Multimodale Datenerfassung leicht gemacht: Das EZ-MMLA Toolset

Während Multimodal Learning Analytics (MMLA) in der LAK-Community zu einer beliebten Methodologie wird, verlassen sich die meisten Bildungsforscher immer noch auf traditionelle Instrumente zur Erfassung von Lernprozessen (z.B. Clickstream, Protokolldaten, Selbstberichte, qualitative Beobachtungen). MMLA hat das Potenzial, traditionelle Messungen des Lernens zu ergänzen und zu bereichern, indem es hochfrequente Daten über das Verhalten, die Kognition und die Emotionen von Lernenden bereitstellt. Derzeit gibt es jedoch kein benutzerfreundliches Toolset zur Aufzeichnung multimodaler Datenströme. Bestehende Methodologien basieren auf der Verwendung physischer Sensoren und maßgeschneiderter Software zur Zugriff auf Sensordaten. In diesem Papier stellen wir das EZ-MMLA Toolset vor. Dieses Toolset wurde als Website implementiert, die einfachen Zugang zu den neuesten Algorithmen des maschinellen Lernens für die Erfassung einer Vielzahl von Datenströmen von Webcams bietet: Aufmerksamkeit (Eye-Tracking), physiologische Zustände (Herzfrequenz), Körperhaltung (Skelettdaten), Handgesten, Emotionen (aus Gesichtsausdrücken und Sprache) und niedrigstufige Computer Vision-Algorithmen (z.B. fiduciale / Farbverfolgung). Dieses Toolset kann von jedem Browser aus betrieben werden und erfordert keine spezielle Hardware oder Programmiererfahrung. Wir vergleichen dieses Toolset mit traditionellen Methoden und beschreiben eine Fallstudie, in der das EZ-MMLA Toolset im Unterricht verwendet wurde. Wir schließen ab mit der Diskussion weiterer Anwendungen dieses Toolsets, potenzieller Einschränkungen und zukünftiger Schritte.