home Ausgabe 13 Adaptivität im Hochschulstudium. Konzeptionelle Überlegungen zur digitalisierten Unterstützung von selbstreguliertem Lernen

Adaptivität im Hochschulstudium. Konzeptionelle Überlegungen zur digitalisierten Unterstützung von selbstreguliertem Lernen

Artikel als PDF

 

E-Learning-Angebote in der Hochschule haben immer mehr den Anspruch, dass ihre didaktisch-methodischen Designs den heterogenen Lernbedürfnissen, den unterschiedlichen Lernbiografien und den diversen Mediennutzungsinteressen der Studierenden Rechnung tragen, und fokussieren sich somit verstärkt auf deren individuellen Bedarfe. Mittlerweile sind – bedingt durch multimediale Interaktions- und Kommunikationsmöglichkeiten, Cloud-Lösungen und BYOD-Konzepte – auch schon vielfältige digitale Lehr- und Lernformate entstanden. Mit der fast selbstverständlich gewordenen Nutzung der eigenen mobilen Endgeräte lernen Studierende heute an anderen Orten als bisher und sie erweitern unabhängig von Zeit und Ort ihr Wissen, um es möglicherweise für Problemlösungen unmittelbar in der Situation anzuwenden, in der sie es brauchen. Zudem lassen sich die in der Hochschullehre eingesetzten Lernplattformen und Webkonferenzsysteme mit ihren responsiven Designs mittlerweile benutzerfreundlich auf Tablets und Smartphones abbilden. Dieses zeitlich und räumlich flexible Lernen für das Hochschulstudium wird zukünftig verstärkt durch die Entwicklung einer adaptiven Lehr-Lernkultur und durch neue Formen von Leistungsfeststellungen ergänzt. Adaptivität spielt beim Lernen und Lehren mit digitalen Medien in der Hochschule also eine immer größere Rolle.

Dabei beschäftigte sich bereits Ende des 19. Jahrhundert der Kognitions- und Entwicklungspsychologe Piaget mit Prozessen der Adaption bzw. der Adaptation. Anhand der zwei komplementär ausgerichteten Vorgänge, Assimilation und Akkomodation, beschrieb er, wie durch direkte oder indirekte Interaktion mit der Umwelt ein Prozess der gegenseitigen Adaption ausgelöst wird, und erklärte damit die Genese und Optimierung von individuellen Handlungsschemata. Während Assimilation eine Einordnung von Umwelterfahrungen in vorhandene Schemata meint, die dadurch erweitert oder optimiert werden, steht Akkomodation für die Erzeugung neuer Schemata, wenn die neue Umwelterfahrung nicht zu den bereits internalisierten Schemata passt oder nicht zu bewältigen ist. Dieser Prozess der Akkomodation befähigt das Individuum, immer neue Umwelteinflüsse bewältigen zu können. Mit den beiden Mechanismen wird also ein wechselseitiger Prozess zwischen Individuum und Umwelt beschrieben, der in zwei Richtungen wirken kann: Zum einen wird ein vorhandenes kognitives Schema immer weiter gestärkt und bestätigt, zum anderen werden neue Schemata entwickelt, die es dem Individuum ermöglichen, die Umwelt kognitiv neu zu erfassen und adaptiv zu begegnen. Diese beiden Prozesse werden jeweils eingesetzt, um von einem Ungleichgewicht in ein neues Gleichgewicht zu gelangen und immer wirkungsvollere kognitive Schemata zu entwickeln.

Das 20. Jahrhundert wurde geprägt durch das Web 1.0, über das Wissen und Informationen abgerufen werden konnten und das dementsprechend vorwiegend informativen Charakter hatte. Jedoch hatten die Nutzerinnen und Nutzer kaum die Möglichkeit, Lerninteressen, Bedarfe, Selbstreflexionen und andere Sichtweisen darüber zu kommunizieren. In Bezug auf das internetbasierte Lehren und Lernen erfolgte die Wissensvermittlung vorwiegend durch ein Top-Down-Lernen. Das Web 2.0 im 21. Jahrhundert und die damit einhergehende Entwicklung von Social Media löste die lineare Informationsvermittlung durch die Möglichkeit zur Partizipation der Nutzer und Nutzerinnen an der Gestaltung und Kommunikation von Information und Wissen ab. O’Reilly (2005) bezeichnete es „als eine Ansammlung von Prinzipien und Praktiken“ [1]: Dienste lösten Paketsoftware ab und wurden mit kosteneffizient skalierbar; Datenquellen wurden kontrollierbar und einzelne, zunächst schwer nachzubildende Datenquellen konnten häufiger genutzt werden. Die Etablierung des Web 2.0 führte zu einer rasanten Entwicklung von Systemen, die sich immer mehr auf die Unterstützung der Lernenden spezialisierten. Immer komplexer werdende Lernmanagementsysteme (LMS) wurden entwickelt.

Diese LMS unterstützen heute Lehre und Studium in vielfältiger Weise; nichtsdestotrotz ist ein Hochschulstudium wesentlich von Phasen des Selbststudiums geprägt und der Erfolg im Studium ist von der Selbstregulation der Studierenden abhängig. Daher stellt der Beitrag das selbstregulierte Lernen (SRL) als Gegenstand einer adaptiven Lernumgebung im Hochschulstudium ins Zentrum und stellt theoriegeleitet mediendidaktische Grundstrukturen einer adaptiven Online-Lernumgebung vor.[1]

Adaption – ein interdisziplinärer Begriff

Eine adaptive Lernumgebung liegt dann vor, wenn sie sich automatisch an das Verhalten der Lernenden anpasst. Diese Anpassung kann sich in einer bewirkten Veränderung des Lerninhalts, der Darstellung des Inhalts oder in visualisierten Empfehlungen und Hilfestellungen bei der weiteren Planung und Durchführung der studentischen Lernaktivitäten äußern. Die Frage, was adaptiert werden soll, kann sowohl aus einer technischen als auch einer mediendidaktischen Perspektive betrachtet werden. Der technische Blick richtet sich auf die Zusammenhänge von Hard- und Software, von Rechnerleistung, passender Datenbanksysteme und Programme, die miteinander verknüpft sind. Aufgrund von Informationen und Interaktionen erfolgt eine Anpassung im System. Die Adaption des/der Studierenden stellt die Mediendidaktik in den Fokus. Diese betrachtet die Wechselwirkung der studentischen Handlungen mit dem System und formuliert Anpassungen für die individuellen Handlungsschemata. Beide Perspektiven der Adaption werden nun näher erläutert.

