Hans Pongratz, Reinhard Keil (Hrsg.): Die 13. E-Learning Fachtagung Informatik, Lecture Notes in Informatics (LNI), Gesellschaft für Informatik, Bonn 2015 299
Visual Analytics in der Studienverlaufsplanung
Annette Baumann1, Natascha Abrek2und Maximilian Endraß3
Abstract:Dieser Beitrag stellt zwei studentische Projekte zu Visualisierungen von Studienver- laufsdaten vor. Mit Visual Analytics werden aus aggregierten Studienverläufen der Studierenden eines Studiengangs tiefere Einblicke in die Modulbelegung gewonnen. Aus den empirisch erhobe- nen Einflußfaktoren abgeleitete Empfehlungen sollen die Studierende bei ihrer individuellen Stu- dienplanung unterstützen.
Keywords:Visual Analytics, Learning Analytics, Studienverlauf, Modularisierung
1 Einleitung
Durch die Bologna-Reform ist die Modularisierung der Studiengänge ein zentrales Ele- ment des Studiums geworden. Die modulare Studienstruktur erlaubt den Studierenden zum Teil eine individuelle Planung ihres Studienverlaufs. Zum Beispiel listet der Wahl- modulkatalog im Masterstudiengang Informatik an der TU München 148 Module aus 8 Vertiefungsrichtungen [TO14], im Bachelorstudium Maschinenwesen kann ein Hoch- schulpraktikum aus 133 Angeboten [TO15] gewählt werden. Die Auswahl der Module hängt hierbei häufig von mehreren verschiedenen Faktoren ab, wie z.B. Thema und Dozent eines Moduls, Vorgaben und Voraussetzungen durch die Studienordnung, An- zahl möglicher Leistungspunkte, Termine der Lehrveranstaltungen im Semester, Emp- fehlungen von Kommilitonen, im bisherigen Studienverlauf erfolgreich belegte Module u.v.m.
Die persönliche Gewichtung von mehreren Aspekten, um mit der Auswahl der Module einen allgemeinen Studienplan an die individuellen Bedürfnisse und Interessen anzupas- sen, gestaltet sich jedoch schwierig. Besonders in Studiengängen mit vielfältigen Wahl- möglichkeiten nimmt daher die Bedeutung einer IT-Unterstützung in der Informations- und Auswahlphase zu. Im Folgenden stellen wir zwei studentische Projekte zu Fragestel- lungen aus der Studienverlaufsplanung vor. Die erste Fallstudie widmet sich den die Modulwahl beeinflussenden Faktoren und welche Empfehlungsstrategien daraus abge- leitet werden können. In der zweiten Fallstudie werden unterschiedliche Darstellungs- formen zur Visualisierung von Modulbelegungen aus Studienverlaufsdaten untersucht.
1TU München, Lehrstuhl für Angewandte Informatik und Kooperative Systeme, Boltzmannstr. 3, 85748 Garching b. München, baumanna@in.tum.de
2TU München, Lehrstuhl für Ergonomie, Boltzmannstr. 15, 85748 Garching b. München, abrek@in.tum.de
3TU München, IT Service Zentrum, Arcisstr. 21, 80333 München, endrass@in.tum.de
300 Annette Baumann et al.
2 Case Study: Empfehlungssystem
Ein Empfehlungssystem kann in der Studienverlaufsplanung als Unterstützung dienen, indem es unterschiedliche Wege durch den Studiengang transparent macht und die Stu- dierenden auf zielführende Module hinweist. An einigen Universitäten wurden daher bereits verschiedene Empfehlungssysteme für Studierende implementiert. Sanvig und Burke [SB05] entwickelten an der DePaul University ein Recommender System, das Module empfiehlt, die von anderen Studierenden mit ähnlichem Studienverlauf belegt wurden. Parameswaran et al. [PG10] generierten an der University of Stanford Modul- empfehlungen auf Basis von Modulvoraussetzungen. OMahony und Smyth [OS07]
ermittelten Faktoren, die eine Modulauswahl beeinflussen und integrierten ein daraus entstandenes Empfehlungssystem in die Online-Registrierungsplattform des University College Dublin.
