Kapitel 3
Bildung & Schule
Aktuell sind Empfehlungssysteme im Bildungsbereich in Onlinekursen (sogenannte Massive Open Online Course, kurz MOOC) wie z.B. Coursera zu finden, um unter anderem Interessenten anhand einer Vielzahl (über 1600) von Kursen den richtigen Kurs oder die nächsten Lernschritte zu empfehlen. Aus pädagogischer Sicht verspricht die Nutzung von Empfehlungssystemen den Lernenden nicht nur aus der Menge an Information die “sinnvollste” zu empfehlen, sie erlauben auch die soziale Interaktion in kollaborativen Lernumgebungen zu erhöhen.
Da Empfehlungssysteme im schulischen Feld nur bedingt erprobt wurden, ist es dementsprechend schwer zu sagen, welche Auswirkungen sie sowohl langfristig als auch in der breiten Masse haben.
… Aber
… trotzdem möchten wir gemeinsam erkunden, inwieweit Empfehlungssysteme zum Einsatz kommen können und worauf man sich als zukünftige Lehrkraft vorbereiten kann.
In diesem Kapitel wist du folgende Kompetenzen erwerben:
- Chancen von Empfehlungssysteme im Bildungsbereich angeben
- Bewerten, ob und inwieweit Empfehlungssysteme in der Schule eingesetzt werden sollen
- Ziele von pädagogischen Empfehlungssystmen angeben.
- Unterschiede zwischen Empfehlungssystemen im E-Commerce und pädagogischen Kontext erläutern
- Pädagogische Faktoren für den Einsatz von Empfehlungssystemen in der Schule angeben
- Vorteile von Empfehlungssystemen im pädagogischen Kontext angeben
- Herausforderungen von Empfehlungssystemen im pädagogischen Kontext angeben
Quellenangaben
- „[2021] 1600+ Coursera Courses That Are Still Completely Free — Class Central“, The Report by Class Central, Feb. 16, 2021. https://www.classcentral.com/report/coursera-free-online-courses/ (zugegriffen Aug. 11, 2021).
- A. Khalid, K. Lundqvist, und A. Yates, „Recommender Systems for MOOCs: A Systematic Literature Survey (January 1, 2012 – July 12, 2019)“, IRRODL, Bd. 21, Nr. 4, S. 255–291, Juni 2020, doi: 10.19173/irrodl.v21i4.4643.
- C. Rensing, „Informatik und Bildungstechnologie“, in Handbuch Bildungstechnologie, H. Niegemann und A. Weinberger, Hrsg. Berlin, Heidelberg: Springer Berlin Heidelberg, 2020, S. 585–603. doi: 10.1007/978-3-662-54368-9_49.
- E. de Schipper, R. Feskens, und J. Keuning, „Personalized and Automated Feedback in Summative Assessment Using Recommender Systems“, Frontiers in Education, Bd. 6, S. 77, 2021, doi: 10.3389/feduc.2021.652070.
- H. Drachsler u. a., „Effects of the ISIS Recommender System for Navigation Support in Self-Organised Learning Networks“, Educational Technology & Society, Bd. 12, Nr. 3, S. 115–126, 2009.
- J. Lu, „A personalized e-learning material recommender system“, 2004.
- J. Monsalve und J. Aguilar, „Affective recommender systems in the educational field. A systematic literature review“, Computer Science Review, Bd. 40, Mai 2021, doi: 10.1016/j.cosrev.2021.100377.
- j4p4n, „Fair Labyrinth - Openclipart“, openclipart.org, Nov. 14, 2018. https://openclipart.org/image/150px/310184 (zugegriffen Aug. 14, 2021).
- M. Tkalčič, A. Kosir, und J. Tasic, „Affective recommender systems: The role of emotions in recommender systems“, CEUR Workshop Proceedings, Bd. 811, Jan. 2011.
- S. Garcia-Martinez und A. Hamou-Lhadj, „Educational Recommender Systems: A Pedagogical-Focused Perspective“, in Multimedia Services in Intelligent Environments, Bd. 25, G. A. Tsihrintzis, M. Virvou, und L. C. Jain, Hrsg. Heidelberg: Springer International Publishing, 2013, S. 113–124. doi: 10.1007/978-3-319-00375-7_8.
- The Martin, „Library - Bibliothèque - extra contrast - book titles converted to paths - Openclipart“, Dez. 14, 2016. https://openclipart.org/image/150px/268482 (zugegriffen Aug. 14, 2021).