ENGAGE.EU Learning Analytics: Papers ausgezeichnet

Wie lässt sich der Lernfortschritt und die Leistung von Studierenden messen? Mit dieser Aufgabe beschäftigt sich ENGAGE.EU im Rahmen der Task „Organize ENGAGE.EU Learning Analytics Research“. Auszeichnung von Lea Cohausz mit dem Best Paper Award.

Ziel ist es, innovative Learning Analytics Tools zur Analyse und Prognose des Lernfortschritts von ENGAGE.EU-Lernenden zu entwickeln. Die Ergebnisse werden zur Gestaltung von Kursen und Schulungen beitragen und können in wissenschaftlichen Publikationen veröffentlicht werden.

Als Grundlage dienen unter anderem zwei Studien der Mannheimer Wissenschaftlerin Lea Cohausz (Lehrstuhl für Künstliche Intelligenz), die in den Publikationen der Educational Data Mining Konferenz in den Jahren 2022 und 2023 erschienen sind. Beide Aufsätze wurden mit dem Best Paper Award ausgezeichnet.

Das erste Paper von 2022 mit dem Titel „Towards real interpretability of student success prediction combining methods of XAI and social science” erhielt den Best Student Short Paper Award. Häufig wird mittlerweile Machine Learning zur Vorhersage von Studienerfolg oder Studienabbruch verwendet. Abgesehen von der Wahrscheinlichkeit eines Studienabbruchs sind allerdings auch die Gründe für diesen interessant. Jedoch besteht ein Nachteil von Machine Learning Methoden darin, dass sie oft nicht transparent sind – man kann also anhand der resultierenden Modelle nicht erkennen, warum eine Methode eine Entscheidung trifft. In dem Paper wurde deswegen ein Modell entwickelt, das die Zusammenhänge von Variablen, die auf Studienabbruch wirken, darstellbar macht.

Mit dem Paper „Investigating the Importance of Demographic Features for EDM-Predictions“ in Zusammenarbeit mit Andrej Tschalzev, Christian Bartelt and Heiner Stuckenschmidt erhielt Lea Cohausz den Best Student Paper Award. Darin wurde untersucht, inwiefern demographische Daten im Educational Data Mining Bereich eine Rolle für Vorhersagen spielen. Sie werden häufig in Modellen verwendet, obwohl es dazu führen kann, dass Personen nur aufgrund einer demographischen Eigenschaft (beispielsweise des Geschlechts) z.B. zu einem Studiengang zugelassen werden. In dem Paper wird gezeigt, dass demographische Variablen nicht zu einer Zunahme in der Performanz der Modelle führen, aber nichtsdestotrotz zu großen Problemen in Bezug auf Fairness führen. Entsprechend wird empfohlen, diese Variablen nicht zu verwenden – was Fairness in Bezug auf diese Charakteristiken aber dennoch nicht garantiert.

Das Paper wurde auf der Homepage der International Educational Data Mining Society veröffentlicht.

Zurück