DigiCompToTeach

Home2017Archives for März 2017

Archives for März 2017

Hybrid-MOOC mit Hochschulzertifikat

Für Hochschulen stellt sich ja die Frage, ob sie in online Angebote (MOOCs) investieren sollen und wie sich das mit ihrem bisherigen Geschäftsmodell verträgt. Und Studierende fragen sich, was die im Rahmen eines MOOCs ggf. erworbenen Badges auf dem Arbeitsmarkt wert sind…
Das Georgia Institute of Technology hat in 2014 in Kooperation mit AT&T und Udacity eine online-Variante eines bereits bestehenden Masterprogramms (Informatik / Computer Science) lanciert. Dieses neue online-Programm bietet jenen einen Studienplatz, die im auf 100 Plätze pro Jahr beschränkten Präsenzprogramm keinen Platz finden:
“When we looked at our master’s level CS program, we could admit about 100 folks per year, (…) But when we thought about that 101st applicant, we realized the reasons they weren’t admitted were negligible.”
Das Online-Programm kostet mit US $ 7’000 deutlich weniger als das reguläre Masterprogramm. Das mit einer Anschubfinanzierung von 2 Mio. US $ durch AT&T gestartete Programm hat mittlerweile knapp 4’000 Studierende und generiert für die Hochschule einen positiven Cashflow. Auch für AT&T rechnet sich die Investition:
“The partnership with Georgia Tech delivers a master’s in computer science available to our employees at a fraction of the cost of what a bricks-and-mortar degree would cost.”
 

Quelle

https://www.clomedia.com/2017/03/16/investment-moocs-pays-off-talent/
 

Generische Strategien für Learning Analytics: eine 2×2 Matrix

Learning analytics (LA) bezieht sich auf “the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimizing learning and the environments in which it occurs” (SoLAR 2011).
Eine weit verbreitete Unterscheidung von LA Ansätzen basiert auf der Unterteilung 1) description, 2) diagnosis, 3) prediction and 4) prescription (Wagner 2016). Diese gängige Unterscheidung vernächlässigt allerdings die pädagogische Perspektive, das Nutzenpotenzial von LA für Reflektionsprozesse. Um (digitale) Lernprozesse zu unterstützen, schlagen wir in unserer Forschungsgruppe daher eine 2×2 Matrix vor (Table 1).
Eine Dimension unterscheidet nach dem übergreifenden Ziel  von LA zwischen:
–  Reflexion: a) self-evaluation auf der Basis eigener Datensätze oder Datensätze, die bei anderen generiert worden sind (z.B eine Lehrperson, die ihren Lehr-Lernstil aufgrund der Datensets reflektiert, welche die Studierenden generiert haben)
–  Prediction: bezieht sich auf die Antizipation von Lernaktivitäten (z.B. nach Lernerprofilen) und entsprechende Interventionen, um erfolgreiche und weniger erfolgreiche Studierende adaptive Lernstrategien anzubieten.
Die andere Dimension unterscheidet zwischen dem Kontext und der Zielgruppe von LA:
–    Social Learning Analytics
–    Individual Achievement

 
 
 
 
 
 
 
 
 
 
 
Fig. 1: Generic LA Approaches

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Tab. 1: A Taxonomy for Learning Analytics activities
 
 
 
Seufert, Meier, Söllner & Rietsche (2017)
special issue of “Big Data in Higher Education: Research Methods and Analytics Supporting the Learning Journey” in the journal of Technology, Knowledge and Learning (TKNL).