home Ausgabe 13 Adaptives E-Learning an Hochschulen zur Förderung der Lernmotivation von Studierenden

Adaptives E-Learning an Hochschulen zur Förderung der Lernmotivation von Studierenden

Artikel als PDF

Einleitung

Lernmotivation stellt eine wichtige Voraussetzung für eine effiziente Verarbeitung von Lerninhalten, eine lange Behaltensleistung des Gelernten und anhaltende Lernfreude dar. Aus diesem Grund widmete sich das vom BMBF geförderte Forschungsprojekt SensoMot, an dem das Fachgebiet Medienproduktion der Technischen Universität Ilmenau beteiligt war, dem Ziel, mithilfe einer adaptiven E-Learning Plattform auf die aktuelle Motivation von Lernenden zu reagieren, um das motivierte Lernen in selbstregulierten Lernsettings zu optimieren [1]. Als übergeordnete Forschungsfrage des mehrphasigen Entwicklungs- und Evaluationsprozesses stand: Inwiefern kann die Lernmotivation von Studierenden mithilfe von Adaptationstechniken beim Lernen mit einer E-Learning Plattform gefördert werden? Grundlage für die lernerzentrierte Optimierung und Überführung in ein adaptives Lernsystem bildete die Lern- und Wissensplattform NanoTecLearn, die für die Aus- und Weiterbildung im Bereich Mikro- und Nanotechnik entwickelt wurde [2]. Die Lernplattform NanoTecLearn wurde als Grundlage gewählt, da sie bereits in mehreren Erhebungen mit Studierenden und Auszubildenden inhaltlich und softwareergonomisch evaluiert wurde und somit ein geeignetes Fundament für die Erweiterung des Systems um adaptive Zusatzkomponenten darstellt. Die Forschergruppe testete die unterschiedlichen Plattformversionen gegeneinander über mehrere Semester hinweg mit Studierenden. Der Entwicklungsprozess der Lernplattform von der nicht-adaptiven Ursprungsversion hin zu einer finalen adaptiven Systemvariante, die auf die aktuelle Lernmotivation von Studierenden reagiert, erfolgte iterativ. Die Kernergebnisse der entwicklungsbegleitenden Evaluationen mit Lernenden werden hier kurz dargelegt. Zuvor werden zunächst Grundlagen zu Lernmotivation und adaptivem E-Learning vorgestellt.

Ist Motivation messbar?

Das komplexe Entwicklungs- und Evaluationsvorhaben erfordert einerseits ein Grundverständnis sowie eine angemessene Konzeption der Lernmotivation in selbstregulierten Lernsettings und andererseits Kenntnisse des adaptiven E-Learnings und konkreter Adaptionstechniken aus dem Bereich adaptive Benutzerführung.

Lernmotivation und selbstreguliertes Lernen

Motivation, insbesondere Lernmotivation, soll die Basis für die Systemanpassungen der adaptiven E-Learning Plattform bilden, daher soll dieses vielfältige Konzept zunächst für das Forschungsvorhaben eingegrenzt und operationalisiert werden. Eine geläufige Definition der Motivation nach Rheinberg und Vollmeyer bezeichnet sie als „aktivierende Ausrichtung des momentanen Lebensvollzugs auf einen positiv bewerteten Zielzustand“ [3]. Auch andere Autoren, wie Deci & Ryan, die Begründer der Selbstbestimmungstheorie, betonen bezüglich des Zustands des Motiviertseins insbesondere die Energetisierung bzw. Aktivierung und Ausrichtung auf einen erwünschten Zielzustand [4]. Motivation stellt somit ein primäres Konstrukt zur Verhaltenserklärung dar, das sich insbesondere mit der Zielrichtung, Ausdauer und Intensität der Zielverfolgung befasst [3]. In Lernkontexten kann Motivation spezifischer konzeptualisiert werden: „Lernmotivation bezeichnet die Bereitschaft eines Lernenden, sich aktiv, dauerhaft und wirkungsvoll mit bestimmten Themengebieten auseinanderzusetzen, um neues Wissen zu erwerben bzw. das eigene Fähigkeitsniveau zu verbessern.“ [5] Im Zusammenhang mit E-Learning Angeboten müssen Lernende meist selbstreguliert, das heißt ohne direkte tutorielle Begleitung durch Lehrende agieren. In diesem Kontext hat sich das kognitiv-motivationale Prozessmodell des selbstregulierten Lernens nach Rheinberg et al. etabliert, dessen Bestandteile in Abbildung 1 dargestellt werden. [6] Das Modell besagt, dass die in einer Situation aktuell wirksame Motivation aus einer Wechselbeziehung zwischen Personen- und Situationsfaktoren entsteht. Die aktuelle Motivation, die z.B. über Interesse, Herausforderung oder Erfolgszuversicht gemessen werden kann, wirkt entsprechend der Modellannahme indirekt über Vermittlungsgrößen auf die Lernresultate. Vermittlungsgrößen können der Einsatz von Lernstrategien, die aufgewendete Lernzeit oder der emotionale sowie kognitive Funktionszustand des Lernenden während des Lernens sein.

Abbildung 1: Kognitiv-Motivationales Prozessmodell des selbstregulierten Lernens nach Rheinberg et al. (2000)

Personenfaktoren sind neben domänenspezifischem Vorwissen und kognitiven Variablen auch motivationale Variablen, wie Zielorientierungen oder Selbstwirksamkeitserwartungen. Die Situationsfaktoren sind in den im Forschungsvorhaben durchgeführten Studien insbesondere die Gestaltung der Lernplattform.
In E-Learning Kontexten spielt darüber hinaus das Konzept der Selbstregulation eine wichtige Rolle, da Lernende Medien und Inhalte selbst wählen und ebenso Lernfortschritt sowie Lerntempo selbst festlegen müssen. Die Motivation im Sinne der aktivierenden Ausrichtung des Verhaltens sollte für einen erfolgreichen Lernprozess daher von den Lernenden selbst kommen und nicht durch äußere Anreize durch Lehrende, wenngleich das Konsultieren multimedialer Lernangebote natürlich dennoch zweckgebunden sein kann, z.B. in Form gezielter Suche nach zusätzlichen Erläuterungen bei der Prüfungsvorbereitung, die über die Vorlesungsmaterialien hinausgehen. Selbstreguliertes Lernen betont somit die aktive Rolle des Lernenden in Form der selbstständigen Planung, Zielsetzung, Vorwissensgenerierung, Suche nach Lernressourcen und Anpassung an sich verändernde Anforderungen des Lernmaterials, auch auf Basis des eigenen Wissenszuwachses [7]. Diese beständige Selbstüberwachung des Lernenden hat wiederum Auswirkungen auf den Lernprozess und das Verhalten des Lernenden an sich und stellt somit einen weiteren Bedingungsfaktor von Motivation dar. Adaptives E-Learning soll diesen Ansatz unterstützen, indem der Lernende regelmäßig Einschätzungen über seinen aktuellen Zustand gibt und daraufhin Systemanpassungen vorgenommen werden. Es ist vergleichbar mit der Intervention eines Lehrenden beim Auftreten von Lernblockaden oder Motivationseinbrüchen in der Präsenzlehre.

Adaptives E-Learning und Adaptationstechniken

Eine geläufige Kategorisierung zur Differenzierung der Adaptation im Bereich Lernsysteme nach Leutner unterscheidet zwischen Makro- und Mikrolevel Anpassungen. Dies bezieht sich auf die Häufigkeit der vorgenommenen Systemanpassungen und deren Initiator, d.h. Nutzer oder System als „Auslöser“ der Adaptation [8]. Anpassbar sind hierbei systemseitig insbesondere Komponenten des User Interface, die vermittelten Lerninhalte oder die Benutzerführung einer E-Learning Plattform. Die Makrolevel Adaptation ermöglicht Systemanpassungen mit geringer Frequenz, für gewöhnlich einmalig zu Beginn der Nutzung und wird besonders in Verbindung mit der Anpassung des User Interface oder der Lerninhalte auf Basis des domänenspezifischen Vorwissens des Lernenden vorgenommen. Der Lernende ist hierbei selbst der „Auslöser“ der Adaptation, indem er einmalig zu Beginn Anpassungen vornimmt. Leutner spricht in diesem Zusammenhang von einem adaptierbaren System [8].
Mikrolevel Adaptation geht über diesen trivialen Ansatz hinaus, indem das Lernsystem kontinuierlich Abfragen auf Nutzerseite vornimmt, und somit als „Auslöser“ der Adaptation fungiert. Anpassungen sind somit wiederholt durchführbar, darüber hinaus kann das System aufgrund der regelmäßigen Abfragen des aktuellen Nutzerzustands die Adaptationen im Lernverlauf idealerweise immer passgenauer vornehmen. Leutner spricht hierbei von Adaptivität im eigentlichen Sinne. In der Vergangenheit etablierten sich in diesem Zusammenhang insbesondere die sogenannten intelligenten tutoriellen Systeme, die aufgrund der begrenzten technischen Möglichkeiten jedoch keine weitläufige Akzeptanz bei Lernenden und Lehrenden fanden. Die sich nachfolgend entwickelnden Adaptive Educational Hypermedia Systems, zu denen auch die zu entwickelnde adaptive NanoTecLearn E-Learning Plattform zählt, haben diesen Ansatz unter Verwendung zeitgemäßer Webtechnologien weiterentwickelt und bieten eine Kombination aus Makro- und Mikrolevel-Adaptationen [9]. Der Ansatz der Mikrolevel Adaptation bietet sich besonders für die Optimierung der Nutzerführung oder für eine Inhaltsanpassung auf Basis einer kontinuierlichen Erhebung des Lernfortschritts an. Da die aktuelle Motivation des Lernenden sich je nach Lernsituation und Lernfortschritt ändert und systemseitig erfasst werden sollte, bietet sich diese Form der Adaptation für das aktuelle Forschungsvorhaben an.

Für die Ausführung der abstrakten Kategorien der Mikro- und Makrolevel Adaptation haben sich zahlreiche Adaptationstechniken etabliert. Brusilovsky unterteilt diese Techniken grundlegend in Adaptive Präsentationstechniken (Adaptive Presentation) und Adaptive Navigations-unterstützungstechniken (Adaptive Navigation Support) [10]. Abbildung 2 zeigt eine Übersicht von Knutov et al. [11] zu einer Vielzahl von Techniken dieser zwei Kategorien.

