Beschreibung
In der E-Learning-Domäne bilden sowohl die Lernressourcen, Lehrende und Lernende als auch die stattfindenden Lernprozesse in ihrer Gesamtheit Lernökosysteme. Diese Dissertation untersucht die Modellierung von Lernökosystemen zur Unterstützung ihrer Aggregation und Wiederverwendung. Zur Erreichung dieses Ziels müssen Modelle von Lernökosystemen die Aggregierbarkeit, Austauschbarkeit, Interoperabilität und granulare Wiederverwendbarkeit ihrer Daten unterstützen. Auf Basis durchgeführter Nutzerstudien werden Konzepte digitaler Modelle von Lernökosystemen, sogenannte LOOCs (Linked Open Online Courses), entwickelt. Dabei werden insbesondere Technologien des Semantic Webs sowie Linked-Data-Konzepte betrachtet. Die entwickelten ontologischen Modelle bilden die Basis für mehrere E-Learning-Applikationen, welche die Tragfähigkeit der Konzepte sowie eine hohe Nutzerakzeptanz zeigen. Ferner wird ein formales Interpretermodell für CSCL (Computer-Supported Collaborative Learning) Scripts zur Beschreibung von Lernprozessen, welches mit Hilfe von Abstract State Machines spezifiziert wurde, vorgestellt. In the elearning domain, the learning resources, teachers and learners and the active learning processes in their entirety construct the learning ecosystems. This thesis examines the modelling of learning ecosystems to support their aggregation and reuse. To achieve this goal, learning ecosystem models must support aggregation, compatibility, interoperability and granular reusability of their data. Through user studies, digital model concepts of learning ecosystems, i.e. socalled LOOCs (linked open online courses), were developed. In particular, Semantic Web technologies and Linked Data concepts are considered within the context. The developed ontological models form the basis for a number of elearning applications that show the viability of the concepts as well as a high user acceptance. Further, a formal interpreter model for CSCL (ComputerSupported Collaborative Learning) Scripts for the description of learning processes specified by using Abstract State Machines is presented.
Autorenportrait
Dr. Kai Michael Höver has a background in computer science and pedagogy. His research interests include technology enhanced learning, multimedia lecture recordings, collaborative learning, and applications of Semantic Web technologies for e-learning. He worked as a research project manager in an e-learning company and was involved in the STREP GRAPPLE and the IP ROLE as a work package leader. Besides further research projects, he acts as a reviewer for the ACM ITiCSE conference and the IEEE Transactions on Learning Technologies journal, and is co-chair on Multimedia Technologies for E-Learning at IEEE International Symposium on Multimedia. Currently, Dr. Kai Michael Höver is heading the Ambient Learning & Knowledge Work area of the Telecooperation Department at Technische Universität Darmstadt, Germany.
Leseprobe
