deposit_hagen
Publikationsserver der Universitätsbibliothek
Entwicklung eines Frameworks zur
Personalisierung von E-Learning-Angeboten
Mathematik und
Informatik
Dissertation
Personalisierung von E-Learning-Angeboten
M.Sc. Tobias Augustin aus Hagen
Dissertation
zur Erlangung des akademischen Grades Dr. rer. nat.
der Fakultät für Mathematik und Informatik der Fernuniversität in Hagen
Hagen 2016
Kurzfassung
Massive Open Online Courses oder kurz MOOC’s sind eine erst seit we- nigen Jahren eingesetzte, spezielle Form von E-Learningangebot, mit der sich bis dahin ungeahnte Mengen von Lernenden erreichen lassen. Derzeit werden MOOC’s vor allem von Universitäten und Unternehmen im Bil- dungssektor eingesetzt. Sie erlauben es Lernenden auf der ganzen Welt, zeit- und ortsunabhängig an Veranstaltungen teilzunehmen. Die Veran- staltungen mit teilweise mehr als 100.000 Teilnehmern setzen sich aus kleinen Lerneinheiten zusammen, bestehend aus Videosequenzen oder Textabschnitten.
Allerdings sind MOOC’s heute nur als statische Umgebung vorzufinden, die nicht auf die Individualität und den jeweils aktuellen situativen Kon- text des Nutzers eingehen. Nach dem Prinzip ”one size fits all” erlauben sie lediglich hinsichtlich der Komponenten Zeit und Ort große Freihei- ten. Zwar sind Lernumgebungen, die sich dynamisch an die verschiede- nen Anforderungen und Bedürfnisse des Benutzers anpassen, keine neue Überlegung, denn Ansätze zur Entwicklung adaptiver Lernumgebungen gibt es etwa seit den 1980er Jahren. Allerdings gehen die vorhandenen Lösungen und Ansätze in der Regel nicht über adaptierbare Funktionen, um den Komfort bei der Bearbeitung zu erhöhen, und eine Adaption im Sinne von recht einfachen Navigationshilfen oder Annotationen hinaus.
Die Ursachen hierfür liegen zum einen in den fehlenden technischen Res- sourcen in der Anfangszeit dieser Entwicklungen und zum anderen in der Anzahl der zu erreichenden Lernenden. Auch in Zeiten von online verfüg- baren Web-Based-Trainings finden sich in der Regel nur kleine vierstelli- ge Teilnehmerzahlen. Betrachtet man den Aufwand für die Entwicklung einer umfangreichen adaptiven Lernumgebung und die anschließende Er- stellung multimodaler und multicodaler Inhalte, ist der Aufwand je Teil- nehmer immer eine kritische Größe gewesen.
Diese kritischen Einflussfaktoren haben sich in den letzten Jahren stark verändert. Berücksichtigt man die heute über MOOC’s erreichbare Menge an Lernenden, ist zu erkennen, dass sich dieses Verhältnis verändert hat und daß damit eine deutliche Erhöhung des Aufwands zur Erstellung von qualitativ hochwertigen adaptiven Inhalten gerechtfertigt scheint. Gleich- zeitig wurde die Entwicklung von Webtechnologien stark vorangetrieben, mit der Folge, dass viele proprietäre Sonderlösungen durch leistungsstar-
ke Standards abgelöst werden können.
Jedoch gibt es seit der Frühzeit der adaptiven Lernumgebungen Entwick- lungen, die vollkommen neue Lösungsansätze und Konzepte erfordern. So konnte in den 1980er Jahren noch davon ausgegangen werden, dass einem Benutzer immer genau ein Endgerät zugeordnet werden kann. Es war nicht zu erwarten, dass dieses Gerät sich hinsichtlich seiner Leistungs- fähigkeit und technischen Möglichkeiten verändert. Heute hingegen ver- wenden die meisten Nutzer mehrere Geräte, die in unterschiedlichen Si- tuationen zum Einsatz kommen. Insbesondere die Nutzung mobiler End- geräte in adaptiven Lernumgebungen erfordert neue Lösungsansätze, um Geräte mit verschiedenen Charakteristika so mit Inhalten zu beliefern, dass für den Nutzer ein individuell optimierter und zugleich transparen- ter Lernprozess auf allen seinen Geräten entsteht.
Vorhandene Systeme nutzen nur ein sehr eingeschränktes Spektrum an individuellen Benutzermerkmalen und daraus abgeleiteten Adaptions- maßnahmen. Häufig berücksichtigen vorhandene Systeme nur ein einzel- nes Merkmal, dessen Ausprägung zu Beginn ermittelt wird und anschlie- ßend als konstant angenommen wird, wodurch sich kein Benutzermodell erstellen lässt. Insbesondere dynamische Faktoren, die für die momentane Situation des Benutzers entscheidend sind, finden keine Berücksichtigung.
Gegenstand der Arbeit ist die Konzipierung und Entwicklung einer be- nutzerzentrierten adaptiven Lernumgebungen, die sich dadurch auszeich- net, dass sie den Lernprozess anhand individueller Merkmale ihrer Benut- zer und deren Umgebung, sowie deren aktueller Situation anpassen kann.
Hierfür wurde ein dynamisch erweiterbares Framework konzipiert und als Prototyp entwickelt, innerhalb dessen Messverfahren für technische oder individuelle, persönliche Benutzermerkmale integriert werden können. So lässt sich innerhalb des Frameworks ein präzises Benutzermodell erstel- len, mit dessen Hilfe ein dynamisches Regelwerk die zu vermittelnden Lerninhalte an die Individualität und die aktuelle persönliche Situation des Lernenden anpasst. Exemplarisch werden in der Arbeit die aktu- ell zur Verfügung stehende Kommunikationsbandbreite als technisches Merkmal, die Medienpräferenz des Lernenden und eine Emotionsanalyse als individuelles, persönliches Merkmale ermittelt.
Abstract
Massive Open Online Courses or short MOOC’s are a special form of e- learning environment, which has been in use for a few years and allows us to address untold numbers of students. At present, MOOCs are mainly used by universities and enterprises in the education sector. They enable learners all over the world to participate in lectures independent of place and time. The lectures with sometimes more than 100,000 students are based on small units consisting of video sequences or text sections.
However today’s MOOC’s are only to be found as a static environments that do not take into account the diversity of the students and their si- tuational context. According to the ”one size fits all” principle, they only allow great freedom with regard to the components time and location.
Learning environments that adapt dynamically to the individual needs of the user are not a new consideration, as approaches to developing adap- tive learning environments have been around since the 1980s. However, existing solutions usually do only have adaptable functions to increase the comfort in the processing, and do not reach beyond an adaptation in the sense of quite simple navigation aids or annotations.
The reasons for this have been, on the one hand, the lack of technical resources in the early days of these developments, and the number of stu- dents to be reached. Even in times of online-based web-based training, there are usually only small numbers of course attendants. Considering the effort required to develop a large adaptive learning environment and the subsequent creation of multimodal and multicodal content, the effort per participant has always been a critical factor.
These critical factors have changed dramatically in recent years. Consi- dering the number of students that are reachable today by MOOCs, it is obvious that this relationship has changed and that a significant increase in the effort to produce high-quality adaptive content can now be justi- fied. At the same time, the development of web technologies has been significantly progressed, with the result that many proprietary special solutions today can be replaced by powerful standards.
Since the early days of adaptive learning environments there have been developments that require completely new approaches and concepts. In the 1980s, for example, it could be assumed that a single user would always use the same, unique terminal or device. This device was not
expected to change in terms of performance and technical capabilities.
Today, however, most users have access to multiple devices that are used in different situations. In particular, the use of mobile devices in adapti- ve learning environments requires new approaches to ensure that devices with different characteristics are provided with learning content in such a way that the user experiences an individually optimized and at the same time transparent education process on all his devices. Existing systems use only a very limited range of individual user features and adaptive measures derived from them. In many cases, existing systems only take into account a single characteristic, with the initial value for this charac- teristic being determined once at the beginning of a learning session and then assumed to be constant, which means that no dynamic user model can be created. In particular, dynamic factors, which can be decisive for the current situation of the user, are not taken into account.
The aim of this thesis is the design and development of a user-centric adaptive learning environment, which is characterized by the fact that it can adapt the learning process by means of individual characteristics of its users and their environment as well as their current situation. For this purpose, a dynamically extensible framework was designed and de- veloped as a prototype, within which measuring methods for technical or individual, personal user features can be integrated. In this way, a precise user model can be created within the framework. A dynamic set of rules will adopt the course material to be delivered to the individuality and the current personal situation of the learner. The current communicati- on bandwidth as a technical feature, the media preference of the learner and an emotion analysis as individual, personal features are identified and demonstrated as examples.
