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