Learning Analytics - Potenzial von KI-Systemen für Lehrende und Lernende
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Learning Analytics – Potenzial von KI-Systemen für
Lehrende und Lernende
Themenkurzprofil Nr. 42 | Robert Peters • Marc Bovenschulte | Dezember 2020
Learning Analytics (LA) beschreibt den Einsatz algorith- höheren Kosten verbunden sind. Sie erlauben Lernen-
mischer Systeme zur Verbesserung von Lernprozessen. den und Lehrenden eine gemäß Vorwissen, Lerntyp
Auf Basis von Daten treffen LA-Systeme Vorhersagen und -geschwindigkeit sowie individuellen Stärken und
zu Lernfortschritt und Lernverhalten, geben Empfeh- Schwächen personalisierte Gestaltung von Lernpro-
lungen für die inhaltliche und methodische Gestaltung zessen. Darüber hinaus ermöglichen sie auf Ebene der
des Lehr- und Lernprozesses, ermöglichen neue, dyna- Steuerung insbesondere von Transitionsphasen, z. B.
mische und personalisierte Lernformen. Dabei kann bei der Berufs- oder Studienfachwahl, eine optimale
der Einsatz solcher Systeme sowohl in formellen (Aus-) Passung von individuellen Stärken und Vorlieben und
Bildungsgängen (z. B. in Schulen, Hochschulen, be- den fachlichen Anforderungen der Angebote.
trieblichen Ausbildungsstätten, Weiterbildungseinrich-
tungen) als auch in Form informeller und nonformaler Dabei stellen sich durch den Einsatz von LA-Systemen
Lernarrangements (z. B. über Lern-Apps für den priva- weitreichende ethische und rechtliche Fragen: Welche
ten Gebrauch oder zur Unterstützung arbeitsplatzna- Daten zu welchem Zweck und in welchem Umfang wie
hen Lernens) erfolgen. genutzt werden, ist dabei eine höchst sensible Frage,
sowohl mit Blick auf die Akzeptanz solcher Systeme als
Bislang sind LA-Anwendungen vor allem in den USA auch in Bezug auf deren rechtliche Zulässigkeit.
verbreitet. Doch auch in Deutschland entsteht zuneh-
mend ein entsprechender Markt. Infolge sich auch im
Bildungssektor ausweitender Dateninfrastrukturen
dürften in den kommenden Jahren zunehmend Anwen- Hintergrund und Entwicklung
dungsfälle für LA-Systeme entstehen. Entsprechend ist
die Debatte unter Bildungsexpertinnen und -experten Mit zunehmender Digitalisierung steigen die Verfügbar-
bereits weit vorangeschritten. keit und die Nutzung von Daten für Analyse- und Steue-
rungsprozesse. Diese werden in Unternehmen genutzt,
In Deutschland ist nach einer anfangs kritisch geführ- um Geschäfts- und Entscheidungsprozesse zu objektivie-
ten Diskussion eine Öffnung gegenüber den sich aus ren (Evidenzbasierung) und zu optimieren. Analog lassen
LA-Systemen ergebenden gesellschaftlichen Poten- sich Methoden der Data Analytics auch in der schulischen
zialen zu beobachten. Die in Schul- und Hochschul- und Hochschulbildung sowie in der Erwachsenenbildung
landschaft im Zuge der Coronapandemie verstärkte und Weiterbildung einsetzen. Mit den entsprechenden
Etablierung digitaler Lernmittel (z. B. Lernplattformen) LA-Systemen können Lernprozesse, Lernverhalten und
bietet dabei zunehmend die Grundlage für den Einsatz Lernerfolge erfasst werden, um auf Basis der erhobenen,
von LA. Bislang wird das Potenzial von LA vor allem verknüpften und ausgewerteten Daten das Lernen und die
von privaten Softwareanbietern genutzt: So können damit verbundenen Entwicklungsprozesse zu optimieren
Lernangebote wie Sprachlern- und Nachhilfe-Apps oder auch grundlegend neu zu gestalten (Ifenthaler/Schu-
mittels adaptiver Technologien potenziell eine breite macher 2016; Wollschläger-Tigges 2019). Da der Einsatz
Zugänglichkeit individueller Lernangebote ermögli- von digitalen Medien in Bildungseinrichtungen – aktuell
chen, die in Form traditioneller Präsenzlernkurse mit beschleunigt durch die Virtualisierung des Lehrens und
1
Lernens infolge der Coronapandemie – zunehmend zur
geübten Praxis wird, stellt das wachsende Datenvolumen
ein erhebliches Potenzial dar, das für die genannten Zwe-
cke genutzt werden kann. Dabei steigt die Möglichkeit des
Einsatzes von LA-Systemen durch die Verbreitung von digi-
talen und integrierten Lernmanagementplattformen wei-
ter an. Derartige Plattformen werden gleichermaßen von
Unternehmen, Verbänden, Verwaltungen, Bildungsträgern,
Hochschulen und Schulen verwendet. Mittels LA-Software
können auf einer digitalen Lernmanagementplattform die
Klicks, Navigationsmuster, die für die Aufgabenbewälti-
gung benötigte Zeit, soziale Interaktionen, der Informa
tionsfluss etc. erfasst und zur Profilbildung genutzt werden.
Damit sind prinzipiell Aussagen zum individuellen Lern-
verhalten und zum Lerntyp/-profil sowie zu statistischen
Abweichungen im Vergleich mit Referenzprofilen möglich.