Inhaltsverzeichnis
Kurzfassung ii
Abstract iv
Abbildungsverzeichnis ix
1. Einleitung 1
1.1. Motivation und Problemstellung . . . 3
1.2. Forschungsfragen und Ziel der Arbeit . . . 7
1.3. Gliederung der Arbeit . . . 9
2. Stand der Forschung und Technik 11 2.1. Forschungsfeld . . . 11
2.2. Historische Entwicklung . . . 14
2.3. Adaptive Systeme . . . 16
2.4. Taktung der Adaption . . . 22
2.4.1. Schnittstellen-Adaptivität . . . 22
2.4.2. Makroadaptivität . . . 23
2.4.3. Mikroadaptivität . . . 23
2.5. Einflussgrößen . . . 24
2.6. Messverfahren . . . 35
2.6.1. Explizite Messverfahren . . . 37
2.6.2. Implizite Messverfahren . . . 38
2.6.3. Weitere Messverfahren . . . 39
2.7. Domänenmodell . . . 41
2.8. Benutzermodell . . . 43
2.9. Modellierungsverfahren . . . 45
2.9.1. Verfahren zur Modellierung von Benutzern . . . . 45
2.9.2. Verfahren zur Modellierung von Stereotypen und Personae . . . 51
2.10. Adaptionsmaßnahmen . . . 54
2.10.1. Textadaption . . . 54
2.10.2. Navigationsadaption . . . 56
2.10.3. Contentadaption . . . 57
2.11. Verfügbare Lösungen und Produkte . . . 59
2.11.1. Schnittstellenadaptivität . . . 59
2.11.2. Makroadaptivität . . . 61
2.11.3. Mikroadaptivität . . . 65
2.11.4. Zusammenfassende Betrachtung über den Stand der Technik . . . 68
2.12. Zusammenfassung . . . 71
2.13. Verbleibende Herausforderungen und weiteres Vorgehen . 74 3. Systemkonzeption 77 3.1. Anforderungsanalyse . . . 77
3.2. Zieldefinition . . . 80
3.3. Anforderungsdefinition . . . 83
3.4. Logische Systemarchitektur . . . 88
3.5. Zusammenfassung . . . 91
4. Umsetzung des Prototyps 92 4.1. Systemarchitektur . . . 93
4.1.1. Systemplattform und Entwicklungsumgebung . . 94
4.1.2. Physische Architektur . . . 95
4.1.3. Datenbankstruktur . . . 97
4.2. Regelverwaltung . . . 104
4.3. Komponentenschnittstelle . . . 105
4.4. Komponentenentwicklung . . . 107
4.4.1. Medienpräferenz . . . 107
4.4.2. Bandbreitenermittlung . . . 111
4.4.3. Emotionserkennung . . . 113
4.5. Zusammenfassung . . . 137
5. Demonstration und Evaluation 139 5.1. Strukturverwaltung . . . 141
5.2. Contentpflege . . . 146
5.3. Benutzerbetreuung . . . 150
5.4. Regelverwaltung . . . 152
5.5. Endbenutzerschnittstelle . . . 159
5.6. Evaluation der Komponente zur Emotionserkennung . . . 176
5.7. Zusammenfassung . . . 181
6. Ergebnisse und Diskussion 184 6.1. Forschungsergebnisse . . . 184
6.2. Zusammenfassung und Fazit . . . 188
6.3. Ausblick . . . 191
Literaturverzeichnis 193
Anhang 209
A. Knoten zur Demonstration der Benutzerschnittstelle 209 B. Übersicht über die eingesetzten Testbilder 213
Abbildungsverzeichnis
1. Kernkomponenten eines AEHS . . . 21
2. Adaptierbare Funktion in mobiler Anwendung . . . 36
3. Domänen Netzwerkmodell . . . 42
4. Einfaches binäres Overlay Modell . . . 47
5. Mehrschichtiges gewichtetes Overlay Modell . . . 49
6. Logische Systemarchitektur . . . 90
7. Physikalische Systemarchitektur . . . 97
8. Datenbankstruktur: Content Schema . . . 99
9. Datenbankstruktur: User Schema . . . 101
10. Datenbankstruktur: Regel Schema . . . 103
11. Komponentenschnittstelle . . . 106
12. Schematischer Aufbau . . . 108
13. JavaScript Komponente zur Ermittlung der Medienpräferenz109 14. PHP Komponente zur Ermittlung der Medienpräferenz . 110 15. AJAX Requests im zeitlichen Verlauf . . . 110
16. Clientseitig eingesetzter Javascript Code zur ermittlung der zur Verfügung stehenden Bandbreite . . . 111
17. Schematischer Aufbau der Emotionserkennungskomponente 114 18. WebSocket Client . . . 115
19. WebSocketServer Klasse . . . 116
20. WebSocketHandler Klasse . . . 117
21. Serverseitige Extraktion der Benutzerkennung . . . 117
22. Zwei Haar Features in einem Testbild . . . 118
23. Haar Features nach Viola und Jones . . . 119
24. Einfaches Integral-Image zwischen Ursprung und Punkt (x,y) . . . 120
25. Pixelsumme eines beliebigen Rechtecks mittels Integral- Image . . . 121
26. Kaskade von Klassifikatoren . . . 123
27. Weitere Features nach Lienhart et al. . . 125
28. ExtractFaces.cpp . . . 126
29. Originalbild und erkannte Gesichtsregion . . . 127
30. Erkannte Landmarks . . . 128
31. Einfaches 2-Bit Beispielbild . . . 131
32. Schematischer Aufbau Emotionserkennung . . . 136
33. Content Graph . . . 141
34. Kontextmenü eines Knoten . . . 142
35. Neu erstellter Knoten . . . 142
36. Erstellung eines Testknotens . . . 143
37. Neu erstellter Testknoten . . . 143
38. Erstellung einer neuen Kante zwischen bestehenden Knoten144 39. Neu erstellte Kante . . . 144
40. Entfernen eines bestehenden Knotens . . . 145
41. Content Graph - Detailauschnitt . . . 145
42. Modifikation eines Knoten . . . 146
43. Knoteneditor . . . 147
44. Darstellung von Referenzknoten . . . 148
45. Testeditor . . . 149
46. Auswahl eines Benutzers . . . 150
47. Content Graph mit Benutzerpfad-Detailauschnitt . . . . 150
48. Ansicht von Benutzerattributen . . . 151
49. Funktionsbereich der Regelverwaltung . . . 152
50. Editorbereich der Regelverwaltung . . . 152
51. Entfernen eines vorhandenen Links . . . 153
52. Regeleditor: Detailansicht Bedingung . . . 154
53. Regeleditor: Detailansicht Anweisung . . . 155
54. Vollständige Regel . . . 155
55. Aufwändige Regel . . . 157
56. Generierter PHP Regelcode . . . 158
57. Knotenstruktur zur Demonstration . . . 159
58. Regelsatz zur Demonstration der Benutzerschnittstelle . 160 59. Start Ba . . . 161
60. Test Ba . . . 161
61. Testergebnis Ba . . . 162
62. Beginner 1 Ba . . . 163
63. Beginner 2 Ba . . . 164
64. Start Bb . . . 165
65. Test Bb . . . 165
66. Testergebnis Bb . . . 166
67. Beginner 1 Bb . . . 167
68. Beginner 2 Bb . . . 168
69. Start Bc . . . 169
70. Test Bc . . . 169
71. Testergebnis Bc . . . 170
72. Beginner 1 Bc . . . 171
73. Beginner 2 Bc . . . 172
74. Start Bd . . . 173
75. Test Bd . . . 173
76. Testergebnis Bd . . . 174
77. Expert 1 Bd . . . 174
78. Modifiziertes Design für die Evaluation . . . 177
1. Einleitung
Massive Open Online Courses oder kurz MOOC’s sind eine erst seit we- nigen Jahren eingesetzte, spezielle Form von E-Learningangebot, mit der sich bis dahin ungeahnte Mengen von Lernenden erreichen lassen. Derzeit werden MOOC’s vor allem von Universitäten und Unternehmen im Bil- dungssektor eingesetzt. Sie erlauben es Lernenden auf der ganzen Welt, zeit- und ortsunabhängig an Veranstaltungen teilzunehmen. Die Veran- staltungen mit teilweise mehr als 100.000 Teilnehmern setzen sich aus kleinen Lerneinheiten zusammen, bestehend aus Videosequenzen oder Textabschnitten. Das sich MOOC’s heute einer so großen Beliebtheit erfreuen ist jedoch nicht ausschließlich das Resultat der zur Verfügung stehenden Technologie, sondern vor allem zwei weiteren Faktoren geschul- det.
Zum einen der rasanten Zunahme an Internetnutzern in Entwicklungs- und Schwellenländern der letzten Jahre. Durch die fortschreitende Glo- balisierung und Digitalisierung können nun auch diese Teilnehmer von Bildungsangeboten profitieren, die zuvor nur einem verhältnismäßig klei- nen privilegierten Kreis zur Verfügung standen. Dadurch haben sich viele Lehrangebote die traditionell nur eine kleine Hörerschaft erreichten hin zu einem globalen Massenmarkt entwickelt.
Zum anderen findet aber auch in der westlichen Welt ein Strukturwan- del statt. Die Nachfrage an Bildungsformen, die nicht an einen festen Zeitplan und Ort geknüpft sind steigt sowohl im akademischen, als auch im Weiterbildungsbereich. Die Ursachen hierfür finden sich einerseits in einer Generation, die den Umgang mit Online-Medien gewohnt ist und dies auch im Bereich der Ausbildung fordert, und andererseits in neu- en Arbeitsformen und Beschäftigungsverhältnissen in denen lebenslanges Lernen zu einem wichtigen Faktor geworden ist, da Qualifikationen und Erfahrungen schnell veralten und wertlos werden können.1
Allerdings sind MOOC’s heute nur als statische Umgebung vorzufin- den, die nicht auf die Individualität und den jeweils aktuellen situati- ven Kontext des Nutzers eingeht. So fordert auch Jörg Dräger, Vorstand für Bildung bei der Bertelsmann Stiftung, in einem Artikel der ZEIT
”Nicht mehr massive müssen die Onlinekurse sein, sondern personalized
1 Vgl. Weber, 2007
– POOCs statt MOOCs”2.
