Statistisches Programmieren (UK, 4 SWS, 7 ECTS)

Umgesetztes Projekt

Ziele

Ziel der LV ist es, Studierenden die statistische Programmiersprache R beizubringen (fundierte Einführung mit Bezug auf statistische Anwendungen und Umgang mit Daten). Für die LV werden zwei Gruppen angeboten, die von den beiden Einreichern gehalten werden.

 

Die Studierenden verfügen zu Beginn der LV über ein sehr heterogenes Vorwissen. Einige haben bereits in der Schule Programmieren gelernt, andere haben sich vor dieser LV noch nie intensiver mit Computern auseinandergesetzt. Gerade für Studierende mit wenig Vorwissen ist die Lernkurve zu Beginn sehr steil und es besteht die Gefahr der Überforderung und in weiterer Folge des Drop-Outs. Erfahrungsgemäß besteht bezüglich des Vorwissens ein Gendereffekt zugunsten der männlichen Studierenden. Darüber hinaus wird der Kurs von vielen internationalen Studierenden mit sehr heterogenem Vorwissen besucht.

 

Bis zum WS 2015 wurden die beiden Gruppen unabhängig voneinander angeboten. Die Leistungsbeurteilung bestand jeweils aus:

- Hausübungen, die schriftlich korrigiert und im Plenum besprochen wurden,

- einem Endtermtest sowie

- einem mündlichen Abschlussgespräch, in dem die Lösungen der Studierenden auf eine größere Programmieraufgabe besprochen wurden.

 

Das Problem der unterschiedlichen Startniveaus und die Gefahr, dass einige Studierenden bald eine Lernlücke aufrissen, konnte mit diesem Modus nicht zufriedenstellend gelöst werden. Der Abschlusstest und das Abschlussbeispiel stellen für einige Studierende eine sehr bzw. zu hohe Hürde dar.

 

Diese Beobachtungen und Erfahrungen haben uns zu folgenden Zielen motiviert & inspiriert:

 

- Wir wollen den Kurs derart gestalten, dass Studierende mit wenig Vorwissen diesem folgen und möglichst bald zu stärkeren Studierenden aufschließen können. Speziell soll dadurch auch ein eventueller Genderunterschied egalisiert werden. Stärkere Studierende sollen dabei nicht unterfordert werden.

- Peer-Learning soll gefördert werden.

- Wichtige Kerninhalte sollen Studierenden beider LV-Gruppen effizient vermittelt werden.

- Die Studierenden sollen zum regelmäßigen & lückenlosen Mitlernen motiviert werden.

- Studierende sollen in der Lage sein, ihre eigenen Leistungen besser einschätzen zu können und sie sollen besser über ihr persönliches Weiterentwicklungspotenzial Bescheid wissen.

- Gleichzeitig wollen auch wir einen aktuellen Überblick über die individuellen Leistungen und eventuellen Defizite gewinnen, um ggf. darauf maßgeschneidert reagieren zu können.

- Studierende sollen mehr Möglichkeiten bekommen, ihre Fragen & Anliegen persönlich mit uns bzw. dem Tutor klären zu können.

- Die Kontrolle der Hausübungen soll künftig sicherstellen, dass die Studierenden ihre abgegebenen Lösungen selbst verstehen, auch wenn sie gemeinsam in Gruppen gearbeitet haben.

- Studierende sollen ihr erworbenes Wissen langfristig abrufen können.

Kurzzusammenfassung (dt.)

Die Lehrveranstaltung „Statistisches Programmieren“ findet in Form von 2 Gruppen inkl. eines Tutoriums statt. Die Studierenden verfügen zu Beginn der LV über ein sehr heterogenes Vorwissen. Das LV-Konzept zielt darauf ab, ein individuelles Lerntempo zu gewährleisten, Schwächere zu unterstützen und Stärkere zu fördern, eventuelle Genderunterschiede zu egalisieren und potenzielle Defizite internationaler Studierender zu berücksichtigen.

Durch den umfassenden Einsatz digitaler Lehrangebote und das Heben von Synergien der beiden LV-Gruppen gelang es uns, die Betreuung persönlicher und intensiver zu gestalten. Die Vermittlung des Stoffs im Rahmen des Vorlesungsteils passiert für beide Gruppen gemeinsam und mit Hilfe eines umfassenden Skriptums. Zwei wöchentliche Frageeinheiten unterstützen das Selbststudium und vermitteln weiterführende Inhalte und Fallbeispiele aus der Praxis. Abgabegespräche zu jeder Hausübung in Kleingruppen verbessern die eigene Leistungseinschätzung, fördern Peer Learning und geben uns ein genaues Feedback zum individuellen Lernfortschritt. Darüber hinaus werden das gegenseitige Vertrauen und die Verbindlichkeit zwischen Studierenden und Lehrenden gestärkt.

