- AutorIn
- Gregor Damnik Technische Universität Dresden, Professur für Didaktik der Information
- Lucas BraeschkeTechnische Universität Dresden, Professur für Rechnernetze
- Tommy KubicaTechnische Universität Dresden, Professur für Rechnernetze
- Iris Braun
- Tenshi Hara
- Titel
- Zuversichtserfassung als Mittel zur Stärkung von selbstreguliertem Lernen
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-365704
- Konferenz
- Gemeinschaften in Neuen Medien. Dresden, 10.-11.10.2019
- Quellenangabe
- Gemeinschaften in neuen Medien. Erforschung der digitalen Transformation in Wissenschaft, Wirtschaft, Bildung und öffentlicher Verwaltung
Herausgeber: Prof. Dr. Thomas Köhler, Prof. Dr. Eric Schoop, Prof. Dr. Nina Kahnwald
Erscheinungsort: Dresden
Verlag: TUDpress
Erscheinungsjahr: 2019
Seiten: 170-173
ISBN: 978-3-95908-186-3 - Erstveröffentlichung
- 2019
- Abstract (DE)
- Lernende, die selbstreguliert Wissen erwerben wollen, müssen ihren Wissenserwerbsprozess nicht nur selbstständig planen, sondern bei Bedarf auch entsprechend regulieren bzw. anpassen können. Im Sinne dieser Regulation ist es notwendig, dass sie eine genaue Vorstellung davon haben, welche Inhalte einer Lerneinheit sie bereits gut verstanden haben oder an welchen Stellen Nachholbedarf besteht. Technische Systeme können über gezielte Aufforderungen Lernende darin unterstützen, sich eine möglichst genaue Vorstellung über ihren eigenen Wissenserwerbsprozess zu bilden. Wie diese Vorstellung mittels Zuversichtserfassung angeregt werden kann, wie dies in ein bestehendes Audience Response System integriert wurde und welche Ergebnisse daraus abgeleitet werden konnten, wird im folgenden Praxisbeitrag gezeigt bzw. auf der GeNeMe 2019 präsentiert.
- Freie Schlagwörter (DE)
- GeNeMe 2019, Wissensmanagement, Transformation, Wissensgemeinschaften, Zuversichtserfassung, selbstreguliertes Lernen
- Freie Schlagwörter (EN)
- GeNeMe 2019, knowledge management, transformation, knowledge communities, confidence capture, self-regulated learning
- Klassifikation (DDC)
- 330
- Klassifikation (RVK)
- QR 760
- Verlag
- TUDpress, Dresden
- Sonstige beteiligte Institution
- Technische Universität Dresden, Dresden
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-365704
- Veröffentlichungsdatum Qucosa
- 17.12.2019
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis