Redaktion

Projekt News

Welche Rolle spielt das Microlearning bei ELe-com?

Ein Puzzle im Hintergrund mit zwei fehlenden Teilchen. Eine Hand mit dem Handy davor. Auf dem Handybildschirm ist eine Suchoption aktiviert.

Digitales Lernen erfordert vollkommen neue Methoden der Wissensaneignung. Eine Möglichkeit sind dabei kurzformatige Trainings, die unter dem Stichwort „Microlearning“ firmieren.  Dabei werden die Inhalte in Häppchen von circa 10 Minuten verpackt. Dadurch lässt sich das Lernen problemlos in den Alltag einbinden. Darüber hinaus entspricht das auch dem aktuellen Trend nach schneller Informationsaufnahme und kurzen Aufmerksamkeitsspannen.

Beim Microlearning werden die Lerninhalte auf viele kleine Einheiten verteilt und digital aufbereitet. Verbindet man dies noch mit spielerischen Aspekten oder einer Geschichte, kann der Lernerfolg deutlich verbessert werden. Dies gilt auch insbesondere dann, wenn die Einheiten mit einem direkten Feedback verknüpft sind.

Microlearning macht immer dann Sinn, wenn sich die Lerninhalte in kleine Sequenzen aufteilen lassen. Besonders bekannt ist dies beim Vokabellernen oder bei der Festigung bestimmter Bewegungen im Sport oder in der Rehabilitation. Auch informelles Lernen am Arbeitsplatz kann als Microlearning aufgefasst werden. So kann ein kurzer Blick in ein YouTube-Video die notwendige Wissenslücke schließen.    

Warum ist Microlearning erfolgreich?

Ein Erfolgsfaktor des Microlearning ist die Einbettung des Lernens in den Alltag der Lernenden. Durch die kurze Zeitspanne der einzelnen Einheiten können die Lernenden an jedem beliebigen Ort zu jeder beliebigen Zeit darauf zugreifen. Ob in der Straßenbahn, in einer Warteschlange an der Kinokasse oder zwischen zwei Kund:innen im Geschäft. Lernen wird dadurch ein ständiger Begleiter im Alltag der Lernenden, ohne ihre Aufmerksamkeit zu stark zu beanspruchen.

Ein weiterer Erfolgsfaktor liegt in der kostengünstigen und schnellen Erweiterung bzw. Aktualisierung der Inhalte. Wird das Instrument von den Lernenden am Arbeitsplatz angenommen, können neue Lerninhalte schnell und günstig produziert und eingebunden werden. Dies kann auch durch die Mitarbeiter:innen selbst geschehen (User generated Content). So können dabei Videos im YouTube-Format, Text(Sprach)nachrichten über WhatsApp oder 280 Zeichen über Twitter genutzt werden. Auch Quizapps sind durch ihr direktes Feedback und dem Wettbewerbscharakter gut geeignet. 

Wie kommen Microlearning und KI zusammen?

Die Qualität von Microlearning-Kursen wird durch die KI verbessert, indem anspruchsvolle Inhalte und zeitnahes Feedback generiert werden und den Lernenden gezielte Lernmöglichkeiten geboten werden – passgenau und personalisiert.

Im Rahmen des Projektes Ele-com werden Microlearnings zum Thema Customer Journey entwickelt, die in drei verschiedenen Lernformaten (Lesen, Podcast, interaktives Video) und in drei verschiedenen Niveaus zur Verfügung gestellt werden. Die Nutzer:innen können dabei entscheiden, ob Sie mit Hilfe der KI lernen oder selbst in der Fülle an Microlearnings stöbern wollen. Die KI unterstützt die Lernenden, indem sie aus dem bisherigen Lernverlauf der Nutzer:innen neue Vorschläge generiert, welche Lerneinheit als nächstes sinnvoll ist.

Ein weiterer Vorteil der KI ist auch die Möglichkeit zur Personalisierung der Lerndaten. Das ermöglicht es den Nutzer:innen, genau die Lerneinheiten in dem Format und dem Niveau zu erhalten, welches den Lernerfahrungen und Lernvorlieben der einzelnen Person entspricht. Das reduziert Gefahren der Über- oder Unterforderung.

