10 Medienproduktion - Online Zeitschrift für Wissenschaft und Praxis

Ist Motivation messbar?Das komplexe Entwicklungs- und Evaluationsvorhaben er-fordert einerseits ein Grundverständnis sowie eine ange-messene Konzeption der Lernmotivation in selbstregulierten Lernsettings und andererseits Kenntnisse des adaptiven E-Learnings und konkreter Adaptionstechniken aus dem Be-reich adaptive Benutzerführung.

Lernmotivation und selbstreguliertes LernenMotivation, insbesondere Lernmotivation, soll die Basis für die Systemanpassungen der adaptiven E-Learning Platt-form bilden, daher soll dieses vielfältige Konzept zunächst für das Forschungsvorhaben eingegrenzt und operationali-siert werden. Eine geläufige Definition der Motivation nach Rheinberg und Vollmeyer bezeichnet sie als „aktivierende Ausrichtung des momentanen Lebensvollzugs auf einen po-sitiv bewerteten Zielzustand“ [3]. Auch andere Autoren, wie Deci & Ryan, die Begründer der Selbstbestimmungstheorie, betonen bezüglich des Zustands des Motiviertseins insbe-sondere die Energetisierung bzw. Aktivierung und Ausrich-tung auf einen erwünschten Zielzustand [4]. Motivation stellt somit ein primäres Konstrukt zur Verhaltenserklärung dar, das sich insbesondere mit der Zielrichtung, Ausdauer und Intensität der Zielverfolgung befasst [3]. In Lernkontexten kann Motivation spezifischer konzeptualisiert werden: „Lern-motivation bezeichnet die Bereitschaft eines Lernenden, sich aktiv, dauerhaft und wirkungsvoll mit bestimmten The-mengebieten auseinanderzusetzen, um neues Wissen zu erwerben bzw. das eigene Fähigkeitsniveau zu verbessern.“ [5] Im Zusammenhang mit E-Learning Angeboten müssen Lernende meist selbstreguliert, das heißt ohne direkte tu-torielle Begleitung durch Lehrende agieren. In diesem Kon-text hat sich das kognitiv-motivationale Prozessmodell des selbstregulierten Lernens nach Rheinberg et al. etabliert,

Barrieren aus der Perspektive der EinleitungLernmotivation stellt eine wichtige Voraussetzung für eine effiziente Verarbeitung von Lerninhalten, eine lange Behal-tensleistung des Gelernten und anhaltende Lernfreude dar. Aus diesem Grund widmete sich das vom BMBF geförderte Forschungsprojekt SensoMot, an dem das Fachgebiet Me-dienproduktion der Technischen Universität Ilmenau beteiligt war, dem Ziel, mithilfe einer adaptiven E-Learning Plattform auf die aktuelle Motivation von Lernenden zu reagieren, um das motivierte Lernen in selbstregulierten Lernsettings zu optimieren [1]. Als übergeordnete Forschungsfrage des mehrphasigen Entwicklungs- und Evaluationsprozesses stand: Inwiefern kann die Lernmotivation von Studieren-den mithilfe von Adaptationstechniken beim Lernen mit ei-ner E-Learning Plattform gefördert werden? Grundlage für die lernerzentrierte Optimierung und Überführung in ein adaptives Lernsystem bildete die Lern- und Wissensplatt-form NanoTecLearn, die für die Aus- und Weiterbildung im Bereich Mikro- und Nanotechnik entwickelt wurde [2]. Die Lernplattform NanoTecLearn wurde als Grundlage gewählt, da sie bereits in mehreren Erhebungen mit Studierenden und Auszubildenden inhaltlich und softwareergonomisch evaluiert wurde und somit ein geeignetes Fundament für die Erweiterung des Systems um adaptive Zusatzkomponenten darstellt. Die Forschergruppe testete die unterschiedlichen Plattformversionen gegeneinander über mehrere Semester hinweg mit Studierenden. Der Entwicklungsprozess der Lernplattform von der nicht-adaptiven Ursprungsversion hin zu einer finalen adaptiven Systemvariante, die auf die aktuelle Lernmotivation von Studierenden reagiert, erfolgte iterativ. Die Kernergebnisse der entwicklungsbegleitenden Evaluationen mit Lernenden werden hier kurz dargelegt. Zuvor werden zunächst Grundlagen zu Lernmotivation undadaptivem E-Learning vorgestellt.