Eine ähnliche Entwicklung erwartet auch John Hennessy, Präsident der Stanford-Universität, ”Die Vorlesung als Format wird aussterben und durch neue Format ersetzt werden [...]. Außerdem werden wir intelligente automatische Tutorensysteme haben, die anhand individueller Stärken und Schwächen Online-Übungsprogramme für unsere Studenten erstel- len”.3
Es kann sicherlich in Frage gestellt werden, ob die seit Jahrhunderten bewährte Form der Vorlesung tatsächlich aussterben wird. Jedoch kann dieser radikale Ansatz durchaus als inspirierender Denkanstoß verstan- den werden, denn klar ist auch, dass unterstützende Online-Angebote und solche für spezielle Zielgruppen fest in der Bildungslandschaft ver- ankert sind und sich rasch verbreiten.
Dass ein Lehrer sein Lehrmaterial und seinen Unterricht auf die Be- dürfnisse und Voraussetzungen der Schüler ausrichtet, ist seit jeher die Grundlage für erfolgreiche Lehre. Eine individuelle Abstimmung der Leh- re auf den einzelnen Schüler war jedoch nur wenigen vorbehalten. Die breite Masse jedoch nahm an größer angelegten Lehrveranstaltungen teil, in denen der Lehrende dem Unterricht im Idealfall so ausrichtete, dass er für die Mehrheit der Schüler geeignet war. Dieser Kompromiss führ- te jedoch dazu, dass eine exakte didaktische Abstimmung auf einzelne Schüler nicht erreicht werden konnte. Insbesondere eine gezielte Abstim- mung auf Teilnehmer mit besonderen Förderbedarfen gelingt in einem solchen Umfeld regelmäßig nicht. Es sind genau diese Probleme, mit de- nen sich Lehrende in großen Gruppen schon immer konfrontiert gesehen haben und die sich nun auch bei modernen Formen der Lehre mit großer Relevanz zeigen.
2 Dräger, 2013
3 Wiarda, 2016
1.1. Motivation und Problemstellung
E-Learning ist in vielen Bildungseinrichtungen angekommen und mitt- lerweile ein grundlegender Bestandteil von Bildungsangeboten jeglicher Art. Neben dem Einsatz im schulischen und universitären Umfeld sind E-Learning-Angebote für die betriebliche und private Weiterbildung ver- fügbar. Das E-Learning-Angebot erfreut sich großer Beliebtheit, da es jederzeit an nahezu jedem Ort zur Verfügung steht. Dieses hohe Maß an Flexibilität wird durch den technischen Fortschritt im Bereich der Präsentations- und Distributionstechnologien ermöglicht. Außerdem sind in den meisten Haushalten und Arbeitsplätzen Geräte verfügbar, die in der Lage sind, multimediale Inhalte abzuspeichern und wiederzugeben.
Neben den Vorzügen der E-Learning-Angebote für den Lernenden erge- ben sich auch Vorteile für die Lehrenden. So ist mit geringem Aufwand eine große Anzahl von Lernenden zu erreichen. Limitierende Faktoren wie die Hörsaalgröße können vernachlässigt werden.
Eine spezielle Form von E-Learning-Angeboten bilden MOOC’s. Diese neue Form des Lehrens und Lernens ist die konsequente Weiterentwick- lung von E-Learning-Angeboten, die sich an große Zahlen von Lernenden richten, und findet viel Beachtung in den Medien. Hierbei handelt es sich um eine spezielle Form der Vorlesung, die auf Video aufgezeichnet wird und online abrufbar ist. Ein solcher Kurs besteht in der Regel aus vie- len einzelnen Videosequenzen und Textpassagen. Im Anschluss an die meist nur 8 bis 12 Minuten dauernden Videosequenzen können die Stu- dierenden in Form eines Tests feststellen, ob die vorgestellten Inhalte verstanden wurden und gegebenenfalls angewendet werden können. Da- durch können Menschen auf der ganzen Welt meist kostenlos und ohne Zugangsbeschränkung an universitärem Wissen teilhaben.4
Coursera, einer der größten Anbieter von MOOC’s, beispielsweise hatte am Ende des Gründungsjahres 2012 schon über zwei Millionen registrier- te Benutzer5 und damit ein größeres Wachstum als Facebook6. 100.000 Studenten in einem Onlinekurs sind übliche Größenordnungen.7MOOC’s scheinen sich insbesondere für die Massenausbildung in Grundlagen zu eignen. ”Es ist doch eine enorme Verschwendung von Ressourcen, wenn
4 Vgl. Pappano, 2012
5 Vgl. Kolowich, 2012
6 Vgl. Pappano, 2012
7 Vgl. Friedman, 2012
bundesweit jedes Semester Dutzende Einführungsvorlesungen in die Sta- tistik angeboten werden. Da würde es doch reichen, eine gute für alle zu produzieren”, schlägt Hannes Klöpper vor. Soll will die Universität Duisburg-Essen künftig Großveranstaltungen aus dem Grundstudium di- gitalisieren und lediglich durch Tutoren begleiten lassen. ”Mit den MOOC lässt sich der Ansturm der Studierenden viel effizienter bewältigen”, sagt Volker Meyer-Guckel vom Stifterverband für die deutsche Wissenschaft8. Es zeigt sich aber, dass MOOC’s trotz ihres Erfolgs den Anforderungen an moderne, lernerzentrierte Bildungssysteme nicht immer gerecht wer- den. Gefordert wird eine lernerzentrierte, bedarfsgerechte und flexible Umgebung nach dem Prinzip ”my need, my time, my place”.9
Derzeit folgen MOOC’s vielmehr dem Prinzip ”one size fits all” und stellen eine statische Lernumgebung dar, die lediglich hinsichtlich der Kompo- nenten Zeit und Ort große Freiheiten erlaubt. Aus diesem Grund gibt es im Bereich der MOOC’s Forschungsbedarf, um sie ”[...]enjoyable, adapti- ve, evaluable, accessible, usable by handicapped learners, aware of cultural diversity and ethical context[...]” zu gestalten10.
Zwar sind Lernumgebungen, die sich dynamisch an die verschiedenen An- forderungen und Bedürfnisse des Benutzers anpassen, keine neue Über- legung, denn Ansätze, adaptive Lernumgebungen zu entwickeln, gibt es etwa seit den 1980er Jahren. Allerdings gehen die vorhandenen Lösungen und Ansätze in der Regel nicht über adaptierbare Funktionen, um den Komfort bei der Bearbeitung zu erhöhen, und eine Adaption im Sinne von recht einfachen Navigationshilfen oder Annotationen hinaus. Auch bei aufwändigen Systemen fällt auf, dass sie sich auf einen kleinen Bereich der Individualität konzentrieren. In der Regel wird eine Einflussgröße un- tersucht und unter Berücksichtigung der gewonnenen Ergebnisse eine der zur Verfügung stehenden Adaptionsmaßnahmen ausgewählt. Unter der Annahme, dass sich die Individualität eines Lerners aus einer Vielzahl persönlicher und situativer Faktoren zusammensetzt, lässt sich erkennen, dass die vorhandenen Lösungen keine ausreichende Berücksichtigung der individuellen Erfordernisse erreichen können.
Die Ursachen hierfür scheinen zum einen die fehlenden technischen Res- sourcen in der Anfangszeit dieser Entwicklungen und zum anderen die
8 Vgl. Schmidt, 2013
9 Schlageter and Feldmann, 2002, S. 347
10 Dillenbourg et al., 2014
Anzahl der zu erreichenden Lernenden zu sein. Auch in Zeiten von on- line verfügbaren Web-Based-Trainings finden sich in der Regel nur klei- ne vierstellige Teilnehmerzahlen. Betrachtet man den Aufwand für die Entwicklung einer umfangreichen adaptiven Lernumgebung und die an- schließende Erstellung multimodaler und multicodaler Inhalte, ist der Aufwand je Teilnehmer immer eine kritische Größe gewesen. Brusilovsky und Millán führen hierzu aus: ”The more user features are represented in the model the more complete it will be. However, the cost of creating and maintaining a more complete model should be caully balanced against the usefulness of such a model.”11
Diese kritischen Einflussfaktoren haben sich in den letzten Jahren stark verändert. Berücksichtigt man die heute über MOOC’s erreichbare Menge an Lernenden, ist leicht zu erkennen, dass sich dieses Verhältnis drastisch verändert hat und dass damit eine deutliche Erhöhung des Aufwands zur Erstellung von Systemen und qualitativ hochwertigen adaptierbaren In- halten gerechtfertigt scheint. Ferner ist im Bereich nutzbarer Inhalte ein weiterer Trend zu beobachten. Neben der ständigen Vervielfachung der im Internet verfügbaren Inhalte wird momentan intensiv an der Entwick- lung von Datenbanken zur Verwaltung von Open Educational Ressources (OER) gearbeitet.
Gleichzeitig wurde die Entwicklung von Webtechnologien stark voran- getrieben, mit der Folge, dass viele proprietäre Sonderlösungen durch leistungsstarke Standards abgelöst wurden. Auch im Bereich der einge- setzten Sensorik sind große Fortschritte hinsichtlich Verfügbarkeit und Verbreitung zu verzeichnen. Waren Mobiltelefone vor 10 Jahren noch recht einfache Geräte zur Text und Audio Ein- und Ausgabe, so finden sich in heutigen Smartphones durchschnittlicher 20 verschiedene Senso- ren. 12 Die Bandbreite reicht von Kameras über Näherungssensoren bis hin zu Pulsmessern.13Durch heute verfügbare Datenbestände und techni- sche Verfahren in Verbindung mit der Fortschreitenden Verbreitung und Bandbreite von Sensorik lassen sich so viele Benutzermerkmale abrufen beziehungsweise erfassen, die zuvor gar nicht oder nur unter unverhält- nismäßig hohem Aufwand zu ermitteln waren. Schon heute werden Iden- tifikationsprozesse eingesetzt, die anhand von einfachen Gesichtsbildern
11 Brusilovsky and Millán, 2007, S. 29
12 Vgl. Kühl, 2016
13 Vgl. Biermann, 2014
Personen identifizieren. Auch die Analyse von Emotionen in Gesichtsbil- dern ist praktisch einsetzbar und könnte in Lernanwendungen genutzt werden.
