Sensor-Praxis-Fallstudie in den Rohstoffwissenschaften

Eine Sensor-Praxis-Fallstudie unterstützt angehende Rohstoffingenieurinnen und -ingenieure an der RWTH Aachen University dabei, die Grundlagen der Sensorik praktisch zu erlernen. Das Lernangebot können die Studierenden selber aus den Themen Datenaufnahme, -aufarbeitung und -interpretation bestimmen.
Erstellt am 18.08.2022

Eckdaten

Kann Lösungsansätze für folgende Problemstellungen der Lehre bieten:

  • Geringe Lernmotivation
  • Passivität der Studierenden
  • Geringer Transfer in die Praxis

Nutzt folgende Medieneigenschaften zur Unterstützung des Lernprozesses:

Interaktivität: 5 (trifft vollkommen zu)
Adaptivität: 1 (trifft überhaupt nicht zu)
Synchronizität: 3 (trifft zu)
Selbststeuerung: 5 (trifft vollkommen zu)

Eignet sich für folgende Virtualisierungsgrade:

  • Anreicherung

Durch die Verlagerung der Anforderungen an junge Rohstoffingenieurinnen und -ingenieure auf die Schwerpunkte Digitalisierung und Automatisierung wird durch die Sensor-Praxis-Fallstudie das strukturierte Lösen von Problemstellungen mit Daten gefördert. Die Studierenden wählen individuell ihre Aufgabenstellung aus drei verschiedenen Themenfeldern: Die Aufnahme, Optimierung und Validierung von Point Clouds mittels LiDAR-Sensor, Analyse, Auswertung und Darstellung von Luftqualitätsdaten und Bau/Programmierung eines Sensors. Durch das Erarbeiten der selbst gewählten Aufgabenstellung wird das Lösen von Problemstellungen mit Daten sowie der professionelle Umgang mit diesen vermittelt. Die Studierenden erlernen ein strukturiertes Denken: das Erkennen einer aktuellen Problematik, das Ordnen der verfügbaren Informationen, das Aufdecken von Lücken und Möglichkeiten sowie das Ermitteln möglicher Handlungsoptionen.

Weitergehend wird der Umgang mit den sechs grundlegenden Problemstellungen in der Datenanalyse gefördert: das Treffen von Voraussagen, die Kategorisierung von Daten sowie die Identifikation von Abweichungen, Zusammenhängen und Mustern. Durch das eigenständige Auswählen der Aufgabenstellung sowie dem gewährten Freiraum wird den Studierenden lediglich ein Rahmen zur Erarbeitung des Arbeitsauftrages gegeben. Datenverarbeitungsprogramm, Programmiersprache oder die Auswahl des konkret zu entwickelnden Sensors liegen in der Hand des Studierenden und geben einen besonderen Anreiz zur eigenständigen Vertiefung, verbunden mit einer Förderung von individuellem Vorwissen. Die Bearbeitung dieser diversen Aufgabenstellungen vermittelt den Studierenden Kernkompetenzen im Bereich der digitalen Transformation. Hierzu zählen unter anderem das Internet of Things (IoT), Machine Learning (ML), Deep Learning, Cloud Computing, Big Data und künstliche Intelligenz.

Medieneigenschaften zur Unterstützung des Lernprozesses

Interaktivität: 5 (trifft vollkommen zu)

Die Studierenden arbeiten mit einem Sensorbausatz, einem LiDAR-Sensor und einem repräsentativen, fachspezifischen Datensatz. Der Sensorbausatz ermöglicht eine direkte Anwendung und gibt Einblicke in den Aufbau von Datensammlungs- und Verarbeitungswegen. Durch die Erstellung eines 3D-Modells mittels des LiDAR-Sensors lernen die Studierenden das Arbeiten mit Punktwolken.

Adaptivität: 1 (trifft überhaupt nicht zu)

Synchronizität: 3 (trifft zu)

Die Studierenden können die Aufgaben in einer Gruppe bearbeiten. Die jeweils empfohlene Software wird über die Hochschule kostenfrei zugänglich gemacht und ermöglicht eine delokalisierte Bearbeitung der Aufgaben. Im Lernraum ist ein Forum eingerichtet, indem sich die Studierende untereinander austauschen können. Allerdings ist es durch den Aufgabenpool schwierig, eine gewisse Synchronizität zu realisieren. In diesem Beispiel waren zu wenig Studierende beteiligt, um eine ideale Synchronizität zu ermöglichen.

Selbststeuerung: 5 (trifft vollkommen zu)

Die Zielvorgabe sowie die Formulierung konkreter Leitfragen schaffen eine Orientierung für die Bearbeitung der Aufgaben. Gleichzeitig spannt diese den notwendigen Freiraum für Studierende auf, sich in ihren Interessensgebieten zu vertiefen und eigenständig Problemstellungen im Umgang mit Daten zu lösen.

Lösungsansätze für Problemstellungen der Lehre

Für die folgenden Problemstellungen kann das Praxisbeispiel Lösungsansätze bieten:

  • Geringe Lernmotivation:
    Freiraum in der Ausarbeitung der Aufgabenstellung stärkt die Eigeninitiative und Lernmotivation, da eigenen Interessen leicht nachgegangen werden kann.
  • Passivität der Studierenden:
    Durch die Integrierung der Sensor-Praxis-Fallstudie als Klausurzulassung ist eine Teilnahme unabdingbar. Durch die offenen Aufgabestellungen ist ein Maß an Eigeninitiative erforderlich.
  • Geringer Transfer in die Praxis:
    Durch das Angebot einer praktisch basierten Aufgabenstellung wird sowohl der Bau als auch die Programmierung der Sensoren praktisch durchgeführt. Eine praktische zukünftige Beschäftigung im Bereich der Sensortechnik wird somit vorbereitet.

Virtualisierungsgrad

Der Virtualisierungsgrad beschreibt das Verhältnis zwischen Präsenz- und virtuellen Phasen. Das Praxisbeispiel unterstützt die folgenden Virtualisierungsgrade:

  • Anreicherung

Ressourcen

Soft- und Hardware

  • Sensebox Edu, iPhone 13 Pro, Excel, Matlab, Python

Kontakt

Sie möchten mehr über das Praxisbeispiel erfahren? Hier können Sie Kontakt zu den Autorinnen und Autoren aufnehmen:

Johannes Emontsbotz
RWTH Aachen University
Institute of Mineral Resources Engineering
Wüllnerstraße 2
52062 Aachen
Mail: emontsbotz@mre.rwth-aachen.de

Mauritz Oehmen
RWTH Aachen University
Institute of Mineral Resources Engineering
Wüllnerstraße 2
52062 Aachen
Mail: oehmen@mre.rwth-aachen.de  

PDF erstellen

Kommentare (0)

Barrierefreiheit Direkt zum Inhalt Übersicht Erweiterte Suche Direkt zur Navigation Kontakt