Adaptives E-Learning an Hochschulen zur Förderung der Lernmotivation von Studierenden

von Mathias Bauer, Jacqueline Schuldt, Marie Jeanne Webers und Heidi Krömker

Abbildung 1: Kognitiv-Motivationales Prozessmodell des selbstregulierten Lernens nach Rheinberg et al. (2000)

11

dessen Bestandteile in Abbildung 1 dargestellt werden. [6] Das Modell besagt, dass die in einer Situation aktuell wirk-same Motivation aus einer Wechselbeziehung zwischen Personen- und Situationsfaktoren entsteht. Die aktuelle Mo-tivation, die z.B. über Interesse, Herausforderung oder Er-folgszuversicht gemessen werden kann, wirkt entsprechend der Modellannahme indirekt über Vermittlungsgrößen auf die Lernresultate. Vermittlungsgrößen können der Einsatz von Lernstrategien, die aufgewendete Lernzeit oder der emotionale sowie kognitive Funktionszustand des Lernen-den während des Lernens sein.Personenfaktoren sind neben domänenspezifischem Vor-wissen und kognitiven Variablen auch motivationale Variab-len, wie Zielorientierungen oder Selbstwirksamkeitserwar-tungen. Die Situationsfaktoren sind in den im Forschungs-vorhaben durchgeführten Studien insbesondere die Gestal-tung der Lernplattform. In E-Learning Kontexten spielt darüber hinaus das Konzept der Selbstregulation eine wichtige Rolle, da Lernende Me-dien und Inhalte selbst wählen und ebenso Lernfortschritt sowie Lerntempo selbst festlegen müssen. Die Motivation im Sinne der aktivierenden Ausrichtung des Verhaltens sollte für einen erfolgreichen Lernprozess daher von den Lernenden selbst kommen und nicht durch äußere Anrei-ze durch Lehrende, wenngleich das Konsultieren multime-dialer Lernangebote natürlich dennoch zweckgebunden sein kann, z.B. in Form gezielter Suche nach zusätzlichen Erläuterungen bei der Prüfungsvorbereitung, die über die Vorlesungsmaterialien hinausgehen. Selbstreguliertes Ler-nen betont somit die aktive Rolle des Lernenden in Form der selbstständigen Planung, Zielsetzung, Vorwissensge-nerierung, Suche nach Lernressourcen und Anpassung an sich verändernde Anforderungen des Lernmaterials, auch auf Basis des eigenen Wissenszuwachses [7]. Diese be-ständige Selbstüberwachung des Lernenden hat wiederum Auswirkungen auf den Lernprozess und das Verhalten des Lernenden an sich und stellt somit einen weiteren Bedin-gungsfaktor von Motivation dar. Adaptives E-Learning soll diesen Ansatz unterstützen, indem der Lernende regelmä-ßig Einschätzungen über seinen aktuellen Zustand gibt und daraufhin Systemanpassungen vorgenommen werden. Es ist vergleichbar mit der Intervention eines Lehrenden beim Auftreten von Lernblockaden oder Motivationseinbrüchen in der Präsenzlehre.

Adaptives E-Learning und AdaptationstechnikenEine geläufige Kategorisierung zur Differenzierung der Ad-aptation im Bereich Lernsysteme nach Leutner unterschei-det zwischen Makro- und Mikrolevel Anpassungen. Dies bezieht sich auf die Häufigkeit der vorgenommenen Syste-manpassungen und deren Initiator, d.h. Nutzer oder System als „Auslöser“ der Adaptation [8]. Anpassbar sind hierbei sy-stemseitig insbesondere Komponenten des User Interface, die vermittelten Lerninhalte oder die Benutzerführung einer E-Learning Plattform. Die Makrolevel Adaptation ermöglicht Systemanpassungen mit geringer Frequenz, für gewöhn-lich einmalig zu Beginn der Nutzung und wird besonders in Verbindung mit der Anpassung des User Interface oder der Lerninhalte auf Basis des domänenspezifischen Vorwissens

des Lernenden vorgenommen. Der Lernende ist hierbei selbst der „Auslöser“ der Adaptation, indem er einmalig zu Beginn Anpassungen vornimmt. Leutner spricht in diesem Zusammenhang von einem adaptierbaren System [8]. Mikrolevel Adaptation geht über diesen trivialen Ansatz hin-aus, indem das Lernsystem kontinuierlich Abfragen auf Nut-zerseite vornimmt, und somit als „Auslöser“ der Adaptation fungiert. Anpassungen sind somit wiederholt durchführbar, darüber hinaus kann das System aufgrund der regelmäßi-gen Abfragen des aktuellen Nutzerzustands die Adaptatio-nen im Lernverlauf idealerweise immer passgenauer vor-nehmen. Leutner spricht hierbei von Adaptivität im eigentli-chen Sinne. In der Vergangenheit etablierten sich in diesem Zusammenhang insbesondere die sogenannten intelligen-ten tutoriellen Systeme, die aufgrund der begrenzten tech-nischen Möglichkeiten jedoch keine weitläufige Akzeptanz bei Lernenden und Lehrenden fanden. Die sich nachfolgend entwickelnden Adaptive Educational Hypermedia Systems, zu denen auch die zu entwickelnde adaptive NanoTecLearn E-Learning Plattform zählt, haben diesen Ansatz unter Ver-wendung zeitgemäßer Webtechnologien weiterentwickelt und bieten eine Kombination aus Makro- und Mikrolevel-Ad-aptationen [9]. Der Ansatz der Mikrolevel Adaptation bietet sich besonders für die Optimierung der Nutzerführung oder für eine Inhaltsanpassung auf Basis einer kontinuierlichen Erhebung des Lernfortschritts an. Da die aktuelle Motivation des Lernenden sich je nach Lernsituation und Lernfortschritt ändert und systemseitig erfasst werden sollte, bietet sich diese Form der Adaptation für das aktuelle Forschungsvor-haben an. Für die Ausführung der abstrakten Kategorien der Mikro- und Makrolevel Adaptation haben sich zahlreiche Adaptations-techniken etabliert. Brusilovsky unterteilt diese Techniken grundlegend in Adaptive Präsentationstechniken (Adaptive Presentation) und Adaptive Navigations-unterstützungs-techniken (Adaptive Navigation Support) [10]. Abbildung 2 zeigt eine Übersicht von Knutov et al. [11] zu einer Vielzahl von Techniken dieser zwei Kategorien.

Abbildung 2: Taxonomie der Adaptationstechniken nach Knutov et al. (2009)

12 Medienproduktion - Online Zeitschrift für Wissenschaft und Praxis

Adaptive Präsentationstechniken passen den Inhalt einer Lernpattform an, wohingegen adaptive Navigationsunter-stützung dazu dient, den Pfad bzw. die User-Journey durch ein E-Learning System zu optimieren. Die Adaptation des Inhalts einer Lernplattform erfordert das Vorhandensein eines passenden Inhaltsangebots in Form von Exkursen oder Zusatzinhalten, die in sehr feiner Granularität Anpas-sungen ermöglicht, wie z.B. auf bestimmtes Vorwissen oder Studiengänge abgestimmte Zusatzkapitel. Diese Adaptati-onstechniken bieten sich besonders dann an, wenn Inhalte in unterschiedlichen Schwierigkeitsgraden vorliegen und je nach aktuellem Kenntnisstand des Lernenden adaptiert werden soll. Bei adaptiver Navigationsunterstützung geht es hingegen vorrangig um die Anpassung der Sequenzierung der Inhalte auf Basis der Veränderung von Nutzerzustän-den, z.B. der aktuellen Motivation in Form des situativen Interesses. Für das aktuelle Forschungsvorhaben, welches ebendiese Zustände erfassen und Anpassungen darauf auf-bauend vornehmen soll, wurden daher Techniken der ad-aptiven Navigationsunterstützung gewählt. Darüber hinaus sollte die bestehende und bereits hinsichtlich ihrer Lernwirk-samkeit und inhaltlicher Stimmigkeit hin evaluierte Lernplatt-form NanoTecLearn nicht in ihrer Struktur durch inhaltliche Zusatzexkurse verändert werden, die bei experimentellen Untersuchungen etwaige Störvariablen bilden könnten. Im Verlauf des Forschungsvorhabens wurden die Techniken Direct Guidance, Link Annotation und eine kombinierte Technik namens Agent in Form kontextueller Links gewählt. Diese Techniken unterscheiden sich besonders hinsichtlich ihrer Freiheitsgrade, die sie für die Nutzerinteraktion bieten und dem Kontrollempfinden der Lernenden. Die Funktiona-lität und die Parameter Kontrollempfinden und Freiheitsgra-de der drei implementierten Adaptationstechniken werden in Tabelle 1 gegenübergestellt.

Tabelle 1: Charakteristiken der im Forschungsvorhaben im-plementierten Adaptationstechniken

Der Implementierung dieser Adaptationstechniken waren zunächst Studien zur Lernmotivation mit der nicht-adapti-ven Ausgangsversion der NanoTecLearn Plattform voran-gestellt.

Prozess zur Entwicklung der adaptiven Lernplattform Abbildung 3 veranschaulicht den Entwicklungsprozess an-hand der Plattformversionen und der zugehörigen Studien mit Lernenden.

Ausgangssituation – nicht-adaptive E-Learning PlattformDie erste implementierte und getestete Version war die kon-ventionelle, nicht-adaptive NanoTecLearn-Plattform. Der primäre Wissenszugang erfolgt über text- und bildbasierte Lerneinheiten, welche Booklets genannt werden. Dieser Zugang bildet das inhaltliche Wissensfundament. Die Ab-schnitte enthalten zudem Verlinkungen zu verwandten The-men in anderen Booklets sowie Glossarverweise, die mittels Mouseover-Effekt über Fachbegriffen eingeblendet werden. Darüber hinaus existiert ein weiterer Wissenszugang über

Technik Link Annotation Direct Guidance Agent

FunktionalitätHervorheben passender Nach-folgeabschnitte

Geführte Se-quenz durch das Lernmaterial

Vorschlag motiva-tionsförderlicher Zusatzinhalte

Kontroll-empfinden

Hoch Gering Hoch

Hervorgehobene Links dienen als Empfehlung, Lernender ent-scheidet selbst, ob diesen gefolgt wird

Lernender kann keine anderen Links anwählen und hat keine Wahlfreiheit über Folgeab-schnitte

Agent schlägt rele-vante Zusatzinhalte vor, Lernender kann daraufhin selbst aktiv entscheiden, welchen Inhalten gefolgt wird

Freiheitsgrade Mittel Gering Hoch

Abbildung 3: Prozess zur Entwicklung und Evaluation der adaptiven E-Learning Plattform

13

interaktive Probenbetrachter, die Rasterelektronenmikro-skop-Aufnahmen visualisieren. Den dritten Wissenszugang bilden interaktive Formeln und 3D-Modelle von Gerätschaf-ten wie dem Kontaktwinkelmessgerät. Lernende können hierbei z.B. über Schieberegler verschiedene Parameter anpassen und dazugehörige physikalische Effekte unmit-telbar zuordnen. Der Inhalt jedes Booklets ist in sechs Un-terabschnitte unterteilt – Orientierung, Theorie, Anwendung, Interaktion (mit Verlinkung zu Formeln und Proben), Reflexi-on und Quellen. Die Wissenszugänge werden in Abbildung 4 visualisiert.

Abbildung 4: Übersicht der drei Wissenszugänge der NanoTecLearn Plattform

Zur Evaluation der Lernmotivation bei der Arbeit mit dem E-Learning Angebot wurde eine Laborstudie mit 71 Stu-dierenden der TU Ilmenau (Fokus auf technische und na-turwissenschaftliche Studiengänge) durchgeführt (siehe Abbildung 3). Das Studiendesign orientierte sich am Pro-zessmodell der Lernmotivation nach Rheinberg et al. (siehe Abbildung 1), das für diesen Zweck operationalisiert wur-de. Als Personenfaktoren wurden domänenspezifisches Vorwissen, demographische Daten und Selbstwirksam-keitserwartung als motivationale Einflussgröße erhoben. Als Situationsvariable wurde die Motivationsförderlichkeit der E-Learning Plattform entsprechend des ARCS-Modells mithilfe des dazugehörigen standardisierten Fragebogens IMMS (Instructional Materials Motivation Survey) evaluiert [12]. Die Arbeit mit der NanoTecLearn Plattform wurde an-hand eines ausgewählten Kapitels (Wechselwirkungen an Grenzflächen) ausgewertet. Die Studie war als Laborstu-die konzipiert, bei der bis zu sechs Lernende in einer kon-trollierten Umgebung mit zwei PC-Bildschirmen arbeiteten (linker Bildschirm: E-Learning Plattform, rechter Bildschirm: Online-Fragebogen). Nach Erhalten der Aufgabenstellung mussten die Probanden zunächst ihre aktuelle Motivation mithilfe des FAM (Fragebogen zur Erfassung der aktuellen Motivation) [13] einschätzen. Daraufhin wurde das emotio-nale Befinden während des Lernens mit NanoTecLearn als Vermittlungsgröße mithilfe der PANAVA-Kurzskala [14] zu

vier Erhebungszeitpunkten erfasst. Diese sind in Abbildung 5 dargestellt.

Abbildung 5: Erfassung des emotionalen Befindens zu vier Erhebungszeitpunkten

Die erste Messung diente vor Beginn der Bearbeitung des Kapitels als Baseline. Daraufhin erfolgte die Messung je-weils am Ende der drei Wissenszugänge der Plattform für das ausgewählte Kapitel. Zum Ende der Studie wurde ein abschließender Wissenstest zur Überprüfung der Lernre-sultate durchgeführt. Darauf folgte ein Kurzinterview zur Abfrage von Verbesserungspotenzialen sowie besonders motivationsförderlichen und -hemmenden Faktoren der E-Learning Plattform. Kernergebnisse der Studie waren, dass sich die Lernenden entsprechend der FAM-Ergebnisse von den gestellten Aufgaben herausgefordert fühlten, überaus interessiert waren und ihre Erfolgswahrscheinlichkeit als hoch einschätzten. Das emotionale Befinden, erfasst über die PANAVA-KS, blieb über die vier Erhebungszeiträume re-lativ gleich. Jedoch fiel die positive Aktivierung, welche ent-sprechend der Motivationsdefinition nach Rheinberg eine besondere Bedeutung für die Motivation besitzt, nach Be-enden der Theorie merklich ab und steigt erst wieder durch die interaktiven Elemente (Formel oder Proben). Als Unter-mauerung dieser Befunde dienten zudem die Abschlussin-terviews der Studie, in denen zahlreiche Probanden konkret die Bearbeitung des relativ langen Theorieabschnitts als Ur-sache für Motivationseinbrüche benannten und der Wech-sel des Wissenszugangs zu einem merklichen Anstieg der Lernmotivation führte [15].In den weiteren Studien mit der nicht-adaptiven E-Learning Plattform wurde die Vorarbeit zur Entwicklung der drei inTa-belle 1 genannten Adaptationstechniken geleistet. Den Kern dieser Erhebungen bildete die Durchführung von vier Fo-kusgruppen mit Studierenden (Stichprobe von insgesamt 19 Probanden). In einem zweigeteilten Untersuchungsdesign sollte geklärt werden, welche Gründe für Motivationsände-rungen bei der Arbeit mit der Lernplattform bestehen könn-ten, welche adaptiven Gegenmaßnahmen die Plattform zur Steigerung der Motivation vornehmen sollte, wie diese An-passungen präsentiert werden sollten und welche Faktoren die Akzeptanz der Adaptation beeinflussen. Im ersten Teil diskutierten die Studierenden diese Fragestellungen. Im zweiten Teil wurden die Teilnehmer/-innen in zwei Gruppen geteilt, die an einem Gedankenexperiment zur Konzeption der Adaptation teilnahmen. Die Studierenden versetzten sich in die Rolle eines fiktiven Lernenden, der mit dem E-Learning System arbeitet. Entsprechend dieser Ausgangssi-tuation wurde der Motivationsverlauf während des Lernens nachempfunden und die Studierenden sollten aus Sicht des Systems geeignete Systemanpassungen erarbeiten. Die Er-gebnisse dieser Fokusgruppen führten zusammen mit den Ergebnissen zusätzlicher Evaluationen von NanoTecLearn mit Experten aus den Bereichen E-Learning, Informatik und Didaktik zur Konzeption und Implementierung der drei zu-

14 Medienproduktion - Online Zeitschrift für Wissenschaft und Praxis

vor vorgestellten Adaptationstechniken. Die Studierenden betonten insbesondere das Kontrollempfinden und die Frei-heitsgrade beim Lernen. Darüber hinaus wurden interaktive Wissenstests und das Einbinden erklärender Lernvideos als weitere motivierende Bestandteile benannt [16]. Diese zu-sätzlichen Elemente wurden für die Evaluation der finalen adaptiven Plattformversion zurückgehalten, da es im näch-sten Schritt primär um die Beurteilung der Adaptationstech-niken als solche gehen sollte.

Komparative Analyse prototypisch implementierter Adapta-tionstechnikenNachdem die Anforderungen von Studierenden und Exper-ten bezüglich der adaptiven Gestaltung der NanoTecLearn Plattform im ersten Schritt des Untersuchungsdesigns er-hoben wurden, konnten die vorgestellten Adaptationstechni-ken implementiert werden. Die Systemanpassung basierte auf einer motivationalen Selbsteinschätzung, die am Ende jedes Abschnitts eines Kapitels der Lernplattform vorge-nommen wurden. Der Self-Report Mechanismus sollte eine möglichst geringe Unterbrechung des Lernprozesses dar-stellen und beschränkte sich daher auf zwei Kernparameter der aktuellen Motivation. In Übereinstimmung mit dem Pro-zessmodell und dem FAM der Motivationsstudie stellten die-se Parameter das aktuell wirksame, situative Interesse und die Erfolgszuversicht bzw. Selbstwirksamkeitserwartung dar. Beide Parameter wurden jeweils über die Einschätzung „stimme nicht zu“ (-), „teils/teils“ (=), „stimme zu“ (+) abge-fragt. Dies diente als Motivationsindikator auf Basis dessen die adaptiven Systemvarianten Anpassungen vornahmen. Im Backend der Lernplattform sind für die Unterabschnitte jedes Kapitels alle Kombinationen der Motivations-Selbst-einschätzungsparameter in Form einer Tabelle hinterlegt sowie die zugehörigen Systemreaktionen. Wie bereits be-schrieben, handelte es sich bei den implementierten Adap-tationstechniken um Techniken der adaptiven Navigations-unterstützung, konkret Link Annotation, Direct Guidance und Agent. Insbesondere bei (-)-Angaben wurden möglichst motivationsförderliche Folgeabschnitte angegeben, um ei-nem Motivationseinbruch entgegenzuwirken. Bei ausblei-benden (-)-Angaben wurde der Lernende seriell durch die Unterabschnitte der Kapitel geführt. Die Studie wurde in Form einer experimentellen Laborunter-suchung durchgeführt, bei der die Probanden einer von vier Versionen der NanoTecLearn Plattform zugeordnet wurden. Es handelte sich dabei um die drei adaptiven Plattformver-sionen sowie die nicht-adaptive NanoTecLearn Plattform mit Motivationsselbsteinschätzung als Kontrollgruppe. Ins-gesamt nahmen 132 Studierende an der Untersuchung teil, d.h. jeweils 33 Probanden pro Plattformversion. Die Unter-suchung fokussierte sich insbesondere auf die Einschätzung der User Experience, der Technologieakzeptanz und des Kontrollempfindens mithilfe etablierter standardisierter Fra-gebögen. Darüber hinaus wurden der Verlauf der Bearbei-tung und die Motivationsselbsteinschätzungen mithilfe von Logfiles getrackt. Die Lernenden bearbeiteten ähnlich zur Motivationsstudie ein ausgewähltes Kapitel der Plattform, in diesem Fall Kontaktwinkelmessgerät. Nach jedem Abschnitt des Kapitels erfolgte die Motivationsselbsteinschätzung und

davon ausgehend entsprechende Systemanpassungen. Die Ergebnisse der Studie zeigten, dass alle Versionen eine gute User Experience aufweisen konnten. Darüber hinaus überzeugte bereits die auf ihre Benutzerfreundlichkeit gete-stete nicht-adaptive Plattformversion als eine effiziente und zufriedenstellend nutzbare Lernplattform. Die Direct Gui-dace Variante weist bezüglich Technologieakzeptanz und Faktoren der User Experience sehr gute Werte auf. An der Studie nahmen viele Studierende mit wenig bis keinem Vor-wissen im Bereich Mikro- und Nanotechnologie teil, was die Annahme stützt, dass sich die geführte Sequenzierung ins-besondere für Zielgruppen mit wenig domänenspezifischem Vorwissen eignet. Link Annotation und die nicht-adaptive Variante überzeugten insbesondere in puncto Kontrollemp-finden – die Systemanpassungen wurden als besonders transparent und nachvollziehbar wahrgenommen. Der An-satz des Vorschlagssystems der Link Annotation eignet sich besonders für Lernende, die zielgerichtet nach zusätzlichen Erklärungen oder Inhalten suchen. Überraschend nega-tiv fiel die Bewertung der Agenten-Version aus, insbeson-dere bezüglich User Experience und Kontrollempfinden. Ein Grund hierfür könnte der relativ geringe Mehrwert der Vorschlagsliste bzw. der kontextuellen Links sein, die sich nicht an die Motivationsselbsteinschätzung anpassten und dem Inhaltsverzeichnis der Kapitel stark ähnelten [17]. Die Analyse der Logfiles, die für die Bearbeitung des Kapitels der NanoTecLearn Plattform und den dazugehörigen Moti-vationsselbsteinschätzungen getrackt wurden, ergab, dass bei jeder Variante während der Bearbeitung ein erkennbarer Abfall der Lernmotivation nach der Bearbeitung der textla-stigen Abschnitte zu erkennen war. Die Verlinkung zu inter-aktiven Elementen, wie den Proben oder Formeln, konnte jeweils wieder zu einem Anstieg der Lernmotivation führen, was auch in Übereinstimmung zu den Ergebnissen der Ab-frage des emotionalen Befindens in der ersten Motivations-studie steht. Die Analyse zeigte zudem, dass bei der Link Annotation Variante ca. zwei Drittel der Vorschläge gefolgt wurde, d.h. ein Großteil der Vorschläge wurde als motiva-tionsförderlich empfunden. Die Ergebnisse der Vergleichs-studie sowie die ausstehenden Systemoptimierungen auf Basis der Fokusgruppe wurden genutzt, um die finale adap-tive Plattformvariante zu entwickeln und zu evaluieren.Auffällig ist, dass alle Versionen im Unterkapitel 26,2, dem Theorieteil, einen erkennbaren Motivationseinbruch im Ver-gleich zum vorherigen Orientierungskapitel 26,1 aufweisen. Dies ist ebenfalls der Visualisierung der Motivationsverläufe in den entsprechenden Abbildungen zu entnehmen (vgl. Ab-bildung 7). Es zeigt sich zudem, dass die interaktiven Inhalte 26,4 und 26,5 die Motivation wieder merklich steigern konn-ten, was mit den Interviewaussagen einer ersten Studie zur Lernmotivation im Wintersemester 2017/18 mit der nicht-adaptiven NanoTecLearn Plattform übereinstimmt.

15

Abbildung 6: Vergleich der Motivationsverläufe der unter-schiedlichen Plattformversionen

Entwicklung der adaptiven E-Learning PlattformDie adaptive NanoTecLearn Plattform basiert vorrangig auf der Link Annotation Technik, da die Lernplattform insbe-sondere als Zusatzangebot zu Präsenzveranstaltungen im Bereich Mikro- und Nanotechnologie genutzt werden soll und somit vorrangig von Studierenden mit domänenspezifi-schem Vorwissen genutzt wird. Ein besonderes Augenmerk

wurde bei der Weiterentwicklung auf die bessere Kenn-zeichnung der annotierten Vorschläge gelegt, die in der Vergleichsstudie mitunter als zu wenig ersichtlich angege-ben wurde. In der finalen Version wird die Anpassung da-her visuell über eine farbliche Markierung des empfohlenen Folgeabschnitts und mit einem zugehörigen Texthinweis unterhalb der Motivationsselbsteinschätzung kenntlich ge-macht. Weiterhin wurden in der Theorie Links zu YouTube-Lernvideos eingefügt, die Grundprinzipien weiterführend erklären. Abschließend wurde die Reflexion um zusätzliche interaktive Tests erweitert. Diese beiden Ansätze resultier-ten insbesondere aus Angaben der Fokusgruppen sowie aus Kommentaren in offenen Antwortfeldern am Ende des Fragebogens der Vergleichsstudie. Mit der finalen Plattform-version wurde eine weitere Studie zur Evaluation des Ver-laufs der Lernmotivation durchgeführt. Das Studiendesign orientierte sich am Ablauf der ersten Motivationsstudie, um ermitteln zu können, ob die adaptive Version unter Berück-sichtigung des Mehraufwands der Konzeption und Entwick-lung zu einer merklichen Verbesserung der Lernmotivation führen kann. Die Analyse der Logfiles der zweiten Motivationsstudie er-

Abbildung 7: Box-Plots der vier FAM-Komponenten der aktuellen Motivation in Studie 1 (grün) und Studie 2 (blau)

Abbildung 8: Box-Plots der Skalen der PANAVA-KS zu den vier unterschiedlichen Messzeitpunkten bezüglich des emotionalen Befindens in Studie 1 (grün) und Studie 2 (blau)

16 Medienproduktion - Online Zeitschrift für Wissenschaft und Praxis

gab, dass bei dieser Version 78% der Vorschläge gefolgt wurden, im Vergleich zu den 65% der ursprünglichen Link Annotation Variante. Es ist demnach davon auszugehen, dass die Visualisierung der Vorschläge für die Lernenden tatsächlich eindeutiger ersichtlich war und die Vorschläge nochmals motivationsförderlicher gestaltet werden konnten. Im Verlauf der Lernmotivation zeigte sich insbesondere im Abschnitt der Reflexion ein merklicher Anstieg, was zeigt, dass neben den interaktiven Elementen der Plattform auch die neu gestalteten interaktiven Tests dieses Abschnitts die Motivation fördern konnten.Die zweite Motivationsstudie war identisch zur ersten Moti-vationsstudie konzipiert. Die Kernergebnisse dieser Studie waren, dass sich die Lernenden zu Beginn der Lerneinheit entsprechend der FAM-Ergebnisse von den gestellten Auf-gaben stärker herausgefordert fühlten, als in der ersten Mo-tivationsstudie, grundsätzlich am Thema interessiert waren und ihre Erfolgswahrscheinlichkeit etwas höher einschätz-ten. Die Misserfolgsbefürchtung der Lerner war auch hier wieder relativ gering.Das emotionale Befinden, erfasst über die PANAVA-KS, blieb auch bei der zweiten Motivationsstudie über die vier Erhebungszeiträume relativ stabil. Lediglich die positive Ak-tivierung zeigte erneut signifikante Unterschiede über die einzelnen Messzeitpunkte (siehe Abbildung 8). Als finale Evaluation steht eine Usability Evaluation der Plattformversion als Vergleich zu den vorab entwickelten adaptiven Systemvarianten hinsichtlich User Experience, Technologieakzeptanz und Kontrollempfinden aus.

Fazit und AusblickIm Rahmen des Forschungsprojekts SensoMot stand die Erfassung von Motivationsindikatoren mittels Self-Reports und physiologischer Daten im Mittelpunkt, sowie deren Ver-arbeitung und Interpretation durch Maschinelles Lernen. Die Konzeption, Implementierung und Durchführung von Anpassungsreaktionen speziell bei sinkender Lernmotiva-tion wurde mittels einer adaptiven Lernumgebung für die Mikro- und Nanotechnologie an der TU Ilmenau und für den umgesetzt. Es erfolgte dann eine formative und summati-ve Evaluation des Systems mit Lernenden. Der Fokus des aktuellen Beitrags lag auf der Konzeption einer adaptiven E-Learning Plattform, der die Lernmotivation mithilfe von Self-Reports erfasst. Die Implementierung eines Adaptati-onsmechanismus, der auf physiologischer Datenerfassung basiert war Teil späterer Projektschritte. Die Frage danach, ob adaptive Lernsysteme die Lernmotivation fördern kön-nen, kann anhand der durchgeführten Untersuchungen mit ja beantwortet werden. Hohe Lernmotivation führt wiederum zu gesteigertem fachlichem Interesse, einer tieferen Verar-beitung der Lerninhalte und außerdem zu einer längeren Behaltensleistung der Lerninhalte. Gesteigerte Lernfreude und Zufriedenheit sind weitere Aspekte, die durch Motiva-tion beim Lernen generiert werden können. Adaptives E-Learning wurde in den Untersuchungen an der TU Ilmenau allgemein als sehr motivationsförderlich empfunden. Die Vorschlagssysteme bieten für selbstreguliertes, gezieltes Lernen passfähige Rahmenbedingungen. Eine geführte Se-quenzierung erleichtert den Einstieg in komplexe Themen,

insbesondere wenn das Vorwissen gering ist.

Das Projektvorhaben SensoMot wurde gefördert durch das Bundesministerium für Bildung und Forschung (BMBF) un-ter der Fördernummer 16SV7516 im Programm “Erfahrba-res Lernen”.

