Vermittlung sensibler Themen im digitalen Lernraum

Wo Lernprozesse in den digitalen Bereich verlagert werden, müssen neue Wege der Interaktion zwischen Lehrenden und Lernenden gefunden werden. Dies gilt insbesondere für Bildungsformate im Sozialwesen, in denen häufig sensible Themen behandelt werden, die starke Emotionen hervorrufen können (etwa Kindswohlgefährdung).  

Im Gegensatz zu Präsenzveranstaltungen können die Emotionen der Lernenden im digitalen Raum nur schwer erkannt werden, da Mimik und Gestik der Lernenden nicht oder nur eingeschränkt sichtbar sind. Dementsprechend stehen Lehrende vor der Herausforderung, thematisch bedingte emotionale Belastung (z.B. Betroffenheit, Stress oder Scham) zum einen zu erkennen und zum anderen adäquat darauf reagieren zu können (siehe emotional belastende Themen in digitalen Lernräumen). 

Diese Problematik zeigte sich deutlich in zwei konkreten Anwendungsfällen: einem Deeskalationstraining für Betreuende von Menschen mit geistigen Beeinträchtigungen sowie einer Weiterbildung im Bereich Kinderschutz. Beide Formate wurden zuvor ausschließlich in Präsenz durchgeführt und sollten in ein hybrides Format überführt werden. Dabei war es entscheidend, sicherzustellen, dass auch im digitalen Raum auf mögliche emotionale Belastungen der Lernenden angemessen reagiert und individuelle Unterstützung angeboten werden kann.

Der Design Science Research Ansatz (Gregor et al., 2020; Hevner et al., 2004) wurde gewählt, um im Entwicklungsprozess ausgehend von dieser Problemstellung Lösungsansätze zu kreieren. Die Anforderungen wurden aus Dokumentenanalyse, Expert:inneninterviews sowie Beobachtungen/ Hospitationen analysiert und daraus umsetzbare Gestaltungsprinzipien (Design Principles) abgeleitet. Neben der Identifikation geeigneter didaktischer Methoden zur digitalen Vermittlung der Lerninhalte ging es vor allem um die Entwicklung technischer Lösungen zur nicht-intrusiven, datenschutzkonformen Erfassung emotionaler Zustände im digitalen Raum sowie um die Erarbeitung digitaler Unterstützungsmöglichkeiten zur Emotionsregulation. Eine solche technische Lösung sollte nicht aufdringlich sein, den Lernprozess nicht stören und ohne teures technisches Equipment auskommen, um auch in der Praxis ohne große Barrieren einsetzbar zu sein. Zudem sollte die Messung die Individualität der Lernenden berücksichtigen, also ihre unterschiedlichen Umgangsweisen mit Emotionen und ihren jeweiligen Unterstützungsbedarf bei der Emotionsregulation. Auf Grundlage dieser und weiterer Gestaltungsprinzipien zur Erfassung von Emotionen im digitalen Raum wurden technische Lösungen entwickelt, die sich demnächst näher erläutert werden. 

Emotionserfassung im digitalen Raum: das Affect Grid 

Zur Erfassung der Emotionen wurde das Affect Grid eingesetzt (Abb. 1). Es handelt sich dabei um ein 9x9-Raster, in dem die horizontale Achse die Valenz (Unmut – Freude) und die vertikale Achse das Erregungsniveau (Arousal) (Schläfrig – Wachsam) abbildet (Russell et al., 1989). 

Abb. 1. Prototyp des entwickelten Affect Grids.

Lernende markieren ihren emotionalen Zustand durch einen Klick auf das Raster. Dadurch wird eine schnelle und intuitive Angabe ihrer momentanen Verfassung möglich. Je nach gesetzter Positionierung der Markierung im Raster, werden Lernende, basierend auf vorab definierten Bereichen, weitergeleitet. Befindet sich die Markierung in dem Bereich, der positive emotionale Zustände umfasst, fahren sie mit dem Lernen fort. Bei neutralem Zustand können sie mit dem Lernen fortfahren oder auf bereitgestellte Inhalte zur Regulierung des emotionalen Zustands zugreifen. Im negativen Zustand erhalten sie die Empfehlung mithilfe eines Hilfekoffers, zu dem sie daraufhin weitergeleitet werden, ihren emotionalen Zustand zu verbessen (z. B. Reflexion der eigenen Emotionen, Emotionsregulations-Minikurse, Anleitungen zu autogenem Training, Kontakt zur Seminarleitung usw.). Lehrende erhalten über ein Planungstool aggregierte und anonymisierte Visualisierungen der im Kurs erfassten Emotionen. Diese können für den gesamten Kursverlauf oder für einzelne Affect Grids angezeigt werden. Es wird zwischen positiven, neutralen und negativen Emotionen unterschieden, wobei negative Emotionen zusätzlich nach hohem oder niedrigem Erregungsniveau differenziert werden. 

