Digitale Learning Nuggets

Foto: TU Wien Pilotfabrik Industrie 4.0 (c) Johann Li

Maximilian Papa, Clara Fischer, Tanja Zigart, Steffen Nixdorf, Sebastian Schlund

Robotik Inhalte in digitaler und kompakter Form personalisiert lernen und lehren

In diesem Beitrag wird eine neue Form des Lernens und Lehrens mit Hilfe von digitalen und kompakten Lerneinheiten, sogenannten Learning Nuggets, vorgestellt. Dieser Artikel beschäftigt sich mit dem Einsatz dieser Lehrform auf dem interdisziplinären Gebiet der Robotik, zeigt ihre Vorteile, Feedback der Lernenden und Möglichkeiten der Personalisierung durch adaptive Lernpfade auf.

Einleitung und Motivation

Das Österreichische Bundesministerium für Bildung, Wissenschaft und Forschung (BMBWF) stellt den Digitalisierungsdrang im Bildungssektor mit enormem Potential für das zukünftige Bildungswesen in den Fokus [1]. Obwohl dieses Thema schon einige Jahre präsent ist, zeigt die aktuelle Pandemie deutliches Verbesserungspotential auf. Dies betrifft speziell den Mangel an entsprechend geschultem Lehrpersonal als auch an Lerninhalten, die für digitale Medien maßgeschneidert sind [2]. Erste Studienauswertungen deuten dabei auf eine erhebliche Reduktion der Lernmotivation bedingt durch die Herausforderungen der Pandemie hin [3].

Auch in der Industrie wird Digitalisierung propagiert [4], Robotik stellt dabei eine der digitalen Kerntechnologien dar [5]. Für die Einführung von Robotik in Produktionsunternehmen spielt Anwendungswissen eine besonders wichtige Rolle und daher benötigen Lernende praktische Schulungsprogramme. Aufgrund dessen haben Universitäten, Ausbildungszentren und diverse Unternehmen sogenannte Lernfabriken ins Leben gerufen. Diese Lernfabriken sind moderne Laborräumlichkeiten und sollen die Theorie der Ausbildung durch die industrielle Praxis ergänzen. Im Rahmen von Laboraufbauten können hier Schulungen durchgeführt, aber auch neue Applikationen getestet und erforscht werden, bevor sie für reale Fabriken freigeben werden [6].

Digitale Learning Nuggets – Die Zukunft der adaptiven, personalisierten und digitalen Lehre

Digitalisierungsdrang im Bildungswesen bedarf der Vermittlung neuer Fähigkeiten und Kompetenzen [1], um den Fachkräftemangel durch adäquate Erst- und Weiterbildung effizient zu schließen. Dies inkludiert neben der Etablierung digitaler Lernmethoden und -inhalte auch die Stärkung des Angebots an beruflicher und persönlicher Weiterbildung [1]. Der Bedarf an digitalen Fähigkeiten ist zudem momentan nur schwer vom Arbeitsmarkt zu decken. Ohne geschultes Personal wird jedoch die technologische Transformation verlangsamt und Europa als Standort möglicherweise abgehängt [4].

Microcredentials - Der „kleine” Qualifikationsnachweis

Unabhängig von der Branche werden „kleine” Qualifikationsnachweise, sogenannte Microcredentials, in letzter Zeit häufig als neuartiger Nachweis für individuelle Fähigkeiten- und Kompetenzprofile in der Berufsausbildung erachtet [7]. Hierbei handelt es sich um eine spezifische

Abbildung 1: Beispielhafter adaptiver Lernpfad

(Mikro)-Lerneinheit, die sich im Umfang stark von Berufsausbildungen und Studiengängen unterscheidet. Erst durch eine Sammlung einer Vielzahl dieser Microcredentials lassen sich aussagekräftige und individuelle Qualifikationsprofile formen [7]. Lernende können dabei nach ihren eigenen Prioritäten und Interessen passende Lerninhalte auswählen und in digitaler Form, in vollkommener Flexibilität konsumieren. Der Abschluss eines solchen Kurses, das Zertifikat, wird als Microcredential bezeichnet.

