• Freie Lernmaterialien und Lerndatenanalysen für Mathematik in der Studieneingangsphase. Wähle eine Version um das Training zu starten. Nähere Informationen für (angehende) Studierende, Lehrende, Entwickler:innen und Forschende: siehe unten.

      KLAUS
      MathMagician
      Moodle Standard

      Für (angehende) Studierende

      Wählen Sie oben Ihre favorisierte Version und starten Sie mit der Bearbeitung der Aufgaben. Jede Version enthält die gleichen Aufgaben und es wird Ihnen Feedback zu Ihrem Antwortverhalten gegeben. Wenn Sie sich durch die Themen arbeiten und auf das Feedback reagieren, können Sie so Ihr mathematisches Wissen auffrischen und etwaige Lücken nach und nach schließen.

      Für Lehrende

      Die angebotenen Lernmaterialien und Analysemethoden stehen Open Source zur Verfügung und können beliebig kopiert und verändert werden. Sie können zum Beispiel in Ihr Lernmanagementsystem übertragen werden. Die Installation eines Plugins ist dafür nicht notwendig. Zur Demonstration der Lerndatenanalyse besuchen Sie bitte den mit generierten Nutzerdaten gefüllten Demo-Kurs. Sie werden automatisch mit einer Kursleiter-Berechtigung ausgestattet, die es Ihnen erlaubt, hinter die Kulissen zu schauen, sowie Elemente herunterzuladen und zu kopieren.

      Für Entwickler:innen

      Das fehleradaptive Feedback in den Lernmaterialien wird mithilfe des Plugins STACK bereitgestellt. Das dadurch enstehende Aufgabenset (Moodle Standard Version) wird sodann mithilfe von Javascript durch grafische Elemente, instantanes Feedback und Gamification-Elementen angereichert. Die Lerndatenanalyse basiert ebenfalls auf Javascript, weshalb es ausgeführt werden kann, ohne dass zuvor ein Plugin installiert werden muss. Das Javascript lädt im Hintergrund Seiten aus dem Lernmanagementsystem und extrahiert Informationen wie Zugangszeitpunkte und Antworten. Diese Informationen werden dann anonym verarbeitet, um daraus zum Beispiel ein Dashboard zu erstellen. Im Repositorium des Projekts gibt es dazu weitere Informationen, wie zum Beispiel Schritt-für-Schritt-Anleitungen.

      Für Forschende

      Die Gemeinsamkeiten und Unterschiede in den Versionen, deren Einfluss auf das Verhalten der Studierenden sowie der daraus folgenden Implikationen für digitales mathematisches Lernen in der Studieneingangsphase wurden in den folgenden wissenschaftlichen Beiträgen verarbeitet.

      • Neugebauer, M.; Erlebach, R.; Kaufmann, C.; Mohr, J.; Frochte, J. (2024): Efficient Learning Processes By Design: Analysis of Usage Patterns in Differently Designed Digital Self-Learning Environments. Proceedings of the 16th International Conference on Computer Supported Education. https://doi.org/10.5220/0012558200003693
      • Neugebauer, M., Tousside, B., Frochte, J. (2023). Success Factors for Mathematical E-Learning Exercises Focusing First-Year Students. In: Proceedings of the 15th International Conference on Computer Supported Education (CSEDU). https://doi.org/10.5220/0011858400003470
      • Neugebauer, M, Frochte, J. (2023). Steigerung von Lernerfolg und Motivation durch gamifizierte Mathematik-Aufgaben in Lernmanagementsystemen. In: 21. Fachtagung Bildungstechnologien (DELFI). https://doi.org/10.18420/delfi2023-39

      Die Lerndatenanalyse mittels Javascript wurde im folgenden Artikel erstmals vorgestellt.

      • Neugebauer, M. (2024): Lightweight Learning Analytics Dashboard for Analyzing the Impact of Feedback & Design on Learning in Mathematical E-Learning. Proceedings 18. Workshop Mathematik in ingenieurwissenschaftlichen Studiengängen. Preprint

      Um diese Seite zu nutzen, müssen Sie in unsere Nutzung von Cookies und unsere Datenschutzerklärung einwilligen.

      Bitte akzeptieren Sie die Nutzung von Cookies und willigen in unsere Datenschutzerklärung ein, wenn Sie diese Seite weiter nutzen wollen.

      Zwei Cookies werden auf dieser Seite eingesetzt:

      Das einzig notwendige Cookie heißt MoodleSession. Dieses Cookie muss erlaubt sein, damit Sie in Moodle beim Wechsel von Seite zu Seite angemeldet bleiben. Beim Abmelden oder beim Beenden des Webbrowsers wird das Cookie automatisch gelöscht (im Browser und auf dem Server).

      Das andere Cookie dient der Bequemlichkeit und heißt MoodleID. Dieses Cookie speichert Ihren Anmeldenamen im Webbrowser und bleibt auch nach dem Abmelden erhalten. Beim nächsten Besuch der Website ist Ihr Anmeldename dann bereits für die Anmeldung eingetragen. Dieses Cookie können Sie verbieten, müssen dann aber Ihren Anmeldenamen immer neu eingeben.