TY  - THES
A1  - Münchow, Hannes
T1  - I feel, therefore I learn – Effectiveness of affect induction interventions and possible covariates on learning outcomes
T1  - I feel, therefore I learn – Effektivität von Affektinduktionsinterventionen und mögliche Kovariaten auf den Lernerfolg
N2  - Affective states in the context of learning and achievement can influence the learning process essentially. The impact of affective states can be both directly on the learning performance and indirectly mediated via, for example, motivational processes. Positive activating affect is often associated with increased memory skills as well as advantages in creative problem solving. Negative activating affect on the other hand is regarded to impair learning outcomes because of promoting task-irrelevant thinking. While these relationships were found to be relatively stable in correlation studies, causal relationships have been examined rarely so far. This dissertation aims to investigate the effects of positive and negative affective states in multimedia learning settings and to identify potential moderating factors. Therefore, three experimental empirical studies on university students were conducted. In Experiment 1, N = 57 university students were randomly allocated to either a positive or negative affect induction group. Affects were elicited using short film clips. After a 20-minute learning phase in a hypertext-based multimedia learning environment on “functional neuroanatomy” the learners’ knowledge as well as transfer performance were measured. It was assumed that inducing positive activating affect should enhance learning performance. Eliciting negative activating affect on the other hand should impair learning performance. However, it was found that the induction of negative activating affect prior to the learning phase resulted in slight deteriorations in knowledge. Contrary to the assumptions, inducing positive activating affect before the learning phase did not improve learning performance. Experiment 2 induced positive activating affect directly during learning. To induce affective states during the entire duration of the learning phase, Experiment 2 used an emotional design paradigm. Therefore, N = 111 university students were randomly assigned to learn either in an affect inducing multimedia learning environment (use of warm colours and round shapes) or an affectively neutral counterpart (using shades of grey and angular shapes) on the same topic as in Experiment 1. Again, knowledge as well as transfer performance were measured after learning for 20 minutes. In addition, positive and negative affective states were measured before and after learning. Complex interaction patterns between the treatment and initial affective states were found. Specifically, learners with high levels of positive affect before learning showed better transfer performance when they learned in the affect inducing learning environment. Regarding knowledge, those participants who reported high levels of negative activating affect prior to the learning period performed worse. However, the effect on knowledge did not occur for those students learning in the affect inducing learning environment. For knowledge, the treatment therefore protected against poorer performance due to high levels of negative affective states. Results of Experiment 2 showed that the induction of positive activating affect influenced learning performance positively when taking into account affective states prior to the learning phase. In order to confirm these interaction effects, a conceptual replication of the previous experiment was conducted in Experiment 3. Experiment 3 largely retained the former study design, but changed the learning materials and tests used. Analogous to Experiment 2, N = 145 university students learning for 20 minutes in either an affect inducing or an affectively neutral multimedia learning environment on “eukaryotic cell”. To strengthen the treatment, Experiment 3 also used anthropomorphic design elements to induce affective states next to warm colours and round shapes. Moreover, in order to assess the change in affective states more exactly, an additional measurement of positive and negative affective states after half of the learning time was inserted. Knowledge and transfer were assessed again to measure learning performance. The learners’ memory skills were used as an additional learning outcome. To control the influence of potential confounding variables, the participants’ general and current achievement motivation as well as interest, and emotion regulation skills were measured. Contrary to the assumptions, Experiment 3 could not confirm the interaction effects of Experiment 2. Instead, there was a significant impact of positive activating affect prior to the learning phase on transfer, irrespective of the learners’ group affiliation. This effect was further independent of the control variables that were measured. Nevertheless, the results of Experiment 3 fit into the picture of findings regarding “emotional design” in hypermedia learning settings. To date, the few publications that have used this approach propose heterogeneous results, even when using identical materials and procedures.
N2  - Affektiven Zuständen im Lern- und Leistungskontext wird ein wesentlicher Einfluss auf den Lernprozess zugesprochen. Dabei wirken diese sowohl direkt auf die Lernleistung als auch indirekt vermittelt über beispielsweise motivationale Prozesse. Positive aktivierende Affekte stehen dabei oft im Zusammenhang mit erhöhter Gedächtnisleistung und kreativer Problemlösefähigkeit. Negative aktivierende Affekte anderseits werden eher als lernhinderlich angesehen, da sie aufgabenirrelevantes Denken fördern. Während sich diese Zusammenhänge im Rahmen korrelativer Studien als relativ stabil erwiesen haben, sind kausale Beziehungen bislang noch eher selten untersucht. Diese Arbeit hat daher zum Ziel, die Auswirkungen von positiven und negativen aktivierenden affektiven Zuständen beim Lernen mit Hypermedien genauer zu betrachten und mögliche moderierende Einflussfaktoren zu erkennen. Dabei wurden drei experimentelle empirische Studien mit Universitätsstudierenden durchgeführt. In Experiment 1 wurde Studierenden (N = 57) zufällig positiver oder negativer aktivierender Affekt mithilfe von kurzen Filmsequenzen induziert. Nach einer 20-minütigen Lernphase in einer hypertextbasierten multimedialen Lernumgebung zum Thema „Funktionelle Neuroanatomie“ wurden die Verständnis - und Transferleistungen der Studierenden gemessen. Es wurde dabei angenommen, dass sich positiver aktivierender Affekt vor dem Lernen positiv auf die Lernleistung auswirkt, während vor dem Lernen induzierter negativer aktivierender Affekt die entgegengesetzte Wirkung haben sollte. Es zeigte sich, dass die Induktion von negativem aktivierenden Affekt vor dem Lernen zu einer leichten Verschlechterung der Verständnisleistung führte. Entgegen der Vermutungen zeigten Probanden, bei denen positiver aktivierender Affekt vor dem Lernen erzeugt wurde, jedoch keine Verbesserung der Lernleistung. Als mögliche Erklärungsursache hierfür wurde unter anderem angenommen, dass die Affektinduktion vor dem Lernen zwar erfolgreich war, diese Affekte jedoch nicht für die gesamte Dauer der Lernzeit anhielten. In Experiment 2 wurde positiv aktivierender Affekt während der gesamten Lernphase induziert. Dazu wurden N = 111 Universitätsstudierende zufällig einer affektinduzierenden multimedialen Lernumgebung (Verwendung von warmen Farben und runden Formen) oder einem affektneutralen Gegenstück (Verwendung von Grautönen und eckigen Formen) zum Thema „Funktionelle Neuroanatomie“ zugeordnet. Nach einer Lernzeit von 20 Minuten wurden Verständnis- und Transferleistungen gemessen. Es zeigten sich komplexe Interaktionsmuster zwischen dem Treatment und positivem und negativem Affekt vor dem Lernen gefunden: Lernende, die vor dem Lernen stark positiv gestimmt waren, zeigten eine bessere Transferleistung, wenn sie in der affekt-erzeugenden Lernumgebung lernten. Berichteten die Lernenden dagegen hohe Ausprägungen von negativem Affekt vor dem Lernen, so sank ihre Verständnisleistung. Dieser Effekt trat nicht auf, wenn in der affekterzeugenden Lernumgebung gelernt wurde. Für Verständnislernen schützte das Treatment daher vor schlechterer Performanz durch stark ausgeprägten negativen aktivierenden Affekt vor dem Lernen. Die Ergebnisse von Experiment 2 weisen darauf hin, dass die Induktion von positivem aktivierenden Affekt das Lernen positiv beeinflusst, wenn man die Affektausprägungen vor dem Lernen berücksichtigt. In Experiment 3 wurde eine konzeptuelle Replikation des vorangegangenen Experiments durchgeführt. Dazu wurde das Studiendesign größtenteils beibehalten, jedoch die verwendeten Lernmaterialien und Lerntests verändert. Analog zu Experiment 2 lernten N = 145 Studierende für 20 Minuten entweder in einer affekterzeugenden oder einer affektneutralen Lernumgebung zum Thema „Eukaryotische Zellen“. Zu Stärkung des Treatments wurden in Experiment 3 neben warmen Farben und runden Formen auch anthropomorphe Designelemente zur Induktion von positivem aktivierenden Affekt verwendet. Zudem wurde eine zusätzliche Messung des positiven und negativen Affektes nach der Hälfte der Lernzeit eingefügt, um die Veränderung des affektiven Erlebens während des Lernens differenzierter zu erfassen. Als Maße für die Lernleistung wurden erneut Verständnis und Transfer sowie die Gedächtnisleistung erhoben. Um den Einfluss potentieller konfundierender Variablen zu kontrollieren wurden zudem die generelle und aktuelle Leistungsmotivation, das Interesse sowie die Emotionsregulation gemessen. Entgegen der Erwartungen, konnte Experiment 3 die Interaktionseffekte aus Experiment 2 nicht bestätigen. Stattdessen zeigte sich ein signifikanter Einfluss des positiven aktivierenden Affektes vor dem Lernen auf die Transferleistung, unabhängig von der Gruppenzugehörigkeit des Lernenden. Dieser Effekt war unabhängig von den erhobenen Kontrollvariablen. Dennoch passen die Ergebnisse in das heterogene Befundmuster, welches sich durch die wenigen experimentellen Studien zu „emotional design“ beim Lernen abzeichnet.