Was sind die Grenzen des Microlearning?

Die Einsatzfelder von Microlearning sind vielfältig; genauso wie der mögliche Einsatz der digitalen Technik. Aber Microlearning löst nicht alle Lernprobleme. Insbesondere, wenn komplexere Inhalte gelernt werden sollen oder der Trainingseffekt im Mittelpunkt steht, sind andere Lernformate oft besser geeignet. Es gilt also immer, zunächst das Ziel zu bestimmen und dann die geeignete Methode anzupassen.

Die Mitarbeiter:innen sollten auch nicht mit Wissen überfrachtet werden. Insbesondere wenn es zusammenhanglos, also ohne eine affizierende Geschichte vorgetragen wird, ist der Lernerfolg eher bescheiden. Für viele Lernbereiche ist auch immer noch der pädagogische Bezug zwischen den Lernenden und den Lehrenden entscheidend für den Lernerfolg.  

Beachtet man diese limitierenden Aspekte, kann Microlearning eine wichtige Ergänzung der betrieblichen Personalentwicklung darstellen.

Projekt News

Woher weiß die KI, was die Lernenden machen (xAPI)

Schematische Darstellung von Schnittstellen der Datenübertragung mithilfe von xAPI

Im Projekt ELe-Com haben wir es uns zur Aufgabe gemacht, ein System mit mehreren Lernmöglichkeiten zu entwickeln, das das Lernen für die Nutzer:innen mit unterschiedlichen Lernbedürfnissen und Präferenzen attraktiver und leichter macht. Das entwickelte Lernangebot wird in Form von Micro-Lerneinheiten über die Lernplattform ILIAS zur Verfügung gestellt. Die Nutzer:innen können sich freiwillig entscheiden, ob sie von unseren Assistenzsystemen komplett, teilweise oder gar nicht geführt werden. Außerdem besteht die Möglichkeit, aus drei Lernformaten auszuwählen – Lesen, Hören oder Sehen. Die Nutzer:innen, die unseren Lernnavigator LENA nutzen möchten, geben zu Beginn ihre Lernpräferenzen über eine kurze Abfrage an und legen mit dem Lernen los. Ab diesem Zeitpunkt kommt das intelligente KI-basierte Empfehlungssystem – EMIL zur Unterstützung. EMIL sammelt und wertet die Daten zu Lernaktivitäten aus, um den Lernenden Empfehlungen auszusprechen, damit sie schneller und effektiver zum Lernziel kommen. Im Weiteren möchten wir Ihnen kurz darstellen, welche Anforderung wir bezüglich der Datenerfassung hatten und welche Lösung dafür eingesetzt wird.

Die Anforderung: Daten

ILIAS ist hinsichtlich der Erfassung von Lernaktivitäten beschränkt. ILIAS weiß grundsätzlich, ob ein Objekt noch offen, in Bearbeitung oder abgeschlossen ist. Oder ob eine Datei angeklickt wurde oder bis zu welcher Stelle in einer Lernsequenz Lernende die Inhalte bearbeitet haben. ILIAS kann außerdem Lernfortschritte aus SCORM-Dateien erfassen.
Das KI-basierte Entscheidungsmodul EMIL benötigt jedoch mehr Daten, um gute Empfehlungen für adaptives Lernen auszusprechen. Mehr als ILIAS im Standard zur Verfügung stellt.
Für gute Empfehlungen ist es z.B. gut zu wissen, mit welchen Lernmedien gelernt wurde. Ob bspw. ein Video angeklickt wurde. Ob es zu Ende geschaut wurde oder an welcher Stelle es abgebrochen wurde. Daraus ließe sich ableiten, ob eine angegebene Präferenz tatsächlich beibehalten wird.
Ober auch, welche Antworten in einem Quiz gegeben wurden. Wieviel falsche, wieviel richtige und bei wieviel Durchläufen? Daraus könnte die KI das bisherige Wissen und den aktuellen thematischen Bedarf besser ableiten.

Die Lösung: xAPI

Damit EMIL ausreichend Daten für präzise Empfehlungen bekommt, setzen wir im Projekt xAPI ein.
xAPI ist ein Datenmodell, das im Prinzip jeder aus den Statusmeldungen von Sozialen Netzwerken kennt: Ein Mensch | hat angeschaut | ein Video. Jemand | hat ein Like hinterlassen | zu einem bestimmten Bild. Subjekt, Prädikat und Objekt.

Dieses grundsätzliche Datenmodell lässt sich um weitere Informationen ergänzen: Actor (wer hat gehandelt) > Verb (was wurde getan) > Object (wo fand die Handlung statt) > Result (mit welchem Ergebnis) > Context (erweiterte Informationen) > Timestamp (wann wurde am Objekt gearbeitet).

Die Sache ist nur: ILIAS 7 kann kein xAPI.

Die Umsetzung: Plugin für ILIAS

Um diese Lücke zu schließen, kooperierten wir mit einem weiteren INVITE Projekt „VerDatAs“ (https://www.verdatas.de/) und setzen das Plugin „Events2Lrs“ ein, das vom Projektpartner internet-lehrer gmbh (https://internetlehrer-gmbh.de) entwickelt wurde.

  • Das Plugin definiert, zu welchem Learning Record Store (LRS) die xAPI-Daten gesendet werden. Der Learning Record Store spielt eine wichtige Rolle, da hier alle erhobenen xAPI-Statements gesammelt werden, und an die KI zur Verarbeitung weitergeleitet werden können.
  • Das Plugin erlaubt mit je einem Klick zu definieren, welche Verben aus den H5P-Elementen, aus denen die Micro Lerneinheiten bestehen, an den LRS weitergeleitet werden – z.B. attempted, interacted oder completed.
  • Außerdem integriert das Plugin ILIAS-Events, die als xAPI-Statements an den LRS weitergeleitet werden – was ILIAS im Standard nicht kann. Das betrifft Lernfortschritte von ILIAS-Objekten und die Anzahl der Objekt-Aufrufe allgemein, und Events rund um ILIAS-Tests im Besonderen.

Damit bekommen wir erstmals ein feingranuliertes Bild davon, was in ILIAS und den H5P-Elementen passiert. Und so funktioniert das Plugin im Zusammenspiel mit den anderen Systemelementen:

  • Ein Lernobjekt in ILIAS, das H5P-Elemente beinhaltet, wird von einem angemeldeten Benutzer mit dessen Profildaten und Präferenzen aufgerufen.
  • Die Aktivität erzeugt xAPI-Statements. Diese Statements werden vom Plugin erfasst, und im nächsten Schritt an den LRS weitergeleitet – zusammen mit den Angaben über den jeweiligen Lernenden und dessen Präferenzen (xAPI-Datenmodell: „Context“).
  • Der Learning Record Store informiert ILIAS über die erfassten Lernstände.

Diese erfassten xAPI-Statements werden vom LRS während dieser Vorgänge parallel an das Entscheidungsmodul EMIL zur Verarbeitung weitergeleitet. Was genau dort passiert, war z. B. Gegenstand des vorherigen News Artikels zum Thema „Was macht eigentlich EMIL? – Status Quo des Entscheidungsmoduls“.

Projekt News

Was macht eigentlich EMIL? – Status Quo des Entscheidungsmoduls

Illustration Künstliche IntelligenzIn den letzten Monaten haben wir uns intensiv mit der Entwicklung unseres KI-basierten Entscheidungsmoduls EMIL beschäftigt. Die Entwicklung basiert auf dem neuesten Stand der Technik von Fully Connected Neural Networks, zu Deutsch etwa „vollständig verbundene neuronale Netzwerke“. Ziel des zu entwickelnden KI-Modells ist es, Empfehlungen zu individuellen Lernpfaden und Lernangeboten auf der Grundlage der Bedürfnisse von Nutzer:innen zu geben.

Zu diesem Zweck wurden verschiedene Empfehlungssysteme systematisch untersucht, um ihre Eignung für das Projekt zu ermitteln. Das Hauptaugenmerk lag dabei auf den zu erwartenden Daten, die entweder direkt aus dem Lernmanagementsystem (LMS) Illias oder indirekt über eingebettete Plug-ins wie H5P bezogen werden. Die so erhaltenen Daten werden in einem Learning Record Stores (LRS) gespeichert. Die damit erstellten Nutzerprofile liefern der KI weitere Test- und Trainingsdaten. Nach dem Vergleich von elf Empfehlungssystemen wurde ein hybrides Modell entwickelt, das aus einem kollaborativen, einem wissensbasierten und einem inhaltsbasierten Empfehlungssystem besteht.

Die Umsetzung des Empfehlungssystems erfolgt über die Nutzung neuronaler Netze, in denen alle Neuronen miteinander verbunden sind. Als Input dienen dabei sämtliche Interaktionsdaten der Nutzer:innen mit den Micro Learning Einheiten (MLEs) im LMS. Der Output des Netzwerkes besteht aus einer Vorhersage der Interaktionswahrscheinlichkeiten der Nutzer:innen mit anderen MLEs im LMS. Dieses Verhalten beschreibt die Bedürfnisse der Nutzenden mit den Lerninhalten, ähnlich den Empfehlungen von YouTube oder der „Two-Tower”-Strategie von Google.

Bekannte Probleme von KIs, wie das Problem der Datenknappheit und das Cold-Start Problem, werden im Rahmen des Projekts bearbeitet und durch die Untersuchung verschiedener Strategien gelöst:

  1. Das Problem der Datenknappheit ergibt sich aus einer zu geringen Anzahl von Trainingsdaten. Um dies zu umgehen, werden zwei Strategien erprobt:
    • Online-Batch Training: Das neuronale Netz wird während des Betriebs trainiert und evaluiert.
    • GAN (Generative Adversarial Network): Das neuronale Netz wird vor der Ausführung des Modells mit künstlich generierten Daten ergänzt und trainiert, um so die Genauigkeit der Gewichte einzelner Neuronen zu verbessern. Die künstlichen Daten basieren dabei auf wenigen, realen Daten von Nutzer:innen.
  2. Das Cold-Start Problem besteht darin, dass das System keine Aussagen über Nutzer:innen treffen kann, über die es noch nicht genügend Informationen gesammelt hat. Um dies zu umgehen, liefern Daten einer Initiativumfrage dem Modell erste Informationen über die/den Nutzenden, bevor das System die Vorhersagen trifft.
Projekt News

Die Ausgestaltung der Lerneinheiten – auf die Nutzerpräferenzen kommt es an!

Kollegen sehen sich das Umfrageblatt

Um die Passung von Themen, Formaten und Schwierigkeitslevel der Lerneinheiten zu prüfen und diese optimal auf die Teilnehmer:innen auszurichten, haben wir eine Conjoint-Analyse durchgeführt. Wie diese Analyse genau funktioniert, können Sie hier nachlesen.

Was sind die wichtigsten Erkenntnisse?

Zunächst wurde im Rahmen der Conjoint-Analyse die Relevanz der einzelnen Themen abgefragt, die in den Lerneinheiten behandelt werden sollen. Es zeigt sich, dass alle gewählten Themen für die Befragten nicht nur wichtig sind, sondern auch in etwa die gleiche Bedeutung aufweisen. Daher sollte bei der Erstellung der einzelnen Lerneinheiten auf die Vielfalt der Themen geachtet und diese entsprechend abgedeckt werden.

In einer Conjoint-Analyse wird der persönliche Nutzen einer Lerneinheit für die Teilnehmer:innen berechnet, wodurch abgeleitet werden kann, wie die einzelnen Lerneinheiten ausgestaltet sein sollten. Auch die Wichtigkeit einzelner Aspekte wie Thema, technisches Format, Level und inhaltliches Format kann dadurch bestimmt werden. Um eine Priorisierung bei der Erstellung der Lerneinheiten vorzunehmen, werden die einzelnen Lerneinheiten gemäß ihrem Nutzen abschließend anhand eines Ampelsystems (rot/gelb/grün) bewertet.

