Verbundprojekt zur Studienindividualisierung durch digitale, datengestützte Assistenten
Im Rahmen der Förderlinie „Innovationspotentiale digitaler Hochschulbildung“ fördert das Bundesministerium für Bildung und Forschung seit dem 1. November 2018 das Verbundprojekt „Studienindividualisierung durch digitale, datengestützte Assistenten“ (SIDDATA).
Das interdisziplinäre SIDDATA-Projekt untersucht, wie Studierende bei der Erreichung individueller Bildungsziele unterstützt werden können. Dazu werden bislang unverknüpfte Daten und Informationen in einem digitalen Studienassistenten zusammengeführt und für die eigenverantwortliche Nutzung aufbereitet. Studierende können den Assistenten flexibel nutzen und dabei individuell festlegen, welche Faktoren und Datenquellen berücksichtigt werden sollen. Zu den verwendbaren Daten zählen Daten aus Lernmanagementsystemen, Angebote und Ressourcen anderer Hochschulen und Institutionen und Daten zum individuellen Lern- und Arbeitsverhalten.
Mit der Nutzung des Assistenten sollen Studierende ermutigt werden, eigene Bildungsziele zu definieren und konsequent zu verfolgen. Die datengestützte Umgebung soll damit künftig in der Lage sein, situationsadäquat Hinweise, Erinnerungen und Empfehlungen zu geben und dabei lokale als auch extern angebotene Lehrveranstaltungen und Open Educational Resources (OER) miteinzubeziehen. Diese Hinweise und Empfehlungen sollen Studierenden helfen, informierte Entscheidungen für den eigenen individuellen Bildungsweg zu treffen.
Interdisziplinäre Forschung
In dem Verbundprojekt werden an den Standorten sowohl Methoden der Hochschulforschung, der Kognitionswissenschaft, der Wirtschaftsinformatik, als auch der Softwareentwicklung eingesetzt. Dieser interdisziplinäre Ansatz ermöglicht es, den digitalen Studienassistenten in einem Modellversuch mit mehreren Hochschulen zu erproben und mit dem Ziel zu evaluieren, übertragbare Gelingensbedingungen, also kritische Erfolgsfaktoren und Barrieren, zu identifizieren.
Hochschulforschung
- Messung der Wirksamkeit des Studienassistenten im Hinblick auf die zentralen Projektziele
- Multimethodenansatz mit quantitativen und qualitativen Verfahren
- Erhebung studentischer Anforderungen an den persönlichen digitalen Studienassistenten durch quantitative Online-Befragungen
- Leitfadengestützte Interviews mit studentischen Nutzerinnen und Nutzern
- Evaluation zur Korrektur laufender Maßnahmen
Kognitionswissenschaft
- Analyse und Verarbeitung halb-strukturierter Daten aus Learning Management Systemen
- Analyse und Verarbeitung halb-strukturierter Daten aus Campus-Management-Systemen
- Anwendung von Techniken der Künstlichen Intelligenz, insbesondere des Maschinellen Lernens
- Erfassung von Aufmerksamkeitsprozessen im Hinblick auf Selbstregulations- und Self-Monitoringprozesse
Wirtschaftsinformatik
- Empirische Erhebung von Erfolgs- und Misserfolgsfaktoren bei der Einführung und Nutzung des Assistenten
- Quantitative Bestimmung des wahrgenommenen Nutzens und der wahrgenommenen Einfachheit der Systemnutzung
- Entwicklung von Sollprozessen für die Zusammenarbeit unter Einsatz der Methoden und Techniken des Geschäftsprozessmanagements
- Entwicklung von Datenmodellen und Schnittstellen zur Datengewinnung aus Lernmanagement- und Campus-Management-Systemen
Softwareentwicklung
- Entwicklung schnell einzusetzender Prototypen
- Anwendung von hybriden IT-Projektmanagement-Modellen
- Management der Software-Qualität
Forschungsfragen
Didaktische und pädagogisch-psychologische Gelingensbedingungen
- F1.1: Kann die Fähigkeit zum eigenaktiven Studieren durch die Nutzung des Assistenten gestärkt werden?
- F1.2: Wie kann eine hohe tatsächliche Nutzung erreicht werden?
- F1.3: Wie können Nutzende erfolgreich für den informierten Umgang mit eigenen Daten sensibilisiert werden?
Organisatorische Gelingensbedingungen
- F2.1: Wie können intraorganisationale Daten verfügbar und zugänglich gemacht werden?
- F2.2: Wie können Lehrangebote und interorganisationale Daten ausgetauscht werden?
Technische Gelingensbedingungen
- F3.1: Welche technischen Rahmenbedingungen sind für die Integration von Daten verschiedener Systeme notwendig?
- F3.2: Wie können Aufmerksamkeitsprozesse analysiert werden?
- F3.3: Wie können heterogene Daten auf individuelle Studienziele bezogen werden?