Außerdem stehen einem Großteil der Gesellschaft günstige Internetan- bindungen mit hoher Bandbreite zur Verfügung. Diese Eingangsvoraus- setzung zur Teilnahme an digitalen Bildungsangeboten kann in vielen Teilen der Welt bereits als gegeben angesehen werden, während in vielen anderen Teilen eine rasche Entwicklung zu verzeichnen ist. Insbesondere die Zahl der mobilen Internetnutzer wächst sehr schnell. Bereits heute gibt es weltweit mehr als 3 Mrd. Internetnutzer 14, von denen etwa 2,3 Mrd. Nutzer mobile Geräte für dem Zugang nutzen15. Prognosen gehen davon aus, dass es 2019 bereits 4 Mrd. Internetnutzer geben wird16, was erstmals mehr als 50% der Weltbevölkerung entspricht17.
Jedoch gibt es seit der Frühzeit der adaptiven Lernumgebungen auch Entwicklungen, die vollkommen neue Lösungsansätze und Konzepte er- fordern. So konnte in den 1980er Jahren noch davon ausgegangen werden, dass einem Benutzer ein Endgerät zugeordnet werden kann. Es war nicht zu erwarten, dass sich dieses Gerät hinsichtlich seiner Leistungsfähigkeit und technischen Möglichkeiten verändert. Heute hingegen verwenden die meisten Nutzer mehrere Geräte, die in unterschiedlichen Situationen zum Einsatz kommen.
Ein Nutzer könnte beispielsweise zuhause einen leistungsstarken PC ver- wenden und für die mobile Nutzung wahlweise auf ein Tablet oder Smart- phone zurückgreifen. Insbesondere die Nutzung mobiler Endgeräte in ad- aptiven Lernumgebungen erfordert neue Lösungsansätze, um Geräte mit verschiedenen Charakteristika so mit Inhalten beliefern zu können, dass für den Nutzer ein individueller und zugleich transparenter Lernprozess auf allen seinen Geräten entsteht.
14 Internet Live Stats, 2016
15 eMarketer, 2016c
16 eMarketer, 2016b
17 eMarketer, 2016a
1.2. Forschungsfragen und Ziel der Arbeit
Gegenstand der Arbeit sind benutzerzentrierte adaptive Lernumgebun- gen, die sich dadurch auszeichnen, dass sie den Lernprozess anhand in- dividueller Merkmale ihrer Benutzer und deren Umgebung, sowie deren aktueller Situation anpassen. Vorhandene Systeme nutzen nur ein sehr eingeschränktes Spektrum an individuellen Benutzermerkmalen und dar- aus abgeleiteten Adaptionsmaßnahmen. Häufig berücksichtigen vorhan- dene Systeme nur ein einzelnes Merkmal, dessen Ausprägung zu Beginn ermittelt wird und anschließend als konstant angenommen wird, wodurch sich kein Benutzermodell erstellen lässt. Insbesondere dynamische Fak- toren, die für die momentane Situation des Benutzers entscheidend sind, finden keine Berücksichtigung.
Im Gegensatz hierzu soll in dieser Arbeit durch die Nutzung vielfältiger Benutzermerkmale ein möglichst präzises Benutzermodell erstellt wer- den und eine Ermittlung der jeweiligen Ausprägung begleitend oder in geeigneten Intervallen erfolgen, um so geeignete Adaptionsmaßnahmen vornehmen zu können, die auf die Individualität des Nutzers abgestimmt sind.
Da es bis heute keine Lösung gibt multiple Einflussfaktoren innerhalb ei- nes Lernprozesses zu berücksichtigen, muss zunächst untersucht werden, welche individuellen Einflussfaktoren sich auf den Lernprozess auswirken können und in einem weiteren Schritt, welche dieser ermittelten Fak- toren nach heutigen Möglichkeiten technisch erfassbar sind. Außerdem muss eine Architektur konzipiert werden, die es ermöglicht unterschiedli- che Einflussfaktoren zu erfassen, die ermittelten Daten vorzuhalten und über ein zentrales Regelwerk unterschiedliche Einflussfaktoren miteinan- der zu verknüpfen.
Anhand dieser Problemstellung ergeben sich die nachfolgend aufgeführ- ten Forschungsfragen:
• F1: Welche individuellen Einflussfaktoren sind im Kontext von com- puterbasierten Lernumgebungen grundsätzlich als relevant in Be- zug auf den Lernprozess anzusehen?
• F2: Welche individuellen Einflussfaktoren sind im Kontext von com- puterbasierten Lernumgebungen nach heutigem Kenntnisstand tech-
nisch zu erfassen und mit welchen Methoden können sie erfasst werden?
• F3: Wie lassen sich erfasste Einflussfaktoren unter Berücksichtigung unterschiedlicher Datenformate und Erfassungszyklen in geeigneter Weise in einer Datenstruktur vorhalten?
• F4: Welche Basiskomponenten sind für den Aufbau einer benutzer- zentrierten adaptiven Lernumgebung erforderlich?
• F5: Wie lassen sich unterschiedliche Module zur Erfassung von in- dividuellen Einflussfaktoren in einem Gesamtsystem integrieren?
• F6: Wie lassen sich Komponenten zur Ermittlung von Einflussfak- toren sinnvoll in einem System kombinieren?
Ziel der Arbeit ist es Einflussfaktoren zu ermitteln, die sich auf Tei- le des Lernprozesses auswirken. Die ermittelten Einflussfaktoren sollen hinsichtlich ihrer technischen Erfassbarkeit bewertet werden. Zudem soll evaluiert werden, wie sich festgestellte individuelle Faktoren in geeigneter Weise modellieren lassen und sich entsprechende Adaptionsmaßnahmen ableiten lassen. Anhand dieser Erkenntnisse sollen ein Systemkonzept und ein Prototyp entwickelt werden, die es erlauben unterschiedliche Ein- flussfaktoren zu erfassen und zu kombinieren. So soll die Grundlage zur Gewinnung eines möglichst vollständigen Benutzerprofils geschaffen wer- den. Anhand ausgewählter Einflussfaktoren soll beispielhaft die Zusam- menarbeit in einem Gesamtsystem demonstriert werden. Dabei besteht der Prototyp mindestens aus den folgenden Kernkomponenten:
• Autorenwerkzeug zur Erstellung und Pflege von Inhalten und Me- tadaten
• Domänenmodell für die Speicherung der Lehrinhalte
• Benutzermodell zur Modellierung einzelner Benutzerattribute
• Business-Rule-Engine, sowie Business-Rule-Repository für die Ver- waltung des Regelwerks
• Benutzerschnittstelle (Client) für die Nutzung durch den Lernenden
1.3. Gliederung der Arbeit
Die vorliegende Arbeit beleuchtet in Kapitel 2 zunächst die Historie ad- aptiver Systeme und deren Vorgänger und gibt einen Überblick über den aktuellen Forschungsstand. Dazu werden verfügbare Lösungen und For- schungsergebnisse betrachtet und bewertet.
Das nachfolgende Kapitel gibt einen generellen Überblick über die erfor- derlichen Komponenten adaptiver Lernsysteme und zeigt dabei grund- sätzliche Unterscheidungsmerkmale auf. Außerdem wird untersucht, wel- che relevanten Einflussfaktoren zu berücksichtigen sind, um auf die Indi- vidualität des Nutzers eingehen zu können. Hierzu soll zunächst evaluiert werden, welche persönlichen, situativen und technischen Einflussfaktoren sich auf den Lernprozess auswirken können und welche Adaptionsmaß- nahmen sich daraus ableiten lassen.
Im Fokus der Betrachtung stehen
• mögliche Einflussfaktoren, die sich auf den Lernprozess auswir- ken,
• Möglichkeiten, die Ausprägungen dieser Einflussgrößen anhand von Messverfahren zu bestimmen,
• Modellierungsverfahren, die die Ausprägungen der ermittelten Einflussgrößen in einem Benutzermodell speichern können,
• sowie die Ableitung geeigneter Adaptionsmaßnahmen.
In Kapitel 4 wird das Systemkonzept des zu entwickelnden Prototyps vorgestellt. Auf Basis der grundsätzlichen Überlegungen des vorangegan- genen Kapitels werden in einem strukturierten Auswahlprozess konkret nutzbare Faktoren, Methoden und Verfahren identifiziert. Diese werden im Weiteren genutzt, um ein Konzept für eine konkrete Implementierung vorzuschlagen und einen Prototypen zu implementieren. Hierzu werden zunächst Ziele festgelegt, die mit dem vorgeschlagenen System erreicht werden sollen. Anschließend werden die festgelegten Ziele verwendet, um Anforderungen zu formulieren, die die Erreichung der Ziele ermöglichen.
Zudem werden Rahmenbedingungen berücksichtigt, die einen zeitgemä- ßen Betrieb eines Softwaresystems ermöglichen. Hierzu zählen die Be- rücksichtigung heute eingesetzter Endgeräte, die Wartbarkeit des Sys- tems, sowie ein Mindestmaß an Ausfallsicherheit und Datenschutz.
In Kapitel 5 wird die Umsetzung der Basis des entwickelten Prototyps auf verschiedene Ebenen behandelt. Außerdem zeigt es beispielhaft die Entwicklung und Integration von unterschiedlichen Komponenten zur Er- mittlung von Benutzerattributen.