Darstellung der Nutzenwerte vom technischen Format, Level und inhaltlichen Format

Die Grafik zeigt die Ergebnisse der Conjoint-Analyse am Beispiel des Themenfeldes SEO & SEA. Dabei werden für das technische Format, das Level und das inhaltliche Format die jeweiligen Nutzenwerte berechnet. In diesem Beispiel hat beim technischen Format das Erklärvideo den höchsten Nutzen (0,49) und das E-Book den geringsten (-0,67). Um zu ermitteln, welche Kombination den höchsten Nutzen für die Teilnehmer:innen aufweist, werden die einzelnen Nutzenwerte addiert. Daraus lässt sich somit ableiten, dass beim Thema SEO & SEA ein Erklärvideo für fortgeschrittene Anfänger, das einen Praxistipp beinhaltet, den höchsten Nutzen für die Teilnehmer:innen aufweist (0,49 + 0,11 + 0,12 = 0,72). Für alle möglichen Kombinationen lassen sich nun die Nutzenwerte einzeln ermitteln.

Im Anschluss werden alle potenziellen Lerneinheiten anhand eines Ampelsystems eingestuft. Die Lerneinheiten, die den höchsten Nutzen für die Teilnehmer:innen haben, werden mit grün bewertet, rot markierte Lerneinheiten haben einen geringeren Nutzen. Diese Werte können in verschiedenen Phasen des weiteren Projektablaufs genutzt werden, zum Beispiel zur Priorisierung bei der Erstellung der Lerneinheiten oder als Unterstützung der KI zur Auswahl der jeweiligen Einheit im konkreten Lernprozess. So sollte beispielsweise Lerneinheit 1 (grün bewertet) der Lerneinheit 3 (rot bewertet), vorgezogen werden. Analog zu diesem Beispiel sind alle in der Conjoint-Analyse abgefragten Themen bewertet worden.Darstellung des Ampelsystems für die Einordnung des Nutzens von MLE

Was bedeutet das für die Ausgestaltung der Lerneinheiten?

Mithilfe der Ergebnisse lassen sich auch generelle Empfehlungen für die Ausgestaltung der Lerneinheiten ableiten. So bringen Videos und Lernmodule themenübergreifend einen höheren Nutzen als textlastige Formate. Da die Conjoint-Analyse aber gezeigt hat, dass das Format insgesamt mit deutlichem Abstand am wichtigsten für die Teilnehmer:innen ist, sollten die Themen in verschiedenen Formaten ausgearbeitet werden, um alle Lernenden zielführend abzuholen und ihnen ihre favorisierte Lerneinheit bieten zu können. Außerdem stellt sich heraus, dass es bei den meisten Themen vor allem Grundwissen benötigt und es zu den einzelnen Themen nicht nur Lerneinheiten geben sollte, für die es viel Vorwissen bedarf, sondern auch solche, die mit wenig Erfahrung erfolgreich abgeschlossen werden können. Dadurch adressiert das digitale Lernangebot sowohl Anfänger als auch Profis der einzelnen Themengebiete. Insgesamt besteht der größte Nutzen, wenn den Teilnehmer:innen eine Kombination aus Theorie und Praxisbeispielen dargelegt wird und sie am Ende der Lerneinheit konkrete Tipps mit an die Hand bekommen, die sie in ihrem Unternehmen umsetzen können.

 

Projekt News

So lernen unsere Zielgruppen!

Ergebnisse der Online-Umfrage als Grafiken und TabellenWir haben im Projekt in den letzten Monaten unsere Zielgruppen hinsichtlich ihrer Erfahrungen mit der digitalen Wissensaneignung, deren Lernstrategien und -wege sowie der Anforderungen und Erwartungen an ein digitales Weiterbildungsangebot befragt.

An der Online-Befragung haben 299 Personen teilgenommen. Insgesamt konnten 177 Fragebögen berücksichtigt werden. 

Mit der Online-Befragung haben wir vor allem junge Menschen erreicht. Dies lässt sich u. a. damit erklären, dass der Online-Fragebogen v. a. in Bildungseinrichtungen des Handels gestreut wurde. Im Vergleich zu den älteren Teilnehmenden der Befragung lassen sich jedoch keine gravierenden Unterschiede feststellen.

Wie angestrebt, war die Branche Handel mit knapp der Hälfte der Befragten gut vertreten.

