All posts by Tobias Moebert

Visualisierung von Kontexterfassung und Adaptionsmechanismen in mobilen adaptiven Lernanwendungen

Auf Smartphones zum Einsatz kommende adaptive Mikrolernanwendungen können Kontextinformationen erfassen und dadurch den Lernprozess an den Nutzer und sein Verhalten anpassen (vgl. [SAW94]).  Vorwiegend findet die Erfassung von Kontextinformationen unauffällig im Hintergrund statt. Jedoch ist diese oft eingeschränkt, hinsichtlich Genauigkeit und Verlässlichkeit der Daten. Dadurch kann das Verhalten der Lernanwendung für den Benutzer nicht mehr nachvollziehbar oder sogar befremdlich wirken. Zudem birgt die Erfassung von Kontextinformationen die Gefahr eines Einschnitts in die Privatsphäre des Benutzers.

Eine noch offene Fragestellung ist die nach der Sicherstellung einer hinreichenden Informationsversorgung und der gleichzeitigen Vorbeugung von Datenschutzverletzung durch den möglichen Mangel an transparenter Kontexterfassung. Hierzu müssen, basierend auf etablierten Designprinzipien, neue Entwurfsmuster für die Benutzerfreundlichkeit von mobilen adaptiven Mikrolernanwendungen erarbeitet werden.

Hierbei müssen zusätzlich zu den allgemeingültigen Empfehlungen für benutzerzentriertes Interface Design, die Besonderheiten beachten werden, die vor allem Smartphones mit sich bringen, die neue Herausforderungen, aber auch Chancen für die Benutzerfreundlichkeit [Ni15][Ba07] bergen.

Basierend auf einem Beispiellehrszenario für mobile adaptive Lernanwendungen wurde ein digitaler Paper-Prototype erstellt und später als Grundlage für die Studie der entwickelten Prinzipien genutzt. Dieser zeichnet sich durch die folgenden Schlüsselmerkmale aus:

  • Verwendung von üblichen Benutzerschnittstellenkomponenten: Es wurden lediglich Benutzeroberflächenkomponenten verwendet, die zum Standard-Set des Betriebssystems gehören. Da diese Komponenten den Schnittstellenrichtlinien der Plattform entsprechen, kann davon ausgegangen werden, dass sie sich bewährt haben und von den meisten Benutzern verstanden werden.
  • Simulation von realistischen Kontextveränderungen: Die simulierten Adaptierungen basieren auf Kontextveränderungen, die jeden Tag für die meisten mobilen Benutzer geschehen.
  • Realistisches Beispielszenario: Es wird ein Szenario verwendet, das auf Lehrinhalten aufbaut, die bereits in gewöhnlichen Lehrformen eingesetzt wurden. Diese Lehrinhalte wurden für das Szenario als Mikrolerninhalte umgesetzt.

Um die Bereiche zu identifizieren, die maßgeblich für die Entwicklung neuer Entwurfsmuster sind, wurde der charakteristische Programmablauf innerhalb des Beispiellehrszenarios betrachtet. Dieser beginnt mit dem ersten Starten der Anwendungen, dem typischerweise die Navigation durch die verschiedenen Lerninhalte folgt. Da die Lerninhalte in solchen Anwendungen häufig in alternativen Präsentationsformen vorliegen, kommt es regelmäßig zur Auswahl dieser Alternativen durch das System oder den Nutzer. Zudem werden während der gesamten Nutzung der Anwendung in regelmäßigen Abständen Kontextinformationen erfasst und Inhalte basierend auf diesen Informationen ausgewählt oder angepasst. Basierend auf diesen Abläufen wurden die folgenden Entwurfsmuster für die Benutzerfreundlichkeit entwickelt.

Onboarding

Mittels eines sogenannten Onboarding-Prozesses wird der Benutzer mit Interaktionsmustern vertraut gemacht, die ihm durch seine bisherige Nutzung oder aus anderen Anwendungen noch nicht vertraut sind. Das Onboarding besteht aus mehreren informatorischen Ansichten, die mit dem ersten Anwendungsstart angezeigt werden. Sie bieten eine kurze Einführung in die Anwendung und erläutern die wichtigsten Funktionen (z.B. Kontexterfassung, Mikrolernen, Adaptivität).

