Victoria Edelsbacher,
"Entwicklung eines Prototypen für die wissensbasierte und vertraulichkeitsbewahrende Aufgabenzuteilung in intelligenten tutoriellen Systemen"
, 10-2021, Masterarbeit am Institut für Wirtschaftsinformatik - Data & Knowledge Engineering, Betreuung: o. Univ.-Prof. Dr. Michael Schrefl, unter Anleitung von Dr. Bernd Neumayr
Original Titel:
Entwicklung eines Prototypen für die wissensbasierte und vertraulichkeitsbewahrende Aufgabenzuteilung in intelligenten tutoriellen Systemen
Sprache des Titels:
Deutsch
Original Kurzfassung:
In der heutigen Zeit kann man sich das Lernen ohne digitale Hilfsmittel kaum mehr vorstellen. Um Studierende beim Lernprozess zu unterstützen, werden in vielen Bereichen Lernplattformen für die Bereitstellung von Lernmaterialien sowie zur Lernfortschrittskontrolle eingesetzt. Da jedoch jeder Mensch individuell lernt, wird immer mehr versucht, das Lernen mithilfe individueller Aufgabenlisten an die Bedürfnisse der Studierenden anzupassen. Hierfür kommen intelligente tutorielle Systeme zum Einsatz. Für die Individualisierung der Aufgabenlisten wird jedoch eine große Menge an Daten über die Studierenden gesammelt. Daher spielt Privatsphäre eine besondere Rolle in diesem Bereich.
In dieser Masterarbeit wurde ein experimenteller Standalone-Prototyp entwickelt, welcher eine wissensbasierte und vertraulichkeitsbewahrende Zuteilung von Aufgaben in intelligenten tutoriellen Systemen realisiert. Hierbei wurde darauf geachtet, die Privatsphäre der Studierenden zu bewahren, indem die Informationen über die Studierenden nur von ihnen selbst einsehbar sind und nur das notwendige Minimum an Informationen mit den Lehrenden geteilt wird. Des Weiteren wurden verschiedene Einstellungsmöglichkeiten für die Studierenden entwickelt, mit welchen sie das Lernen an ihre individuellen Bedürfnisse anpassen können.
Sprache der Kurzfassung:
Deutsch
Englische Kurzfassung:
In today?s society it is hard to imagine learning without the digital world. In order to support students in the learning process, learning platforms are used in many areas to provide learning materials and to monitor the learning progress. However, since not all students learn in the same way, more and more attempts are being made to adapt learning to the needs of the students by means of individual task lists. Intelligent tutorial systems are used for this purpose. In order to individualise the task lists, a large amount of student data is collected. Therefore privacy plays a special role in this area.
In this master thesis an experimental standalone prototype was developed, which realises a knowledge-based and privacy-preserving assignment of tasks in intelligent tutorial systems. In doing so, the privacy of the students was preserved by ensuring that information about the students is only accessible by the students themselves and that only the minimum necessary information is shared with the teachers. In addition, various configuration options have been developed for the students, with which they can adapt the learning process to their individual needs.
Erscheinungsmonat:
10
Erscheinungsjahr:
2021
Notiz zum Zitat:
Masterarbeit am Institut für Wirtschaftsinformatik - Data & Knowledge Engineering, Betreuung: o. Univ.-Prof. Dr. Michael Schrefl, unter Anleitung von Dr. Bernd Neumayr