Zum Inhalt

Modul: Vorgehensmodell#

Inhalt

Das Vorgehensmodell strukturiert den Prozess der Datenanalyse für projektbasierte Lehrveranstaltungen in einzelne Tätigkeitsfelder. Jedem Feld werden Tätigkeiten und Rollen/Agenten zugeordnet sowie benannt, von welchem Modul des Rahmenwerks diese unterstützt werden. Außerdem werden die Abhängigkeiten und Schnittstellen zwischen den Tätigkeitsfeldern beschrieben. Dies dient der Selbstverortung der Personen im Datenanalyseprozess und zur Orientierung in diesem Handbuch.

Grundlegendes Vorgehen#

Prinzipiell müssen für eine Datenanalyse

  • Ziele formuliert,
  • Daten aufgezeichnet,
  • aufgezeichnete Daten verarbeitet,
  • verarbeitete Daten analysiert und
  • die gewonnenen Informationen genutzt werden.

Ein Vorgehensmodell für die Datenanalyse in projektbasierten Lehrveranstaltungen#

Das Vorgehensmodell beschreibt einen iterativen Datenanalyseprozess. Dieser führt von der Beschreibung der zu gewinnenden Informationen über die Datenaufzeichnung und -analyse hin zum Einsatz der Analyseergebnisse, um die menschliche und technische Umgebung zu verändern. Es werden nicht nur zielgerichtete Analysen, sondern auch die Erkundung der vorliegenden Daten und der in ihnen versteckten Informationen unterstützt. Realisiert wird dies durch eine iterative Gestaltung und integrierte Feedbackschleifen.

Ausprägung der Abschnitte

Je nach Komplexität der projektbasierten Lehrveranstaltung und ihrer (technischen) Umgebung, Anspruch der durchzuführenden Analysen sowie Qualität der zu analysierenden Daten, können die einzelnen Abschnitte des Vorgehensmodells unterschiedlich stark verfolgt werden.

Vorgehensmodell für die Datenanalyse

Im Folgenden werden die einzelnen Abschnitte des vorgeschlagenen Vorgehensmodells erläutert. Die verlinkten Abschnitte in der Dokumentation der Datenanalyse beinhalten jeweils konkrete Fragen und Tätigkeiten.

Zu gewinnende Informationen beschreiben#

Zu Beginn einer Datenanalyse, sollten die zu gewinnenden Informationen beschrieben werden. Die Beschreibung und Erteilung der Analyseaufträge können z. B. die Aufgabe der Veranstaltenden und Teilnehmenden einer Lehrveranstaltung oder externer Parteien sein. Sie richten diesen Auftrag an die Rolle AnalytikerIn (vgl. Modul: Abbildung von Lehrveranstaltungen auf Multiagentensysteme). Diese Rolle wird unten in weitere Sub-Rollen zerlegt, hier wird das Vorgehensmodell jedoch zunächst grob ohne Einbeziehung der Rollen beschrieben.

  • Welche Informationen sollen gewonnen werden?
  • Wie sollen diese Informationen genutzt werden?
  • Was erhoffen Sie sich von der Analyse und der Nutzung der Informationen?

Ziele verstehen und Analysefragen formulieren#

Es muss sichergestellt werden, dass die Ziele und die Analysefragen von allen Parteien verstanden werden.

  • Was sind die großen Ziele dieses Datenanalyseauftrags?
  • Welches Sub-Ziele soll in dieser Iteration verfolgt werden?
  • Welche (kleinen) Analysefrage(n) lässt/lassen sich zu diesem Sub-Zielen formulieren?

Vollständigkeit, Risiken und Qualität der Datenbasis untersuchen#

Die Daten sollten nicht ohne Begutachtung und gewissenhafter Durchsicht für Analysezwecke verwendet werden.

  • Benötigte Daten identifizieren
    • Abgezieltes Datenschema entwickeln und beschreiben
    • Datenquellen
    • Datenbeschreibung
    • Datenuntersuchung
    • Datenbewertung

Aufzuzeichnende Daten spezifizieren, ggf. Risiken minimieren#

Wenn Daten fehlen, die Qualität zu gering ist oder bisher zu viele Risiken beinhalten, sollte die Datenaufzeichnung angepasst bzw. die Datenvorverarbeitung entsprechend entworfen werden.

  • Fehlende Daten aufzeichnen
  • Fehlerhafte Daten korrigieren
  • Risiken in Daten minimieren

Technische und menschliche Umgebung anpassen#

Damit fehlende, risikoärmere oder qualitativ hochwertigere Daten aufgezeichnet werden können, sollten die technische und die menschliche Umgebung angepasst werden.

  • Anpassung der technischen Umgebung
  • Formulierung von Verhaltenskonventionen
  • Kommunikation der Verhaltenskonventionen

Daten extrahieren, ggf. transformieren und sammeln#

Nachdem die Daten in einem gewünschten Zustand sind, können diese verarbeitet werden.

  • Daten extrahieren
  • Daten transformieren
  • Daten bereinigen
  • Risiken minimieren
  • Daten laden

Analyse durchführen#

Wenn die Daten für die Analysen aufbereitet und bereitgestellt wurden, können die ersten Analysen durchgeführt werden. Möglicherweise werden hier Informationen gewonnen, die eine Anpassung der Datenvorverarbeitung erfordern.

  • Visualisierung der Daten
  • Daten z. B. fehlerhaft/widersprüchlich/fehlende Aggregation?

Qualität und Nutzen der Analyseergebnisse sicherstellen#

Anschließend müssen die Analysen kritisch überprüft werden. Möglicherweise müssen die zu gewinnenden Informationen und Ziele anders/besser beschrieben werden und somit eine neue Analyse initialisiert werden.

