herunterladen
Werbung
Gliederung Motivation eLearning / selbstorganisiertes Lernen / Lerner-Isolation Kompensationsmöglichkeiten / Forschungsbedarf Diagnose Selbstorganisiertes eLearning Zielsetzung / Methodik Knowledge Discovery in Databases als Analyseinstrument im eLearning Exploration von Daten Co mp ute rwe rk z e ug e zu r Ko mpe te nz- und Verh a lte nsa n aly se Explorative Datenanalyse Knowledge Discovery in Databases und Data Mining f EA-MOLE Data-Mining-Kern und Tools Verteilung / Parallelisierung Agenten zur Koordination / zum Feedback t Anwendungen DistLearn und VirtLearn FliDA / TogTrain Dr. habil. Frank Köster Department für Informatik Carl von Ossietzky Universität Oldenburg Fazit und Ausblick 1 eLearning 2 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] eLearning – ein Gebiet mit vielen Facetten Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick eLearning Metapher ist Back et al. (2001 – Seite 34) entnommen eLearning-Landkarte zur Orientierung eLearning ist das Lernen und Lehren mit elektronischen Lehr-/Lernmaterialien. Ein didaktisches Konzept bestimmt dabei die methodische Ausgestaltung im Hinblick auf die Kompetenzvermittlung wie auch die eng hiermit verknüpfte Materialselektion und -adaption. Blended Learning / Mentoren eLearning Die Bezugnahme auf die Didaktik unterstreicht das Bestreben in Richtung des Unterrichtens – nicht nur Präsentation / Bereitstellung von elektronischen Lehr-/Lernmaterialien. eLearning-System Ein eLearning-System bezeichnet ein sozio-technisches System, in dem Institutionen, Computersysteme und menschliche Nutzer derart zusammenwirken, dass Lernen und Lehren im Sinne des eLearning möglich ist. Distance-Learning (klassische) Aus- und Weiterbildung in Präsenzveranstaltungen Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Online-Learning Web-Based-Training Computer-Based-Training Diskette, CD oder DVD Tele-Teaching Tele-Tutoring Tele-Collaboration Tele-... Virtual-Classroom Virtual-Seminar Virtual-... Netzwerke zur Distribution/Kommunikation Online in Netzwerken (klassisches) Fernstudium TV-Veranstaltungen und Studienbriefe Die tatsächliche Ausgestaltung solcher Systeme ist mit unterschiedlichsten Mitteln möglich. Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 3 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 4 Selbstorganisiertes Lernen / Lerner-Isolation Kompensationsmöglichkeiten Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick vgl. in Teilen (Deitering, 2001 – S. 37); vgl. (Rosenstiel & Honecker, 2000); (Erpenbeck & Sauer, 2001 – insbesondere Abschnitt 2.1.4) Auch als Systeme zur (intelligenten) computerunterstützten Instruierung, (intelligente) Tutorielle Systeme oder Tutorsystem etc. erörtert. Zielen darauf, dass Lernen stets unter optimalen Bedingungen möglich ist und dabei eine Ausrichtung an den individuellen Bedürfnissen eines Lerners erfolgt. Wurzeln der wissenschaftlichen Diskussion gehen bis in die 1950er Jahre zurück – Psychologe und Behaviorist Burrhus F. Skinner. „[...] Die Selbstorganisation des Lernens zielt darauf ab, die Verantwortung für viele Aspekte des Lernens zurück in die Hand der Lernenden zu geben.