Zugl.: Bremen, Univ. Diss., 2009

Obwohl das Angebot von Feedback in Lehr-Lernsituationen eine wichtige instruktionale Maßnahme darstellt,um Lernende in ihrem Lernprozess zu unterstützen, wird dessen Potenzial in multimedialen Lernumgebungen nur selten optimal genutzt. Feedback, welches in aller Regel im Anschluss an die Bearbeitung von Lernaufgaben bereitgestellt wird und den Lerner über die Qualität seiner Aufgabenbearbeitung informiert, beschränkt sich häufig auf die Bereitstellung einer richtig/falsch Rückmeldung mit einem sich anschließenden, zusätzlichen Lösungsversuch bzw. der Präsentation der richtigen Lösung. Als prototypisch für diese Art der Feedbackgestaltung erweist sich das in mathematischer Grundschulsoftware implementierte Feedback. Der Lerner erhält weder Informationen zu dem Ort und der Art des Fehlers noch einen Hinweis auf die korrekte Lösungsstrategie. Vor diesem Hintergrund bestand ein zentrales Ziel der vorliegenden Arbeit in der Entwicklung von fehlerspezifischem informativem tutoriellem Feedback (ITF) für die schriftliche Subtraktion auf der Grundlage des heuristischen Feedbackmodells von Narciss (2004) und der aus diesem Modell abgeleiteten Gestaltungsprinzipien für ITF. Obwohl allgemein erwartet wird, dass informatives Feedback lernwirksamer ist als Feedback, welches nur die richtige Lösung präsentiert, konnte diese Annahme durch die Ergebnisse der empirischen Feedbackforschung bisher nicht bestätigt werden. So ist die Feedbackforschung durch eine inkonsistente Befundlage gekennzeichnet. Vor diesem empirischen Hintergrund bestand ein weiteres zentrales Ziel der vorliegenden Arbeit in der Überprüfung der Effektivität des entwickelten fehlerspezifischen ITFs hinsichtlich verschiedener Lern- und motivationaler Parameter. Fehlerspezifisches ITF zeichnet sich dadurch aus, dass bei fehlerhaften Aufgabenlösungen Informationen angeboten werden, die auf der Grundlage einer kognitiven Anforderungs- und Fehleranalyse als korrekturrelevant identifiziert worden waren. Diese korrekturrelevanten Informationen werden dem Lernenden ohne Bekanntgabe der korrekten Lösung präsentiert, so dass sich dieser dazu aufgefordert sieht, die bereitgestellten strategischen Informationen in einem erneuten Lösungsversuch unmittelbar anzuwenden. In zwei Studien mit Viertklässlern wurde dieses computergestützte ITF im Hinblick auf seine Lern- und motivationale Wirksamkeit evaluiert. In der ersten Studie (N = 30) erfolgte diese Evaluation gegen eine Feedbackbedingung, welche das üblicherweise in mathematischer Lernsoftware realisierte Knowledge of Response und Knowledge of Correct Response (KR-KCR) Feedback präsentierte. In der zweiten Studie (N = 105) wurden zwei zusätzliche Feedbackbedingungen "Knowledge about Mistake (KR-KM) und Knowledge on How to proceed (KR-KH)" aufgenommen. Diese sind in ihrem Informationsgehalt zwischen dem ITF und dem KR-KCR Feedbackalgorithmus anzusiedeln. Die Ergebnisse beider Studien bestätigen die postulierte Lern- und motivationale Wirksamkeit des fehlerspezifischen ITFs für die schriftliche Subtraktion. Besonders im Vergleich zu der wenig informativen KR-KCR Feedbackbedingung konnten in beiden Studien signifikante Wirksamkeitsunterschiede nachgewiesen werden. Auch im Vergleich zu den komplexeren Feedbackformen Knowledge about mistake (KR-KM) und Knowledge on how to proceed (KR-KH) konnten für die Schüler der ITF Bedingung bessere Leistungen beobachtet werden, auch wenn diese Unterschiede nur partiell signifikant wurden. Die Ergebnisse der vorliegenden Untersuchungen zeigen, dass es möglich ist, auf der Grundlage des von Narciss (2004) vorgestellten Feedbackmodells und der aus diesem Feedbackmodell abgeleiteten Gestaltungsprinzipien lern- und motivationsförderliches ITF zu entwickeln. So liefern die Ergebnisse beider Studien erste empirische Belege für die Annahme, dass informatives Feedback nicht nur den Lernprozess unterstützt, sondern auch motivationsförderlich wirkt. / Feedback is considered to be an important factor to promote learning and motivation with computer-based training tools. However the findings of studies on the effectiveness of feedback are rather inconsistent. One reason for these inconsistent findings might be that the implementation of feedback is more based on intuition than on well-founded design principles. Therefore the aims of the present work was (1) to develop