Was sagen Daten über das Lernen aus?

In der unteren Audiostory folgen wir dem innerem Monolog einer fiktiven Sportlehrerin. Ihre Gedanken zeigen verschiedene Beispiele auf, wie künstliche Intelligenz, KI, oder Learning Analytics in der Schule eingesetzt werden könn(t)en.

1. Audio Story

Weitere Links zur Audiostory:

Big Data im Spiel – Die Unterrichtseinheit ist Teil der Unit „Fußball im MINT-Unterricht“ und richtet sich an Schülerinnen und Schüler ab 15 Jahren. In dieser Unterrichtseinheit sammeln die Schülerinnen und Schüler auf dem Spielfeld mit dem Smartphone Echtzeitdaten mit einer selbstprogrammierten App, teilen sie in der Cloud und verarbeiten sie weiter. Sie lernen unter anderem, wie die aufgenommenen Daten mit einer Screen-Mapping-Website verlinkt und visualisiert werden. Genutzt werden dazu Freeware-Programme wie App Inventor, dweet.io und freeboard.io.

Foto: Mpho Mojapelo von Unsplash

Die Audiostory hat uns gezeigt, dass Learning Analytics in verschiedenen Bereichen des Unterrichts eingesetzt werden kann. Doch bevor wir tiefer in die einzelnen Einsatzebenen sowie die Vor- und Nachteile dieser Technologie eintauchen, ist es wichtig zu wissen, was genau mit Learning Analytics gemeint ist.

Learning Analytics

Der Begriff Learning Analytics bezieht sich in der Regel auf die Sammlung und Analyse von Daten über Lernende und ihr Umfeld mit dem Ziel, Lernergebnisse zu verstehen und zu verbessern. Bei der Lernanalyse treffen Big Data und traditionelle quantitative Methoden im Bildungsbereich aufeinander.1

  • Künstliche Intelligenz – Forschungsfeld in der Informatik und technologisches Anwendungsfeld zur Automatisierung als intelligent angesehenen Verhaltens im Sinne einer selbstständigen und effizienten Problemlösung durch Maschinen.

Weitere Infos zu Learning Analytics:

Stadt | Land | Datenfluss – Im Handlungsfeld „Arbeit – Lektion 2“ werden auf einfache Weise die Grundzüge von Learning Analytics vermittelt.

Hilfreich sind vor allem die folgenden Inhalte:

Foto: Nik Ramzi Nik Hassan von Unsplash

2. Chancen und Risiken von Learning Analytics

Bei Fragestellungen aus dem Bereich der Learning Analytics kommen also KI-Verfahren zum Einsatz. Doch wo können solche Verfahren im System Schule zum Einsatz kommen? Im Wesentlichen betrachten wir drei Ebenen, die in folgender interaktiver Grafik deutlich werden. Führen Sie Ihre Maus über die drei Ebenen „individueller Lernprozess“, „Klassenebene“ und „Schulorganisation“.2

Weitere Informationen zu den drei Ebenen:

Einsatzbereiche von KI in Schule I Team DigitaleLehre des ZfL der Universität zu Köln (https://zfl.uni-koeln.de/) I CC BY SA 4.0 (https://creativecommons.org/licenses/by- sa/4.0/)

2.1 Chancen: Erläuterungen zu den drei Ebenen der Grafik

1. Ebene: „Individueller Lernprozess” (Mikroebene)

Zunächst ging es um die Schülerin: Freddi. Im Fokus steht daher der individuelle Lernprozess selbst. Learning Analytics kann auf dieser Ebene individualisierte Lernformen ermöglichen, beispielsweise in Form von automatisiertem Feedback, aber auch als Assistenzsystem, automatisierte Leistungsbewertung, Lernempfehlung oder Prognose.