Tatsächlich ist es ein Motiv vieler Hochschulen, Learning
Analytics einzusetzen, um potenzielle Studienabbrecherin-
nen und Studienabbrecher frühzeitig anhand von Mustern
zu erkennen und ihnen gezielte Unterstützungsangebote stupsens (Nudging3) sein, dass die Lernenden dazu bewegt
zu machen: „Bezüglich der hohen Studierendenzahlen werden, das Richtige zu tun. Die für den Einsatz in Schulen
und dem stagnierenden Betreuungsschlüssel ermöglicht konzipierte und insbesondere in den USA weit verbreite-
Learning Analytics neue Methoden zur personalisierten te App des Anbieters ClassDojo® definiert beispielsweise
Betreuung individueller Studierender. Vor allem in großen einen Kanon an wünschenswerten Eigenschaften und Ver-
Veranstaltungen mit über 200 Studierenden kann Learning haltensweisen (gemäß Anbieter meint das „Create a positi-
Analytics zeitnah personalisiertes Feedback1 für Studie- ve culture“), dem die Schülerinnen und Schüler spielerisch
rende, aber auch für Lehrende anbieten und somit auch auf und in einem bisweilen „behavioristischen Dressursetting“
die Heterogenität der Studierenden eingehen.“ (Hansen et nacheifern sollen (Hartong 2019, S. 11 f.). Dabei muss bei
al. 2020, S. 7). der Bewertung solcher auf verhaltensökonomischen An-
sätzen basierenden LA-Systemen berücksichtigt werden,
Eine stark automatisierte und bislang primär außerhalb dass insbesondere die mittel- und langfristige Wirksamkeit
institutioneller Bildungseinrichtungen genutzte Form von Nudging in der Bildungsforschung bislang nur insbe-
von Learning Analytics bieten Lernprogramme/-Apps und sondere hinsichtlich seiner mittel- bis langfristigen Wirk-
vergleichbare Produkte, die unter Nutzung von „Adaptive samkeit umstritten ist (Damgaard/Nielsen 2018).
Learning Technologies“ darauf abzielen, mittels automati-
sierter Datenanalyse das Lernangebot auf den jeweiligen Potenzial für Lernende und Lehrende
Nutzer/die jeweilige Nutzerin hin zu individualisieren und Wie LA-Systeme arbeiten, lässt sich anhand von Abbil-
zu optimieren (siehe dazu auch Schrader 2021). Bekannt dung 1 anschaulich nachvollziehen. Die Basis für die Arbeit
geworden sind derartige Systeme insbesondere durch An- von LA-Systemen bilden sowohl Daten, die von den Ler-
gebote wie Babbel® und Duolingo® für den Fremdspra- nenden selbst zur Verfügung gestellt werden (z. B. Angaben
cherwerb. Je nach dem individuellen Vorwissen, der Lern- zur Person im Zuge der Einschreibung), als auch solche, die
geschwindigkeit, den Vorlieben, Stärken und Schwächen mittels digitaler Anwendungen im Lernprozess erhoben
ermitteln diese Programme durch die Auswertung des werden (Hansen et al. 2020, S. 9). Die Daten werden für die
Lernverhaltens der Nutzenden deren Profil und können die weitere Verarbeitung gespeichert und erlauben den Ein-
Lerninhalte somit anpassen (O'Conor 2014; Strathmann satz algorithmischer Analysen, die Lehrende und Lernende
2016). Dabei sollen durch Gamification2 die Motivation ge- unterstützen sollen.
steigert und positive Anreize gesetzt werden (Rachels/Ro-
ckinson-Szapkiw 2018). Ziel dabei kann im Sinne eines An-
3 „Beim Nudging (engl. ‚nudging‘ für ‚Anstoßen‘, ‚Schubsen‘ oder ‚Stup-
1 Z. B. bezogen auf für den jeweiligen Kurs relevante organisatorische sen‘) bewegt man jemanden auf mehr oder weniger subtile Weise
oder inhaltliche Fragen (Pardo et al. 2019). dazu, etwas Bestimmtes einmalig oder dauerhaft zu tun oder zu las-
2 „Gamification ist die Übertragung von spieltypischen Elementen sen. Dabei können Voreinstellungen und Standards (Defaults) ebenso
und Vorgängen in spielfremde Zusammenhänge mit dem Ziel der zum Einsatz kommen wie Produktinformationen und Warenpräsenta-
Verhaltensänderung und Motivationssteigerung bei Anwenderinnen tionen. Angestrebt werden die Verhaltensänderungen der Personen
und Anwendern.“ (Bendel o. J. a). und Gruppen etwa von Unternehmen oder vom Staat.“ (Bendel o. J. b).
2 Themenkurzprofil Nr. 42
Diese Unterstützung kann auf unterschiedlichen Ebenen So erlauben LA-Systeme auf Makroebene den Lernenden,
erfolgen. langfristig digitale Lernportfolios zu pflegen und diese
in Hinblick auf die eigene Schwerpunktsetzung mit Job-
¡¡ Auf der Mikroebene (die Ebene der Lernsequenz) wer- profilen abzugleichen. Für Lehrende erlauben LA-Systeme
den Lernende adaptiv in ihrem Lernprozess unterstützt. auf dieser Ebene die evidenzbasierte Weiterentwicklung
Lehrende erhalten auf dieser Ebene dynamische Echt- der eigenen Lehrtätigkeit (Bernd et al. 2020, S. 14). Insti-
zeitinformationen über den Lernfortschritt und eventu- tutionell wird es mithilfe eines dynamischen Monitorings
elle Schwierigkeiten, bei denen einzelne Lernende Un- möglich, erweiterte Beratungsangebote für Studierende
terstützung benötigen (Bernd et al. 2020, S. 14). zu entwickeln (Büching et al. 2019, S. 146). Darüber hinaus
¡¡ Auf der Mesoebene (die Ebene von Kursen und über ei- können entsprechende Systeme die Revision von Bildungs-
nen längeren Zeitraum, z. B. ein Semester) können Ler- oder Studiengängen unterstützen (Bernd et al. 2020, S. 14).