“ (Rosenstiel & Honecker, 2000 – Seite 223) fremdorganisiert fremdgesteuert selbstorganisiert selbstgesteuert L T L L L L L L L L L L L L L L L L L L L L T L L L L L L L (vgl. Leutner, 1992); (vgl. Schulmeister, 1997) Tutorielle Komponenten L L T Allgemeiner beispielsweise auch als Virtual Communities, Online Communities, Communities in Cyberspace erörtert. Lerner und Lehrer können im Dialog bzw. Multilog bspw. Fragen wie auch Erfahrungen zu / mit Fachinhalten sowie zur Lernweggestaltung diskutieren. L Konsequenz Der Lerner selbst steht im Mittelpunkt – neben der primären Rolle des Lernenden wird von ihm ebenso erwartet, dass er zur Übernahme der Rolle des Initiators und Organisators seiner Lernprozesse befähigt ist. Zudem reduziert sich für einen Lehrer die Sichtbarkeit der Lerner. (vgl. Reinmann-Rothmeier, 2003; Sauter et al., 2003); (vgl. Rinn und Wedekind, 2002; Kerres, 2001) Hybride Lernarrangements Blended Learning / Mentoren-Idee (vgl. z.B. Deitering, 2001 – Seite 11) Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] (siehe z.B. Keil-Slawik, 2001); (siehe z.B. Smith und Kollock, 1998) Virtuelle Lerngemeinschaften L 5 Forschungsbedarf Diagnose Zielsetzung / Methodik Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Diagnostische Fragestellungen in den Mittelpunkt rücken Assistenz für Lerner und Lehrer Lernmanagementsystem / Trainingsgerät Tutorieller Komponenten oder Softwarekomponenten zur Etablierung virtueller Lerngemeinschaften müssen Instrumente zur Situations- bzw. Statusbestimmung im Mittelpunkt stehen – Monitoring und insbesondere Diagnose. T M/D L L L T M/D L L L L L L L L L T L L M/D L M/D L L Lernmanagementsystem / Trainingsgerät L Wenigstens müssen Prozessbetrachtungen durchgeführt werden, die auf eine symbolhafte Repräsentation von Kompetenzen und Verhaltensweisen der Lerner zielen und möglichst Ursachen beschreiben. Zur Prädiktion nutzbare Instrumente sind notwendig, um „Irrwege“ der Lerner zu vermeiden. 7 einer adäquaten Operationsgrundlage über die Analyse des (virtuellen) Gesamtdatenbestands. L Damit sind zwangsläufig Fragen bzgl. Operationsgrundlagen für solche Assistenzsysteme zu behandeln. (Deskriptive) Instrumente zur punktuellen Beurteilung von Lernen charakterisieren i.Allg. nur Effekte – Ursachenbeschreibungen zur Ermittlung individueller Assistenz stehen zumeist nicht zur Verfügung. Zentr. Aufgaben: • Entwicklung, • Verfeinerung, • Absicherung Lernmanagementsystem / Trainingsgerät L Zur Fundierung von Assistenzsystemen in Form Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 6 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] L L L Lernmanagementsystem / Trainingsgerät Intention L Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 8 Exploration von Daten KDD / Data Mining – Definitionen Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Was passiert bei der Exploration von Daten? Knowledge Discovery in Databases (KDD) Exploratory data analysis is detective work – numerical detective work – or counting detective work – or graphical detective work. KDD is the nontrivial process of identifying valid, novel, potentially useful, and ultimately understandable patterns in data. (Tukey, 1977) (Fayyad et al., 1996) KDD ist ein interaktiver, mehrstufiger und iterativer Prozess zur Exploration von Daten. Data Mining ist darin ein zentraler Prozessschritt. Wissen D M A D W KDD ing) in aM (Dat M M M Data Mining I W A I M W D I W W Daten A A [...] data mining – the automatic creation of a model that identifies relevant trends and patterns in source data [...] D I D M I D A I = = = = Methodenwissen Werkzeugwissen Domänenwissen Intuition (Woods & Kyral, 1997) Automatische