Ein Mix aus regelmäßigen Leistungsbeurteilungen wie Quiz und Hausübungsabgaben und zahlrei-chen freiwilligen und digitalen Lehrangeboten ermöglicht selbstbestimmtes und nachhaltiges Lernen. Alle Teilleistungen beurteilen wir getrennt und informieren die Studierenden über den aktuellen Punktestand online.

Kurzzusammenfassung (engl.)

The course „Statistical Programming“ consists of two groups plus a tutorial. The degree of prior knowledge varies greatly between students. Therefore, the course concept aims at allowing each student his or her own pace at learning new content. With our approach we intend to support weaker as well as stronger students and we try to eradicate possible gender differences and poten-tial deficits of international students.

 

By providing digital learning material and by merging both course groups, we managed to increase and improve available contact times with students. Lectures are provided for the entire class and supported by extensive lecture notes. Twice a week, we provide time for question and discussion to help with self learning as well as to cover additional material and case studies. Every home work is discussed and assessed within groups of 3 to 4 students. Students receive personal feedback and at the same time we as lecturers get a timely impression of students’ progress. Small group assess-ments improve commitment of students and the relationship between peers as well as between lecturers and students.

 

Overall, the course consists of various voluntary offers including digital material as well as many reg-ular appraisals with short written exams and home work discussions. This combination enables au-tonomous and sustainable learning. All parts are marked independently and students are continuously informed about their status.

Nähere Beschreibung

Bei den weiterführenden Links finden Sie eine formatierte Version unserer Projektbeschreibung sowie einen Auszug unserer eingesetzten digitalen Materialien!

Unser neues LV-Konzept nützt das Potenzial der beiden Gruppen, indem Synergien genützt und mit den zusätzlichen Ressourcen die Betreuungsqualität erhöht wird.

Wir schildern unsere Ideen und verweisen dabei im Text in eckigen Klammern auf folgende Kriterien:

Innovative Hochschuldidaktik

[A]ktivierende und motivierende Lehrmethoden sowie Stärkung der Eigenverantwortung der Studierenden

[V]erbindung von digitalen und traditionellen Vermittlungsformen sowie von Selbststudium und Präsenzeinheiten

[D]igitale Lehr?/Lernmaterialien einsetzen

 

Studierendenzentrierung

[F]ragemöglichkeiten und interaktive Diskussionsmöglichkeiten online und vor Ort

[S]elbstorganisiertes und (selbst)reflektierendes Lernen und Vermittlung von Lernstrategien

[P]eer-Learning zur Bildung von Lerngemeinschaften und sozialen Beziehungen

[I]ndividuelle Leistungsstärke und Bedürfnisse berücksichtigen

 

Kompetenzorientierung

[K]lare, problem- und kompetenzorientierte Aufgaben, Lernziele und LV-Struktur

 

Lernergebnisorientierte Prüfungskultur

[N]achhaltiges und lebenslanges Lernen inkl. Lernen aus Fehlern

[T]ransparente und nachvollziehbare Leistungsbewertung

 

Teilleistungen & Beurteilungsschema

 

Die Studierenden können in dieser LV in Summe bis zu 80 Punkte sammeln: [K][T]

1.) Regelmäßige schriftliche Quiz (5 x 5, 1 Streichresultat): 20 Punkte

2.) Abgabe und Besprechung von Übungsaufgaben (5 x 4): 20 Punkte

3.) Schriftlicher Abschlusstest: 20 Punkte

4.) Abschlussbeispiele & persönliches Abschlussgespräch: 20 Punkte

 

Durch die Einführung der Quiz (schriftliche Mitarbeitsüberprüfungen) motivieren wir die Studierenden zum regelmäßigen & lückenlosen Mitlernen [K][A]. Die Studierenden sollen sich bereits vor der anschließenden Bearbeitung der Hausübungsaufgaben intensiv mit dem jeweiligen Stoff befasst haben [S][N][K]. Lösen die Studierenden die Hausübungs-aufgaben gemeinsam, so soll gewährleistet sein, dass sie alle über dieselbe Wissensbasis verfügen [I][P]. Danach folgen ein schriftlicher Abschlusstest und Abschlussbeispiele über den gesamten Stoff [K][N].

