Didaktische Handreichung für RLab-Inhalte

Ziel und Zweck der didaktischen Handreichung

Bei den Inhalten des RLab handelt es sich um Module, die verwendet werden können, um den Umgang mit der Statistiksoftware R lernendenorientiert zu vermitteln und dabei zu selbstgesteuertem Lernen anzuregen.

Neben geeigneten Materialien wird die didaktische Begleitung des Selbststudiums ist als sehr wichtigen Gelingenheitsfaktor angesehen. RLab bietet Materialien, Lehrende können sich auf die Begleitung fokussieren, mit eigenen Ideen und/oder unterstützt durch dieses Digitale Skript. Dabei sollten für erfolgreiches Lernen klar formulierte Aufträge, die von den Studierenden in Lernen übersetzt werden können, vorhanden sein. Dazu werden in diesem Digitalen Skript Hinweise zur Verwendung der RLab-Inhalte im Zusammenhang mit Präsenzveranstaltungen gegeben (vgl. Herren 2014:21 u.a.).

Abb. 1: RLab-Materialien unterstützen dabei, die steile Lernkurve zu überwinden (Grafik erstellt von Maria Bobrowski).

RLab-Inhalte und Möglichkeiten zur Verwendung in der Lehre

Die Inhalte des RLabs bestehen aus zwei Modultypen, die aktiv von Lernenden genutzt werden können:

• Digitale Skripte: In den Digitalen Skripten werden Inhalte zu den Programmen R und RStudio attraktiv und mit zum Teil interaktiven Funktionen dargestellt. Sie eignen sich auch als Nachschlagewerke.

• RLab-Kurse: Dabei handelt es sich um interaktive Kurse, bei denen die Lernenden R direkt in R lernen. RLab-Kurse thematisieren die Funktionalität von R - grundlegende Statistik-Kenntnisse werden hier kaum vermittelt, sie werden eher als Vorwissen vorausgesetzt. Die RLab-Kurse wurden mit dem R-Package swirlify programmiert. Damit sie in R ausgeführt werden können, installieren Lernende zunächst das R Paket ,,swirl” und die Kurse, was sehr einfach, durch Ausführen des Codes source("http://rlab.blogs.uni-hamburg.de/RLabKurse/install_RLab.R") geht. Eine Anleitung dazu steht als Digitales Skript bereit.

Mit RLab-Kursen als Jupyter-Notebooks kann R direkt im Browser gelernt werden. Infos dazu gibt es ebenfalls im Digitalen Skript ,,R lernen mit RLab-Kursen“.

Neben diesen beiden Modultypen stellt RLab weitere Ressourcen zur Verfügung. Dazu zählen z.B. Literaturhinweise.

Zwei Verwendungsmöglichkeiten können unterschieden werden:

a) Einsatz bei Präsenzveranstaltungen: Blended Learning (Rotationsmodell, Flipped Classroom). Diese Einsatzmöglichkeiten werden in diesem Dokument beschrieben und didaktische Hinweise dazu gegeben.

b) Ausschließliches Selbstlernen für Lernende aus Statistikveranstaltungen ohne R sowie alle anderen mit Statistik-Grundkenntnissen oder der Bereitschaft, sich diese parallel selbstständig (wenig Unterstützung durch RLab-Inhalte) anzueignen.

Freie Kombination der Materialien

Die RLab-Module, das sind RLab-Kurse und Digitale Skripte, frei kombiniert und gewählt werden - je nach Interesse, Bedarf und Vorkenntnissen. Sie unterstützen Lehrende, Qualitätskriterien des Blended Learning gerecht zu werden, indem sie die RLab-Module und ggf. weitere Inhalte und Materialien sinnvoll miteinander verknüpfen.

Mit beiden Modultypen wird ermöglicht, außerhalb und zum Teil auch innerhalb der Präsenzveranstaltung grundlegende Inhalte zu erarbeiten. Diese stehen dann während des Kontaktstudiums für einen ,,Transfer in die Praxis” zur Verfügung. Dazu werden zum Beispiel die in einem RLab-Kurs anhand sehr einfacher Beispiele erlernten R-Funktionen in komplexeren Fallbeispielen zum Beantworten einer konkreten Fragestellung eingesetzt. Die Digitalen Skripte eigenen sich auch sehr gut als ,,Nachschlagewerke” - über das Inhaltsverzeichnis kann direkt zu einem Abschnitt, der eine konkrete Frage bei praktischen Arbeit beantwortet, navigiert werden.

Für den Einsatz im Rahmen von Präsenzveranstaltungen, zum Beispiel einer Statistik-Übung mit R, wird am Ende dieses Digitalen Skripts ein beispielhafter Ablaufplan skizziert. Er kann Lehrenden als Grundlage für eigene Planungen zum Einsatz von RLab-Inhalten als Blended Learning oder zur Umsetzung eines Flipped-Classroom-Konzepts dienen.

Selbstlernanleitung

Studierende und andere Interessierte, die sich ohne direkten Bezug zu einer Präsenzveranstaltung eigenständig mit der Nutzung von R vertraut machen möchten, wird empfohlen, sich zunächst mit den Grundlagen vertraut zu machen.

Danach können je nach Interesse themenbezogene oder fachspezifische Materialien - RLab-Kurse und Digitale Skripte - genutzt werden. Innerhalb der RLab-Kurse und der Digitalen Skripte gibt es zahlreiche Querverweise, so dass auch ohne Vorkenntnisse eingestiegen werden kann.

Selbstlernen mit RLab-Kursen (R direkt in R lernen)

RLab-Kurse sind zum Teil sehr kleinschrittig aufgebaut. Das fordert eine gewisse Geduld und Konzentrationsfähigkeit von den (Selbst-) Lernenden. Daher sollte nicht mehr als ein RLab-Kurs ,,am Stück" bearbeitet werden und längere Kurse lektionsweise für eine Pause unterbrochen werden.

Lernende ohne jegliche Vorkenntnisse können von der ungewohnten skriptbasierten Programmsteuerung verunsichert sein. Das ist durchaus gewollt und im Zuge des Lernprozesses kaum vermeidbar. Die Kurse sind aber so programmiert, dass alle Lernenden erfolgreich zum Ziel kommen.

Detaillierte Informationen zur Nutzung der RLab-Kurse finden sich im Digitalen Skript R lernen mit RLab-Kursen.

Es ist stark zu empfehlen, im Anschluss an die Bearbeitung einer Lektion oder eines Kurses das dazugehörige ,,pure" R-Skript zu öffnen und daran die im RLab-Kurs gelernten Funktionen nachzuvollziehen. Die ,,puren" Skripte enthalten alle in einem Kurs thematisierten R-Funktionen, ohne ,,Frage-Antwort-Spiel", ohne weitere Erklärungen. Sie stehen zum Download in der Kursübersicht bereit.

Neben dem Lernen von R direkt in R mit den RLab-Kursen sind auch die oben bereits erwähnten Digitalen Skripte sehr zu empfehlen.

Aktivität und Selbstständigkeit fördern

Um ein lernendenorientiertes ,,Programm” anbieten zu können, sollten Lehrende die Lernenden motivieren, sich selbst zu orientieren und durch Aktivität und Selbstständigkeit zu einem eigenverantwortlichen und gelingenden Lernprozess beizutragen (Sonnberger 2015). Motivierende Interaktivität kann erreicht werden durch:

• Förderung von Gesprächen mit und unter den Studierenden
• Lernen in sozialen Kontexten, zum Beispiel in Kleingruppen oder zu zweit (Besprechen von R-Code, Verständnis dafür miteinander klären,… )
• Auslösen von Aktionen (z.B. Inhalte strukturieren, bewerten, einordnen…)
• Realisierung von (Transfer-) Übungen

Die Lernenden sollten darauf hingewiesen werden, dass der Zeitaufwand für sie durch die Blended Learning-Elemente nicht geringer ist, aber anders als evtl. gewohnt gelernt wird (Herren 2014):

• Statt passiver Wissensaufnahme aktive und konstruktive Arbeit mit R
• Praktische Übungen während der Präsenzveranstaltungszeiten reichen nicht aus, um Routine zu entwickeln und die Funktionsweise von R tiefgründig zu verstehen.
• Die im Selbststudium zu erarbeitenden Inhalte liefern das Werkzeug für die praktische Anwendung bei den Präsenzterminen. Dort können auch Fragen zu den selbst gelernten Inhalten geklärt und vertieft werden.
• Bei der Datenanalyse mit R ist es laufend erforderlich und leicht möglich, sich selbst zu helfen, zum Beispiel durch Recherche im Internet. Das Selbstlernen trägt dazu bei, diese Kompetenz R-spezifisch zu erlangen.
• Der vermeintliche Nachteil, dass die Studierenden weniger Zeitaufwand im Vergleich zu Präsenzlehre erwarten, kann entfallen, wenn die Inhalte überwiegend nur dann genutzt werden, wenn sie gebraucht werden. Das heißt: Die Studierenden werden die Beschäftigung mit RLab-Inhalten nicht als Zwang empfinden, sondern als hilfreiche Unterstützung.
• Durch die Auseinandersetzung mit den Materialien außerhalb der Präsenzveranstaltungen kann sich der Zeitaufwand für Lernende mit Vorwissen reduzieren. Bei der praktischen Wiederholung und Anwendung während der Präsenzveranstaltung können diese Studierenden andere unterstützen.