Verfahren (Interaktion KDD) Algorithmen “erkunden“ große / komplexe Datenbestände W 9 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] KDD / Data Mining 10 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] KDD / Data Mining Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick (Fayyad et al., 1996) Prozess des KDD Verschiedene Verfahrensklassen KDD (Data Mining) stützt sich auf Methoden zur Visualisierung von Daten wie auch auf statistisch geprägte Methoden der Explorativen Datenanalyse (z.B. Faktoren-, Cluster- und Regressionsanalyse) Darüber hinaus haben sich im Data Mining insbesondere Methoden aus den folgenden Bereichen etabliert: Evaluation Data Mining Transformation Vorverarbeitung Wissen Selektion (KDnuggets, 2005 – Popular Data Mining Techniques) Maschinelles Lernen Muster Entscheidungsbäume und Regelsysteme Assoziationsanalyse transformierte Daten vorverarbeitete Daten Konnektionismus Zieldaten Neuronale Netze [...] Daten Fuzzy-basierte Methoden Neuro-Fuzzy-Systeme [...] Evolutionäre Algorithmen Genetische Algorithmen, Evolutionäre Programmierung [...] Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 11 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 12 EA-MOLE – Data-Mining-Kern EA-MOLE – Data-Mining-Kern Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Struktur der γ-Individuen Algorithmisches Prinzip Fitness Roland Radtke; Population Mit γ-Individuen sind prädiktive Modelle zur Abbildung (annotierter) multivariater Zeitreihen auf Beobachtungen assoziiert. Den Modellen liegt eine Baum-Struktur zugrunde, wobei ... Bernd Westpahl; Wilfried Bohlken; Ralf B uschermöhle; γ-Individuum Volker Cordes; Jann Poppinga; Thomas G ebben; Sita Unbehaun Knoten (allgemeine und anwendungsbezogene) modifizierbare bzw. adaptierbare Mess- und Transformationsfunktionen sind – Prädiktoren, Sensoren und Filter. Kanten beschreiben die Anwendungsreihenfolge der Mess- und Transformationsfunktionen. u.a. Genetische Operatoren Fitness der γ-Individuen hängt von der Güte des jeweils mit ihnen assoziierten Modells ab – wird auf Grundlage der explorierten Daten abgeschätzt bzw. berechnet. Selektion Komplexität der Lösung Daten – annotierte multivariate Zeitreihen Crossover ... Mutation Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 13 EA-MOLE – Data-Mining-Kern 14 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] EA-MOLE – Data-Mining-Kern Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Präzisierung der γ-Individuen Rolle / Potenzial der Annotationen Wilfried Bohlken; Volker Cordes; Bernd Westphal; Roland Radtke Annotationen spiegeln Kontextinformationen oder Wissen wider und ergänzen so die primären Werte der multivariaten Zeitreihen. Wichtige Grundlage zur Entwicklung neuer Mess- und Transformationsfunktionen, die insbesondere auf folgende Aspekte zielt: Id ( Bound ( -0.141636 < Sum ( 0.192868 * Min ( Trace(2) ) + 0.0721418 * NoiseA ( 3, Trace(2) ) + 0.278712 * NoiseB ( 4, 0.744194, Trace(0) + 0.0593229 * NoiseB ( 1, 0.144597, Trace(1) + 0.231025 * NoiseB ( 3, 0.185034, Trace(2) + 0.1659303 * NoiseB ( 5, 0.232643, Trace(3) ) < -0.0774865 ) ) Integrierte Analyse komplexer Datenströme – dies schließt Daten zur Kontext- bzw. Umgebungsbeschreibung, komplexe Tracking-Daten wie auch physiologische Daten mit ein. Integration von Hypothesen oder Wissen aus Vorverarbeitungsschritten – z.B. in Form von manuell oder semi-automatisch