UMIT - Private Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik GmbH
Eduard Wallnöfer-Zentrum 1, 6060 Hall in Tirol
Weitere Beispiele der Hochschule

Data Mining in der Biomedizin

Ziele/Motive/Ausgangslage

Data Mining und Maschinelles Lernen gewinnt aufgrund der zunehmenden Verfügbarkeit von Daten, der Entwicklung neuer Algorithmen und der steigenden Rechnerkapazitäten stark an Bedeutung. Die Lernziele der Lehrveranstaltung Data Mining in der Biomedizin umfassen das theoretische Verständnis sowie die Fähigkeit der praktischen Anwendung von Methoden des unüberwachten und überwachten Lernens und der Attributselektion. Herausforderungen für Lehrende und Lernende in diesem Bereich sind Multidisziplinarität, eine umfassende Methodenkompetenz sowie eine hohe Rate an Neuntwicklungen in diesem Gebiet. Um diesen Anforderungen gerecht zu werden, wurde das folgende Lehrprojekt entwickelt.

Kurzzusammenfassung des Projekts in deutscher Sprache

Insbesondere in der Biomedizin können durch moderne Data Mining Verfahren große Datenmengen von „High-Throughput-Technologien“ wie z.B. DNA Microarrays oder Massenspektrometrie analysiert werden. Mithilfe dieser Methoden können so z.B. neue Biomarker für die frühzeitige Erkennung und Behandlung schwerwiegender Erkrankungen, wie z.B. Krebs, gefunden werden.

Im Rahmen der Projektbeschreibung werden die Lernziele präsentiert und didaktische Herausforderungen erläutert. Diese umfassen ein grundlegendes technisches Verständnis für High-Throughput Verfahren, Multidisziplinarität, eine umfassende Methodenkompetenz sowie eine hohe Rate an Neuntwicklungen von Algorithmen zur Datenanalyse.

Die didaktische Grundlage des Lehrveranstaltungskonzept bildet das Framework für das Design von Blended Learning von Kerres und Witt (2003). Weitere Modelle des Konzepts umfassen das ARCS-Motivationsmodell und Ansätze von Gami?cation. Hinsichtlich dem Instruktionsdesign werden die Grundlagen der Cognitive Load Theorie beachtet.

Kurzzusammenfassung des Projekts in englischer Sprache

In biomedicine, modern data mining methods can be used to analyze huge amounts of data from high-throughput technologies such as DNA microarrays or mass spectrometry. With the help of these methods, new biomarkers for the early detection and treatment of serious diseases, such as cancer, can be found.

Within the project description the learning objectives are presented and didactical challenges in this discipline are explained. These include a basic technical understanding of high-throughput methods, multidisciplinarity, comprehensive methodological competence and a high rate of development of new algorithms for data analysis.

The didactic basis of the course concept is the framework for the design of blended learning by Kerres and Witt (2003). Further models of the concept include the ARCS motivation model and gami?cation approaches. Regarding instructional design, the basics of the Cognitive Load Theory are considered.

Nähere Beschreibung des Projekts

Die Lernziele der Lehrveranstaltung Data Mining in der Biomedizin lauten

1. Die Studierenden kennen Methoden des unüberwachten und überwachten Lernens, erläutern deren Merkmale und können diese anwenden und bewerten.

2. Die Studierenden verstehen den Zweck der Attributselektion und können gängige Verfahren vergleichen, anwenden und bewerten sowie deren Unterschiede aufzeigen.

Für die Lehre in dieser Disziplin bestehen in diesem Forschungsbereich mehrere Herausforderungen:

1. Technisches Verständnis für die Vielzahl an Technologien im Bereich der Biomedizin, welche Daten liefern können

2. Multidisziplinarität mit Inhalten aus dem Bereich Informatik, Statistik und Mathematik

3. Umfassende Methodenkompetenz für eine Vielzahl an Algorithmen für die Datenanalyse

4. Schnelle Änderungen bzw. Neuentwicklungen im Bereich der Technologien zur Datenerfassung bzw. im Bereich der Algorithmik

