IFeL-Projekte
Das Institut für Fernstudien und E-Learningforschung (IFeL) ist in vier Forschungsbereichen tätig: personalisiertes und adaptives Lernen, Emotionen beim Lesen und Lernen, Virtual Reality und Fernstudium und Learning Analytics. Methodisch setzen wir uns auf den Einsatz von designbasierter Forschung, künstlicher Intelligenz und maschinellem Lernen. Wir wenden klassische statistische Ansätze und verschiedene Messinstrumente wie Logfile-Analyse, Eye Tracking, Face Reading usw. an.
SAMBA: Fähigkeiten und Einstellungen durch maschinenbasierte adaptive Aufmerksamkeitsführung
SAMBA (Skills and Attitudes through Machine-Based Adaptive Attention Guidance) ist ein vom SNF finanziertes Projekt (Link: https://data.snf.ch/grants/grant/215141 ), das von einer schweizerisch-südafrikanischen Forschungsgruppe durchgeführt wird. Es verfolgt das ambitionierte Ziel, die individuellen Fähigkeiten und Einstellungen von Studierenden auf effiziente Weise mittels einer KI-Lernumgebung mit Maschine Learning basierten Algorithmen weiterzuentwickeln.
Der Schwerpunkt liegt dabei auf der gezielten Lenkung und Steigerung der Aufmerksamkeit sowie der automatischen Anpassung der Lernumgebung an die persönlichen Bedürfnisse der Studierenden, um die Selbststeuerung der Lernprozesse zu optimieren. Das innovative Konzept wird in zwei spezifischen Kursen an drei verschiedenen Universitäten getestet.
Kontakte: Prof. Per Bergamin, Dr. Ioan-Sorin Comsa
Dauer des Projektes: 01.06.2023 - 31.05.2026
INTEAM+: Grundstein zur Verbesserung der INterprofessionellen TEAM-Schulungen mit Virtual Reality und adaptivem Lernen
INTEAM+ ist ein gemeinsames Forschungsprojekt der FFHS, dem Inselspital Bern, und der Berner Fachhochschule, gefördert durch den BeLEARN Booster Fonds. Das Ziel des Projekts ist es, ein auf Virtual Reality (VR) basierendes interprofessionelles Teamkommunikationstraining (Ergebnis des von BeLEARN finanzierten Projekts INTEAM) zu erweitern. Es wird untersucht, inwiefern das bestehende Training mit Learning Analytics kombiniert werden kann, um das Leistungsfeedback zu bereichern, was eine entscheidende Komponente jedes Trainings darstellt.
Das Projekt unternimmt die Vorarbeiten für die Integration eines personalisierten und adaptiven Lernsystems, das auf objektiven Leistungsmarkern basiert. Ein differenzierteres Lernfeedback hat das Potenzial, das Lernergebnis zu verbessern, die Nachbesprechung der Trainings zu erleichtern, die Motivation zu steigern und weitere Lernaktivitäten zu steuern.
Kontakte:Dr. Ioan-Sorin Comsa, Dr. Ivan Moser
Dauer des Projektes: 2023 - 2024
M-KIK (Mapping KI Kompetenzen)
In einem Folgeprojekt zur Erfassung der digitalen Lehrkompetenzen von Hochschuldozierenden an der HE-SO, der PH VS und der FFHS finanziert der Kanton Wallis eine Erweiterung des Fragebogens um KI-spezifische Fragen.
Eine Validierung mit Lehrpersonen auf allen Schulstufen ist geplant. Das Projekt läuft derzeit noch, mit einer Datenerhebung, die für den Herbst vorgesehen ist.
Dauer des Projekts: seit 2024
Kontakt: Dr. Christof Imhof
DeepScan: Automatische Benotung und Feedback für Studentenzeichnungen mittels Deep Learning
Das vom SNF Spark geförderte Projekt DeepScan zielt darauf ab, modernste Deep-Learning-Techniken für das Autograding und die Bereitstellung von Feedback zu den Graphen von Studierenden in Mathematikkursen zu nutzen.