Diese Daten ermöglichen es, den emotionalen Zustand der Lerngruppe zu erfassen. Lehrende können auf Grundlage dieser Daten z. B. Lerninhalte oder Methoden anpassen, um eine unterstützende Lernumgebung zu schaffen. 

Integration des Affect Grid in Moodle 

Für die technische Umsetzung wurde sich für das Open Source Lernmanagementsystem Moodle entschieden. Moodle ermöglicht über die Schnittstelle Learning Tools Interoperability (LTI) die Integration externer Tools. Diese gewährleistet eine sichere Datenübertragung und erfüllt die Datenschutzanforderungen. 

Die Integration des Affect Grid erfolgt über einen separaten Webservice, das Planungstool, welches mit dem Tornado-Web-Framework implementiert wurde. Dieses Tool erlaubt Lehrenden, die Kursstruktur nachzubilden und Affect Grids an mehreren Stellen zu positionieren: zwischen Lernmodulen, innerhalb einzelner Module oder unabhängig von der Kursstruktur. Bei einer von der Kursstruktur unabhängigen Positionierung kann das Affect Grid beispielweise dauerhaft über das Kursmenü zugänglich gemacht werden. 

Jedes Affect Grid erhält eine eigene URL-Adresse, über die die Emotionserfassung dem jeweiligen Kursabschnitt zugeordnet werden kann. Zudem können Lehrende im Planungstool festlegen, zu welchem Kursmodul Lernende nach der Interaktion mit einem Affect Grid weitergeleitet werden. Im Anschluss kann das Affect Grid direkt in einem iframe (ein HTML-Element, das eine externe Website innerhalb einer Seite einbettet) in Moodle eingebettet werden. Zur Integration in einen Moodle-Kurs muss eine neue Aktivität erstellt und „Externes Tool“ ausgewählt werden. Hierfür erhalten Lehrende Authentifizierungsdaten, welche innerhalb eines Kurses einheitlich sind. 

Über einen weiteren Webservice kann der Hilfekoffer als eigenständiges Element, unabhängig von der Emotionsmessung, direkt in das Kursmenü in Moodle eingebettet werden oder es erfolgt eine automatische Weiterleitung basierend auf der Interaktion der Lernenden mit dem Affect Grid. Für eine unabhängige Implementierung in Moodle erfolgt derselbe Vorgang, wie bei der Implementierung eines Affect Grid. Statt der URL des Grids wird die URL des Hilfekoffers eingegeben. Das JSON-Datenformat, das hierfür benutzt wird, bietet eine hohe Flexibilität und Erweiterbarkeit des Hilfekoffers, sodass eigene Inhalte kreiert und hinzugefügt werden können. 

Authentifizierung & Datenschutz 

Die Kommunikation zwischen Moodle und den Webservices basiert auf dem LTI-Standard, der einen sicheren und standardisierten Datenaustausch zwischen Lernplattformen und externen Tools ermöglicht. In diesem Setup agiert Moodle als consumer, indem es einen LTI launch request (eine spezielle Art von POST-request) sendet, und das Planungstool fungiert als provider, in dem es das Affect Grid zurücksendet, welches dann in einem iframe in Moodle dargestellt wird. Während die Authentifizierung der Lehrenden über Keycloak (eine Open-Source-Software für Benutzerverwaltung und Zugriffskontrolle) erfolgt, erfolgt die der Lernenden über LTI. Nur die im Kurs registrierten Moodle-Nutzenden erhalten Zugriff auf das Affect Grid und den Hilfekoffer, wodurch die Tools vor unautorisierten Zugriffen geschützt sind. Um die Anonymität der Nutzenden zu gewährleisten und ihre Daten zu schützen, wird auf die Speicherung persönlicher Daten verzichtet, die von Moodle über LTI übermittelt werden. Stattdessen wird bei erstmaligem Zugriff auf das Affect Grid eine zufällige Nutzende-ID generiert und in einem Cookie auf dem Gerät der Nutzenden gespeichert. Bei jedem weiteren Zugriff erfolgt die Authentifizierung über diesen Cookie. So wird eine lokale Assoziation zwischen Nutzenden und Daten hergestellt werden, ohne persönliche Informationen zentral zu speichern. Das ermöglicht eine anonymisierte Erfassung der emotionalen Zustände der Nutzenden und gleichzeitig die Verfolgung ihres individuellen Verlaufs im Kurs, ohne ihre Privatsphäre zu kompromittieren. Auf Grundlage der Daten ist es nicht möglich, die Nutzende-ID mit einer realen Person oder Moodle-Nutzenden in Verbindung zu bringen, da nur die Lernenden ihren Authentifizierungs-Cookie besitzen, den sie jederzeit aus ihrem Browser löschen können, wodurch auch jede Verbindung gelöscht wird. 

