile von Personen der unterschiedlichen Zielgruppen sowie die Entwicklung von darauf bezogenen vertrauensschaffenden Konzepten bilden die Grundlage für einen breiter werdenden Einsatz in unterschiedlichen Kontexten und Lebensaltern. Eine wesentliche Rolle spielt hier die Gewährleistung von Sicherheit und Privacy. Das Ziel ist es, transparente Verfahren für die Analyse von Lernverhalten und die Gestaltung eines hochschuldidaktischen datengetriebenen Konzepts zu entwickeln. Damit werden sowohl persönliche als auch strukturelle fachbereichsspezifische bis hochschulübergreifende Bedingungen angesprochen.   

Publikationen aus der Forschungsinitiative

Zeige Ergebnisse 21 - 22 von 22

Rebitschek FG, Bocklisch F, Scholz A, Krems JF, Jahn G. Biased Processing of Ambiguous Symptoms Favors the Initially Leading Hypothesis in Sequential Diagnostic Reasoning. Experimental psychology. 2015. doi: 10.1027/1618-3169/A000298
Scholz A, von Helversen B, Rieskamp J. Eye movements reveal memory processes during similarity- and rule-based decision making. COGNITION. 2015. doi: 10.1016/J.COGNITION.2014.11.019

Alt:

 

Bothmann, L., Strickroth, S., Casalicchio, G., Rügamer, D., Lindauer, M., Scheipl, F. & Bischl, B. (2021). Developing open source educational resources for machine learning and data science. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2107.14330

Bruckermann, T., Greving, H., Stillfried, M., Schumann, A., Brandt, M. & Harms, U. (2022). I’m fine with collecting data: engagement profiles differ depending on scientific activities in an online community of a citizen science project. PLOS ONE, 17(10), e0275785. https://doi.org/10.1371/journal.pone.0275785

Büssing, A. G., Borchers, T. & Mittrach, S. (2022). Immersive virtuelle Realität in der Hochschulbildung für nachhaltige Entwicklung: Gestaltungskriterien, Potenziale und Herausforderungen. In Springer eBooks (S. 23–37). https://doi.org/10.1007/978-3-662-65122-3_3

Chen, W. (2022, 1. Oktober). Analyzing Culture-Specific argument structures in learner essays. ACL Anthology. https://aclanthology.org/2022.argmining-1.4/

Filter, E., Eckes, A., Fiebelkorn, F. & Büssing, A. G. (2020). Virtual reality nature experiences involving wolves on YouTube: presence, emotions, and attitudes in immersive and nonimmersive settings. Sustainability, 12(9), 3823. https://doi.org/10.3390/su12093823

Fleger, C., Amanuel, Y. & Krugel, J. (2023). Learning Tools Using Block-based Programming for AI Education. Proceedings of the 2023 IEEE Global Engineering Education Conference (EDUCON 2023). https://doi.org/10.1109/educon54358.2023.10125154

Mirghaderi, L., Sziron, M. & Hildt, E. (2022). Investigating User Perceptions of Commercial Virtual Assistants: A Qualitative study. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.944714

Ropohl, M. J., Diehl, K., Gebhardt, M., Heuvel-Panhuizen, M. V. D., Mühling, A. & Schanze, S. (o. D.). Lernprozesse und Lernprodukte mit digitalen Medien diagnostizieren? Digitale Medien für formative und summative Diagnose. In Medieneinsatz im mathematisch-naturwissenschaftlichen Unterricht. Fachübergreifende Perspektiven auf zentrale Fragestellungen (S. 98–137). Joachim Herz Stiftung Verlag.

 Roski, M., Sebastian, R., Ewerth, R., Hoppe, A. & Nehring, A. (2023). Dropout prediction in a web environment based on universal design for learning. In Lecture Notes in Computer Science (S. 515–527). https://doi.org/10.1007/978-3-031-36272-9_42

Rosner, A. & Von Helversen, B. (2019). Memory shapes judgments: tracing how memory biases judgments by inducing the retrieval of exemplars. Cognition, 190, 165–169. https://doi.org/10.1016/j.cognition.2019.05.004

Rosner, A., Basieva, I., Barqué-Duran, A., Glöckner, A., Von Helversen, B., Khrennikov, A. & Pothos, E. M. (2022). Ambivalence in decision making: an eye tracking study. Cognitive Psychology, 134. https://doi.org/10.1016/j.cogpsych.2022.101464

Schanze, S., Thyssen, C. & Becker, S. (2022). Naturwissenschaftliche Bildung in der digitalen Welt. In Fachliche Bildung in der digitalen Welt: Digitalisierung, Big Data und KI im Forschungsfokus von 15 Fachdidaktiken (Bd. 14, S. 209–309). Waxmann Verlag GMBH.

Skitalinskaya, G. & Wachsmuth, H. (2023). To Revise or Not to Revise: Learning to Detect Improvable Claims for Argumentative Writing Support. Long Papers. https://doi.org/10.18653/v1/2023.acl-long.880

Stanja, J., Gritz, W., Krugel, J., Hoppe, A. & Dannemann, S. (2022). Formative Assessment Strategies for Students’ Conceptions—The potential of Learning Analytics. British Journal of Educational Technology, 54(1), 58–75. https://doi.org/10.1111/bjet.13288

Stanja, J., Gritz, W., Krugel, J., Hoppe, A. & Dannemann, S. (2022b). Formative Assessment Strategies for Students’ Conceptions—The potential of Learning Analytics. British Journal of Educational Technology, 54(1), 58–75. https://doi.org/10.1111/bjet.13288

Von Kotzebue, L., Meier, M., Finger, A., Kremser, E., Huwer, J., Thoms, L., Becker, S., Bruckermann, T. & Thyssen, C. (2021). The framework DIKOLAN (Digital Competencies for Teaching in Science Education) as basis for the Self-Assessment tool DIKOLAN-GRid. Education Sciences, 11(12), 775. https://doi.org/10.3390/educsci11120775

 

Kontakt

Prof. Dr. Andreas Nehring
Adresse
Am Kleinen Felde 30
30167 Hannover
Gebäude
Raum
322
Prof. Dr. Andreas Nehring
Adresse
Am Kleinen Felde 30
30167 Hannover
Gebäude
Raum
322