Analyse aktueller Data Mining-Techniken im Kontext heutiger Lehr-/Lernumgebungen

Durch den Wandel im Bildungswesen ergibt sich eine Menge neuer Herausforderungen für Hochschulen und Universitäten. Durch die fast unbeschränkte Mobilität der Lernenden, die Bereitschaft sich ständig weiterzubilden und die Forderung der Industrie nach kürzeren Studienzeiten wandeln sich nicht nur die Rahmenbedingungen für ein heutiges Studium, auch die Anforderungen an Lerninhalte unterliegen einem Prozess der Veränderung. So wird im Allgemeinen, aber insbesondere bei der Ausbildung an betrieblichen Anwendungssystemen (wie z.B. ERP-Systemen), eine stärkere Praxisorientierung gefordert. Die Vermittlung von theoretischen Inhalten muss mit der praktischen Arbeit am System einhergehen, damit die Studierenden, als die zukünftigen Anwender, der immer größer werdenden Komplexität der Systeme gewachsen sind. Den Umgang mit diesen Systemen zu erlernen, um diese Systeme später effizient im täglichen Betrieb einzusetzen, sollte das Ziel zukünftiger Entwicklungen in diesem Bereich sein. Um nun diesen neuen Anforderungen an Rahmenbedingungen und Lerninhalten gerecht zu werden, bedarf es unter anderem der Konzeption neuer Lehr- und Lernumgebungen. Doch welche Techniken können dazu verwendet werden, um die Lehre insbesondere im Umfeld von betrieblichen Anwendungssystemen zu verbessern? Wie kann z.B. der Erfolg oder Misserfolg bei der Bearbeitung von Aufgaben oder bei der Durchführung von Arbeitsschritten gemessen werden? Data Mining, als das Erkennen von Mustern aus großen Datenmengen, ist seit vielen Jahren Gegenstand unzähliger wissenschaftlicher Arbeiten. Im Laufe der Zeit hat sich für unterschiedliche Anwendungsbereiche eine Vielzahl von Ausprägungen des Data Mining gebildet. So steht zum Beispiel beim Process Mining die Gewinnung von formalisiertem Prozesswissen aus der Aufzeichnung von Prozessausführungen im Vordergrund. Seit längerem spielen Data Mining-Techniken auch im Umfeld von Lehr-/Lernumgebungen eine immer größer werdende Rolle. In Anlehnung an das Web Mining wird beim Educational Data Mining die Analyse von Datenbeständen aus Lehr-/Lernumgebungen, wie z.B. aus Lernmanagement-Systemen, betrachtet. Diese und weitere Data Mining-Techniken haben sich im Laufe der Jahre herausgebildet, doch werden sie auch in ausreichendem Maße den aktuellen Anforderungen im Umfeld der sich wandelnden Hochschulausbildung gerecht?

Prof. Dr. Jorge Marx Gómez
Dipl.-Inform. Dirk Peters