Aktives Lernen und aktivierende Lehre

Zur Unterstützung der Studierenden können Lehrende verschiedene aktivierende Methoden verwenden. Auch unterschiedliche online Tools können gemeinsam genutzt werden, um zu einem aktiven Lernen zu gelangen.

(A)synchrone Lehr-Lernformate

Synchrone Lehr-Lernformate finden bei zeitgleicher Anwesenheit von Lehrenden und Studierenden im realen oder virtuellen Raum (z. B. in einer Videokonferenz) statt; asynchrone Lehr-Lernformate werden von den Studierenden selbstständig und zeitlich unabhängig wahrgenommen. Neben dem klassischen Selbststudium mit analogen Materialien können auch bereitgestellte online Formate zeitversetzt wahrgenommen werden.

Blended Learning

„Blended Learning zeichnet sich dadurch aus, dass Präsenz- und Online-Lehre didaktisch miteinander verzahnt sind. Digitale Lernmaterialien des Selbststudiums können Lektüren, Übungsaufgaben oder Erklärvideos sein. In den Präsenzphasen stehen die Interaktion und der Austausch mit den anderen Studierenden und den Lehrkräften im Mittelpunkt.“

Chatbots

„Chatbots sind Programme, mit denen Unterhaltungen geführt werden können, entweder in Textform oder mittels gesprochener Sprache. In Hochschulen kommen sie zum Einsatz, um häufige Fragen von Studierenden automatisiert, d. h. mit Hilfe künstlicher Intelligenz, zu beantworten, z. B. administrative Fragen an die Studienverwaltung oder Fragen zur Bedienung des Lernmanagementsystems. Aber Chatbots werden auch bereits als virtueller Lernpartner eingesetzt, der fachliche Fragen stellt und Antworten der Studierenden bewertet.“

Cross Labs

Unter Cross Labs verstehen wir verschiedene digitalisierte Labore. Es kann sich um teilvirtualisierte Präsenzlabore oder Remote Labore handeln. Bei Remote Laboren kann der Zugriff auf die Geräte vor Ort ferngesteuert erfolgen und der Versuchsablauf über Live-Kameras beobachtet werden. Das virtuelle Labor, das ohne Präsenzlabor auskommt, ist eine weitere digitale Variante.

Extended Reality /Erweiterte Realität (XR mit VR, AR, MR)

Extended Reality (XR) ist der Überbegriff für kombinierte reale und virtuelle Umgebungen und verschiedene Arten von Mensch-Maschine-Interaktionen. Mit Augmented Reality (AR) überlagern virtuelle Elemente reale Objekte, es werden digitale Informationen in die reale Umgebung integriert. „Mittels AR können abstrakte, schwer vorstellbare Prozesse und Konzepte abgebildet, visualisiert und vermittelt werden und z. B. Zukunftsszenarien simuliert, erkundet und erprobt werden.“ Stärker nebeneinander stehen digitale und reale Objekte in der Mixed Reality (MR). In der MR kann eine Interaktion zwischen beiden Ebenen stattfinden. In der Virtual Reality (VR) wird eine vollständig simulierte Umgebung computer-generiert erschaffen. Nutzerinnen und Nutzer können so audiovisuelle, taktile oder haptische Erfahrungen machen. Arbeitsschritte können beliebig oft wiederholt werden, knappe räumliche Kapazitäten, z. B. Labore, können durch VR geschont werden.

Hybride Lehre

„Die Kombination aus digitaler Lehre und klassischen Präsenzformaten, wozu auch Blended Learning gehört, wird als hybrid bezeichnet. Derzeit werden mit hybrid allerdings vor allem Lehrangebote beschrieben, bei denen einem Teil der Teilnehmerinnen und Teilnehmer alternativ zur Anwesenheit vor Ort synchron oder auch asynchron eine Online-Teilnahme ermöglicht wird.“