Die Arbeit schließt mit einem Fazit zu den gewonnenen Erkenntnissen und gibt einen Ausblick zu offenen Fragestellungen und sich ergebenden Forschungsbedarfen.
2. Stand der Forschung und Technik
Dieses Kapitel gibt zunächst einen Überblick über das Forschungsfeld und angrenzende Disziplinen, zu dieser Arbeit. Im Folgenden wird die Ent- wicklung technischer Maschinen zur Wissensvermittlung bis hin zu ad- aptiven Lernsystemen betrachtet. Anschließend werden Grundlagen der Adaptivität im Bereich E-Learning behandelt und insbesondere die Tak- tung der Adaption behandelt.
Die einzelnen Komponenten eines modernen Lernsystems, sowie die zu- grundeliegenden Standards und Techniken werden im Folgenden Beschrie- ben. In diesem Teil werden grundsätzlich denkbare Ansätze und Metho- den vorgestellt, die sich eignen können, um individuelle Eigenschaften des Lernenden zu berücksichtigen. Hierzu wird zunächst auf Einflussgrößen eingegangen, die die Diversität der Lernenden maßgeblich ausmachen. Im zweiten Teil werden Methoden und Modelle vorgestellt, die sich eignen, um Einflussgrößen zu messen und zu modellieren. Anschließend werden Möglichkeiten zur Analyse der ermittelten Einflussgrößen evaluiert. Im letzten Teil dieses Kapitels werden Maßnahmen vorgeschlagen, die sich aus der Analyse der Einflussgrößen ableiten lassen können.
Da sich aus den zuvor behandelten Gebieten der Forschung häufig kon- krete Implementierungen entwickelt haben, werden in Kapitel 2.11 ver- fügbare E-Learning Lösungen und Produkte hinsichtlich ihrer adaptiven Funktionen vorgestellt.
2.1. Forschungsfeld
Der Ansatz benutzerzentrierter adaptiver Lernumgebungen ist an der Schnittstelle der Informatik Teilgebiete Mensch-Computer Interaktion, Multimedia- und Hypermediatechnik, sowie Bildungsinformatik bezie- hungsweise E-Learning einzuordnen.
Die Mensch-Computer-Interaktion (englisch Human–computer interacti- on; HCI) ist ein Teilgebiet der Informatik und beschäftigt sich mit der benutzergerechten Gestaltung von Mensch-Maschine-Schnittstellen inter- aktiver Systeme. Neben Erkenntnissen aus der Informatik werden auch solche aus der Psychologie (insbesondere Medienpsychologie), der Ar- beitswissenschaft, der Kognitionswissenschaft und der Ergonomie berück- sichtigt. Das Hauptaugenmerk im Bereich Mensch-Maschine-Interaktion
(MMI) liegt in der Entwicklung von Konzepten und Technologien, die die Nutzung technischer Systeme für den Menschen erleichtern.18
Unter E-Learning versteht man generell die Unterstützung von Lehr- und Lernprozessen durch digitale Medien und Technologien, die mit Computer- oder Internetunterstützung durchgeführt werden.19Der Begriff E-Learning umfasst ein großes Spektrum sowohl technologischer Entwicklungen als auch lernorganisatorischer Formen. E-Learning ist kein klar definierter Begriff und hat eine Vielzahl an begrifflichen Vorläufern, wie Compu- ter Based Training – CBT20, Computer Based Instruction - CBI21 oder Computer Aided Teaching - CAT22 Er umfasst sowohl onlinegestützte Lernformen als auch computerunterstützte offline Lernformen. Zumeist setzt E-Learning setzt sich aus den Facetten Interaktivität, Multicoda- lität, Multimedialität und Multimodalität zusammen. Tabelle 1 zeigt in Anlehnung an Kerres23 drei voneinander zu unterscheidende Formen des E-Learnings. Sie stellen Punkte in einem Spektrum von völlig selbststän- digen Lernangeboten bis hin zu einem völlig betreuten Lernangeboten dar.
18 Vgl. Shneiderman and Plaisant, 2010
19 Vgl. Ehlers, 2011
20 Vgl. Brendel, 1990
21 Vgl. Lillie et al., 1989
22 Vgl. Grob, 1997
23 Vgl. Kerres, 2001
Offenes Telelernen
Teletutoring Teleteaching Merkmale Lerninhalte wer-
den in modularen Datenbanken an- geboten, der Ab- ruf erfolgt wahl- frei keine organi- sierte Kommuni- kation
zeitlich getaktete Distribution von Lernmaterialien mit Lernaufgaben Betreuung vor allem asynchron
synchrone Kom- munikation zwi- schen entfernten Personen
Vorteile individuelle
Auswahl von
Lerninhalten und -wegen zeitlich freier Zugriff
Betreuung durch Tutor kooperati- ves verteiltes Ler- nen in Gruppen möglich
interpersonelle Interaktion ohne zeitliche Verzögerung Mögliche
Nachteile
kein systematisch aufbereitetes Lernangebot keine systemati- sche Betreuung geringer Lerner- folg für Anfänger
Aufwand bei Pla- nung (Anpassung an Zielgruppe u.ä.)
organisatorischer
Aufwand bei
Durchführung ein wahlfreier Zugriff
technischer Auf- wand
oft nur Einweg- Kommunikation Synchronisation
des Lehr-
Lernprozesses
Tabelle 1: Vor- und Nachteile der methodischen Grundformen des E- Learnings nach Kerres
Diese Arbeit bewegt sich im Umfeld des offenen Telelernens. Das offene Telelernen ist eng verbunden mit der „Open University“ in Großbritan- nien24. Sie organisiert ihr Lehrangebot nicht in fest umrissenen Curricu- la und Studiengängen, sondern fördert die individuellen Lerninteressen durch Offenheit in der Kurswahl. Der entscheidet eigenständig, welche Inhalte er wann und in welcher Detailtiefe lernt. Es ist jedoch bekannt, dass diese Form des Lernprozesses nur dann erfolgreich ist, wenn der Ler- nende bereits umfangreiche Lernkompetenzen und Erfahrungen mit der notwendigen Selbstorganisation besitzt. Häufig sind Lernende durch die notwendige Organisation überfordert. Folglich nutzen sie die angebote- nen Kurse nach einiger Zeit nicht mehr. Aus didaktischer Sicht sollte das Lehrangebot beim offenen Telelernen auf die individuelle Auseinander- setzung des Lernenden mit dem Inhalt abgestimmt sein.25
24http://www.open.ac.uk
25 Vgl. Ehlers, 2011
Multimedia- und Hypermediatechnik ist ein Teilgebiet der Informatik, das sich mit der Verknüpfung verschiedener web-basierter Technologien im Bereich Multimedia befasst. Multimedia bezeichnet technische Syste- me, die in der Lage sind, verschiedene Datenformate, wie Texte, Grafiken, Ton und Video, zu verarbeiten und für den interaktiven Abruf vorzuhal- ten.26 Multimediale Lernsysteme im Speziellen zeichnen sich durch ei- ne vernetze Informationsstruktur, die durch Hypertext ermöglicht wird, aus. Ein Hypertext besteht aus Knoten, die Informationen enthalten, und Verbindungen, welche die strukturellen Zusammenhänge zwischen den Knoten explizit darstellen.27 Ein Zugriff auf die Knoten ist in be- liebiger Abfolge möglich. Hypertext-Systemen werden oftmals aufgrund der möglichen assoziativen Anordnung von Lerninhalten hohe didakti- sche Potentiale nachgesagt.28 29 Bestehen die Knoten eines Dokuments nicht aus Textbausteinen, sondern aus anderen Medienformaten, spricht man von Hypermedia.30.
2.2. Historische Entwicklung
Der Gedanke, moderne Technologien zu nutzen, um Lernprozesse zu er- leichtern, ist nicht erst mit der Entwicklung von Computern und dem In- ternet aufgekommen. So entwickelte Pressey bereits 1915 Maschinen ”zur Intelligenzprüfung und zur Informationsvermittlung“.31 32Sie werden als Ursprung für die Entwicklung von modernen Lernmaschinen gesehen.
Diese Maschinen präsentierten den Lernenden Multiple-Choice-Fragen.
Ein internes Rechenwerk addiert die Anzahl der korrekt beantworteten Fragen und ermöglicht ein anschließendes Ablesen der Ergebnisse durch den Leiter des Tests. In einer Erweiterung, hin zu einer Lernmaschine wurde die Anzeige der Lerninhalte über die Ergebnisse dieser Tests ge- steuert. Weitere Lerninhalte wurden erst dann präsentiert, wenn die Tests zu den vorangegangenen Inhalten erfolgreich absolviert wurden.33.
26 Vgl. Kerres, 2001
27 Vgl. Tergan, 2002
28 Vgl. Haack, 2002
29 Vgl. Langer, 2013
30 Vgl. Tergan, 2002
31 Boring, 1958, S. 152 f.
32 Pressey, 1946, S. 262
33 Vgl. Benjamin, 1988, S. 705 f.
In den 1950er-Jahren griff Skinner die Idee des Privatlehrers wieder auf und entwickelte Lehrapparate, die es ermöglichen sollten die Lehre ma- schinell zu individualisieren. Dazu bediente er sich an den Prinzipien des operanten Konditionierens und differenzierte zwischen dem Appa- rat und dem in ihm ablaufenden Programm. Die Apparate ermöglichten es, nicht nur eine Lösung aus vorgegebenen Möglichkeiten auszuwählen, sondern eigene Lösungsvorschläge durch das Verschieben von Hebeln ein- zugeben.34 So wurden einerseits die Lehrapparate auf denen individua- lisierte Lernangebote abliefen und andererseits die Lehrprogramme, die in gedruckter Form eingesetzt wurden entwickelt. Allerdings waren aus- schließlich die gedruckten Lehrprogramme bis in die 1960er- Jahre erfolg- reich, während die Lehrapparate nie zu einem Erfolg wurden. Ursächlich hierfür ist der enorme technische Aufwand für deren Entwicklung und Herstellung.35
Auch in den folgenden Jahrzehnten wurden immer wieder Projekte mit dem Ziel eine maschinelle Form der Lehre zu finden gestartet. In die- sen Projekten wurden vermehrt Computer für die Steuerung der Lehr- maschinen eingesetzt, konnten sich aber letztlich aufgrund der enormen Kosten für Computersysteme dieser Zeit nie durchsetzen. Seitdem der Personal Computer in den 1980er Jahren zu immer geringeren Kosten zur Verfügung stand und sich rasant verbreitet erlebte auch der Zweig der computerbasierten Lernumgebungen eine Belebung. So wurden Sys- teme vorgestellt, die ihr Verhalten anhand statischer Regeln, individuell auf den Lernenden zuschneiden.