Technische Perspektive der Adaption

Vorrangiges Ziel der technischen Adaption ist die personalisierte Optimierung der Lernumgebung. Dazu werden diagnostische Informationen in effektive Präskriptionen oder Empfehlungen (Recommendations oder Prompts) auf der Grundlage von Adaptionsregeln überführt und sichtbar gemacht. Personalisierung bedeutet dann, dass sich die Adaption individuell für den/die Studierenden gestaltet. Eine der größeren Herausforderungen besteht jedoch darin, zu verlässlichen diagnostischen Informationen zu gelangen.

Eine Adaption kann als Anpassung eines Software-Systems an eine aktuelle Gegebenheit, Situation oder Bedingung verstanden werden. Dabei ist zu unterscheiden, wer diese Anpassung oder Adaption auslöst. Nimmt der/die Lernende selbst die Adaption des Systems durch entsprechende Steuerungsmöglichkeiten vor, so spricht man von einer adaptierbaren Lernumgebung; wird die Adaption vom System selbst aufgrund von Informationszuständen initiiert, so spricht man von einer adaptiven Lernumgebung [2]. Solche Adaptionen können z.B. eine Modifikation in der Sequenzierung des Lernstoffs, eine Visualisierung von Arbeitsergebnissen oder eine Unterstützung in der Interaktion, z.B. durch Hinweise oder Zusatzinformationen, sein. Eine Adaption kann zu einer bestimmten Präsentation von Lerninhalten oder zu einer Anpassung der Navigationselemente führen [3]. Die technische Umsetzung bestimmt in einem ersten Schritt den Adaptionsgegenstand, also das, was adaptierbar sein soll, erst in einem zweiten Schritt wird der Auslöser der Adaption festgelegt. Je mehr diagnostische Informationen zur Verfügung stehen, desto mehr kann vom System selbst angenommen und übernommen werden. D.h. je mehr Informationen dem System zur Verfügung stehen und je mehr diese Informationen in ein Adaptionsschema überführt werden können, desto eher wird aus einer zunächst nur adaptierbaren Lernumgebung eine adaptive, sich automatisiert verändernde Lernumgebung.

Mediendidaktische Perspektive der Adaption

Mediendidaktisch lassen sich zum einen adaptive Lehrsysteme primär als mikroadaptive Systeme, die die o.g. automatisierte Adaptivität im technischen Sinne beschreiben, und zum anderen makroadaptive Systeme, die eine Adaptierbarkeit durch Lehrende oder Lernende ermöglichen unterscheiden [4]. Mikroadaptive Systeme sind i.d.R. auf aufwendige technische Grundlagen angewiesen und ermitteln selbstständig, z.B. den Unterstützungsbedarf des/der Lernenden. Makroadaptive Systeme zeichnen sich durch einen geringeren technischen Aufwand aus. Das kann sich darin äußern, dass die Lernumgebung von Lehrenden angepasst wird, indem der Adaptionsbedarf durch sie festgestellt und determiniert sowie die Adaption manuell ausgelöst wird.

Je nach Ziel der Adaption lassen sich drei Modelle differenzieren [4]: Nach dem Fördermodell gilt es, defizitorientiert die Lernvoraussetzungen durch zusätzliche Fördermaßnahmen zu verbessern. Das Kompensationsmodell relativiert Lerndefizite, indem es diese ausgleicht. Dies ist vor allem bei intellektuell oder motivational begründeten Ursachen relevant. Präferenzmodelle hingegen nutzen die Stärken des/der Lernenden, um „den Lernprozess qualitativ oder quantitativ zu optimieren“ [5]. Bei dem Kompensationsmodell übernehmen adaptive Systeme Schritte passend zum Lernprozess oder sie unterstützen diesen durch Hervorhebungen, veränderte Reihenfolgen etc. Adaptionen werden hier genutzt, um Handlungen zu ersetzen oder zu kompensieren, wobei jedoch nur die gängigen, bereits von Lernenden modellierten Handlungen in Adaptionen überführt werden.

Viel interessanter für die Studierenden scheinen jedoch Adaptionen in digitalen Lernumgebungen im Sinne von Präferenzmodellen oder Fördermodellen zu sein. Denn hier geht es nicht nur um eine technisch gesteuerte Kompensation von Lernhandlungen und einer einfachen Übernahme der studentischen Handlungen, sondern um eine Unterstützung der studentischen Handlungsschemata in der Weise, dass diese kontinuierlich in Bezug zum individuellen Lernprozess erweitert oder optimiert werden. Wie aber sieht eine theoriegeleitete Organisation und Erfassung von diagnostischen Informationen und deren Überführung in personalisierte Adaptionskonzepte aus?

Wenn Studierende ihren individuellen Lernprozess in Online-Lernumgebungen mitgestalten und so ihrem individuellen Lernprozess folgen können, so liegen diesem Lernverhalten mediendidaktische Konzepte mit einer starken Lernendenzentrierung zu Grunde. In solchen Szenarien ist die Unterstützung des selbstregulierten Lernprozesses eines/einer Studierenden von besonders großer Bedeutung und sein bzw. ihr Schema des selbstregulierten Lernens wird zum Adaptionsgegenstand; es wird nicht durch fremdgesteuerte Maßnahmen kompensiert. Im Folgenden wird daher das selbstregulierte Lernen als Gegenstand theoriegeleiteter Adaption näher beschrieben.

 

Eine theoriegeleitete Annäherung an eine adaptive Lernumgebung für selbstreguliertes Lernen

Die Entwicklung von Online-Lernumgebungen erfolgt häufig aufgrund von empirischen Datenlagen und technischer Umsetzbarkeit. Eine theoriegeleitete Annäherung an E-Learning-Angeboten fokussiert sich auf bestehende, bereits wissenschaftlich erprobte Modelle und lässt neue, weiterführende Perspektiven auf den Gegenstand zu. So werden im Folgenden Modelle des selbstregulierten Lernens betrachtet und zu einem neuen Modell zusammengeführt, das die Basis für ein Konzept einer adaptiven Lernumgebung bildet.

Modelle selbstregulierten Lernens orientieren sich entweder am Prozess oder als Schalenmodell an Hierarchien von Selbstregulation. Um einen Überblick über die wichtigsten Modelle zu geben, werden im Folgenden die prozessorientierten Modelle von Zimmerman (2000) und Pintrich (2002) beschreiben [6; 7]. Gewählt wurden diese Modelle aufgrund ihrer häufigen Verwendung als Grundlage in der Selbstregulationsforschung. Das prozessorientierte Modell von Schmitz und Wiese (1999) soll nicht unerwähnt bleiben, wird aber aufgrund der hohen Parallelität zu dem Modell von Zimmerman hier nicht explizit betrachtet [8]. Die Modelle unterscheiden sich anhand der genutzten Begrifflichkeiten, nicht aber in Struktur oder Umfang des Modells. Des Weiteren erlangten die Arbeiten von Zimmerman größeren Bekanntheitsgrad, nicht zuletzt weil sein Modell an die Arbeiten von Bandura (1991) anknüpft [9]. Die Schalenmodelle von Boerkaerts (1999) sowie von Landmann und Schmitz (2007) haben die Erfassung und das Verständnis von selbstreguliertem Lernen nachhaltig geprägt und ermöglichen eine Systematisierung verschiedener Regulationsebenen [10, 11]. Gerade weil sowohl die Prozessorientierten Modelle als auch die Schalenmodelle von Selbstregulation Bestätigung in Forschungsarbeiten finden, erscheint das Modell der Self-Monitoring-Hierarchien nach Landmann und Schmitz (2007) besonders interessant [11]. Sie gründen ihr Modell auf Forschungsarbeiten, in denen Lerntagebücher analysiert wurden. Da die Hierarchien nicht ohne einen grundlegenden Prozess der Selbstregulation betrachtet werden können, vereint das Modell von Landmann und Schmitz (2007) beide Orientierungen und es erscheint als besonders interessant für eine systemische Betrachtung von Selbstregulation; in der Literatur wird es aber meist zu den Schalenmodellen gezählt [12].

Prozessorientierte Modelle zu SRL

Die ersten prozessorientierten Modelle der Selbstregulation, wie das von Wiener (1948), folgten einem kybernetisch anmutenden Grundmuster [13]. In einem Regelkreisschema wird der aktuelle Ist-Zustand mit einem angestrebten Soll-Zustand verglichen und durch eine Feedbackschleife überprüft. Bei Bedarf soll dann durch eine regulierende Handlung die Diskrepanz zwischen Ist- und Soll-Zustand verringert werden [14].

Neuere proessorientierte Modelle der Selbstregulation wie die von [8] Schmitz & Wiese (1999) sowie von Zimmerman (2000) betrachten Handlungsphasen in einem iterativen Prozess, der in drei Phasen eingeteilt wird [6]. Er beschreibt die erste Phase seines zyklischen Modells als die Phase der Planung bzw. als Vorbereitungsphase. Hier steht die Aufgabenanalyse im Vordergrund, sie bestimmt Zielsetzung und Strategieplanung. Lernende mit einer hohen selbstregulativen Fähigkeit organisieren den Lernprozess hierarchisch durch das Setzen von Teilzielen, die in Summe zum Endziel führen. Planung ist immer auch abhängig von der selbst-motivationalen Überzeugung. Selbstwirksamkeit, Ergebniserwartung, intrinsische Wertevorstellungen und Zielorientierung bilden Subprozesse, die die Formulierung von Teilzielen beeinflussen. So wird sich ein/e Lerner/in mit einer hohen Selbstwirksamkeitsüberzeugung höhere Ziele setzen und diese mit einer stärkeren Zielorientierung verfolgen. Selbstzweifler dagegen werden sich eher zurücknehmen. In der Performanz-Phase, der Phase der Handlungsausführung und volitionalen Kontrolle, treten die Subprozesse der Selbstkontrolle und der Selbstbeobachtung in den Vordergrund. Selbstkontrolle wird dabei durch bildhaftes Vorstellen, Selbstinstruktion, fokussieren von Aufmerksamkeit und den Einsatz von Lernstrategien unterstützt. Die Selbstbeobachtung zielt vor allem auf die Verbesserung von genutzten Techniken ab. Zimmermann (2000) führt dafür das Beispiel eines Klavierspielers an, der durch die Selbstbeobachtung seiner Handhaltung kontrolliert und durch feingranulares Experimentieren die optimale Haltung der Hände trainiert [6]. In der darauffolgenden Phase der Selbstreflexion nimmt der/die Lernende eine Selbstbewertung vor, auf dessen Grundlage es dann zu einer Reaktion des Selbst kommt. In der Selbstreflexion wird die eigene Leistung durch Selbstevaluation und Kausalattribution hinterfragt. Je nach Resultat des Reflexionsprozesses kommt es dann zu einer Reaktion, die mit affektiven Selbstzufriedenheitsbekundungen, z.B. ein Gefühl von Stolz, einhergeht und Selbstwirksamkeitsüberzeugungen positiv verstärkt. Schlussendlich wird der Prozess durch eine entsprechende adaptive Reaktion begleitet, diese wirkt sich vor allem auf die selbst-motivationalen Überzeugungen aus. Somit fließen diese Erkenntnisse wieder in die Planungsphase der nächsten Iteration ein. Selbstregulationserfahrungen aus einem Zyklus wirken also immer auch auf die nachfolgenden Zyklen.

