inno.teach

Name: Christoph Kiefer

Fakultät /Fachgebiet: Fakultät für Psychologie und Sportwissenschaften, Abteilung Psychologie, AE06 – Psychologische Methodenlehre und Evaluation

An der Uni seit: 10/2020

Lehrveranstaltung und Lehrveranstaltungsart: Vorlesung „Statistik III – Computergestützte Datenanalyse“ (WiSe 2021/22)

mittlerweile auch auf andere Vorlesungen des Fachbereichs übertragen (z.B. Multivariate Verfahren im Master)

Gefördert durch: Qualitätsfonds für die Lehre

Übertragbarkeit auf andere Fachgebiete: prinzipiell gut, sofern Anwendung quantitativer Methoden geprüft werden soll

(Digitale) Innovation:  

Was wird gemacht: Integration von praktischen Datenanalysen mit R in ein Open-Book-Klausurformat

Wie umgesetzt: Nutzung von Open-Source-Paketen (R, exams), die das Erstellen und automatische Auswerten der Klausuren in Moodle erlauben

Ziel der Innovation: Direkte Prüfung der Kompetenz zur computergestützten Datenanalyse

Erfahrung und Evaluation: Bislang gute Erfahrungen, wenn man auf ein paar Dinge achtet (s.u.); wird von den Studierenden gut angenommen; Format auch für andere Vorlesungen unserer Arbeitseinheit übernommen

Herausforderungen & Lösungen:

Bei der Umsetzung sehen wir zwei größere Herausforderungen, die man im Blick haben muss:

- Die Umstellung vom „klassischen“ aufs neue Klausurformat kann Unsicherheit bei den Studierenden erzeugen. Aus unserer Sicht war es daher sehr wichtig, (a) die neuen Anforderungen sehr früh und transparent zu kommunizieren (z.B. Besprechung des Klausurformats in der ersten Vorlesung und Bereitstellen einer Beispielklausur) und (b) das tatsächliche Einüben der computergestützten Datenanalysen stärker zu fördern (z.B. Übungsgruppen, wöchentliche Aufgaben im Klausurformat).

- Die Programmiersprache R ist sehr vielfältig und oft gibt es viele Wege um eine Datenanalyse durchzuführen. Manchmal können sich dabei aber scheinbare Kleinigkeiten ändern, die in Summe dann zu einem anderen oder „falschen“ Ergebnis führen (z.B. weil Daten in einem anderen Format eingelesen werden als bei einer Vergleichsfunktion). Unser Lösungsansatz war (a) viel Erfahrung mit unterschiedlichen Auswertungsstrategien zu sammeln (z.B. im Rahmen der wöchentlichen Übungen) und Konstellationen, die leicht zu verschiedenen Ergebnissen führen können zu meiden und (b) in der Klausur ein offenes Feld für den R-Code bzw. weitere Informationen zum benutzten Computer zur Verfügung zu stellen, sodass im Zweifelsfall nachvollzogen werden kann, ob die Analyse grundsätzlich richtig gewesen ist.

Welche Unterstützung habe ich genutzt: Wir nutzen schwerpunktmäßig das Open-Source-Paket exams, das von Achim Zeileis (Uni Innsbruck) entwickelt und  kostenlos zur Verfügung gestellt wird. Sowohl für die Klausur als auch die wöchentlichen Übungen greifen wir auf die Moodle-Struktur der Uni Bielefeld zurück.