Humboldt-Universität Humboldt-Universität zu Berlinzu Berlin

Institut für InformatikInstitut für InformatikDidaktik der Informatik / Didaktik der Informatik / Informatik und GesellschaftInformatik und Gesellschaft

Seminar „Educational Data Mining“Seminar „Educational Data Mining“

Organisatorisches

• Ort: RUD25, R. 3.113

• Zeit: Dienstags, 9:15 – 10:45 Uhr

• Bedingungen für Leistungsnachweis:• 30min. Vortrag + 15min. Diskussion

• Teilnahme an den Vorträgen ihrer Kommilitonen

• aktive Teilnahme an den Diskussionen

• schriftliche Ausarbeitung(ca. 10 Seiten mit Literaturverzeichnis)

• Webseite/weitere Informationen:• http://cses.informatik.hu-berlin.de/

• For Students -> Teaching -> SS2014 -> Educational Data Mining

• Abschlussarbeiten im Bereich intelligente Lernsysteme

Seminartermine – Ablauf (1)

KW16 (15.04.): Einführung, Themenvorstellung

KW17 (22.04.): frei (finale Themenvergabe)

KW18 (29.04.): frei

KW19 (06.05.): Vorträge 1 und 2

KW20 (13.05.): Vorträge 3 und 4

KW21 (20.05.): Vorträge 5 und 6

KW22 (27.05.): Vorträge 7 und 8

Seminartermine – Ablauf (2)

KW23 (03.06.): Vorträge 9 und 10

KW24 (10.06.): Vorträge 11 und 12

KW25 (17.06.): Vorträge 13 und 14

KW26 (24.06.): Vorträge 15 und 16

KW27 (01.07.): Vorträge 17 und 18

KW28 (08.07.): Vorträge 19 und 20

KW29 (15.07.): Puffer

…

KW40 (30.09.): Abgabe schriftliche Ausarbeitung

Introduction to EDM

• What is Educational Data Mining (EDM)?

Methods in EDM

• Prediction • Clustering• Relationship mining• Discovery with models• Distillation of data for human judgment

Ryan Baker

Who covered in EDM

• Students/learners

• Teachers/instructors

• Administrators/policy makers

What can EDM help them?

• Students/learners

Hint generation (Barnes, T. et.al 2008)

Personalized courseware recommendation (Chen, C. et al. 2004)

Recommend learning partners (Huang, Jeff JS et al. 2010)

…

What can EDM help them?

• Teachers/instructors

Detect gaming system (Ryan Baker)

Predict motivation level (Mihaela Cocea et al. 2006)

Assess learners’ performance (Chih-Ming Chen et al. 2009)

…

What can EDM help them?

• Administrators/policy makers

The impact of curriculum revisions (Becker, K. et al. 2000)

Course Planning of extension education (Hsia, T. et al. 2008)

Select students for remedial classes (Ma, Y. et al. 2000)

…

Themenbereiche

Theoretische Grundlagen

•Mathematische Modelle und Ansätze•Data Mining Techniken•Künstliche Intelligenz

Educational Data Mining in Intelligent

Tutoring Systems

•Übersicht über intelligente/adaptive Lernsysteme•Psychologische, lerntheoretische und didaktische Grundlagen•Zusammenhänge zwischen EDM und ITS

Learning Analytics imE-Learning

•Methoden und Ansätze•Technologien und Anwendungen•Zukünftige Entwicklungen

Themen „Theoretische Grundlagen“ (1)

• Einführung in Educational Data Mining und Learning Analytics (Thema für 2 Studenten)• Was ist Educational Data Mining?• Was ist Learning Analytics?• Worin unterscheiden sie sich und wo liegen Gemeinsamkeiten?• Was sind typische Data Mining Techniken und was sind ihre

Hauptziele?• Wo und wie lassen sich diese Techniken lernförderlich einsetzen?

• Prediction• Was bedeutet Prediction im Educational Data Mining und wie

funktioniert es?• Was sind die gebräuchlichsten Modelle, um Vorhersagen zu machen?• Wie und wo werden diese Modelle im Educational Data Mining

eingesetzt?• Wo liegen deren Grenzen?

Themen „Theoretische Grundlagen“ (2)

• Clustering• Was ist Clustering und wie funktioniert es?• Warum clustert man Daten im Educational Data Mining?• Was ist Spectral Clustering und wofür wird es benötigt?• Was ist Model-based Clustering?• Was sind Nachteile des K-Means Clusterings?• Gibt es noch weitere Clusteringverfahren und wofür können sie im

Educational Data Mining eingesetzt werden?