So können beispielsweise Lehrangebote empfohlen werden, mit denen Schüler*innen eines ähnlichen Lernniveaus gute Erfolge erzielt haben oder andere Lernende vorgeschlagen werden, mit denen man gemeinsam lernen könnte. Auf diese Weise wird nicht nur die Selbstreflexion und Selbstorganisation gestärkt, sondern auch die Fähigkeit sich mit anderen Lernenden zu vernetzen und die eigenen Lernstrategien mit denen der anderen zu vergleichen.3  Durch das vernetzte Lernen wird wiederum Wissen generiert und ein dynamisches, praxisorientiertes Lernen unterstützt.4 

Lehrende erhalten hingegen mithilfe der gesammelten und analysierten Daten einen besseren Einblick in den Lernprozess und eventuelle Lernschwächen bestimmter Schüler*innen. Als Reaktion darauf können sie ihr Lehrangebot an die Bedarfe der Lernenden anpassen und gegebenenfalls sogar gezielte Handlungsempfehlungen zur individuellen Unterstützung lernschwacher Schüler*innen geben, um auf diese Weise den Lernerfolg zu erhöhen.5 Konkret geht es also darum, das schulische Lernen mittels intelligenter, adaptiver Systeme zu verbessern und grundsätzlich Lernprozesse zu ermöglichen, die den individuellen Fähigkeiten und Bedarfen der Lernenden besser entsprechen. Diese Ebene kann auch als Mikroebene bezeichnet werden.

2. Ebene: „Klasse und Lerngruppe” (Mesoebene)

In unserem Beispiel wurde der Sportlehrerin schnell klar, dass das ganze Team von Anwendungen dieser Art profitieren könnte. Die Frage tauchte auf, ob auch die Zusammensetzung des Teams durch den Einsatz dieser Techniken verbessert werden kann. Es geht also um das Team, oder das Unterrichtsgeschehen.

Learning Analytics auf dieser Ebene ermöglicht neue Formen des Tutorings und Classroom-Managements, aber auch Assessments oder Gradings. Denn auch auf der Ebene der Klasse und Lerngruppe erlauben intelligente Anwendungen wie z.B. digitale Assessments und „automated grading“ oder auch Leistungsdatenevaluationen und Empfehlungssysteme neue und manchmal auch direktere Formen des didaktischen Feedbacks – quasi in „Echtzeit“. Lehrende können auf diese Weise ihr Lehrangebot in zeitlicher und struktureller Hinsicht an den aktuellen Lernfortschritt der Lerngruppe anpassen.6

Sei es also der automatisch generierte individuelle Trainingsplan oder ein adaptiver Lernpfad: Beides basiert auf Datenressourcen, die über den Informationshorizont des einzelnen Schülers, des Lehrers oder Trainers hinausgehen. Diese Ebene kann auch als Mesoebene bezeichnet werden.

3. Ebene: „Schulorganisation” (Makroebene)

Nur als Frage formuliert war die letzte Ebene, die der Schulorganisation. Genauer gesagt geht es um die Optimierung von z.B. Evaluations- und Planungsprozessen durch Data-Mining und Analytics.

KI-Systeme können auch auf der Ebene der „Institution Schule“ unterstützen, wenn es etwa darum geht, Evaluationen und Berichte, Diagnosen oder Prognosen (z.B. Personal-, Ressourcen- und Raumplanung) „automatisch“ zu generieren. Gerade in diesem, häufig übersehenen, jedoch sehr wichtigen schulischen Handlungsbereich könnten erhebliche technologische Effizienz- und Verbesserungspotenziale schlummern, um Entscheidungen schneller herbeizuführen und so die Produktivität der Einrichtung zu erhöhen.7

Im Hochschulbereich eingesetzt können die Erkenntnisse aus Learning Analytics Schwachstellen in der Konzeption von Studiengängen aufdecken und eine Überarbeitung des Studienangebots bewirken.8 Ebenso können mit individuellen Beratungen Risikostudierende frühzeitig unterstützt und so die Abbruchrate verringert werden9, was angesichts des sich immer weiter verstärkenden Lehrer*innenmangels10 wiederum der „Institution Schule“ zugutekommt. Diese Ebene kann auch als Makroebene bezeichnet werden.

Future Influencer – Die smarte Schule!? – In diesem fiktiven Planspiel setzen sich Schüler*innen mit der Einführung eines digitalen Armbandes zur Datensammlung in ihrer Schule kritisch auseinander, indem sie unterschiedliche Standpunkte vertreten und präsentieren.

Foto: Diggity Marketing von Unsplash

2.2 Risiken von Learning Analytics

Entgegen all der Vorteile, die Learning Analytics auf den verschiedenen Ebenen bietet, dürfen die Risiken dieser Technologie nicht außer Acht gelassen werden. Dazu haben wir die drei Bereiche Datenschutz, Lernwirksamkeit und Ethik genauer unter die Lupe genommen.