eingebrachten Annotationen und Ergebnissen aus automatischen Pre-Analysen, ) ) ) ) Id Bound Min Trace(2) NoiseA Trace(2) NoiseB Trace(0) NoiseB Trace(1) NoiseB Trace(2) NoiseB Trace(3) Sum Übersicht: Mess- und Transformationsfunktionen (Ausschnitt) wie etwa von Bild-, Audio- und Videodaten. „Smarte“ γ-Individuen bzw. Mess- und Transformationsfunktionen können praktisch umgesetzt werden und Artefakte innerhalb der Daten lassen sich „umschiffen. Technische Prädiktoren Id = Identität Bound = Schwellenfunktion (approx. Sigmoid) Einfache Sensoren Min = Minimum Max = Maximum Einfache Filter Smooth = Glättung einer Zeitreihe Div = „Quotient“ zweier Zeitreihen Technische Sensoren Static = Wert einer konstanten Zeitreihe Constant = konstanter Wert Technische Filter Trace = Identität einer Zeitreihe Komplexe Sensoren Cxy = Korrelationsmetrik über zwei Zeitreihen NoiseAS = Unruhebewertung NoiseBS = Unruhebewertung FidgetS = Unruhebewertung (Wavelet) Integrative Prädiktoren Sum = gewichtete Summe Prod = gewichtetes Produkt Integral = Schätzung eines Eintrags iAlpha = Ein-/Austrag-Modell Hotspot = schätzt Cluster-Wahrsch. * Range = ermittelt Ereignishäufungen * Rate = ermittelt Werthäufigkeiten* Komplexe Filter NoiseAF = Sensor als Filter NoiseBF = Sensor als Filter FidgetF = Sensor als Filter Wavelet = Reduktion auf Frequenzbereiche (Wavelet) XChiF = frequenzorientierter Intervallfilter (Wavelet) [...] [...] *Evaluationsphase Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 15 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 16 EA-MOLE – Data-Mining-Kern EA-MOLE – Tools Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Anwendung der γ-Individuen in Teams EA-Explorer – Anwendungsziele bzw. Notwendigkeit Volker Cordes; Jann Poppinga; Thomas G ebben; Sita Unbehaun u.a. Team-Konstruktion basiert auf der Hypothese, dass die γ-Individuen jeweils spezifische Fehlereigenschaften besitzen. Für Antwortmuster eines potenziellen Teams wird ermittelt, welches einzelne Modell zur korrekten Prädiktion herangezogen werden kann und mit hoher Wahrscheinlichkeit die richtige Antwort liefert. EA-Explorer bietet darüber hinaus Funktionalität zur Kontrolle und Beurteilung evolutionärer Prozesse ... ist ein Instrument zur (Vor-)Formulierung von γ-Individuen aufgrund von Hypothesen oder Erkenntnissen erlaubt Prozessanalyse (Fitness- / Strukturtiefeentwicklung etc.) gestattet detailliertes Tracking der γ-Individuen Stammbäume. Team-Konstruktion Post-Processing-Schritt Auswahl der γ-Individuen nicht trivial – notwendig ist anwendungsbezogene Reflexion des Modells. Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] EA-Explorer unterstützt primär die Analyse von Populationen wie auch einzelnen γ-Individuen ... gestattet Zugriff auf Populationen, γ-Individuen und Daten erlaubt die Charakterisierung von Populationen durch Kennzahlen und interaktive grafische Darstellungen ermöglicht die Selektion und Strukturanalyse von γ-Individuen über interaktive grafische Darstellungen bietet Funktionalität zur Prüfung der Eigenschaften von γ-Individuen (insbesondere deren Robustheit). 17 EA-MOLE – Tools EA-MOLE – Tools Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick EA-Explorer – Beispielansichten EA-MOLE-Run / Data Stream Network EA-MOLE-Run ist ein Werkzeug zum Starten, Beobachten und Kontrollieren von (verteilten) Analyseläufen mit EAMOLE. Grafische Darstellungen ermöglichen dabei eine Bewertung evolutionärer Prozesse. Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 18 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 19 Data-Stream-Network ist ein Werkzeug zur systematischen Erprobung und Entwicklung von Prädiktoren, Sensoren und Filtern. Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Ralf B uschermöhle; Bernd Westpahl; Dr. Andreas Weichert u.a. 20 EA-MOLE – Verteilung / Parallelisierung Agenten zur Koordination / zum Feedback Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Unterstützung der Nutzer L L L Lernmanagementsystem / Trainingsgerät Lernmanagementsystem / Trainingsgerät L Michael Hasseler; Oliver Robbe; Achim Olker; Stefan Bärisch; Axel Mehner; Stefan Niehues; Timo Albrecht Lernmanagementsystem / Trainingsgerät L L L L Lernmanagementsystem / Trainingsgerät Verteiltes / paralleles Data Mining Monitor T Monitor Monitor T Monitor L Lernmanagementsystem / Trainingsgerät L L Monitor Lernmanagementsystem / Trainingsgerät Lernmanagementsystem / Trainingsgerät Monitor Monitor L 21 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Agenten zur Koordination / zum Feedback L L L Lernmanagementsystem / Trainingsgerät Monitor L 22 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] DistLearn – VirtLearn – FliDA / TogTrain Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Beispiel: Monitoring bzw. Diagnose an Agenten delegieren Agenten und Handler sind in Datenbank gespeichert / versioniert. Die Handler kapseln einzelne Funktionalitäten der Agenten. Aktualisierungen der Handler können automatisch und insbesondere zur Laufzeit der Agenten über die Datenbank abgewickelt werden. Specialized Handler Hn H4 H3 H2 H1 ... Base Handler (Storage) Specialized Agent AMS VM BM PM Agent Platform Base Agent Container AMS VM BM PM (Agent Management System) (Version Manager) (Backup Manager) (Permission Manager) Hi H1 Hi H1 Hi H1 Agent Platform Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 23 Quino (Jeder so gut er kann) Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 24 DistLearn DistLearn Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Lernen in / mit Lernmanagementsystemen Fallstudie (rM – rA – SQL) Marco Lübcke; Andreas gr. Austing; Christiane Wulf; Anwendungsziele Selbststudium oder als Szenario PG Semantische Retrieval von Lehr-/Lernmaterialien Bearbeitung der Materialien zum relationalen Modell, zur relationalen Algebra und zu SQL (DDL / DMLAusschnitt) Multiple-Choice-Tests zur Erfolgskontrolle Vorbereitung bzw. Ergänzung von Präsenzangeboten. Nutzung zumeist einfacher Lehr-/Lernmaterialien möglich, die oft aus Materialien der Präsenzlehre abgeleitet sind. Einleitung Relationales Modell (rM) [...] Relationale Algebra (rA) [...] Erhebung SQL DDL / DML (SQL) 31 Bearbeitungen 15 (48.4%) nicht-erfolgreiche Bearbeitungen, d.h. > 25% Fehler in Erfolgskontrolle 16 (51.6%) erfolgreiche Bearbeitungen, d.h. ≤ 25% Fehler in Erfolgskontrolle Hier: Selbststudium der Materialien zum Modul Informationssysteme I [...] Kandidaten / Aufzeichnung Schüler, Studierende, Mitarbeiter Fokussierung der Grundlagen relationales Modell, relationale Algebra und SQLAusschnitt Data Mining EA-MOLE Gesamtaufzeichnung 25 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] DistLearn DistLearn Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Klassifikation Einleitung Relationales Modell [...] Relationale Algebra [...] SQL DDL / DML [...] Prädiktion 100 90 80 70 60 50 40 30 20 10 0 100 90 80 70 60 50 40 30 20 10 0 Güte auf Trainingsdatensatz (25 Bearbeitungen; T=3 γ-Individuen) 100 90 80 70 60 50 40 30 20 10 0 Einleitung Relationales Modell [...] Relationale Algebra [...] 