250 likes | 496 Views
Berliner XML Tage 2005. eLearning in Mathematik und Naturwissenschaften. Dr. Sabina Jeschke Dr. Thomas Richter. Hintergrund:. TU-Berlin: etwa 30.000 Studierende Schwerpunkt: Ingenieurswissenschaften, ebenso Physik, Mathematik, Geisteswissenschaften
E N D
Berliner XML Tage 2005 eLearning in Mathematik und Naturwissenschaften Dr. Sabina Jeschke Dr. Thomas Richter
Hintergrund: TU-Berlin: etwa 30.000 Studierende Schwerpunkt: Ingenieurswissenschaften, ebenso Physik, Mathematik, Geisteswissenschaften HM für Ingenieure: ca. 1.500…2.000 Hörer, parallel in fünf Zügen Multimedia Zentrum für eLearning, eTeaching and eResearch „MuLF“ Eingebettet in die Fakultät für Mathematik und Naturwissenschaften
für Mathematiker für Anwender der Mathematik! UND Veränderte Anforderungen an die Mathematische Ausbildung Impulse: • Verfügbarkeit von Mathematischer Software • Rasanter Wissenszuwachs • Steigende Komplexität der Aufgabenbereiche Anforderungen: • Verständnisorientierung • Selbständigkeit im Lernprozess, Lebenslanges Lernen • Interdisziplinarität & Soft Skills, Teamfähigkeit
Erste Generation: • Next Generation: Informationsdistribution Dokumentmanagement Passive, statische Objekte „Simple“ Trainingsszenaríen Isolierte Kommunikationsanwendungen Elektronische Präsentationsumgebungen Dynamische Inhaltsverwaltung Modulare, flexible Wissensbausteine Hohe Interaktivität und Adaptivität Komplexe Trainingsszenarien Integrierte Kooperationsumgebungen Unterstützung aktiver, explorativer Lernprozesse Moderne Mensch-Maschine-Interfaces Mumie Cinde- rella Applet Factory Virtuelle Labore Einsatz an vielen nationalen und internationalen Universitäten, i.a. nicht durchgängig Aktueller Forschungs- & Entwicklungsgegenstand Generationen der eLTR-Technologie: WebCT & Co.
Content Training Kommunikation & Kooperation Retrieval VirtLabs Klassifikation von eLearning in vier Bereiche Content-Bereich: Übungsbereich: Semantic Retrieval Bereich: Virtual Lab Bereich:
Content Content-Bereich • Unterstützung der Präsenzlehre • Zusammenstellung von Kurses aus elementaren Wissensatomen • Nichtlineare Navigation innerhalb der Kurse • Kurserstellung mittels Course-Creator • Trennung Rolle Autor - Dozent • LaTeX als Autorenwerkzeug, MathML zur Darstellung • Visualisierungen von mathematischen Konzepten und Objekten • Beinhaltet Multimedia-Elemente, Applet-Factory als Autorenwerkzeug • Java-Application-Server, XML-Technologie Konzipiert von: Dr. Sabina Jeschke/ Prof. Ruedi Seiler TU Berlin
Mumie Content – der CourseCreator: Zuweisung von Inhaltsbausteinen an die Knoten Rohe Kursstruktur ohne Inhaltszuweisung
Training Übungs-Bereich • Gliederung von Übungseinheiten entlang von Übungspfaden • Interaktive, konstruktive Aufgaben • Realisiert durch Java Applets • eingebettet in Aufgabennetzwerke • Engine: MathML, Java-Applets über Application-Server Konzipiert von: Dr. Sabina Jeschke/ Prof. Ruedi Seiler TU Berlin
Übungsbereich Beispiel: Hausaufgabe zu linearen Abbildungen Aufgaben zu einem Themengebiet Navigation im Kurs
Mumie (Übungsbereich) – Übungsnetzwerk: Status:im Aufbau Hausaufgabe: Löse die Differentialgleichung… Ingenieure: Sei y(t) = exp(wt)… Mathematiker: Sei z(t)=(y(t),y´(t))… Diagonalisiere A über…
Retrieval Semantic Retrieval-Bereich • Ausgangspunkt: Erstellen eines Lexikons aus bestehendem Material • Aufbau von Wissensnetzen • Darstellung fachspezifischer Zusammenhänge • Halb-automatisches Parsen natursprachlicher Texte • Quelltexte in LaTeX Entwickelt von: Dr. Nicole Natho & Sebastian Rittau TU Berlin
Mumie Semantic Retrieval Bereich Ziel: Aufbau von Wissensnetzen zur Darstellung von Sachzusammenhängen auf Benutzeranfrage LaTeX Konvertierung nach TIE, Ausnutzung von LaTeX Annotationen Entitäten Theoreme, Lemmata Definitionen Aufbrechen in die Binnenstruktur Sätze Linguistische Analyse (Chomskys Transformationsgrammatik) Semantik Tripel aus Objekten und Relationen Knowledge Base Status:im Aufbau Retrieval
VirtLabs Virtuelle Labore • Freiraum für selbstständige Experimente: Lernen durch Entdecken • Zusammenstellung von Laborelementen zu Experimenten • Integration von numerischen Tools und CAS • Diverse Oberflächen verschiedener Komplexität für div. Einsatzzwecke • Unterstützung kooperativer (u. Remote) Lernszenarien • Integration intelligenter Assistenten (prototypisch) Entwickelt von: Dr. Thomas Richter TU Berlin