nende ein dynamisches Monitoring zum eigenen Lern-
fortschritt erhalten. Lehrenden dient das Monitoring ei- Wirksamkeit und Effekte
ner ganze Lerngruppe dazu, die zeitliche und strukturel- Da das Feld der Learning Analytics recht jung ist, sind
le Planung des Lehrangebots dynamisch an den Stand die praktischen Erfahrungen in unterschiedlichen Lern-/
des Lernfortschritts anzupassen (Bernd et al. 2020, S. 14). Lehr- und auch kulturellen Kontexten noch begrenzt. Für
einzelne Anwendungen der Adaptive Learning Technolo-
Während diese beiden LA-Anwendungen den Bereich der gies und den damit verfolgten Ansatz, Lehrangebote an
Lernanalytik betreffen, lässt sich darüber hinaus auf ei- das Profil der Lernenden anzupassen und mit spielerischen
ner Makroebene der Bereich der akademischen und der motivationalen Elementen Lernanreize zu setzen, liegen
institutionellen Analytik unterscheiden. Unter institutio- wissenschaftliche Untersuchungen vor; diese wurden zum
neller Analytik wird die Erfassung und Verarbeitung von Teil von den Anbietern derartiger Technologien in Auftrag
Studierendendaten für institutionelle Zwecke verstanden, gegeben. So wurde den Sprachlernsoftwares Babbel® und
z. B. das Erfassen von Noten, Immatrikulationsdaten sowie Duolingo® eine grundsätzliche Funktionalität mit nach-
sozioökonomischen Informationen. Akademische Analy- weisbaren Fortschritten der Nutzenden attestiert (Rachels/
tik beschreibt die Erfassung und Verarbeitung von Daten Rockinson-Szapkiw 2018; Vesselinov/Grego 2016); meist
zur Information der Studierenden, z. B. über den aktuel- handelt es sich bei den Untersuchungen jedoch um Tests
len Leistungsstand, Lernfortschritte oder mögliche Wah- mit Lernenden auf Anfängerniveau, sodass unklar bleibt,
lentscheidungen im Studienverlauf (Büching et al. 2019, ob auch Lernfortschritte bei komplexeren Inhalten erzielt
S. 146). werden können.
Datenerhebung
Daten-
speicherung
Learning
Lehren Analytics
und Lernen
Abbildung 1: Learning-
Analytics-Prozess (eigene
Darstellung unter Nutzung
von Material von blankstock/ Unterstützungs- Daten-
AdobeStock, basierend auf angebote auswertung
Clow 2012, Hansen et al. 2020)
Themenkurzprofil Nr. 42 3
Mit Blick auf den Nutzen von Learning Analytics im weite-
ren Sinne kommt eine Metastudie aus dem Jahr 2018 über
den Einsatz derartiger Systeme in der hochschulischen Bil-
dung zu einem verhaltenen, wenngleich aufgrund der Dy-
namik der Entwicklung sicherlich vorläufigen Ergebnis. Für
die Untersuchung wurden 252 wissenschaftliche Studien
zum Thema LA ausgewertet. Dabei wurden vorhandene
wissenschaftliche Erkenntnisse zur Wirkung zusammenge-
fasst, inwiefern Learning Analytics i) das Lernergebnis ver-
bessert, ii) das Lernen und Lehren unterstützt, iii) weit ver-
breitet ist und iv) ethisch verantwortlich eingesetzt wird.
Die Metastudie zeigt, dass es bislang nur wenig Belege für
eine Verbesserung der Lernergebnisse der Studierenden
gibt. Nur 9 % der ausgewerteten Studien bestätigen einen
entsprechenden Effekt von LA-Systemen. Mit 35 % der aus-
gewerteten Studien sind Hinweise auf eine Verbesserung
von Lernunterstützungsleistung und Lehre durch LA-Syste-
me deutlich häufiger zu finden. Trotz der Tatsache, dass das
Potenzial für die Verbesserung der Praxis in zahlreichen licher Fremd- und Selbsteinschätzungen eine Rückmel-
Studien als hoch eingeschätzt wird, konnte die Metastudie dung zur Kompetenzentwicklung und zur Eignung für den
keine weitreichende Realisierung dieses Potenzials in der Lehrerberuf“ geboten wird (Büching et al. 2019, S. 150),
höheren Bildungspraxis ausmachen (Viberg et al. 2018); zeigen das Potenzial, über welches deutsche Hochschu-
auch in anderen Betrachtungen wird der tatsächlich erziel- len bereits heute im Bereich LA verfügen und das sie zu-
te Effekt noch als wenig einschätzbar resümiert, da es an künftig realisieren können.
entsprechenden systematischen Studien fehlt (Ifenthaler
et al. 2019). Doch wie in vielen Fragen von Big Data markiert der
Rechtsrahmen auch bei der Datensammlung für die An-
Bereitschaft zur Datennutzung bei Lernenden und Kompe- wendung von LA-Systemen eine kritische Hürde. Je nach
tenzen der Lehrenden als kritische Erfolgsfaktoren Anwendungskontext des einzelnen LA-Systems müssen
Wie in Abbildung 1 deutlich wird, ist das Vorhandensein die Hochschulgesetze der Länder entsprechende Freiräu-
von Daten die Grundvoraussetzung für die Anwendung me für die Anwendung lassen (Martini et al. 2020, S. 24 f.).
von LA-Systemen und damit auch die Voraussetzung für Besonders weitgehend sind jedoch die Einschränkungen,
die Ausschöpfung deren Potenzials für Lernende und die der Datenschutz nach der Datenschutz-Grundverord-
Lehrende; diese Daten stellen für LA-Systeme die zentra- nung (DSGVO) seit 2018 festlegt, wenn personenbezoge-
le Ressource dar. Dabei haben die Qualität und die Men- ne Daten verarbeitet werden (Art. 4 Nr. 1 DSGVO). Diese
ge der verfügbaren Daten einen unmittelbaren Einfluss dürfen Hochschulen „nur verarbeiten, wenn entweder
auf die Performanz der eingesetzten KI-Systeme (Bitkom der Gesetzgeber das ausdrücklich zugelassen oder der
2017, S. 66, 187). So gilt im Grundsatz auch für LA-Syste- Betroffene eingewilligt hat“ (Martini et al. 2020, S. 25).