Während Zimmerman (2000) in seinem Modell der Selbstregulation die Selbstbeobachtung und die Selbstkontrolle in der Performanz-Phase verortet, schreibt Pintrich (2002) diesen zwei Prozessschritten eine höhere Bedeutung zu und separiert diese [6, 7]. Seine phasenorientierte Selbstregulationsunterstützung streckt sich über vier Phasen. Planung, Monitoring, Kontrolle und Reaktion /Reflexion bilden die sich zyklisch aneinanderreihenden Regulationsaspekte, die jeweils durch die vier Bereiche Kognition, Motivation/Affekt, Verhalten und Kontext differenziert werden. Aus dieser Matrix ergibt sich ein 16-teiliges Kategorisierungsschema für die Phasen und Bereiche der Selbstregulation. Pintrich et al. (1991) leiten aus dieser Matrix die „Motivated Strategies for Learning Questionnaire“ (MSLQ), ein Instrument zur Erfassung von Selbstregulation im Lernprozess, ab [15]. Für den deutschen Sprachgebrauch gibt es dazu eine geprüfte Fassung, die als „Inventar zur Erfassung von Lernstrategien im Studium” (LIST) bekannt ist [16]. Wie die Subprozesse der phasenorientierten Modelle bereits andeuten, gibt es weitere Einflussfaktoren, die in Schalenmodellen genauer betrachtet und systematisiert werden.

Schalenmodelle zu SRL

Boerkaerts (1999) modelliert selbstreguliertes Lernen in drei sich umschließenden Schalen (vgl. Abb.1) [10]. Kern des Modells bilden kognitive Primärstrategien. Dabei steht die Regulation der Prozessmodi im Vordergrund. Durch die Wahl der kognitiven Strategien werden Informationsverarbeitungsprozesse reguliert. In der zweiten Schicht wird die Regulation der Lernprozesse betrachtet. Die Nutzung von metakognitivem Wissen und passenden Fertigkeiten soll das eigene Lernen steuern. Diese Schicht wird umgeben von der übergeordneten Regulation des Selbst, welches durch die Wahl von Zielen und Ressourcen den gesamten Lernprozess übergreifend bestimmt.

Abb. 1: Selbstreguliertes Lernen nach Boerkaerts (1999) [17]

Landmann und Schmitz (2007) betrachten verschiedene Hierarchieebenen der Selbstregulation, welche den Prozess des selbstregulierten Lernens an unterschiedlichen Stellen beeinflussen kann [11]. Im Grundprozess formuliert der/die Lernende zunächst eine übergeordnete Zielerklärung, zu dessen Erreichung er bzw. sie sich verschiedener Lernstrategien aus seinem individuellen Strategiepool bedient. Der Prozess durchläuft danach die präaktionale Phase, in der die Handlungsplanung und Vorbereitung unter Berücksichtigung von situativen Gegebenheiten, Aufgabe, Emotion, Zielen und Motivation stattfindet. In der darauffolgenden aktionalen Phase kommen Lernstrategien, Volition, Zeit und Leistung zum Tragen und gestalten den aktiven Lernprozess. Wie bereits in dem Modell von Zimmerman beschreiben, ordnen auch Landmann und Schmitz (2007) dieser Phase die Selbstbeobachtung, bzw. das Self-Monitoring zu [11]. In der Postaktionalen Phase erfolgt dann die Bewertung, Reflexion, Emotionale- und Regulative Reaktion, die wiederum als Adaption verstanden werden kann. Diese Stelle ist für die/den Lernende/n entscheidend. Ist das Ziel erreicht, so findet keine Rückkopplung zur nächsten Iteration eines Lernprozesses statt. Kommt der/die Lernende zu einem negativen Schluss, so findet entsprechend der ersten Ordnung eine Ausführungsregulation statt. Kommt der/die Lernende im Rahmen seiner Reflexion zu dem Schluss, dass er eine unpassende Strategie gewählt hat, so wird der Strategiepool angepasst und es erfolgt eine adaptierte Strategiewahl in der darauffolgenden Iteration. Die Hierarchieebene der 2. Ordnung betrachtet die Zielerreichung in Bezug zu einem Muster, nachdem der/die Lernende seinen selbstregulierten Lernprozess plant. Hier wird noch vor der präaktionalen Phase eine regulierende Intervention nötig, um Regulationsmuster zu optimieren. In der dritten, der alles umrahmenden Ordnung wird die Zielerklärung adressiert. Über Reflexionsprozesse kann der/die Lernende entsprechend dieser Hierarchieebene zu der Erkenntnis kommen, dass er seine übergeordneten Ziele anpassen muss, welches dann zu einer erneuten Zielerklärung führt. Entsprechend der Hierarchieebenen, die es zu regulieren gilt, müssen genau diese Regulationsebenen auch im Self-Monitoring betrachtet und reflektiert werden. Es kommt also zu einer differenzierten Adaption des Selbstregulationsprozesses entsprechend der Hierarchieebenen. Das Modell von Landmann und Schmitz lässt jedoch einen Übertrag von Erkenntnissen aus einem erfolgreichen Lernprozess vermissen.

 Basisprozess selbstregulierten Lernens für adaptive Lernumgebungen

Aus den bisher beschriebenen Modellen lassen sich für digitale Lernumgebungen wichtige Prozesse, Dimensionen und Regulationsebenen in ihrer Systematik bestätigen und sind Grundlage für ein Modell selbstregulierten Lernens, das den komplexen Anforderungen an ein Hochschulstudium entspricht. Wie aus den prozessorientierten Modellen hervorgeht, umfasst ein Schema der Selbstregulation also einen zyklischen Prozess, der aus Planung, Ausführung bzw. Performanz sowie Reflexion und einer Rückkopplung besteht, die zu einer Adaption für eine darauffolgende Iteration führt. Diese Adaption kann weiterführend im Sinne eines Schalenmodells durch unterschiedliche Hierarchien gegliedert werden.

Für die Konzeption eines adaptiven Systems, das den Selbstregulationsprozess unterstützen soll, dient ein kombiniertes Modell aus den Ansätzen von Landmann und Schmitz (2007) sowie der inneren Kategorisierung von Boerkarts (1999) und Zimmerman (2000) als theoretisch hergeleiteter Basisprozess [10, 6]. Für adaptive Systeme, die schnell eine hohe Komplexität erreichen, bedeutet die Verwendung des Modells nach Boerkarts (1999) eine klare und wenig komplexe Beschreibung der Hierarchien für die Subprozesse [1]. Zudem liegt der Anspruch darin, direkt an die aktuelle Selbstregulationsforschung [18, 19, 20, 21] anzuknüpfen. Auf dieser Basis können dann die erforschten Effekte und Korrelationen für die spätere Herausbildung von Adaptionsregeln genutzt werden. Nur so kann schlussendlich gewährleistet werden, dass das adaptive System zur Unterstützung von selbstreguliertem Lernen sich auf Basis wissenschaftlicher Erkenntnis nachhaltig gestaltet wird und sich auch intelligent weiterentwickeln kann.

