@phdthesis{Ifland2014,
  author    = {Ifland, Marianus},
  title     = {Feedback-Generierung f{\"u}r offene, strukturierte Aufgaben in E-Learning-Systemen},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-106348},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2014},
  abstract  = {Bei Lernprozessen spielt das Anwenden der zu erlernenden T{\"a}tigkeit eine wichtige Rolle. Im Kontext der Ausbildung an Schulen und Hochschulen bedeutet dies, dass es wichtig ist, Sch{\"u}lern und Studierenden ausreichend viele {\"U}bungsm{\"o}glichkeiten anzubieten. Die von Lehrpersonal bei einer "Korrektur" erstellte R{\"u}ckmeldung, auch Feedback genannt, ist jedoch teuer, da der zeitliche Aufwand je nach Art der Aufgabe betr{\"a}chtlich ist. Eine L{\"o}sung dieser Problematik stellen E-Learning-Systeme dar. Geeignete Systeme k{\"o}nnen nicht nur Lernstoff pr{\"a}sentieren, sondern auch {\"U}bungsaufgaben anbieten und nach deren Bearbeitung quasi unmittelbar entsprechendes Feedback generieren. Es ist jedoch im Allgemeinen nicht einfach, maschinelle Verfahren zu implementieren, die Bearbeitungen von {\"U}bungsaufgaben korrigieren und entsprechendes Feedback erstellen. F{\"u}r einige Aufgabentypen, wie beispielsweise Multiple-Choice-Aufgaben, ist dies zwar trivial, doch sind diese vor allem dazu gut geeignet, sogenanntes Faktenwissen abzupr{\"u}fen. Das Ein{\"u}ben von Lernzielen im Bereich der Anwendung ist damit kaum m{\"o}glich. Die Behandlung dieser nach g{\"a}ngigen Taxonomien h{\"o}heren kognitiven Lernziele erlauben sogenannte offene Aufgabentypen, deren Bearbeitung meist durch die Erstellung eines Freitexts in nat{\"u}rlicher Sprache erfolgt. Die Information bzw. das Wissen, das Lernende eingeben, liegt hier also in sogenannter „unstrukturierter" Form vor. Dieses unstrukturierte Wissen ist maschinell nur schwer verwertbar, sodass sich Trainingssysteme, die Aufgaben dieser Art stellen und entsprechende R{\"u}ckmeldung geben, bisher nicht durchgesetzt haben. Es existieren jedoch auch offene Aufgabentypen, bei denen Lernende das Wissen in strukturierter Form eingeben, so dass es maschinell leichter zu verwerten ist. F{\"u}r Aufgaben dieser Art lassen sich somit Trainingssysteme erstellen, die eine gute M{\"o}glichkeit darstellen, Sch{\"u}lern und Studierenden auch f{\"u}r praxisnahe Anwendungen viele {\"U}bungsm{\"o}glichkeiten zur Verf{\"u}gung zu stellen, ohne das Lehrpersonal zus{\"a}tzlich zu belasten. In dieser Arbeit wird beschrieben, wie bestimmte Eigenschaften von Aufgaben ausgenutzt werden, um entsprechende Trainingssysteme konzipieren und implementieren zu k{\"o}nnen. Es handelt sich dabei um Aufgaben, deren L{\"o}sungen strukturiert und maschinell interpretierbar sind. Im Hauptteil der Arbeit werden vier Trainingssysteme bzw. deren Komponenten beschrieben und es wird von den Erfahrungen mit deren Einsatz in der Praxis berichtet: Eine Komponente des Trainingssystems „CaseTrain" kann Feedback zu UML Klassendiagrammen erzeugen. Das neuartige Trainingssystem „WARP" generiert zu UML Aktivit{\"a}tsdiagrammen Feedback in mehreren Ebenen, u.a. indem es das durch Aktivit{\"a}tsdiagramme definierte Verhalten von Robotern in virtuellen Umgebungen visualisiert. Mit „{\"U}PS" steht ein Trainingssystem zur Verf{\"u}gung, mit welchem die Eingabe von SQL-Anfragen einge{\"u}bt werden kann. Eine weitere in „CaseTrain" implementierte Komponente f{\"u}r Bildmarkierungsaufgaben erm{\"o}glicht eine unmittelbare, automatische Bewertung entsprechender Aufgaben. Die Systeme wurden im Zeitraum zwischen 2011 und 2014 an der Universit{\"a}t W{\"u}rzburg in Vorlesungen mit bis zu 300 Studierenden eingesetzt und evaluiert. Die Evaluierung ergab eine hohe Nutzung und eine gute Bewertung der Studierenden der eingesetzten Konzepte, womit belegt wurde, dass elektronische Trainingssysteme f{\"u}r offene Aufgaben in der Praxis eingesetzt werden k{\"o}nnen.},
  subject      = {E-Learning},
  language  = {de}
}