Datenschutz

Um Learning Analytics effektiv nutzen zu können, sind große Datenmengen erforderlich. Je nach eingesetztem System kann es sich dabei nicht nur um bloße Ergebnisse aus Online-Prüfungen, sondern auch um emotionale oder körperliche Regungen wie Gesichtsausdrücke, Herzfrequenzen, Emotionen in der Stimme oder Körperhaltungen handeln.11 Noch besteht großer Forschungsbedarf darin, wie solche Daten zur Lernunterstützung oder gar Leistungsbewertung sicher erhoben und verwaltet werden können12, um sowohl das Risiko des Datenmissbrauchs als auch der möglichen Reidentifizierung der Nutzer*innen zu minimieren.

Lernwirksamkeit

Ein Begriff, der häufig mit Learning Analytics in Verbindung gebracht wird, ist das sogenannte Nudging (Anstupsen). Dabei wird das Verhalten der Nutzer*innen durch den vorgegebenen Algorithmus so beeinflusst, dass sie die „richtigen“ Entscheidungen treffen und sich damit auch gut fühlen.13

Andersherum können Nutzer*innen, die wissen, dass ihr Lernverhalten kontrolliert wird, auch das System manipulieren, indem sie sich beispielsweise häufiger einloggen.14

Was aber, wenn das System  gar nicht so genaue Prognosen liefert, wie wir es von ihm erwarten? Was, wenn die Lehrkraft das Dashboard oder das Ampelsystem als absolute Wahrheit ansieht? Eine fehlerhafte Kategorisierung oder Interpretation könnte dazu führen, dass Lernende nicht dem Lernniveau zugeordnet werden, das ihrem eigentlichen Lernfortschritt entspricht, was wiederum eine Unter- oder Überforderung des Lernenden nach sich ziehen könnte15, wenn nicht sogar ein gewisses Diskriminierungspotenzial. So könnten Gruppen oder einzelne Personen aufgrund ihres Geschlechts, ihrer ethnischen Herkunft oder ihres Sozialstatus benachteiligt werden, wenn beispielsweise das System herleitet, dass weibliche Personen mit hohem Sozialstatus besser lernen als männliche mit einem niedrigen Status.16

Ethik

Ethische Bedenken liefert beispielsweise der Umstand, dass sich Lernende der Nutzung solcher Anwendungen nicht oder nur sehr schwer entziehen können, vor allem wenn das System auf Meso- oder Makroebene eingeführt wird. So könnte bei den Schüler*innen das Gefühl des Zwangs entstehen, der Kontrolle der Lehrkraft bzw. der Schule ausgeliefert zu sein, was dem Vertrauensverhältnis dieser beiden Parteien nicht gerade zuträglich ist.17 Und da hilft auch kein Transparentmachen jeglicher Datenverarbeitung in AGBs, wenn das Ablehnen zur Folge hat, dass sich die Dienste gar nicht erst nutzen lassen.18

2.3 Zusammenfassung

Chancen und Risiken von Learninganalytics

Chancen und Risiken von Learning Analytics I Team DigitaleLehre des ZfL der Universität zu Köln (https://zfl.uni-koeln.de/) I CC BY SA 4.0 (https://creativecommons.org/licenses/by- sa/4.0/)

3. Herausforderungen

Worauf müssen sich Lehrkräfte und Schulen also einstellen, sollte Learning Analytics auch in ihrer Schule eingeführt werden? Welche Voraussetzungen gibt es, damit der Einsatz solcher Systeme erfolgreich gelingt? Wichtige Gelingenskriterien finden wir vor allem in den Bereichen Ethik, Technologie und Didaktik.

  1. Nutzungsbereitschaft: Die maßgebliche Voraussetzung für eine gelungene Einführung eines Learning-Analytics-Tools ist die, dass alle Beteiligten den Einsatz eines solchen System akzeptieren und ihm vertrauen. Für Lernende bedeutet dies, dass sie sich dazu bereiterklären, ihre Daten zu teilen, während Lehrende sich dazu bereiterklären müssen, Learning Analytics in ihren Unterricht zu integrieren.19 Und auch seitens der Schule muss die Bereitschaft vorhanden sein, statistische Daten als Entscheidungsgrundlage heranzuziehen.20
  2. Datensicherheit: Da es sich bei den erhobenen Daten um hochsensible Informationen handelt, muss der Datenschutz sichergestellt sein. Ein Beispiel für den verantwortungsbewussten und ethisch angemessenen Umgang solcher Daten ist der sogenannte Verhaltenskodex für Trusted Learning Analytics21, der von der Goethe-Universität und der TU Darmstadt entwickelt wurde und an die individuellen Bedürfnisse einer Institution angepasst werden kann.22
  3. Datenkontrolle: Die verantwortungsvolle Nutzung von Learning-Analytics-Systemen setzt voraus, dass jederzeit Transparenz darüber herrscht, welche Daten erhoben werden und welche Ergebnisse daraus hervorgehen. Ebenso muss das System die Möglichkeit bieten, der Verarbeitung der Daten zu widersprechen. Nur so haben Nutzer*innen selbst die Kontrolle darüber, ob sie die Vorteile von Learning Analytics wahrnehmen wollen oder nicht.23
  4. Performanz: Da eine effektive Nutzung von Learning Analytics nur möglich ist, wenn enorme Datenmengen erhoben werden, muss sichergestellt sein, dass das System leistungsfähig und die technische Infrastruktur der Schule funktionsfähig ist.24
  5. Kompetenzentwicklung: Zuletzt ist nicht nur die Nutzungsbereitschaft, sondern auch die Fähigkeit der Anwender*innen, mit einem Learning-Analytics-Tool umzugehen, essenziell für den erfolgreichen Einsatz dieser Technologie.25 Die analysierten und auf Dashboards komprimiert dargestellten Daten dürfen nicht bloß hingenommen, sondern sollten kritisch hinterfragt werden.26 So müssen beispielsweise Leistungen, die außerhalb der digitalen Welt erbracht werden, sowie bestimmte Begabungen der Schüler*innen ebenso für eine umfassende Analyse berücksichtigt werden. Lehrkräfte müssen also die Auswertungsmöglichkeiten, die mit dieser Technologie verbunden sind, erst erlernen, um angemessen auf die Ergebnisse reagieren zu können.27

DataSkop – Die gemeinnützige Organisation „AlgorithmWatch“ hat die Plattform DataSkop ins Leben gerufen, um mittels freiwilliger Datenspenden herauszufinden, wie algorithmische Systeme funktionieren. Mit dem Forschungsprojekt sollen Menschen die Fähigkeit erlangen, mit Daten informiert umzugehen, sich sicher in digitalen Umgebungen zu bewegen sowie die Strukturen eines Algorithmus zu erkennen und zu verstehen.

Ablauf Dataskop

Dataskop.net (CC BY 4.0).

Einführung in die KI –  KI? Was ist das eigentlich? Dieser Kurs gibt einen Überblick.

Foto: Alex Knight von Unsplash

4. Learning Analytic-Tools: Eine Auswahl

Kostenlose Nutzung

1. Moodle Learning Analytics API:

  • Prognose von Kursabbrüchen sowie vom Nichterreichen von Kursabschlüssen und Kernkompetenzen
  • Möglichkeit zum Hinzufügen eigener Algorithmen

2. S-BEAT (Studenten Beratungs- & Analysetool) :

  • Frühzeitige automatisierte Erkennung kritischer Studienverläufe, z. B. durch Erkennung von Schiebeverhalten bei Prüfungen oder von Über- und Unterforderung sowie Tracking des Lernfortschritts

3. Student Explorer (University of Michigan)

  • Risikoeinstufung von Lernenden durch Analyse und Vorhersage des Studienverlaufs

4. Duolingo für Schulen

  • Sprachlern-App und Lernplattform
  • Verwendung von Machine-Learning-Algorithmen, um jeder/jedem Lernenden Inhalte mit dem richtigen Schwierigkeitsgrad anzubieten
  • Forschungsergebnisse von Duolingo

5. Khan Academy

  • Die Schüler üben in ihrem eigenen Tempo, indem sie zunächst Lücken in ihrem Verständnis füllen und dann ihr Lernen beschleunigen
  • Zuverlässige Übungen und Lerninhalte (umfasst Mathematik, Naturwissenschaften und vieles mehr)
  • Lehrkräfte können Lücken im Verständnis ihrer Schüler erkennen, Anleitungen maßschneidern und den Bedürfnissen jedes Lernenden entsprechen