me, dass die Genauigkeit von Prognosen über den Studi- Das bedeutet, dass Studierende einer Datenverarbeitung
enverlauf mit der Menge der verfügbaren Daten, die zur explizit zustimmen müssen, sofern die Verarbeitung den
Auswertung herangezogen werden können, steigt (Marti- Hochschulen nicht durch gesetzliche Regelungen erlaubt
ni et al. 2020, S. 23). Ob Daten für LA-Systeme zur Verfü- ist, weil dies erforderlich zur Erfüllung ihrer Aufgaben ist.
gung stehen – und wenn ja, welche –, ist mithin erfolgs- Doch auch in diesem Fall haben Studierende die Mög-
kritisch für deren Einsatz. lichkeit, einer Verarbeitung ihrer Daten zu widersprechen
(Martini et al. 2020, S. 26 f.). Liegt das Einverständnis der
Damit rückt die Frage in den Blickpunkt, unter welchen Studierenden zur Erfassung und Verwendung ihrer Daten
Bedingungen Daten erhoben und für welche Zwecke sie vor, können Hochschulen mit den Daten jedoch immer
genutzt werden können und dürfen. Insbesondere große noch nicht operieren, wie es ihnen sinnvoll/notwendig er-
Hochschulen erfassen eine Vielzahl an potenziell für scheint. Sollen Daten für einen anderen bzw. erweiterten
LA-Systeme relevanten Daten über ihre Studierenden Zweck eingesetzt werden, als für den eine Zustimmung
(Martini et al. 2020, S. 23). Das Beispiel eines Systems zur vorliegt, so ist eine neuerliche Zustimmung erforderlich
Früherkennung potenzieller Studienabbrechender, wie es (Martini et al. 2020, S. 28).
am Karlsruher Institut für Technologie (KIT) entwickelt
wurde (Weiß 2018), oder das Projekt MentOR (Mentoring Vor diesem Hintergrund ist die Akzeptanz von LA-Syste-
im Eignungs- und Orientierungspraktikum mit onlinege- men und damit die Bereitschaft von Lernenden, ihre Da-
stützter Rückmeldung) der Universität Duisburg-Essen, ten zur Verfügung zu stellen, essenziell, um sich selbst
bei dem Lehramtsstudierenden „auf Basis unterschied- und anderen Unterstützungsangebote zu ermöglichen.
4 Themenkurzprofil Nr. 42Vertrauen in entsprechende Datenteilungsmodelle ist renden markieren dabei nur zwei Aspekte, die bereits vor
daher eine wichtige Voraussetzung für die Bereitschaft, der Einführung von LA-Systemen berücksichtigt werden
eigene Daten zu teilen. Technische Ansätze allein, wie müssen (Sclater 2015). Dass eine übereilte und schlecht
Speicherung und Verarbeitung von Daten in aggregierter, vorbereitete Einführung von LA-Systemen deren Einsatz
anonymisierter oder pseudoanonymisierter Form, können scheitern lassen kann, zeigt das jüngste Beispiel einer von
dabei keine abschließende Antwort sein, da diese Verfah- der britischen Regierung eingesetzten Software zur auto-
ren nicht immer irreversibel sind und einen Rückschluss matisierten Generierung von Abschlussnoten (Shaed 2020).
auf das einzelne Individuum nicht ausschließen. Daraus Um die pandemiebedingt ausfallenden Abschlussprüfun-
ergibt sich der dringende Bedarf, Datenteilungsmodelle gen, die für britische Schülerinnen und Schüler wesentlich
weiter zu konkretisieren und unter Realbedingungen zu über die Zugangschancen zur Sekundarbildung entschei-
erproben (Pawelke 2020). den, wurden Lehrende aufgefordert, zunächst die voraus-
sichtlichen Prüfungsleistungen ihrer jeweiligen Schülerin-
Neben der Bereitschaft der Lernenden zur Nutzung ihrer nen und Schüler zu prognostizieren. Diese Schätzungen
Daten ist auch die Kompetenz von Lernenden im Umgang wurden dann mittels eines algorithmischen Systems und
mit neuen Softwareanwendungen erfolgskritisch für die unter Nutzung historischer Daten über die Performanz frü-
verstärkte Nutzung von LA-Systemen. So bedarf es seitens herer Kohorten der jeweiligen Schule angepasst. Das hatte
der Lehrenden einer entsprechenden Bereitschaft, neue zur Folge, dass Noten an Schulen mit sozial schwächeren
Technologien in Planung und Umsetzung ihrer Lehre ein- Einzugsgebieten verschlechtert und an Schulen in wohlha-
zusetzen. Die Integration von Lernassistenzsystemen in die benden Umfeldern und an Privatschulen angehoben wur-
herkömmliche pädagogische Praxis stellt dabei für Leh- den (Specia 2020).