Abbildung 2: Taxonomie der Adaptationstechniken nach Knutov et al. (2009)

Adaptive Präsentationstechniken passen den Inhalt einer Lernpattform an, wohingegen adaptive Navigationsunterstützung dazu dient, den Pfad bzw. die User-Journey durch ein E-Learning System zu optimieren. Die Adaptation des Inhalts einer Lernplattform erfordert das Vorhandensein eines passenden Inhaltsangebots in Form von Exkursen oder Zusatzinhalten, die in sehr feiner Granularität Anpassungen ermöglicht, wie z.B. auf bestimmtes Vorwissen oder Studiengänge abgestimmte Zusatzkapitel. Diese Adaptationstechniken bieten sich besonders dann an, wenn Inhalte in unterschiedlichen Schwierigkeitsgraden vorliegen und je nach aktuellem Kenntnisstand des Lernenden adaptiert werden soll. Bei adaptiver Navigationsunterstützung geht es hingegen vorrangig um die Anpassung der Sequenzierung der Inhalte auf Basis der Veränderung von Nutzerzuständen, z.B. der aktuellen Motivation in Form des situativen Interesses. Für das aktuelle Forschungsvorhaben, welches ebendiese Zustände erfassen und Anpassungen darauf aufbauend vornehmen soll, wurden daher Techniken der adaptiven Navigationsunterstützung gewählt. Darüber hinaus sollte die bestehende und bereits hinsichtlich ihrer Lernwirksamkeit und inhaltlicher Stimmigkeit hin evaluierte Lernplattform NanoTecLearn nicht in ihrer Struktur durch inhaltliche Zusatzexkurse verändert werden, die bei experimentellen Untersuchungen etwaige Störvariablen bilden könnten. Im Verlauf des Forschungsvorhabens wurden die Techniken Direct Guidance, Link Annotation und eine kombinierte Technik namens Agent in Form kontextueller Links gewählt. Diese Techniken unterscheiden sich besonders hinsichtlich ihrer Freiheitsgrade, die sie für die Nutzerinteraktion bieten und dem Kontrollempfinden der Lernenden. Die Funktionalität und die Parameter Kontrollempfinden und Freiheitsgrade der drei implementierten Adaptationstechniken werden in Tabelle 1 gegenübergestellt.

 

Tabelle 1: Charakteristiken der im Forschungsvorhaben implementierten Adaptationstechniken

Der Implementierung dieser Adaptationstechniken waren zunächst Studien zur Lernmotivation mit der nicht-adaptiven Ausgangsversion der NanoTecLearn Plattform vorangestellt.

Prozess zur Entwicklung der adaptiven Lernplattform

Abbildung 3 veranschaulicht den Entwicklungsprozess anhand der Plattformversionen und der zugehörigen Studien mit Lernenden.

Abbildung 3: Prozess zur Entwicklung und Evaluation der adaptiven E-Learning Plattform

Ausgangssituation – nicht-adaptive E-Learning Plattform

Die erste implementierte und getestete Version war die konventionelle, nicht-adaptive NanoTecLearn-Plattform. Der primäre Wissenszugang erfolgt über text- und bildbasierte Lerneinheiten, welche Booklets genannt werden. Dieser Zugang bildet das inhaltliche Wissensfundament. Die Abschnitte enthalten zudem Verlinkungen zu verwandten Themen in anderen Booklets sowie Glossarverweise, die mittels Mouseover-Effekt über Fachbegriffen eingeblendet werden. Darüber hinaus existiert ein weiterer Wissenszugang über interaktive Probenbetrachter, die Rasterelektronenmikroskop-Aufnahmen visualisieren. Den dritten Wissenszugang bilden interaktive Formeln und 3D-Modelle von Gerätschaften wie dem Kontaktwinkelmessgerät. Lernende können hierbei z.B. über Schieberegler verschiedene Parameter anpassen und dazugehörige physikalische Effekte unmittelbar zuordnen. Der Inhalt jedes Booklets ist in sechs Unterabschnitte unterteilt – Orientierung, Theorie, Anwendung, Interaktion (mit Verlinkung zu Formeln und Proben), Reflexion und Quellen. Die Wissenszugänge werden in Abbildung 4 visualisiert.

Abbildung 4: Übersicht der 3 Wissenszugänge der NanoTecLearn Plattform

Zur Evaluation der Lernmotivation bei der Arbeit mit dem E-Learning Angebot wurde eine Laborstudie mit 71 Studierenden der TU Ilmenau (Fokus auf technische und naturwissenschaftliche Studiengänge) durchgeführt (siehe Abbildung 3). Das Studiendesign orientierte sich am Prozessmodell der Lernmotivation nach Rheinberg et al., das für diesen Zweck operationalisiert wurde. Als Personenfaktoren wurden domänenspezifisches Vorwissen, demographische Daten und Selbstwirksamkeitserwartung als motivationale Einflussgröße erhoben. Als Situationsvariable wurde die Motivationsförderlichkeit der E-Learning Plattform entsprechend des ARCS-Modells mithilfe des dazugehörigen standardisierten Fragebogens IMMS (Instructional Materials Motivation Survey) evaluiert [12]. Die Arbeit mit der NanoTecLearn Plattform wurde anhand eines ausgewählten Kapitels (Wechselwirkungen an Grenzflächen) ausgewertet. Die Studie war als Laborstudie konzipiert, bei der bis zu sechs Lernende in einer kontrollierten Umgebung mit zwei PC-Bildschirmen arbeiteten (linker Bildschirm: E-Learning Plattform, rechter Bildschirm: Online-Fragebogen). Nach Erhalten der Aufgabenstellung mussten die Probanden zunächst ihre aktuelle Motivation mithilfe des FAM (Fragebogen zur Erfassung der aktuellen Motivation) [13] einschätzen. Daraufhin wurde das emotionale Befinden während des Lernens mit NanoTecLearn als Vermittlungsgröße mithilfe der PANAVA-Kurzskala [14] zu vier Erhebungszeitpunkten erfasst. Diese sind in Abbildung 5 dargestellt.