Systeme, die die Individualität von Lernenden in computerunterstütz- ten Lernumgebungen berücksichtigt, werden als ”Adaptive Educational System” (AES) bezeichnet.36 Diese Systeme sind zum einen aus den ”In- telligent Tutor Systems” (ITS) und zum anderen aus den ”Adaptive Hy- permedia Systems” (AHS) entstanden.
Die ITS sind aus dem Forschungszweig der Lehrmaschinen entstanden, der sich mit der Frage beschäftigt hat, wie individualisiertes Lehren und Lernen möglich ist. In diesem Kontext wurden Lehrprogramme entwi- ckelt, die sich mithilfe von künstlicher Intelligenz selbstständig auf die
34 Vgl. Benjamin, 1988, S. 708
35 Vgl. Leutner, 1992, S. 2 f.
36 Vgl. Brusilovsky, 1998
Voraussetzungen des Lernenden einstellen können.37Die Entwicklung der ITS wurde in erster Linie von Fragestellungen der Informatik getrieben, sodass in vielen ITS instruktionspsychologische und pädagogische Er- kenntnisse eine untergeordnete Rolle spielten.38
Im Gegensatz hierzu sind AHS eine jüngere Entwicklung die mit dem Entstehen des Internets einhergeht. AHS hatten zunächst keinen Bezug zu Lernumgebungen, sondern beschäftigten sich mit der grundsätzlichen Individualisierbarkeit von Multimediainhalten im Internet. Im Zusam- menhang mit Lernumgebungen werden sie deshalb auch als ”Adaptive Educational Hypermedia Systems” (AEHS)39 40 oder ”Adaptive Hyper- media Learning Systems” (AHLS)41 bezeichnet. Hierzu verwenden Sys- teme dieses Typs in der Regel ein Benutzermodell, in dem die berück- sichtigten Attribute des Benutzers vorgehalten werden.42
2.3. Adaptive Systeme
Als adaptive Systeme werden im Bereich von Lernumgebungen unter- schiedlichste Anwendungen der computergestützten Lehre bezeichnet. Im Allgemeinen zeichnen sich adaptive Systeme dadurch aus, dass sie Fakto- ren ihrer Umwelt und ihres Nutzungskontexts berücksichtigen. Adaptive Systeme im Bereich von Lernumgebungen im Speziellen berücksichtigen hierzu in der Regel individuelle Merkmale und die aktuelle Situation ih- rer Benutzer. Diese Merkmale reichen vom Geschlecht43über Vorwissen44
45 bis hin zum kognitiven Typ46 47 des Nutzers. Abhängig von dem je- weiligen System kann der Benutzer das System eigenständig auf seine Bedürfnisse und Vorlieben einstellen, oder das System nimmt diese Ad- aption selbstständig vor.
Es gibt ein sehr breites Spektrum von möglichen Benutzermerkmalen.
Trotzdem werden Benutzermerkmale in der aktuellen Forschung zumeist
37 Vgl. Issing and Klimsa, 1995, S. 555
38 Vgl. Leutner, 1992, S. 4 ff.
39 Henze and Nejdl, 2004, S. 4
40 Mampadi, 2012, S. 1
41 Mampadi et al., 2009, S. 156
42 Vgl. Brusilovsky, 1998
43 Vgl. Schumacher and Morahan-Martin, 2001, S. 95
44 Vgl. Last et al., 2001, S. 3
45 Vgl. Mitchell et al., 2005, S. 53
46 Vgl. Chen and Macredie, 2004, S. 375
47 Vgl. Stash and De Bra, 2004, S. 378
nur isoliert verwendet. In einer Studie48 von 2012 wurde der Einfluss von Vorwissen und kognitivem Stil in adaptiven Lernumgebungen unter- sucht. Zwar konnte in der abschließenden Untersuchung ein unterschied- lich starker Effekt der beiden Merkmale ausgemacht werden, allerdings kommt diese Untersuchung, wie auch vorangegangene Studien49 50, zu der Folgerung, dass künftige Lösungen sich auf die Kombination mehre- rer Merkmale konzentrieren sollten.
Bisher gibt es keine Lernumgebung, die einerseits basierend auf einem Lernermodell, Motivation, Vorwissen, erlangtes Wissen, Lernstil etc. er- fasst und andererseits alle Möglichkeiten der Modifikation der Lernin- halte nutzt. In der Regel werden nicht mehr als ein oder zwei Variablen im Lernermodell operationalisiert und ein bis zwei Modifikationen vorge- nommen.51
Im Folgenden wird ein Überblick über den Forschungsstand gegeben.
Dazu werden zunächst unterschiedliche Modelle betrachtet und anhand dieser, eine strukturierte Kategorisierung von adaptiven Lernumgebun- gen vorgenommen.
In der Forschung zu adaptiven Systemen im Bereich von Lernumgebun- gen werden die unterschiedlichen Ausprägungen der Adaptivität nach unterschiedlichen Kriterien kategorisiert. Einige der vorgeschlagenen Kri- terien werden nachfolgend vorgestellt.
Burgos et al. schlagen hierzu drei Kategorien vor.
• Adaptionsinstanz
Die Adaptionsinstanz beschreibt die Instanz in einem Modell, die die Adaption vornimmt. In diesem Zusammenhang begrenzen die adaptability und adaptivity die Menge der möglichen Instanzen.
Auf der einen Seite beschreibt die adaptability eine Instanz, die es dem Benutzer ermöglicht eigenständig Modifikationen an der Ler- numgebung vorzunehmen. Auf der anderen Seite beschreibt die ad- aptivity die systemseitige Adaption der Lernumgebung an den Ler- nenden. Diese Form sieht keine direkte Eingriffsmöglichkeit durch
48 Vgl. Mampadi, 2012, S. 7
49 Vgl. Mampadi et al., 2009, S. 163
50 Vgl. Mampadi et al., 2011, S. 1009
51 Vgl. Lehmann, 2010, S. 17
den Lernenden vor. Tatsächlich bedienen sich adaptive Lernumge- bungen aber häufig einer Form, die weder das eine, noch das andere Extrem vollständig abbildet oder eine Mischform darstellt.52
• Adaptionsinput
Unabhängig von der Adaptionsinstanz, sind die berücksichtigten Merkmale und Einflussfaktoren zu berücksichtigen. Die verwende- ten Merkmale und Einflussfaktoren werden als Adaptionsinput be- zeichnet. Häufig werden die Interaktionen der Benutzer mit der Lernplattform oder explizierte Steuerungsentscheidungen der Nut- zer als Adaptionsinput verwendet.
Konkret wird hierzu zwischen vier Quellen für den Adaptionsinput unterschieden:
– Informationen über das Verhalten und die Leistung der Nut- zer, die durch das System ermittelt werden.
– Explizite Entscheidungen der Nutzer.
– Entscheidungen eines Betreuers oder Lehrenden, der durch Evaluation der Lehrsituation bewusste Entscheidungen trifft.
– Vordefinierte Regeln zur Steuerung der Adaption.53
• Adaptionsgegenstand
Der Adaptionsgegenstand beschreibt die Elemente einer Lernumge- bung, auf die sich die Adaption bezieht. Hierzu werden drei Grup- pen vorgeschlagen. Die erste Gruppe beinhaltet Möglichkeiten, um die Benutzerschnittstelle anzupassen, und kann dem Bereich Usa- bility Engineering zugeordnet werden. Typische Anwendungsfälle sind die Positionierung von Elementen und deren Ausgestaltung hinsichtlich Farbe, Größe und weiterer Attribute. In der Regel wird diese einfache Form der Adaption eigenständig durch den Benut- zer vorgenommen. Die zweite Gruppe beschreibt die Sequenzierung von Lerninhalten. Abhängig von unterschiedlichen Einflussfaktoren wird hier die Reihenfolge der Lernobjekte individuell für jeden Be- nutzer manipuliert. Die letzte Gruppe arbeitet auf Basis der Leh- rinhalte. Für jedes Lernobjekt liegen alternative Inhalte vor und werden abhängig von Einflussfaktoren eingesetzt.54
52 Vgl. Burgos et al., 2007, S. 161
53 Vgl. Burgos et al., 2007, S. 162
54 Vgl. Burgos et al., 2007, S. 162f.
Ein anderes Unterscheidungsmerkmal, für die Differenzierung von adap- tiven Lernumgebungen ist der Adaptionszweck. Hierzu wird nach Leut- ner55 zwischen dem Kompensationsmodell, dem Präferenzmodell und dem Fördermodell unterschieden. Im Rahmen des Fördermodells werden durch Tests zunächst Defizite der Lernenden ermittelt und anschließend durch die Präsentation zusätzlicher Lerneinheiten versucht zu beheben.
