Adaptivity in learning management systems focussing on learning styles

Abstract

Learning management systems (LMSs) such as WebCT, Blackboard, and Moodle are commonly and successfully used in e-education. While they focus on supporting teachers in creating and holding online courses, they typically do not consider the individual differences of learners.<br />However, learners have different needs and characteristics such as prior knowledge, motivation, cognitive traits, and learning styles. Recently, increasing attention is paid to characteristics such as learning styles, their impact on learning, and how these individual characteristics can be supported by learning systems. These investigations are motivated by educational theories, which argue that providing courses which fit the individual characteristics of students makes learning easier for them and thus, increases their learning progress.<br />This thesis focuses on extending LMSs to provide adaptivity by incorporating learning styles according to the Felder-Silverman learning style model. An automated approach for identifying learning styles from the behaviour and actions of learners has been designed, implemented, and evaluated, demonstrating that the proposed approach is suitable for identifying learning styles. Based on this approach, a standalone tool for automatic detection of learning styles in LMSs has been implemented.<br />Furthermore, investigations have been conducted on improving the automatic detection of learning styles by using additional information from cognitive traits. The potential of working memory capacity is investigated. Results of a comprehensive literature review and two comprehensive evaluation studies show that relationships between working memory capacity and learning styles exist and that these relationships can provide additional information for the detection process of learning styles. Moreover, a concept for extending LMSs by enabling them to automatically generate and present courses that fit the students' learning styles has been developed, implemented, and evaluated, using Moodle as a prototype.<br />Results show that the proposed concept for providing adaptive courses is successful in supporting students in learning.<br />By extending LMSs with adaptivity, a learning environment is built that supports teachers as well as learners. In such an adaptive LMS, teachers can continue using the advantages of LMSs and learners can additionally benefit from adaptive courses. This research opens ways for advanced learning systems, which are able to learn the needs and characteristics of learners, respond to them immediately, and provide learners with courses where adaptation is frequently improved and updated to the learners' needs.<br />

Lernplattformen, wie zum Beispiel WebCT, Blackboard und Moodle, werden heutzutage immer mehr genutzt. Während diese Lernplattformen Lehrende sehr gut im Erstellen und Abhalten von Online-Kursen unterstützen, bieten sie nur wenig bis keine Möglichkeiten, auf die individuellen Bedürfnisse, Fähigkeiten und Eigenschaften der Lernenden, wie zum Beispiel deren Wissensstand, Motivation, kognitive Fähigkeiten und Lernstile, einzugehen. In den letzten Jahren wurde vermehrt der Einfluss von individuellen Eigenschaften der Lernenden, wie beispielsweise deren Lernstile, auf den Lernprozess erforscht sowie Untersuchungen durchgeführt, um diese in e-Learning Systemen zu unterstützen. Diese Untersuchungen basieren auf erziehungswissenschaflichen Theorien, die besagen, dass Lernende einfacher und erfolgreicher Lernen, wenn Kurse an ihre individuellen Eigenschaften angepasst sind.<br />In dieser Dissertation wird gezeigt, wie Lernstile entsprechend dem Felder-Silverman learning style model in Lernplattformen berücksichtigt werden können. Ein Ansatz zum automatischen Erkennen von Lernstilen, bei welchem die Lernstile vom Verhalten der Lernenden im Online-Kurs hergeleitet werden, wurde entwickelt, implementiert und evaluiert. Die Ergebnisse zeigen, dass der Ansatz zum Erkennen von Lernstilen geeignet ist und Lernstile mit hoher Genauigkeit erkennt. Basierend auf diesem Ansatz wurde ein "stand-alone" Tool entwickelt, das automatisch Lernstile in Lernplattformen identifiziert.<br />Des Weiteren wurde untersucht, ob das automatische Erkennen von Lernstilen durch das Einbeziehen von zusätzlicher Information, wie zum Beispiel kognitiven Fähigkeiten, verbessern werden kann. Dafür wurde die Beziehung zwischen Lernstilen und der Kapazität des Kurzzeitgedächtnisses untersucht. Die Ergebnisse einer umfassenden Literaturrecherche sowie zweier umfangreicher Studien zeigen, dass Beziehungen zwischen Lernstilen und der Kapazität des Kurzzeitgedächtnisses bestehen und dass diese Beziehungen zusätzliche Informationen zum Erkennen von Lernstilen liefern.<br />Darüber hinaus wurde ein Konzept entwickelt, implementiert und evaluiert, welches Lernplattformen dahingehend erweitert, dass sie automatisch adaptive Kurse generieren und präsentieren können. Die in Moodle durchgeführte Evaluierung zeigt, dass das entwickelte Konzept erfolgreich Lernende unterstützt und ihnen das Lernen vereinfacht. Durch das Erweitern von Lernplattformen mit Adaptivität werden Lernumgebungen geschaffen, in denen sowohl Lehrende als auch Lernende unterstützt werden. In einer solchen adaptiven Lernplattform können Lehrende weiterhin die Vorteile von Lernplattformen nützen und Lernende werden zusätzlich mit adaptiven Kursen unterstützt. Die behandelten Forschungsfragen dieser Dissertation bilden wichtige Grundlagen für die zukünftige Entwicklung von Lernsytemen, welche die Bedürfnisse, Fähigkeiten und Eigenschaften der Studierenden erlernen, darauf umgehend eingehen und Kurse zur Verfügung stellen, in denen Adaptivität laufend verbessert wird und die an die jeweils aktuellen Bedürfnisse der Lernenden angepasst sind.