Abbildung 5: Erfassung des emotionalen Befindens zu vier Erhebungszeitpunkten

Die erste Messung diente vor Beginn der Bearbeitung des Kapitels als Baseline. Daraufhin erfolgte die Messung jeweils am Ende der drei Wissenszugänge der Plattform für das ausgewählte Kapitel. Zum Ende der Studie wurde ein abschließender Wissenstest zur Überprüfung der Lernresultate durchgeführt. Darauf folgte ein Kurzinterview zur Abfrage von Verbesserungspotenzialen sowie besonders motivationsförderlichen und -hemmenden Faktoren der E-Learning Plattform. Kernergebnisse der Studie waren, dass sich die Lernenden entsprechend der FAM-Ergebnisse von den gestellten Aufgaben herausgefordert fühlten, überaus interessiert waren und ihre Erfolgswahrscheinlichkeit als hoch einschätzten. Das emotionale Befinden, erfasst über die PANAVA-KS, blieb über die vier Erhebungszeiträume relativ gleich. Jedoch fiel die positive Aktivierung, welche entsprechend der Motivationsdefinition nach Rheinberg eine besondere Bedeutung für die Motivation besitzt, nach Beenden der Theorie merklich ab und steigt erst wieder durch die interaktiven Elemente (Formel oder Proben). Als Untermauerung dieser Befunde dienten zudem die Abschlussinterviews der Studie, in denen zahlreiche Probanden konkret die Bearbeitung des relativ langen Theorieabschnitts als Ursache für Motivationseinbrüche benannten und der Wechsel des Wissenszugangs zu einem merklichen Anstieg der Lernmotivation führte [15].

In den weiteren Studien mit der nicht-adaptiven E-Learning Plattform wurde die Vorarbeit zur Entwicklung der drei in Tabelle 1 genannten Adaptationstechniken geleistet. Den Kern dieser Erhebungen bildete die Durchführung von vier Fokusgruppen mit Studierenden (Stichprobe von insgesamt 19 Probanden). In einem zweigeteilten Untersuchungsdesign sollte geklärt werden, welche Gründe für Motivationsänderungen bei der Arbeit mit der Lernplattform bestehen könnten, welche adaptiven Gegenmaßnahmen die Plattform zur Steigerung der Motivation vornehmen sollte, wie diese Anpassungen präsentiert werden sollten und welche Faktoren die Akzeptanz der Adaptation beeinflussen. Im ersten Teil diskutierten die Studierenden diese Fragestellungen. Im zweiten Teil wurden die Teilnehmer/-innen in zwei Gruppen geteilt, die an einem Gedankenexperiment zur Konzeption der Adaptation teilnahmen. Die Studierenden versetzten sich in die Rolle eines fiktiven Lernenden, der mit dem E-Learning System arbeitet. Entsprechend dieser Ausgangssituation wurde der Motivationsverlauf während des Lernens nachempfunden und die Studierenden sollten aus Sicht des Systems geeignete Systemanpassungen erarbeiten. Die Ergebnisse dieser Fokusgruppen führten zusammen mit den Ergebnissen zusätzlicher Evaluationen von NanoTecLearn mit Experten aus den Bereichen E-Learning, Informatik und Didaktik zur Konzeption und Implementierung der drei zuvor vorgestellten Adaptationstechniken. Die Studierenden betonten insbesondere das Kontrollempfinden und die Freiheitsgrade beim Lernen. Darüber hinaus wurden interaktive Wissenstests und das Einbinden erklärender Lernvideos als weitere motivierende Bestandteile benannt [16]. Diese zusätzlichen Elemente wurden für die Evaluation der finalen adaptiven Plattformversion zurückgehalten, da es im nächsten Schritt primär um die Beurteilung der Adaptationstechniken als solche gehen sollte.

