Wechseln zu: Navigation, Suche

Seitenwerte für „Big Data Nutzung an Hochschulen“

Wiener­WissensWelt

Drehscheibe für Bildung, Forschung und Wirtschaft.

Werte von „Articles“

ArticleTitleBig Data an Hochschulen: Werden Studierende unterstützt oder selektiert?
ArticlePicture
Fehler beim Erstellen des Vorschaubildes: /bin/bash: /usr/bin/convert: No such file or directory

Error code: 127
library-1269924_640.jpg
ArticlePictureAltTextMann liest Buch in Bibliothek
ArticlePictureTextPixabay, CC_0.
VideoContent
TagsBildung · Big Data · Informationsgesellschaft
ScienceFieldsErziehungswissenschaften · Informatik · Mathematik · Informatik · Mathematik · Erziehungswissenschaften
TrendsBig-Data-Subtrend · Bildung-Subtrend · Digital-Democracy-Subtrend · Digitale-Resilienz-Subtrend · Digitale-Verwaltung-Subtrend · Digitalisierung Megatrend · Identity-Management-Subtrend · Information-Knowledge-Economy-Subtrend · Selftracking-Subtrend · Social-Local-Mobile-Subtrend · Globaler Wandel Megatrend · Gesellschaftsstrukturen-Subtrend · Liquid-Governance-Subtrend · Self-Learning-Subtrend · Soziale-Ungleichheit-Subtrend · Tutorial-Learning-Subtrend · Responsible Education and Innovation Megatrend
Editor
PublisherWienerWissensWelt
TitleBig Data Nutzung an Hochschulen
Author
PlaceWien
DateJear2017
TypeInternetdokument
SourceLinkExternalhttp://www.sunypress.edu/pdf/63130.pdf
ArticleSourceBiblioCopyPasteLane, Jason E. / Finsel, Alex (2014): Fostering Smarter College and Universities: Data, Big Data, and Analytics, Research Gate: [http://www.sunypress.edu/pdf/63130.pdf http://www.sunypress.edu/ pdf/63130.pdf]
ArticleShortTextHochschulen forschen und lehren zu Big Data und leisten somit echte Pionierarbeit in dem Bereich. Big Data beschreibt Datenmengen, die aufgrund ihres Umfangs nur noch mit Hilfe von Computern ausgewertet werden können (siehe Artikel zu Big Data). Gleichzeitig scheuen Hochschulen häufig davor zurück, Big Data Analysen für die eigene Institution zu nutzen – ein Widerspruch, wie Jason E. Lane und Alex Finsel finden. In dem Paper „Fostering Smarter College and Universities: Data, Big Data, and Analytics” befassen sie sich damit, wie Hochschulen durch den gezielten Einsatz von Big Data verbessert werden können – und welche Gefahren dabei auftreten.
ArticleText====Individuelle Unterstützungsangebote==== Mit Hilfe von Big Data kann eine Art "Frühwarnsystem" geschaffen werden, das den Leistungsabfall von Studierenden rechtzeitig erkennt und eine entsprechende Intervention ermöglicht. Ohne Datenanalyse ist die Leistung von Studierenden häufig erst am Ende eines Semesters ersichtlich, wenn Noten vergeben werden. Mit den richtigen Daten, so die Autoren, können Lehrende möglichst rasch identifizieren, welche Studierenden gefährdet sind und basierend darauf individuell intervenieren. So erhalten Studierende Unterstützungsangebote, bevor es zu spät ist und sie eine Lehrveranstaltung oder ein Semester wiederholen müssen. ====Microtargeting: Die „richtigen“ Studierenden anziehen==== Datenanalysen können auch eingesetzt werden, um Hochschulen für bestimmte Zielgruppen attraktiver zu machen. Der Wettbewerb um exzellente Studierende ist hoch und wird zunehmend höher. Durch Big Data können theoretisch unter allen Absolvent*innen sekundärer Schulen jene identifiziert werden, die als besonders vielversprechend eingestuft werden. Diese können dann spezifisch mit Werbemaßnahmen angesprochen werden, statt nach dem Gießkannenprinzip alle potentiellen Interessent*innen zu bewerben. ====You might also like…==== Netflix und Amazon haben diese Kategorie bereits länger: „You might also like…“ schlägt Konsument*innen weitere Produkte oder Serien vor, die andere mit ähnlichen Vorlieben konsumiert haben. Ein vergleichbares System ist bei der Lehrveranstaltungsplanung möglich: Studierende geben an, welche Lehrveranstaltungen sie bereits belegt haben, wann sie Kurse zeitlich besuchen können und welchen Abschluss sie in welchem Zeitraum erreichen möchten. Basierend darauf schlägt das System einen Stundenplan für das folgende Semester vor. So wird vermieden, dass Studierende gegen Ende des Studiums feststellen, dass noch eine notwendige Lehrveranstaltung fehlt oder aufeinander aufbauende Kurse nicht richtig im Studium eingetaktet wurden. ====Bewerbungsdaten nur der Anfang von Big Data ==== Doch welche Daten werden an Hochschulen gesammelt und für Analyssen eingesetzt? Studierendendaten beinhalten jene Informationen, die in einer Hochschulbewerbung enthalten sind, etwa Name, Geburtsdatum, Adresse, Geschlecht und Staatsbürgerschaft. Diese bilden aber nur die absolute Basis aller theoretisch verfügbaren Daten, die für Analysen genutzt werden können. ====Woher kommen die Daten noch?==== Hochschulen können erheben, zu welchem Zeitpunkt sich Studierende für Lehrveranstaltungen anmelden und wie sie auf eLearning Plattformen agieren: Wann und wie lange sie sich einloggen, welche der zu Verfügung gestellten Lernmaterialien sie herunterladen und wie aktiv sie mit anderen Studierenden online interagieren. Stellen Hochschulen Chipkarten zu Verfügung, können Aktivitäten der Studierenden theoretisch damit getrackt werden. Die Karten können aufzeichnen, wann Studierende die Hochschule betreten, wo sie sich aufhalten, ob sie die Mensa oder die Bücherei besuchen – und was sie dort essen bzw. ausleihen. Manche Hochschulen greifen auch auf Daten von Social Media Plattformen zurück, um detaillierte Informationen über Bewerber*innen oder Studierende zu erhalten. ====Profiling als Gefahr==== Die wohl größte Gefahr bei der Verwendung von Big Data an Hochschulen ist laut den Autoren das sog. Profiling – teilweise zu Ungunsten der Studierenden. Aufgrund einer Gruppenzugehörigkeit werden Studierende stereotypisiert. Doch Mutmaßungen, die auf das Verhalten einer Gruppe generell zutreffen, sind nicht zwangsläufig auf Individuen übertragbar. Dieser Trugschluss ist insbesondere bei zugangsbeschränkten Hochschulen potentiell gefährlich. So könnte es durch Big Data passieren, dass Studiengänge sich gezielt gegen die Aufnahme von Studierenden entscheiden, weil sie einer bestimmten Gruppe (Herkunft, Geschlecht, Alter, etc.) angehören, die im Schnitt statistisch seltener das Studium abschließt. Von Seiten der Hochschule handelt es sich hier um eine Risikominimierung - das Potential des/der Einzelnen wird hier jedoch einer verallgemeinerten Erhebung untergeordnet. ====Daten zielorientiert sammeln==== Lane und Finsel raten davon ab, auf Verdacht möglichst viele Daten zu sammeln – nicht zuletzt, weil die Aufbewahrung einer Myriade von Daten speichertechnisch beachtliche Herausforderungen mit sich bringt. Statt dessen wäre es sinnvoll, sich ex ante zu überlegen, welche Ziele für die Verbesserung der eigenen Hochschule gesetzt werden sollen. Erst im nächsten Schritt kann überlegt werden, welche Daten zu der Lösung des spezifischen Problems beitragen könnten und wie diese am besten erhoben werden. ====Anonymisierung als Chance==== Häufig können Daten anonymisiert werden, ohne an Aussagekraft für die Hochschule zu verlieren. So kann es hilfreich sein zu erheben, welche Art von Nutzung des eLearning-Angebots letztendlich zu den besten Noten führt – ohne zu wissen, welche Studierenden konkret hinter dieser Nutzung stecken. So können Daten von Personen bzw. Personengruppen entkoppelt werden. ====Erfolgs-Beispiel der Arizona State University==== Als Beispiel für eine erfolgreiche Datennutzung nennen die Autoren die Arizona State University. Im Jahr 1997 schlossen dort nur 26 % aller Studierenden den Bachelor in den dafür vorgesehenen vier Jahren ab. Als einer der ersten Universitäten wurden deshalb 2008 Datenanalysen eingeführt, um Drop-out gefährdete Studierende rechtzeitig zu identifizieren. In nur vier Jahren schlossen plötzlich 42 % aller Studierenden das Bachelor-Studium in der Mindeststudienzeit ab. Big Data Analysen bieten Hochschulen demnach theoretisch ein enormes Potential – sofern sie nicht genutzt werden, um ohnehin schon marginalisierten Gruppen den Zugang zu Bildung weiter zu erschweren.
InternalAuthorme
InternalAuthorColourblue
FurtherLinks* Lane, Jason E. / Finsel, Alex (2014): Fostering Smarter College and Universities: Data, Big Data, and Analytics, Research Gate: http://www.sunypress.edu/ pdf/63130.pdf