Bei dem Einsatz des Kompensationsmodells sollen Defizite der Lernen- den durch zur Verfügung gestellte Hilfsmittel kompensiert werden. Im Gegensatz hierzu ermittelt und kompensiert das Präferenzmodell keine Defizite der Lernenden, sondern unterstützt und Fördert die vorhande- nen Stärken des Lernenden
Schulmeister56 und Leutner57 schlagen außerdem vor, Systeme entspre- chend der Taktung der Adaption zu unterschieden. Das Spektrum der möglichen Taktungen reicht von einer einmaligen Anpassung zum Bei- spiel zu Beginn durch den Nutzer selbst, über einige wenige Anpassungen bis hin zur kontinuierlichen Bewertung des Nutzerverhaltens. Im Ver- gleich zu der Adaptionsinstanz nach Burgos et al. sind bei der Taktung der Adaption die Anzahl der Eingriffe und die Zeit zwischen den Eingrif- fen relevant und nicht, wer den Eingriff durchführt.
Die hier vorgestellten Modelle zur Kategorisierung adaptiver Lernumge- bungen zeigen viele Gemeinsamkeiten und Schnittpunkte. Unter Berück- sichtigung der jeweils anderen Modelle lässt sich jedoch auch erkennen, dass kein Modell alle Eigenschaften vollständig erfasst und nur durch Ergänzung eine umfassende Charakterisierung möglich ist. Aus den vor- gestellten Modellen können fünf Kategorien hergeleitet werden, die die Kategorisierung adaptiver Lernumgebungen ermöglichen:
1. Quelle des Adaptionssinputs, 2. Adaptionsinstanz,
3. Taktung der Adaption, 4. Adaptionsgegenstand, 5. Zweck der Adaption.
55 Vgl. Leutner, 2002, S. 118
56 Vgl. Schulmeister, 2006, S. 115ff.
57 Vgl. Leutner, 2002, S. 118ff.
Die Kategorien Adaptionssinput, Adaptionsinstanz und Adaptionsgegen- stand entsprechen den Kategorien nach Burgos et al.58. Die Taktung der Adaption entspricht der Unterscheidung zwischen Mikro- und Makroa- daptivität nach Leutner59, beziehungsweise der statischen und dynami- schen Lerner-Adaptivität nach Schulmeister60. Der Zweck der Adaption greift die Differenzierung des Adaptionszwecks nach Leutner auf.
Henze und Nejdl bieten eine Beschreibung auf Basis der technischen Komponenten eines AEHS61 an. Die einzelnen Komponenten können im Gegensatz zu den Kategorien der vorangegangenen Modelle als techni- sche Module eines Systems betrachtet werden. In diesem Modell sind die Kernkomponenten ”Document Space”, ”User Model”, ”Observations” und
”Adaption Component”.62
In einem adaptiven System bestehen Beziehungen zwischen diesen ein- zelnen Bestandteilen. Der ”Document Space” kann als Speicherort für Wissensobjekte und deren Metadaten verstanden werden und wird im Folgenden allgemein als Domänenmodell bezeichnet. Die ”User Model”- Komponente beinhaltet Daten zu Benutzern, deren Umgebung und ih- rem Verhalten und wird im Folgenden als Benutzermodell bezeichnet.
Die Komponenten ”Observations” und ”Adaption Component” arbeiten auf Basis der Daten des Domänen- und Benutzermodells und bilden die Funktionalität eines Systems ab. Hier wird zu Gunsten einer detaillierte- ren Betrachtung auf die Begrifflichkeiten ”Observations” und ”Adaption Component” verzichtet. Stattdessen wird zwischen möglichen Einfluss- faktoren, die sich auf den Lernprozess auswirken, Messverfahren zur Er- mittlung der Ausprägungen von Einflussgrößen, Modellierungsverfahren, die die Ausprägungen der ermittelten Einflussgrößen in einem Benutzer- modell speichern können und daraus abgeleiteten geeigneten Adaptions- maßnahmen unterschieden.
Die Beziehung dieser Faktoren, Verfahren und Maßnahmen zueinander kann als Regelkreis verstanden werden und ist in Abbildung 1 dargestellt.
In diesem Regelkreis werden verschiedene Einflussfaktoren gemessen und so die Adaptionsmaßnahmen beeinflusst. Im folgenden Adaptionsschritt nimmt der Einflussfaktor eine veränderte Größe an, sodass die Adaptions-
58 Vgl. Burgos et al., 2007, S. 161ff.
59 Vgl. Leutner, 2002, S. 118ff.
60 Vgl. Schulmeister, 2006, S. 115ff.
61 Adaptive Educational Hypermedia System
62 Vgl. Henze and Nejdl, 2004, S. 5
maßnahme weiter beeinflusst wird, bis ein zufriedenstellendes Ergebnis erreicht wurde. Die Taktung der Adaption gibt dabei an, in welchem zeit- lichen Abstand Adaptionsmaßnahmen durchgeführt werden.
In den folgenden Unterkapiteln werden die einzelnen Kernkomponenten einer adaptiven Lernumgebung auf Basis dieses Modells detailliert erläu- tert.
Abbildung 1: Kernkomponenten eines AEHS
In den folgenden Unterkapiteln werden die übrigen vorgeschlagenen Kom- ponenten eines adaptiven E-Learningsystems und die Taktung der Adap- tion näher beleuchtet. Da die Taktung der Adaption ein offensichtliches Systemmerkmal und ein Indikator für die Komplexität der Systeme ist, wird sie zunächst erläutert und im folgenden Teil als Grundlage für die Kategorisierung der verfügbaren Technik und Lösungen verwendet.
2.4. Taktung der Adaption
Eine grundlegende Unterscheidung bietet Leutner63, der adaptive Lehr- systeme primär in Bezug auf Mikroadaptivität und Makroadaptivität unterscheidet.
Schulmeister64 unterschiedet ähnlich, stellt allerdings neben der stati- schen und dynamischen Lerner-Adaptivität, die im wesentlichen der Makro- und Mikroadaptivität entsprechen, die Schnittstellen-Adaptivität als wei- tere Form der Adaptivität vor.
Im Folgenden wird die Differenzierung nach Leutner und Schulmeister aufgegriffen, um eine Kategorisierung vorzunehmen. Dabei wird die Ma- kroadaptivität synonym für statische Lerner-Adaptivität und Mikroad- aptivität synonym für dynamische Lerner-Adaptivität verwendet.
2.4.1. Schnittstellen-Adaptivität
Die Schnittstellen-Adaptivität oder Adaptierbarkeit bezieht sich auf die Adaption der Benutzerschnittstelle. Dabei handelt es sich um ein sehr pragmatisches Konzept, das es erlaubt, die Benutzerschnittstelle an die Bedürfnisse beziehungsweise Einschränkungen des Benutzers anzupas- sen. In der Regel lässt sich die Präsentation in Form von Schriftgröße, einstellbaren Fenstergrößen und Farbgebung anpassen. Außerdem lassen sich zusätzliche Hilfsmittel wie Werkzeuge für Annotationen, Datenban- ken oder Kommunikationsdienste zu- beziehungsweise abschalten. Um eine Bearbeitung auch durch Nutzer mit Einschränkungen zu erlauben, sind außerdem häufig für Screenreader optimierte Texte, Bilder mit Be- schreibungstext und Farbgestaltungen für Farbblinde anzutreffen.65 Mittlerweile ist diese Form der Adaptivität unter dem Gesichtspunkt der Usability und der Barrierefreiheit in vielen Hypermediaanwendungen anzutreffen. Dies liegt zum einen an der vergleichsweise einfachen Um- setzbarkeit, da sie unabhängig von den Inhalten erfolgen kann und zum anderen an dem unbestrittenen Nutzen und der Notwendigkeit durch Re- gulierungen und Vorschriften, wie EN ISO 9241-11066, 9241-15167, 9241-
63 Vgl. Leutner, 2002, S. 118ff.
64 Vgl. Schulmeister, 2006, S. 115ff.
65 Vgl. Schulmeister, 2006, S. 116
66 ISO 9241-110, 2006,
67 ISO 9241-151, 2008,
17168 oder die ”Web Content Accessibility Guidelines” (WCAG) 2.0 des World Wide Web Konsortiums69.
2.4.2. Makroadaptivität
Makroadaptivität oder statische Adaptivität ist die Fähigkeit einer Lern- umgebung, sich seitens des Lehrenden oder des Systems selbst an die Er- fordernisse des Lernenden anpassen zu lassen. Hierbei sind nur sehr we- nige Eingriffe vorgesehen. In der Praxis ist meist ein einmaliger Eingriff zu Beginn der Lerneinheit notwendig. Makroadaptive Systeme erfordern somit nur einen relativ geringen Aufwand für die technische Entwicklung dieser Form von System. Implizit liegt auch hier ein Lernermodell vor.
Jedoch gibt es für die Festlegung dieser Form von Lerner- oder Benut- zermodell weitaus größere Freiheiten, weil es nicht oder zumindest nicht kontinuierlich durch das System aktualisiert werden muss. Eine deutliche Einschränkung in diesem Zusammenhang ist die Beschränkung auf per- sönliche Merkmale, von denen nicht zu erwarten ist, dass sie sich während einer Sitzung verändern. In Systemen, die nur einen Eingriff vorsehen, können folglich nur Konstanten berücksichtigt werden.
Ein typisches Szenario ist ein Selbsttest zu Beginn einer Lerneinheit, der das vorhandene Wissen prüft und anschließend entsprechende Lerninhal- te auswählt.