Navigation in Lerninhalten

Existierende Forschung hat gezeigt, dass Lehr- / Lernstile sich dahingehend unterscheiden, wie Lerninhalte präsentiert bzw. diese vom Lernenden aufgefasst werden [FS02]. Eine dieser Unterscheidungen differenziert zwischen einem sequentiellen und einem globalen Lehr- / Lernstil.

Sequentielles Lehren umfasst demnach “[...] die Präsentation von Lehrmaterial in einem logisch geordneten Fortschritt” [FS02]. Um diese klassische Lehr- / Lernmethode abzubilden, wurde der “Learning Card Stream” entworfen.

Der Learning Card Stream fördert lineares Lernen.

Jede Karte repräsentiert eine Mikrolerneinheit. Neue Karten werden dem Strom von oben hinzugefügt, wenn entweder ein Mikrolerninhalt konsumiert wurde oder neue bzw. aktualisierte Kontextinformationen verfügbar werden. Eine neu hinzugefügte Karte wird als solche markiert, um besser erkennbar zu sein. Um dem Lernenden eine allgemeine Vorstellung davon zu geben, welcher Inhalt sich hinter jeder Karte verbirgt, haben diese einen Titel, eine kurze Beschreibung und ein Symbol, das auf den Inhaltstyp hindeutet.

Die verschiedenen Details einer Learning Card.

Obwohl hier ein linearer Lernstil im Fokus steht, ist ein gewisser Grad an Freiheit beim Abarbeiten der Karten gegeben. Beispielsweise können jederzeit ältere Karten oder alternative Lerninhalte aufgerufen werden.

Im Gegensatz zu einem sequentiellen Lernstil, wo Lernende “[...] linearen Denkprozessen beim Lösen von Problemen folgen [...] am besten lernen, wenn das Lernmaterial einem stetigen Anstieg von Komplexität und Anforderung folgt.”[FS02], neigen Lernende, die einem eher globalen Lernstil folgen, dazu “[...] stoßweise zu lernen [...] intuitive Sprünge im Stoff zu vollführen [...] manchmal erfolgreicher zu sein, wenn sie direkt zu komplexerem oder schwererem Material springen.”[FS02] Um einen solchen globalen Lernstil zu unterstützen, wurde die “Honeycomb”-Navigationsansicht entwickelt.

Die Honeycomb-Ansicht verschafft Überblick.

Hierbei werden alle Lerneinheiten eines Szenarios als Wabenstruktur dargestellt, in der verwandte Lerneinheiten in unmittelbarer Nähe positioniert sind. Dies ermöglicht es dem Lernenden, einen Blick auf zukünftige Lerneinheiten zu nehmen. Gerade erreichbare Lerneinheiten sind blau gefärbt und die Auswahl einer solchen Lerneinheit zeigt die direkt nachfolgenden Lerneinheiten an.

Honey

Dies ermöglicht dem Lernenden, den weiteren Verlauf des Lernpfades abzuschätzen und so einen umfassenderen Überblick über den zu lernenden Stoff zu erhalten. Welche Lerneinheiten folgen, basiert auf den erfassten Kontextinformationen und den vom Autor festgelegten Beziehungen zwischen den Lerneinheiten.

Die unterschiedlichen Navigationsansichten geben dem Lernenden mehr Möglichkeiten, die Lerninhalte an seine eigenen Bedürfnisse anzupassen und erleichtern es ihm individuelle Lernpfade zu finden. Da es schwierig ist, ohne Weiteres vorherzusehen, welchen Lernstil der Lernende momentan bevorzugt, sollte es möglich sein, zu jeder Zeit zwischen den beiden Navigationssystemen zu wechseln.

