Ein Beitrag von Alina Köchling und Hannah Kaiser
Seit geraumer Zeit werden im digitalen Kontext immer häufiger Begriffe wie Algorithmen, künstliche Intelligenz und Big Data verwendet, die auf eine zunehmende computergestützte Auswertung von Daten hinweisen. Ein weiterer Begriff in diesem Zusammenhang, der insbesondere im Bildungskontext eine wichtige Rolle spielt, ist Learning Analytics. Bildungseinrichtungen nutzen vermehrt digitale Lernplattformen wie Moodle oder lo-net² zur Förderung des Austauschs zwischen Lernenden und Lehrenden sowie als Unterstützung von Leistungsbewertungen. Die mithilfe dieser Lernplattform gesammelten Daten können algorithmisch ausgewertet werden.
Um mehr Klarheit und allgemeines Verständnis in Bezug auf diesen technologischen Fachterm zu schaffen, wird Learning Analytics im Folgenden definiert, erläutert und von unterschiedlichen Standpunkten aus beleuchtet. Denn der Einsatz von digitalen Datenverarbeitungsmethoden hat neben seinen positiven Effekten für das Bildungssystem auch seine Schattenseiten und bedarf daher bei der Einführung in Bildungseinrichtungen einer bedachten Implementierung und Nutzung.
Was ist Learning Analytics?
Learning Analytics umfasst im Allgemeinen die algorithmische Auswertung von Daten über Lernende. Bei diesen Daten handelt es sich vor allem um Informationen über die Lernenden selbst, das Lernverhalten, den Lernprozess, den Lernfortschritt und das Lernergebnis. Mögliche Kennzahlen, die von den Lehrenden analysiert werden, sind Daten, die den Lernprozess betreffen (z.B. betrachtete Lehrmaterialien, durchgeführte Übungen, benötigte Zeit), die den Lernerfolg betreffen (z.B. erzielte Punkte, richtige Lösungen, abgeschlossene Prüfungen) und die die Lernenden an sich betreffen (z.B. demografische Merkmale, persönliche Eigenschaften) (Shahiri, 2015, Schumacher und Ifenthaler, 2018, Rubel und Jones, 2016). Mithilfe von computergestützten Verfahren werden die Daten über die Lernenden automatisiert ausgewertet. Anhand von personen- oder lernbezogenen Merkmalen findet eine Kategorisierung der Lernenden statt. Des Weiteren wird nach Zusammenhängen von Variablen und dem Lernerfolg gesucht. Die Analysesoftware setzt die Daten zueinander ins Verhältnis und wertet sie aus. Die angewendeten Algorithmen lernen, anhand von Trainingsdatensätzen, bestimmte Zusammenhänge zu schließen und diese werden dann auf größere Datenmengen angewendet. Die Analyse der erhobenen Daten ermöglicht die Bewältigung von institutionellen Lehr- und Lernproblemen durch eine frühzeitige Identifizierung von individuellen Problembereichen im Lernprozess von Schülern und Studenten und den Einsatz von gezielten Maßnahmen (Gašević et al., 2016).
Chancen von Learning Analytics
Die Anwendung von Learning Analytics ist mit vielen Vorteilen verbunden sowohl für die Lehrperson als auch für die Lernenden, wie z.B. das bessere Verständnis des Lernprozesses, die individuelle Anpassung an die Bedürfnissen der Lernenden (z.B. Leseempfehlungen, spezielle Tutorien) sowie spezifisches Feedback (Schumacher & Ifenthaler, 2018, Rubel & Jones, 2017, Jones & Salo, 2017). Zudem bietet Learning Analytics die Möglichkeit, über die Vernetzung mit anderen, Wissen aufzubauen und zu erweitern. Durch die hierdurch entstehenden Netzwerke wird ein dynamisches und praxisorientiertes Lernen gefördert. Eine bessere Selbstreflexion sowie selbstregulierende Lernprozesse sind weitere positive Effekte der algorithmischen Datenverarbeitungsmethode (Knight, Shum & Littleton, 2014). Ein weiterer Mehrwert von Learning Analytics ist die schnelle Identifizierung von Lernschwächen und die damit einhergehende Erarbeitung von proaktiven Handlungsempfehlungen (Gašević et al., 2016, Rubel & Jones, 2017). Vermehrt bieten digitale Lernplattformen Kennzeichnungen z.B. in Form von Badges anhand derer die Lehrperson direkt erkennen kann, welcher Schüler oder Student eine Lernschwäche hat, aber auch welcher Schüler sehr gute Leistungen erbringt. Insgesamt werden individuell angepasste Lernangebote durch die Auswertung der erhobenen Daten angestrebt, um auf diese Weise eine Optimierung des Lernerfolgs zu erzielen.