12 84 92 4 Korrekt T-Korrekt Fehler (K1) 0 8 SQL DDL / DML [...] Fehler (K2) T-Fehler (K1) T-Fehler (K2) Güte auf Testdatensatz (6 Bearbeitungen; T=3 γ-Individuen) 83 100 0 Korrekt T-Korrekt Fehler (K1) 17 0 100 90 80 70 60 50 40 30 20 10 0 0 Fehler (K2) T-Fehler (K1) T-Fehler (K2) 100 90 80 70 60 50 40 30 20 10 0 Anmerkungen zu γ-Individuen 26 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Wechsel der Aufenthaltsorte (Frequenz) spielt eine große Rolle Fidget-, Hotspot- und Range-Sensoren prägen die γ-Individuen Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 27 Anwendung von Einzelindividuen pro Abschnitt 72 rM 72 rA 80 SQL 100 90 80 70 60 50 40 30 20 10 0 Anwendung von Einzelindividuen auf Bearbeitungen 72 rM 76 rM rA 84 rM rA SQL Anwendung von Teams (3 γ-Individuen) auf Bearbeitungen 84 rM 84 rM rA 92 rM rA SQL Anwendung von Teams (3 γ-Individuen) pro Abschnitt Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 84 rM 76 rA 88 SQL 28 VirtLearn VirtLearn Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Lernen in virtuellen Lernumgebungen Fallstudie (Restriktionsexperiment) Marco Lindner; Marco Lübcke; Christiane Wulf; Volker Cordes Anwendungsziele Selbststudium oder als Szenario Befüllen von drei Reaktionsgefäßen mit Hilfe einer Pipette – entsprechend der Vorgaben des Experiments. Verschließen der Reaktionsgefäße und Schütteln mit Vortex. Reaktionsgefäße für bestimmte Zeit auf 37° erwärmen. Stopp-Mix mit einer Pipette hinzufügen. Vorbereitung bzw. Ergänzung von Präsenzangeboten. Virtuelle Abbilder realer Systeme, wie z.B. Labore, Experimentaufbauten, Leitstände und Steuerpulte etc. Erhebung 37 Bearbeitungen Unterscheidung von 3 Klassen 14 (37.8%) nicht-erfolgreiche Exp. 11 (29.7%) solide Exp. 12 (32.4%) erfolgreiche Exp. Kandidaten / Aufzeichnung Schüler, Studierende, Mitarbeiter Hier: Selbststudium der Experimente in GenLab Data Mining EA-MOLE Restriktionsexperiment Gesamtaufzeichnung 29 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] VirtLearn VirtLearn Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Klassifikation Prädiktion 100 90 80 70 60 50 40 30 20 10 0 100 90 80 70 60 50 40 30 20 10 0 Güte auf Trainingsdatensatz (29 Bearbeitungen; T=3 γ-Individuen) 93 97 Korrekt T-Korrekt 7 Fehler (K1) 0 3 100 90 80 70 60 50 40 30 20 10 0 0 Fehler (K2) T-Fehler (K1) T-Fehler (K2) Güte auf Testdatensatz (8 Bearbeitungen; T=3 γ-Individuen) 100 100 0 Korrekt T-Korrekt Fehler (K1) 0 0 100 90 80 70 60 50 40 30 20 10 0 0 Fehler (K2) T-Fehler (K1) T-Fehler (K2) 100 90 80 70 60 50 40 30 20 10 0 Anmerkungen zu γ-Individuen 30 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Mausaktivitäten (zeitlich / räumlich) spielen eine große Rolle Nutzungsweise des Heizblocks ist ein auffälliges Merkmal Hotspot- und Range-Sensoren prägen die γ-Individuen Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 31 Anwendung von Einzelindividuen pro Abschnitt 85 1/3 93 2/3 100 90 80 70 60 50 40 30 20 10 0 Anwendung von Einzelindividuen auf Bearbeitungen 85 1/3 93 2/3 Anwendung von Teams (3 γ-Individuen) auf Bearbeitungen 93 1/3 97 2/3 Anwendung von Teams (3 γ-Individuen) pro Abschnitt Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 93 1/3 93 2/3 32 FliDA / TogTrain FliDA / TogTrain Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Fallstudie (HH-Finkenwerder HH-Fuhlsbüttel) Lernen in virtueller Realität Luft- und Raumfahrt Nautik erdgebundene Verkehrs- / Transportsysteme Medizin etc. Erhebung durchgeführt von Dipl.