rende eine anhaltende Herausforderung dar. Ein entschei-
dender Faktor für die erfolgreiche Adaptation von Lehr Kritischer Diskurs und Forderungen nach stärkerer
assistenzsystemen kann dabei die Kompetenz von Lehren- Verbreitung
den zum Umgang mit solchen Systemen sein (Phillips et Die Verbreitung von LA-Systemen in Deutschland lässt
al. 2020, S. 1432 f.). Seit Beginn der Coronapandemie zeigt sich bislang nicht präzise bestimmen. Von einer flächen-
sich insbesondere in der schulischen Lehre, dass techni- deckenden Verbreitung sind derartige Systeme jedoch of-
sche wie fachdidaktische Unterstützung von Lehrenden fenbar noch weit entfernt. Zu wesentlichen Fragen ethi-
bei der Einführung von neuer Software essenziell ist, wenn scher Implikationen und zur Wirksamkeit von Künstlicher
deren Einsatz in der Praxis gelingen soll (Weigand 2020 Intelligenz und Big Data in der Schul- und Hochschulbil-
S. 66). Beim Design entsprechender Systeme ist es darü- dung besteht gegenwärtig noch Forschungsbedarf (BMBF
ber hinaus wichtig zu beachten, dass Lehrende diese an ihr 2020b). Dabei zeigt sich, dass der kritische Diskurs zum
konzeptionelles Vorgehen und ihre Lehrstrategie anpassen Einsatz von algorithmischen Systemen in der Bildung in
können (Herodotou et al. 2017a). den vergangenen Jahren an Dynamik gewinnt. Zivilgesell-
schaftliche Akteure setzen sich dabei bereits seit Jahren
Die Frage der Akzeptanz zur Nutzung von Lernendendaten intensiv mit Chancen und Risiken algorithmischer Sys-
sowie die Notwendigkeit des Kompetenzaufbaus bei Leh- teme in der Bildung auseinander (Fischer 2020; Schmid
2018). 2019 befasste sich auch die Gewerkschaft Erzie-
hung und Wissenschaft (GEW) im Rahmen ihres Projekts
„Bildung in der digitalen Welt“ intensiv mit dem Thema LA
(Hartong 2019). In der Veröffentlichung der GEW wird kri-
tisiert, dass sich die Debatte zur Regulierung von LA-An-
wendungen hierzulande zu stark auf den Datenschutz
konzentriere. So ließen sich weitreichende LA-Systeme
sehr wohl datenschutzkonform gestalten. Der eigentliche
Einwand liege vielmehr in der potenziell missbräuchli-
chen Verwendung solcher Systeme, wenn diese erst ein-
mal flächendeckend eingeführt sind: „Denn wer weiß
denn, ob der politische Status, die regierenden Parteien,
die demokratischen Pfeiler der Gesellschaft auch hierzu-
lande so bleiben werden wie sie jetzt sind, oder ob es
nicht begründete Sorge gibt, die Zeiten können sich än-
dern und damit die Zwecke, für die irgendwann einmal er-
hobene Daten genutzt werden. [...] Es bedeutet, dass wir
es mit einer signifikanten Bedrohung menschlicher Frei-
heit und Privatheit zu tun haben [...].“ (Hartong 2019, S. 18
f.) Darauf basierend wird die Forderung nach Regulierung
erhoben (Hartong 2019, S. 18). Unbestimmt bleibt dabei,
Themenkurzprofil Nr. 42 5wie eine solche Regulierung aussehen könnte. In ihrem Aktuelle bildungs- und forschungspolitische
Absolutheitsanspruch ist sie praktisch für jede Form der Entwicklungen
Datenspeicherung und -verarbeitung gültig. Die konse- Das Thema Learning Analytics fügt sich in den überge-
quente Umsetzung dieser Argumentation, kann praktisch ordneten Kontext der digitalen Bildung. Auf Bundesebene
nur in einem Verbot von LA-Systemen bestehen, was an- beschreibt die Strategie „Bildungsoffensive für die digita-
gesichts der potenziell erheblichen Chancen, die entspre- le Wissensgesellschaft“ in fünf Handlungsfeldern Voraus-
chende Systeme bieten, nicht verhältnismäßig erscheint. setzungen und Wege zur Nutzung des Potenzials digitaler
Zielführender dürfte es sein, die Risiken von LA-Systemen Technologien für die Aus- und Weiterbildung (BMBF 2016).
im konkreten Anwendungskontext zu bewerten und by Im Handlungsfeld „Digitale Bildung vermitteln“ werden im
Design bestehenden Diskriminierungsrisiken entgegen Kontext der Möglichkeit einer digitalen Individualisierung
zu wirken, um Folgen wie im zuvor beschrieben Fall aus von Lehr-/Lernangeboten und dem damit verbundenen
Großbritannien zu vermeiden. Einen konkreten Ansatz zur Potenzial, auf diese Weise zur Bildungsgerechtigkeit bei-
datensensiblen Entwicklung und Anwendung von LA-Sys- zutragen, auch LA explizit thematisiert: „Die Erhebung und
temen in der Praxis liefert ein von der Goethe-Universität statistische Auswertung lehr- und lernbezogener Daten (le-
Frankfurt am Main, dem Leibniz-Institut für Bildungsfor- arning analytics) vermitteln neue Erkenntnisse über Lehr-
schung und Bildungsinformation, der TU Darmstadt und und Lernprozesse. Smart-Data-Technologien ermöglichen
dem Hessischen Telemedia Technologie Kompetenz-Cen- die Verarbeitung großer Datenmengen und können zur
ter e. V. vorgelegte Entwurf zu einem Verhaltenskodex für Verbesserung der Lehrqualität beitragen. Zugleich gilt es,
Trusted Learning Analytics (Hansen et al. 2020). Ähnlich den mit learning analytics verbundenen Risiken bezüglich
wie anwendungsfeldoffene Leitfäden zur ethischen Ge- der Datensicherheit und des Datenschutzes angemessen