Forschungsprojekte

1. LOCO-Analyst

  • Rückmeldung zu Lernaktivitäten, Verständlichkeit der Kursmaterialien sowie sozialen Interaktionen
  • In Lernmanagementsysteme integrierbar

2. OUAnalyse (Open University of Australia) 

  • Wöchentliche Vorhersage der Einreichungs- und Bestehenswahrscheinlichkeit für abzugebende Übungen, visualisiert durch Ampelsystem

3. Intelligentes Tutorielles System (ITS) Area9 Rhapsode

  • Sachsen und Mecklenburg-Vorpommern: testen den Einsatz von Künstlicher Intelligenz in Schulen anhand des Systems „ITS Area9 Rhapsode“
  • Entwickelt vom dänischen Unternehmen Area9 Lyceum
  • Bereits von Kindern in Dänemark und Großbritannien genutzt
  • Vollautomatisierte Anpassung des Lernwegs
  • Selbstständige Erkennung, wann der/die Schüler*in einen Lernbereich verstanden hat

4. Projekt “HyperMind”

  • Entwicklung eines antizipierenden Physikschulbuchs
  • Soll zu einem dynamisch-adaptiven persönlichen Schulbuch werden und individuelles Lernen ermöglichen
  • Statische Struktur des klassischen Buches wird aufgelöst, stattdessen werden Buchinhalte portioniert und die resultierenden Wissensbausteine assoziativ verlinkt
  • Zusätzlich werden die Bausteine mit multimedialen Lerninhalten ergänzt, die auf Basis von Aufmerksamkeits(blick-)daten abrufbar sind

Kostenpflichtige Nutzung

1. Bettermarks 

  • Online-Lernsystem für den Mathematikunterricht mit personalisierten Aufgaben für jede*n Schüler*in
  • Direkte Rückmeldungen mit Hilfestellungen

2. Student Success Platform (SEAtS Software)

  • Auf Mikro-, Meso- und Makroebene einsetzbar
  • Analyse von Studienverläufen und Vorhersage des Studienverlaufs sowie Messung neu eingeführter institutioneller Maßnahmen

Weiterführender Link:

5. Fazit

Bei allem Risiko beim Einsatz von Learning Analytics und den damit verbundenen Herausforderungen, die es zu meistern gilt, wird eins deutlich:

Die Technologie birgt ein hohes Potenzial, Lehrkräfte auf administrativer Ebene zu unterstützen. Lehrende werden entlastet, indem ihnen das Tool einen Überblick über die Fähigkeiten eines Lernenden gibt. Auf diese Weise werden Freiräume geschaffen, um pädagogisch mehr wirken zu können. Trotz all der Befürchtungen, Learning Analytics könnte bald den Berufsstand des/der Lehrer*in ablösen, kann getrost dagegen gehalten werden, dass Lehrer*innen nicht nur zur umfassenden Interpretation der Daten benötigt werden, sondern auch zur Vermittlung sozialer Kompetenzen. Denn Lehre ist und bleibt weitaus mehr als Datenanalyse.

