Categories
CLARIAH-DE Pitch vDHd2021

WirLernenOnline, Crawling und das Semantic Web

Steffen Rörtgen
Gesellschaft für wissenschaftliche Datenverarbeitung mbH, Göttingen


Herzlich Willkommen zur Blogpostserie zum vDHd-Event “CLARIAH-DE Young Researcher Infrastruktur-Pitch mit Best-Pitch-Award”. Die Blogpostserie will in kurzen Beiträgen die erfolgreichen Einreichungen vorstellen und das Warten auf die Veranstaltung verkürzen.

Dies ist Teil 6 der Serie. Heute stellt Steffen Rörtgen seinen Beitrag zum Thema “WirLernenOnline, Crawling und das Semantic Web” vor. Die Anmeldung zum Event ist hier möglich: https://s.gwdg.de/boOwFf; weitere Informationen finden Sie am Ende des Beitrags.


Viele hochqualitative freie und offene Bildungsmaterialien (Open Educational Resources) liegen verstreut auf verschiedenen Plattformen im Netz. Teilweise haben sich ehrenamtliche Initiativen gegründet, die gemeinsam Bildungsinhalte sammeln und kuratieren, teilweise existieren Projektseiten laufender oder auch schon ausgelaufener Projekte, die Bildungsmaterial bereitstellen. Das Ergebnis ist eine heterogene und bunte Landschaft an Plattformen, die Daten unterschiedlichster Art bereitstellen.

So schön diese Vielfalt auch ist, stellt sie für Lehrende und Lernende ein Problem dar: Sie müssen viele verschiedene Plattformen ansteuern, wenn sie auf der Suche nach Bildungsmaterial sind! In Zeiten von Google als Default-Suchmaschine sind es Nutzer:innen gewohnt, an einer Stelle zu suchen und jedes relevante Material auf diese Weise zu finden.

Also war die Aufgabe klar: Wir brauchen ein Google für freie Bildungsmaterialien.

Auch das BMBF hat diese Notwendigkeit am Beginn der Corona-Pandemie erkannt und das Projekt “WirLernenOnline” (https://wirlernenonline.de) gefördert. Um allerdings eine Suchmaschine für Bildungsmaterialien anbieten zu können, ist es zuerst nötig, die Informationen über die Materialien überhaupt einzusammeln.

Wie unstrukturierte Metadaten einsammeln?

Hier zeigte sich die erste große Herausforderung: Wie die Metadaten zu den Materialien einsammeln?

Bisweilen hatten wir Glück und bekamen ein API, die wir ansteuern konnten. Oft blieb uns aber auch keine andere Möglichkeit, als uns mit Crawlern durch das rohe HTML zu graben und zu hoffen, dass unsere Quellen, nicht wöchentlich das Design ändern.

Während der ersten Datensichtung trat gleich die nächste Herausforderung auf, die sich beim Sammeln großer Mengen unstrukturierter Daten oft zeigt: Es werden unterschiedliche Bezeichnungen für dieselben Eigenschaften verwendet, beispielsweise:

  • „Mathematik“
  • „Mathe“
  • „Matematik“

Wie sollen wir damit umgehen? Alle drei Bezeichnungen beziehen sich wohl auf das Schulfach “Mathematik”, aber die unterschiedlichen Schreibweisen würden dazu führen, dass wir ohne weitere Kuratierung drei Schulfächer in unserer Suche und den Filtern ausprägen würden.

Unsere Lösung für dieses Problem, werde ich kommenden Mittwoch, dem 24.03.2021 von 15-17h hier vorstellen.
Aber so viel sei schonmal verraten:

Erhöhung der Metadatenqualität

Da knapp 75% der gecrawlten Materialien keine Fachzuweisung besitzen, beschäftigen wir uns außerdem mit Prozessen zur Erhöhung der Metadatenqualität. Um diese weiter zu erhöhen, wurden mit Lehrer:innen gemeinsam Taxonomien für ihre jeweiligen Schulfächer entwickelt:

Dabei wird ihnen die Möglichkeit gegeben, Lernmaterialien innerhalb dieser Taxonomien einzuordnen und dies mit Kolleg:innen und Schüler:innen für den Unterricht zu nutzen. In unserer Infrastruktur werden nun Prozesse implementiert, die das durch die Lehrer:innen einsortierte Material wieder exportieren und es so vorbereiten, dass es für das Training von Machine Learning Prozessen verwendet werden kann. Beim Crawling von Inhalten oder in Metadatendialogen des Backends wird das trainierte Modell dann verwendet, um das Fach zu schließen oder vorzuschlagen, wenn keines angegeben wurde. Dabei setzen wir in unserer Infrastruktur auf W3C-Standards zur Kommunikation zwischen den einzelnen Komponenten, um einerseits hohe Interoperabilität und andererseits gute Nachnutzbarkeit von Folgeprojekten zu gewährleisten.

Ausgabe der Daten

Im Rahmen des Projektes werden alle gesammelten Daten über Lerninhalte auch wieder an andere Plattformen ausgegeben. Dabei soll unter anderem das in der OER-Metadatengruppe grade in Entwicklung befindliche LRMI-Profil genutzt werden. LRMI (Learning Resource Metadata Initiative) ist dabei ein auf RDF aufbauendes Modell, womit es sich besonders gut für den Austausch von Daten über das Web eignet und den FAIR-Prinzipien folgt.


Weitere Informationen und Links:
Anmeldung: https://s.gwdg.de/boOwFf
Veranstaltungsbeschreibung: https://vdhd2021.hypotheses.org/143
Liste der Pitchenden und Ablauf: https://dhd-blog.org/?p=15341
Rückfragen gerne an clariah-de-office@clariah.de


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.