staltung algorithmischer Systeme (Puntschuh/Fetic 2020) zu begegnen.“ (BMBF 2016, S. 8). Folgerichtig werden die
setzt der Verhaltenskodex auf Kompetenzaufbau als Vo- hier genannten Fragen auch in Forschungsprogrammen
raussetzung für den verantwortungsvollen Umgang mit des BMBF adressiert, indem im Rahmen der Programmlinie
LA. „Empirische Bildungsforschung“ über alle Bildungsebenen
hinweg auch solche Forschungsvorhaben angesprochen
Im politischen Raum erlangte LA zuletzt ebenfalls zusätz- werden, die Optionen und Grenzen des Einsatzes von Le-
liche Aufmerksamkeit. So forderte die FDP-Fraktion im arning Analytics für selbstgesteuertes Lernen und für die
Deutschen Bundestag im Herbst 2019 ein stärkeres En- Förderung individueller Lernbiografien untersuchen. Dazu
gagement des Bundes bei der Entwicklung von Standards gehört auch die Betrachtung derartiger Instrumente unter
und Regeln sowie bei der Qualifizierung von Lehrenden Berücksichtigung ethischer und datenschutzrechtlicher As-
und Lernenden. Gemeinsam mit den Ländern sollte in pekte und Fragestellungen (BMBF 2018). In der Förderung
Deutschland das Potenzial von LA besser genutzt werden im Rahmen der Programmlinie „Digitale Hochschulbildung“
(Bundestagsfraktion FDP 2019). Auch im Abschlussbericht werden Forschungsfragen zu und über Learning Analytics
der Enquete-Kommission Künstliche Intelligenz des Deut- spezifisch auf den Hochschulkontext als dem in Deutsch-
schen Bundestages wird das Potenzial von LA-Systemen land am weitesten entwickelten Einsatzbereich derartiger
hervorgehoben (BT 2020, S. 306). Technologien bezogen (BMBF 2020b). Für das Anwen-
6 Themenkurzprofil Nr. 42dungsfeld der beruflichen Bildung werden im Zeitraum gelaufene Pilotprozess zur Einführung eines Gütesiegels
von 2020–2025 im Rahmen des Innovationswettbewerbs für Lern-Apps für den Schulunterricht des österreichi-
„Digitale Plattform berufliche Weiterbildung“ (INVITE) des schen Bundesministerium für Bildung, Wissenschaft und
BMBF auch KI-basierte adaptive Lernangebote gefördert Forschung (Bundesministerium Bildung, Wissenschaft und
(BMBF 2020a). Die Europäische Union (EU) formuliert in Forschung 2020).
ihrem Digital Education Action Plan die Zielsetzung, dass
im Rahmen von Horizon Europe die Entwicklung ethischer Ob sich die zuvor angeführten gesellschaftlichen Chancen
Leitlinien für den Einsatz von KI und die Nutzung von Da- von LA-Systemen tatsächlich realisieren lassen, hängt da-
ten in der Bildung unterstützt werden sollen (European bei – neben vielen weiteren Faktoren – wesentlich von der
Commission 2020). Darüber hinaus sollten überall dort, wo Frage ab, ob LA-Systeme wirksam gestaltet und angewen-
an Schulen und Hochschulen infolge der Coronapandemie det werden. Hierin dürfte nach gegenwärtigem Stand des
kurzfristig digitale Lerntechnologien eingeführt wurden, fachlichen politischen Diskurses die größte Herausforde-
wissenschaftlich untersucht werden, was aus diesen Praxi- rung bestehen: So ist die Wirksamkeit für eine Verbesse-
serfahrungen in Bezug auf die Auswirkungen z. B. von Apps rung von Lehr-Lernprozessen insbesondere im schulischen
und Lernplattformen auf den Lernerfolg und in Bezug auf Kontext nicht abschließend nachgewiesen. Dies schränkt
Erfolgsfaktoren für deren Einführung und Einsatz derarti- die Aussagekraft aller Annahmen über künftige Potenziale
ger Technologien gelernt werden kann. des Einsatzes entsprechender Technologien grundlegend
ein und bedarf einer tiefergehenden Wirkungsanalyse.
Gesellschaftliche und politische Relevanz Darüber hinaus stellt die Frage der Akzeptanz von LA-
Systemen und damit die Bereitschaft von Lernenden, ihre
LA-Systeme versprechen, Lernende und Lehrende sowohl Daten zwecks Auswertung zur Verfügung zu stellen, das
auf institutioneller Ebene als auch auf Ebene des konkre- zentrale Nadelöhr dar. Hier liegt die wesentliche Heraus-
ten Lehr-/Lernprozesses zu unterstützen. Auf institutionel- forderung darin, geeignete Datenteilungsmodelle zu ent-
ler Ebene könnten sie bei der Anpassung von Bildungs- wickeln, die Vertrauen und Akzeptanz schaffen. Darüber hi-
und Studiengängen unterstützen und damit einen Beitrag naus ist es erforderlich, in der Aus- und Weiterbildung von
leisten, die Quote von Abbrecherinnen und Abbrechern zu Lehrpersonen den Kompetenzaufbau in der Integration
reduzieren. Auf der Ebene von Lehr-/Lernprozessen können digitaler Lernmittel in Lehr- und Lernprozesse zu stärken.
Lehrende Unterstützung bei der inhaltlichen und methodi-
schen Reihenplanung erhalten und innerhalb von Lernse- Ökonomisch besteht das Potenzial von LA-Systemen ins-
quenzen schneller und passgenauer auf individuelle Lern- besondere in der Reduzierung von Schul- und Studienab-
fortschritte sowohl leistungsstarker Lernender als auch bruchsquoten mit den entsprechend positiven Auswirkun-
von Lernenden mit einem langsameren Lernfortschritt gen auf den Arbeitsmarkt.
