J-Quizmaker

Lehrvideos erfreuen sich dank aktueller Entwicklungen im Bereich der Online-Lehre (Videoplattformen, MOOCs) auf der einen Seite und einer riesigen Auswahl sowie einer einfachen Produktion und Distribution auf der anderen Seite großer Beliebtheit bei der Wissensvermittlung. Trotzdem bringen Videos einen entscheidenden Nachteil mit sich, welcher in der Natur des Datenformats liegt. So sind die Suche nach konkreten Sachverhalten in einem Video sowie die semantische Aufbereitung zur automatisierten Verknüpfung mit weiteren spezifischen Inhalten mit hohem Aufwand verbunden. Daher werden die lernerfolg-orientierte Selektion von Lehrsegmenten und ihr Arrangement zur auf Lernprozesse abgestimmten Steuerung gehemmt. Beim Betrachten des Videos werden unter Umständen bereits bekannte Sachverhalte wiederholt bzw. können nur durch aufwendiges manuelles Spulen übersprungen werden. Selbiges Problem besteht auch bei der gezielten Wiederholung von Videoabschnitten. Als Lösung dieses Problems wird eine Webapplikation vorgestellt, welche die semantische Aufbereitung von Videos hin zu adaptiven Lehrinhalten ermöglicht: mittels Integration von Selbsttestaufgaben mit definierten Folgeaktionen können auf Basis des aktuellen Nutzerwissens Videoabschnitte automatisiert übersprungen oder wiederholt und externe Inhalte verlinkt werden. Der präsentierte Ansatz basiert somit auf einer Erweiterung der behavioristischen Lerntheorie der Verzweigten Lehrprogramme nach Crowder, die auf den Lernverlauf angepasste Sequenzen von Lerneinheiten beinhaltet. Gleichzeitig werden mittels regelmäßig eingeschobener Selbsttestaufgaben Motivation sowie Aufmerksamkeit des Lernenden nach Regeln der Programmierten Unterweisung nach Skinner und Verstärkungstheorie gefördert. Durch explizite Auszeichnung zusammengehöriger Abschnitte in Videos können zusätzlich die enthaltenden Informationen maschinenlesbar gestaltet werden, sodass weitere Möglichkeiten zum Auffinden und Verknüpfen von Lerninhalten geschaffen werden.

Instructional videos enjoy great popularity in knowledge transfer due to recent developments in the field of online teaching (video platforms, MOOCs) on the one hand and a huge selection as well as an easy production and distribution on the other hand. Nevertheless, videos lead to crucial disadvantages, which are in the nature of the data format. Thus, the search for specific contents in a video as well as the semantic processing for automated linkage with other related materials are associated with high expenditure. Consequently, the learning success-oriented selection of appropriate video segments and their arrangement to control individual learning processes are inhibited. While watching a video, already known facts may be repeated or can only be skipped by manually moving within the video. The same problem occurs when attempting to specifically repeat certain video sections. To solve this problem, a web application is introduced, which allows the semantic processing of videos towards adaptive learning contents: by integrating self-test tasks with defined follow-up activities, video segments can automatically be skipped or repeated and external contents are linked, based on the current user knowledge. The presented approach is based on an extension of the behaviorist learning theory of Branched Teaching Programs by Crowder, which includes learning progress-adapted sequences of learning units. At the same time, learner’s motivation and attention are promoted according to rules of Skinner’s Programmed Instruction and the reinforcement theory by regularly included self-test tasks. Additionally, by explicit distinction of related sections in the video, information are available in machine-readable form, so that further possibilities for finding and linking learning contents are established.