04-001-DE Die Zukunft des Lernens

Unterstützung zu bieten, die auf ihre individuellen Bedürfnisse und Fähigkeiten zugeschnitten ist. _______________ Walkington, C., Woods, D., Shelton, A., & Nathan, M. J. (2017). Designing adaptive feedback for conceptual mathematical problem-solving. In Proceedings of the 39th Annual Conference of the Cognitive Science Society (pp. 1290-1295). Using learning analytics to predict students' performance in moodle courses. In dieser Studie untersuchten Tlili et al. den Einsatz von Lernanalytik, um die Leistung von Schülern in Moodle-Kursen vorherzusagen. Die Autoren nutzten maschinelles Lernen und Data-Mining-Techniken, um Muster in den Lernaktivitäten und - interaktionen der Schüler zu identifizieren und diese Informationen zur Vorhersage ihrer akademischen Leistung zu verwenden. Die Studie verwendete Daten von Schülern, die an Moodle-basierten Online-Kursen teilnahmen, und sammelte verschiedene Arten von Informationen, wie z. B. die Anzahl der Zugri ff e auf Lernressourcen, die Zeit, die für die Bearbeitung von Aufgaben aufgewendet wurde, und die Ergebnisse von Tests und Übungen. Die Autoren entwickelten ein Vorhersagemodell, das auf diesen Daten basiert, und evaluierten dessen Genauigkeit bei der Vorhersage der Schülerleistung. Die Ergebnisse zeigten, dass das Modell in der Lage war, die Leistung der Schüler mit einer hohen Genauigkeit vorherzusagen und somit frühzeitig Schüler mit potenziellen Lernschwierigkeiten zu identifizieren. Die Studie zeigt die Möglichkeiten von KI-gestützter Lernanalytik bei der Identifikation und Unterstützung von Schülern mit Lernschwierigkeiten. Durch die Nutzung von maschinellem Lernen und Data-Mining können solche Systeme dazu beitragen, frühzeitig Schüler mit Lernschwierigkeiten zu erkennen und gezielte Interventionen anzubieten, um ihre Lernleistung zu verbessern. _______________

© neuromedia24