Das Europäische Innovations- und Technologieinstitut (EIT) für Manufacturing verbindet führende Akteure aus den Bereichen Industrie, Bildung und Forschung, um genau hier anzusetzen. Kursinhalte und Microcredentials werden in die Produktionslandschaft und das Ingenieurwesen getragen, um den Technologiewandel in der Industrie durch passende Weiterbildungsmöglichkeiten zu unterstützen. [8]

Digitale Learning Nuggets als mögliche Lösung

Basis dieser Idee sind sogenannte Digitale Learning Nuggets, kleinste Lerneinheiten, die sich einem einzigen, abgeschlossenen Aspekt des Lernstoffes widmen. Diese Learning Nuggets zeichnen sich insbesondere durch sehr kurze Lerneinheiten aus, welche zwischen fünf und zehn Minuten in Anspruch nehmen. Vorteilhaft ist in diesem Zusammenhang nicht nur die Portionierung, die nur kurze Aufmerksamkeitsphasen verlangt, sondern auch die Modularität der Inhalte. Learning Nuggets bedienen sich diverser medialer Formate, die beliebig gemischt werden können. So erstreckt sich das Spektrum der Lerninhalte von Text- bzw. Bildformen über Animationen/Simulationen zu Audio- und Videoinhalten. Der modulare Charakter der Learning Nuggets bietet hierdurch die Möglichkeit beliebigen Lerntypen ansprechende Lerninhalte zur Verfügung zu stellen. Dies ist aus pädagogischer Betrachtung interessant, da verschiedene Lerntypen entscheidende Auswirkungen auf die Unterrichtsgestaltung und die Lernstrategie haben [9]. Der veraltete „one-fits-all“ Frontalunterricht, in dem nur ein kleiner Teil der Lernenden abgeholt wird, wird hierdurch weitestgehend ersetzt.

Learning Nuggets bedienen hierbei besonders visuelle und auditive Lerntypen. Durch die richtige Konzeptionierung ist es auch möglich kommunikative und motorische Lerntypen anzusprechen, in dem auf Demonstrationen, praktische Übungen und Workshops gesetzt wird, um die digitalen Lerninhalte zu erweitern. Diese Learning Nuggets sind von besonderer didaktischer Relevanz, da die Inhalte zwar digital präsentiert werden, dem Lernenden aber die Möglichkeit geben an einem tatsächlichen Demonstrationsobjekt zu üben.

Zusammensetzung der Learning Nuggets zu größeren und adaptiven Lernpfaden

Durch die Modularität der einzelnen Lerneinheiten können die genannten Learning Nuggets zu beliebigen Abfolgen, individualisiert auf das persönliche Lernziel, aggregiert werden. Diese Abfolgen werden Lernpfade genannt und führen Lernende basierend auf ihrem Vorwissen und vorhandenen Fähigkeiten auf das gewünschte Zielniveau. Letzteres zeichnet sich durch neues Wissen, Fähigkeiten und Kompetenzen aus, welche sich Lernende anerkennen lassen können (vgl. Microcredentials).

Abbildung 1 zeigt exemplarisch die Zusammensetzung eines Lernpfades, der individualisiert erstellt und auf das Lernziel adaptiert ist. Hierbei handelt es sich um einen Lernpfad bestehend aus zehn Learning Nuggets. Abhängig vom Vorwissen sind die Einstiegspunkte in den Lernpfad für zwei unterschiedliche Profile dargestellt, eine unerfahrene und eine fachkundige Person, die die Inhalte der vorangehenden Nuggets bereits beherrscht. Die unterschiedlichen Darstellungen der Learning Nuggets dienen der Visualisierung der verschiedenen medialen und didaktischen Formen dieser Nuggets.

