Maschinelle Generierung von Empfehlungen zur Lehr-/Lernunterstützung im Hochschulkontext

Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: https://repositorium.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-2017042015802
Titel: Maschinelle Generierung von Empfehlungen zur Lehr-/Lernunterstützung im Hochschulkontext
Autor(en): Engelbert, Benedikt
Erstgutachter: Prof. Dr. Oliver Vornberger
Zweitgutachter: Prof. Dr. Karsten Morisse
Zusammenfassung: Das Internet, in dem Informationen schnell und komfortabel abgerufen werden können, hat das Leben im Informationszeitalter nachhaltig verändert. Die Vorteile eines einfachen Zugriffs auf Daten, Dienste und Informationen sind dabei genauso greifbar wie die stetig anwachsende Menge an Angeboten, die das Internet in gleicher Weise vielfältig und unübersichtlich gestalten. Die Auswahl geeigneter Angebote ist für Benutzer ein häufiges Problem, für welches sich unterstützende Systeme unter dem Namen der Empfehlungsdienste etabliert haben. Empfehlungsdienste helfen bei der Selektierung von Informationen auf der Grundlage von Benutzerpräferenzen oder Bedürfnissen in einer Vielzahl von Anwendungskontexten. Online Versandhandel, in denen Empfehlungsdienste Vorschläge für interessante oder nützliche Artikel aussprechen, ist eines der populärsten und gängigsten Anwendungsszenarien. Aber auch das Lernen wurde durch das Internet in den letzten Jahren stark geprägt. Ein Lernmanagementsystem (LMS) ist im universitären Kontext mittlerweile ein gängiger Standard, wodurch der Prozess der Distribution und des Zugriffs auf digitale Lernmaterialien stark vereinfacht wurde. Über das Internet finden Lernende die Möglichkeit ihr Repertoire an Lernmaterialien zu erweitern, was sich angesichts der Menge an verfügbaren Materialien, sowie der Komplexität an Lerninhalten im universitären Kontext nicht notwendigerweise als Vorteil herausstellt. Ein Lernender sieht sich einem schwer zu sichtenden Überangebot ausgesetzt, welches sich im ungünstigsten Fall auf die Motivation oder Leistung auswirken könnte. In jedem Fall bedarf es bei einer Suche Zeit, um eine genügende Sichtung durchführen zu können, obgleich im Regelfall bereits Lernmaterialien durch die/den Lehrende/n zur Verfügung stehen. Es wird an dieser Stelle der Bedarf an unterstützenden Systemen im Kontext des digitalen Lernens bzw. E-Learning gesehen, die eine assistierende Rolle bei der Auswahl an Inhalten und Materialien einnehmen. Die vorliegende Arbeit untersucht die Entwicklung eines maschinellen Ansatzes zur automatisierten und inhaltsbezogenen Herleitung von Empfehlungen, die kontextrelevante Inhalte in Lernmaterialien aufdecken und mit alternativen Materialien verknüpfen. Hierfür präsentiert die Arbeit die Entwicklung eines kollaborativen Tagging Ansatzes, um den Zielvorgaben zu genügen. Das entwickelte System verfolgt die Intention die Nutzung von bestehenden Materialien Lehrender zu erleichtern und des Weiteren den Prozess des Auffindens relevanter, alternativer Lernmaterialien zu vereinfachen. Die einfache Integration in die Lehre steht bei der Entwicklung ebenfalls im Fokus, so dass ein Mehraufwand für Lehrende vermieden wird und sich möglichst Mehrwerte durch hergeleitete Informationen des Systems ergeben. Die Arbeit beschreibt zudem die Evaluation des Systems, die in zwei Evaluationsszenarien durchgeführt wurde und diskutiert die Ergebnisse im Zusammenhang mit vergleichbaren Ansätzen.
URL: https://repositorium.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-2017042015802
Schlagworte: Empfehlungsdienste; E-Learning
Erscheinungsdatum: 20-Apr-2017
Enthalten in den Sammlungen:FB06 - E-Dissertationen

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
thesis_engelbert.pdfPräsentationsformat24,48 MBAdobe PDFMiniaturbild
Öffnen/Anzeigen


Diese Ressource wurde unter folgender Copyright-Bestimmung veröffentlicht: Lizenz von Creative Commons Creative Commons