 

Das Quiz mit den wenigsten erreichten Punkten wird aus der Wertung genommen (Streichresultat). Ein krankheitsbedingtes oder berufsbedingtes Fehlen bei einem Quiz wirkt sich also nicht nachteilig aus [I]. Die Punkte werden am Ende wie folgt in eine Note umgerechnet [T]:

p<40 Punkte: Endnote Nicht genügend

40<=p<50: Endnote Genügend

50<=p<60: Endnote Befriedigend

60<=p<70: Endnote Gut

70<=p: Endnote Sehr gut

 

Fehler, die in frühen Phasen (beim Quiz, bei der Hausübung) begangen werden, fallen nicht so stark ins Gewicht [A]. Dies erhöht die Motivation der Studierenden, aus ihren Fehlern und den Fehlern anderer zu lernen und sie hoffentlich beim Test und den Ab-schlussbeispielen nicht zu wiederholen [N][S].

 

Nach jeder der insgesamt 5 Kurseinheiten sowie nach dem Test veröffentlichen wir das Punktekonto. Wir listen dort alle Beurteilungen übersichtlich nach den Teilleistungen auf [T]. die Studierenden und wir wissen also genau, wie viele Punkte jede/r für jede Teilleis-tung erhalten hat und wir können darauf adäquat und rechtzeitig reagieren [I].

 

Ablauf unseres Kurses

 

Die Vorlesung bzw. Vermittlung des Stoffs wird für beide Gruppen zusammengelegt und durch digitale Lernmaterialien ergänzt [D][A][V]. Mit der freigeschaufelten Zeit bauen wir das freiwillige Angebot an Frageeinheiten aus und ermöglichen gleichzeitig ein individuelleres Lerntempo [I][S][F]. Durch die Reduktion der Anwesenheitspflicht erleichtern wir es berufstätigen Studierenden, die LV zu absolvieren [I].

 

Folgende digitale Angebote und Hilfsmittel setzen wir ein: [D]

• Vorlesung: umfangreiches Skriptum als PDF mit mehr als 400 Seiten

• Frageeinheiten: online Fragebox, Protokoll der Frageeinheit

• Quiz: Checkliste, Probequiz des vergangenen Semester mit Musterlösungen, Liste häufig begangene Fehler inkl. Verbesserungsvorschläge

• Hausübung, Abschlussbeispiele: online Anmeldung, Aufgabenstellung, online Einreichung der Lösungen, Musterlösungen im Nachhinein

• Während des Semesters: Motivations- und Informationsschreiben, Veröffentlichung des aktuellen Punktestands, Zusatzmaterialen und Links

 

In der für beide Gruppen gemeinsamen Vorbesprechung zeigen wir den Studierenden anhand von Anwendungsbeispielen, was sie am Ende der LV alles können (sollten) [A][K].

 

Anschließend folgen 5 Kurseinheiten, die im Zweiwochenrad ablaufen: [K]

• Quiz-Woche: von der Vorlesung bis zum Quiz

Ziele: neuen Stoff motivieren (wozu?) und Studierenden neue Inhalte und Programmierbausteine zur Lösung elementarer Standardaufgaben beibringen [A]

• HÜ-Woche: vom Quiz bis zur HÜ-Besprechung

Ziele: das in der Quiz-Woche erlernte Wissen festigen & erweitern und anhand praxisnaher Aufgaben anwenden [N][K]

 

In der Vorlesung mit Daniel Obszelka geht es darum, die Studierenden für den neuen Stoff zu begeistern und ihnen den Einstieg in die einwöchige Selbstlernphase zu erleich-tern [A][V][S]. Die genauen Lernziele listen wir in Form einer Checkliste (die sogenannte Zielliste_Quiz) detailliert und übersichtlich auf [K][D].

In den Frageeinheiten bzw. Tutorien wiederholen und vertiefen wir den Stoff anhand neuer Beispiele. Studierende können ihre Fragen, Anliegen und Wünsche vorab völlig anonym via Moodle in eine digitale Fragenbox hineinwerfen [N][F][I][V][D]. Dies ermöglicht uns eine bessere Planung der Frageeinheiten und motiviert mehr Studierende dazu, Fragen zu stellen (vor allem die schüchternen) [A].