Daraus folgen Erwartungen an die Lernenden, die Voraussetzung für den Lernerfolg sind (Herren 2014):

• Generell hohe Selbstdisziplin
• Selbstverantwortung für den Lernprozess übernehmen
• Einlassen und einstellen auf Voraussetzungen der Lehrveranstaltung
• Bereitschaft zur aktiven und interessierten Teilnahme
• angemessene persönliche Zeit- und Ressourcenplanung
• Suchen von Lernkoalitionen, sich als Einzelperson und/oder im Team organisieren
• Bereitschaft, sich selbst Unterstützung zu suchen, bei anderen lernenden, Lehrenden, Online-Ressourcen usw.
• Zielüberprüfung durch Selbstkontrolle und -reflexion

Nur wenn diese Erwartungen erfüllt werden, können die Bemühungen der Lehrenden, RLab-Kurse, Digitale Skripte und ggf. weitere Inhalte und Materialien sinnvoll miteinander zu verknüpfen, erfolgreich sein. Daher sollten die Erwartungen zu Beginn und ggf. auch während der Veranstaltung deutlich kommuniziert werden.

Kompetenzziele

Das RLab-Material selbst berücksichtigt vor allem die Entwicklung von Sach- und Methodenkompetenzen. Um ein ausgewogenes Kompetenzspektrum zu erreichen, sollten Lehrende bei der Planung von Veranstaltungen bei denen R mit RLab gelernt wird, darauf achten, durch geeignete zusätzliche Aufgaben und Aktionen auch Sozialkompetenz und Selbstkompetenz zu entwickeln. Dies kann zum Beispiel durch die Diskussion von in Einzelarbeit bearbeiteten RLab-Kursinhalten in Kleingruppen geschehen, bei denen die Lernenden Unklarheiten zunächst untereinander versuchen zu klären und die / der lehrende ggf. unterstützen kann. Lernende können auch aufgefordert werden, sich das Curiculum an ihre Vorkenntnisse angepasst selbst zusammenzustellen und das Zeitmanagement sowie die Verantwortung für die Bearbeitung zu übernehmen.

Mit den Digitalen Skripten und RLab-Kursen wird primär erreicht, Inhalte zu erinnern und vor allem zu verstehen. Lernende erarbeiten sich selbstständig Grundlagenwissen. Sie können nach der Lektüre der Digitalen Skripte die dort präsentierten Inhalte ,,rund um R und RStudio" wiedergeben, Anwendungsmöglichkeiten differenzieren und bestimmte Besonderheiten und ,,Fallen" bei der Bedienung der Programme erkennen. Weitergehende, höhere Wissensniveaus werden kaum direkt unterstützt.

In der Regel werden auch Hinweise gegeben, die es den Lernenden ermöglichen, die Inhalte auf ,,neue" Situationen anzuwenden. Die RLab-Inhalte bilden damit die Grundvoraussetzung für analysierende, bewertende und gestaltende Kompetenzen bei der statistischen Datenauswertung und -visualisierung mit R, die sich leicht fortgeschrittene Lernende sehr gut mit im Rahmen von RLab genannten Ressourcen selbst aneignen können. Solche ,,Transfers in die Praxis" können innerhalb der selben Lehrveranstaltung stattfinden (wenn RLab-Material zum Beispiel vor oder am Anfang einer Veranstaltung zur Wiederholung genutzt wird. Es ist aber auch möglich, dass der Transfer außerhalb der Veranstaltung stattfindet, wenn die erlernten Grundlagen zum Beispiel für die Analyse von im Rahmen eines Laborpraktikums gewonnenen Daten oder von eigenen Daten einer Abschlussarbeit genutzt werden.

Die RLab-Kurs- bzw. Digitales Skript-spezifischen Lernziele werden am Anfang des Kurses oder Skripts deutlich genannt. Lehrende können die Lernenden unterstützen, indem sie für die von Ihnen zusammengestellten Einheiten Ziele zusammenfassen und/oder eigene Ziele formulieren und diese klar und deutlich bekannt geben bzw. in die Aufgabenstellungen einbauen.

R mit RLab-Kursen lehren

Die RLab-Kurse ermöglichen, R direkt in R zu lernen. Dabei beschränken sich die Kurse auf die Funktionalität von R - grundlegende Statistik-Kenntnisse werden hier kaum vermittelt, sie werden eher als Vorwissen vorausgesetzt. Es wird aber, wo es für sinnvoll erachtet wird, auf entsprechende Ressourcen verwiesen. RLab-Kurse sind, stark vereinfachend gesagt, Frage-Antwort-Spiele, bei denen bei einer falschen Antwort ein Hinweis zur Lösung der Frage gegeben wird. Dabei wird oft nach R-Funktionen bzw. dem R-Code dafür gefragt.

Detaillierte Informationen zur Nutzung der RLab-Kurse finden sich im Digitalen Skript R lernen mit RLab-Kursen.

Verbindliche Aufgabenstellung erhöht Motivation

RLab-Kurse werden erfahrungsgemäß umso besser angenommen und tatsächlich genutzt, je verbindlicher die Nutzung gefordert und angeleitet wird. Der alleinige Hinweis auf die Existenz und den Nutzen der Inhalte motiviert erfahrungsgemäß nur wenige Lernende, sich intensiver damit auseinanderzusetzten. Werden Links zu RLab hingegen vor einer Veranstaltung bekannt gemacht und die Bearbeitung konkreter Kurse als für das Verständnis von Inhalten der Präsenzveranstaltung vorausgesetzt, ist die Nutzungsintensität deutlich höher. Das gilt auch für Digitale Skripte.

