Page - 415 - in L3T - Lehrbuch für Lernen und Lehren mit Technologien

415 Mit der Einführung des Begriffes „Educational Datamining“ waren und sind natürlich Hoffnungen verbun- den, die traditionellen Methoden aus der künstlichen Intelligenzforschung, dem Bereich des Maschinen- Lernen und der Statistik bzw. Mustererkennung zusammenzufassen und im Bildungskontext gezielt einzu- setzen (ALMazroui, 2013, 9). LMazroui (2013) referiert folgende Techniken und Inhaltsbereiche: Lokalisierung des Entwicklungsstandes von Individuen und Gruppen, Vorhersagemodelle für Ziele, gewünschte Leistungen: ermittlung des zukünftigen Bedarfs und der Planungsgrundlagen, Ableitun- gen von Empfehlungen und Feedback für alle Beteiligten Modellbildung, Parameterabschätzung für Wahrscheinlichkeitsaussagen, Erzeugung von Gruppen, Clustern mit ähnlichen Eigenschaften und anzunehmenden ähnlichen ‚Behandlungs‘verfahren und Konzeption von Kursen Untersuchung der Spuren auf sequentielle und hierarchische Abhängigkeiten, Ursache-Wirkungszu- sammenhänge, einfache Korrelationen, Ermittlung kritischer Werte/Alarme für Eingriffe Einsatz von grafischen Verfahren, um Strukturen in großen Datenmengen zu erkennen (Visualisie- rung) Kontrolle von Ausreißerdaten und Einsatz von Interventionen Textanalyse mit noch ungeklärtem Potential Ermittlung von Parametern für die Interaktion von Personen in Gruppen und Gruppen untereinander durch Soziale Netzwerkanalysen (SNA) Es besteht eine gewisse Nähe zwischen kommerziellem Datamining und EDM: Beim einen geht es darum, Kundinnen und Kunden zu beeinflussen, um mehr Profit zu generieren und damit den Verdienst zu erhö- hen. Beim EDM dienen die Daten als Grundlage dafür, Lernerfolge zu ermöglichen und Kompetenzen zu vermitteln. Der Erfolg zeigt sich im kommerziellen Umfeld, indem Kundinnen und Kunden ihre Zufrieden- heit mit bestimmten Aktionen bekunden. Im EDM wird ermittelt, welche Aktion mit entsprechendem Fort- schritt und der Zielerreichung oder dem Gegenteil zusammenhängt. In der Praxis des Datamining zeigt sich, dass, ausgelöst von akuten Praxisfragen, Datenmengen unter- sucht und im Forschungsprozess neue Fragen aufgeworfen werden, die bis dahin gar nicht im Raum stan- den. Wir könnten so zum Beispiel durch die abweichenden Zeitstempel und damit verbundenen Daten fest- stellen, dass es bei bestimmten Lehrpersonen immer und ohne systematischen Grund länger dauert, bis die Klasse online präsent ist. Weiterhin lassen sich zum Beispiel Phänomene abbilden, bei denen spezielle Zie- le abseits des vollzogenen Lehrplans ohne das Zutun einer Lehrperson plötzlich erreicht werden. Andererseits muss hier auch betont werden, dass der praktische Einsatz von EDM in Klassenräumen und Lehrsälen überschaubar ist, was daran liegt, dass die oft hochgesteckten Erwartungen nur bedingt er- füllbar sind – also viel technologischer Einsatz einem vergleichsweise bescheidenem Ergebnis gegenüber- steht. Auch heute noch verlassen die meisten Entwicklungen nicht die Forschungslabore.