Honey2

Alternative Darstellungen des selben Lerninhaltes

In einem adaptiven Lernszenario ist es sehr wahrscheinlich, dass unterschiedliche Versionen desselben Lerninhalts existieren. Diese Versionen können sich beispielsweise in den verwendeten Medientypen unterscheiden oder unterschiedliche Kontextinformationen voraussetzen. Auch wenn eine adaptive Lernanwendung anfänglich Annahmen darüber tätigen wird, welche Version für die aktuelle Situation, in der sich der Lernende befindet, optimal ist, ist es dennoch von großer Wichtigkeit, dass der Lernende manuell zwischen den Alternativen wechseln kann. Eine Liste der alternativen Darstellungen (falls vorhanden), kann durch ein Tippen auf das Symbol, das den aktuellenInhaltstyp der Karte darstellt, geöffnet werden.

Alt1

 

In der Liste werden für jede Alternative die Kontextinformationen, die als Voraussetzung festgelegt wurden, sowie der Inhaltstyp angezeigt.

 

alternatives

 

Zudem soll ein Vorschaubild des Karteninhalts es dem Lernenden erleichtern, die Inhalte zu finden, die für ihn am besten geeignet sind.

Alt2

 

Kalibrierung

Ein bedeutender Bedarf für die Kalibrierung der adaptiven Lernanwendung geht aus dem Fakt hervor, dass Kontextinformationen subjektiv vom Lernenden aufgefasst werden können. So werden beispielsweise Umgebungsgeräusche von Lernenden unterschiedlich stark als störend empfunden. Die Kombination von Kontextinformationen und dem Nutzerverhalten liefert bereits einige Hinweise, die für die Erkennung von Situationen genutzt werden können, welche besonders gut für das Lernen geeignet sind. Eine weitere Möglichkeit ist, die aktuell erfassten Kontextinformationen zu nutzen und gelegentlich den Lernenden zu fragen, ob dieser das Gefühl hat, dass die aktuelle Situation seine Konzentration beim Lernen behindert.

calibration

Dies bietet eine direkte Rückmeldung durch den Lernenden dahingehend, welche Situationen für ihn persönlich ideal für das Lernen sind und welche nicht.

Benachrichtigung über Kontextänderungen

Wesentlich ist, dass der Lernende über neu erfasste oder aktualisierte Kontextinformationen informiert wird. Allem voran soll dies ein Bewusstsein für die von der Anwendung gesammelten Kontextinformationen schaffen. Im Gegenzug wird dem Lernenden ermöglicht, Verletzungen seiner Privatsphäre, aber auch fehlerhafte Informationen zu identifizieren.

notification1

Um den Lernenden nicht von seiner eigentlichen Lernaufgabe abzulenken, versperren Meldungen so wenig wie möglich vom Bildschirm, liefern gleichzeitig jedoch eine geeignete Menge an Informationen.

Details einer Benachrichtigung

Es kann nicht davon ausgegangen werden, dass jeder Benutzer benachrichtigt werden möchte, weshalb Nachrichten nach kurzer Zeit ohne Zutun des Lernenden verschwinden und ihm gleichzeitig die Möglichkeit bietet, zukünftige Benachrichtigungen vollständig abzustellen.

notification2

Was noch ausgewertet werden muss, ist, welche Arten von Kontextinformationen sich für diese Art von Benachrichtigungen eignen und welche Meldefrequenz akzeptabel für den Benutzer ist. So kann beispielsweise sicher davon ausgegangen werden, dass in den meisten Lernszenarien eine sekündliche Benachrichtigung über die Änderung der Umgebungslautstärke schnell als störend empfunden werden wird.

Ereignishistorie

Ebenso wie das Bewusstsein über sich ändernde Kontextinformationen, ist entscheidend, dass dem Benutzer eine einfach zu verstehende Übersicht über erfasste Kontextinformationen oder vergangene Ereignisse zur Verfügung steht. Eine solche Historie wird durch die “Trail”-Funktionalität bereitgestellt.

trail1

Zusätzlich zur Übersicht über die gesammelten Daten, kann der Benutzer einzelne Ereignisse oder Informationen auswählen und Annahmen der Kontexterfassung revidieren (z.B. Informationen löschen, Informationen als falsch markieren oder die Erfassung bestimmter Informationen anpassen).

trail2

[SAW94] Schilit,B.;Adams,N.;Want,R.:Context-AwareComputingApplications.WorkshopOn Mobile Computing Systems and Applications, S. 85–90, 1994.

[Ni94] Nielsen, Jakob: Heuristic evaluation. Usability inspection methods, 17(1):25–62, 1994.