Um diesen Anforderungen gerecht zu werden, wurde das folgende Lehrkonzept entwickelt und eingesetzt. Eine zentrale Lehrmethode stellt das sogenannte Blended Learning dar. Dieses kombiniert Präsenzphasen und virtuelle Phasen in einer Lernumgebung, um die Vorteile beider Methoden für eine optimale Wissensvermittlung zu nutzen (Mandl u. Kopp, 2006). Methodisch bildet das didaktische Framework von Kerres die Grundlage für die Unterrichtsgestaltung. Die Komponenten des 3C-Modells umfassen im Detail folgende konkrete Implementierungen in der Lehrveranstaltung: 1) Content: Die relevanten Inhalte werden mithilfe der Lernplattform Moodle zur Verfügung gestellt. Diese umfassen eine wissenschaftliche Publikation als Vorbereitung (in englischer Sprache), den Foliensatz als PDF (in englischer Sprache), die erstellen Lehrvideos sowie weiterführende Links zum Thema Data Mining und Maschinelles Lernen. 2) Communication: Die Kommunikation erfolgt in der Präsenzphase im Rahmen von Diskussionen als auch onlinebasiert im Rahmen des Moodle-Forums. Für die Bearbeitung der Übung in der Distanzphase wurde auch ein Chatmodul eingerichtet. 3) Construction: Die Konstruktionskomponente wird durch praktische Übungen realisiert. In diesem Zusammenhang werden auch Ansätze des Flipped Classroom verwendet (z.B. Übungsblatt zur Vorbereitung und Lernvideos). Positive Auswirkungen auf den Unterricht bei dieser Lehrform betreffen eine erhöhte Unterrichtszeit sowie eine selbstbestimmte Aufnahme der Lehrinhalte im eigenen Tempo.

Ein weiteres Modell, welches bei der Unterrichtsgestaltung umgesetzt wurde, ist das ARCS-Motivationsmodell. Die Aufmerksamkeit wird dabei u.a. durch den Einsatz diverser Methoden bzw. Medien gesteigert (Attention). Die Relevanz (Relevance) des Lehrsto?s wird durch Illustration von praktischen Beispielen im Bereich Maschinelles Lernen erhöht (z.B. in der Biomedizin für die Vorhersage von Krankheiten). Eine Steigerung der Erfolgszuversicht (Con?dence) wird durch die De?nition klarer Lernziele und einer schrittweisen Steigerung des Schwierigkeitsgrades erzielt. Die Belohnung (Satisfaction) erfolgt durch motivierendes Feedback bzw. der Verleihung von Punkten für Aufgaben (Quests). Die sichtbare Fortschrittsdokumentation implementiert dabei u.a. Ideen des Gami?cation-Ansatzes. Hierbei werden motivierende Elemente von Computerspielen übernommen.

Hinsichtlich dem Instruktionsdesign werden die Grundlagen der Cognitive Load Theorie (Plass et al., 2010) beachtet. Die Lernumgebung bietet gemäß diesem Konzept Lösungsbeispiele (z.B. Dokument zum Thema Hauptkomponentenanalyse) und Vervollständigungsaufgaben an.

Ablauf und Implementierung: Zu Beginn des Semesters erfolgt meinerseits eine Einschreibung der Studierenden in den Moodle Kurs „Data Mining in der Biomedizin“. Dadurch können bereits Informationen und weiterführende Links zur Lernveranstaltung abgerufen werden. Vor der ersten Präsenzeinheit erfolgt die Aussendung eines Moodle-Arbeitsauftrags an die Studierenden mit einem Übungsblatt zur Vorbereitung (umfasst u.a. das Lesen der Publikation von Larrañaga et al. (2006) und Ausarbeitung von Fragen). Das Arbeitsblatt (Fragen zur Publikation) muss eine Woche vor dem ersten Präsenzunterricht in Moodle abgegeben werden und wird hinsichtlich Richtigkeit und Vollständigkeit bewertet (Punkteschema). Im Rahmen des Präsenzunterrichts erfolgt ein Theorieinput in Form von Foliensätzen bzw. gelenkter Unterrichtsgespräche. Ein Großteil der zentralen Inhalte wird zusätzlich unter Verwendung des Whiteboards visualisiert. Die anschließenden praktischen Übungen sind auf die jeweiligen Theorieinhalte abgestimmt und erlauben eine Anwendung der gelernten Inhalte. Für die Übung in der Distanzphase wurde vom Lehrenden Lernvideos mit demonstrativen Übungsbeispielen erstellt, welche den Studierenden als Unterstützung für die Ausarbeitung der praktischen Übungsbeispiele dienen. Als ergänzende Hilfestellungen zur Übung wurde auch ein Forum und ein Chat in Moodle eingerichtet. Dieser konnte von Studierenden für Hilfestellungen bei der Erstellung der Arbeitsaufträge verwendet werden. Begleitend bzw. abschließend reflektierten die Studierenden Gelerntes durch Führen eines Lerntagebuchs. Das Tagebuch umfasst eine Dokumentation und Analyse des Gelernten („Was habe ich gelernt?“, Lernertrag) sowie eine Evaluation des Lernprozesses („Wie habe ich gelernt?“). Abschließend werden die nächsten Schritte geplant und erläutert („Wie wird es weitergehen?“).