Literaturverzeichnis[1] Schneider, Oliver; Martens, Thomas; Bauer, Mathias; Ott-Kroner, Alexandra; Dick, Uwe; Dorochevsky, Michel (2017): SensoMot – Sensorische Erfassung von Motivati-onsindikatoren zur Steuerung adaptiver Lerninhalte. In: C. Igel; C. Ullrich; M. Wessner (Hrsg.): Bildungsräume 2017: Gesellschaft für Informatik, Bonn, S. 267-272.[2] Krömker, Heidi; Hoffmann, Martin; Huntemann, Nadja (2016): Wissensstrukturierung für das Lernen in den In-genieurwissenschaften. In: G. Kammasch; H. Klaffke; S. Knutzen (Hrsg.): Technische Bildung im Spannungsfeld zwischen beruflicher und akademischer Bildung. Die Vielfalt der Wege zu technischer Bildung: Referate der 11. Ingeni-eurpädagogischen Regionaltagung, Berlin, S. 101-108.[3] Rheinberg, Falko; Vollmeyer, Regina (2012): Motivation. Stuttgart: Kohlhammer.[4] Deci; Edward L.; Ryan, Richard, M. (2000): Intrinsic and Extrinsic Motivation. Classic Definitions and New Directions. In: Contemporary Educational Psychology, Vol. 25, S. 54-67.[5] Krapp, Andreas; Geyer, Claudia; Lewalter, Doris (2014): Motivation und Emotion. In: T. Seidel; A. Krapp (Hrsg.): Päd-agogische Psychologie. Weinheim/Basel: Beltz, S. 193-222.[6] Rheinberg, Falko; Vollmeyer, Regina; Rollett, Wolfram (2000): Motivation and Action in Self-Regulated Learning. In: M. Boekaerts; P. R. Pintrich; M. Zeidner (Hrsg.): Handbook of Selfregulation. London: Academic Press, S. 503-529).[7] Niegemann, Helmut M.; Domagk, Steffi; Hessel, Silvia; Hein, Alexandra; Hupfer, Matthias, Zobel, Annett (2008): Kompendium multimediales Lernen. Berlin/Heidelberg: Springer.[8] Leutner, Detlef (2011): Adaptivität und Adaptierbarkeit beim Online-Lernen. In: P. Klimsa; L. Issing (Hrsg.): Online-Lernen. Planung, Realisation, Anwendung und Evaluation von Lehr- und Lernprozessen. München: De Gruyter, S.

Prof. Dr. phil. Heidi Krömker (l.) ist Professorin am Fachgebiet Medienproduktion der TU Ilmenau. Marie Jeanne Webers unterstützt das Fachgebiet als stud. Hilfskraft im Forschungsprojekt SensoMot. Mathias

Bauer promoviert zu motivationsförderlicher Gestaltung adaptiven E-Learnings. Jacqueline Schuldt (r.)

promoviert im Bereich Serious Games, mit Fokus auf der Förderung kritischen Denkens und wertbezogener

Argumentation.

17

115-123.[9] Lee, Jung; Park, Ok-Choon (2008): Adaptive Instructional Systems. In: J. M. Spector (Hrsg.): Handbook of Research on Educational Communications and Technology. New York: Routledge, S. 469-484.[10] Brusilovsky, Peter (2007): Adaptive Navigation Support. In: P. Brusilovsky; Alfred Kobsa; Wolfgang Nejdl (Hrsg.): The Adaptive Web: Methods and Strategies of Web Personaliza-tion. Berlin/Heidelberg: Spring, S. 263-290.[11] Knutov, Evgeny; De Bra, Paul; Pechenizkiy, Mykola (2009): AH 12 Years later. A Comprehensive Survey of Ad-aptive Hypermedia Methods and Techniques. In: New Re-view of Hypermedia and Multimedia, Vol. 15, Nr. 1, S. 5-38.[12] Keller, John M. (2009): Motivational Design for Learning and Performance. The ARCS Approach. New York (u.a.): Springer.[13] Rheinberg, Falko; Vollmeyer, Regina; Burns, Bruce D. (2001): FAM. Ein Fragebogen zur Erfassung aktueller Mo-tivation in Lern- und Leistungssituationen. In: Diagnostica, Vol. 47, Nr. 2, S. 57-66.[14] Schallberger, Urs (2005): Kurzskalen zur Erfassung der Positiven Aktivierung, Negativen Aktivierung und Valenz in Experience Sampling Studien (PANAVA-KS). Theoretische und methodische Grundlagen, Konstruktvalidität und psy-chometrische Eigenschaften bei der Beschreibung intro- und interindividueller Unterschiede. Zürich: Forschungsbe-richte aus dem Projekt „Qualität des Erlebens in Arbeit und Freizeit“, Nr. 6.[15] Bauer, Mathias; Schuldt, Jacqueline; Bräuer, Cas-sandra (2018): Förderung der Lernmotivation durch ad-aptives E-Learning bei heterogenen Studierenden in den Ingenieurwissenschaften. In: Diversität und kulturelle Viel-falt – differenzieren, individualisieren oder integrieren? Die Vielfalt der Wege zu technischer Bildung: Referate zur 13. Ingenieurwissenschaftlichen Regionaltagung, Bochum.[16] Bauer, Mathias; Bräuer, Cassandra, Schuldt, Jacqueli-ne, Krömker, Heidi (2018): Adaptive E-Learning for Sup-porting Motivation in the Context of Engineering Science. In: Salman Nazir; Anna-Maria Teperi; Aleksandra Polak-Sopinska (Hrsg.): Advances in Human Factors in Training, Education and Learning Sciences, Proceedings of the AHFE 2018 International Conference on Human Factors in Training, Education and Learning Sciences, Advances in Intelligent Systems and Computing, Vol. 785, S. 409-422.[17] Bauer, Mathias; Bräuer, Cassandra; Schuldt, Jacqueli-ne, Krömker, Heidi (2019): Evaluation of the User Experi-ence of Adaptation Techniques to foster Learning Motivation in an adaptive E-Learning Platform. In: Luis Gómez Cho-va; Agustín López Martinez; Ignacio Candel Torres (Hrsg.): INTED 2019, Proceedings of the 13th Annual International Technology, Education and Development Conference, Va-lencia, S. 5060-5069.