• Relationship Mining• Was ist Relationship Mining und was sind die gebräuchslichsten

Methoden?• Was ist Sequential Pattern Mining, wie funktioniert es und wo wird es

eingesetzt?• Was sind Unterschiede zwischen Causal Data Mining und Association

Rule Mining?

Themen „Theoretische Grundlagen“ (3)

• Social Network Analysis• Was sind Herausforderungen von Social Network Analysis Methoden

im Educational Data Mining?• Was sind Ziele der Social Network Analysis und wie werden diese

erreicht?

• Swarm Intelligence• Was versteht man unter Swarm Intelligence?• Was sind typische Algorithmen und Anwendungen im

Zusammenhang mit menschlichem Lernen?• Was sind Vor- und Nachteile von Swarm Intelligence?

• Analyse von Student/Student- bzw. Student/Tutor-Interaktionen• Wie können (computergestützte) Interaktionen zwischen

Lernern/Lehrenden identifiziert werden?• Wie können solche Analysen zu besserem Verständnis und zu

Verbesserungen im Lernen führen?

Themen „Educational Data Mining in Intelligent Tutoring Systems“ (1)

• Einführung in Intelligent Tutoring Systems und Student Modeling (Thema für 3 Studenten)• Was sind Intelligent Tutoring Systems und zu welchem Zweck

wurden und werden sie entwickelt?• Was sind Ziele und Herausforderungen in ITSs?• Was sind typische Komponenten solcher Systeme?• Was bedeutet Student Modeling und wofür ist es wichtig?• Auf welchen Theorien bauen ITSs auf?• Was sind Authoring Tools für ITSs, wie funktionieren sie und welche

gibt es?

• Cognitive Tutors• Was sind Cognitive Tutors und wie funktionieren sie?• Auf welcher Lerntheorie basieren diese Tutoren welchen Ansatz

verfolgen sie? • Wie bzw. wo kann Educational Data Mining in Cognitive Tutors

eingesetzt werden?

Themen „Educational Data Mining in Intelligent Tutoring Systems“ (2)

• Constraint-based Tutors• Was sind Herausforderungen von Social Network Analysis Methoden

im Educational Data Mining?• Was sind Ziele der Social Network Analysis und wie werden diese

erreicht?

• Dialogue-based Tutors• Was sind Dialogue-based Tutors und wie funktionieren sie?• Was sind die grundlegendenden Prinzipien des Natural Language

Processing?• Wie kann Educational Data Mining helfen, solche Systeme zu

verbessern?

Themen „Educational Data Mining in Intelligent Tutoring Systems“ (3)

• Affective Intelligent Tutoring System• Was sind Affective ITS?• Welche Affective States exisitieren und wie können sie das Lernen

beeinflussen?• Wie können Affective States erkannt und im Lernen berücksichtigt

werden?

• Misuse of Intelligent Tutoring Systems• Was bedeutet unsachgemäßer Gebrauch von Lernsystemen?• Welche Auswirkungen hat dieser aufs Lernen?• Wie kann dieser erkannt werden?• Wie kann Missbrauch vermieden bzw. unterbunden werden?

Themen „Learning Analytics im E-Learning“ (1)

• Visualization• Wie können Lernerdaten mithilfe von Learning Analytics aufbereitet

und visualisiert werden?• Welchen Nutzen haben solche Visualisierungen?• Wo finden sie Anwendung?

• Recommendation• Wie können Empfehlungen beim Lernen helfen?• Wie kann Learning Analytics dazu beitragen, Empfehlungen für

Lehrer bzw. Lernende generieren?• Wo werden solche Empfehlungen zur Unterstützung von

Lernprozessen eingesetzt?

• Assessment• Wie können technische Systeme eingesetzt werden, um die

Beurteilung von Lernenden bzw. ihrer Aktivitäten zu unterstützen?• Welche Rolle spielt Learning Analytics in diesem Zusammenhang?• Wo werden solche Systeme eingesetzt?

Themen „Learning Analytics im E-Learning“ (2)

• Big Data• Was versteht man unter Big Data im Zusammenhang mit Lernen?• Woher kommen große Datenansammlungen?• Wie verändern große Datenmengen den Einsatz von Learning

Analytics im E-Learning?

• Social Learning Analytics• Was ist Social Learning Analytics?• Wo kann es eingesetzt werden?• Wie kann es Lernen in sozialen Netzwerken ermöglichen bzw.

unterstützen?

• Massive Open Online Courses (MOOCs)• Was sind MOOCs und wie funktionieren sie?• Wo gibt es Ansatzpunkte für Learning Analytics in MOOCs?• Wie kann Learning Analytics die Durchführung von MOOCs

unterstützen?

Fragenoder

Anmerkungen?