Internetbasierte Lernangebote mit besonderer Unterstützung auditiver Inhalte

Die effiziente Produktion von digitalen Lernangeboten durch Wiederverwendung in unterschiedlichen Kontexten erfordert neue Konzepte für die Datenhaltung der Inhalte. Mit der LEA-DTD wird ein medienneutraler Dokumententyp für Lernmaterialien mit XML-Datenbindung vorgestellt, der in besonderem Maße spezielle Anforderungen an Interaktivität, Didaktik und Wiederverwendbarkeit unterstützt. Im Gegensatz zu bestehenden Autorensystemen sind LEA Dokumente nicht auf eine bestimmte Zielplattform festgelegt, z. B. CD-ROM. LEA-DTD wurde im bundesweiten Leitprojekt „ Vernetztes Studium Chemie“ des Bundesministeriums für Bildung und Forschung erfolgreich für Lernmaterialien mit Schwerpunkt auf chemischen Inhalten adaptiert. LEA Dokumente beschleunigen Aktualisierungsprozesse von Lernmedien erheblich; die Aktualisierungsdauer eines Lernangebots im Umfang einer Vorlesung wurde von 10 Manntagen manueller Arbeit auf wenige Minuten reduziert. Die Praxistauglichkeit der LEA-DTD wurde im Projekt „ BioInform@tik“ an der Universität Tübingen erprobt. Die dafür realisierte schablonenorientierte, rollenbasierte Lernplattform ist seit dem Wintersemester 1999 störungsfrei über einen Zeitraum von 8 Semestern mit über 400 Nutzern im Einsatz. Die Rückmeldungen der Nutzer waren in hohem Maße positiv. Dies bestätigte auch eine Evaluation durch das Deutsche Institut für Fernstudienforschung (DIFF) im Sommersemester 2000. Moderne Lernangebote verwenden zunehmend multimediale Elemente. Um die Handhabbarkeit von eingebetteten Audiodokumenten zu erhöhen, wurden neuartige Algorithmen auf der Basis von Selbstähnlichkeit innerhalb eines Musikdokuments zur automatischen Extraktion von Metadaten entwickelt. Dabei kamen unterschiedliche Merkmale zum Einsatz (Energiespektrum, MFCCs, Chroma-Vektoren). Zur Evaluation wurde ein neuer Dokumentenkorpus etabliert, für den subjektive Referenzdaten aus aufwändigen Experimenten mit Versuchspersonen vorliegen. In zwei Aufgabenstellungen wurden unterschiedliche Algorithmen auf ihre Fähigkeit hin untersucht, Musikdokumente nach Refrains zeitlich zu segmentieren sowie geeignete Vorschaufenster zu positionieren. Dabei hoben sich die neuartigen, selbstähnlichkeitsbasierten Ansätze statistisch signifikant in ihrer Güte von anderen untersuchten Verfahren ab und erzielten Resultate, die mit denen eines menschlichen Hörers vergleichbar sind. Die Berechnung von Selbstähnlichkeit bietet, weit über den Einsatz in internetbasierten Lernangeboten hinaus, umfassende neue Möglichkeiten in Visualisierung, Suche und Bearbeitung von Musikdokumenten.