Aufgrund der Modularität der Learning Nuggets, lassen sie sich nicht nur zu Lernpfaden zusammensetzen, sondern auch auf Kurseinheiten und ganze Curricula erweitern. Dieses Prinzip ist in Abbildung 2 dargestellt. Kurse bestehen aus einem Satz zusammenhängender bzw. kontextuell zusammenpassender Lernpfade, Curricula werden wiederum aus diesem Kursstrukturen zusammengesetzt.

Klassifizierung und geeignete Kombination der Lerninhalte

Für einzelne Lehrende ist der Vorgang einer individuellen und adaptiven Lehrplanerstellung jedoch nahezu unmöglich. Deshalb wird diese Aufgabe zunehmend von Lernplattformen automatisiert. Eine solche digitale Lernplattform wird in der Lage sein, auf Basis der individuellen Lernbedarfe, adaptive Lernpfade zu bilden, die spezifisch die Ziele der Lernenden adressieren. Aus diesem Grund ist es notwendig, dass jedem Learning Nugget bestimmende Charakteristiken zugeordnet werden. Diese sogenannten Metadaten helfen der Plattform die Pfade individuell zu bilden.

Speziell für das Gebiet der Robotik wurde ein entsprechendes Modell zur Klassifizierung der Lerninhalte entwickelt [10]. Dabei wurden generelle Lerneigenschaften (Lerntypen, etc.) gewählt. Neben ausgewählter Eigenschaften der Robotik, wurden, aufgrund der genannten praktischen Lernbedarfe, auch Eigenschaften rund um die lernende Person und die Lernumgebung ergänzt.

Umsetzung der Robotik Lerninhalte mit Hilfe der Learning Nuggets

Für eine variantenreiche und gleichzeitig adaptive Lehrmöglichkeit werden Learning Nuggets in drei verschiedenen Formen entwickelt: Digitale Nuggets vermitteln das Wissen mit Hilfe von Videos, Präsentationen, Tonspuren, Animationen, Quiz und weiteren digitalen Medien. Kein zusätzliches Medium wird für das Konsumieren des Nuggets benötigt, wodurch ein Lernen von überall ermöglicht wird. Physische Nuggets dienen als Anleitung, meist Schritt-für-Schritt, für eine bestimmte Aufgabe, die mit einem Roboter durchgeführt wird. Das Nugget, bzw. der Computer allein reicht nicht aus, um die Lerneinheit vollständig durchzuführen. Der Ort der Durchführung eines physischen Nuggets ist von der Verfügbarkeit des benötigten Roboters abhängig. Cyber-Physische Nuggets stellen eine Kombination aus digitaler und physischer Form dar. Dies kann beispielsweise über Aufgaben zur Programmierung oder Simulation eines Roboters erfolgen. Diese Nuggets können von überall ausgeführt werden, wobei teils zusätzliche Software benötigt wird.

Neben der Form, in der das Wissen vermittelt wird, wird außerdem zwischen drei unterschiedlichen Arten von Nuggets unterschieden:

„ Info Nuggets: Nuggets zur digitalen Wissensvermittlung, zumeist theoretisches Wissen „ Task Nuggets: Praktische

Lerneinheiten, bei denen eine bestimmte Aufgabe durchzuführen ist „ Question Nuggets: Wissensüberprüfung von zuvor konsumierten

Inhalten aus Info und Task Nuggets

Einsatz der Digitalen Lernmöglichkeiten in der Lehre und Fortbildung

An der TU Wien wurde gemäß den genannten Rahmenbedingungen in von EIT Manufacturing geförderten Projekten, RoboNuggets und UNICO, ein spezifisch auf Robotik und kollaborative Roboter ausgerichtetes Repertoire an Learning Nuggets erstellt. Die entwickelten Nuggets wurden für die universitäre Lehre und zur Schulung von Bildungspersonal eingesetzt. Anwendungen fokussieren sich dabei auf die digitale Laboreinschulung und die Schulung neuer Technologien. Studierende können die gewählten Nuggets schon vor dem ersten Erscheinen in der Lernfabrik selbstständig ansehen und dahingehend überprüft werden (vgl. Flipped Classroom [11]). Neben der interaktiven Laboreinschulung wurde somit eine höhere Flexibilität auf Seiten der Lernenden ermöglicht und Präsenzzeit auf die eigentliche praktische Arbeit konzentriert. Darüber hinaus können die digitalen Einschulungen individuell an das Lerntempo und die Vorerfahrung der Studierenden angepasst werden. Um ein Beispiel zu nennen, konnten Lernende mit Hilfe von Schritt-für-Schritt Anleitungen (in Form von Task Nuggets) selbstständig die Bedienung und die Entwicklung von Programmcode eines kollaborierenden Roboters (Cobot) erlernen.

