Das World Wide Web spielt in unserem Alltag eine immer bedeutsamere Rolle. Wir sind daher mit einer zunehmenden Informationslast konfrontiert. Oft lernen wir am Arbeitsplatz ohne Lehrer und ohne didaktisch aufbereitete Lernressourcen. Wir lernen nicht nur alleine, sondern auch gemeinsam mit anderen auf sozialen Plattformen, wo wir Themen diskutieren, Informationen austauschen und Wissen miteinander teilen. Wir lernen aktiv mit Ressourcen, wie Videos, Blogs, Foren oder Wikis, die wir im Web finden. Diese Form des selbstgesteuerten Lernens wird ressourcenbasiertes Lernen genannt. Eine Herausforderung im ressourcenbasierten Lernen sowie auch allgemein im technologiegestützten Lernen (TEL) ist die Unterstützung des Lernenden bei der Suche nach denjenigen Lernressourcen, die für seine aktuellen Bedürfnisse und Lernziele relevant sind. In Tagging-Systemen fügen Benutzer selbst Stichworte, sogenannte Tags, zu Ressourcen hinzu, wodurch eine netzwerkartige Struktur namens Folksonomie entsteht. Zusätzliche semantische Informationen — beispielsweise von Aktivitäts-Hierarchien oder semantischen Tags — bilden eine erweiterte Folksonomie und liefern wertvolle Informationen über den Kontext der Ressourcen der Lernenden, über die aktuelle Lernaufgabe der Lernenden sowie über die dazugehörigen Aktivitäten, die für die Ressourcen relevant sein können. Diese zusätzlichen semantischen Informationen könnten von Empfehlungssystemen genutzt werden, um personalisierte Empfehlungen von Lernressourcen zu erzeugen. Somit ist das erste Forschungsziel dieser Arbeit, personalisierte Empfehlungsalgorithmen für ein ressourcenbasiertes Lernszenario zu entwickeln und zu evaluieren. Zu diesem Zweck wird im Rahmen dieser Arbeit das ressourcenbasierte Lernen unter Verwendung einer bestehenden Lernplattform analysiert, um zu bestimmen, welche zusätzlichen semantischen Informationen für Empfehlungen von Lernressourcen genutzt werden können. Hierzu werden mehrere neue hybride graphbasierte Empfehlungsalgorithmen, die zusätzliche semantische Informationen ausnutzen, entwickelt und evaluiert. Als zusätzliche Informationen werden hierbei Aktivitäten, Aktivitäts-Hierarchien, semantische Tag-Typen, die semantische Verwandtschaft zwischen Tags sowie kontextspezifische Informationen der Folksonomie verwendet. Die entwickelten Empfehlungsalgorithmen werden anhand mehrerer Evaluierungsszenarien und verschiedener Datensätze evaluiert. Die Evaluationsergebnisse zeigen, dass das Einbeziehen zusätzlicher semantischer Informationen bei der Bereitstellung relevanter Empfehlungen von Vorteil ist. Das zweite Ziel dieser Arbeit ist die Entwicklung neuer Evaluierungsansätze für Empfehlungsalgorithmen für ressourcenbasiertes Lernen. Offline-Experimente auf historischen Datensätzen haben den Vorteil, dass sie schnell durchführbar und einfach wiederholbar sind. Allerdings leiden diese Experimente generell unter dem sogenannten Unvollständigkeitsproblem, da die Datensätze nur die historischen Interaktionen der Benutzer abbilden und somit neue Empfehlungen nicht ausgewertet werden können. Eine solche Auswertung ist allerdings beim TEL notwendig, da das Empfehlen von für den Lernenden neuartigen und vielfältigen Lernressourcen vorteilhaft ist. Offline-Experimente werden oft durch Benutzerstudien ergänzt, bei denen die Benutzer selbst die Relevanz oder Neuheit der Empfehlungen bewerten. Allerdings sind Benutzerstudien teuer und es ist oft schwierig, eine große Anzahl an Teilnehmern zu gewinnen. Crowdsourcing stellt eine Alternative zu den schnell durchführbaren und einfach zu wiederholenden Offline-Experimenten und den teureren Benutzerstudien dar, da Crowdsourcing sowohl die Vorteile eines Offline-Experiments als auch die einer benuzterorientierten Evaluation vereint. In dieser Arbeit wird ein Crowdsourcing-Konzept für die Evaluation von TEL Empfehlungsalgorithmen präsentiert und auf einen der in dieser Arbeit entwickelten Algorithmen exemplarisch angewandt. Die Ergebnisse zeigen, dass das vorgeschlagene Crowdsourcing-Konzept für die Evaluation graphbasierter TEL Empfehlungsalgorithmen verwendet werden kann.