theoretical well-founded elaborated feedback forms for a procedural skill like the written subtraction, (2) to implement them in an adaptive feedback algorithm that induces the mindful processing of feedback, and (3) to evaluate this elaborated feedback regarding his impact on learning and motivation. Using results from prior feedback research and from cognitive task and error analysis of written subtraction tasks, information relevant to the correction of typical systematic errors (e.g. location of error, source of error, type of error and hints to the correct solution strategy) were selected. This information was used to design different types of bug-related feedback messages. These different feedback messages were arranged in an adaptive bug-related algorithm presenting three levels of feedback with increasing informational value to support the learner in finding the correct solution on his own. Because the developed feedback allows assisted multiple response attempts for an item by providing relevant information for error correction, but no immediate Knowledge of Correct Response (KCR) feedback, and by encouraging the learner to apply the corrective information to a further attempt, this kind of feedback was called bug-related "informative tutoring feedback (ITF)". In two computer-based learning experiments cognitive and motivational effects of this bug-related ITF were evaluated with forth-grade students with difficulties in written subtraction. In the first study (N=30) the bug-related ITF was compared to the effects of a standard Knowledge of Result-Knowledge of Correct Response feedback (KR-KCR) algorithm. In the second study (N=105) two additional feedback algorithms - Knowledge about Mistake (KR-KM) und Knowledge on How to proceed (KR-KH) - were implemented. These both feedback algorithms range between the bug-related ITF and the simple KR-KCR feedback regarding to their amount of information. In both studies significant positive effects of the bug-related ITF compared to the KR-KCR feedback could be found. Regarding to the more informative KR-KM and KR-KH feedback a positive effect of the bug-related ITF could be showed sporadic. These results are discussed in detail.

Obwohl das Angebot von Feedback in Lehr-Lernsituationen eine wichtige instruktionale Maßnahme darstellt,um Lernende in ihrem Lernprozess zu unterstützen, wird dessen Potenzial in multimedialen Lernumgebungen nur selten optimal genutzt. Feedback, welches in aller Regel im Anschluss an die Bearbeitung von Lernaufgaben bereitgestellt wird und den Lerner über die Qualität seiner Aufgabenbearbeitung informiert, beschränkt sich häufig auf die Bereitstellung einer richtig/falsch Rückmeldung mit einem sich anschließenden, zusätzlichen Lösungsversuch bzw. der Präsentation der richtigen Lösung. Als prototypisch für diese Art der Feedbackgestaltung erweist sich das in mathematischer Grundschulsoftware implementierte Feedback. Der Lerner erhält weder Informationen zu dem Ort und der Art des Fehlers noch einen Hinweis auf die korrekte Lösungsstrategie. Vor diesem Hintergrund bestand ein zentrales Ziel der vorliegenden Arbeit in der Entwicklung von fehlerspezifischem informativem tutoriellem Feedback (ITF) für die schriftliche Subtraktion auf der Grundlage des heuristischen Feedbackmodells von Narciss (2004) und der aus diesem Modell abgeleiteten Gestaltungsprinzipien für ITF. Obwohl allgemein erwartet wird, dass informatives Feedback lernwirksamer ist als Feedback, welches nur die richtige Lösung präsentiert, konnte diese Annahme durch die Ergebnisse der empirischen Feedbackforschung bisher nicht bestätigt werden. So ist die Feedbackforschung durch eine inkonsistente Befundlage gekennzeichnet. Vor diesem empirischen Hintergrund bestand ein weiteres zentrales Ziel der vorliegenden Arbeit in der Überprüfung der Effektivität des entwickelten fehlerspezifischen ITFs hinsichtlich verschiedener Lern- und motivationaler Parameter. Fehlerspezifisches ITF zeichnet sich dadurch aus, dass bei fehlerhaften Aufgabenlösungen Informationen angeboten werden, die auf der Grundlage einer kognitiven Anforderungs- und Fehleranalyse als korrekturrelevant identifiziert worden waren. Diese korrekturrelevanten Informationen werden dem Lernenden ohne Bekanntgabe der korrekten Lösung präsentiert, so dass sich dieser dazu aufgefordert sieht, die bereitgestellten strategischen