reagieren. Lernenden selbst bieten LA-Systeme zudem die
Chance, den eigenen Lernfortschritt zu bemessen und in-
dividuell unterstützte Entscheidungen zur Anpassung von Mögliche vertiefte Bearbeitung des Themas
Lernstrategie und -reihenfolge zu treffen. Angesichts der
herausgehobenen Bedeutung, die Bildung und Ausbil- Angesichts der bereits initiierten Forschungsvorhaben, die
dung für die persönliche Entwicklung des Individuums, sowohl die praktische Entwicklung von Learning Analytics
den Zugang zu Berufen und damit für die gesellschaftliche und deren Einsatz in verschiedenen Bildungskontexten
Kohäsion zukommt, haben LA-Systeme das Potenzial, zu ei- und insbesondere im Hochschulbereich als auch die Aus-
nem integralen Baustein eines modernen Bildungswesens einandersetzung mit den Voraussetzungen und Auswir-
zu werden. kungen umfassen, erscheint eine Vertiefung des Themas
im Zuge der parlamentarischen Technikfolgenabschätzung
Jenseits institutioneller Bildungseinrichtungen können zum jetzigen Zeitpunkt noch zu früh. Mit einer zunehmen-
LA-Systeme in Form adaptiver Lernsoftware außerdem ei- den Verbreitung solcher Systeme in der Praxis dürfte eine
nen Beitrag zur Demokratisierung privater Lernangebote Neubewertung des Bedarfs nach einer vertieften Untersu-
bieten. Zwar sind mobile Applikationen zum Spracherwerb chung des Themas künftig notwendig werden.
oder zur Nachhilfe vielfach nicht kostenfrei verfügbar und
damit auch einer monetären Einstiegshürde unterworfen,
dennoch liegen die Kosten für derartige Angebote in der
Regel unterhalb der Kosten für private Nachhilfe- und
Sprachlerninstitute. Um eine verlässliche Qualität und
Funktionalität der Angebote zu gewährleisten und auch
für Lernende sichtbar zu machen, kann eine unabhängige
Prüfung und Zertifizierung sinnvoll sein; ein Beispiel für
eine derartige Zertifizierung bietet der bis August 2021
Themenkurzprofil Nr. 42 7Literatur le fördern, Lerndaten schützen. Antrag. Drucksache
Nr. 19/14033
Bendel, O. (o. J. a): Gamification. Definition: Was ist „Gamifi- Clow, D. (2012): The learning analytics cycle: closing the
cation“? https://wirtschaftslexikon.gabler.de/definition/ loop effectively. Proceedings of the 2nd International
gamification-53874 (13.11.2020) Conference on Learning Analytics and Knowledge
Bendel, O. (o. J. b): Nudging. Definition: Was ist „Nud- Damgaard, M.T.; Nielsen, H.S. (2018): Nudging in educa-
ging“? https://wirtschaftslexikon.gabler.de/definition/ tion. In: Economics of Education Review 64, S. 313–342
nudging-99919 (13.11.2020) European Commission (2020): Digital Education Acti-
Bernd, M.; Brandt, S.; Burchardt, A.; Dufentester, C.; Et- on Plan 2021-2027. Resetting education and training
siwa, B.; Gloerfeld, C.; Kravčík, M.; Mah, D.; Pinkwart, N.; for the digital age. https://ec.europa.eu/education/si-
Rampelt, N.; Renz, A. et al. (2020): Künstliche Intelligenz tes/education/files/document-library-docs/deap-facts-
in der Hochschulbildung. Whitepaper. FernUniversität heet-sept2020_en.pdf
in Hagen; Stifterverband für die Deutsche Wissenschaft Fischer, M. (2020): LEARNTEC 3/3 Yes we can (analyze
e. V.; DFKI (Deutsches Forschungszentrum für Künstliche it)! – Learning Analytics sind kein Selbstzweck. 15.10.20,
Intelligenz GmbH) https://blog.aus-und-weiterbildung.eu/learntec-33-yes-
Bitkom (2017): Künstliche Intelligenz. Wirtschaftli- we-can-analyze-it-learning-analytics-sind-kein-selbst-
che Bedeutung, gesellschaftliche Herausforderungen, zweck/
menschliche Verantwortung. BITKOM (Bundesverband Hansen, J.; Rensing, C.; Herrmann; Drachsler, H. (2020):
Informationswirtschaft, Telekommunikation und neue Verhaltenskodex für Trusted Learning Analytics. Innova-
Medien e. V.); DFKI (Deutsches Forschungszentrum für tionsforum Trusted Learning Analytics (15.10.2020)
Künstliche Intelligenz GmbH) Hartong, S. (2019): Learning Analytics und Big Data in
BMBF (Bundesministerium für Bildung und Forschung) der Bildung. Zur notwendigen Entwicklung eines daten-
(2016): Bildungsoffensive für die digitale Wissensge- politischen Alternativprogramms. GEW (Gewerkschaft
sellschaft. Strategie des Bundesministeriums für Bil- Erziehung und Wissenschaft)
dung und Forschung. Berlin Ifenthaler, D.; Mah, D.-K.; Yau, J. Y.-K. (2019): Utilising Le-
BMBF (Bundesministerium für Bildung und Forschung) arning Analytics for Study Success: Reflections on Cur-
(2018): Richtlinie zur Förderung von Zuwendungen für rent Empirical Findings. In: Ifenthaler, D.; Mah, D.-K.; Yau,
Forschung zur Gestaltung von Bildungsprozessen unter J. (Hg.): Utilizing Learning Analytics to Support Study
den Bedingungen des digitalen Wandels (Digitalisie- Success. Cham, S. 27–36
rung II). 29.11.18, https://www.bmbf.de/foerderungen/ Ifenthaler, D.; Schumacher, C. (2016): Learning Analytics
bekanntmachung-2157.html im Hochschulkontext. In: WIST 45(4), S. 176–181
BMBF (Bundesministerium für Bildung und Forschung) Martini, M.; Botta, J.; Nink, D.; Kolain, M.; Bertelsmann
(2020a): Richtlinie zur Förderung von Projekten zu „IN- Stiftung (2020): Automatisch erlaubt? Fünf Anwen-
VITE – Innovationswettbewerb Digitale Plattform beruf- dungsfälle algorithmischer Systeme auf dem juristi-
liche Weiterbildung“ (2020 bis 2025). 21.2.20, https:// schen Prüfstand. Bertelsmann Stiftung
www.bmbf.de/foerderungen/bekanntmachung-2918. O'Conor, L. (2014): Duolingo creator: I wanted to create a
html (13.11.2020) way to learn languages for free‘.