Herz aus Einsen und Nullen

Foto: Alexander Sinn von Unsplash

Quellen
 1 Vgl. e‑teaching.org (2018, 20. März). Learning Analytics. Abgerufen am 17. Mai 2022, von https://www.e-teaching.org/didaktik/qualitaet/learning_analytics 2 Vgl. Schmid, U., Blanc, B., Toepel, M., Pinkwart, N., Drachsler, H. (2021). KI@Bildung: Lehren und Lernen in der Schule mit Werkzeugen Künstlicher Intelligenz. Schlussbericht im Auftrag der Telekom Stiftung. Berlin, Essen, Bonn: mmb Institut GmbH. https://www.telekom-stiftung.de/sites/default/files/files/media/publications/KI%20Bildung%20Schlussbericht.pdf 3 Vgl. e‑teaching.org (o.D.). Positionen zu Learning Analytics. Abgerufen am 17. Mai 2022, von https://www.e‑teaching.org/community/meinung/positionen-zu-learning-analytics  4 Vgl. Köchling, A. & Kaiser, H. (o.D.). Learning Analytics: Die digitale Zukunft des Lernens. Netzwerk Digitale Bildung #ZukunftLernen. Abgerufen am 17. Mai 2022, von https://www.netzwerk-digitale-bildung.de/learning-analytics-die-digitale-zukunft-des-lernens/ 5 Vgl. ebd. 6 Vgl. Bernd, M., Brandt, S., Burchardt, A., Dufentester, C., Etsiwa, B., Gloerfeld, C., Kravčík, M., Mah, D., Pinkwart, N., Rampelt, F., Renz, A., Schwaetzer, E., de Witt, C., Wrede, S. (2020). Künstliche Intelligenz in der Hochschulbildung. Whitepaper. FernUniversität in Hagen, Stifterverband für die Deutsche Wissenschaft e.V., DFKI (Deutsches Forschungszentrum für Künstliche Intelligenz GmbH). https://ki-campus.org/sites/default/files/2020–10/Whitepaper_KI_in_der_Hochschulbildung.pdf 7  Vgl. Köchling & Kaiser, o.D. 8  Vgl. Bernd et al., 2020, S. 14. 9 Vgl. Ionica, L. (2016, 4. Mai). Learning Analytics in der Hochschullehre. Hochschulforum Digitalisierung. Abgerufen am 17. Mai 2022, von https://hochschulforumdigitalisierung.de/de/blog/learning-analytics-hochschullehre 10 Vgl. Fokken, S. (2022, 25. Januar). Lehrermangel an Schulen – Bildungsforscher hält Berechnungen der Kultusminister teilweise für »unseriös«. Spiegel Panorama. Abgerufen am 17. Mai 2022, von https://www.spiegel.de/panorama/bildung/lehrermangel-an-schulen-bildungsforscher-haelt-kmk-berechnungen-teilweise-fuer-unserioes-a-27193b0a-7537–46ee-b06b-be6bb6094c4d 11 Vgl. Hartong, S. (2019, November). Learning Analytics und Big Data in der Bildung. Zur notwendigen Entwicklung eines datenpolitischen Alternativprogramms. Gewerkschaft Erziehung und Wissenschaft. Abgerufen am 17. Mai 2022, von https://www.gew.de/index.php?eID=dumpFile&t=f&f=91791&token=702ec8d5f9770206a4aa8a1079750ec9021b90bf&sdownload 12 Vgl. e‑teaching.org, o.D.. 13 Vgl. Hartong, 2019, S. 11. 14 Vgl. Köchling & Kaiser, o.D.. 15 Vgl. ebd. 16 Vgl. ebd. 17 Vgl. e‑teaching.org, o.D.. 18 Vgl. Hartong, 2019, S. 18. 19 Vgl. Peters, R. & Bovenschulte, M. (2020). Learning Analytics – Potenzial von KI-Systemen für Lehrende und Lernende. Themenkurzprofil Nr. 42. Büro für Technikfolgen-Abschätzung beim Deutschen Bundestag (TAB), hier S. 4f.https://www.bundestag.de/resource/blob/845926/d5a0554dd04097c1288776f10fc85e00/Themenkurzprofil-042-data.pdf 20 Vgl. Dittmann, A. (o.D.). Mit Learning Analytics zu mehr Qualität in der Hochschullehre. Whitepaper. Hochschulforum Digitalisierung. Abgerufen am 17. Mai 2022, von https://hochschulforumdigitalisierung.de/en/node/781 21 Hansen, J., Rensing, C., Herrmann, O., Drachsler, H. (2020). Verhaltenskodex für Trusted Learning Analytics. Version 1.0. Entwurf für die hessischen Hochschulen. Frankfurt am Main: Innovationsforum Trusted Learning Analytics, hier S. 18. https://doi.org/10.25657/02:18903 22 Vgl. Frye, B., Sauter, A., Hardy, A., Frank, D., Bernards, M., Folkerts, I., Frerichs, K., Jaspers, U. (2020, 25. März). „Verhaltenskodex für Trusted Learning Analytics“: Verantwortungsvoller Umgang mit Lerndaten von Studierenden. Goethe-Universität Frankfurt am Main. Abgerufen am 17. Mai 2022, von https://aktuelles.uni-frankfurt.de/studium/verhaltenskodex-fuer-trusted-learning-analytics-verantwortungsvoller-umgang-mit-lerndaten-von-studierenden/ 23 Vgl.e‑teaching.org, o.D.. 24 Vgl. Dittmann, o.D. 25 Vgl. Peters & Bovenschulte, 2020, S. 5. 26 Vgl. Hartong, 2019, S. 13f. 27 Vgl. Köchling & Kaiser, o.D.
Stories für die Schule