E-Learning gewinnt in der universitären Ausbildung sowie in der außeruniversitären Aus- und Weiterbildung zunehmend an Bedeutung und hat sich als Lehr- und Lernform fest etabliert. Die Vorteile liegen vor allem in der Selbstbestimmung von Lernort, Lernzeit und Lerntempo. Für die Verwaltung und den Austausch digitaler Lernmaterialien, so genannter Lernobjekte (LO), sind aussagekräftige Metadaten erforderlich. Für viele Autoren von LO gestaltet sich die Metadatengenerierung jedoch als zu schwierig und zeitaufwändig. Darüber hinaus profitieren Autoren nur in geringem Maß von der Beschreibung ihrer LO durch Metadaten und sind daher häufig nicht bereit den zusätzlichen Aufwand zu erbringen. Der Einsatz professioneller Metadatenautoren zur Generierung von Metadaten für LO ist hingegen sehr kostenintensiv. Vor dem geschilderten Hintergrund wird in dieser Arbeit die automatische Metadatengenerierung als Alternative zur manuellen Metadatengenerierung betrachtet. Dazu werden zunächst fundamentale Begriffe wie Lernobjekt, Metadaten und Metadatengenerierung erläutert, technische Systeme im E-Learning voneinander abgegrenzt sowie die zur Beschreibung von Lernobjekten relevanten Datenelemente vorgestellt. Darüber hinaus werden ausgewählte Informationsquellen der automatischen Metadatengenerierung vorgestellt. Anschließend werden die in der Literatur anzufindenden ressourcenbasierten und kontextbasierten Methoden und Ansätze der automatischen Metadatengenerierung beschrieben und diskutiert und deren Eignung für die Generierung der Metadatentypen des LOM-Standards verifiziert. Durch einen experimentellen Werkzeugvergleich wird ferner die praktische Anwendbarkeit der Methoden stellvertretend am Beispiel ausgewählter Keyphrase-Extraction-Tools analysiert.
Inhaltsverzeichnis
1 Einleitung
2 Grundlagen und Definitionen
2.1 E-Learning
2.2 Lernobjekte
2.2.1 Allgemeines
2.2.2 Aufbau von Lernobjekten
2.2.3 Lebenszyklus von Lernobjekten
2.3 Überblick und Abgrenzung technischer Systeme im E-Learning
2.3.1 Autorenwerkzeuge
2.3.2 Learning-Management-Systeme
2.3.3 Content-Management-Systeme
2.3.4 Learning-Content-Management-Systeme
2.4 Metadaten
2.4.1 Allgemeines
2.4.2 Charakteristiken von Metadaten
2.5 Metadatengenerierung
2.5.1 Allgemeines
2.5.2 Manuelle Metadatengenerierung
2.5.3 Automatische Metadatengenerierung
2.6 Zusammenfassung
3 Metadaten zur Beschreibung von Lernobjekten
3.1 Metadatenstandards und -spezifikationen für Lernobjekte
3.2 Kategorien und Datenelemente des LOM-Standards
3.2.1 General
3.2.2 Life Cycle
3.2.3 Meta-Metadata
3.2.4 Technical
3.2.5 Educational
3.2.6 Rights
3.2.7 Relation
3.2.8 Annotation
3.2.9 Classification
3.3 Charakteristiken des LOM-Standards
3.4 Application Profiles
3.5 Anforderungen an Metadaten für Lernobjekte
3.6 Zusammenfassung
4 Quellen der automatischen Metadatengenerierung für Lernobjekte
4.1 Das Lernobjekt selbst
4.1.1 Inhalt des Lernobjekts
4.1.2 Interne Metadaten des Lernobjekts
4.1.3 Struktur des Lernobjekts
4.2 Der Kontext des Lernobjekts
4.2.1 Administration des LCMSs
4.2.2 Nutzerprofile
4.2.3 Feedback der Nutzer
4.2.4 Logdateien
4.2.5 Metadaten anderer Lernobjekte
4.2.6 Externe Quellen
4.3 Zusammenfassung
5 Ressourcenbasierte Methoden der automatischen Metadatengenerierung
5.1 Metadata-Harvesting
5.1.1 Allgemeines
5.1.2 Metadaten durch Metadata-Harvesting
5.1.3 Einschränkungen und Probleme
5.2 Metadata-Extraction
5.2.1 Allgemeines
5.2.2 Metadaten durch Metadata-Extraction
5.2.3 Einschränkungen und Probleme
5.3 Classification
5.3.1 Allgemeines
5.3.2 Metadaten durch Classification
5.3.3 Einschränkungen und Probleme
5.4 Metadata-Propagation
5.4.1 Allgemeines
5.4.2 Metadaten durch Metadata-Propagation
5.4.3 Einschränkungen und Probleme
5.5 Zusammenfassung
6 Kontextbasierte Methoden der automatischen Metadatengenerierung
6.1 Auslesen interner Informationsquellen
6.1.1 Allgemeines
6.1.2 Metadaten durch Auslesen interner Informationsquellen
6.1.3 Einschränkungen und Probleme
6.2 Auslesen externer Informationsquellen
6.2.1 Allgemeines
6.2.2 Metadaten durch Auslesen externer Quellen
6.2.3 Einschränkungen und Probleme
6.3 Verwendung von Templates und Regeln
6.3.1 Allgemeines
6.3.2 Metadaten durch die Verwendung von Templates und Regeln
6.3.3 Einschränkungen und Probleme
6.4 Zusammenfassung
7 Konfliktbewältigung
7.1 Konflikte zwischen verschiedenen Methoden
7.2 Experimenteller Vergleich von Keyphrase-Extraction-Tools
7.2.1 Testkandidaten
7.2.2 Methodenbeschreibung
7.2.3 Ergebnisse
7.2.4 Analyse und Schlussfolgerung
7.3 Strategien zur Konfliktbewältigung
7.4 Zusammenfassung
8 Schlussbetrachtung
Zielsetzung und Themen der Arbeit
Ziel dieser Diplomarbeit ist es, die Potenziale und Limitierungen der automatischen Metadatengenerierung zur Beschreibung von Lernobjekten im E-Learning-Kontext aufzuzeigen. Dabei wird systematisch untersucht, welche Methoden (ressourcenbasiert versus kontextbasiert) existieren, aus welchen Informationsquellen sie Metadaten beziehen und welche qualitativen Unterschiede bei der praktischen Anwendung, insbesondere bei der automatischen Extraktion von Schlagworten, bestehen.
- Grundlagen von Lernobjekten, E-Learning-Systemen und Metadaten-Standards wie IEEE LOM.
- Analyse verschiedener Methoden der automatischen Metadatengenerierung (Harvesting, Extraction, Classification, Propagation).
- Untersuchung von Informationsquellen innerhalb von Learning Content Management Systemen (LCMS) und externen Datenbeständen.
- Konfliktbewältigungsstrategien bei der parallelen Nutzung verschiedener Generierungsmethoden.
- Experimenteller Vergleich ausgewählter Keyphrase-Extraction-Tools.
Auszug aus dem Buch
4.1.2 Interne Metadaten des Lernobjekts
LO können verschiedene technische Metadaten enthalten (vgl. Motelet et al., 2006, S.7), welche zuvor automatisch durch die entsprechenden Autorenwerkzeuge erstellt wurden. Weiterhin können sie beschreibende Metadaten enthalten, welche zuvor manuell erstellt wurden (vgl. Greenberg, 2004, S.5). Diese Metadaten können auch für die Erstellung des LOM-Datensatzes verwendet werden.
Umfang, Syntax und Semantik der internen Metadaten variieren zwischen den verschiedenen Dateiformaten. Allerdings gibt es bislang kein einheitliches Format für LO (vgl. Friesen, 2004, S.12). Um zu zeigen, welche internen Metadaten in einem LO vorliegen können, müssten somit alle Dateiformate auf ihre entsprechenden Metadaten hin untersucht werden. Dies würde jedoch den Rahmen der Diplomarbeit sprengen. Friesen (2004) ermittelte in seiner Studie zur Nutzung von LOM-Elementen, welche Dateiformate in Praxis im Feld „Technical.Format“ des LOM-Standards eingetragen werden (vgl. Friesen, 2004, S.12). Daraus werden nun einige Dateiformate und ihre internen Metadaten vorgestellt.
Zusammenfassung der Kapitel
1 Einleitung: Einführung in die Bedeutung von Lernobjekten im E-Learning und die Notwendigkeit der automatischen Metadatengenerierung zur Reduktion von Arbeitsaufwand.
2 Grundlagen und Definitionen: Erläuterung grundlegender Begriffe wie E-Learning, Lernobjekt und Metadaten sowie Vorstellung technischer E-Learning-Systeme.
3 Metadaten zur Beschreibung von Lernobjekten: Vorstellung des IEEE LOM-Standards, seiner Kategorien und der Anforderungen an Metadaten für Lernobjekte.
4 Quellen der automatischen Metadatengenerierung für Lernobjekte: Identifikation und Beschreibung von Informationsquellen innerhalb von Lernobjekten selbst und in deren Kontext.
5 Ressourcenbasierte Methoden der automatischen Metadatengenerierung: Detaillierte Untersuchung von Methoden wie Metadata-Harvesting, Extraction, Classification und Propagation.
6 Kontextbasierte Methoden der automatischen Metadatengenerierung: Betrachtung von Methoden, die auf kontextuellen Informationen basieren, wie etwa die Administration von LCMS oder die Nutzung von Templates.
7 Konfliktbewältigung: Diskussion von Strategien zur Lösung von widersprüchlichen Metadatenwerten sowie Durchführung eines experimentellen Vergleichs von Keyphrase-Extraction-Tools.
8 Schlussbetrachtung: Zusammenfassung der gewonnenen Erkenntnisse und Fazit zur automatischen Metadatengenerierung.
Schlüsselwörter
E-Learning, Lernobjekte, Metadaten, Automatische Metadatengenerierung, IEEE LOM, Metadata-Harvesting, Metadata-Extraction, Classification, Metadata-Propagation, Keyphrase-Extraction, LCMS, Wissensmanagement, Standardisierung, Interoperabilität
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundsätzlich?
Die Arbeit untersucht, wie die Erstellung von Metadaten für digitale Lernobjekte automatisiert werden kann, um den hohen manuellen Aufwand zu reduzieren und die Auffindbarkeit von Inhalten zu verbessern.
Was sind die zentralen Themenfelder der Arbeit?
Die Arbeit fokussiert sich auf die Klassifizierung von Methoden zur automatischen Generierung, die Identifikation von geeigneten Informationsquellen in E-Learning-Systemen sowie die methodische Konfliktbewältigung bei widersprüchlichen Metadatenwerten.
Was ist das primäre Ziel der Forschungsarbeit?
Das Hauptziel ist es, Möglichkeiten der automatischen Metadatengenerierung aufzuzeigen, deren Einschränkungen zu analysieren und die praktische Anwendbarkeit durch einen experimentellen Werkzeugvergleich zu validieren.
Welche wissenschaftlichen Methoden werden angewandt?
Es erfolgt eine fundierte Literaturrecherche zur Definition der methodischen Grundlagen und eine experimentelle Untersuchung, in der verschiedene Keyphrase-Extraction-Tools anhand wissenschaftlicher Publikationen verglichen und bewertet werden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische fundierte Untersuchung von Metadatenstandards (LOM), die systematische Analyse von ressourcen- und kontextbasierten Generierungsmethoden sowie eine detaillierte Auseinandersetzung mit der Konfliktlösung bei der automatisierten Metadatenerfassung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind unter anderem E-Learning, Lernobjekte, IEEE LOM-Standard, Metadata-Harvesting, Metadata-Extraction und Classification-Ansätze.
Welche Rolle spielen "Application Profiles" für die Metadaten?
Application Profiles dienen als Anpassung abstrakter Metadatenstandards an die Anforderungen konkreter Anwendungen, indem sie Standards kombinieren und spezifische Datenelemente für einen Anwendungsfall definieren.
Warum ist die Konfliktbewältigung für die automatische Metadatengenerierung so wichtig?
Da unterschiedliche Methoden oder Quellen divergierende Werte für dasselbe Datenelement liefern können, ist eine Strategie zur Auswahl oder Kombination dieser Werte entscheidend, um die Konsistenz und Korrektheit des resultierenden Metadatensatzes zu gewährleisten.
- Arbeit zitieren
- Dipl.-Wirtsch.-Inf. Matthias Bauer (Autor:in), 2007, Automatische Metadatengenerierung für Lernobjekte, München, GRIN Verlag, https://www.grin.com/document/83137