[Ba07] Ballard, Barbara: Designing the mobile user experience. John Wiley & Sons, 2007.

[FS02] Felder, Richard M.; Silverman, Linda K.: LEARNING AND TEACHING STYLES IN ENGINEERING EDUCATION. 78(June):674–681, 2002.

DeLFI2015

MOTIVATE auf der DeLFI 2015

Auf der 13. e-Learning Fachtagung Informatik (DeLFI) wird das MOTIVATE-Projekt dieses Jahr wieder vertreten sein. Im Zuge des Workshops “Mobile Learning” werden wir aktuelle Forschungsergebnisse zum Thema “Konzepte und Verfahren zur Visualisierung von Kontextinformationen und Adaptionsmechanismen in mobilen adaptiven Lernanwendungen” vorstellen.  Die Konferenz findet vom 1. bis 4. September an der Ludwig-Maximilians- Universität München (LMU) und der Technischen Universität München (TUM) statt.

logo

MOTIVATE auf der ICALT 2015

Vom 6. – 9. Juli findet in Hualien, Taiwan die “The 15th IEEE International Conference on Advanced Learning Technologies” statt. Im Track “Wireless, Mobile and Ubiquitous Technologies for Learning” wird auch das MOTIVATE-Projekt mit einer Short-aper-Präsentation zum Thema  “contactJS – A cross-platform context detection framework” vertreten sein.

MOTIVATE auf dem e-Learning Symposium 2014

Das E-Learning Symposium 2014 wird sich am 14. November unter dem Motto „Mobil und Vernetzt – Studieren im Digitalen Zeitalter“ mit der Praxis IT-gestützter Lehr- und Lernprozesse im universitären Kontext auseinandersetzen und aktuelle technische und didaktische Entwicklungen der digitalen Lehr-/Lernkultur reflektieren. Auch das MOTIVATE-Projekt wird mit einem Vortrag zu aktuellen Forschungsergebnissen aus dem Bereich adaptiver mobiler Lernanwendungen teilnehmen.

Relevante Kontextinformationen für mobile adaptive Lernanwendungen

Für den Prozess des eigenständigen Lernens mit mobilen Geräten wie Smartphones oder Tablets ist es von hoher Bedeutung, dass der Lernende nicht nur über die notwendigen Fähigkeiten und Fertigkeiten für die Regulation seines Lernprozesses verfügt, sondern das Lernmaterial und die Lernsituation hierbei so gestaltet werden, dass sie den Lernenden bei seiner Aufgabe unterstützen. Adaptive Lernsoftware präsentieren Lernmaterial in Abhängigkeit von den Merkmalen der Lernsituation und unter Berücksichtigung der Merkmale des Lerners und liefert auf Grundlage dessen das Maß der notwendigen Lernunterstützung.

Damit sich eine Lernanwendung an die Merkmale der Lernsituation und des Lernenden anpassen kann, greift diese auf Kontextinformationen zurück. Als Kontextinformationen werden alle Informationen bezeichnet, die die Interaktion zwischen Benutzer, (Lern-)Anwendung und Umwelt charakterisieren [De01][Ec09]. Um einen sinnvoll dimensionierten Kontexterfassungsmechanismus entwickeln zu können, muss im Vorfeld geklärt werden, welche Kontextinformationen für den Einsatz in unterschiedlichen Lehrszenarien relevant sind.

Um eine Grundlage zu haben, die so vielfältig wie möglich ist, wurden verschiedenste Lehrszenarien betrachtet. Insgesamt konnten 13 unterschiedliche Szenarien von örtlichen Lehrern und Dozenten aus den Bereichen Naturwissenschaft, Geisteswissenschaft, Wirtschaftswissenschaft und Pädagogik sowie 8 Szenarien aus Wirtschaft und Industrie gesammelt werden. Aus diesen wurde eine Liste von möglicherweise relevanten Kontextinformationen ermittelt.

Zur Gruppierung der Kontextinformationen wurde eine existierende Klassifizierung benutzt [SS07], welche Kontext in technischen, physischen, persönlichen und situativen Kontext unterteilt. Um den starken Fokus des Projekts auf mobile Geräte hervorzuheben, wurde der mobile Teil des physischen Kontexts separat betrachtet. Ebenso wurde der Szenarioteil des situativen Kontexts separat betrachtet, um den szenariogetriebenen Analyseansatz abbilden zu können. Unter Berücksichtigung der gesammelten Lehrszenarien konnte die folgende Teilmenge an möglicherweise relevanten Kontextinformationen abgeleitet werden und in die zuvor erwähnten Kontextklassen eingeordnet werden:

  • Physischer Kontext: Wetter (aktuell & zukünftig), Umgebungsgeräusche, Lichtstärke, Zeit, Luftfeuchtigkeit, Temperatur
  • Mobil: Position (unterteilt in Adresse, Gebäude, Region & Land), Ankunft, Abreise, Entfernung zu einem Ort, Transportmittel, Geschwindigkeit, Ziel
  • Situativer Kontext: Körpergeste, Gesichtsausdruck, Blickrichtung
  • Szenario: Lernfortschritt, aktuelle Aufgabe, benötigte Zeit für die Bearbeitung
  • Persönlicher Kontext: Termine, Vorwissen (verifiziert & abgeleitet), Motivation, Erwartungen und Motive, Vorlieben, soziale Verknüpfungen, Behinderungen
  • Technischer Kontext: vorhandene Infrastruktur (wie Drucker & externe Monitore), Gerätefunktionen (wie Stimmen-, Bild- oder Videoaufnahme bzw. -ausgabe)

Um die unterschiedlichen Szenarien untereinander vergleichbar zu machen, wurde jedes Szenario als eines der fünf von [LR13] vorgeschlagenen Educational Settings klassifiziert.

  • Formalized setting: Das Lernen findet im Rahmen einer eigenen Bildungseinrichtung statt.
  • Physical setting: Das Lernen findet in einem authentischen physischen Kontext, wie Exkursionen, statt.
  • Immersive artificial setting: Die Lernerfahrung ist durch virtuelle Artefakte, Simulationen oder pervasive Lernspiele ergänzt.
  • Collaborative setting: Der Lernende wird als Teil einer Gemeinschaft betrachtet, in der Zusammenarbeit  durch Recommendations oder Awareness Tools unterstützt werden kann.
  • Loose setting: Das Lernen findet unabhängig von dem aktuellen Kontext statt.

Des Weiteren wurde ein Fragebogen erstellt und an alle Personen verteilt, die ein Lehrszenario zur Verfügung gestellt hatten. 17 der 21 Befragten schickten einen komplett ausgefüllten Fragebogen zurück und lieferten damit eine direkte Einschätzung, welche der zuvor erhobenen Kontextinformationen sie für relevant erachten würden. Um die Anforderungen der einzelnen Educational Settings ermitteln zu können, wurde analysiert, aus welchen Kontextklassen Kontextinformationen für das jeweilige Setting relevant sind und wie zuverlässig diese messbar sind. Die folgende Abbildung zeigt eine graphische Repräsentation der Erkenntnisse  bezüglich Relevanz und Messbarkeit, die durch die Kombination der Daten gewonnenen werden konnten.

Kombination der gesammelten Daten zu Relevanz und Messgenauigkeit.

Die Grafik ist in vier Quadranten unterteilt. Jeder Quadrant enthält Educational Settings mit Kontextinformationen, die entweder

  • relevant & genau messbar (erster Quadrant) oder
  • relevant & ungenau messbar (zweiter Quadrant) oder
  • irrelevant & ungenau messbar (dritter Quadrant) oder
  • irrelevant & genau messbar (vierter Quadrant) sind.

Für die weitere Forschung sind solche Kontextklassen von höchstem Interesse, die Kontextinformationen enthalten, die sehr relevant, sehr genau oder beides sind.

