Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Masterarbeit: Graph-Algorithmen und Machine Learning für Learning Analytics

Themengebiet

Intelligente, adaptive Computersimulationen und Serious Games für die Bildauswertung.

Motivation & Problemstellung

Adaptive E-Learning Assistenzsysteme unterstützen bei der Erreichung von Lernzielen. Dazu müssen aus beobachteten Benutzerinteraktionsdaten die richtigen Schlussfolgerungen gezogen werden, bspw. wann und wie ein adaptives Lernsystem eingreifen soll. 

Die Fragestellung ist, wie E-Learning Trackingdaten mittels Algorithmen der Graphentheorie analysiert werden können, um Informationen für Benutzerprofile und für adaptive Assistenzsysteme zu gewinnen. Beispielsweise müssen Informationen zu ähnlichen Benutzern bzw. ähnlichem Benutzerverhalten in den Daten gefunden werden (“andere Nutzer haben auch…”), oder welche Lerneinheiten oder Lerner zentrale Rollen einnehmen (“Influencer”), oder welche  (Lern-)Pfade häufig oder nur selten genutzt werden. Empfehlungssysteme nutzen diese Informationen, um kontextbezogene Hilfestellungen anzubieten oder die Lernsysteme bzw. -inhalte nutzerbezogen anzupassen.

Aufgabe

Die Untersuchungen dieser Arbeit betreffen die Analyse von Beobachtungsdaten mittels Graph-Algorithmen moderner Graph-Datenbanken (Bsp. Neo4j).

Es soll systematisch untersucht werden welche Algorithmen sich speziell im E-Learning Kontext eignen, welche Fragestellungen beantwortet werden können, und welche Vor- und Nachteile sich ergeben.

Durch die Abbildung von Beobachtungsdaten auf Triple-Strukturen wie bei den sozialen Netzwerken (Bsp. “Eva Mustermann bearbeitet Lerneinheit Pythagoras”) können existierende Ansätze von sozialen Netzwerken auf das E-Learning übertragen werden. Wegen dieser strukturellen Datenähnlichkeit sollen auch Mehrwerte durch die Vermischung von E-Learning und anderer Assistenzsysteme aufgezeigt werden.

Die Verifikation der Ansätze sowie die Datenmodellierung und -charakterisierung erfolgen anhand von existierenden E-Learning Anwendungen, speziell aus dem Kontext digitaler Lernspiele.

Es können existierende Beobachtungsdaten (xAPI Datensätze , Logfiles, etc.) aus früheren Studien für die Aufgabe gesichtet und genutzt werden. Auch können eigene, neue Datensätze erzeugt werden, etwa durch Anpassung der xAPI Tracker in den digitalen Lernspielen (Quellen vorhanden). Alternativ können auch realistische, synthetische Datensätze erzeugt werden.

Voraussetzungen

Studium: Informatik oder vergleichbares Studium

Kenntnisse zur Graphentheorie und Graph-Datenbanken (Neo4j) wünschenswert.

Information & Betreuung

Dipl.-Inf. Alexander Streicher, alexander.streicher@iosb.fraunhofer.de, Fraunhofer IOSB, Karlsruhe

Literatur

  • Cela, Karina L., Miguel Ángel Sicilia, and Salvador Sánchez. “Social Network Analysis in E-Learning Environments: A Preliminary Systematic Review.” Educational Psychology Review 27, no. 1 (March 2015): 219–46.
  • Shum, Simon Buckingham, and Rebecca Ferguson. "Social learning analytics." Journal of educational technology & society 15.3 (2012): 3-26.
  • Baker, Ryan Shaun, and Paul Salvador Inventado. "Educational data mining and learning analytics." Learning analytics. Springer, New York, NY, 2014. 61-75.
  • Siemens, George, and Phil Long. "Penetrating the fog: Analytics in learning and education." EDUCAUSE review 46.5 (2011): 30.
  • Kardan, A., Amin Omidvar, and Mojtaba Behzadi. "Context based expert finding in online communities using social network analysis." International J of Computer Science Research and Application 2.1 (2012): 79-88.
  • Cook, Diane J., and Lawrence B. Holder, eds. Mining graph data. John Wiley & Sons, 2006.
  • e-Marcos, Luis, et al. "Social network analysis of a gamified e-learning course: Small-world phenomenon and network metrics as predictors of academic performance." *Computers in Human Behavior* 60 (2016): 312-321.