Komparative Analyse prototypisch implementierter Adaptationstechniken

Nachdem die Anforderungen von Studierenden und Experten bezüglich der adaptiven Gestaltung der NanoTecLearn Plattform im ersten Schritt des Untersuchungsdesigns erhoben wurden, konnten die vorgestellten Adaptationstechniken implementiert werden. Die Systemanpassung basierte auf einer motivationalen Selbsteinschätzung, die am Ende jedes Abschnitts eines Kapitels der Lernplattform vorgenommen wurden. Der Self-Report Mechanismus sollte eine möglichst geringe Unterbrechung des Lernprozesses darstellen und beschränkte sich daher auf zwei Kernparameter der aktuellen Motivation. In Übereinstimmung mit dem Prozessmodell und dem FAM der Motivationsstudie stellten diese Parameter das aktuell wirksame, situative Interesse und die Erfolgszuversicht bzw. Selbstwirksamkeitserwartung dar. Beide Parameter wurden jeweils über die Einschätzung „stimme nicht zu“ (-), „teils/teils“ (=), „stimme zu“ (+) abgefragt. Dies diente als Motivationsindikator auf Basis dessen die adaptiven Systemvarianten Anpassungen vornahmen. Im Backend der Lernplattform sind für die Unterabschnitte jedes Kapitels alle Kombinationen der Motivations-Selbsteinschätzungsparameter in Form einer Tabelle hinterlegt sowie die zugehörigen Systemreaktionen. Wie bereits beschrieben, handelte es sich bei den implementierten Adaptationstechniken um Techniken der adaptiven Navigationsunterstützung, konkret Link Annotation, Direct Guidance und Agent. Insbesondere bei (-)-Angaben wurden möglichst motivationsförderliche Folgeabschnitte angegeben, um einem Motivationseinbruch entgegenzuwirken. Bei ausbleibenden (-)-Angaben wurde der Lernende seriell durch die Unterabschnitte der Kapitel geführt.
Die Studie wurde in Form einer experimentellen Laboruntersuchung durchgeführt, bei der die Probanden einer von vier Versionen der NanoTecLearn Plattform zugeordnet wurden. Es handelte sich dabei um die drei adaptiven Plattformversionen sowie die nicht-adaptive NanoTecLearn Plattform mit Motivationsselbsteinschätzung als Kontrollgruppe. Insgesamt nahmen 132 Studierende an der Untersuchung teil, d.h. jeweils 33 Probanden pro Plattformversion. Die Untersuchung fokussierte sich insbesondere auf die Einschätzung der User Experience, der Technologieakzeptanz und des Kontrollempfindens mithilfe etablierter standardisierter Fragebögen. Darüber hinaus wurden der Verlauf der Bearbeitung und die Motivationsselbsteinschätzungen mithilfe von Logfiles getrackt. Die Lernenden bearbeiteten ähnlich zur Motivationsstudie ein ausgewähltes Kapitel der Plattform, in diesem Fall Kontaktwinkelmessgerät. Nach jedem Abschnitt des Kapitels erfolgte die Motivationsselbsteinschätzung und davon ausgehend entsprechende Systemanpassungen. Die Ergebnisse der Studie zeigten, dass alle Versionen eine gute User Experience aufweisen konnten. Darüber hinaus überzeugte bereits die auf ihre Benutzerfreundlichkeit getestete nicht-adaptive Plattformversion als eine effiziente und zufriedenstellend nutzbare Lernplattform. Die Direct Guidace Variante weist bezüglich Technologieakzeptanz und Faktoren der User Experience sehr gute Werte auf. An der Studie nahmen viele Studierende mit wenig bis keinem Vorwissen im Bereich Mikro- und Nanotechnologie teil, was die Annahme stützt, dass sich die geführte Sequenzierung insbesondere für Zielgruppen mit wenig domänenspezifischem Vorwissen eignet. Link Annotation und die nicht-adaptive Variante überzeugten insbesondere in puncto Kontrollempfinden – die Systemanpassungen wurden als besonders transparent und nachvollziehbar wahrgenommen. Der Ansatz des Vorschlagssystems der Link Annotation eignet sich besonders für Lernende, die zielgerichtet nach zusätzlichen Erklärungen oder Inhalten suchen. Überraschend negativ fiel die Bewertung der Agenten-Version aus, insbesondere bezüglich User Experience und Kontrollempfinden. Ein Grund hierfür könnte der relativ geringe Mehrwert der Vorschlagsliste bzw. der kontextuellen Links sein, die sich nicht an die Motivationsselbsteinschätzung anpassten und dem Inhaltsverzeichnis der Kapitel stark ähnelten [17]. Die Analyse der Logfiles, die für die Bearbeitung des Kapitels der NanoTecLearn Plattform und den dazugehörigen Motivationsselbsteinschätzungen getrackt wurden, ergab, dass bei jeder Variante während der Bearbeitung ein erkennbarer Abfall der Lernmotivation nach der Bearbeitung der textlastigen Abschnitte zu erkennen war. Die Verlinkung zu interaktiven Elementen, wie den Proben oder Formeln, konnte jeweils wieder zu einem Anstieg der Lernmotivation führen, was auch in Übereinstimmung zu den Ergebnissen der Abfrage des emotionalen Befindens in der ersten Motivationsstudie steht. Die Analyse zeigte zudem, dass bei der Link Annotation Variante ca. zwei Drittel der Vorschläge gefolgt wurde, d.h. ein Großteil der Vorschläge wurde als motivationsförderlich empfunden. Die Ergebnisse der Vergleichsstudie sowie die ausstehenden Systemoptimierungen auf Basis der Fokusgruppe wurden genutzt, um die finale adaptive Plattformvariante zu entwickeln und zu evaluieren.

