Prior research on new teacher mentoring has focused on in-person mentoring to mediate rates of teacher attrition, yet few studies have explored applying digital communication technologies (DCTs) as tools for virtual mentoring of novice teachers, particularly for supporting novice rural teachers who may be at higher risk of attrition. The purpose of this qualitative case study was to explore how the virtual mentoring of novice rural teachers through DCTs reflected Hudson's five-factor model of mentoring. The research questions focused on how novice rural teachers and their mentors described the virtual mentoring experience and how the pairs interacted during the mentoring process. This single case study included two embedded units of analysis comprised of two mentoring pairs that contained one experienced teacher and one novice rural teacher who interacted using DCTs. Data were collected from interviews, reflective journals, and an online discussion forum. Single-unit analysis included open and axial coding and category construction. Cross-unit analysis involved the constant comparative method to identify emerging themes and discrepancies. Key findings showed that all of Hudson's five factors of in-person mentoring were present in the virtual mentoring interactions. Virtual mentoring provided novice teachers with flexibility, responsive mentoring, and a professional learning community for the sharing of resources, receiving affective support, engaging in reflection, and developing pedagogical and system knowledge through modeling and feedback. The results of this study contribute to social change by providing insights for educators and administrators interested in using virtual mentoring as effective support for novice teachers in rural K-12 schools.

Im Rahmen dieser Arbeit wird untersucht, wie Daten der Eye-Tracking Brille Pupil Invisible genutzt werden können, um mit Methoden der Mustererkennung Mentoring-Anlässe zu erkennen. Die Arbeit ist Teil der Erforschung eines virtuellen Mentoring-Systems, welches Studierende bei der Bearbeitung von Online-Learnaufgaben auf der Lernplattform OPAL unterstützt. Als Mentoring-Anlass wird in erster Linie die Erkennung von mentaler Ermüdung untersucht, wobei Methoden der Psychologie zur Erkennung und Induktion ebendieser genutzt werden. Dabei werden im Rahmen einer Vorstudie Eye-Tracking Daten gesammelt, die anschließend von den Mustererkennungsalgorithmen Stützvektormaschine, Random Forest und künstlichem neuronalen Netz ausgewertet werden. Die Ergebnisse zeigen, dass die Erkennung von mentaler Ermüdung anhand der verwendeten Methodiken möglich ist. Zusätzlich wird ein Toolkit entwickelt, um die beschriebenen Prozesse zu automatisieren und die Einbindung in ein virtuelles Mentoring-System zu vereinfachen.:Kurzfassung, Abstract Selbständigkeitserklärung Vorwort Abkürzungsverzeichnis 1 Einführung 1.1 Motivation 1.2 Zielsetzung 2 Theoretische Grundlagen 2.1 Grundlagen des Eye-Trackings 2.1.1 Grundbegriffe und Charakteristiken des Eye-Trackings 2.1.2 Arten des Eye-Trackings 2.1.3 Wichtige Algorithmen 2.2 Grundlagen der Mustererkennung 2.2.1 Vorverarbeitung 2.2.2 Merkmalsextraktion und Auswahl 2.2.3 Klassifikation und Beurteilung 2.3 Grundlagen zu mentaler Ermüdung 2.3.1 Definition 2.3.2 Abgrenzung 3 Stand der Forschung 3.1 Pupil Invisible 3.2 Erkennung von mentaler Ermüdung 3.3 Einordnung 4 Methodik und Implementierung 4.1 Vorstudie 4.1.1 Sitzungsskript 4.1.2 Einarbeitung 4.2 Datenvorverarbeitung 4.2.1 Pistol-Framework 4.2.2 Verarbeitung der Rohdaten 4.2.3 Problemspezifische Merkmalserzeugung 4.3 Klassifikationsalgorithmen 4.3.1 Optimierung 4.3.2 Klassifikation mit künstlichen neuronalen Netzen 4.3.3 Auswertung 4.4 Toolkit 5 Ergebnisse 5.1 Vorstudie 5.2 Auswahl der Merkmale 5.3 Klassifikation 6 Diskussion 7 Zusammenfassung und Ausblick 7.1 Zusammenfassung 7.2 Ausblick Abbildungsverzeichnis Tabellenverzeichnis Literaturverzeichnis Anhang A.1 Tabellen A.1.1 Pearson und Spearman Korrelationstests (vollständig) A.2 Sitzungsskript A.2.1 Ablauf A.2.2 Durchzuführende Aufgaben / This thesis investigates how data from the eye-tracking glasses Pupil Invisible can be used to detect mentoring occasions using pattern recognition methods. The work is part of the research of a virtual mentoring system that supports students in completing online learning tasks on the OPAL learning platform. As a mentoring occasion, the detection of mental fatigue is primarily investigated, using methods from psychology for the detection and induction of just that. In this regard, eye-tracking data is collected as part of a preliminary study, which is then evaluated by the support vector machine, random forest and artificial neural network pattern recognition algorithms. The results show that the detection of mental fatigue is possible based on the methodologies used. In addition, a toolkit is developed to automate the described processes to facilitate their incorporation into a virtual mentoring system.:Kurzfassung, Abstract Selbständigkeitserklärung Vorwort Abkürzungsverzeichnis 1 Einführung 1.1 Motivation 1.2 Zielsetzung 2 Theoretische Grundlagen 2.1 Grundlagen des Eye-Trackings 2.1.1 Grundbegriffe und Charakteristiken des Eye-Trackings 2.1.2 Arten des Eye-Trackings 2.1.3 Wichtige Algorithmen 2.2 Grundlagen der Mustererkennung 2.2.1 Vorverarbeitung 2.2.2 Merkmalsextraktion und Auswahl 2.2.3 Klassifikation und Beurteilung 2.3 Grundlagen zu mentaler Ermüdung 2.3.1 Definition 2.3.2 Abgrenzung 3 Stand der Forschung 3.1 Pupil Invisible 3.2 Erkennung von mentaler Ermüdung 3.3 Einordnung 4 Methodik und Implementierung 4.1 Vorstudie 4.1.1 Sitzungsskript 4.1.2 Einarbeitung 4.2 Datenvorverarbeitung 4.2.1 Pistol-Framework 4.2.2 Verarbeitung der Rohdaten 4.2.3 Problemspezifische Merkmalserzeugung 4.3 Klassifikationsalgorithmen 4.3.1 Optimierung 4.3.2 Klassifikation mit künstlichen neuronalen Netzen 4.3.3 Auswertung 4.4 Toolkit 5 Ergebnisse 5.1 Vorstudie 5.2 Auswahl der Merkmale 5.3 Klassifikation 6 Diskussion 7 Zusammenfassung und Ausblick 7.1 Zusammenfassung 7.2 Ausblick Abbildungsverzeichnis Tabellenverzeichnis Literaturverzeichnis Anhang A.1 Tabellen A.1.1 Pearson und Spearman Korrelationstests (vollständig) A.2 Sitzungsskript A.2.1 Ablauf A.2.2 Durchzuführende Aufgaben