Damit sich die Studierenden optimal auf die Quiz vorbereiten können, stellen wir ihnen neben dem Skriptum ein Probequiz des vergangenen Semesters inkl. Musterlösung und eine Liste häufig begangener Fehler sowie sämtliche in der Vorlesung und den Frageein-heiten erarbeiteten Programmcodes (inkl. Kommentaren) zur Verfügung [V][S][D][N]. Studierende können also die erzeugten Programmcodes zuhause in Ruhe selbst am PC nachvollziehen bzw. damit herumexperimentieren [V][S][A][D]. Mittelfristig ist auch der Einsatz von Lehrvideos denkbar.

Im Quiz-Warm-Up mit dem Tutor Thomas Hillebrand können die Studierenden unmittel-bar vor dem Quiz allerletzte Anliegen klären [V][F]. Außerdem stehen der Tutor und wir für dringende Fragen per Mail zur Verfügung [F].

Wir möchten, dass sich die Studierenden selbstkritisch mit ihren Leistungen auseinander-setzen und lernen, ihre Leistungen besser einschätzen zu können [N][A][S]. Daher bitten wir sie bei der Abgabe des Quiz anzugeben, wie viele Punkte sie sich erwarten (Selbsteinschätzung) [I].

Nach dem Quiz teilen wir den Studierenden ihre eigenen Quiz in Kopie aus und bespre-chen gemeinsam die Lösungen [T][A]. Die Studierenden können somit Anmerkungen direkt auf ihren eigenen Quiz notieren und darüber hinaus Zuhause ihre Lösungen am PC testen, mit den Musterlösungen vergleichen und korrigieren [V][S][D]. Häufig begangene Fehler fassen wir in einer FME-Liste (frequently made errors) zusammen – eine herrliche Inspirationsquelle für den abschließenden Test ;-). Aus Fehlern lernen ist eine Tugend [D][N][K]!

Danach bekommen die Studierenden eine Woche Zeit für die Hausübung [K][A][S]. In den Frageeinheiten und Tutorien sammeln wir u. a. Lösungsideen bzw. Lösungsansätze und wägen ihre Vor- und Nachteile ab [F]. Dabei entstehen interessante Diskussionen, die oft nach der Einheit weitergehen [P]!

Die Kurseinheit endet mit der Besprechung der Hausübungen in Kleingruppen (4 Personen) mit Andreas Baierl [A][K][V]. Studierende können sich via Moodle zu einem Termin anmelden [D].

 

- Individuelles & maßgeschneidertes Feedback, gezielte Verbesserungstipps und Verbesserungsanleitungen werden den Studierenden mitgegeben [I][S][A][K][T][F].

- Studierende bereiten sich gut auf das Gespräch vor, da bloßes Abschreiben auffliegt [N][A].

- Die Kleingruppen wachsen zusammen. Es entsteht darüber hinaus ein gesunder Wettbewerb zwischen den Teams [P][A].

- Abgleich Zuhause mit der Musterlösung, optionale Diskussion in der nächsten Frageeinheit bzw. im nächsten Tutorium [D][F][V][N].

 

Das Niveau steigt im Laufe der LV sukzessive an [S]. Mit den Quiz und den HÜs führen wir Studierende behutsam an den Test und die Abschlussbeispiele heran, in denen längere & schwierigere Aufgaben über den gesamten Stoff darauf warten, von ihnen gelöst zu werden [K][A]. Der Test läuft wie ein Quiz ab, die Abschlussgespräche funktionieren im Prinzip wie die HÜ-Gespräche. Für die Abschlussbeispiele bieten wir eigene Frageeinheiten an.

Das Skriptum (eine pdf-Datei) ist dank seiner klaren Struktur und seines humorvollen & bildlichen Schreibstils ein wertvoller Wegbegleiter [D][K][A][V]. Farbliche Hervorhebun-gen sorgen für Abwechslung und erhöhen zusätzlich die Verständlichkeit & Übersicht [N][A]. Engagierte Studierende können ihren Wissensstand mit Hilfe von Selbsttestaufga-ben überprüfen und mit Zusatzkapiteln und Fallbeispielen ihr Wissen vertiefen [S][I][K].

Wir markieren die Kapitel mit je einem Icon für die Relevanz sowie den Schwierigkeitsgrad, um den Studierenden die Orientierung zu erleichtern [K][A][S][I]. Für die Relevanz von wichtig bis weniger wichtig verwenden wir Sterne (*, **, ***), den Schwierigkeitsgrad von leicht bis schwierig stellen wir mittels Hanteln dar.

