Digital Learning Campus

Wortwolke

Zusammenfassung

Kontext

Der Vortrag thematisiert Teaching Analytics als Methode, um die Nutzung von Open Educational Resources (OER) zu analysieren und daraus Rückschlüsse für die eigene Lehre zu ziehen. Am Beispiel eines Lehrangebots aus der Technischen Informatik – bestehend aus Lehrvideos, Computercode und einer Experimentierplattform – wird gezeigt, wie Nutzungsdaten erhoben, interpretiert und für die Weiterentwicklung von Lehrmaterialien genutzt werden können. Der Fokus liegt auf der Frage, wie Lehrende durch Daten motiviert werden und welche methodischen Herausforderungen bei der Analyse bestehen.

Kernaussagen

1. Definition und Mehrwert von Teaching Analytics

Definition: Teaching Analytics bezeichnet die Nutzung von Nutzungsdaten (z. B. Abrufe, Interaktionen) zur Verbesserung der Lehre. Es ermöglicht Rückschlüsse auf die Relevanz und den Erfolg von Lehrinhalten.
Motivation und Anerkennung:
- Die Auswertung von Nutzungszahlen wirkt motivierend auf Lehrende, da sie sichtbare Erfolge ihrer Materialien erkennen.
- Nutzungsdaten können als Nachweis für die Qualität und Reichweite der Lehre dienen, z. B. in Leistungsvereinbarungen oder bei Bewerbungen um Lehrpreise.
- Vergleichbar mit Bestsellerlisten in der Buchbranche kann Teaching Analytics die Sichtbarkeit von OER erhöhen und Diskussionen über Lehre anregen.

2. Analyse von Video-Plattformen (YouTube)

Vorteile:
- Hohe Reichweite und detaillierte Creator-Tools (z. B. Wiedergabedauer, Likes, Kommentare).
- Visualisierung von Nutzungsmustern, z. B. Peaks bei bestimmten Inhalten oder Abbruchraten.
Beobachtungen:
- Praxisorientierte Umsetzungsvideos (z. B. Experimente) werden deutlich häufiger abgerufen als theoretische Grundlagen.
- Themen wie Machine Learning zeigen besonders hohe Abrufzahlen, was als Bestätigung für die Relevanz des Inhalts dient.
Herausforderungen:
- Autoplay-Effekte verfälschen Abrufzahlen (ca. 50 % der Aufrufe sind kurzzeitige Wiedergaben).
- Geringe Möglichkeit, Nutzer:innen über mehrere Videos hinweg zu verfolgen (keine Querbezüge zwischen Nutzungen).
- Teilweise unvollständige Daten (z. B. regionale Zuordnung nur für ein Drittel der Videos).

3. Analyse von Code-Repositories (GitHub)

Vorteile:
- Messung aktiver Nutzung durch Metriken wie Stars (Likes) oder Forks (Kopien zur eigenen Bearbeitung).
- Ergänzende Einblicke zur passiven Nutzung von Videos: Spezialthemen (z. B. KI-bezogene Projekte) zeigen hohe Aktivität, obwohl sie in Videos weniger beliebt sind.
Herausforderungen:
- Deutlich geringere Datenbasis im Vergleich zu Video-Plattformen (z. B. 84 Stars vs. 55.000 Videoaufrufe).
- Analysefunktionen sind nicht vollständig in die Plattform integriert (externe Skripte erforderlich).
- Keine Verknüpfung mit Nutzerprofilen anderer Plattformen (z. B. YouTube), sodass Nutzungsverhalten nicht ganzheitlich erfasst wird.

4. Einblicke durch Experimentierplattformen (Remote-Labore)

Vorteile:
- Detaillierte Analyse des individuellen Nutzerverhaltens (z. B. Login-Häufigkeit, Nutzungsdauer, Interaktionen mit der Plattform).
- Identifikation verschiedener Nutzertypen:
  - Gelegenheitsnutzer:innen: 1–5 Logins (sporadische Nutzung).
  - Studierende: 4–40 Logins (typische Experimentierphase im Semesterverlauf).
  - Power-User:innen: >40 Logins (z. B. Abschlussarbeiten oder Dozierende).
- Nutzungsdauer gibt Aufschluss über Kontexte (z. B. Semesterverlauf vs. Abschlussarbeit).
Herausforderungen:
- Hoher manueller Analyseaufwand, da Datenerhebung nicht automatisiert erfolgt.
- Keine direkte Zuordnung der durchgeführten Experimente (nur über Messwerte indirekt erschließbar).

5. Globale Reichweite und methodische Herausforderungen

Internationale Nutzung:
- Anhand von IP-Daten lässt sich die globale Verbreitung von OER nachvollziehen.
- Überraschend hohe Nutzung in Ländern wie Marokko, Kolumbien oder Mexiko (bezogen auf die Bevölkerungszahl teilweise höher als in Deutschland).
- Nutzung konzentriert sich auf Middle Income Countries mit Interesse an modernen Lehrformaten.
Datenqualität und -interpretation:
- Plattformspezifische Verzerrungen (z. B. Autoplay bei YouTube, fehlende Download-Daten bei GitHub).
- Kombination verschiedener Analysetools (Videos + Code + Experimente) ermöglicht ein ganzheitliches Bild der Nutzung.
- Aufwand für Datenerhebung variiert stark (YouTube: automatisiert; Remote-Labore: manuell).