2.4.3. Mikroadaptivität
Im Gegensatz zu den makroadaptiven Systemen, die wenige oder nur einen Zeitpunkt der Adaption vorsehen, wird eine solche Adaption bei der Mikroadaptivität oder dynamischen Adaptivität deutlich häufiger oder kontinuierlich vorgenommen. Somit ist diese Gruppe von Systemen in der Lage individuelle Merkmale des Lernenden zu Berücksichten, die sich rasch verändern können und in der Lage darauf zu reagieren.70 71 Dazu wird in der Regel ein Lerner- oder Benutzermodell eingesetzt, das zur Laufzeit einer Sitzung aktualisiert werden kann. Es ist leicht zu erkennen, dass eine mikroadaptive Umgebung grundsätzlich eine deutlich größere Bandbreite an Adaptionsmaßnahmen bieten kann.
68 ISO 9241-171, 2008,
69 Ben Caldwell, 2008,
70 Vgl. Leutner, 2002, S. 120
71 Vgl. Schulmeister, 2006, S. 116
2.5. Einflussgrößen
Einflussgrößen sind unterschiedliche Kriterien und Faktoren, anhand de- rer sich verschiedene Benutzer und deren momentane Situation unter- scheiden und somit die Individualität von Lernenden ausmachen. Im Folgenden werden verschiedene Einflussgrößen vorgestellt und einer ers- ten Kategorisierung unterzogen. Dazu werden sie zum einen in Kate- gorien eingeteilt und hinsichtlich ihrer Veränderbarkeit beziehungsweise Beständigkeit im zeitlichen Verlauf untersucht. Durch diese zweistufige Einteilung lassen sich Einflussgrößen anschließend in verschiedene Grup- pen einteilen.
Grundlegend ist zwischen
• technischen Einflussgrößen,
• persönlichen Einflussgrößen und
• situativen Einflussgrößen zu unterscheiden.
Technische Einflussgrößen sind alle Einflussgrößen, die nicht direkt von einem Benutzer abhängen, sondern von seiner technischen Ausstattung.
Die persönlichen Einflussgrößen hängen direkt von persönlichen Merk- malen eines Nutzers ab. Situative Einflussfaktoren werden durch die mo- mentane Umgebung des Benutzers bestimmt.
Weiter ist zu berücksichtigen, dass Einflussgrößen einer unterschiedli- chen zeitlichen Beständigkeit unterliegen. Während zu erwarten ist, dass sich situative Faktoren, wie die Konzentrationsfähigkeit häufig verändern, können andere Einflussfaktoren, wie Sehschwächen oder andere körper- liche Einschränkungen als konstant angesehen werden. Wie beständig der konkrete Wert einer Einflussgröße ist, kann zusätzlich zwischen un- terschiedlichen Benutzern variieren. Für eine grobe Einteilung werden folgende Attribute vorgeschlagen:
• konstant
• hohe Beständigkeit
• mäßige Beständigkeit
• geringe Beständigkeit
• keine Beständigkeit
Es ist festzuhalten, dass die gewählten Kategorien nur eine grobe Ein- teilung zulassen und sich nur für eine erste Einschätzung eignen. Zum einen sind teilweise keine eindeutigen Zuordnungen möglich. Etwa kön- nen Einflussfaktoren wie die Konzentrationsfähigkeit sowohl persönlich als auch situativ sein. Zum anderen lässt sich für einige Einflussfaktoren keine klare Annahme über deren zeitliche Beständigkeit treffen. Die Ziele können abhängig vom Benutzer stark variieren oder konstant sein.
Anhand der vorgeschlagenen Kategorisierungen werden im Folgenden Einflussgrößen vorgestellt und zugeordnet.
• Vorhandenes Wissen
Unter vorhandenem Wissen ist jenes Wissen zu verstehen, das vor der Durchführung eines Lernprozesses zur Verfügung steht. Hierbei ist primär Wissen aus der Domäne des thematischen Lehrgebiets relevant. Darüberhinaus kann aber auch Grundlagenwissen aus an- deren Bereichen relevant sein. Dies ist zum Beispiel der Fall, wenn Inhalte aus dem Bereich der relationalen Datenbanken vermittelt werden sollen und der Lerner bereits aus einer mathematischen Ausbildung mit logischen Ausdrücken vertraut ist.
Unter Zuhilfenahme des vorhandenen Wissens des Nutzers ist es möglich, die entsprechenden Lerneinheiten zu verkürzen oder in kompakter Form anzubieten. Somit ist ein Direkteinstieg in rele- vanten Themengebieten und Komplexitätsstufen möglich.
Das vorhandene Wissen zu einem bestimmten Zeitpunkt – typischer ist hier der Wissensstand zu Beginn eines Lernprozesses interessant - ist ein persönlicher Einflussfaktor.
Es ist davon auszugehen, dass sich das vorhandene Wissen zu Be- ginn der Bearbeitung als Konstante festhalten lässt und sich nur im Bereich des Domänenwissens durch den Lernprozess selbst ver- ändert.
Die zeitliche Beständigkeit des vorhandenen Wissens ist zwar als konstant zu betrachten, allerdings ist es möglich, dass weiteres vor- handenes Wissen durch die Auseinandersetzung mit einem Lern- gegenstand aktiviert wird und anschließend zur Verfügung steht.
Somit ist die Beständigkeit dieser Einflussgröße insgesamt als hoch anzusehen.
• Domänenwissen
Domänenwissen spiegelt das Wissen zu einzelnen Elementen der Lehrdomäne wider. Das Domänenwissen ist neben der Lernstilbe- trachtung das am weitesten verbreitete Benutzermerkmal bestehen- der adaptiver Lehrsysteme.72Zu Beginn einer Lerneinheit ist davon auszugehen, dass das Domänenwissen dem vorhandenem Wissen entspricht. Während das vorhandene Wissen das Wissen zu einem bestimmten Zeitpunkt festhält, zeigt das Domänenwissen die Ent- wicklung des Wissens eines Benutzers.
Das Domänenwissen ist als persönliches Merkmal anzusehen und im Gegensatz zum vorhandenen Wissen durchaus veränderbar.
Das Ziel eines jeden Lernsystems ist die Vermittlung von Wissen, somit ist die zeitliche Beständigkeit dieses Parameters als gering anzusehen. Dies bedeutet jedoch nicht, dass nur ein Zugewinn von Wissen denkbar ist, sondern ebenfalls ein Verfall von Wissen, wenn beispielsweise durch die Darstellungen im Lehrsystem Zweifel an bereits vorhandenem Wissen aufkommen.
• Ziele des Nutzers
Die Ziele des Nutzers sind eine weitere Möglichkeit, um den Umfang der zu vermittelnden Inhalte genau bestimmen zu können. Gemein- sam mit dem vorhandenen Wissen lässt sich der Umfang so nach oben und unten beschränken.
Ziele können beispielsweise ein weiter Überblick über ein Themen- gebiet, die theoretische Vertiefung eines speziellen Themengebiets oder praktische Kenntnisse zum Umgang mit einer bestimmten Technologie sein.
Die Ziele eines Benutzers sind ein persönliches Merkmal eines Ler- ners, können aber auch durch andere Anspruchsgruppen, wie dem Arbeitgeber vorgegeben sein.
Die Ziele eines Nutzer verändern sich fast immer von Lernsitzung zu Lernsitzung und häufig sogar während einer Sitzung.73Dies könnte der Fall sein, wenn ein Lerner, während er sich einen Überblick über
72 Vgl. Brusilovsky and Millán, 2007, S. 5
73 Vgl. Brusilovsky and Millán, 2007, S. 10
ein Themengebiet verschafft, für ihn interessante Themen identifi- ziert und deren Untersuchung zu seinen Zielen erklärt. Somit haben die Ziele eines Nutzers im zeitlichen Verlauf häufig nur einegeringe Beständigkeit.
• Interessen des Nutzers
Unter Interesse versteht man die kognitive Anteilnahme, die eine Person an einer Sache nimmt und die unterschiedlich stark ausge- prägt sein kann. Ebenso werden auch Vorlieben und Hobbys als Interessen bezeichnet. Das Gegenteil zu einem Interesse wird als Desinteresse bezeichnet und kann in seiner stärksten Form eine Apathie sein.
In der Psychologie spricht man hinsichtlich des Interesses von einem mehrdimensionalen Konstrukt.74 Moderne Theorien und Untersu- chungen basieren auf einer Personen-Gegenstands-Konzeption, wel- che die psychischen Phänomene des Lernens und der Entwicklung als permanente Austauschbeziehung zwischen einer Person und ih- rer sozialen Umwelt interpretiert. 75 Demnach definiert sich ein In- teresse durch konkrete Objekte, thematische Wissensbereiche oder bestimmte Gruppen von Tätigkeiten. Der Grad der Interessen wird über den Grad der subjektiven Wertschätzung des Interessenge- gestands ist und die Intensität der positiv emotionalen Zustände während der Interessenhandlungen definiert.
Das Interesse ist eine persönliche Einflussgröße mit einerhohen Be- ständigkeit.
• Lernstil
Die meisten der in Kapitel 2.11 vorgestellten adaptiven Systeme ba- sieren auf einem Lernstil als Adaptionsmerkmal. Dabei werden von verschiedenen Systemen unterschiedliche Lernstilmodelle verwen- det, um eine Unterscheidung individueller Benutzer zu ermöglichen und darauf abgestimmte Methoden der Adaption zu verwenden.
In der Literatur gibt es unterschiedliche Ansätze, Lernstil-Typen zu definieren und voneinander zu unterscheiden.
Wild76 ist der Auffassung, dass Lernstile relativ stabile kognitive
74 Vgl. Todt, 1990
75 Vgl. Deci and Ryan, 1985
76Vgl. Wild, 2000