Der in Abb. 2 dargestellte Basisprozess der Selbstregulation für adaptiv unterstützende Lernumgebungen zeigt die kombinierte Nutzung der Modellvarianten.

Abbildung 2: Basisprozess selbstregulierten Lernens für adaptive Lernumgebungen (in Anlehnung an [6, 10, 11])

Sowohl prozessorientierten Modellen als auch Schalenmodellen selbstregulierten Lernens ist gemein, dass der/die Lernende zu einer reflektierten Selbsteinschätzung nur durch Selbstbeobachtung oder Self-Monitoring gelangen kann. Für eine technologiegestützte Umsetzung scheinen daher Verfahren wie Learning Analytics oder Educational Data Mining, die bei der Messung von Lernfortschritt und Zielerreichung zum Einsatz kommen können, besonders geeignet.

 

Konzept adaptiver Unterstützung in einer Online-Lernumgebung

Das Konzept der adaptiven Lernunterstützung hat das Schema des selbstregulierten Lernens eines Individuums zum Adaptionsgegenstand. Auch wenn der Basisprozess im vorherigen Kapitel geklärt ist, besteht nun die Herausforderung, dies in den technisch gestützten Prozess einer Lernumgebung zu überführen und darauf zu achten, dass selbstreguliertes Lernen der Studiereden durch technische Adaptionen der Lernumgebung nicht kompensiert wird. Damit Studierende das Instrument auch für sich nutzen, muss zudem ein klarer Mehrwert ersichtlich sein, der in einem angemessenen Aufwandsverhältnis steht. Dieser Mehrwert liegt in unserem Konzept der Selbstregulation im E-Learning in einem Instrument zur individuellen Planung und (Selbst-)Reflexion, verknüpft mit einem intelligenten Monitoring.

Voraussetzungen: Provozierte Datenverfügbarkeit und Messkonzept

Das Planungs- und Kontrollinstrument dient dazu, eine bessere Datenausgangslage zur Adaptionsregulierung zu schaffen. Im Folgenden wird ein solches Monitoring-Instrument beschrieben, das an der FernUniversität in Hagen entwickelt wird. Das Instrument lässt sich in Online-Lernumgebungen integrieren und unterstützt das selbstregulierte Lernen im Prozess der Planung, des Monitoring und der Reflexion, ohne diese Prozesse technisch zu sehr zu bestimmen.

Auf Grundlage des theoretischen SRL-Prozessmodells werden für die einzelnen Prozessschritte Elemente kreiert (vgl. Abb.3). Technische Adaptionen können entsprechend der Hierarchieebenen die Handhabung des Instruments so unterstützen, dass die Prozessschritte nicht kompensiert, jedoch durch Auswahlmöglichkeiten und adaptive Präsentation beschleunigt werden. Das Instrument ähnelt einem erweiterten Learning Analytics Dashboard und gliedert sich in drei Hauptelemente; einem Planungsinstrument und einem Performanz- und Monitoring-Bereich sowie einem Selbstreflexionselement.

Abbildung 3: Drei prozessorientierte Elemente: Planung, Performanz & Monitoring und Selbstreflexion

Im Folgenden werden die einzelnen Prozessunterstützungselemente genauer betrachtet.

Element zur Planung

Das Planungselement ermöglicht zum einen die Formulierung von Lern- bzw. Arbeitszielen. Hier können die Studierenden auf einen Strategiepool zurückgreifen, der verfügbare elektronische Lernressourcen, eine erweiterbare Liste von Lernstrategien und einer Erinnerungsfunktion beinhaltet, mit der die Lernzeiten periodisch oder frei festgelegt werden können. Roberts, Howell & Seaman (2017) ließen Studierende Visionen von Dashboards für ihre Lernbedürfnisse beschreiben; dabei wurde immer wieder ein Zeitstrahl oder ein Semesterzeitplan visualisiert [24]. Dieser Bedarf ist in dem Element zur Planung enthalten. In einer Zeitleiste werden wichtige Termine, Abgabetermine und selbst gesetzte Lern- und Arbeitsziele, die genutzten elektronischen Lern-Ressourcen, digital erfasste Lern-Aktivitäten und Arbeitsmaterialien übersichtlich angezeigt.

Entsprechend des Prozessmodells nach Zimmerman (2000) beginnt jede Iteration mit der Phase der Planung [6]. Ein/e Student/in formuliert im System seine Zielsetzung und nimmt die Strategieplanung vor. Größe bzw. Umfang der Ziele wird von ihm selbst festgelegt. So wird sich ein/e Student/in mit einer hohen Selbstwirksamkeitsüberzeugung umfangreichere Ziele setzen, da kleine Ziele für sie/ihn erst gar keiner Planung bedürfen. Um die Planung zu konkretisieren, wählt sie/er zum einen eine Lernstrategie aus dem immer individueller werdenden Strategiepool aus. Der Strategiepool wird mit jeder Iteration durch Adaption stetig weiterentwickelt und personalisiert. Zum anderen fügt der/die Studierende passend zu m Lernziel vorhandene Ressourcen hinzu. Die Ressourcen können rezipierbar oder editierbar sein, wie z.B. Quizze, die auch zur eigenständigen Lernzielkontrolle oder als Wiederholungsinstrument eingesetzt werden können.

Monitoring in der Performanz-Phase

Ist die Planung abgeschlossen, geht der/die Studierende automatisch in die Performanz-Phase über. Die Handlungsausführung und volitionale Kontrolle erfolgt online oder offline. Subprozesse der Selbstkontrolle und der Selbstbeobachtung treten nun beim/bei der Studierenden in den Vordergrund. Das Monitoring-Element unterstützt die Bedürfnisse nach Selbstkontrolle; die sich durch häufigere Zugriffe und Seitenaufrufe in den Logfiles bemerkbar machen. Anhand von Trace-Data-Analysen lassen sich die Zugriffe und das tatsächliche Monitoring-Verhalten des/der Studierenden nachvollziehen.