Während der Projektlaufzeit wurde, aufgrund der COVID-19 Pandemie, jeglicher Präsenzunterricht in digitale Medien verlagert. Mit Hilfe der Learning Nuggets konnte dabei jedoch eine Möglichkeit geschaffen werden, Studierenden auch online Inhalte zur Robotik zu vermitteln. Die Studierenden bekamen die Aufgabenstellung, einen industriellen Anwendungsfall für einen Cobot zu entwerfen und konzeptionell zu beschreiben. Mit Hilfe der Learning Nuggets haben Studierende die Anwendung praktisch umgesetzt, ohne direkt mit dem Roboter zu arbeiten.

Abbildung 3: Durchführung einer Aufgabe mit einem Cobot, mithilfe von Schrittfür-Schritt Anleitungen im Rahmen eines Task Nuggets

Evaluierung der neuen Lernmöglichkeit

Nach der Erstellung wurden die Learning Nuggets getestet, evaluiert, Verbesserungspotentiale aufgenommen und eingearbeitet. Auf Basis des Modells von Kirkpatrick (1996) wurde die Effektivität und die Zufriedenheit der teilnehmenden Personen der Learning Nuggets evaluiert. Das Kirkpatrick-Modell besteht aus vier Ebenen: 1. Reaktion (Wie zufrieden sind die teilnehmenden Personen mit dem Kurs?) 2. Lernen (Was haben die teilnehmenden Personen gelernt?) 3. Verhalten (Was wenden die teilnehmenden Personen in der Praxis an und wie hat sich ihr Verhalten verändert?)

4. Ergebnisse (Welcher organisatorische Nutzen ergibt sich aus dem Training?) Die Evaluierung der Learning Nuggets konzentrierte sich auf die ersten beiden Ebenen, da keine praktischen Aktivitäten in der Lernfabrik möglich waren. Zur Evaluierung wurden qualitative und quantitative Methoden angewendet. 88 teilnehmenden Personen, davon 57 Studierende und 31 Personen aus dem Bildungsbereich, konsumierten die Learning Nuggets individuell auf der Lernplattform und folgten einem oder mehreren vordefinierten Lernpfaden. Im Durchschnitt konsumierte jede teilnehmende Person 8,8 Learning Nuggets (im Median 8). Nach jedem Learning Nugget füllten die teilnehmenden Personen Fragen zur individuellen Zufriedenheit aus. Die erste Frage "Wie hat Ihnen das Nugget gefallen?" wurde auf einer 5-PunkteLikert-Skala (1-gar nicht, 5-sehr gut) bewertet und die freiwillige, offene Frage "Haben Sie Anmerkungen?" wurde gestellt. Der Net Promoter Score (NPS) bietet eine einfache Möglichkeit, Befragungen und Zufriedenheit zusammenzufassen [12]. Die Frage zu dieser Bewertung lautet: „Wie wahrscheinlich ist es, dass Sie Learning Nuggets einer befreundeten Person empfehlen würden?“ Hier konnten die teilnehmenden Personen ihre Erfahrungen mit einem Zahlenwert von 0 (gar nicht wahrscheinlich) bis 10 (sehr wahrscheinlich) bewerten. Zusätzlich wurden 31 Personen aus dem Bildungsbereich mittels semistrukturierten Interviews befragt, um das pädagogische Potenzial der Nuggets einzuschätzen und zu bewerten.