Mehrwert

Aus dem beschriebenen Projekt resultieren mehrere Vorteile für die einzelnen Akteure. Ein Hauptvorteil der beschriebenen Methodik ist die intensive und aktive Auseinandersetzung mit den Lerninhalten. Hilfreich ist hier die Einflechtung von kognitiven Ansätzen über die Verwendung von Lerngerüsten (Lösungsbeispielen, Worked-Examples, Vervollständigungsaufgaben). Zusammen mit den reflexiven Phasen ergibt sich dadurch ein Gesamtkonzept, das aus lerntheoretischer Sicht konstruktivistische mit kognitivistischen Elementen vermischt um die Studierenden bei der Rekonstruktion des neuen Wissens bestmöglich zu unterstützten (wissensbasierter bzw. pragmatischer Konstruktivismus).
Organisatorisch resultiert für Studierende eine Lernerleichterung, da alle Informationen elektronisch gesammelt in der Lernplattform vorliegen. Die erstellten Lehrvideos können beliebig oft und in eigener Geschwindigkeit wiedergegeben werden. Die Bereitstellung von Literatur und weiterführen Links ermöglicht eine weitere Vertiefung. Da alle Bewertungen der einzelnen Übungen direkt in die Lernplattform eingetragen werden, besteht auch eine hohe Transparenz hinsichtlich der Beurteilung.
Für den Lehrenden resultiert in erster Linie eine Zeitersparnis, da alle Informationen und Bewertungen einfach in der Lernplattform zur Verfügung gestellt werden können. Ein weiterer Vorteil, welcher aus dem beschriebenen Konzept entsteht, ist eine erhöhte zeitliche Effizienz. Präsenzzeiten können so verstärkt für Fragen und Unklarheiten zum Stoffgebiet verwendet werden.
Ein weiterer Vorteil des Konzepts ist eine hohe Strukturiertheit des Ablaufs.

Übertragbarkeit/Nachhaltigkeit

Das Konzept kann auf andere Lehrveranstaltungen im technischen Kontext übertragen werden. Die Lehrveranstaltung wurde erstmalig im Wintersemester 2011/2012 abgehalten und wurde seitdem laufend weiterentwickelt.

Akzeptanz

Grundlage für die Bestätigung der Akzeptanz durch die Studierende bildet die positive Evaluierung der Lehrveranstaltung.

Aufwand

Die Lehrveranstaltung wurde in den letzten Jahren konstant weiterentwickelt. Für die Erstellung bestimmter Elemente des Kurses (z.B. Erstellung der Lernvideos) war ein zusätzlicher Aufwand erforderlich. Die Kosten waren vernachlässigbar. Der Nutzen (insb. im Falle einer Weiterverwendung) für Lehrende als auch Studierende übersteigt jedoch deutlich den Aufwand. Nicht zuletzt unterstützt das konzipierte Lehr-/Lernsetting flexibleres Lernen und unterstützt die Studierenden in ihrem individuellen Lernprozess.

Positionierung des Lehrangebots

Studium Mechatronik, Master of Science

Links zu der/den Projektmitarbeiter/innen
Das Beispiel wurde für den Ars Docendi Staatspreis für exzellente Lehre 2020 nominiert.
Ars Docendi
2020
Kategorie: Lernergebnisorientierte Prüfungskultur und deren Verankerung in der Lehrveranstaltung
Ansprechperson
DI Dr. Michael Netzer
UMIT - Private Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik, Department Biomedizinische Informatik und Mechatronik
050 8648 3890
Nominierte Person(en)
DI Dr. Michael Netzer
UMIT - Private Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik, Department Biomedizinische Informatik und Mechatronik
Themenfelder
  • Didaktische Methode
  • Neue Medien
Fachbereiche
  • Mathematik, Informatik, Naturwissenschaften, Technik/Ingenieurwissenschaften