Dabei ist ein datenschutzrechtliches Verarbeitungs- und Speicherkonzept von vornherein mit zu entwickeln. Informationen werden im System pseudonymisiert erfasst und die Datenverarbeitung sowie -nutzung den Studierenden transparent gemacht. Sobald Daten in die Analysen überführt wurden, können diese gelöscht werden.

Offensichtliche Lernfortschritte werden nicht nur anhand des zu bearbeitenden Lehr-Lernmaterials erfasst und gemessen, sondern auch anhand der Art und Weise, wie dies geschieht. Damit werden metakognitive Strategien des selbstregulierten Lernprozesses digital abgebildet. Es kann z.B. gemessen werden, wie oft der/die Studierende pro Semester seinen Lernprozess bewusst plant und organisiert, in welcher Granularität er plant, welche Ressourcen er dafür verwendet, welche Strategien er nutzt, welches gute Passungen zwischen Ziel, Strategie und Ressourcen sind. Es kann gemessen werden, wie intensiv der/die Studierende das Monitoring zu welchem Zeitpunkt genutzt hat, welche Aktivitäten oder Adaptionen der Selbstregulation darauf folgen, welche Aspekte im Monitoring besonders oft abgefragt werden und welche Ergebnisse bzw. Vorsätze aus der Reflexion hervorgehen. Auch hier gilt die Einhaltung der DSGVO.

Die Selbstbeobachtung zielt sowohl auf die Verbesserung von genutzten Techniken als auch auf eine Steigerung der Selbstwirksamkeitserfahrungen durch den visualisierten Fortschritt der Zielerreichung ab. Standards zur Beurteilung von selbstreguliertem Lernen bilden quantitative Messungen, die besagen, dass eine häufige Monitoring-Nutzung auf eine bessere Selbstregulationskompetenz schließen lassen. Qualitative Beurteilungsstandards hingegen betrachten eine Passung zwischen Strategien und Ressourcennutzung. Hier gilt: je besser die Passung ist, desto besser die Selbstregulationskompetenz. Die Forschungsarbeiten von Engelschalk, Steuer, & Dresel (2017) belegen, dass die Verwendung einer qualitativen Beurteilung, also einer besonders guten Passung von Ressourcen und Strategien im Lernprozess, zu einem besseren Lernergebnis führt [23].

Selbstreflexion und Adaption

Das dritte Element unterstützt gezielt die Selbstreflexion durch Echtzeitanalysen. Diese werden zu genutzt, die verwendeten metakognitiven Lernstrategien wie die Nutzung der Lernstrategien, die eigene Planung und das Zeitmanagement zu visualisieren. Informationen zum Lernstand bzw. dem Lernfortschritt wie Bearbeitungsstand des Kursmaterials und Quizergebnisse eines Kurses werden in domänenspezifischen Analysen visualisiert.  Bei Erreichen eines gesetzten Ziels, sei es durch das Erreichen des Zeitpunktes, durch eine Bestätigung des Studierenden oder durch eine automatisierte Erfassung der Zielerreichung wird die Aufforderung zur Reflexion systemseitig initiiert. Am Ende des Reflexionsprozess formuliert der Studierende seine Adaptionsvorhaben, die dann in der nächsten Planungsiteration automatisch als selbst generierter Hinweis zur Verfügung stehen.

Der Theorie nach wird in der Selbstreflexion die eigene Leistung durch Selbstevaluation und Kausalattribution hinterfragt. Je nach Resultat des Reflexionsprozesses kommt es dann zu einer Reaktion, die mit affektiven, Selbstzufriedenheitsbekundungen, wie einem Gefühl von Stolz die Selbstwirksamkeitsüberzeugungen positiv verstärken und von einer entsprechenden adaptiven Reaktion begleitet wird, diese wirkt sich vor allem auf die selbst-motivationalen Überzeugungen aus [24].

Überlegungen zur Gestaltung einer Reflexionsunterstützung führten dazu, dass lediglich die Zufriedenheit entsprechend der in der Planung verwendeten Ressourcen und Strategien überprüft werden. Diese Überprüfung zielt auf die Formulierung eines Lernhinweises‘ zur Verbesserung des selbstregulierten Lernens für die folgende Iteration ab. So ist ein Übertrag der Selbstregulationserfahrungen aus einem Zyklus auf den nachfolgenden Prozesszyklus gewährleistet. In Folge der Reflexion kann die Regulation dann entsprechend der Hierarchieebenen interpretiert werden und eine passende Adaption für die darauffolgenden Planungszyklen vollzogen werden. Werden die kognitiven Lernstrategien in der Reflexion adressiert, so würden sich in den generierten Lernhinweisen Begriffe der Kategorien Organisation, Elaboration, Wiederholungsstrategien, kritisches Prüfen und Zusammenhänge erfassen, finden [15, 16].

Zielt ein vom/von der Studierenden generierter Lernhinweis auf die Verbesserung der Organisationsstrategien ab, könnte er/sie adaptiv mit einer visuellen Hervorhebung von passenden Strategien in der nächsten Planungsiteration unterstützt werden. Strategien wie das Erstellen einer Mindmap, das Verfassen von Exzerpten oder Gliederungen zum Lernstoff (Erstellen von Tabellen, Diagramme oder Schaubildern, Listen mit Fachausdrücken und Definitionen) wären hier passende Strategien. Ebenso können qualitative Analysen der Lernhinweise auf Elaborationsstrategien oder Wiederholungsstrategien hindeuten.

Der Bereich des Ressourcenmanagements erfasst die Aspekte wie Anstrengung, Zeitmanagement und Lernen mit anderen Studierenden sowie die Nutzung bestimmter Informationsquellen als auch Lernmaterialien in unterschiedlichen digitalen Formaten. Kommt der/die Lernende also im Rahmen seiner/ihrer Reflexion zu dem Schluss, dass er/sie eine unpassende Strategie gewählt hat, so wird der Strategiepool angepasst und es erfolgt eine adaptierte Strategiewahl in der darauffolgenden Iteration. Über Reflexionsprozesse kann der/die Studierende entsprechend dieser Hierarchieebene auch zu der Erkenntnis kommen, dass er seine übergeordneten Ziele anpassen muss und zu einer erneuten Zielerklärung geführt wird. Entsprechend der Hierarchieebenen, die es zu regulieren gilt, werden durch Adaptionen der Präsentation genau diese Regulationsebenen im Self-Monitoring betrachtet und systematisch im Reflexionsprozess unterstützend präsentiert.