49% der Befragten kommen aus Handel, 28% aus Bildung

Es zeigte sich, dass mit einem Anteil von 98% nahezu alle Befragten sich schon Wissen im beruflichen Kontext online angeeignet haben. Knapp die Hälfte der Befragten nutzt hierfür sowohl die Arbeitszeit als auch die Freizeit. In der Freizeit wird hierfür vor allem das Smartphone genutzt. Die Wissensaneignung findet mit einer Quote von 92% hauptsächlich zuhause statt.

48% der Befragten eignen sich Wissen sowohl in der Arbeits- als auch in der Freizeit an

Die meisten Befragten haben einen Großteil der von uns abgefragten digitalen Lernformate und Technologien schon einmal genutzt. Zudem sind die Befragten positiv gegenüber dem Einsatz digitaler Medien in Bildungsaktivitäten eingestellt. Stellt man die Zielgruppe bezüglich der digitalen Medienformat vor die Wahl, so werden über alle Altersgruppen hinweg Videos (z. B. Erklärfilme, Tutorials) für die Wissensaneignung favorisiert und zugleich auch als am nützlichsten empfunden. Jedoch muss man dabei bedenken, dass wir die Studie mittels eines Online-Fragebogens durchgeführt haben und wir deshalb davon ausgehen müssen, dass wir eher Menschen erreicht haben, die sich ohnehin viel im Internet bewegen und digitale Medien nutzen. Dies erklärt vielleicht zum Teil auch die hohe Medienaffinität.

Hinsichtlich der Lernstrategien und -wege wurde in mehreren Ergebnissen deutlich, dass die Befragten gern selbst entscheiden, wieviel, wann und wie lange sie lernen und wiederholen wollen. Positives Feedback spielt bei 82% der Befragten hinsichtlich der Lernmotivation eine große Rolle. 74% der Befragten testen gern ihr erworbenes Wissen mithilfe von Tests oder Quizzen. Auch der Erhalt eines Nachweises, Zertifikates o. ä. nach Abschluss eines Weiterbildungsangebotes sind den Befragten wichtig, vor allem für die, die sich im Studium oder auf der Suche nach einem Beschäftigungsverhältnis befinden.

Zusammenfassend können wir feststellen, dass die Befragungsergebnisse zum Lernverhalten, bezüglich der Flexibilität und Entscheidungsfreiheit, die konzeptionellen Vorüberlegungen zu dem von uns angedachten Weiterbildungsangebot bestätigen. Die gewonnenen Erkenntnisse werden wir als Basis für die weitere Konzeption unseres Weiterbildungsangebotes nutzen.

Den ausführlichen Ergebnisbericht finden Sie hier:

Ergebnisbericht

Projekt News

Beteiligen Sie sich an der Umfrage!

QR-Code Umfrage myEduLife

Zertifikate dauerhaft und sicher digital ablegen

gemeinsam mit Partnern aus Bildung, Forschung und Wirtschaft arbeitet die TU Dresden aktuell an einem vom BMBF geförderten Forschungsprojekt zur Digitalisierung von Teilnahmenachweisen und Weiterbildungszertifikaten. Das Projekt MyEduLife (https://myedulife.de) möchte die Ablage, dauerhafte Verfügbarkeit und Einfachheit der Nachweisführung von Teilnahmenachweisen mit Hilfe digitaler Technologien verbessern.

Bitte beteiligen Sie sich daher an einer Online-Befragung des Projektes, damit bei der Entwicklung einer Anwendung zur Verwaltung von Teilnahmenachweisen, Ihre Nutzungsinteressen und -bedürfnisse berücksichtigt werden können.

Die Beantwortung der Fragen wird max. 20 Minuten in Anspruch nehmen. Ihre Teilnahme ist freiwillig. Es besteht jederzeit die Möglichkeit, Fragen offen zu lassen oder die Befragung zu beenden. Auf Pflichtangaben wird hingewiesen. Alle Angaben werden anonymisiert erhoben. Die Ergebnisse werden frei zugänglich und als Whitepaper veröffentlicht.