-Psych. Carola Lübbenjans (LFT/Bremen) Szenario 1350 – 1500ft Start der Maschine in EDHI Steigen auf 1000ft (runway-heading) Rechtskurve Steigen auf 3000ft Vorgeschriebener Landeanflug Landen in EDDH Hier: Verhaltensdiagnose in der Pilotenausbildung Ursprüngliche Zielsetzung (Nutzung von PCATD) inzwischen erweitert 200 – 275ft Erhebung Datenschnittstellen zu unterschiedlichen Klassen von Trainingsgeräten und Flugsimulatoren (Elite und CAE). Analyse von Daten aus Realflugsituationen als expliziter Arbeitsgegenstand (mit Boeing – 2004). 250 Flüge 133 (53.2%) nicht-erfolgreiche Flüge 117 (46.8%) erfolgreiche Flüge Kandidaten / Aufzeichnung Piloten, Flugschüler, Studierende 92 Attribute 40 Hz Data Mining EA-MOLE 57 Attribute m-Abschnitte 33 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] FliDA / TogTrain FliDA / TogTrain Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Klassifikation Prädiktion 100 90 80 70 60 50 40 30 20 10 0 100 90 80 70 60 50 40 30 20 10 0 Güte auf Trainingsdatensatz (200 Flüge; T=3 γ-Individuen) 92 96 Korrekt T-Korrekt 2 6 1 100 90 80 70 60 50 40 30 20 10 0 3 Fehler (K1) Fehler (K2) T-Fehler (K1) T-Fehler (K2) Güte auf Testdatensatz (50 Flüge; T=3 γ-Individuen) 91 96 3 Korrekt T-Korrekt Fehler (K1) 6 3 100 90 80 70 60 50 40 30 20 10 0 1 Fehler (K2) T-Fehler (K1) T-Fehler (K2) 100 90 80 70 60 50 40 30 20 10 0 Anmerkungen zu γ-Individuen 34 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Nutzung der Basis-Bedienelemente (insbesondere Ruder) und Airspeed spielen eine große Rolle. Fidget- und Noise-Sensoren wie auch der Wavelet-Filter prägen die γ-Individuen. Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 35 Anwendung von Einzelindividuen pro Abschnitt 65 a 67 b 78 c 79 d 69 e 92 m 100 90 80 70 60 50 40 30 20 10 0 Anwendung von Einzelindividuen auf Strecke 65 a 72 ab 84 abc 91 abcd 92 abcde 94 abcdem Anwendung von Teams (3 γ-Individuen) auf Strecke 66 a 74 ab 87 abc 93 abcd 95 abcde 96 abcdem Anwendung von Teams (3 γ-Individuen) pro Abschnitt 66 a Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 71 b 82 c 80 d 70 e 96 m 36 Ærogator FliDA / TogTrain FliDA / TogTrain – LFT-IS Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Einzelfallbetrachtung Ærogator 1 16 0,07 0,06 2 15 3 0,05 0,04 14 4 0,03 0,02 13 0,01 5 0 -0,01 trainee 12 6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 0,059 0,0025 0,053 0,001 0,013 0,001 0,001 0,012 0,006 0,018 0,001 0,003 0,001 0,0175 0,001 0,001 11 best practice 0,051 0,001 0,052 0,001 0,011 0,001 0,002 0,015 0,005 0,018 0,001 0,001 0,001 0,017 0,001 0,001 diff 0,008 0,0015 0,001 0 0,002 0 -0,001 -0,003 0,001 0 0 0,002 0 0,0005 0 0 7 10 8 9 Kriterienauswertung über Zeit (Einzel- und Gesamtbetrachtung) 1 0,009 2 3 4 0,008 0,007 5 6 7 8 0,006 0,005 9 0,004 10 11 12 0,003 0,000 0,008 0,001 0,0037 0,002 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 13 14 15 Wolfgang Meyer; Rolf Strenge; Katrin Dust; Grischa Heinecke; Daniel Rauer u.a. 16 (t) 24 25 26 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 37 Ærogator 38 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] WebSMS FliDA / TogTrain – LFT-IS FliDA / TogTrain – LFT-IS Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Ærogator WebSMS Flexibler Zugriff (insbesondere) auf Schülerdaten per Web-Interface Erhebung von Leistungsdaten (bspw. Grade-Reports und Flight-Logs) Auswertung / Kommentierung der Leistungsentwicklung – Reporting Schüler-Monitoring zur Optimierung der Betreuungssituation Christiane Wulf; Dirk Beckmann; Matthias Postina; Sven Brill; Hilbo Hoting; Julia Heinbockel; u.a. Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 39 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 40 WebSMS Gesamt FliDA / TogTrain – LFT-IS FliDA / TogTrain – LFT-IS Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick WebSMS Lerner-Monitoring / Lehrgangsplanung / Materialmanagement WebSMS Ærogator LMS (Stud.IP) Planung Theorie LFT-IS LFT-DW WebPLAN Systemintegration 41 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Gesamt FliDA / TogTrain – LFT-IS Client Fazit ClientSchicht Client EA-MOLE Ærogator Applikationsschicht Datenintegration WebSMS WebPlan 42 Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Lerner-Monitoring / Lehrgangsplanung / Materialmanagement Client Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Fazit und Ausblick Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Client Planung Praxis und Simulator LMS Für drei unterschiedliche Anwendungen wurden mit EA-MOLE Klassifikatoren bzw. prädiktive Modell (γ-Individuen) von z.T. erstaunlich hoher Güte ermittelt. Gerade im Kontext der LMS-Anwendung und der Anwendung im virtuellen Labor GenLab werden Sensoren genutzt, die auf Annotationen multivariater Zeitreihen zurückgreifen. Die Prozessebene scheint in allen Anwendungsbereichen belastbare Information zu enthalten, welche die Klassifikation / Prädiktion ermöglicht. Die Anwendung von EA-MOLE kann verborgene (lokale / globale) Phänomene auf eine symbolische Ebene heben. Die praktische Integration der γ-Individuen in Assistenzsysteme für Lerner und Lehrer im eLearning ist nächster Schritt. Gerade eLearning-Metadaten bieten weitere Stützstellen für Assistenz. DB-API Ausblick (Fokus auf EA-MOLE) externe Datenquellen Zentrale Datenhaltung Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] Data Warehouse lokale Datenhaltung Datenschicht 43 Prüfung der γ-Individuen in weiteren Anwendungen / Anwendungsgebieten. Entwicklung „Smarter“ γ-Individuen bzw. Prädiktoren, Sensoren und Filter. Zielführung im Data-Mining-Kern von EA-MOLE ( Ameisenalgorithmen). Analyse heterogener Datenströme. Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 44 Rückblick Diskussion – Fragen – Anregungen Motivation - Zielsetzung / Methodik - Exploration von Daten - EA-MOLE - Agenten zur Koordination / zum Feedback - Anwendungen (DistLearn - VirtLearn - FliDA/TogTrain) - Fazit und Ausblick Motivation eLearning / selbstorganisiertes Lernen / Lerner-Isolation Kompensationsmöglichkeiten / Forschungsbedarf Diagnose Zielsetzung / Methodik Exploration von Daten Explorative Datenanalyse Knowledge Discovery in Databases und Data Mining EA-MOLE Data-Mining-Kern und Tools Verteilung / Parallelisierung Agenten zur Koordination / zum Feedback Anwendungen DistLearn und VirtLearn FliDA / TogTrain Fazit und Ausblick Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 45 Dr. Frank Köster · Department für Informatik · Carl von Ossietzky Universität Oldenburg · [email protected] 46