Zum Einstieg in einen RLab-Kurs, der im Selbststudium bearbeitet wird, sollten Lehrende Ziele nennen, die durch Bearbeitung des Kurses erreicht werden. Dazu können, ausgehend von den innerhalb der Kursübersicht aufgelisteten Kursinhalte, in Kombination mit den auf der vorherigen Seite formulierten, allgemeinen Kompetenzziele, kursspezifische formuliert werden.

Als sehr motivierend hat sich das gemeinsame Installieren der RLab-Kurse mit dem Code source("http://rlab.blogs.uni-hamburg.de/RLabKurse/install_RLab.R") und das Starten eines ersten Kurses, von Lehrenden an einem mit dem Beamer des Seminarraums verbundenem Rechner vorgemacht, herausgestellt. Im Anschluss wurden einige Lektionen von den Studierenden in individuellem Tempo innerhalb der Präsenzveranstaltung bearbeitet, schnelle Lernende konnten optionale Digitale Skripte lesen. Im Anschluss wurde die Bearbeitung weiterer RLab-Kurse als verbindliche Hausaufgabe gestellt.

Häufig wird in den Kursen R-Code für Funktionen anhand der Fragen Schritt für Schritt entwickelt. Daraus resultiert eine Kleinschrittigkeit, die eine gewisse Geduld und Konzentrationsfähigkeit von den Lernenden fordert. Daher sollte nicht mehr als ein RLab-Kurs ,,am Stück" bearbeitet werden und längere Kurse gegebenenfalls, zum Beispiel nach der Hälfte der Lektionen, für eine Pause, die Lektüre eine thematisch passenden Digitalen Skripts und/oder eine reflektierende Diskussion (siehe unten) unterbrochen werden. Lernende ohne jegliche Vorkenntnisse können von der ungewohnten skriptbasierten Programmsteuerung verunsichert sein. Das ist durchaus gewollt und im Zuge des Lernprozesses kaum vermeidbar. Die Kurse sind aber so programmiert, dass alle Lernenden erfolgreich zum Ziel kommen.

Finale Reflexion und Transfer

Praxiserfahrungen zeigen, dass es sinnvoll ist, die Inhalte der in Einzelarbeit bearbeiteten RLab-Kurse im Anschluss an die Bearbeitung entweder in Kleingruppen oder von der / dem Lehrenden moderiert als Gesamtgruppe zu ,,diskutieren”. Dabei sollten die einzelnen Code-Zeilen genannt werden, ihre Funktion erläutert und ggf. spezielle Hinweise gegeben werden. Dazu stehen die R-Skripte (der "pure" R-Code) der einzelnen RLab-Kurse innerhalb der Kursübersicht zur Verfügung. Er kann von Kleingruppen gemeinsam an einem Bildschirm betrachtet werden oder für die gesamte Gruppe per Beamer projiziert werden. Es kann zum Beispiel unter Bezugnahme auf die zuvor formulierten Kompetenzziele gefragt werden, mit welchem Teil des Skripts welches Ziel erreicht bzw. welche Kompetenz erworben wurde.

Übergeordnetes Hauptziel aller Rlab-Kurse ist, die Lernenden zu einem Transfer der mit den Kursen erlernten grundlegenden Bedienung von R ,,in die Praxis", auf fortgeschrittene Datenanalysen und -visualisierungen mit R zu befähigen und zu motivieren. Dabei kann es um vorgegebene Daten und Fragestellungen im Rahmen von Lehrveranstaltungen oder um ,,eigene" Daten und Fragestellungen einer Abschlussarbeit oder eines Studienprojekts gehen. Auch auf diese Aspekte kann im Rahmen einer kurzen Diskussion eingegangen werden und die vielfältigen Angebote zur ,,R-Selbsthilfe" hingewiesen werden. Erfahrungsgemäß eignen sich die RLab-Kurse sehr gut, um den ersten, im Fall von R besonders steilen Teil der Lernkurve erfolgreich zu bewältigen. Danach ist es in der Regel vergleichsweise einfach, Probleme zu lösen und sich weitergehende ,,Spezialkenntnisse" selbst bzw. mit Selbsthilfe anzueignen.

Zeitbedarf für einzelne Module

Digitale Skripte:

• ca. 15 Min., in Einzelfällen länger sowie abhängig von der Intensität des parallelen Ausprobierens/Anwendens der im Skript vermittelten Inhalte

RLab-Kurse:

Dauer einzelner Lessons in der Regel ca. 10 Min.

• R Grundlagen: ca. 40 Min.
• L1 R als Taschenrechner: ca. 10 Min.
• L2 Workspace aufräumen: ca. 10 Min.
• L3 Workspace einstellen: ca. 10 Min.
• L4 R Hilfe nutzen : ca. 10 Min.

• Daten einlesen und kennenlernen: ca. 40 Min.
• L1 Datensatz einlesen: ca. 10 Min.
• L2 Datensatz kennenlernen: ca. 10 Min.
• L3 Daten auswählen : ca. 10 Min.