Informationen in einem erneuten Lösungsversuch unmittelbar anzuwenden. In zwei Studien mit Viertklässlern wurde dieses computergestützte ITF im Hinblick auf seine Lern- und motivationale Wirksamkeit evaluiert. In der ersten Studie (N = 30) erfolgte diese Evaluation gegen eine Feedbackbedingung, welche das üblicherweise in mathematischer Lernsoftware realisierte Knowledge of Response und Knowledge of Correct Response (KR-KCR) Feedback präsentierte. In der zweiten Studie (N = 105) wurden zwei zusätzliche Feedbackbedingungen "Knowledge about Mistake (KR-KM) und Knowledge on How to proceed (KR-KH)" aufgenommen. Diese sind in ihrem Informationsgehalt zwischen dem ITF und dem KR-KCR Feedbackalgorithmus anzusiedeln. Die Ergebnisse beider Studien bestätigen die postulierte Lern- und motivationale Wirksamkeit des fehlerspezifischen ITFs für die schriftliche Subtraktion. Besonders im Vergleich zu der wenig informativen KR-KCR Feedbackbedingung konnten in beiden Studien signifikante Wirksamkeitsunterschiede nachgewiesen werden. Auch im Vergleich zu den komplexeren Feedbackformen Knowledge about mistake (KR-KM) und Knowledge on how to proceed (KR-KH) konnten für die Schüler der ITF Bedingung bessere Leistungen beobachtet werden, auch wenn diese Unterschiede nur partiell signifikant wurden. Die Ergebnisse der vorliegenden Untersuchungen zeigen, dass es möglich ist, auf der Grundlage des von Narciss (2004) vorgestellten Feedbackmodells und der aus diesem Feedbackmodell abgeleiteten Gestaltungsprinzipien lern- und motivationsförderliches ITF zu entwickeln. So liefern die Ergebnisse beider Studien erste empirische Belege für die Annahme, dass informatives Feedback nicht nur den Lernprozess unterstützt, sondern auch motivationsförderlich wirkt. / Feedback is considered to be an important factor to promote learning and motivation with computer-based training tools. However the findings of studies on the effectiveness of feedback are rather inconsistent. One reason for these inconsistent findings might be that the implementation of feedback is more based on intuition than on well-founded design principles. Therefore the aims of the present work was (1) to develop theoretical well-founded elaborated feedback forms for a procedural skill like the written subtraction, (2) to implement them in an adaptive feedback algorithm that induces the mindful processing of feedback, and (3) to evaluate this elaborated feedback regarding his impact on learning and motivation. Using results from prior feedback research and from cognitive task and error analysis of written subtraction tasks, information relevant to the correction of typical systematic errors (e.g. location of error, source of error, type of error and hints to the correct solution strategy) were selected. This information was used to design different types of bug-related feedback messages. These different feedback messages were arranged in an adaptive bug-related algorithm presenting three levels of feedback with increasing informational value to support the learner in finding the correct solution on his own. Because the developed feedback allows assisted multiple response attempts for an item by providing relevant information for error correction, but no immediate Knowledge of Correct Response (KCR) feedback, and by encouraging the learner to apply the corrective information to a further attempt, this kind of feedback was called bug-related "informative tutoring feedback (ITF)". In two computer-based learning experiments cognitive and motivational effects of this bug-related ITF were evaluated with forth-grade students with difficulties in written subtraction. In the first study (N=30) the bug-related ITF was compared to the effects of a standard Knowledge of Result-Knowledge of Correct Response feedback (KR-KCR) algorithm. In the second study (N=105) two additional feedback algorithms - Knowledge about Mistake (KR-KM) und Knowledge on How to proceed (KR-KH) - were implemented. These both feedback algorithms range between the bug-related ITF and the simple KR-KCR feedback regarding to their amount of information. In both studies significant positive effects of the bug-related ITF compared to the KR-KCR feedback could be found. Regarding to the more informative KR-KM and KR-KH feedback a positive effect of the bug-related ITF could be showed sporadic. These results are discussed in detail.