Am Ende des Lernpfads füllten die teilnehmenden Personen einen umfangreichen Fragebogen aus, um die erste Ebene, die “Reaktion”, zu bewerten. Die zweite Ebene, das „Lernen“, überprüft das erlernte Wissen in Form von Quiz. Diese wurde in den Lernpfaden mit eingebetteten Question Nuggets abgefragt.

Zufriedenheitsbewertung und Net Promoter Score

Die Zufriedenheit wurde durchschnittlich mit 4,25 von 5 Punkten bewertet. Zufriedenheitsabschläge erklären die Antworten auf die offenen Fragen und die Interviews, in denen negative Bewertungen meist mit "zu viel Text oder Inhalt" und “fehlender Interaktivität” begründet wurden. Der NPS zeigt eine durchschnittliche Bewertung von 7 von 10 Punkten mit einer Standardabweichung von 2,53. Die Ergebnisse werden in drei Gruppen unterteilt: Die erste Gruppe (0-6) wird als Verweigerer eingestuft, die zweite (7-8) als Passive und die dritte (9-10) als Promotoren. Insgesamt wurden 32 von 88 teilnehmenden Personen als Promotoren, 20 als Passive und 36 als Verweigerer eingestuft.

Hier zeigt sich, im Unterschied zu den recht guten Zufriedenheitsergebnissen, eine überschaubare Bereitschaft die Learning Nuggets weiterzuempfehlen. Diese Ergebnisse und die Interviews weisen darauf hin, dass die Befragten grundsätzlich mit der Art der Learning Nuggets zufrieden sind, allerdings noch Verbesserungen durchgeführt werden müssen, um die Nuggets guten Gewissens weiterzuempfehlen. Basierend auf diesen Ergebnissen und dem umfangreichen qualitativen Feedback der teilnehmenden Personen wurden die Learning Nuggets mit einem niedrigen NPS überarbeitet und verbessert [13]. Dabei wurde vor allem Wert auf die Interaktivität gelegt.

Die detaillierten Angaben zur Studie sowie die Studienergebnisse finden sich in der Veröffentlichung von Mayrhofer et al. [13].

Fazit und Ausblick

Die ersten Erfahrungen über die Nutzung der Learning Nuggets und der entsprechenden Lernpfade zeigen positive, aber teils durchwachsene Ergebnisse. Das System befindet sich in der Testphase und das Feedback wird in Zukunft weiter eingearbeitet. Der größte Vorteil der digitalen Lernmöglichkeit ist im Bereich des adaptiven und personalisierten Lernens. Lernschwache Personen, können bei problembehafteten Themen personalisiert und angepasst unterstützt werden. Lernstarke Personen, können verschiedene Lerninhalte schneller durchführen oder überspringen und kommen zum selben Ziel, ohne unterfordert zu werden. Personalisiertes Lernen stellt eine effektive Methode zur Steigerung der Lernmotivation und des –erfolges dar.

Für die Robotik im Speziellen ergibt sich der große Vorteil des Flipped Classroom [11] und der Förderung der praktischen Anwendung. Lerninhalte, wie Sicherheitsschulungen, können zuhause vorbereitet werden. In der Lernfabrik können die Themen anschließend zeiteffizient gelehrt werden. Bei Problemen werden die Studierenden dementsprechend individuell unterstützt, beispielsweise mit Schritt-für-Schritt Anleitungen im Lernpfad für unerfahrene Personen.