• Deskriptive Statistik mit bodenkundlichen Daten (Physische Geographie): ca. 80 Min.
• L1 Berechnung von Zentral- und Streuungsmaßen: ca. 10 Min.
• L2 Histogramm und Streudiagramm: ca. 10 Min.
• L3 Boxplots: ca. 10 Min.
• L4 Test auf Normalverteilung: ca. 10 Min.
• L5 Test auf Varianzhomogenität: ca. 10 Min.
• L6 t-Test: ca. 10 Min.
• L7 Mittelwertvergleich ANOVA: ca. 10 Min.
• L8 Korrelationen : ca. 10 Min.

• Deskriptive Statistik Geländeklimatologie (Physische Geographie): ca. 10 Min.
• L1 Deskriptive Statistik : ca. 10 Min.

• Daten visualisieren mit ggplot2 (Biologie): ca. 80 Min.
• L1 Einfaches Streudiagramm: ca. 10 Min.
• L2 Lineare Regression: ca. 10 Min.
• L3 Histogramm: ca. 10 Min.
• L4 Boxplots: ca. 10 Min.
• L5 Balkendiagramme: ca. 10 Min.
• L6 Streumaße und logarithmische Darstellung: ca. 10 Min.
• L7 Themes: ca. 10 Min.
• L8 Facets (Darstellung von „Teilaspekten“) : ca. 10 Min.

• Statistik und Programmierung mit R (Marine Ökosystem- und Fischereiwissenschaften): ca. 120 Min.
• L1 Grundlagen zur Bedienung von R: 14-17 Min. (mit "Ausnutzung" der Hinweise)
• L2 Die erste Grafik in R: 21 Min.
• L3 Datenimport und Datenbearbeitung: 18 Min.
• L4 Datenverständnis: 26 Min.
• L5 Korrelation: 14 Min.
• L6 Lineare Regression: 22 Min.

• Datenaufbereitung mit tidyr (Marine Ökosystem- und Fischereiwissenschaften): ca. ca. 60 Min.
• L1 Datentypen: ca. 10 Min.
• L2 „Pipen“ und „lange“ und „breite“ Datensätze: ca. 10 Min.
• L3 NA-Werte behandeln: ca. 10 Min.
• L4 Spalten splitten und verbinden: ca. 10 Min.
• L5 Weitere Pipe-Operationen und Filtern von Datensätzen: ca. 10 Min.
• L6 Zeitdaten für Berechnungen formatieren: ca. 10 Min.

• Data analysis with R (Marine Ökosystem- und Fischereiwissenschaften): ca. 130 Min.
• L1 R as a calculator: ca. 10 Min.
• L2 Basics in R: ca. 10 Min.
• L3 Data structures: ca. 10 Min.
• L4 Operators: ca. 10 Min.
• L5 Data wrangling – Import: ca. 10 Min.
• L6 Data wrangling – Tidy data: ca. 10 Min.
• L7 Data wrangling – Transformation: ca. 10 Min.
• L8 Intro2Visualization: ca. 10 Min.
• L9 Categorical data: ca. 10 Min.
• L10 Intro2Statistical Modelling – Part 1: ca. 10 Min.
• L11 Intro2Statistical Modelling – Part 2: ca. 10 Min.
• L12 Model building and selection: ca. 10 Min.
• L13 String manipulation : ca. 10 Min.

• Datenhandling und Visualisieren von Klimadaten (Meteorologie): ca. 40 Min.
• L1 Datentypen und ihre Transformation & Zuweisen von Variablen: ca. 9 Min.
• L2 Erstellung eines Zeitreihen-Objekts: ca. 10 Min.
• L3 Visualisieren von Zeitreihen: ca. 7 Min.
• L4 Visualisieren von Zeitreihen-Komponenten: ca. 12 Min.

• Deskriptive Statistik und Vergleiche meteorologischer Zeitreihen (Meteorologie): ca. 60 Min.
• L1 Deskriptive Statistik einer Zeitreihe: ca. 10 Min.
• L2 Visualisierung eines Trends: ca. 10 Min.
• L3 Visueller Vergleich zweier Zeitreihen: ca. 10 Min.
• L4 Verteilungsanalyse zweier Zeitreihen: ca. 10 Min.
• L5 F-Test und t-Test: ca. 10 Min.
• L6 Exportieren von Plots : ca. 10 Min.

• Einführung in Jupyter (Jupyter): ca. 30 Min.
• L1 Funktionsweise von Jupyter-Notebooks: ca. 10 Min.
• L2 Berechnungen und Zuweisungen (JupyteR): ca. 10 Min.
• L3 Einfache Grafiken (JupyteR) : ca. 10 Min.

• Funktionen – Erstellen und Erweitern (Biologie // Jupyter): ca. 30 Min.
• L1 die erste selbst erstellte Funktion in R: ca. 10 Min.
• L2 komplexere Funktionen und temporäre Zuweisungen: ca. 10 Min.
• L3 Funktionsoutput definieren : ca. 10 Min.