Learning Analytics verfolgt mehrere Ziele:
- Unterstützung der Lehrpersonen bei der Beobachtung und Analyse des individuellen Lernfortschritts von Schülern und Studenten
- Anpassung des Unterrichts an das individuelle Lernverhalten der Schüler und Studenten sowie die Generierung geeigneter Lehrstrategien
- Vorhersage von zukünftigen Leistungen der Lernenden, um rechtzeitig gezielte Interventionsstrategien zu entwickeln
- Personalisierung des Lernprozesses sowie individuelles und hoch spezifisches Feedback für die Lernenden
- Erhöhung der Produktivität in Bildungseinrichtungen durch Beschleunigung von Entscheidungen
- Effizientere und effektivere Nutzung von Ressourcen in Bildungseinrichtungen
Nachteile von Learning Analytics
Trotz dieser Vielzahl positiver Effekte für das Lernverhalten und den Lernerfolg von Schülern und Studenten birgt Learning Analytics auch einige Risiken. Da das Konzept der Kategorisierung, z.B. nach demografischen Merkmalen, Lerntypen oder Lernprozessen (Shahiri, 2015) im Mittelpunkt von Learning Analytics steht, spielt das Diskriminierungspotenzial eine wichtige Rolle. So können unausgewogene Trainingsdatensätze möglicherweise zu unausgewogenen, diskriminierenden Vorhersagen führen, wenn z.B. weibliche Lernende im Trainingsdatensatz bessere Noten haben als männliche Lernende. Die Analysesoftware könnte anhand dieser Trainingsdaten zu dem Entschluss kommen, dass die weiblichen Lernenden grundsätzlich bessere Leistungen haben und diese Schlussfolgerung auf folgende Datensätze anwenden, wodurch eine Diskriminierung anhand des Geschlechts stattfindet. Eine differenzierte Behandlung von Einzelpersonen auf Grundlage ihrer (ethnischen) Gruppenzugehörigkeit kann als Diskriminierung angesehen werden, wenn Einzelpersonen dadurch in irgendeiner Weise benachteiligt werden (Scholes, 2016). Das Diskriminierungspotenzial kann z.B. dadurch entstehen, dass Lernenden mit niedrigerem sozialem Status oder bestimmtem Geschlecht ein niedrigerer Lernerfolg prognostiziert wird und die automatisierte Prognose wiederum den Lehrenden beeinflusst. Da es sich um Black-Box-Systeme handelt, ist im Nachhinein schwer nachvollziehbar, wie das System zu dem Ergebnis gekommen ist.