Unsere Beispiele und Aufgaben berühren die Studierenden auf emotionaler Ebene und sind [K][S]:

- praxisnah. Z. B. Auswertung und Visualisierung der PISA-Daten, Waldbrandsimulation etc. [K]

- studierendenzentriert. Z. B. Geburtstagsproblem: Wir schauen uns in der Vorlesung an, ob zwei Studierende am selben Tag Geburtstag feiern können und motivieren dabei unter anderem das Thema Matrizen [F][P][A].

- außergewöhnlich. Z. B. Klobeispiel: Wir erläutern anhand des großen Geschäftes, wie in R Funktionsaufrufe ablaufen [A]. Das Beispiel ist laut inoffizieller Befragung vielen hängen geblieben [N]. ?

- unterschiedlichen Niveaus. Stärkere Studierende dürfen (freiwillig) echte Nüsse knacken [A][I].

 

Mit Motivationsmails (z. B. in Form eines Programmcodes, der "Gib alles!" oder "R loves you" in Form eines roten Herzens ausgibt), Bonusmaterialien (Spiele wie "4-Gewinnt" oder "Schiffe versenken") spornen wir Studierende dazu an, stets ihr Bestes zu geben [A][D]! Motivation und Freude an der Sache sind wichtige Voraussetzungen für Erfolge!

Wir zeigen Studierenden, wie sie sich mit der R-Hilfe, Dokumentationen zu Zusatzpaketen und Foren eigenständig Hilfe holen können (Hilfe zur Selbsthilfe) [V][I][K][N][A][S]. Engagierte Studierende werden dazu motiviert, sich eigenständig mit weiterführenden Inhalten auseinanderzusetzen [A]. Ein Beispiel ist "Advanced R" von Hadley Hickham (http://adv-r.had.co.nz/), eine Onlineplattform, die sich mit schwierigeren Konzepten zu R befasst [D]. DataCamp ist ein Onlinetool, in dem Studierende mit interaktiven Übungen ihr Wissen festigen und erweitern können (https://www.datacamp.com) [D][S].

 

In den Pausen zwischen Quiz und Quiznachbesprechung sprechen wir mit den Studierenden [F]. Dabei lernen wir sie und sie sich untereinander besser kennen und wir erfahren ihre zum Teil kreativen Lernstrategien (z. B. Karteikarten schreiben) und geben sie gerne an die anderen Studierenden weiter [P][S].

Derselbe Inhalt wird wiederholt in verschiedener Form besprochen, wodurch der Stoff leichter ins Langzeitgedächtnis übergeht [N]. In zahlreichen Feedbacks (Quiz, HÜs, Test, Abschlussbeispiele, Mails) erhalten die Studierenden regelmäßig Rückmeldung über ihren Fortschritt und maßgeschneiderte Verbesserungstipps [I][T][K][S][A].

Mit sehr guten Leistungen (mind. 52.5 erreichte Punkte aus Quiz, HÜs und Test) qualifizieren sich Studierende für eine Bachelorarbeit, in der sie eine umfangreichere und individuell abgestimmte Aufgabenstellung bearbeiten [A][T][S][I][K].

Positionierung des Lehrangebots

Das Lehrangebot richtet sich primär an Studierende des 3. Semesters des Bachelorstudiums Statistik (A 033 551, Modul 2.5.2. Statistische Software und Computational Statistics). Quereinsteiger/innen des Masterstudiums Statistik müssen diese LV in der Regel unter dem Punkt &quot;Auflagen im Rahmen des Zulassungsverfahrens&quot; absolvieren. Daneben kann diese LV von Studierenden der Bachelorstudien Betriebswirtschaft und Volkswirtschaft im Rahmen eines Erweiterungscurriculums belegt werden. Darüber hinaus wird das Lehrangebot u. a. von folgenden Studierendengruppen angenommen: - Studierende der Informatik, die eine zusätzliche Programmiersprache lernen wollen. - Studierende, die im Rahmen ihrer Abschlussarbeit (Bachelor, Master, Doktorat) Daten mit Hilfe von R auswerten wollen (z. B. Psychologie, Soziologie, Biologie etc.). - Allgemein Interessierte aller Studienrichtungen

Weiterführende Information


Das Beispiel wurde für den Ars Docendi Staatspreis für exzellente Lehre 2018 nominiert.