Den Fragebogen erreichen Sie unter: https://ww3.unipark.de/uc/myedulife/

 

Projekt News

Zielgruppenanalyse

Frage nach der Aneignung des Wissens im Internet

Haben Sie sich schon einmal Wissen im Internet für Ihre berufliche Tätigkeit angeeignet?

Dies ist eine von 25 Fragen, welche es galt in einer ca. 15-minütigen Online-Umfrage für das Projekt ELe-com zu beantworten. Hier die Hintergründe:

Im Projekt ELe-com wird ein intelligentes Lern-System entwickelt, das Menschen unkompliziert zu den berufsbezogenen Weiterbildungsinhalten zum E-Commerce Thema „Customer Journey“ führt, die sie ganz individuell brauchen. Begleitend soll ein KI-unterstütztes Assistenzsystem entwickelt werden, um die unterschiedlichen Motivationen, Erwartungen und Voraussetzungen der Zielgruppe sowie deren Lernpräferenzen beim digitalen Lernen zu berücksichtigen und sie bei der Entscheidung zur Auswahl, Zusammenstellung und Abfolge der Lerneinheiten durch automatisierte Algorithmen zu unterstützen. Auf diese Weise wird adaptives und individuelles Lernen ermöglicht und die Lernenden einfacher zu der berufsbezogenen Weiterbildung geführt werden, die zu ihren Bedarfen passt.

Aber wodurch kennzeichnet sich die Zielgruppe, welche sich zusammensetzt aus:

  •  Führungskräften der mittlere Ebene aus Handelsunternehmen, die bereits E-Commerce bzw. einen Online Shop betreiben oder betreuen,
  • Quereinsteiger*innen aus allen Branchen, die Waren oder Dienstleistungen über das Internet verkaufen bzw. verkaufen wollen sowie
  • alle diejenigen, für die das Wissen über Costumer Journey im E-Commerce wichtig ist

Eine Vielzahl offener Fragen haben das Projektteam in diesem Zusammenhang umgetrieben. Beispielsweise: Wie lernt die Zielgruppe? Welche Erfahrungen hat sie mit digitaler beruflicher Weiterbildung und welche Anforderungen und Erwartungen an technische Aspekte eines digitalen Weiterbildungsangebotes ergeben sich, damit dieses im Rahmen der berufsbezogenen Weiterbildung angenommen wird? Diese und noch weitere Fragen gilt es nun bei der Auswertung der realisierten Zielgruppen- sowie Bedarfs- und Anforderungsanalyse zu beantworten.
Im Zeitraum vom 22.11.2021 bis zum 31.1.2022 wurde hierfür eine Online-Umfrage durchgeführt. Um möglichst viele Teilnehmende zu gewinnen, wurde der Link durch alle Projektbeteiligten über zahlreiche Kanäle geteilt. Am Ende konnte eine bereinigte Stichprobe von n=177 gezogen werden. Nun heißt es, die gewonnenen Daten auszuwerten und konkrete Ableitungen für die Konzeption des geplanten Weiterbildungsangebotes zu erzielen. Wir sind gespannt auf die Ergebnisse!

 

Projekt News

Conjoint Analyse

Richtung auswählen

Lernende im Fokus: Identifizierung von Nutzerpräferenzen mittels Conjoint-Analyse

Wie sollen die Lerneinheiten ausgestaltet sein? Zu welchen Themen wollen sich Lernende digital weiterbilden? Welche Formate sind dabei gewünscht? – diese Fragen gilt es, vor der Entwicklung einzelner Lerneinheiten zu beantworten.

Wie funktioniert diese Analyse?

Für diese Fragestellungen eignet sich besonders eine Conjoint-Analyse. Bei dieser Methode werden verschiedene Merkmale bestimmt und ihre Ausprägungen miteinander kombiniert. In unserem Vorgehen unterscheiden sich die Weiterbildungsangebote durch folgende Merkmale: Formate, Themen, Level und Inhalte. Die jeweiligen Ausprägungen wurden vor der Online-Befragung festgelegt. So gibt es beispielsweise beim technischen Format folgende Ausprägungen: PDF, E-Book, Podcast, Erklärvideo, interaktives Video und Lernmodul.