Abb. 4: Mediendidaktisches Konzept für eine adaptive Lernumgebung zum SRL

 

Ausblick und kritische Betrachtung

Auch wenn es schon einige Learning Analytics-Dashboards gibt [27] und SRL in der digitalisierten Hochschulbildung zunehmend eine Schlüsselrolle einnimmt, besteht noch großer Entwicklungs- und Optimierungsbedarf. In der wissenschaftlichen Community wird oft eine zu technisch orientierte Herangehensweise an die Konzeption von LA-Dashboards bemängelt [28]. Insofern liegt das besondere an dem vorgestellten Konzept in der mediendidaktisch-theoretischen Fundierung. Die verwendeten Modelle ermöglichen es, die Komplexität von selbstreguliertem Lernen zu strukturieren. Hierzu sind vor allem prozessorientierte Modelle zu nutzen. Adaptionen können anhand von Schalenmodellen durch die Ableitung von Adaptionsregeln aus den Hierarchien entwickelt und geplant werden. Entgegen der gängigen Praxis, in der LA-Dashboards meist für Lehrende kreiert werden, zielt das vorgestellte Konzept auf eine personalisierte Unterstützung des/der Studierenden ab. Durch die Unterstützung des SRL wird zeitgleich eine Datengrundlage für diagnostische Informationen geschaffen, die vielerlei Adaptionen ermöglichen, die in Abb. 5 dargestellt sind.

Abb. 5: Übersicht über unterstützte Adaptionsformen zur Lernumgebung zum SRL

Deutsche Hochschulen scheinen die Bereiche Learning Analytics, adaptive Lernumgebungen und intelligente Assistenzsysteme gerade erst verstärkt in ihr Angebotsportfolio aufzunehmen. Adaptive Lernumgebungen müssen mit der Einhaltung der Datenschutzregelungen und Ethikrichtlinien konform gehen. Von vornherein sind die Datenschutzbestimmungen umzusetzen, Datenerfassung und -nutzung transparent zu machen. Gleichzeitig gilt es, die digitale Souveränität der Beteiligten bei der Gestaltung dieser personalisierten Angebote mitzudenken.

 

[1] Diese Grundstrukturen wurden im Rahmen eines interdisziplinären Forschungsprojekts an der FernUniversität in Hagen entwickelt. In diesem Beitrag liegt der Schwerpunkt auf der mediendidaktischen Perspektive.

Literatur

[1] O’Reilly (2005): Was ist Web 2.0? http://www.oreilly.de/artikel/web20_trans.html. o.S.

[2] Burgos, D., Tattersall, C. & Koper, R. (2007): How to Represent Adaptation in e- Learning with IMS Learning Design. In: Interactive Learning Environments, 15(2), S.161-170.

[3] Brusilovsky, P. (1998): Adaptive Educational Systems on the World-Wide-Web: A Review of Available Technologies. In: Proceedings of Workshop WWW- Based Tutoring.

[4] Leutner, D. (2002): Adaptivität und Adaptierbarkeit multimedialer Lehr- und Informationssyteme. In: Information und Lernen mit Multimedia und Internet. L. J. Issing & P. Klimsa (Hrsg.). Beltz PVU: Weinheim, S.115-125.

[5] Leutner, D. (2002): Adaptivität und Adaptierbarkeit multimedialer Lehr- und Informationssyteme. In: Information und Lernen mit Multimedia und Internet. L. J. Issing & P. Klimsa (Hrsg.). Weinheim: Beltz PVU, S.115-125., S.4

[6] Zimmerman, B. J. (2000): Attaining Self-Regulation. In: Handbook of Self-Regulation, S. 13–39. https://doi.org/10.1016/B978-012109890-2/50031-7.

[7] Pintrich, P. (2002): The Role of Metacognitive Knowledge in Learning, Teaching, and Assessing (Bd. 41). https://doi.org/10.1207/s15430421tip4104_3.

[8] Schmitz, B. & Wiese, B. (1999): Eine Prozessstudie selbstregulierten Lernverhaltens im Kontext aktueller emotionaler und motivationaler Faktoren. In: Zeitschrift für Entwick-lungspsychologie und Pädagogische Psychologie, Jahrgang 31, Heftnummer 4, S. 157-170.

[9] Bandura, A. (1991): Social cognitive theory of selfregulation. In: Organizational Behavior and Human Decision Processes, Vol. 50, S. 248-287.

[10] Boekaerts, M. (1999): Selfregulated learning: Where we are today – Theory, research, and practice.In: International Journal of Educational Research, 31(6), S. 445-457.

[11] Landmann, M. & Schmitz, B. (2007): Welche Rolle spielt Self-Monitoring bei der Selbstregulation und wie kann man mit Hilfe von Tagebüchern die Selbstregulation fördern? In: Lernprozesse dokumentieren, reflektieren und beurteilen. Lerntagebuch & Portfolio in Forschung und Praxis. M. Gläser Zikuda & T. Hascher (Hrsg.). Klinkhardt Verlag: Bad Heilbrunn, S. 149-169.

[12] Wild, E., & Möller, J. (Hrsg.) (2009): Pädagogische Psychologie. Springer: Heidelberg.

[13] Landmann, M., Perels, F., Otto, B., & Schmitz, B. (2009). Selbstreguliertes Lernen. In Pädagogische Psychologie. Springer: Heidelberg, S. 48

[14] Landmann, M., Perels, F., Otto, B., & Schmitz, B. (2009): Selbstreguliertes Lernen. In: Pädagogische Psychologie. Springer: Heidelberg, S. 48-70, S. 51.

[15] Pintrich, P.R., Smith, D.A.F., García, T., & McKeachie, W.J. (1991): A manual for the use of the motivated strategies questionnaire (MSLQ). Ann Arbor, MI: University of Michigan, National Center for Research to Improve Postsecondary Teaching and Learning.