KW  - Affekt
KW  - Leistungsmotivation
KW  - Lernerfolg
KW  - emotional design
KW  - positive and negative affect
KW  - learning outcomes
KW  - achievement motivation
Y1  - 2016
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-148432
ER  - 
TY  - THES
A1  - Hörmann, Markus
T1  - Analyzing and fostering students' self-regulated learning through the use of peripheral data in online learning environments
T1  - Analyse und Förderung des selbstgesteuerten Lernens durch die Verwendung von peripheren Daten in Online-Lernumgebungen
N2  - Learning with digital media has become a substantial part of formal and informal educational processes and is gaining more and more importance. Technological progress has brought overwhelming opportunities for learners, but challenges them at the same time. Learners have to regulate their learning process to a much greater extent than in traditional learning situations in which teachers support them through external regulation. This means that learners must plan their learning process themselves, apply appropriate learning strategies, monitor, control and evaluate it. These requirements are taken into account in various models of self-regulated learning (SRL). Although the roots of research on SRL go back to the 1980s, the measurement and adequate support of SRL in technology-enhanced learning environments is still not solved in a satisfactory way. An important obstacle are the data sources used to operationalize SRL processes. In order to support SRL in adaptive learning systems and to validate theoretical models, instruments are needed which meet the classical quality criteria and also fulfil additional requirements. Suitable data channels must be measurable "online", i.e., they must be available in real time during learning for analyses or the individual adaptation of interventions. Researchers no longer only have an interest in the final results of questionnaires or tasks, but also need to examine process data from interactions between learners and learning environments in order to advance the development of theories and interventions. In addition, data sources should not be obtrusive so that the learning process is not interrupted or disturbed. Measurements of physiological data, for example, require learners to wear measuring devices. Moreover, measurements should not be reactive. This means that other variables such as learning outcomes should not be influenced by the measurement. Different data sources that are already used to study and support SRL processes, such as protocols on thinking aloud, screen recording, eye tracking, log files, video observations or physiological sensors, meet these criteria to varying degrees. One data channel that has received little attention in research on educational psychology, but is non-obtrusive, non-reactive, objective and available online, is the detailed, timely high-resolution data on observable interactions of learners in online learning environments. This data channel is introduced in this thesis as "peripheral data". It records both the content of learning environments as context, and related actions of learners triggered by mouse and keyboard, as well as the reactions of learning environments, such as structural or content changes. Although the above criteria for the use of the data are met, it is unclear whether this data can be interpreted reliably and validly with regard to relevant variables and behavior.
Therefore, the aim of this dissertation is to examine this data channel from the perspective of SRL and thus further close the existing research gap. One development project and four research projects were carried out and documented in this thesis.
