Statusvortrag im Promotionsver­fahren von Clemens Witt

Titel: Problemlösestrategien von Noviz:innen im Bereich des maschinellen Lernens. Kategorisierung, Erfassung und Förderung in digitalen Lernumgebungen für den Informatikunterricht

Title: Problem-Solving Strategies of Novices in Machine Learning: Categorization, Assessment, and Support in Digital Learning Environments for Computer Science Education

Betreuerin/Main supervisor: Prof. Dr. Mareen Grillenberger
Fachreferent/Specialist supervisor: Dr. Thiemo Leonhardt

Kurzfassung:
Im Unterschied zu Problemlösekontexten des klassischen Informatikunterrichts erfordert die Entwicklung von Modellen im Bereich des maschinellen Lernens (ML) ein vorwiegend induktives, datengetriebenes und iteratives Vorgehen. Wie Noviz:innen in solchen Modellbildungsprozessen vorgehen und wie sich strukturierendes Problemlösen dort gezielt fördern lässt, ist bislang kaum untersucht. Das Promotionsvorhaben bearbeitet diese Fragestellungen im Rahmen eines Design-Research-Ansatzes am Beispiel eines digitalen Lernspiels, in dem Lernende einen didaktisch reduzierten Modellbildungsprozess mit Entscheidungsbäumen durchlaufen. Ausgehend von etablierten und für den ML-Kontext adaptierten Strategietypologien des Programmierenlernens werden zunächst die Vorgehensweisen der Lernenden empirisch identifiziert und kategorisiert. Um erfolgsrelevante, strukturierende Vorgehensweisen gezielt zu fördern, werden die identifizierten Strategien mithilfe eines multimodalen Stealth-Assessment-Modells prozessbegleitend erfasst und in einem adaptiven Feedbacksystem in strategieorientierte Rückmeldungen überführt. Die Erprobung des Systems im Rahmen von ML-Einführungsworkshops zeigt eine fördernde Wirkung der Rückmeldungen auf den Einstieg in strukturierendes Vorgehen und rückt die Verstetigung dieses Vorgehens in den Fokus der Weiterentwicklung. Aus den Befunden des Forschungszyklus werden Gestaltungsprinzipien für die strategiebezogene Unterstützung von Lernenden in digitalen ML-Lernumgebungen abgeleitet. Auf ihrer Grundlage konzipiert die Arbeit das virtuelle Lernlabor Model Playground, das die strategieorientierte Förderung auf die Entwicklung neuronaler Netze überträgt.

Abstract:
In contrast to problem-solving contexts in traditional computing education, the development of machine learning (ML) models requires predominantly inductive, data-driven and iterative approaches. How novices proceed in such model development processes and how structured problem-solving can be fostered in a targeted manner in this context have hardly been investigated to date. The dissertation project addresses these research questions within a design research approach in the context of a digital learning game in which learners engage in a didactically reduced model development process using decision trees. Building on established strategy typologies from programming education that were adapted to the ML context, the learners’ approaches are first empirically identified and categorized. To foster structuring approaches in a targeted manner, the identified strategies are captured in-process by means of a multimodal stealth assessment model and translated into strategy-oriented feedback within an adaptive feedback system. The deployment of the system in introductory ML workshops shows a supportive effect of the feedback on the initiation of structuring approaches and moves the consolidation of these approaches into the focus of further development. The findings of the iterative design research process yield design principles for the strategy-related support of learners in digital ML learning environments. On this basis, the thesis conceptualizes the virtual learning lab Model Playground, which transfers the strategy-oriented support to the development of neural networks.