Auffällig ist, dass alle Versionen im Unterkapitel 26,2, dem Theorieteil, einen erkennbaren Motivationseinbruch im Vergleich zum vorherigen Orientierungskapitel 26,1 aufweisen. Dies ist ebenfalls der Visualisierung der Motivationsverläufe in den entsprechenden Abbildungen zu entnehmen (vgl. Abbildung 7). Es zeigt sich zudem, dass die interaktiven Inhalte 26,4 und 26,5 die Motivation wieder merklich steigern konnten, was mit den Interviewaussagen einer ersten Studie zur Lernmotivation im Wintersemester 2017/18 mit der nicht-adaptiven NanoTecLearn Plattform übereinstimmt.

Abbildung 6: Vergleich der Motivationsverläufe der unterschiedlichen Plattformversionen

 

Entwicklung der adaptiven E-Learning Plattform

Die adaptive NanoTecLearn Plattform basiert vorrangig auf der Link Annotation Technik, da die Lernplattform insbesondere als Zusatzangebot zu Präsenzveranstaltungen im Bereich Mikro- und Nanotechnologie genutzt werden soll und somit vorrangig von Studierenden mit domänenspezifischem Vorwissen genutzt wird. Ein besonderes Augenmerk wurde bei der Weiterentwicklung auf die bessere Kennzeichnung der annotierten Vorschläge gelegt, die in der Vergleichsstudie mitunter als zu wenig ersichtlich angegeben wurde. In der finalen Version wird die Anpassung daher visuell über eine farbliche Markierung des empfohlenen Folgeabschnitts und mit einem zugehörigen Texthinweis unterhalb der Motivationsselbsteinschätzung kenntlich gemacht. Weiterhin wurden in der Theorie Links zu YouTube-Lernvideos eingefügt, die Grundprinzipien weiterführend erklären. Abschließend wurde die Reflexion um zusätzliche interaktive Tests erweitert. Diese beiden Ansätze resultierten insbesondere aus Angaben der Fokusgruppen sowie aus Kommentaren in offenen Antwortfeldern am Ende des Fragebogens der Vergleichsstudie. Mit der finalen Plattformversion wurde eine weitere Studie zur Evaluation des Verlaufs der Lernmotivation durchgeführt. Das Studiendesign orientierte sich am Ablauf der ersten Motivationsstudie , um ermitteln zu können, ob die adaptive Version unter Berücksichtigung des Mehraufwands der Konzeption und Entwicklung zu einer merklichen Verbesserung der Lernmotivation führen kann.
Die Analyse der Logfiles der zweiten Motivationsstudie ergab, dass bei dieser Version 78% der Vorschläge gefolgt wurden, im Vergleich zu den 65% der ursprünglichen Link Annotation Variante. Es ist demnach davon auszugehen, dass die Visualisierung der Vorschläge für die Lernenden tatsächlich eindeutiger ersichtlich war und die Vorschläge nochmals motivationsförderlicher gestaltet werden konnten. Im Verlauf der Lernmotivation zeigte sich insbesondere im Abschnitt der Reflexion ein merklicher Anstieg, was zeigt, dass neben den interaktiven Elementen der Plattform auch die neu gestalteten interaktiven Tests dieses Abschnitts die Motivation fördern konnten.

Die zweite Motivationsstudie war identisch zur ersten Motivationsstudie konzipiert. Die Kernergebnisse dieser Studie waren, dass sich die Lernenden zu Beginn der Lerneinheit entsprechend der FAM-Ergebnisse von den gestellten Aufgaben stärker herausgefordert fühlten, als in der ersten Motivationsstudie, grundsätzlich am Thema interessiert waren und ihre Erfolgswahrscheinlichkeit etwas höher einschätzten. Die Misserfolgsbefürchtung der Lerner war auch hier wieder relativ gering.

Abbildung 7: Box-Plots der vier FAM-Komponenten der aktuellen Motivation in Studie 1 (grün) und Studie 2 (blau)

 

Das emotionale Befinden, erfasst über die PANAVA-KS, blieb auch bei der zweiten Motivationsstudie über die vier Erhebungszeiträume relativ stabil. Lediglich die positive Aktivierung zeigte erneut signifikante Unterschiede über die einzelnen Messzeitpunkte (siehe Abbildung 8).

Abbildung 8: Box-Plots der Skalen der PANAVA-KS zu den vier unterschiedlichen Messzeitpunkten bezüglich des emotionalen Befindens in Studie 1 (grün) und Studie 2 (blau)

Als finale Evaluation steht eine Usability Evaluation der Plattformversion als Vergleich zu den vorab entwickelten adaptiven Systemvarianten hinsichtlich User Experience, Technologieakzeptanz und Kontrollempfinden aus.