Begriffsklärung „Virtuelle Labore“ Definitionsversuch: Virtuelle Labore sind Umgebungen, die realen Laboren nachempfunden sind, und in denen – computergestützt – Experimente entworfen, „aufgebaut“ (erstellt) und durchgeführt werden können. Dabei werden Experimente i.a. nicht an realen Aufbauten, sondern an rechnerimplementierten abstrakten Algorithmen realisiert. Diese Algorithmen bilden dabei entweder reale Geräte und Gegenstände oder aber theoretische Konzepte und Objekte ab. Charakteristika/ Kriterien: • Virtualität • (Math./Fachl.) Komplexität • Flexibilität • Kompositionsfähigkeit
Einsatz Virtueller Labore In theoretischen Gebieten: In experimentellen Gebieten: • Mathematik • Theoretische Physik • Theoretische Chemie • Theoretische Gebiete der Ingenieurwissenschaften • Experimentalphysik • Experimentelle Chemie • Experimentelle Gebiete der Ingenieurwissenschaften • Experimenteller Zugang zu abstrakten Objekten • Erfahrbarkeit abstrakter Konzepte • Trial-and-Error-Zugang zu neuen Erkenntnissen • Verfügbarkeit zusätzlicher Experimente • ständige Zugangsmöglichkeit • Steigerung Versuchskapazität • Sicherheitsaspekte • Effekt in „Reinform“ beobachtbar
Didaktische Anforderungen an Virtuelle Labore: • Vermittlung von Problemlösekompetenz • Unterstützung explorativen Lernens • Adaption an individuelle Bedürfnisse der Benutzer(gruppen) • Unterstützung kooperativer Lernszenarien • Interdisziplinäre, fachübergreifende Verschränkungen • Unterstützung MULTIPLER Einsatzszenarien: Motivation Demonstration, Vorführmode (Präsenslehre) Umgebung für (vor- und nachbereitende) Übungs- & Trainingsszenarien Teamarbeit & Projektarbeit Demo-Umgebung für (insb. mündliche) Prüfungen Selbstständiges, experimentierendes Entdecken
Konsequenzen für das Softwaredesign: • Modularer Aufbau • Trennung von Oberfläche und Rechenkern • Bereitstellung mehrerer GUIs für versch. Einsatzzwecke • Interface-Layer zur Verknüpfung von Experimenten • Einsatz offener Standards • Offene, dokumentierte Schnittstellen • ermöglichen und unterstützen die Zusammenstellung von Laborelementen aus verschiedenen Quellen • Netzwerk-basierte Komponenten („Groupware“) • um kooperative/remote Lern-Szenarien umzusetzen • Plattform-Unabhängigkeit
VideoEasel: Ein virtuelles Labor für Statistische Mechanik (DFG Zentrum MATHEON) Java-Oberfläche für Praktika und Demonstrationsexperimente Erstellung von Experimenten aus Laborkomponenten mittels Oorange Rechenkern hier: Ein programmierbarer zellulärer Automat implementiert die mikroskopische Dynamik und Messgeräte => Reichhaltiger Fundus von Experimenten: • Ferromagnetismus und das Ising-Modell • Gittergase • Entropie und der zweite Hauptsatz der Termodynamik • Bildentrauschung (nach Geman & Geman) • Partielle Differentialgleichungen • Bildverarbeitung durch Konvolutionsfilter
Kooperative Lernszenarien: Studierende Dozent/Kommilitonen Java Oberfläche Oorange & Maple
Benutzerverwaltung Architektur „Virtuelle Labore“ Integration externer Werkzeuge VideoEasel (Simulation & Berechung) Weiteres Labor Interfaces Assistenten Konnek- tor Konnek- tor CAS: Maple, Matlab etc… Status:im Aufbau Oberfläche Oberfläche Oberfläche Browser/ Interface Browser/ Interface Browser/ Interface Kooperation
Praxiserfahrung: Ein Kurs über das Ising-Modell Freie Energie f(h,T) Magnetisierung m(h,T) => m ~ ∂f/∂h
Information Softwareentwicklung Service & Dienstleistungen Forschung, Entwicklung & Lehre Koordination Softwareintegration TU-Medienzentrum für Lehre & Forschung Inhaltsentwicklung Beratung Multimedia-Schulung Interdisziplinäre Multimedia-Forschung Organisation & Management Multimedia-Testlabor Interdisziplinäre Multimedia-Lehre Öffentlichkeitsarbeit Drittmitteleinwerbung Industriekooperation Das MuLF-Zentrum:
eLearning Aktivitäten an der TU-Berlin Von Konzeption ... ... bis Implementation Fachdisziplin (Mathematik, Naturwiss., Ing.) Informatik (Softwarearchitektur, Datenbankmodelle, Serverkonzepte, Portaltechnologien, Formale Sprachen, Algorithmen, ...) WAS WIE Einsatz, Nutzer (Didaktik & Fachdidaktik, Usability-Studies) WOZU