Fazit

Teaching Analytics bietet Lehrenden wertvolle Einblicke in die Nutzung ihrer OER-Materialien und kann sowohl zur didaktischen Optimierung als auch zur Motivation und Anerkennung beitragen. Die Kombination verschiedener Plattformen (YouTube, GitHub, Remote-Labore) ermöglicht eine differenzierte Analyse, zeigt aber auch methodische Grenzen auf (z. B. Datenqualität, Aufwand).

Handlungsempfehlungen:

Lehrende sollten Teaching Analytics als Instrument zur Reflexion nutzen, um beliebte Inhalte zu identifizieren und Lehrangebote gezielt anzupassen.
Die OER-Community sollte standardisierte Analyse-Tools entwickeln, um Nutzungsdaten vergleichbar und diskutierbar zu machen (z. B. eine "Bestsellerliste" für OER).
Bei der Interpretation von Daten sind plattformspezifische Verzerrungen zu berücksichtigen (z. B. Autoplay-Effekte herausrechnen).
Die globale Reichweite von OER unterstreicht deren Potenzial, insbesondere in Ländern mit begrenztem Zugang zu traditionellen Lehrmaterialien.

Fragen & Antworten

Was ist die Definition von Teaching Analytics?

Teaching Analytics ist die Nutzung von Daten (z. B. Abrufe und Interaktionen), um die eigene Lehre zu verbessern und Rückschlüsse auf die Relevanz und den Erfolg von Lehrmaterialien zu ziehen.

Welche Erkenntnisse lassen sich aus der Analyse von YouTube-Videos für die Didaktik gewinnen?

Es zeigt sich, dass praxisorientierte Umsetzungsvideos deutlich häufiger abgerufen werden als theoretische Grundlagen oder Anregungen zum Selbermachen, was auf eine gewisse Passivität der Nutzenden hindeutet.

Wie unterscheidet sich die Nutzung von GitHub im Vergleich zu YouTube?

Während YouTube eine passive Nutzung (Zuschauen) mit sehr hohen Reichweiten abbildet, erfasst GitHub die aktive Nutzung (Code-Bearbeitung, Forks), allerdings auf einer deutlich geringeren Datenbasis.

Welche Nutzertypen lassen sich über die Logins einer Experimentierplattform identifizieren?

Es lassen sich Gelegenheitsnutzer (1–5 Logins), typische Studierende (4–40 Logins während eines Semesters) und Power-User (>40 Logins, z. B. für Abschlussarbeiten oder Dozierende) unterscheiden.

Welche methodischen Herausforderungen gibt es bei der Datenerhebung auf YouTube?

Ein Problem ist der Autoplay-Effekt, der die Abrufzahlen verfälscht (ca. 50 % der Aufrufe sind kurzzeitig), sowie die fehlende Möglichkeit, Nutzer über mehrere Videos hinweg zu verfolgen.

Welchen Nutzen haben Teaching Analytics für die Karriere von Lehrenden?

Die Daten dienen als Nachweis für die Qualität und Reichweite der Lehre, was beispielsweise bei Leistungsvereinbarungen oder Bewerbungen um Lehrpreise genutzt werden kann.

Diagramm

100%

mindmap
  root)Teaching Analytics – Nutzung von OER-Materialien(
    ["Definition & Mehrwert"]
      ["Nutzungsdaten für Lehrverbesserung"]
      ["Motivation durch sichtbare Erfolge"]
      ["Nachweis für Qualität & Reichweite"]
    ["Analyse Video-Plattformen (YouTube)"]
      ["Hohe Reichweite & detaillierte Metriken"]
      ["Praxisvideos beliebter als Theorie"]
      ["Herausforderungen: Autoplay, Nutzerverfolgung"]
    ["Analyse Code-Repositories (GitHub)"]
      ["Aktive Nutzung durch Stars & Forks"]
      ["Spezialthemen mit hoher Aktivität"]
      ["Geringere Datenbasis & Analyseaufwand"]
    ["Experimentierplattformen (Remote-Labore)"]
      ["Individuelles Nutzerverhalten analysierbar"]
      ["Nutzertypen: Gelegenheit, Studierende, Power-User"]
      ["Manueller Analyseaufwand & indirekte Daten"]
    ["Globale Reichweite & Herausforderungen"]
      ["Internationale Nutzung (z.B. Marokko, Kolumbien)"]
      ["Plattformspezifische Verzerrungen"]
      ["Kombination verschiedener Tools für ganzheitliche Analyse"]

Teaching Analytics – Wer nutzt eigentlich meine OER-Materialien?