DABALUGA
Projektdaten:
DABALUGA – Datenbasierte Lernunterstützungsassistent*in
Laufzeit: 08/2021-07/2024
Förderung: ca. 638.000 EUR aus Ausschreibung "FBM2020"
und ca. 25.000 EUR aus Projekterweiterung "FBM2020 plus"
Geldgeber: Stiftung Innovation in der Hochschullehre
Antragsteller: Universität Bayreuth
Projektbeschreibung
Das Projektvorhaben DABALUGA zielt darauf ab, den individuellen Studienprozess durch „digitale Mentoren“ besser zu begleiten und damit auf eine Verringerung der Studienabbruchwahrscheinlichkeit hinzuwirken. Seit 2014 organisiert die Universität Bayreuth den Student Life Cycle mit einem innovativen, datenbasierten Campus-Management-System (CMS) mit vielen implementierten Schnittstellen. Die heute im regulären Studium im CMS und Lernmanagementsystem erhobenen studienbezogenen Daten können nach Analyse und Auswertung bessere Einblicke in Lehr- und Lernprozesse geben. Diese sollen in geeigneten Clustern datenschutzkonform ausgewertet werden. Die Studierenden sollen gezielte auf freiwillige Betreuungs- und Unterstützungsleistung hingewiesen werden. Die Lehre soll zeitnah auf Schwierigkeiten und Bedürfnisse der Studierenden eingehen. Damit trägt die datenbasierte Lernunterstützungsassistent*in bei zur Verbesserung der Qualität der Hochschullehre.
Projektteam
DABALUGA - Kurzvideo
| DABALUGA - Kurzvideo (auf youtube) |
| Web-Zugang zu SCRIT-Info-Kanälen der Fakultäten und Einrichtungen sowie Chats |
| SCRIT – die im DABALUGA-Projekt eingesetzte Messenger-App der Uni Bayreuth |
Wir brauchen Ihr Einverständnis
Um aktuelle Videos, Karten oder Fremdinhalte der UNI Bayreuth einbinden zu können, nutzen wir die Services von Drittanbietern. Diese sammeln unter Umständen Daten zu Ihren Aktivitäten. Unter dem Punkt "Mehr Informationen" finden Sie weitere Details.Projekterweiterung FBM2020 plus: "DABALUGA-PSY"
Fokus der Vertiefung ist die Entwicklung eines Ursache-Wirkungsmodells zur Vorhersage der Studienabbruchwahrschein-lichkeit im Rahmen des Projekts DABALUGA. Auf dieser Basis dieses Modells können Empfehlungen für die Aufnahme weiterer Variablen in die im Rahmen von DABALUGA entwickelte datengestützte digitale Assistent:in zur Studienbegleitung erarbeitet bzw. erkundet werden. Der Fokus liegt dabei insbesondere auf den psychologischen Wirkfaktoren. Ziel des Pro-jekts ist eine Zusammenstellung zusätzlicher (psychologischer) Variablen, die im universitären Kontext unter Be-achtung des Datenschutzes mit geringem Aufwand erhoben und in die Algorithmen der im Projekt DABALUGA entwickelten digitalen Mentorin einbezogen werden können.
Weiterführende Informationen
- (1) Ausrichtung der Lern-Situation der Studierenden in ausgewählten Lehrveranstaltungen am Constructive Alignment (CA)Einklappen
-
Bei der Konzeption einer Veranstaltung im Sinne des Constructive Alignment gehen Lehrende von den später erforderlichen Kompetenzen und Prüfungsanforderungen aus (statt von Lehrinhalten). Ein Grund dafür ist, dass Studierende ihre Lernanstrengungen an den Prüfungsanforderungen orientieren. Bei der Planung der Lehre werden Lernziele, Lehr- und Lernmethoden sowie die Prüfungsform(en) aufeinander abgestimmt (siehe Leibniz-Institut für Wissensmedien).
Dabei werden folgende Fragen gestellt (ibid):
- Welche Learning-Outcomes, Lernziele bzw. Kompetenzen werden in einem Studiengang erwartet?
- Welche Prüfungsformen fragen die Lernziele und Kompetenzen dieser Lehrveranstaltung ab?
- Welche Lehr- und Lernmethoden sowie Lernaktivitäten ermöglichen den Aufbau dieser Kompetenzen?
Das Lehren/Lernen in den beiden ausgewählten Veranstaltungen an der Univerisität Bayreuth wird bei der Neugestaltung gezielt, kumulativ entlang des Kompetenzaufbaus strukturiert und die Lehrveranstaltungen entsprechend aufgebaut (u.a. indem bei Aufgabenstellungen Operatoren genutzt werden, die ebenfalls in der Prüfung genutzt werden).
- (2) Einordnung der Studierenden datenschutzkonform hinsichtlich der Studienabbruchgefahr mittels Learning Analytics (LA) Einklappen
-
Mittels Learning Analytics (LA) werden Studien- und Lerndaten der Studierenden zusammengeführt, ausgewertet und eingeordnet, "um Lernfortschritte zu messen, zukünftige Leistungen vorauszuberechnen und potenzielle Problembereiche aufzudecken” (Horizon Report 2012).
Künstliche Intelligenz (KI) soll eingesetzt werden, um automatisiert Rückmeldungen zum Studium und Hinweise auf Unterstützungsangebote auch in Großveranstaltungen geben zu können. Das erfordert eine Transformation bei der Planung von Studium und Lehre sowie Ethik und Transparenz beim Einsatz von KI (siehe Whitepaper KI in der Hochschulbildung).
Das ist an der Universität Bayreuth möglich, weil seit 2014 ein Student Life Cycle erfasst wird. Zudem werden im Lernmanagementsystem (Moodle/Elearning) Quizze, Zwischentests und Badges eingebaut, damit schon während des laufenden Semesters individualisierte Rückmeldungen über den Lernstand gegeben werden können.
- (3) Information der Studierenden über deren Lernstand und Unterstützungsangebote mittels „digitaler Mentorin“Einklappen
-
Die digitale Lernunterstützungsassistentin ("digitale Mentorin") soll Studierende auf Unterstützungsmöglichkeiten hinweisen, die diese freiwillig annehmen können (oder auch nicht). Ziel ist es die Wahrscheinlichkeit für einen Abbruch des Studiums oder des Kurses zu verringern und Studierende frühzeitig (im laufenden Semester und damit deutlich vor dem Prüfungstermin) auf Beratungsangebote hinzuweisen.
An der Universität Bayreuth sollen Studierende (in der Pilotphase aus zwei ausgewählten Veranstaltungen) gezielt mit automatisierten, aber individualisierten Nachrichten einer „digitalen Mentorin“ aus dem Lernsystem heraus online angesprochen und erreicht werden, um sie zu weiteren Lernaktivitäten zu motivieren.