This paper presents DECO (Dresden Enron COrpus), a dataset of spreadsheet files, annotated on the basis of layout and contents. It comprises of 1,165 files, extracted from the Enron corpus. Three different annotators (judges) assigned layout roles (e.g., Header, Data, and Notes) to non-empty cells and marked the borders of tables. Files that do not contain tables were flagged using categories such as Template, Form, and Report. Subsequently, a thorough analysis is performed to uncover the characteristics of the overall dataset and specific annotations. The results are discussed in this paper, providing several takeaways for future works. Furthermore, this work describes in detail the annotation methodology, going through the individual steps. The dataset, methodology, and tools are made publicly available, so that they can be adopted for further studies. DECO is available at: https://wwwdb.inf.tu-dresden.de/research-projects/deexcelarator/.

Feature selection or variable selection is an important step in different machine learning tasks. In a traditional approach, users specify the amount of features, which shall be selected. Afterwards, algorithm select features by using scores like the Joint Mutual Information (JMI). If users do not know the exact amount of features to select, they need to evaluate the full learning chain for different feature counts in order to determine, which amount leads to the lowest training error. To overcome this drawback, we extend the JMI score and mitigate the flaw by introducing a stopping criterion to the selection algorithm that can be specified depending on the learning task. With this, we enable developers to carry out the feature selection task before the actual learning is done. We call our new score Historical Joint Mutual Information (HJMI). Additionally, we compare our new algorithm, using the novel HJMI score, against traditional algorithms, which use the JMI score. With this, we demonstrate that the HJMI-based algorithm is able to automatically select a reasonable amount of features: Our approach delivers results as good as traditional approaches and sometimes even outperforms them, as it is not limited to a certain step size for feature evaluation.

Mixed-Criticality Systems (MCSs) include tasks with multiple levels of criticality and different modes of operation. These systems bring benefits such as energy and resource saving while ensuring safe operation. However, management of available resources in order to achieve high utilization, low power consumption, and required reliability level is challenging in MCSs. In many cases, there is a trade-off between these goals. For instance, although using fault-tolerance techniques, such as replication, leads to improving the timing reliability, it increases power consumption and can threaten life-time reliability. In this work, we introduce an approach named Life−timePeakPower management inMixed−Criticalitysystems (LPP-MC) to guarantee reliability, along with peak power reduction. This approach maps the tasks using a novel metric called Reliability-Power Metric (RPM). The LPP-MC approach uses this metric to balance the power consumption of different processor cores and to improve the life-time of a chip. Moreover, to guarantee the timing reliability of MCSs, a fault-tolerance technique, called task re-execution, is utilized in this approach. We evaluate the proposed approach by a real avionics task set, and various synthetic task sets. The experimental results show that the proposed approach mitigates the aging rate and reduces peak power by up to 20.6% and 17.6%, respectively, compared to state-of-the-art.