E-Assessment

Unter dem Sammel-Begriff eAssessment werden digital unterstützte Formate für Übungen, Prüfungen (aka Klausuren) und diagnostische Abfragen zusammengefasst. Diagnostische eAssessments erlauben mit Hilfe von Fragen und anderen interaktiven Formaten, den Grad der vorhandenen Kompetenzen der Teilnehmer:innen festzustellen und auf dieser Basis geeignete Hinweise für weitere Studien zu geben. Formative eAssessments sind Übungen, in denen die Teilnehmer:innen Lösungen zu Aufgaben einreichen, die direktes und u.U. sehr spezifisches fachliches Feedback zu den eingereichten Lösungen erzeugen. Summative eAssessment sind digitale Prüfungsformate, die ein Gesamtergebnis für eine eingereichte Lösung und/oder Teile davon zurückmelden.

Die an der UDE bisher eingesetzten Werkzeuge dazu sind Moodle und JACK. Moodle erlaubt sehr einfache Formate, die in der Regel wenig Raum für ausgefeiltes fachspezfisches Feedback erlauben. Diese weitergehenden Formate inkl. summativen und formativer Formate bietet JACK. Diagnostische eAssessments sind durch das Werkzeug Skala umgesetzt und wird bald in JACK integriert werden.

Forschungsdatenmanagement (FDM)

Mit dem Forschungsdatenmanagement wird das gemeinsame Ziel verfolgt Forschungsdaten langfristig nachnutzbar, überprüfbar und personenunabhängig zugänglich zu machen. An der UDE werden die Prozesse des FDM durch die Research Data Services (RDS) unterstützt. Wichtige Bausteine im FDM sind die Nationale Forschungsdateninfrastruktur (NFDI) sowie das Forschungsinformationssystem (FIS).

Forschungsinformationssystem (FIS)

Ein Forschungsinformationssystem ist eine digitale Plattform, die die gesamten Informationen zu Forschungsaktivitäten der Universität zusammenführt und damit zu Berichtszwecken, zur öffentlichen Darstellung oder Auswertung leichter zugänglich macht. Es integriert nach dem Standard des „Kerndatensatz Forschung“ (KDSF) Daten zu Projekten, Publikationen, Patenten, Kooperationen und anderen relevanten Aspekten der wissenschaftlichen Arbeit. Ziel eines FIS ist es, die Sichtbarkeit und Zugänglichkeit von Forschungsleistungen zu erhöhen, die Kooperation zwischen Forschenden zu fördern und die strategische Planung sowie das Reporting in Forschungseinrichtungen und Hochschulen zu unterstützen.

High Performance Computing (HPC)

Hochleistungsrechner oder Supercomputer unterscheiden sich von normalen Arbeitsplatzrechnern durch eine immense Rechenleistung und eine hohe Speicherkapazität. Dies wird durch massiv parallele Systeme erreicht. Sie können vor allem im wissenschaftlichen Rechnen deutlich komplexere Aufgaben übernehmen.

Learning Analytics

„Learning Analytics (LA) können verstanden werden als „das Messen, Sammeln, Analysieren und Berichten von Daten über Lernende und ihren Kontext mit dem Ziel, das Lernen und die Lernumgebung zu verstehen und zu optimieren“. Interpretiert werden Daten, die von Studierenden produziert oder für sie erhoben werden, z. B. in Lernmanagement- oder auch Hochschulverwaltungssystemen. Hierfür kommt Künstliche Intelligenz (KI) zum Einsatz. Mit Hilfe dieser Daten können Lernfortschritte gemessen, zukünftige Leistungen prognostiziert und mögliche Probleme beim Lernfortschritt aufgedeckt werden.“

Nationale Forschungsdaten Infrastruktur (NFDI)

Im NFDI-Verein engagieren sich mehr als 270 Institutionen der Wissenschaft in verschiedenen Konsortien, um Daten als gemeinsames Gut für exzellente Forschung zu sichern. Engagiert sind Wissenschaftsorganisationen, Universitäten sowie Hochschulen, außeruniversitäre Forschungseinrichtungen, Fachgesellschaften und Vereine.

