Zum Inhalt springen

Nur-Lesen-Fassung: Das Forschungsinformationssystem (FIS) ist aus Sicherheitsgründen vorübergehend durch diese Nur-Lesen-Fassung ersetzt. Alle öffentlichen Inhalte und Volltexte sind weiterhin abrufbar; Anmeldung, Bearbeitung, Einreichung und Statistiken stehen nicht zur Verfügung. Bei Fragen: fis@uni-bamberg.de

Start › Publikationen › Behavioral trace data in an online learning environment as indicators of learning engagement in university students

Publikation

Behavioral trace data in an online learning environment as indicators of learning engagement in university students

Winter, Marc; Mordel, Julia; Mendzheritskaya, Julia; u. a. (2025): Behavioral trace data in an online learning environment as indicators of learning engagement in university students, in: Bamberg: Otto-Friedrich-Universität, S. 1–12.

Details

Fakultät/Lehrstuhl
Autorin(nen)/Autor(en)
Winter, Marc; Mordel, Julia; Mendzheritskaya, Julia; Biedermann, Daniel; Ciordas-Hertel, George-Petru; Hahnel, Carolin; Bengs, Daniel; ORCID iDWolter, Ilka; Goldhammer, Frank; Drachsler, Hendrik; ORCID iDArtelt, Cordula; Horz, Holger
Verlagsangabe
Otto-Friedrich-Universität : Bamberg
Erscheinungsjahr
2025
Quelle/Weitere Ausgabe
Frontiers in Psychology, Lausanne: Frontiers Media SA, 2024, Jg. 15, Nr. 1396881, S. 1–12, ISSN: 1664-1078
Jahr der Erstpublikation
2024
Sprache(n)
Englisch
Lizenz
URN
Abstract

Learning in asynchronous online settings (AOSs) is challenging for university students. However, the construct of learning engagement (LE) represents a possible lever to identify and reduce challenges while learning online, especially, in AOSs. Learning analytics provides a fruitful framework to analyze students' learning processes and LE via trace data. The study, therefore, addresses the questions of whether LE can be modeled with the sub-dimensions of effort, attention, and content interest and by which trace data, derived from behavior within an AOS, these facets of LE are represented in self-reports. Participants were 764 university students attending an AOS. The results of best-subset regression analysis show that a model combining multiple indicators can account for a proportion of the variance in students' LE (highly significant R2 between 0.04 and 0.13). The identified set of indicators is stable over time supporting the transferability to similar learning contexts. The results of this study can contribute to both research on learning processes in AOSs in higher education and the application of learning analytics in university teaching (e.g., modeling automated feedback).

Freie Schlagwort(e)
learning engagement
trace data
best-subset regression
asynchronous online learning
learning analytics
university student behavior
DDC-Klassifikation
370 Erziehung, Schul- und Bildungswesen
RVK-Klassifikation
DM 3000
Peer Reviewed
ja
Internationale Verbreitung
ja
Open-Access-Zeitschrift
ja
Dokumenttyp
Artikel in einer Zeitschrift / Postprint
URI
Datum der Freischaltung
01.12.2025

Permalink: https://fis.uni-bamberg.de/handle/uniba/111940 · Daten als JSON · Zitieren: BibTeX · RIS

Datenstand: 16.11.2026

Eingeschränkter Lesezugriff: Anmeldung, Bearbeitung und Einreichung sind vorübergehend deaktiviert.