Ziele des Projekts

Mit VIDIS und SODIX haben die Länder strukturbildende, gemeinsame Projekte auf den Weg gebracht, die die Verfügbarkeit digitaler Bildungsmedien an Schulen kurz-, mittel- und langfristig erhöhen, für mehr Vielfalt sorgen und eine standardisierte, rechtskonforme Bereitstellung von Bildungsmedien sicherstellen.

Zusätzlich haben die Länder den Ausbau lokaler digitaler Plattformen vorangetrieben, die einen flexiblen Einsatz digitaler Bildungsmedien im Präsenz- und Distanzunterricht ermöglichen. In Planung befindliche Lösungen werden u.a. verstärkt individuelle Lernpfade von Lernenden unterstützen.

Das gesteigerte Medienangebot und neue technische Lösungen ermöglichen schon heute, aber vor allem perspektivisch neue didaktische Anwendungs- und Einsatzszenarien für Bildungsmedien. Beleuchtet man diese Szenarien wird deutlich, dass es insbesondere in Bezug auf die Beschreibung der Bildungsmedien ungelöste Lücken gibt, die diesen Szenarien im Wege stehen.

Applikationen der nächsten Generation werden Lernenden individuelle Lernpfade und Lehrkräften neue Möglichkeiten der Differenzierung eröffnen. Um diese Applikation optimal einzusetzen, bedarf es im Vergleich zum Status-Quo zum einen weitaus detaillierterer Medienattribute, zum anderen müssen die in komplexen Medienpaketen enthaltenen Einzelmedien (Texte, Schaubilder, Animationen, Übungen, etc.) ebenfalls umfänglich über Metadaten beschrieben werden, um sie – zum Beispiel in adaptiven Lernsystemen – verfügbar zu machen.

Ziel von MEM ist es daher, ländergemeinsame, erweiterte Metadatenstandards für Bildungsmedien zu entwickeln und zu implementieren, in Zusammenarbeit mit den Verantwortlichen der Länder maschinenlesbare Bildungspläne zu entwickeln und Bildungsmedien mittels Machine-Learning-Technologien innerhalb eines universellen Wissensraumes miteinander in Beziehung zu setzen.

Über die im Projekt SODIX/Mundo eingesetzten Machine-Learning-Technologien konnte aufgezeigt werden, dass eine mindestens teilautomatisierte Zuordnung von Bildungsmedien zu Lehrplänen technisch möglich und unter bestimmten Voraussetzungen auch skalierbar umsetzbar ist. Als Basis für dieses Verfahren dienen maschinenlesbare Lehrpläne.

Im Rahmen von MEM soll daher mit Unterstützung vorhandener Initiativen und Arbeitsgruppen ein verbindlicher Metadatenstandard entwickelt werden, mit dem alle 16 Bundesländer maschinenlesbare Lehrpläne erstellen und für Mediendistributionssysteme und Lernumgebungen veröffentlichen können. Die Einbeziehung der jeweiligen Inhaltsfelder und Kompetenzbereiche spielt in diesem Zusammenhang eine zentrale Rolle.

Maschinenlesbare Lehrpläne bringen eine Reihe von Vorteilen mit sich: So können maschinenlesbare Lehrpläne unter anderem dazu genutzt werden, um personalisierte Lernpfade für Schülerinnen und Schüler zu erstellen. Eine zielgerichtete und auf den Bildungsplan abgestimmte Suche nach Unterrichtsmaterialien, die vereinfachte Einbindung in E-Learning-Plattformen und Lernapps, sowie die Nutzung barrierefreier Versionen für Menschen mit Behinderungen sind nur einige der Vorzüge, die strukturierte digitale Bildungspläne nach sich ziehen.

Aktuell bestehen über Länder, Schularten und Fächer hinweg unterschiedliche Kompetenzmodelle. Sie reichen von einer groben, primär schulartbezogenen dreigliedrigen Einteilung (G: grundlegendes Niveau – M: mittleres Niveau – E: erweitertes Niveau) bis zu einem vielschichtigen Modell, das die individuellen Niveaustufen von Lernenden innerhalb einer Klassenstufe berücksichtigt.

Ziel ist die Etablierung eines einheitlichen Vokabulars zur Beschreibung der (fächerspezifischen) Niveaustufen, das zur Beschreibung von Bildungsmedien herangezogen und von Distributionsplattformen und Lernmanagement-System ausgewertet werden kann.

Die Hauptfunktion eines Knowledge-Graphen besteht darin, Wissen zu organisieren, zu visualisieren und abzurufen. Durch die Verwendung von semantischen Beziehungen erlauben Knowledge-Graphen die Darstellung von Wissen in einer strukturierten und vernetzten Form, wodurch Beziehungen zwischen verschiedenen Datenpunkten oder Konzepten sichtbar werden.

Bezogen auf den Bildungsbereich bedeutet dies, dass über eine semantische Analyse von Lerninhalten, Bildungsplänen und weiteren Textkorpora, pädagogische und inhaltlichen Beziehungen zwischen den Konzepten automatisiert identifiziert werden.

Mithilfe des in MEM umzusetzenden Knowledge-Graphen sollen Lehrkräften Zusammenhänge zwischen verschiedenen Themenkomplexen und Kompetenzen veranschaulicht werden, so dass die Unterrichtsplanung sowie die Auswahl der Unterrichtsmaterialien – beispielsweise durch das Vorschlagen passender und kontextbezogener Medien – erleichtert werden. Der Knowledge-Graph ermöglicht es Lehrkräften, den Unterricht besser an die individuellen Fähigkeiten und Interessen der Schüler anzupassen und personalisierte Lernpfade für Schüler zu erstellen.

Bei der Tiefenerschließung handelt es sich um einen (teil-)automatisierten Prozess, bei dem die einzelnen Medienkomponenten eines umfassenden Bildungsmediums analysiert und durch die Hinzufügung detaillierter Metadaten systematisch beschrieben und strukturiert werden. Dies ermöglicht es, die integrierten Medienobjekte für Suchmaschinen auffindbar zu machen und sie in individuelle Lernumgebungen einzubinden.

Bei diesem zu entwickelnden Vorgang werden die Metadaten des übergeordneten Bildungsmediums zunächst auf die verschiedenen Medienobjekte vererbt. Mithilfe zusätzlicher Analysen des neu erfassten Mediums werden anschließend weitere Metadaten generiert und am Metadatensatz gespeichert. So kann ein Bildungsmedium beispielsweise an der Dateiendung konkret eingeordnet, die Dateigröße ermittelt oder die Laufzeit von Video- und Audiodateien automatisch bestimmt werden.

Die Entwicklung der Tiefenerschließung erfolgt in enger Zusammenarbeit mit dem Landesmedienzentrum Baden-Württemberg.