Datenmodell 

Das Planungstool und der Hilfekoffer nutzen dieselbe Datenbasis, die automatisch erzeugt wird, sobald einer der beiden Dienste erstmals gestartet wird. Bei der Verwendung einer SQLite-Datenbank werden beim Programmstart zwei Tabellen angelegt: In der ersten Tabelle werden die Consumer Keys zusammen mit den zugehörigen Consumer Secrets und den Benutzer:innenkennungen der erstellenden Lehrenden gespeichert. Wird ein neuer Consumer Key hinzugefügt, entsteht gleichzeitig ein Eintrag in einer zweiten Tabelle, die die Standardkonfiguration des Hilfekoffers enthält – bestehend aus Inhalten im JSON-Format und CSS-Stylesheets. Die Kursstrukturen sowie die Interaktionen mit dem Affect Grid werden zusätzlich intern mithilfe von Python-Klassen abgebildet, um die Darstellung in der Weboberfläche zu erleichtern. Diese Klassen kommen zum Einsatz, wenn Kurse aus dem Triplestore geladen werden. Im Fall des Triplestores werden die Kursstrukturen einschließlich der Grid-Positionen und -Aktionen, die Verknüpfungen zwischen Kursen und Consumer Keys sowie die Benutzer:innenkennungen von Lernenden und Lehrenden gespeichert. Neue Lernendeninstanzen werden automatisch erzeugt, sobald sich Nutzende erstmals über LTI authentifizieren, während neue Lehrendeninstanzen beim erstmaligen Hinzufügen eines Consumer Keys oder Kurses angelegt werden. 

RDF-Datenschema 

Die meisten Daten, einschließlich der Kursstrukturen und der Interaktionen mit dem Affect Grid, werden in einem RDF-Graphen gespeichert, der im Turtle-Format vorliegt. Das Datenschema orientiert sich dabei an den Ontologien von Open Educational Resources (OER) und schema.org. Ein Triplestore ist eine spezialisierte Datenbank, die zur Speicherung und Abfrage von Informationen im RDF-Format (Resource Description Framework) dient. Dieses Format ermöglicht eine flexible und semantisch reichhaltige Strukturierung von Daten (Cyganiak et al., 2014; Schreiber & Raimond, 2014). In RDF werden Informationen in Form von Tripeln dargestellt, die aus einem Subjekt, einem Prädikat und einem Objekt bestehen. Das Subjekt bezeichnet dabei die Ressource, über die eine Aussage getroffen wird, das Prädikat beschreibt eine Eigenschaft oder Beziehung dieser Ressource, und das Objekt ist der Wert oder eine weitere Ressource, auf die sich das Prädikat bezieht. Zusammengenommen ergeben die Tripel einen sogenannten Wissensgraphen.  

• Die Berücksichtigung des emotionalen Zustands Lernender während der Vermittlung sensibler Themen ist auch im digitalen Raum möglich. Lehrende profitieren von den technischen Hilfsmitteln, da diese emotionale Belastung der Lernenden sichtbar machen und dadurch angemessene Reaktionen ermöglichen. Gleichzeitig wird nicht nur Wissenserwerb, sondern auch der Umgang mit emotionalen Herausforderungen durch die Lernenden gefördert.  
• Das entwickelte Tool bietet Lernenden eine unmittelbare Unterstützung bei emotionaler Belastung und gewährleistet gleichzeitig Datenschutz und Anonymität. Emotionen in digitalen Lernumgebungen können erfasst werden, ohne die Privatsphäre zu verletzen. Die strengen Datenschutzmaßnahmen stellen sicher, dass keine personenbezogenen Daten für Monitoringzwecke durch Lehrende oder Dritte verwendet werden können. 
• Die entwickelten technischen Lösungen lassen sich auf verschiedene digitale Lernumgebungen übertragen. Sie können überall dort eingesetzt werden, wo emotionale Belastung in Lernprozessen auftreten kann, wie etwa in der Aus- und Weiterbildung im Sozial-, Gesundheits- oder Bildungsbereich.