Quellen:

[1] BMBWF, „Masterplan für die Digitalisierung im Bildungswesen,“ 2021. [Online]. Available: https://www. bmbwf.gv.at/Themen/schule/zrp/dibi/ mp.html. [Zugriff am 17 03 2021]. [2] data.europa.eu, „Education during COVID-19; moving towards elearning,“ 2020. [Online]. Available: https://data.europa.eu/en/impact-studies/covid-19/education-during-covid19-moving-towards-e-learning. [Zugriff am 08 07 2021]. [3] U. Holtgrewe, B. Schober und M. Steiner, „Schule unter COVID 19 Bedingungen: Erste Analysen und Empfehlungen,“ COVID-19 Future Operations Plattform (FOP), 2021. [4] World Economic Forum, „The Future of Jobs Report 2020,“ World Economic Forum, Geneva, Switzerland, 2020. [5] R. Goel und P. Gupta, „Robotics and Industry 4.0,“ in A Roadmap to Industry 4.0: Smart Production, Sharp Business and Sustainable Development, Springer Nature Switzerland AG, 2020, pp. 157-169. [6] E. Abele, J. Metternich, M. Tisch, G. Chryssolouris, W. Sihn, H. ElMaraghy, V. Hummel und F. Ranz, „Learning Factories for Research, Education, and Training,“ Procedia CIRP 32, pp. 1-6, 2015. [7] CEDEFOP, „Microcredentials: are they here to stay?,“ 2021. [Online]. Available: https://www.cedefop.europa.eu/en/news-and-press/news/microcredentials-are-they-here-stay?NL=108. [Zugriff am 04 12 2021]. [8] EIT Manufacturing , „Webseite: EIT Manufacturing,“ 2021. [Online]. Available: https://eitmanufacturing.eu. [Zugriff am 22 03 2021].

[9] N. N. Flemming und C. E. Mills, „Not Another Inventory, Rather a Catalyst for Reflection,“ To Improve the Academy, Bd. 11, Nr. 1, pp. 137-155, 1992. [10] M. Papa, S. Nixdorf, S. Schlund und D. Aschenbrenner, „Teaching Robotics: Description Modelfor Synergetic Combination of Robotics Learning Content,“ 11th Conference on Learning Factories, CLF2021, 2021. [11] University of Waterloo, „The Flipped Classroom: A CTE White Paper,“ 2015. [Online]. Available: https://uwaterloo.ca/centre-for-teaching-excellence/ sites/ca.centre-for-teaching-excellence/ files/uploads/files/the_flipped_classroom_white_paper.pdf. [Zugriff am 08 07 2021]. [12] M. W. Krol, D. de Boer, D. M. Delnoij und J. J. Rademakers, „The Net Promoter Score – an asset to patient experience surveys?,“ Health Expect, Bd. 18, Nr. 6, pp. 3099-3109, 2015. [13] W. Mayrhofer, S. Nixdorf, C. Fischer, T. Zigart, C. Schmidbauer und S. Schlund, „Learning nuggets for cobot education: a conceptual framework, implementation, and evaluation of adaptive learning content for robotics and physical assistance systems,“ 11th Conference on Learning Factories, CLF2021, 2021. [14] S. Albrecht und C. Revermann, „Digitale Medien in der Bildung,“ Büro für Technikfolgen-Abschätzung beim Deutschen Bundestag (TAB), Berlin, Deutschland, 2016. [15] E. Abele, G. Chryssolouris, W. Sihn, J. Metternich, H. ElMaraghy, G. Seliger, G. Sivard, W. ElMaraghy, V. Hummel, M. Tisch und S. Seifermann, „Learning factories for future oriented research and education in manufacturing,“ CIRP Annals, Bd. 66, Nr. 2, pp. 803-826, 2017. [16] W. Bauer, M. Bender, M. Braun, P. Rally und O. Schlotz, Leichtbauroboter in der manuellen Montage - einfach EINFACH anfangen, Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO, 2016. [17] D. Kirkpatrick, „Great Ideas Revisited. Techniques for Evaluating Training Programs. Revisiting Kirkpatrick's FourLevel Model.,“ Training and Development, Bd. 50, Nr. 1, pp. 54-59, 1996.