Es ergeben sich unterschiedliche Weiterbildungsangebote, die von den Teilnehmenden bewertet werden. Dabei werden den Teilnehmer:innen drei verschiedene mögliche Lerneinheiten angezeigt, aus denen sie ihre favorisierte Option auswählen (s. Grafik); anschließend wiederholt sich das Vorgehen und es werden drei andere Optionen zur Wahl gestellt. Zum Schluss können sich die Teilnehmenden ihre Wunsch-Lerneinheit selbst zusammenstellen.

Durch die Angaben der Befragten kann statistisch abgeleitet werden, welche Kombinationen von Ausprägungen von den meisten Nutzer:innen bevorzugt werden. 

Warum ist das relevant?

In der Auswertung wird der persönliche Nutzen einer Lerneinheit für die Teilnehmer:innen berechnet, wodurch zuletzt abgeleitet werden kann, welche Kombination an Merkmalen die Teilnehmenden präferieren. Dabei werden nicht nur die Lerneinheiten als Gesamtes, sondern auch die einzelnen Ausprägungen auf ihren Nutzen für einzelne Zielgruppen geprüft. Durch dieses Vorgehen können zudem sogenannte KO-Kriterien, sprich Ausprägungen, die in der Zielgruppe eher unerwünscht sind, aufgedeckt und somit innerhalb der Lerneinheiten vermieden werden. Ein Ergebnis könnte beispielsweise sein: Das Thema Zahlungsprozess sollte Tipps für den Unternehmensalltag in einem interaktiven Video darstellen und sich an Teilnehmer:innen ohne Vorerfahrung richten. Des Weiteren kann ermittelt werden, welche Themen für die einzelnen Zielgruppen besonders relevant sind bzw. an welcher Stelle das Angebot an Lerneinheiten besonders ausgeprägt sein sollte.

 

Projekt News

Customer Journey

Customer Journey

Die Bedeutung der Customer Journey für den E-Commerce

Beschleunigt durch die Corona-Pandemie, zeigt sich ein großes dynamisches Wachstum des Onlinehandels. Auch wenn es inzwischen erste Ausbildungsberufe in der Branche gibt, tummeln sich in den verschiedenen Shops viele Quereinsteiger*innen neben spezialisierten Fachkräften. Die Qualifizierung erfolgt oft durch „Learning by doing“, da es kaum passgenaue Weiterbildungen gibt. Was fehlt, ist ein Lernangebot, das die unterschiedlichen Qualifizierungsniveaus der Mitarbeiter*innen im E-Commerce berücksichtigt.

Gleichzeitig steigt der Wettbewerbsdruck, da fast täglich neue Konkurrenz mit ihren eigenen Shops auf gängige Plattformen bzw. den Markt treten. In diesem Wettbewerbsumfeld ist das Unternehmen am erfolgreichsten, das das Interesse von Menschen gewinnt und entlang der Customer Journey am effektivsten Kunden bzw. Kundinnen generiert. Die Customer Journey bezeichnet den Weg, von der ersten Wahrnehmung des Produkts und gezielten Informationsgewinnung über die Entscheidung zum Kauf, dessen Abwicklung und Bewertung bis hin zur Kundenbindung, den potentielle Konsumenten beschreiten. Die Kenntnis über die Touchpoints und das Verhalten der Zielgruppe entlang der Customer Journey ist daher grundlegendes Handwerkszeug für den E-Commerce und damit ein wichtiges Qualifizierungsthema.

Das adaptive Lernangebot „Empowering Learning“ hat für beide Herausforderungen eine geeignete Lösung. Auf der Lernplattform werden kleine Lerneinheiten à 3 bis 5 Minuten – sogenannte Micro Learning Einheiten – zu den gängigsten Themen der Customer Journey angeboten. Die Nutzer*innen entscheiden dabei was und wieviel sie lernen möchten. Die hinterlegten Algorithmen schlagen ihnen auf Basis ihrer Vorkenntnisse sowie ihrer Lerngewohnheiten weitere Lerneinheiten vor. Abweichend können die Nutzer*innen jedoch auch die Inhalte wählen, die sie nach eigenem Ermessen lernen möchten.