  • Relevant: Szenario, Persönlich, Physisch (teilweise), Technisch (teilweise), Mobil (teilweise)
  • Genau: Szenario, Technisch, Physisch, Mobil (teilweise), Persönlich (teilweise)

Es zeigt sich, dass Kontextinformationen, die das Szenario betreffen (z.B. Lernfortschritt oder aktuelle Aufgabe) und die des persönlichen Kontexts (z.B. Vorwissen oder Motivation) als relevant für die meisten Educational Settings einzustufen sind. In diesen Settings sind Informationen über das Szenario mit einer insgesamt guten Genauigkeit messbar. Informationen, die den persönlichen Kontext betreffen, können mit immerhin tolerierbaren Ungenauigkeiten gemessen werden und es steht zu erwarten, dass sich die Genauigkeit mit der diese Daten erfasst werden können in Zukunft verbessern wird.

[De01] Dey, A. (2001). Understanding and using context. Personal and ubiquitous computing, 5(1), pp.4–7.

[Ec09] A. Economides: “Adaptive context-aware pervasive and ubiquitous learning”, Technology Enhanced Learning 1 (3), 2009, pp. 169–192.

[SS07] A. Schill and T. Springer: „Verteilte Systeme“. Berlin, Springer, 2007.

[LR13] U. Lucke and C. Rensing: “A survey on pervasive education,” Pervasive and Mobile Computing, in press. doi:10.1016/j.pmcj.2013.12.001

delfi2014_small

MOTIVATE auf der DeLFI 2014

Auch auf der e-Learning Fachtagung Informatik (DeLFI) wird das MOTIVATE-Projekt dieses Jahr vertreten sein. Im Zuge des Workshops “Mobile Learning” werden wir aktuelle Forschungsergebnisse aus dem Projekt vorstellen.  Die Konferenz findet vom 15. bis 17. September an der Universität Freiburg statt.

ICALT_logo_2

MOTIVATE auf der ICALT 2014

Vom 7. – 9. Juli findet in Athen die “The 14th IEEE International Conference on Advanced Learning Technologies” statt. Im Track “Wireless, Mobile and Ubiquitous Technologies for Learning” wird auch das MOTIVATE-Projekt mit einer Short-Paper-Präsentation vertreten sein. Wir freuen uns darauf eine so renommierte Plattform für die Präsentation unserer Forschungsergebnisse nutzen zu können.

Erfassung der Lernszenarien abgeschlossen

Das MOTIVATE-Team hat die Erfassung der Lernszenarien abgeschlossen. Danke der engen Zusammenarbeit von Universität Potsdam und der equeo GmbH ist es uns gelungen eine Vielzahl unterschiedlichster Szenarien, sowohl aus dem akademischen als auch aus dem wirtschaftlichen Bereich zu sammeln. So konnten wir beispielsweise Lernszenarien aus den naturwissenschaftlichen Bereichen Biologie und Chemie, aus dem geisteswissenschaftlichen Bereich Geschichte, aber auch aus den in der Wirtschaft relevanten Bereichen Compliance oder Existenzgründung erfassen.

In der nächsten Phase des Projektes werden wir nun aus diesen Szenarien relevante Kontextinformationen sowie konkrete Anforderungen an unser Framework ermitteln.

iconmonstr-shipping-box-3-icon-256 Lernszenarien als ZIP-Archiv

Das ZIP-Archiv enthält alle aus dem akademischen Bereich gesammelten Lernszenarien.  Die aus dem wirtschaftlichen Bereich gesammelten Lernszenarien können aus Wettbewerbsgründen nicht zur Verfügung gestellt werden.

Template für Lernszenarien fertiggestellt

Das MOTIVATE-Team hat die Arbeit am Template für die Erstellung zukünftiger Lernszenarien abgeschlossen.  Dank dieses Templates sollte es jetzt leichter sein Lernszenarien für die Ableitung wichtiger Anforderungen in einem einheitlichen Format festzuhalten. Das Template, ein Beispielszenario und eine Datei mit Visio Shapes zum Erstellen von “Didactic Process Maps“ können als ZIP-Archiv heruntergeladen werden.

Wenn Sie uns bei der Findung von interessanten Lernszenarien unterstützen wollen, dann können Sie das ausgefüllte Template gerne an moebert@uni-potsdam.de schicken.

iconmonstr-shipping-box-3-icon-256 Template-Archiv zum herunterladen

UPDATE:

Lernszenarien können jetzt direkt über die Webseite eingereicht werden.

http://www.motivate-project.de/mitmachen/