Eine weitere Problematik sind ungenaue Prognosen, die dadurch entstehen können, dass die Leistungsbewertung nicht alleine auf Kompetenzen und Lernergebnissen basiert, sondern auf dem gemessenen Prozess. Lernende, die es bevorzugen, offline zu lernen, können hierdurch benachteiligt werden, da Learning Analytics Systeme nicht messen können, welche Lernaktivitäten offline durchgeführt worden sind. Diese Problematik verdeutlicht einen weiteren Nachteil von Learning Analytics. Weniger technologieaffine Schüler und Studenten haben größere Probleme mit der Anwendung der digitalen Lernplattform und können auf diese Weise benachteiligt sein. Des Weiteren müssen auch die Lehrenden den Umgang mit den neuen Technologien und damit verbundenen Auswertungsmöglichkeiten erlernen. Darüber hinaus könnte adaptives Lernmaterial fehlerhaft klassifizierte Lernende unterfordern und sie so daran hindern, ein höheres Lernniveau zu erreichen. Ein weiterer Nachteil liegt darin, dass Lernenden, denen bewusst ist, dass ihr Verhalten überwacht wird, ihr Lernverhalten anpassen und sich z.B. vermehrt einloggen, um den Lernfortschritt zu beweisen.
Hinweise für die Implementierung in der Praxis
Die aufgeführten Risiken von Learning Analytics weisen darauf hin, dass bei der Implementierung und Anwendung digitaler Lernplattformen auf die moralische Vertretbarkeit geachtet werden muss. Daher ist es wichtig, dass Lernende bei der Einführung von Learning Analytics in Bildungseinrichtungen als Mitentscheider einbezogen und ausreichend über die verwendeten Technologien und Algorithmen aufgeklärt werden. Der Umgang mit derartigen Informationstechnologien sollte bedacht und vor allem transparent erfolgen, da im Rahmen von Learning Analytics hochsensible Daten genutzt werden, um möglichst genaue Prognose zu erstellen. Ein großer Fokusbereich von Learning Analytics sollte daher auf der Datenschutzfrage liegen, die unter anderem Dateninterpretation, Dateneinwilligung, Datenschutzaufklärung und Datenspeicherung beinhaltet. Klar formulierte Grundsätze und die höchsten Datenschutzstandards sind daher bei der Implementierung ratsam.
Fazit
Durch diese neue Analysemöglichkeit ist es möglich, den Unterricht zu personalisieren und frühzeitig zu intervenieren, wenn der Lernerfolg gefährdet ist. Bildungsziele werden gefördert und es besteht die Möglichkeit den Unterricht effizienter und effektiver zu gestalten. Jedoch sollten die Lernenden selbst bei der Implementierung mit einbezogen werden und Lehrende sollten sich bewusst machen, dass es zu Diskriminierungen kommen kann. Abschließend ist zu sagen, dass man den Bewertungen der Systeme nicht blind vertrauen sollte, denn menschliche Fähigkeiten und Intuitionen spielen im Bildungskontext weiterhin eine wichtige Rolle.
Quellenangaben
Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education, 28, 68-84.
Jones, K. M., & Salo, D. (2017). Learning analytics and the academic library: Professional ethics commitments at a crossroads. College & Research Libraries, Forthcoming.
Knight, S., Shum, S. B., & Littleton, K. (2014). Epistemology, assessment, pedagogy: where learning meets analytics in the middle space. Journal of Learning Analytics, 1(2), 23-47.
Rubel, A., & Jones, K. M. (2016). Student privacy in learning analytics: An information ethics perspective. The Information Society, 32(2), 143-159.
Rubel, A., & Jones, K. (2017). Data analytics in higher education: Key concerns and open questions. U. St. Thomas JL & Pub. Pol’y, 11, 25.
Scholes, V. (2016). The ethics of using learning analytics to categorize students on risk. Educational Technology Research and Development, 64(5), 939-955.
Schumacher, C., & Ifenthaler, D. (2018). Features students really expect from learning analytics. Computers in Human Behavior, 78, 397-407.
Shahiri, A. M., & Husain, W. (2015). A review on predicting student’s performance using data mining techniques. Procedia Computer Science, 72, 414-422.
DAS KÖNNTE SIE AUCH INTERESSIEREN.
Immer aktuell informiert.
Abonnieren Sie unseren Newsletter und erhalten aktuelle und spannende Informationen rund um das Thema „Digitale Bildung”
Jetzt anmelden