BMBF (Bundesministerium für Bildung und Forschung) Pardo, A.; Liu, D.; Vigentini, L.; Blumenstein, M. (2019):
(2020b): Richtlinie zur Förderung von Zuwendungen Scaling Personalised Student CommunicationCurrent
für die Forschung zur digitalen Hochschulbildung - In- Initiatives and Future Directions.
novationen in der Hochschulbildung durch Künstliche Pawelke, A. (2020): Datenteilen. Eine gesellschaftspo-
Intelligenz und Big Data. 12.2.20, https://www.bmbf.de/ litische Grundsatzfrage (Autor: Fetic, L.). Bertelsmann
foerderungen/bekanntmachung-2873.html (16.10.2020) Stiftung
BT (Deutscher Bundestag) (2020): Bericht der Enque- Phillips, A.; Pane, J.F.; Reumann-Moore, R.; Shenbanjo,
te-Kommission Künstliche Intelligenz –Gesellschaftli- O. (2020): Implementing an adaptive intelligent tuto-
che Verantwortung und wirtschaftliche,soziale und öko- ring system as an instructional supplement. Springer,
logische Potenziale. Drucksache Nr. 19/23700 12.11.20.000Z, https://link.springer.com/article/10.
Büching, C.; Mah, D.; Otto, S.; Prisca, P.; Hartmann, E.A. 1007/s11423-020-09745-w#citeas (12.11.2020)
(2019): Learning Analytics an Hochschulen. In: Wittpahl, Puntschuh, M.; Fetic, L. (2020): Praxisleitfaden zu den
V. (Hg.): Künstliche Intelligenz. Technologie, Anwendung, Algo.Rules. Orientierungshilfen für Entwickler:innen
Gesellschaft. Berlin, Heidelberg, S. 142–160 und ihre Führungskräfte
Bundesministerium Bildung, Wissenschaft und For- Rachels, J.R.; Rockinson-Szapkiw, A.J. (2018): The effects
schung (2020): 8-Punkte-Plan: Lern-Apps. https://digita- of mobile gamification app on elementary students‘
leschule.gv.at/gutesiegel-lernapps/ (16.11.2020) Spanish achievement and self-efficancy. In: Computer
Bundestagsfraktion FDP (2019): Smart Germany – Lear- Assisted Language Learning (31), S. 72–89
ning Analytics und Künstliche Intelligenz in der Schu-
8 Themenkurzprofil Nr. 42Schmid, U. (2018): KI@Education: Wann kommt der Lehr- Strathmann, M. (2016): Alleine zur Fremdsprache. Bot? https://www.digitalisierung-bildung.de/2018/11/ Vesselinov, R.; Grego, J. (2016): The Babbel Efficacy Study. 06/kieducation-wann-kommt-der-lehrbot/ (15.10.2020) Final Report. Queens College; University of South Caro- Schrader, C. (2021): Adaptivität multimedialer Lernum- lina gebungen. Pädagogischen Psychologie der Enzyklopä- Viberg, O.; Hatakka, M.; Bälter, O.; Mavroudi, A. (2018): die Erziehungswissenschaft Nr. akzeptiert The current landscape of learning analytics in higher Sclater, N. (2015): A taxonomy of ethical, legal and logi- education. In: COMPUTERS IN HUMAN BEHAVIOR 89, stical issues of learning analytics v1.0. https://analytics. S. 98–110 jiscinvolve.org/wp/2015/03/03/a-taxonomy-of-ethical- Weiß, T. (2018): Wie ein Algorithmus Studienabbrecher legal-and-logistical-issues-of-learning-analytics-v1-0/ frühzeitig erkennt. https://www.faz.net/aktuell/karriere- (12.11.2020) hochschule/campus/wie-ein-algorithmus-kuenftige- Shaed, S. (2020): How a computer algorithm caused a studienabbrecher-fruehzeitig-erkennt-15640650.html grading crisis in British schools. 21.8.20, https://www. Wollschläger-Tigges, M. (2019): Big Data in der EB/WB cnbc.com/2020/08/21/computer-algorithm-caused-a- am Beispiel von Learning Analytics. Technische Univer- grading-crisis-in-british-schools.html (12.11.2020) sität Kaiserslautern Specia, M. (2020): Parents, Students and Teachers Give Britain a Failing Grade Over Exam Results. https://www. nytimes.com/2020/08/14/world/europe/england-a- level-results.html (13.11.2020) Das Horizon-Scanning ist Teil des methodischen Spektrums der Technikfolgen- abschätzung im TAB. Mittels Horizon-Scanning werden neue technologische Entwicklungen beob- achtet und diese systematisch auf ihre Chancen und Risiken bewertet. So werden technologische, ökonomische, ökologische, soziale und politische Veränderungspotenziale möglichst früh erfasst und beschrieben. Ziel des Hori- zon-Scannings ist es, einen Beitrag zur forschungs- und innovationspolitischen Orientierung und Meinungsbildung des Ausschusses für Bildung, Forschung und Technikfolgenabschätzung zu leisten. In der praktischen Umsetzung werden im Horizon-Scanning softwaregestützte Such- und Analyseschritte mit expertenbasierten Validierungs- und Bewertungsprozessen kombiniert. Herausgeber: Büro für Technikfolgen-Abschätzung beim Deutschen Bundestag (TAB) Gestaltung und Redaktion: VDI/VDE Innovation + Technik GmbH Bildnachweise: © elenabs/iStock (S. 1); © metamorworks/iStock (S. 2); © fizkes/iStock (S. 4); © Gorodenkoff/AdobeStock (S. 5) © Tzido/iStock (S. 6) ISSN-Internet: 2629-2874 Themenkurzprofil Nr. 42 9
Sie können auch lesen
