Datenqualität umfragebasierter Workload-Messungen: Eine Mixed-Methods-Studie auf Grundlage von Learning Analytics und kognitiven Interviews

Studentischer Workload: Definition, Messung und Einflüsse
,
pp. 205–229
,
Wiesbaden
,
Springer
,
2020,

Daniel Großmann, Christian Engel, Justus Junkermann,
Samoilova, Evgenia, Tobias Wolbring, Florian Keusch
ISBN: 978-3-658-28930-0 (print), 978-3-658-28931-7 (online)
DOI: 
10.1007/978-3-658-28931-7_8
Abstract

Diese Studie untersucht die Qualität studentischer Selbstangaben zum zeitlichen Aufwand anhand von Learning Analytics und kognitiven Interviews im Rahmen eines berufsbegleitenden online-basierten Fernstudiengangs. Die Selbsteinschätzung des Zeitaufwands wurde mittels einer wöchentlichen webbasierten Umfrage über ein ganzes Semester hinweg erhoben. Die Online-Lernumgebung des Studienprogramms erlaubte eine nichtreaktive Messung des Workloads mittels Videoansicht-Logs in Echtzeit und deren Verknüpfung mit den Umfragedaten. Die Ergebnisse zeigen, dass sich die Schätzungen auf Grundlage von Logs und Umfragedaten deutlich unterscheiden. Im Durchschnitt liegen die Selbstangaben deutlich über den Log-basierten Werten. Die Korrelation zwischen beiden Messungen ist sehr schwach und bivariate Regressionsmodelle deuten darauf hin, dass die umfragebasierten Selbstangaben ein statistisch signifikanter, jedoch schwacher Prädiktor des anhand Learning Analytics geschätzten Workloads sind. Die kognitiven Interviews zeigen ergänzend dazu, dass Erinnerungs- und Urteilsfehler zentrale Ursachen für Verzerrungen in den studentischen Angaben darstellen.