Archives for Januar 2019

Über den Sommer hatte ich hier drei Beiträge zu KI-basierten, adaptiven Lernumgebungen eingestellt. Mittlerweile ist unser Modul “KI-basierte, adaptive Lernumgebungen“, auf das ich mich in dieser Zeit vorbereitet habe, schon eine Weile abgeschlossen. Ich denke, das Modul war eine lehrreiche Erfahrung – sowohl für unsere Teilnehmenden als auch für mich als Lernbegleiter.
Eine für mich wichtige Lernerfahrung war die Gestaltung einer Selbstlerneinheit für eine solche adaptive Lernplattform. Ausgangspunkt für die Lerneinheit waren Unterlagen zum Thema “Lernziele” und “Taxonomie von Lernzielen”, die ich in den letzten Jahren im Rahmen eines Moduls zu didaktischen Grundfragen eingesetzt habe. Auf diesen aufbauend haben wir mit Hilfe unseres Partners TRIPLE A diese Lerneinheit erstellt.
Eine weitere wichtige Lernerfahrung bestand darin, wie sich die mir theoretisch bekannten Unterschiede zum Erstellen von “traditionellen” WBT (vgl. die folgende Übersicht) in der Praxis auswirken…

Zunächst einmal haben wir das, was die Lernenden mit diesem Modul erreichen sollten, in zahlreiche detaillierte Lernziele übersetzt. Insgesamt haben wir dabei 26 Lernziele formuliert. Hier einige Beispiele:

• Die Lernenden / Nutzer des Moduls geben die drei Ebenen wieder, auf denen Lernziele formuliert werden.
• Die Lernenden erkennen die Formulierung eines Feinziels (im Unterschied zu einem Richt- oder Grobziel).
• Die Lernenden beschreiben, was die Handlungskomponente einer Lernzielformulierung ist.
• Die Lernenden benennen die verschiedenen Ebenen kognitiver Prozesse (nach Anderson, Krathwohl et al.).
• Die Lernenden identifizieren Qualitätsmängel bei Lernzielformulierungen.

Zu diesen 26 Lernzielen haben wir insgesamt 56 Test-Items (probes) formuliert, über die diese Lernziele überprüft werden können. Dabei haben wir darauf geachtet, dass diese Test-Items über unterschiedliche Frageformate (z.B. einmal als Lückentext-Aufgabe, einmal als Single-Choice-Auswahlaufgabe). Darüber hinaus haben wir zu jedem Lernziel eine kleine Lernressource erstellt, die dann gezeigt wird, wenn die zugehörige Test-Aufgabe nicht richtig beantwortet wird (vgl. die folgende Abbildung).

Was sind nun, rückblickend betrachtet, die Herausforderung beim Erstellen solcher adaptiven Lernmodule? Aus meiner gegenwärtigen Sicht sind es die folgenden Punkte:

Monotonie im Lernprozess vermeiden

Auch wenn adaptive bzw. intelligente tutorielle Systeme darauf ausgerichtet sind, die Lernenden immer optimal zu fordern, so kann ein auf einer Abfolge von vielen kurzen Zyklen bestehender Lernprozess (Bearbeitung eines Test-Items und – bei falscher Antwort – nachfolgender Bearbeitung einer kleinen, auf das Test-Item bezogenen Lernressource) für die Lernenden monoton wirken. Dem Eindruck von Monotonie kann über zwei Wege entgegengewirkt werden:

• Bandbreite verfügbarer Aufgabe- bzw. Fragetypen ausschöpfen
  Je nach Plattform und Autorensystem stehen unterschiedliche Typen von automatisch auswertbaren Fragen zur Verfügung. Mögliche Aufgabentypen sind unter anderem:
  • Einfachauswahl
  • Mehrfachauswahl
  • Lückentext (mit vorgegebenen Auswahloptionen)
  • Anordnung / Rangierung
  • Zuordnung
  • Kategorisierung
  • Identifikation von Elementen in einer Grafik
• Mikro-Inhalte abwechslungsreich gestalten
  Neben der Variation der Aufgabentypen trägt auch eine gute Variation bei der Gestaltung der Mikro-Lerninhalte zum Vermeiden von Monotonie bei der Bearbeitung bei. Diese Mikro-Lerninhalte können beispielsweise textuell umgesetzt sein, über Grafiken oder über kurze Audio- bzw. Videoclips.

Lernende auf ein anderes Lernerlebnis einstellen

Die Arbeit mit adaptiven bzw. intelligenten tutoriellen Systemen führt zu einem deutlich anderen Lernerlebnis für die Lernenden. Der Lernprozess wird kontinuierlich durch die Bearbeitung von kleinen Test-Items auf Seiten der Lernenden angetrieben. Die Lernenden müssen darauf vorbereitet werden bzw. ihre Erwartungen müssen diesbezüglich angepasst werden.
Was adaptive Lernumgebungen eher nicht bieten – und worauf die Nutzer bzw. Lernenden ebenfalls eingestellt werden müssen – ist eine bekannte und etablierte Dramaturgie wie etwa eine Themenübersicht zu Beginn, eine vorhersehbare Bewegung von Grundlagen zu Vertiefungen, vom Einfachem zum Schwierigem, eine Gesamtübersicht am Ende des Lernprozesses sowie gegebenenfalls eine anspruchsvolle Aufgabenstellung, die zahlreiche Einzelaspekte der Lerneinheit integriert.
Im Sinne eines zielführenden Erwartungsmanagements sind zwei Aspekte wichtig.

• Zum einen sollte gegenüber den Nutzern bzw. Lernenden herausgestellt werden, dass adaptive Lernumgebungen bzw. intelligente tutorielle Systeme für jeden Lernenden den jeweils schnellsten zum Ziel führenden Lernpfad bereitstellen. Das heisst, den Lernpfad, der für jede und jeden am schnellsten zum nachgewiesenen Beherrschen des erforderlichen Wissens bzw. der erforderlichen Fertigkeiten führt. Damit verbunden ist eine in der Regel deutliche Reduktion der erforderlichen Arbeits- bzw. Lernzeit. Ein Whitepaper des Anbieters Area9 Lyceum spricht davon, dass eine Reduktion der Lernzeiten um 50% nicht ungewöhnlich ist (area9learning 2017).
• Zum anderen stehen den Lernenden in der Regel verschiedene Auswertungen zur Verfügung, die Ihnen ihren jeweils eigenen Standort im Hinblick auf das zu erreichende Ziel anzeigen (vgl. die folgende Abbildung für ein Beispiel, insbesondere die Informationen auf der rechten Seite). Die Nutzer / Lernenden sollten in der Lage sein, diese Auswertungen bzw. Hinweise zu interpretieren und bei der Steuerung ihres eigenen Lernprozesses zu berücksichtigen.

Dieser Blogpost beinhaltet Auszüge aus einem Beitrag mit dem Titel “KI-basierte, adaptive Lernumgebungen” zum von Karl Wilbers herausgegebenen Handbuch E-Learning.
Referenzen:
area9learning (2017): adaptive learning. Eliminating corporate e-learning fatique. area9learning.com.
Howe, Nick (2017): Adaptive learning insights. A practical guide to the future of corporate training. area9learning. Chestnut Hill, MA.