• Automatisierung – Einfache Schleifen und Iterationen in R (Biologie // Jupyter): ca. 30 Min.
• L1 Reihen- und Spaltenmittel: ca. 10 Min.
• L2 apply()-Funktion anwenden: ca. 10 Min.
• L3 for-Schleifen und Automatisierungen : ca. 10 Min.

• Freies Arbeiten mit Jupyter-Notebook (Jupyter): individuelle Bearbeitungszeit
• Freies Arbeiten, so lange Du willst! ;)

Beispiel für den Ablauf einer Präsenzveranstaltung mit RLab-Inhalten

Ein Qualitätskriterium eines hochwertigen Blended-Learning-Angebotes soll ein durchgängiges, über alle Phasen des Lernprozesses gehendes Curriculum sein. Daher sollten sich Lehrende aus den flexibel einsetzbaren RLab-,,Bausteinen" sowie mit weiteren Materialien und Aktionen einen entsprechenden, zu den Zielen ihrer Veranstaltung individuell passenden Plan erstellen (und ggf. anpassen).

Hier wird der exemplarische Ablauf eines 5-tägigen Blockkurses aus mit Daten und Fragestellungen aus der Physischen Geographie skizziert. Dieser sollte sich einfach auch auf eine Veranstaltung mit einer höheren Anzahl an kürzeren Sitzungen und andere Fachbereiche übertragen lassen.

Die folgenden Abschnitte beinhalten kurze Hinweise zu einzelnen RLab-Kursen und Digitalen Skripten mit Bezug auf den Einsatzzeitpunkt und -ort (in- oder außerhalb der Präsenzveranstaltung). Eine vorgeschlagene zeitliche Einordnung der einzelnen Module kann der folgenden Abbildung entnommen werden:

Abb. 2: Beispiel für den Ablauf einer Lehrveranstaltung mit RLab (vergrößerte Abbildung).

Im Anschluss an die überwiegend mit RLab-Kursen und Digitalen Skripten zu gestaltenden ersten zwei bis zweieinhalb Tage der Veranstaltung folgt die Bearbeitung einer oder mehrerer Fallstudien, bei der mit den schon bekannten Datensätzen konkrete Forschungsfragen beantwortet werden. Bei der Bearbeitung kann laufend auf den in den RLab-Kursen kennengelernten R-Code zurückgegriffen und in den Digitalen Skripten nachgeschlagen werden. Bei den Fallstudien geht es darum, unterschiedliche Gruppierungen der Beispieldatensätze auf signifikante Unterschiede zu prüfen und die Ergebnisse zu visualisieren. Detaillierte Hinweise hierzu sind bei Interesse beim RLab-Team erhältlich.

Vorbereitendes Selbststudium - RLab-Inhalte vor und zwischen Präsenzterminen nutzen:

Die Studierenden können die Digitalen Skripte kommentieren und dabei auch Fragen stellen. Daher ist es wichtig, dass die Lehrenden auch außerhalb des Kontaktstudiums Präsenz zeigen und diese zeitnah moderieren und Fragen beantworten. Einige Fragen und Kommentare können auch am Anfang eines Präsenztermins aufgegriffen werden und so den Einstieg in eine kurze Reflexion der selbst erarbeiteten Inhalte genommen werden. Durch die Verlagerung eines Teils der Vermittlung von Inhalten außerhalb der Präsenzveranstaltung langweilen sich Leistungsstarke und Studierende mit Vorkenntnissen weniger und Lernende ohne Vorkenntnisse können sich die Zeit nehmen, die sie brauchen, um die Inhalte angemessen nachzuvollziehen und zu üben.

Vor erstem Präsenztermin:

• Vorstellung des Datensatzes (Zeitbedarf ca. 5 Min.)

Das Digitale Skript enthält anschauliche Informationen zum Datensatz, der im Laufe des Kurses ausgewertet wird. Er kann eine Motivation, zum Kurs zu kommen, darstellen, da er schöne Bilder und interessante Daten enthält. Eine mögliche Fragestellung deutet sich an, so dass ein Praxisbezug dieses vermeintlich ,,trockenen” Statistik-Kurses vorab hergestellt wird.

• Digitales Skript: ,,Installation von R und RStudio” (Zeitbedarf ca. 30 Min.)

Lernende erfahren, dass sie selbst ohne weiteres in der Lage sind, sich die Programme zu installieren und Grundeinstellungen vorzunehmen. Damit schaffen sie die Voraussetzung für die eigenständige Arbeit mit R. Dieses ,,Sicherheitsgefühl” ist von hoher Bedeutung, um die im Rahmen der Veranstaltung gelernten Inhalte ins ,,reale Leben” zu transferieren. Damit ist die Anwendung z.B. bei Projektarbeiten oder der Abschlussarbeit gemeint. Die Studierenden lernen auch, dass die Einstellung der Verbindung von RStudio mit R wichtig ist und umgehen so mögliche Schwierigkeiten bei der weiteren Arbeit.

Vor zweitem Präsenztermin:

• Digitales Skript: ,,RStudio und R-Skripte” (Zeitbedarf ca. 20 Min.)