Um das Verständnis der Schüler für mathematische Konzepte zu beurteilen, verwenden Lehrer häufig offene Aufgaben, die in Form von schriftlichen Antworten wie kurzen Antworten und Aufsätzen gestellt werden. Dank der rasanten Fortschritte bei der Verarbeitung natürlicher Sprache können diese schriftlichen Antworten nun effektiv analysiert und automatisch benotet werden. Bei mathematischen Aufgaben mit offenem Ende werden jedoch auch Zahlen, Diagramme und Grafiken verwendet, so dass die Studierenden digitale Leinwände verwenden oder Bilder ihrer handschriftlichen Arbeiten in die meisten Lernmanagementsysteme (LMS) hochladen müssen. Leider gibt es derzeit nur wenige oder gar keine Lösungen, um diese Art von offenen Antworten automatisch zu benoten und Feedback zu geben. Diese Forschungsarbeit zielt darauf ab, diese Lücke durch die Entwicklung eines Deep-Learning-Modells zu schließen, das in der Lage ist, die Graphen der Studierenden im Mathematikunterricht automatisch zu bewerten und Feedback zu geben.
Weitere Informationen: SNF Datenbank
Dauer des Projekts: 2024 - 2025
Kontakt: Dr. Behnam Parsaeifard
LAViR
Im Rahmen des LAVIR-Projekts, das in Zusammenarbeit mit der Universität Johannesburg und mit Unterstützung des Meta/Unity Funds durchgeführt wurde, haben wir eine VR-App entwickelt.
Diese App ermöglicht Lehrpersonen, «Mikrolektionen» in einer Multiuser-Umgebung durchzuführen und zu üben. Eine besondere Funktion der App ist die automatische Erfassung und Synchronisierung von Verhaltensdaten, wie etwa Bewegungen, die nach jeder Lektion direkt auf ein Dashboard übertragen werden. Dadurch erhalten Lehrpersonen sofortiges Feedback, um schnell Verbesserungen vornehmen zu können.
Dauer des Projekts: 2023 – 2025
Kontakt: Dr. Martin Hlosta , Dr. Ivan Moser
LEA-Lernumgebung (LEA = Learning Environment for Analytics
Im Rahmen dieses Projekts wurde eine Analyseumgebung entwickelt, die Daten wie Mausbewegungen und Tastatureingaben sammelt. In dieser Plattform können Lerninhalte spezifisch gestaltet und durch intelligente Algorithmen die Lernaktivitäten am Bildschirm ausgewertet werden, um gezieltes Feedback zu generieren.
Die Plattform wird beispielsweise im SAMBA-Projekt sowie in drei Kursen zu den Themen Human-Computer-Interaction, Projektmanagement sowie quantitative Forschungsmethoden und Statistik verwendet. Ziel ist es, in diesen Kursen zukünftig Echtzeit-Verhaltensanalysen zur Selbsteinschätzung der Studierenden und zur Generierung von Lernhinweisen anzubieten. Zudem wurde die Integration in Lernplattformen wie Moodle priorisiert, um eine einfache Anpassung und Nutzung über verschiedene Kurse und Universitäten hinweg sicherzustellen.
Dauer des Projekts: 2022 – 2024
Kontakt: Dr. Tansu Pancar, Prof. Dr. Per Bergamin
Programmierungskurse mit JupyterHub und nbgrader
Um das Lernen in Programmierkursen an der FFHS optimal zu unterstützen, wurde der JupyterHub, eine Programmier- und Dokumentationsumgebung, in Kombination mit nbgrader, einem automatisierten Korrektursystem, eingeführt.
Diese Tools ermöglichen es Studierenden aus technischen sowie teilweise sozialwissenschaftlichen Disziplinen (z. B. Statistik), ihre Programmierkenntnisse gezielt zu trainieren, Aufgaben effizient zu bearbeiten und Prüfungen selbstständig zu üben.