Fazit und Ausblick

Im Rahmen des Forschungsprojekts SensoMot stand die Erfassung von Motivationsindikatoren mittels Self-Reports und physiologischer Daten im Mittelpunkt, sowie deren Verarbeitung und Interpretation durch Maschinelles Lernen. Die Konzeption, Implementierung und Durchführung von Anpassungsreaktionen speziell bei sinkender Lernmotivation wurde mittels einer adaptiven Lernumgebung für die Mikro- und Nanotechnologie an der TU Ilmenau und für den umgesetzt. Es erfolgte dann eine formative und summative Evaluation des Systems mit Lernenden. Der Fokus des aktuellen Beitrags lag auf der Konzeption einer adaptiven E-Learning Plattform, der die Lernmotivation mithilfe von Self-Reports erfasst. Die Implementierung eines Adaptationsmechanismus, der auf physiologischer Datenerfassung basiert war Teil späterer Projektschritte. Die Frage danach, ob adaptive Lernsysteme die Lernmotivation fördern können, kann anhand der durchgeführten Untersuchungen mit ja beantwortet werden. Hohe Lernmotivation führt wiederum zu gesteigertem fachlichem Interesse, einer tieferen Verarbeitung der Lerninhalte und außerdem zu einer längeren Behaltensleistung der Lerninhalte. Gesteigerte Lernfreude und Zufriedenheit sind weitere Aspekte, die durch Motivation beim Lernen generiert werden können. Adaptives E-Learning wurde in den Untersuchungen an der TU Ilmenau allgemein als sehr motivationsförderlich empfunden. Die Vorschlagssysteme bieten für selbstreguliertes, gezieltes Lernen passfähige Rahmenbedingungen. Eine geführte Sequenzierung erleichtert den Einstieg in komplexe Themen, insbesondere wenn das Vorwissen gering ist.

Dank

Das Projektvorhaben SensoMot wurde gefördert durch das Bundesministerium für Bildung und Forschung (BMBF) unter der Fördernummer 16SV7516 im Programm “Erfahrbares Lernen”.

Literaturverzeichnis

[1] Schneider, Oliver; Martens, Thomas; Bauer, Mathias; Ott-Kroner, Alexandra; Dick, Uwe; Dorochevsky, Michel (2017): SensoMot – Sensorische Erfassung von Motivationsindikatoren zur Steuerung adaptiver Lerninhalte. In: C. Igel; C. Ullrich; M. Wessner (Hrsg.): Bildungsräume 2017: Gesellschaft für Informatik, Bonn, S. 267-272.

[2] Krömker, Heidi; Hoffmann, Martin; Huntemann, Nadja (2016): Wissensstrukturierung für das Lernen in den Ingenieurwissenschaften. In: G. Kammasch; H. Klaffke; S. Knutzen (Hrsg.): Technische Bildung im Spannungsfeld zwischen beruflicher und akademischer Bildung. Die Vielfalt der Wege zu technischer Bildung: Referate der 11. Ingenieurpädagogischen Regionaltagung, Berlin, S. 101-108.

[3] Rheinberg, Falko; Vollmeyer, Regina (2012): Motivation. Stuttgart: Kohlhammer.

[4] Deci; Edward L.; Ryan, Richard, M. (2000): Intrinsic and Extrinsic Motivation. Classic Definitions and New Directions. In: Contemporary Educational Psychology, Vol. 25, S. 54-67.

[5] Krapp, Andreas; Geyer, Claudia; Lewalter, Doris (2014): Motivation und Emotion. In: T. Seidel; A. Krapp (Hrsg.): Pädagogische Psychologie. Weinheim/Basel: Beltz, S. 193-222.

[6] Rheinberg, Falko; Vollmeyer, Regina; Rollett, Wolfram (2000): Motivation and Action in Self-Regulated Learning. In: M. Boekaerts; P. R. Pintrich; M. Zeidner (Hrsg.): Handbook of Selfregulation. London: Academic Press, S. 503-529).

[7] Niegemann, Helmut M.; Domagk, Steffi; Hessel, Silvia; Hein, Alexandra; Hupfer, Matthias, Zobel, Annett (2008): Kompendium multimediales Lernen. Berlin/Heidelberg: Springer.

[8] Leutner, Detlef (2011): Adaptivität und Adaptierbarkeit beim Online-Lernen. In: P. Klimsa; L. Issing (Hrsg.): Online-Lernen. Planung, Realisation, Anwendung und Evaluation von Lehr- und Lernprozessen. München: De Gruyter, S. 115-123.

[9] Lee, Jung; Park, Ok-Choon (2008): Adaptive Instructional Systems. In: J. M. Spector (Hrsg.): Handbook of Research on Educational Communications and Technology. New York: Routledge, S. 469-484.

[10] Brusilovsky, Peter (2007): Adaptive Navigation Support. In: P. Brusilovsky; Alfred Kobsa; Wolfgang Nejdl (Hrsg.): The Adaptive Web: Methods and Strategies of Web Personalization. Berlin/Heidelberg: Spring, S. 263-290.

[11] Knutov, Evgeny; De Bra, Paul; Pechenizkiy, Mykola (2009): AH 12 Years later. A Comprehensive Survey of Adaptive Hypermedia Methods and Techniques. In: New Review of Hypermedia and Multimedia, Vol. 15, Nr. 1, S. 5-38.

[12] Keller, John M. (2009): Motivational Design for Learning and Performance. The ARCS Approach. New York (u.a.): Springer.

[13] Rheinberg, Falko; Vollmeyer, Regina; Burns, Bruce D. (2001): FAM. Ein Fragebogen zur Erfassung aktueller Motivation in Lern- und Leistungssituationen. In: Diagnostica, Vol. 47, Nr. 2, S. 57-66.

[14] Schallberger, Urs (2005): Kurzskalen zur Erfassung der Positiven Aktivierung, Negativen Aktivierung und Valenz in Experience Sampling Studien (PANAVA-KS). Theoretische und methodische Grundlagen, Konstruktvalidität und psychometrische Eigenschaften bei der Beschreibung intro- und interindividueller Unterschiede. Zürich: Forschungsberichte aus dem Projekt „Qualität des Erlebens in Arbeit und Freizeit“, Nr. 6.

