Identifying and incorporating learning styles and affective states in web-based learning management systems

Abstract

In der Forschung wurde dem Gebiet der e-Education in den letzten Jahren viel Aufmerksamkeit geschenkt. Im Speziellen wurden zahlreiche webbasierte Lernmanagementsysteme (LMS-Systeme) entwickelt.<br />Bedauerlicherweise wurden meist diese Systeme generisch entwickelt, sodass sie nicht den jeweils speziellen individuellen Bedürfnissen angepasst sind. Das Hauptproblem, das in dieser Dissertation behandelt wird, ist die Berücksichtigung der Tatsache, dass jeder Lernende individuelle Charakteristika und Bedürfnisse des Lernens in sich birgt.<br />Den gängigen LMS-Systeme mangelt es derzeit an der Berücksichtigung eben dieser Spezifika des individuellen Lernens. Neuere Beiträge der Literatur auf diesem Gebiet befassten sich mit einzelnen Aspekten des individuellen Lernens wie zum Beispiel Lernstile, Aspekte des Einflusses der affektiven Zustände des Lernenden auf computerunterstütztes Lernen.<br />Diese Forschungsbeiträge basieren auf neuesten Ergebnissen der Forschung auf dem Gebiet der Pädagogik und Modellen der Personalisierung von Unterrichtsmaterialien, die der Steigerung der Lernleistung dienen. Die vorliegende Dissertation befasst sich primär mit der Identifikation von Lernstilen und der Berücksichtigung der affektiven Zustände der Lernenden für webbasierte LMS-Systeme, die letztlich zu einem ganzheitlichen adaptiven Ansatz führen. Die Identifikation der Lernstile basiert auf dem Modell von Felder und Silverman. Die Berücksichtigung der affektiven Zustände wie Vertrauen (Konfidenz), Unabhängigkeit, Bemühen und Konfusionserkennung basiert auf verschiedenen Modellen der Literatur. Ein automationsunterstützter Modellierungsansatz zur Identifikation und Berücksichtigung der Lernstile, die aus Präferenzen und affektiven Zuständen des Lernverhaltens abgeleitet werden kann wird hier vorgestellt, implementiert und evaluiert. Es wird gezeigt, dass der vorgestellte Ansatz geeignet ist Lernstile zu identifizieren und mit zu berücksichtigen. Die implementierte Software ermöglicht es einerseits den Lehrenden Lernstile und affektive Zustände zu erkennen und zu identifizieren. Andererseits ermöglicht die Erkennung der Lernstile und affektiven Zustände der Lernenden ein adaptives Lernen für die Lernenden.<br />

The field of e-education has received significant research attention in recent years. More specifically, numerous web-based learning management systems (LMSs) have been developed. LMSs with all its potential benefits are growing at a tremendous rate. However, they follow the "one size fits all" approach where the structure and the didactic material of such courses are usually static. The fundamental problem is that learners inevitably have diverse learning needs and characteristics. Learning systems that accommodate individual differences enhance the students' learning gain and experience. The LMSs currently do not have a mechanism to consider the individual differences of learners. Recently, educational researchers have focused separately on aspects of personal needs such as learning styles and characteristics such as affective states, their impact on learning, and also how they can be incorporated in technology enhanced learning. These investigations are motivated by the modern pedagogical theories and research/models which emphasize to personalise the course material, in order to enhance the learners' learning performance and satisfaction.<br />This dissertation focuses on the identification and incorporation of learning styles and affective states within web-based LMSs for providing holistic adaptivity. The learning styles identification is based on Felder-Silverman learning style model (FSLSM) and the affective states such as confidence, independence, effort, and confusion identification is based on the literature reported in different affective states models. An automated modelling approach for identifying and incorporating, learning styles from the preferences and affective states from the behaviour of learners has been designed, implemented, and evaluated, demonstrating that the proposed approach is suitable for identifying and incorporating learning styles and affective states.<br />Based on this approach, a standalone tool (AsLim) for the automatic identification of learning styles and affective states in LMSs has been implemented. The implemented tool on the one hand, enables teachers to identify learning styles and affective states of their students while using a LMS. Consequently, motivate teachers to provide their students with different learning environments that are more preferred and more efficient to them. On the other hand, the identified learning styles and affective states can act as basis for providing adaptivity.<br />