N2  - Lernen mit digitalen Medien ist ein substantieller Bestandteil formeller und informeller Bildungsprozesse geworden und gewinnt noch immer an Bedeutung. Technologischer Fortschritt hat überwältigende Möglichkeiten für Lernende geschaffen, stellt aber gleichzeitig auch große Anforderungen an sie. Lernende müssen ihren Lernprozess sehr viel stärker selbst regulieren als in traditionellen Lernsituationen, in denen Lehrende durch externe Regulation unterstützen. Das heißt, Lernende müssen ihren Lernprozess selbst planen, geeignete Lernstrategien anwenden, ihn überwachen, steuern und evaluieren. Diesen Anforderungen wird in verschiedenen Modellen des selbst-regulierten Lernens (SRL) Rechnung getragen. Obwohl die Wurzeln der Forschung zu SRL bis in die 1980er Jahren zurück reichen, ist die Messung und adäquate Unterstützung von SRL in technologie-gestützten Lernumgebungen noch immer nicht zufriedenstellend gelöst. Eine wichtige Hürde sind dabei die Datenquellen, die zur Operationalisierung von SRL-Prozessen herangezogen werden. Um SRL in adaptiven Lernsystemen zu unterstützen und theoretische Modelle zu validieren, werden Instrumente benötigt, die klassischen Gütekriterien genügen und darüber hinaus weitere Anforderungen erfüllen. Geeignete Datenkanäle müssen „online“ messbar sein, das heißt bereits während des Lernens in Echtzeit für Analysen oder die individuelle Anpassung von Interventionen zur Verfügung stehen. Forschende interessieren sich nicht mehr nur für die Endergebnisse von Fragebögen oder Aufgaben, sondern müssen auch Prozessdaten von Interaktionen zwischen Lernenden und Lernumgebungen untersuchen, um die Entwicklung von Theorien und Interventionen voranzutreiben. 
Zudem sollten Datenquellen nicht intrusiv sein, sodass der Lernprozess nicht unterbrochen oder gestört wird. Dies ist zum Beispiel bei Messungen physiologischer Daten der Fall, zu deren Erfassung die Lernenden Messgeräte tragen müssen. Außerdem sollten Messungen nicht reaktiv sein – andere Variablen (z.B. der Lernerfolg) sollten also nicht von der Messung beeinflusst werden. Unterschiedliche Datenquellen die zur Untersuchung und Unterstützung von SRL-Prozessen bereits verwendet werden, wie z.B. Protokolle über lautes Denken, Screen-Recording, Eye Tracking, Log-Files, Videobeobachtungen oder physiologische Sensoren erfüllen diese Kriterien in jeweils unterschiedlichem Ausmaß. Ein Datenkanal, dem in der pädagogische-psychologischen Forschung bislang kaum Beachtung geschenkt wurde, der aber nicht-intrusiv, nicht-reaktiv, objektiv und online verfügbar ist, sind detaillierte, zeitlich hochauflösende Daten über die beobachtbare Interkation von Lernenden in online Lernumgebungen. Dieser Datenkanal wird in dieser Arbeit als „peripheral data“ eingeführt. Er zeichnet sowohl den Inhalt von Lernumgebungen als Kontext auf, als auch darauf bezogene Aktionen von Lernenden, ausgelöst durch Maus und Tastatur, sowie die Reaktionen der Lernumgebungen, wie etwa strukturelle oder inhaltliche Veränderungen. Zwar sind die oben genannten Kriterien zur Nutzung der Daten erfüllt, allerdings ist unklar, ob diese Daten auch reliabel und valide hinsichtlich relevanten Variablen und Verhaltens interpretiert werden können.
Ziel dieser Dissertation ist es daher, diesen Datenkanal aus Perspektive des SRL zu untersuchen und damit die bestehende Forschungslücke weiter zu schließen. Dafür wurden eine Entwicklungs- sowie vier Forschungsarbeiten durchgeführt und in dieser Arbeit dokumentiert.
KW  - Selbstgesteuertes Lernen
KW  - Computerunterstütztes Lernen
KW  - self-regulated learning
KW  - process analysis
KW  - online learning
KW  - mouse tracking
KW  - keyboard tracking
KW  - learning
KW  - selfregulated
Y1  - 2020
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-180097
ER  -