Open Educational Resources (OER)

„Open Educational Resources (OER) sind Bildungsmaterialien jeglicher Art und in jedem Medium, die unter einer offenen Lizenz stehen. Eine solche Lizenz ermöglicht den kostenlosen Zugang sowie die kostenlose Nutzung, Bearbeitung und Weiterverbreitung durch Dritte ohne oder mit geringfügigen Einschränkungen. Dabei bestimmen die Urhebenden selbst, welche Nutzungsrechte sie einräumen und welche Rechte sie sich vorbehalten.“

Raumkategorien

Seitdem die ersten Universitäten, architektonisch zumeist in der Schlossbautradition entstanden, gibt es die feste Raumkategorie des Seminarraums und zunehmend auch die des Hörsaals. Die Nutzung digitaler Medien ermöglicht und erfordert es, von diesen Raumkategorien Abstand zu nehmen und alternative Raumlösungen und -nutzungen zu finden.

Research Data Services (RDS)

Die Research Data Services unterstützen Forschende an der UDE als gemeinsame Servicestelle von Universitätsbibliothek und Zentrum für Informations- und Mediendienste bei allen Schritten des Forschungsdatenmanagements. Die RDS bieten Zugang zu Tools und Unterstützung bei deren Nutzung. Häufig genutzt sind beispielsweise Repositorien zur Veröffentlichung digitaler Objekte oder elektronische Laborbücher zur Digitalisierung der klassischen Labordokumentation. Die RDS sind darüber hinaus eng vernetzt mit verschiedenen Projekten an der UDE, in NRW und deutschlandweit.

Seamless learning

„Grundgedanke des Seamless learning ist, sogenannte Lernbrüche zu überwinden und „nahtlose Lernübergänge“ zu schaffen. Diese Lernbrüche können sich beispielsweise entlang der Grenzen auftun, die sich innerhalb der Dimensionen Zeit und Ort ergeben, anhand technischer Grenzen verschiedener Endgeräte oder anhand von Lernaktivitäten, die nur für formelle Lernkontexte oder nur für individuelles oder nur für digital gestütztes Lernen konzipiert sind.“

Smart University / Digitaler Campus

Unter Smart University verstehen wir die digitale Unterstützung des Campuslebens beispielsweise durch ein smartes Campus-Leitsystem und die myUDE Campus-App. „Der digitale Campus bildet den gesamten Studienverlauf vom ersten Kontakt bis zum Alumnae- bzw. Alumni-Status ab, d. h. alle Services und Prozesse, die Studium und Lehre organisieren, verwalten und unterstützen, sind digitalisiert. Dies umfasst auch die Prüfungen und die Kommunikation innerhalb der Hochschule.“

Soziale Medien

„In den sozialen Medien sollen Personen mithilfe von digital vernetzten Technologien Zugang zu Informationen erhalten und miteinander in Kontakt treten können. Nutzerinnen und Nutzer sozialer Medien rezipieren Informationen nicht nur, sondern können auch eigene Inhalte produzieren. Dabei geht es nicht nur um den Austausch von Informationen, sondern auch um die Bildung sozialer Beziehungen zwischen ihnen und die Gestaltung von Communities. In der Hochschullehre werden sie häufig als Instrument des kooperativen und kollaborativen Lernens genutzt und während der Pandemie kamen sie zum Einsatz, damit Lehrende und Studierende miteinander kommunizieren konnten.“

Tier-Strukturen/Level

Mittels Einteilung in Tier-Level werden die für das wissenschaftliche Rechnen verfügbaren Ressourcen entsprechend ihrer Auslegung und Zugänglichkeit klassifiziert. Hieraus ergibt sich eine Versorgungspyramide, die die Versorgung mit Rechenressourcen durch lokale Rechenzentren (Tier-3) über die regionalen Rechenzentren (Tier-2) bis hin zu nationalen und internationalen Hochleistungsrechenzentren (Tier-1/0) sicherstellt. Darüber hinaus werden dezentrale Rechenressourcen auf Arbeitsgruppen- und Lehrstuhlebene als Tier-4 Systeme klassifiziert.