  • Wurden alle Daten berücksichtigt?
  • Richtige Filter (z. B. Zeiträume und Projekte) gesetzt?
  • Existieren Widersprüche zur Realität?
  • Sind die Skalen der Visualisierungen sinnvoll gewählt?

Interpretation der Analyseergebnisse#

Nachdem die Qualität und der positive Nutzen sichergestellt wurden, können die Ergebnisse interpretiert werden.

  • Hypothesen formulieren
  • Anpassungsvorschläge ableiten

Analyseergebnisse gewinnbringend einsetzen#

Damit die Analysen ihren Nutzen entfalten können, sollten die Ergebnisse (wie z. B. die Anpassungsvorschläge) kommuniziert und die Selbstreflexion der Veranstaltenden und Teilnehmenden angeregt werden.

Anschließend können weiterführende Analysen initialisiert werden, die z. B. die Ausprägungen der gegebenen Anpassungsvorschläge oder weitere Details untersuchen.

Abbildung von Datenanalysetätigkeiten auf Multiagentensysteme#

Um die Datenanalysetätigkeiten auf Multiagentensysteme (MAS) abzubilden -- ähnlich, wie auch hier projektbasierte Lehrveranstaltungen auf MAS abgebildet wurden -- wird die bereits dort definiert Rolle AnalytikerIn verfeinert. Diese Verfeinerung wird anhand der Tätigkeiten vollzogen, die während einer Analyse auftreten. So soll ein besseres Verständnis für den gesamten Analyseprozess erzeugt werden. Kooperierende Personen/Agenten können sich so anhand ihrer Rolle in diesem Prozess verorten (Aufgaben, Zuständigkeiten, Abhängigkeiten etc.). Die Abhängigkeiten der Tätigkeiten sind im Vorgehensmodell festgelegt. Die verfeinerten Rollen werden den Blöcken im Vorgehensmodell zugewiesen.

Ausprägung der Rolle AnalytikerIn#

Die AnalytikerIn ist vorrangig eine dienstleistende Rolle. Sie versucht, auf Anfragen anderer Rollen (LehrerIn, LernerIn, ProjektmanagerIn, VeranstaltungsentwicklerIn und PrüferIn) hin, bestimmte Informationen bereitzustellen. Dazu kann sie auf der obersten Ebene auf drei Lösungsansätze zurückgreifen: "Personen/Agenten befragen", "Daten analysieren" und "Umgebung beobachten". Da im Vordergrund einer LLUA die Datenanalyse steht, wird im Folgenden dieser Lösungsansatz der AnalytikerIn näher betrachtet.

Verfeinerung der Rolle AnalytikerIn#

Die hier relevante Verfeinerung der Rolle AnalytikerIn ist in der folgenden Abbildung grafisch dargestellt. Im Anschluss werden die einzelnen Rollen kurz erläutert und in das Vorgehensmodell eingebettet. Im Detail werden ihre Tätigkeiten in den folgenden Modulen dieses Clusters beschrieben. Die Rollen werden in diesen explizit genannt.

Rollen in der Datenanalyse

Rollen in der Datenanalyse (Verfeinerung der Rolle AnalytikerIn)

AnwendungsfallversteherIn#

Die Rolle AnwendungsfallversteherIn ist für die Annahme des Analyseauftrags von anderen Rollen zuständig (s. o.). Sie versucht, die Ziele der beauftragenden Rollen zu verstehen, die mit der Durchführung einer Analyse erreicht werden sollen und setzt diese in den Kontext der betreffenden Lehrveranstaltung. Daraufhin formuliert sie präzise Analysefragen, die den weiteren Analyseprozess maßgeblich prägen.

DatenversteherIn#

Vor dem Hintergrund der formulierten Analysefragen, begutachtet und bewertet die Rolle DatenversteherIn, die zur Verfügung stehenden Datenbestände und wählt die zu verwendenden Daten aus. Darüber hinaus identifiziert sie fehlende oder hilfreiche Daten und entwickelt Konzepte, wie diese aufzuzeichnen wären. Außerdem fällt die Vorbereitung für die Pseudonymisierung und Anonymisierung der Daten -- genannt Risikoanalyse -- und die Bereinigung der Daten in ihren Tätigkeitsbereich.

DatenintegratorIn#

Für die (technische) Umsetzung geeigneter ETL-Prozesse (für die formulierten Analysefragen und ausgewählten Datenbestände) ist die Rolle DatenintegratorIn verantwortlich. Sie sorgt außerdem für die Datenvorverarbeitung und somit z. B. auch für die Datenfehlerkorrektur, die Datenbereinigung und die notwendige Pseudo- und Anonymisierung der Daten, um die Persönlichkeitsrechte der Agenten zu wahren.

DatenvisualisiererIn#

Die eigentliche Analyse der Daten wird von der Rolle DatenvisualisiererIn durchgeführt. In diesem Zuge wählt sie adäquate Analyse- und Modellierungstechniken aus.

AnalyseevaluatorIn#

Auf Plausibilität hin werden die durchgeführten Analysen und Modellierungen der Daten von der Rolle AnalyseevaluatorIn bewertet. Sie formuliert nötige Anpassungen an den Analyseprozess und interpretiert die Analyseergebnisse in dem Kontext der betreffenden Lehrveranstaltung.

AnalyseanwenderIn#

Auf der Basis der interpretierten Analyseergebnisse erzeugt die Rolle AnalyseanwenderIn Anpassungsvorschläge für die betreffende und/oder zukünftige Lehrveranstaltungen.