An der TU München wurden Studierende der Studiengänge Informatik, Wirtschaftsin- formatik und Human Factors Engineering vor dem Sommersemester 2015 nach den Kriterien gefragt, die für sie bei der Auswahl von Modulen entscheidend sind. Aufbau- end auf diesen Ergebnissen sowie den Studienverlaufsdaten aus dem Campus Manage- ment System werden verschiedene Empfehlungsstrategien und personalisierte Studien- verlaufspfade abgeleitet. Das Ziel ist der prototypische Entwurf einer Web-Applikation, mit deren Hilfe die Studierenden solche Empfehlungen für Module abrufen und ihren weiteren Studienverlauf individuell planen können.
Abb. 1: Ausschnitt Nutzerstudie Abb. 2: Mockup Prototyp
3 Case Study: Visual Analytics
Eine interaktive Visualisierung von Studienverlaufsdaten ermöglicht dem Nutzer abs- trakte Daten zu erfassen und Muster zu erkennen, sowie die weitere computergestützte Analyse zu steuern und die generierten Ergebnisse weiter zu beeinflussen. Hierfür steht der interdisziplinäre Ansatz von Visual Analytics, der den Studierenden ermöglichen
Visual Analytics in der Studienverlaufsplanung 301 soll, aus der großen und vielfältigen Datenmenge von aggregierten Studienverläufen der Studierenden eines Studiengangs eigene Erkenntnisse für die individuelle Studienpla- nung zu gewinnen. Gleichzeitig gewinnen auch Lehrende und vor allem Studienkoordi- natoren einen Einblick in das Studienverhalten in Bezug auf die Gestaltung der Ba- chelor- und Masterstudiengänge ihrer Fakultät. [BM10] So können z.B. bestimmte Module im vorhergehenden Bachelorstudiengang besondere Meilensteine für einen darauf aufbauenden Masterstudiengang sein und im Nachgang als Indikator für Bewer- berzahlen und Studienplatzauslastung dienen. An der University of Kentucky [UK14]
zum Beispiel wird Analytics auch genutzt, um Studierende zu identifizieren, deren Stu- dienabschluß gefährdet ist, um sie mit individuellen Beratungsangeboten zu einem er- folgreichen Abschluß zu führen.
Als Ausschnitt aus dem Poster zeigen wir in den nachfolgenden Abbildungen zwei Bei- spiele aus einem studentischen Visual Analytics Projekt, welche die Verteilung der Stu- dierenden über die Module in einem Studiengang bzw. die Verteilung der Studierenden in einem Modul über verschiedene Studiengänge illustrieren.
Abb. 3: Verteilung der Studierenden über Module (links) bzw. über Studiengänge (rechts)
Literaturverzeichnis
[BM10] Baepler,P.; Murdoch, C.: Academic Analytics and Data Mining in Higher Education.
In: International Journal for the Scholarship of Teaching and Learning, 2010. Vol. 4, No. 2, Art. 17.
[OS07] OMahony, M.; Smyth, B.: A Recommender System for Online Course Enrolment. An Initial Study. ACM Conference on Recommender System, 2007. S. 973978.
[PG10] Parameswaran, A.; Garcia-Molina, H.; Ullman, J.: Evaluating, combining and general- izing recommendations with prerequisites. In: CIKM 2010, S. 919-928.
[SB05] Sandvig, J.; Burke, R.: AacornA CBR recommender for academic advising. Techni- cal Report TR05-015. DePaul University, 2005.
302 Annette Baumann et al.
[TO14] TUMonline: Studienangebot der TU München. Studienplan des Studiengangs 16 030 Informatik, SPO Version 2012. https://campus.tum.de/tumonline/wbstpcs.show SpoTree?pStStudiumNr=&pSJNr=1599&pStpStpNr=4271, Stand: 23.8.2014.
[TO15] TUMonline: Studienangebot der TU München. Studienplan des Studiengangs 17 400 Maschinenwesen, SPO Version 2012. https://campus.tum.de/tumonline/wbstpcs.show SpoTree?pStStudiumNr=&pSJNr=1599&pStpStpNr=4277, Stand: 5.3.2015.
[UK14] University of Kentucky: Institutional Research and Advanced Analytics. Graduation and Retention. http://www.uky.edu/iraa/studentdata/graduation, Stand: 26.3.2015.