Nachdem in der ersten Präsenzveranstaltung nur die allerwichtigsten Funktionen von RStudio vorgestellt wurden und erste Schritte mit R unternommen wurden, wird hier ausführlich dargestellt, wie RStudio R ergänzt und wie die Vorteile von RStudio genutzt werden können. Es wird auch auf R-Skripte eingegangen, was wichtig ist, damit die Lernenden komfortabel mit R arbeiten und ihre (selbst) erarbeiteten Inhalte speichern und wiederverwerten können.

• Digitales Skript: ,,Hilfe in- und außerhalb von R” (Zeitbedarf ca. 15 Min.)

Lernende erfahren, dass es auch ohne Lehrende als direkte Ansprechpartner Unterstützung gibt. Das kann insbesondere für ein sicheres Gefühl bei zum gleichen Zeitpunkt oder in Anschluss an Folgetermine zu erledigenden Hausaufgaben förderlich sein. Auch bei den Präsenzveranstaltungen sollten die Lernenden üben, sich selbst Hilfe zu beschaffen, daher ist diese Aufgabe eine Vorbereitung für folgende Präsenztermine.

Vor drittem Präsenztermin:

• Digitales Skript: ,,R-Funktionen – Argumente, Klammern, Kommata kontrolliert einsetzen” (Zeitbedarf ca. 20 Min.)

Die Lernenden haben aus den ersten und zweiten Präsenzterminen schon etwas Erfahrung im Umgang mit R-Funktionen gesammelt. In diesem Digitalen Skript werden detailliertere Inhalte vermittelt und wiederholt.

RLab-Inhalte während Präsenzterminen nutzen

• Digitale Skripte: ,,R Lernen mit RLab-Kursen” (Zeitbedarf ca. 15 Min.) und ,,Start eines RLab-Kurses” (Zeitbedarf ca. 10 Min.)

Lehrende können das Digitale Skript ,,R Lernen mit RLab-Kursen” verwenden, um zu erklären, wie R einmalig für die Verwendung der RLab-Kurse vorbereitet wird. Insbesondere die Slideshows innerhalb des Skripts können per Beamer angezeigt werden, so dass die Gruppe sie einzelnen Schritte gemeinsam durchführt und dabei Fragen gestellt werden und die Lernenden durch die Kursleitung und ggf. anwesende Tutorinnen und Tutoren unterstützt werden können.

Abschließend erfolgt der Hinweis auf das Digitale Skript ,,Start eines RLab-Kurses”, in dem kurz beschreiben wird, wie ein Kurs gestartet werden kann, wenn R für die Verwendung der Kurse bereits vorbereitet wurde - hilfreich, wenn Lernende wieder einsteigen wollen, aber nach längerer Zeit oder vielleicht auch schon beim nächsten Kurstermin nicht mehr genau wissen, wie ein RLab-Kurs ,,eingeschaltet” wird.

• RLab-Kurs: ,,R-Grundlagen” (Zeitbedarf ca. 40 Min.)

Die Lessons dieses Kurses können als allererster Einstieg in den Umgang mit der skriptbasierten Umgebung genutzt werden. Da es hier aufgrund der ersten ,,echten” Nutzung von R neben Fragen zum eigentlichen R-Code zu Technik-Fragen (,,Das Programm läuft nicht!” / ,,Wie starte ich R?” ....) kommen kann, sollte dieser Kurs während der Präsenzveranstaltung bearbeitet werden.
Zeitbedarf für die Lessons:
• R als Taschenrechner: 10 Min.
• Workspace aufräumen: 10 Min.
• Workspace einstellen: 10 Min.
• R Hilfe nutzen: 10 Min.

• Rlab-Kurs: ,,Daten einlesen - kennenlernen - auswählen” (Zeitbedarf ca. 30 Min.)

Die Lessons dieses Kurses können im Anschluss an der Kurs ,,R-Grundlagen” in der Präsenzveranstaltung bearbeitet werden. Auch hier sollten Lehrende und Tutorinnen /Tutoren direkt zur Unterstützung zur Verfügung stehen, da das Verständnis unabdingbare Voraussetzung für die erfolgreiche Bearbeitung weiterer Inhalte ist.
Zeitbedarf für die Lessons:
• Datensatz einlesen: 10 Min.
• Datensatz kennenlernen: 10 Min.
• Daten auswählen: 10 Min.

• RLab-Kurs: ,,Deskriptive Statistik” (Zeitbedarf ca. 80 Min.)