Dauer des Projekts: seit Februar 2024
Kontakt: Dr. Behnam Parsaeifard
SAFI – Softwarebasierte Analyse und Förderung sozialer Integration
Kinder lernen besser, wenn sie sich in der Schule wohlfühlen und sich zugehörig und akzeptiert fühlen. Soziale Beziehungen, das Wohlbefinden und das Klassenklima spielen dabei eine zentrale Rolle. SAFI ist ein gemeinsames Projekt der PH-Bern, Uni Bern und Berner Fachhochschule gefordert durch den BeLEARN Booster Fonds.
Das Ziel des Projekts ist es, Lehrpersonen bei der Förderung dieser Aspekte zu unterstützen und ein soziales Klimamonitoring zu entwickeln. Dies soll den Lehrpersonen ermöglichen, Aspekte wie Schüler:innenbeziehungen, -wohlbefinden und das Klassenklima systematisch zu erfassen, zu visualisieren und Entwicklungen im Zeitverlauf sichtbar zu machen, damit sie kooperative, wertschätzende und sichere Klassenräume für Kinder schaffen können.
Die FFHS ist ein Kooperationspartner in diesem Projekt. Die Expertise der FFHS wird insbesondere für Usability-Fragen und die Implementierung technologiebasierter Lösungen genutzt.
Kontakt: Dr. Sergej Wuethrich, Projektleiter (PH Bern), Dr. Christof Imhof, Victoria Mirata (FFHS)
Dauer des Projekts: 2023 - 2024
Lernzukunft@FFHS
Neue KI-Tools wie ChatGPT, Bard oder Gemini bieten einerseits innovative Möglichkeiten für die Bildung – etwa zur Erstellung von Inhalten, Aufgaben, Korrekturen und zur Unterstützung der Kommunikation.
Andererseits gibt es Bedenken hinsichtlich eines möglichen Missbrauchs und einer ineffizienten Nutzung dieser Technologien, mit negativen Auswirkungen auf das Lernen. In einer aktuellen Delphi-Studie zur Zukunft der Hochschulbildung, insbesondere an der FFHS, untersuchen wir, wie die neuesten Entwicklungen in der KI-Lehr- und Lernansätze verändern könnten.
Dauer des Projekts: 2024 – 2025
Kontakt: Prof. Dr. Per Bergamin, Victoria Mirata, Dr. Susanne Schulmeister
DWH@FFHS (Zentrale Analyseplattform)
Um solche Daten effizient auszuwerten, wurde eine Plattform geschaffen, die verschiedene Online-Lernsysteme integriert. Dabei war es notwendig, Daten aus Lern- und Verwaltungssystemen zusammenzuführen.
Es wurde darauf geachtet, dass die Studierenden in ihrem Studienalltag nicht beeinträchtigt wurden und die von den Forschenden verwendeten Daten weitgehend anonymisiert sind. Zusätzlich wurde sichergestellt, dass die Datensicherheit gemäß dem schweizerischen Datenschutzrecht gewährleistet ist. Ethische Richtlinien für den Umgang mit den Daten wurden ebenfalls entwickelt, und entsprechende Strukturen wie eine Ethikkommission und die Position eines zentralen Datenmanagers wurden eingerichtet. Ebenso wird der Zugriff auf Datenquellen geregelt: Technische Komponenten allein reichen nicht aus, um skalierbare Analysen zu ermöglichen. Deshalb haben wir gemeinsam mit der IT-Abteilung der FFHS einen Prozess entwickelt, der es berechtigten Personen erlaubt, Zugriff auf relevante Datenquellen anzufordern, während gleichzeitig die Einhaltung von Sicherheits- und Datenschutzrichtlinien sichergestellt wird.
Dauer des Projekts: Dr. Martin Hlosta, Prof. Dr. Per Bergamin
Dauer: 2021 – 2022