[16] Schiefele, U., & Wild, K. P. (1994): Lernstrategien im Studium: Ergebnisse zur Faktorenstruktur und Reliabilität eines neuen Fragebogens“. In: Zeitschrift für Differentielle und Diagnostische Psychologie, Jahrgang 15, Heft 4, S. 185-200. https://publishup.uni-potsdam.de/opus4-ubp/frontdoor/deliver/index/docId/3182/file/schiefele1994_15.pdf.

[17] Landmann, M., Perels, F., Otto, B., & Schmitz, B. (2009): Selbstreguliertes Lernen. In: Pädagogische Psychologie. Springer: Heidelberg, S. 48-70, S. 54.

[18] Leutner, D. & Leopold, C. (2006): Selbstregulation beim Lernen aus Sachtexten. In: Handbuch Lernstrategien. H. Mandl & H.F. Friedrich (Hrsg.). Hogrefe: Göttingen, S. 162-171.

[19] Wirth, J., & Leutner, D. (2008): Self-regulated learning as a competence: implications of theoretical models for assessment methods. In: Journal of Psychology, 216, S. 102-110.

[20] Dresel, M., Schmitz, B., Schober, B., Spiel, S., Ziegler, A., Engelschalk, T., Jöstl, G., Klug, J. Roth, A., Wimmer, B., & Steuer, G. (2015): Competencies for successful self-regulated learning in higher education: Structural model and indications drawn from expert interviews. In: Studies in Higher Education, Vol. 40, S. 454-470.

[21] Daumiller, M., & Dresel, M. (2019): Supporting Self-Regulated Learning With Digital Media Using Motivational Regulation and Metacognitive Prompts. In: The Journal of Experimental Education, Vol. 87 (1), S.161-176. https://doi.org/10.1080/00220973.2018.1448744.

[22] Roberts, L. D., Howell, J. A., & Seaman, K. (2017): Give Me a Customizable Dashboard: Personalized Learning Analytics Dashboards in Higher Education. In: Technology, Knowledge and Learning, Vol. 22 (3), S. 317-333. https://doi.org/10.1007/s10758-017-9316-1.

[23] Engelschalk, T., Steuer, G., & Dresel, M. (2017): Quantity and quality of motivational regulation among university students. In: Educational Psychology, 37(9), S. 1154-1170. https://doi.org/10.1080/01443410.2017.1322177.

[24] Zimmerman, B. (1999): Self-efficacy and educational development. In: Self-efficacy in Changing Societies. Bandura, A. (Hrsg.). Cambridge University Press: Cambridge; New York.

[25] Ifenthaler, D., & Drachsler, H. (2018): Learning Analytics. In: Lernen mit Bildungstechnologien. H. Niegemann & A. Weinberger (Hrsg.). Springer: Berlin Heidelberg, S. 120. https://doi.org/10.1007/978-3-662-54373-3_42-1.

[26] Jivet. I., Scheffel, M., Drachsler, H., & Specht, M. (2018): Awareness is not enough: pitfalls of learning analytics dashboards in the educational practice. In: European Conference on Technology Enhanced Learning, S. 82-96.

 

Claudia de Witt

Claudia de Witt

Prof. Dr. habil. Claudia de Witt ist seit 2004 Professorin für Bildungstheorie und Medienpädagogik an der FernUniversität in Hagen. Ihre Schwerpunkte in Forschung und Lehre sind Digitalisierung von Bildungsprozessen, Mobile Learning, Medienpädagogik und -didaktik sowie Künstliche Intelligenz in der (Hochschul-)Bildung. Sie hat langjährige Erfahrungen mit BMBF-Verbundprojekten im Bereich digitaler Medien in der beruflichen Bildung und mit der Gestaltung von innovativen digitalen Lehr-/Lernformaten im Fernstudium. Zudem ist sie Gutachterin in Förderprogrammen des Bundesministeriums für Bildung und Forschung, für Konferenz- und Publikationsbeiträge. Aktuell ist sie Mitglied des Leitungsteams im Forschungsschwerpunkt „Digitalisierung, Diversität und Lebenslanges Lernen. Konsequenzen für die Hochschulbildung” (D²L²) der FernUniversität in Hagen. Diesen gestaltet sie derzeit mit den interdisziplinären Projekten „Adaptive Personalized Learning Environment – Eine adaptive personalisierte Lernumgebung zur Unterstützung von Selbstregulations- und Domänenkompetenz im (Fern-)Studium (APLE)“ und „AI.EDU Research Lab“, einem Projekt zur Erforschung von Einsatzmöglichkeiten von Künstlicher Intelligenz in der Hochschulbildung.

Heike Karolyi

Heike Karolyi

Heike Karolyi studierte den B.A. Bildungswissenschaft und den Master Bildung und Medien: eEducation an der FernUniversität in Hagen und arbeitete parallel dazu in der Bildungsforschung als Testleiterin für Bildungsstudien beim IEA-DPC (Data Processing and Research Center, Hamburg). In früheren Tätigkeiten bei der Vodafone GmbH übernahm sie ein Projekt zum „Relaunch des Trainingsportfolios im Bereich Softskills” und befasste sich in ihrer Bachelor Abschlussarbeit mit der Integration einer Lern-App sowie der Entwicklung eines damit einhergehenden Content-Life-Cycles innerhalb des Unternehmens. Seit 2015 ist sie wissenschaftliche Mitarbeiterin am Lehrgebiet Bildungstheorie und Medienpädagogik der FernUniversität in Hagen. Neben Tätigkeiten in der Lehre erarbeitete, erprobte und implementierte sie digitale und mobile Lehr-Lernkonzepte als Ergänzung des digitalen Angebotsgefüges für die FernUniversität in Hagen. Derzeit ist sie u.a. im Forschungsschwerpunkt „Digitalisierung, Diversität und Lebenslanges Lernen. Konsequenzen für die Hochschulbildung” (D²L²) tätig; in Zusammenarbeit mit der Informatik arbeitet sie im Projekt „Adaptive Personalized Learning Environment – Eine adaptive personalisierte Lernumgebung zur Unterstützung von Selbstregulations- und Domänenkompetenz im (Fern-)Studium (APLE)“.