Diese Lessons beinhalten alle weiteren Funktionen, die zur im weiteren Verlauf der Lehrveranstaltung zu bearbeitende Fragestellungen erforderlich sind. Je nachdem wie viel Zeit außerhalb der Präsenzveranstaltung zur Verfügung steht, können Aufträge zur dortigen Bearbeitung gegeben werden. Es wird bei der Bearbeitung von einer oder mehrerer Fallstudien in der Präsenzveranstaltung ausreichend Möglichkeit zur Wiederholung und zur Klärung von Fragen (dazu steht außerhalb auch die Kommentar-Funktion zur Verfügung!) geben
Zeitbedarf für die Lessons:
• L1: 10 Min.
• Histogramm und Streudiagramm: 10 Min.
• Boxplots: 10 Min.
• Tests auf Normalverteilung: 10 Min.
• Tests auf Varianzhomogenität: 10 Min.
• t-Tests: 10 Min.
• Mittelwertvergleiche ANOVA / H-Test: 10 Min.
• Korrelationen: 10 Min.

Die bis hierher aufgeführten RLab-Kurse beinhalten alle R-Funktionen, die zur Bearbeitung einer Aufgabe mit Beschreibung der Daten und einem Mittelwertvergleich von drei Gruppen erforderlich sind. Damit kann in Verbindung mit den Digitalen Skripten des RLabs, wie oben beschrieben, ein vollständiger, einführender R-Statistikkurs gestaltet werden. Die Zeitangaben beziehen sich auf die ungefähre, reine Bearbeitungszeit. (Erforderliche) Pausen zwischen den Lessons, Programm- und Kursstart, Beratungen der Lernenden untereinander, Feedbackgespräche usw. sind dabei nicht mit eingerechnet.

Weitere RLab-Kurse zur Ergänzung und zur Bearbeitung von Aufgaben aus anderen Fachbereichen sind in der Kursübersicht zu finden. Sie werden bei der Installation durch source("http://rlab.blogs.uni-hamburg.de/RLabKurse/install_RLab.R") mitinstalliert und können beliebig in Lehrveranstaltungskonzepte eingebunden werden. Auch im Bereich der Digitalen Skripte stehen weitere Inhalte zu verschiedenen Themen zur Verfügung.

Kontakt und Literatur

Kontakt:

Auch Lehrende können sich mit Anregungen, Verbesserungsvorschlägen, Fragen usw. sehr gerne ans RLab-Team wenden. Dafür stehen die Kommentar-Felder der einzelnen Digitalen Skripte und das allgemeine Kontaktformular zur Verfügung. Wir freuen uns auf Ihre / Deine Nachricht!

Literatur:

Heinecke, M. (2016): Digitale Skripte mit Markdown und elearn.js als Basistechnologie für OER - In: Wachtler, J., Ebner, M., Gröblinger, O., Kopp, M., Bratengeyer, E., Steinbacher, H.-P., Freisleben-Teutscher, C., Kapper, C. (Hrsg.): Digitale Medien: Zusammenarbeit in der Bildung. Waxmann. Münster, New York:107-116. URN: urn:nbn:de:0111-pedocs-157841; siehe auch: Westphal, A. (2019): elearn.js Wiki. https://github.com/elb-min-uhh/elearn.js/wiki [27.05.2019] und https://methodenkompetenz.blogs.uni-hamburg.de/tutorial-digitale-skripte-schritt-fuer-schritt/.

Hemsing, S. (2015): Simply the best. 10 Erfolgsfaktoren für gutes E-Learning. Hamburger eLearning-Magazin 14:56-59

Herren, D. (2014): Das Selbststudium begleiten. hep verlag ag. Bern

Klier, A. (o.J.). Die neuen Lerner/innen?! Vom Mythos selbstorganisierten Lernens zur Organisation selbstbestimmter Lernprozesse. In: Berendt, B. ,Fleischmann, A., Schaper, N., Szczyrba, B. Wildt, J. (Hrsg.), Neues Handbuch Hochschullehre (Artikel D 3.36). DUZ Medienhaus. Berlin. https://www.nhhl-bibliothek.de/de/handbuch/gliederung/#/Beitragsdetailansicht/256/2561/Die-neuen-Lerner-innen%253F!---Vom-Mythos-selbstorganisierten-Lernens-zur-Organisation-selbstbestimmter-Lernprozesse [27.05.2019]

Klier, A. (o.J.). Präsenz 4.0. Über Anwesenheit, Aufmerksamkeit und Mitarbeit beim digitalen Lernen. In: Berendt, B. ,Fleischmann, A., Schaper, N., Szczyrba, B. Wildt, J. (Hrsg.), Neues Handbuch Hochschullehre (Artikel D 3.30). DUZ Medienhaus. Berlin. https://www.nhhl-bibliothek.de/de/handbuch/gliederung/#/Beitragsdetailansicht/256/1185/Praesenz-4.0---ueber-Anwesenheit%252C-Aufmerksamkeit-und-Mitarbeit-beim-digitalen-Lernen [27.05.2019]

Kross, S., Carchedi, N., Bauer, B., Grdina, G., Schouwenaars, P., Wu, W. (2019). swirl: Learn R, in R. R package version 2.4.4. https://CRAN.R-project.org/package=swirl [27.05.2019]; siehe auch: https://swirlstats.com/ [27.05.2019]

Sonnberger, J.F.M. (2015): Lernerorientierung als Qualitätsmaßstab für technisch unterstütztes Lernen und Lehren. Hamburger eLearning-Magazin 14:32-35