@phdthesis{Rebholz2020, author = {Sandra Rebholz}, title = {Anwendung und Evaluation von semi-automatischem Assessment und Learning Analytics als Hilfsmittel zur prozessorientierten Lernunterst{\"u}tzung}, url = {https://nbn-resolving.org/urn:nbn:de:bsz:747-opus4-3184}, pages = {367}, year = {2020}, abstract = {Technologiegest{\"u}tztes Lernen spielt auf allen Ebenen des Bildungswesens eine immer gr{\"o}{\"s}ere Rolle. Der Einsatz von computergest{\"u}tzten Lernumgebungen und der durch ihre Nutzung entstehenden Daten er{\"o}ffnen vielf{\"a}ltige M{\"o}glichkeiten, um Lernangebote durch Personalisierung und individualisiertes Feedback auf die Bed{\"u}rfnisse der Lernenden auszurichten. Insbesondere zur Entwicklung von komplexen, prozessbezogenen Kompetenzen sind solche auf den individuellen Lernprozess ausgerichteten Lernumgebungen notwendig. Ziel dieser Arbeit ist es herauszufinden, nach welchen Gestaltungsprinzipien eine computergest{\"u}tzte Lernumgebung aufgebaut sein muss, um Studierende bei der Bearbeitung von prozessbezogenen Lernaufgaben individuell zu unterst{\"u}tzen und zu f{\"o}rdern. Im Rahmen eines entwicklungsorientierten Forschungsansatzes (Design-Based Research) wurde hierzu ein Architekturmodell entwickelt, das prototypisch umgesetzt und in mehreren iterativen Entwicklungszyklen im Hochschulkontext eingesetzt und evaluiert wurde. Das Architekturmodell umfasst im Wesentlichen zwei Komponenten: Lernprogramme mit semi-automatischem Assessment zur schrittweisen Bearbeitung von prozessbezogenen Lernaufgaben und eine Learning-Analytics-Infrastruktur zur Aufzeichnung und Auswertung der stattgefundenen L{\"o}sungsprozesse. Durch das Zusammenspiel von automatischen und manuellen Analysen auf verschiedenen Ebenen des Architekturmodells, l{\"a}sst sich mit dem vorgeschlagenen System ein umfassender formativer Assessmentprozess in der Hochschullehre umsetzen. Durch den erfolgreichen Einsatz eines prototypisch umgesetzten Lernprogramms mit semi-automatischem Assessment und der Learning-Analytics-Infrastruktur in drei Hochschul-veranstaltungen konnte die Praktikabilit{\"a}t und die Umsetzbarkeit des vorgeschlagenen Ansatzes gezeigt werden. Eine Befragung der teilnehmenden Studierenden sowie die Auswertung der im Rahmen der Evaluation automatisch aufgezeichneten Lerndaten in Bezug auf die beobachtete Nutzungsh{\"a}ufigkeit des Lernprogramms und die Nutzungsintensit{\"a}t der prozessbezogenen R{\"u}ckmeldungen belegen die Akzeptanz dieses Unterst{\"u}tzungsangebots bei der selbst{\"a}ndigen Aufgabenbearbeitung. Weiterf{\"u}hrende Analysen der Lerndaten zeigten, dass durch statistische Auswertungen der Prozessaufzeichnungen kritische Punkte im L{\"o}sungsprozess erkannt werden k{\"o}nnen. Diese Punkte liefern Hinweise darauf, wann zus{\"a}tzliche Ma{\"s}nahmen ergriffen werden sollten, um den Lernprozess zu unterst{\"u}tzen. Die an der Evaluation beteiligten Lehrenden bewerten den Einsatz von Lernprogrammen mit semi-automatischem Assessment und deren Einbindung in eine Learning-Analytics-Infrastruktur vorteilhaft und sehen sowohl in den Lernprogrammen als auch in den Auswertungen der aufgezeichneten Lerndaten einen didaktischen Mehrwert. Mit der {\"U}bertragung des vorgeschlagenen Modells auf ein weiteres Anwendungsgebiet wurde gezeigt, dass sich das Modell als allgemeing{\"u}ltiger Ansatz f{\"u}r die prozessorientierte Lernunterst{\"u}tzung im Hochschulkontext eignet. Insgesamt wird mit dem vorgeschlagenen Modell aufgezeigt, wie eine innovative Lernumgebung und –infrastruktur aussehen kann, in der computergest{\"u}tztes Assessment, Methoden aus dem Bereich Learning Analytics und menschliche Expertise kombiniert werden, um Studierende individuell und prozessorientiert zu unterst{\"u}tzen.}, language = {de} }