AutorInnen:

Maximilian Papa, MSc ist seit September 2020 als Projektassistent im Forschungsbereich Mensch-Maschine-Interaktion am Institut für Managementwissenschaften an der TU Wien beschäftigt. Im Rahmen seiner Dissertation forscht er an automatisierten Sicherheitsbewertungsverfahren für dynamisch rekonfigurierbare Arbeitssysteme. Seine Forschungsschwerpunkte umfassen dabei Safety und Security von Cyber-Physikalischen-Produktionssystemen, Robotik und die damit verbundene Mensch-Maschine-Interaktion. Dipl.-Ing. Clara Fischer ist seit Jänner 2020 als Projektassistentin im Forschungsbereich Mensch-Maschine-Interaktion am Institut für Managementwissenschaften an der TU Wien beschäftigt. Im Rahmen ihrer Dissertation beschäftigt sie sich mit dem sicherheitsgerichteten Design und der Simulation von schutzzaunlosen cyberphysischen Arbeitssystemen, wie kollaborierenden Robotern. Zuvor hat sie während ihres Masterstudiums Maschinenbau als wissenschaftliche Mitarbeiterin in der TU Wien Pilotfabrik gearbeitet, wo sie für Führungen und Öffentlichkeitsarbeit zuständig war. Dipl.-Ing. Tanja Zigart ist seit November 2018 als Projektassistentin im Forschungsbereich Mensch-Maschine-Interaktion am Institut für Managementwissenschaften an der TU Wien beschäftigt. Im Rahmen ihrer Dissertation forscht sie an der Erstellung eines multi-kriteriellen Evaluierungsmodells für den Einsatz von industriellen Assistenzsystemen. Nach Abschluss ihres Studiums Wirtschaftsingenieurwesen-Maschinenbau im Jahr 2014 hat sie mehrere Jahre in der Medizintechnikbranche als Lean Managerin gearbeitet. Dipl.-Ing. Steffen Nixdorf ist Mitarbeiter am Institut für Managementwissenschaften an der TU Wien und beschäftigt sich mit reziprokem Lernen zwischen Mensch und Maschine am Arbeitsplatz. Neben Engagement im Bereich arbeitsplatznahem Lernen und Lernfabriken, forscht er an wissensbasierter Instandhaltung und Industrial Data Science. Zuletzt leitete er EIT Manufacturing Projekte zur Entwicklung digitaler Lerninhalte in der Robotik.

Univ.Prof. Dr.-Ing. Sebastian

Schlund ist seit 2017 BMK-Stiftungsprofessor für Industrie 4.0 an der Technischen Universität Wien und leitet dort den Forschungsbereich Mensch-Maschine-Interaktion am Institut für Managementwissenschaften (IMW). Seit dem 01.07.2019 verantwortet er zusätzlich den Geschäftsbereich „Advanced Industrial Management“ bei der Fraunhofer Austria Research GmbH. Er forscht und lehrt im Themenbereich digital und automatisiert unterstützter Arbeitsgestaltung in der Produktion mit den Schwerpunktthemen Assistenzsysteme, Arbeitsorganisation, Mensch-Maschine-Partnership, Montageplanung und Kompetenzentwicklung/ Lernen.

Maximilian Papa, MSc

Projektassistent im Forschungsbereich Mensch-Maschine-Interaktion, Institut für Managementwissenschaften, TU Wien Dipl.-Ing. Clara Fischer

Projektassistentin im Forschungsbereich Mensch-Maschine-Interaktion, Institut für Managementwissenschaften, TU Wien

Dipl.-Ing Tanja Zigart

Projektassistentin im Forschungsbereich Mensch-Maschine-Interaktion, Institut für Managementwissenschaften, TU Wien

Univ.Prof. Dr.-Ing. Sebastian Schlund

BMK-Stiftungsprofessor für Industrie 4.0, TU Wien Dipl.-Ing. Steffen Nixdorf

Universitätsassistent in der Forschungsgrupe Smart and Knowledge-Based Maintenance (SKBM), Institut für Managementwissenschaften, TU Wien

EVERY BIT UNDER CONTROL

Process

Modelling

Generating

HMI

Monitoring

Operating PLC

SELMO Technology GmbH Gewerbeparkstraße 1/1 A-8143 Dobl-Zwaring E: einfach@selmo.at