Juli 13, 2021

Weitere Einsatzgebiete der Schreibstilanalyse: Ouriginal Metrics als Learning Analytics Tool?

In den ersten zwei Teilen (Teil 1, Teil 2) dieser Serie über Computerlinguistik und Scheibstilanalyse haben wir uns vor allem damit beschäftigt, wie Stilometrie dazu benutzt werden kann, Ghostwriter zu finden. Darüberhinaus bieten sich zusätzliche Einsatzgebiete für Ouriginal Metrics an – wie zum Beispiel die Nutzung als Learning Analytics Tool, um Lernenden zu helfen, deren Schreibstil zu verbessern.

Perspektivenwechsel: Neue Messparameter und Workflows für Ouriginal Metrics?

Ouriginal Metrics könnte dazu benutzt werden, nicht nur einzelne Lernende auszumachen, die aus einer Gruppe anderer Lernenden positiv oder negativ herausstechen, es könnte zudem evaluiert werden, ob ganze Gruppen von Lernenden Auffälligkeiten in bestimmten Messwerten zeigen. Diese quantifizierbaren Daten könnten dann als Hinweis darauf benutzt werden, ob die angestrebten Lernziele erreicht haben – oder ob es besonderer pädagogischer Unterstützung bedarf. Dadurch könnten Schulen, Hochschulen und Universitäten, die standardisierte Prüfungen benutzen, bessere Einblicke in die Performance der Lernenden erhalten und diesen Feedback geben.

Um Ouriginal Metrics zu einem Learning Analytics Tool zu machen, müsste man eventuell den bereits im Tool vorhandenen Workflow etwas anpassen, da es zum Beispiel nicht mehr unbedingt signifikant wäre, wenn ein Lernende/eine Lernende genau bei einem einzigen Messpunkt unter dem Durchschnitt liegen würden. Anders wäre es, wenn diese Person konsistent bei genau diesem Messwert im Vergleich mit seiner Peer Group unter dem Durchschnitt liegen würde: Hier wäre dann ein deutlicher Indikator für mehr Aufmerksamkeit und Unterstützung von pädagogischer Seite gefragt.

Weitere Nutzungsszenarien für Schreibstilanalysen: Was müsste geändert werden, damit Ouriginal Metrics ein Learning Analytics Tool wird?

Die Nutzungsszenarien und Definition der Learning Analytics können vielfältig sein. Eine Möglichkeit wäre es, nur dem Lehrenden die Ergebnisse der Schreibstilanalyse zu zeigen. Eine andere Möglichkeit wäre es, auch jedem Lernenden die Ergebnisse im anonymisierten Vergleich zu Mitlernenden innerhalb der Peer Group Zugriff zu gewähren. In diesem Nutzungsszenario könnte man auch jedem Lernenden zeigen, wie gut er im Vergleich zu den anderen abschneidet.

Wie alle Algorithmen basiert auch der von Ouriginal Metrics auf einigen implizieten Annahmen. Hier ist es wichtig zu erwähnen, dass einige der für die Schreibstilanalyse ausgewählten Messwerte vielleicht nicht passend für die Anwendung als Learning Analytics Tools geeignet sind. Kurze Sätze (ein Faktor, die den Gunning Fog Index beeinflussen) und niedrige Werte im Bereich der Lexikalischen Originalität sind in manchen Kulturen oder Genres gewünscht, in anderen dagegen nicht geschätzt. Auch die Satzlänge variiert als Messindikator von Sprache zu Sprache. Vor diesem Hintergrund müssten Ziele für eine Learning Analytics Lösung eventuell je nach Lehrkontext oder Sprachumgebung unterschiedlich oder anpassbar sein.

Dies könnte dazu führen, das bei dem Einsatz von Ouriginal Metrics als Learning Analytics Tool die Messumgebung und Bewertung von Ergebnissen angepasst werden müsste und sowohl niedrige Messwerte als auch Mittelwerte als Indikatoren hinzugezogen werden müssten. Die derzeit zur Grunde liegende Annahme zur Bewertung von Ergebnissen ist, dass professionelle Ghostwriter höhere Ausreißer zeigen werden, da sie wesentlich besser verfasste Texte abgeben werden als verzweifelte Lernende, die auf Ghostwriter zurückgreifen müssen.

Stilometrie: Ein Lösung Ghostwriter zu finden und gleichzeitig den Schreibstil von Lernenden zu verbessern?

Was uns im Moment besonders beeindruckt, ist die Tatsache, dass Stilometrie nicht nur helfen kann, Schummeln oder Auftragsarbeiten durch Ghostwriter zu entlarven, sondern auch dazu beitragen könnte, den Schreibstil von Lernenden zu verbessern. Dadurch könnten wir Lernenden dabei helfen, ihr volles Potential zu entdecken und zu entwickeln.

Derzeit arbeiten wir daran, Ouriginal Metrics für die oben beschriebenen Anwendungsszenarien weiterzuentwickeln und Schreibstilanalysen zur Verbesserung des Schreibstiles benutzen zu können.

Wir freuen uns darauf, Ihre Meinung zu Stilometrie, Learning Analytics und Schreibstilanalyse zu hören! Diskutieren Sie diese Themen auf Twitter mit uns. 

Sollten Sie Teil 1 und 2 dieser Serie verpasst haben, finden Sie sie hier: Schreibstilanalyse, Ghostwriter-Erkennung und akademische Auftragsarbeiten: Die Grundlagen – Ouriginal Computerlinguistik hilft bei Aufdeckung von akademischen Auftragsarbeiten von Ghostwritern: Vorteile und Grenzen – Ouriginal

This website uses cookies to improve the site’s overall user experience and performance. Read more here.