[15] Bauer, Mathias; Schuldt, Jacqueline; Bräuer, Cassandra (2018): Förderung der Lernmotivation durch adaptives E-Learning bei heterogenen Studierenden in den Ingenieurwissenschaften. In: Diversität und kulturelle Vielfalt – differenzieren, individualisieren oder integrieren? Die Vielfalt der Wege zu technischer Bildung: Referate zur 13. Ingenieurwissenschaftlichen Regionaltagung, Bochum.

[16] Bauer, Mathias; Bräuer, Cassandra, Schuldt, Jacqueline, Krömker, Heidi (2018): Adaptive E-Learning for Supporting Motivation in the Context of Engineering Science. In: Salman Nazir; Anna-Maria Teperi; Aleksandra Polak-Sopinska (Hrsg.): Advances in Human Factors in Training, Education and Learning Sciences, Proceedings of the AHFE 2018 International Conference on Human Factors in Training, Education and Learning Sciences, Advances in Intelligent Systems and Computing, Vol. 785, S. 409-422.

[17] Bauer, Mathias; Bräuer, Cassandra; Schuldt, Jacqueline, Krömker, Heidi (2019): Evaluation of the User Experience of Adaptation Techniques to foster Learning Motivation in an adaptive E-Learning Platform. In: Luis Gómez Chova; Agustín López Martinez; Ignacio Candel Torres (Hrsg.): INTED 2019, Proceedings of the 13th Annual International Technology, Education and Development Conference, Valencia, S. 5060-5069.

 

Mathias Bauer

Mathias Bauer

Mathias Bauer arbeitet seit 2016, nach Abschluss seines Studiums der Medientechnologie an der Technischen Universität Ilmenau, als wissenschaftlicher Mitarbeiter am dortigen Fachgebiet Medienproduktion von Frau Prof. Dr. Heidi Krömker. In dieser Funktion ist er verantwortlich für die Betreuung der Lehrveranstaltungen des Fachgebiets und des Forschungsprojekts SensoMot. Darüber hinaus promoviert er zu motivationsförderlicher Gestaltung adaptiven E-Learnings. Im Kontext des Forschungsprojekts und angeschlossenen Promotionsvorhabens wurden bereits zahlreiche Studien mit Lernenden im Umgang mit einer am Fachgebiet entwickelten adaptiven E-Learning Plattform durchgeführt und in wissenschaftlichen Fachbeiträgen veröffentlicht. Weitere Forschungsschwerpunkte seiner Anstellung am Fachgebiet sind Usability und User Experience von Softwareapplikationen sowie die Analyse von Medienproduktionsprozessen.

Jacqueline Schuldt

Jacqueline Schuldt

Jacqueline Schuldt arbeitet seit 2017 als wissenschaftliche Mitarbeiterin an der Technischen Universität Ilmenau im Fachgebiet Medienproduktion. Sie hat an der Universität Erfurt Erziehungswissenschaft/ Lehr-, Lern- und Trainings-Psychologie (B.A.) studiert. Im Jahr 2009 hat sie ihren Masterstudiengang in Weiterbildungs- und Bildungstechnologie (M.A.) abgeschlossen. Sie war 2011/12 als Lehrbeauftragte am Lehrstuhl Lernen und Neue Medien der Universität Erfurt tätig. Von 2011 bis 2017 war Frau Schuldt als wissenschaftliche Mitarbeiterin am Fraunhofer IDMT beschäftigt, und dort ab 2014 Leiterin der Gruppe Gamification. Frau Schuldt promoviert zudem im Bereich Serious Games, mit Fokus auf der Förderung kritischen Denkens und wertbezogener Argumentation.

Marie Webers

Marie Webers

Marie Jeanne Webers ist seit 2015 Bachelorstudentin der Angewandten Medien- und Kommunikationswissenschaften an der Technischen Universität Ilmenau. Zusätzlich zu ihrem Studium unterstützt sie das Fachgebiet Medienproduktion bei der Konzeption, Durchführung und Auswertung von Studien im Kontext des Forschungsprojekts SensoMot. Dieses Projektvorhaben hat das Ziel, eine adaptive E-Learning Plattform zu entwickeln, die ihre Benutzerführung an die aktuelle Motivation des Lernenden anpasst. Parallel dazu untersucht sie in ihrer Bachelorarbeit die Motivationsförderlichkeit Gamification-optimierter E-Learning Angebote am Beispiel Codecademy.

Heidi Krömker

Heidi Krömker

Prof. Dr. phil. Heidi Krömker hat eine Professur für „Medienproduktion" an der Technischen Universität Ilmenau mit den Forschungsschwerpunkten „Nutzerzentrierte Gestaltung neuer Medien“ und „Medienproduktionsprozesse“ inne und ist Leiterin des Instituts für Medientechnik an der Fakultät für Elektrotechnik und Informationstechnik. Zuvor leitete sie das Fachzentrum User Interface Design Center der Corporate Technology von Siemens von 1995 bis 2001. Nach ihrem Studium der Soziologie leitet sie verschiedene Projekte, wie “Usability im Softwareentwicklungsprozess”, Entwicklung von „Regeln zur Gestaltung von User Interfaces“ sowie die „Einführung des Usability Konzepts in dem Siemens Konzern“.