Psychology
Refine
Document Type
- Doctoral Thesis (2)
Has Fulltext
- yes (2)
Keywords
- Artificial Intelligence (1)
- Association (1)
- Augmented Reality (1)
- Cognitive Load (1)
- Education (1)
- Evolutionary Algorithm (1)
- Linked Data (1)
- Machine Learning (1)
- SPARQL (1)
- SPARQL query learning (1)
Faculty / Organisational entity
Die steigende Verfügbarkeit von Smartphones und Tablet-PCs in der Schule bieten neue methodische und mediale Wege der Unterrichtsgestaltung, die zur Beurteilung der Lernwirksamkeit eine wissenschaftliche Betrachtung erfordern. Während zahlreiche Publikationen zu Augmented Reality (AR) im Bildungskontext existieren, fehlt es an einer differenzierten Betrachtung der Lernwirksamkeit AR-typischer Merkmale sowie breit angelegter Untersuchungsdesigns. Ziel dieser Arbeit ist es, die Lernwirksamkeit von AR in authentischen biologischen Unterrichtsszenarien multiperspektivisch zu betrachten. Zur Beurteilung der Lernwirksamkeit wurden Daten zu Lernzuwachs (LZ), Cognitive Load (CL), Nutzungserlebnis (UX), empfundener Lernunterstützung (ELU) sowie zur Immersion gemessen. Die Forschungsfragen beziehen sich auf den Einfluss der Art des Mediums, der Steuerung, des Triggers und der medialen Repräsentation auf die Lernwirksamkeit.
Die Untersuchungen wurden mithilfe eigens entwickelnder AR-Apps mit 769 Teilnehmenden aus rheinland-pfälzischen Gymnasien und zwei Universitäten durchgeführt. Neben dem Nachweis theoretischer Zusammenhänge der untersuchten Parameter mittels Strukturgleichungsmodellierung konnten mehrheitlich signifikante Unterschiede im LZ zugunsten von AR festgestellt werden. Darüber hinaus zeigten die Studien dieser Arbeit einen positiven Einfluss von AR auf den CL, sodass sich der Einsatz von AR nicht nachteilig auf die kognitive Belastung auswirkt. Neben des überdurchschnittlich bis exzellenten Abschneidens der AR-Apps im Benchmark-Vergleich (Vergleichsgruppe n = 20190 (Schrepp, 2019)), konnten positive Effekte der UX-Dimension Stimulation auf die Reduktion des lernhinderlichen Extraneous Cognitive Loads und die Steigerung des lernförderlichen Germane Cognitive Loads nachgewiesen werden. Hinsichtlich der ELU zeigten sich verschiedene mediale Präferenzen der Teilnehmenden, sodass durch die Verwendung von AR im Sinne eines wechselnden Medieneinsatzes die Bedürfnisse aller Lernenden abgedeckt werden kann. Weiterhin erreichten die Teilnehmenden die höchste der drei Ebenen der Immersion, sodass die Art des Triggers die 21 Immersionsfaktoren von Georgiou und Kyza (2017a) ergänzt.
Die Arbeit leistet auf Grundlage der Identifikation von AR-typischen Merkmalen einen Beitrag zum besseren Verständnis der lernwirksamen Potenziale von AR-basierten Lernumgebungen und zeigt darüber hinaus theoriebildende Implikationen zur Messung des CL auf. Ob sich mithilfe von AR der CL senken lässt, bedarf es Untersuchungen in Lernsettings, die einen hohen CL aufweisen. Weiterhin bietet der ARI-Fragebogen einen geeigneten Ausgangspunkt zur Erforschung AR-typischer Immersionsfaktoren. Trotzdem bedarf es weiterer Studien zur Validierung des ARI-Fragebogens und zur systematischen Untersuchung der Lernwirksamkeit von AR-typischen Merkmalen.
In recent years, enormous progress has been made in the field of Artificial Intelligence (AI). Especially the introduction of Deep Learning and end-to-end learning, the availability of large datasets and the necessary computational power in form of specialised hardware allowed researchers to build systems with previously unseen performance in areas such as computer vision, machine translation and machine gaming. In parallel, the Semantic Web and its Linked Data movement have published many interlinked RDF datasets, forming the world’s largest, decentralised and publicly available knowledge base.
Despite these scientific successes, all current systems are still narrow AI systems. Each of them is specialised to a specific task and cannot easily be adapted to all other human intelligence tasks, as would be necessary for Artificial General Intelligence (AGI). Furthermore, most of the currently developed systems are not able to learn by making use of freely available knowledge such as provided by the Semantic Web. Autonomous incorporation of new knowledge is however one of the pre-conditions for human-like problem solving.
This work provides a small step towards teaching machines such human-like reasoning on freely available knowledge from the Semantic Web. We investigate how human associations, one of the building blocks of our thinking, can be simulated with Linked Data. The two main results of these investigations are a ground truth dataset of semantic associations and a machine learning algorithm that is able to identify patterns for them in huge knowledge bases.
The ground truth dataset of semantic associations consists of DBpedia entities that are known to be strongly associated by humans. The dataset is published as RDF and can be used for future research.
The developed machine learning algorithm is an evolutionary algorithm that can learn SPARQL queries from a given SPARQL endpoint based on a given list of exemplary source-target entity pairs. The algorithm operates in an end-to-end learning fashion, extracting features in form of graph patterns without the need for human intervention. The learned patterns form a feature space adapted to the given list of examples and can be used to predict target candidates from the SPARQL endpoint for new source nodes. On our semantic association ground truth dataset, our evolutionary graph pattern learner reaches a Recall@10 of > 63 % and an MRR (& MAP) > 43 %, outperforming all baselines. With an achieved Recall@1 of > 34% it even reaches average human top response prediction performance. We also demonstrate how the graph pattern learner can be applied to other interesting areas without modification.