• Über WordPress
    • WordPress.org
    • Dokumentation
    • Support
    • Feedback
  • Anmelden
  • Unsere Angebote

    Online-Kurse

    • BFP Begleitkurs Digital
    • Big Data Literacy
    • Digital gegen Antisemitismus
    • eTeaching Expert
    • EOP Begleitkurs Digital
    • Facharbeit schreiben
    • Praxissemester Digital
    • Veränderung in der Schule bewirken
    • Visionsentwicklung

    Lernmodule

    • Bildungschancen
    • Coaching und Beratung
    • Digitale Lernmaterialien
    • Diversität
    • Sonderpäd. Materialien
    • Methoden
    Teaser für die Fortbildung eTeaching Expert

    eTeaching Expert

    Das Schul­netz­werk im ZfL hat eine kos­ten­freie Fort­bil­dung zum eTea­ching Expert kon­zi­piert, die einen Online-Kurs und einen Blog mit eTea­ching ‑Impu­len beinhaltet.

    Weiterlesen

  • Zum ZfL
Digitale Lehre
  • Unsere Angebote

    Online-Kurse

    • BFP Begleitkurs Digital
    • Big Data Literacy
    • Digital gegen Antisemitismus
    • eTeaching Expert
    • EOP Begleitkurs Digital
    • Facharbeit schreiben
    • Praxissemester Digital
    • Veränderung in der Schule bewirken
    • Visionsentwicklung

    Lernmodule

    • Bildungschancen
    • Coaching und Beratung
    • Digitale Lernmaterialien
    • Diversität
    • Sonderpäd. Materialien
    • Methoden
    Teaser für die Fortbildung eTeaching Expert

    eTeaching Expert

    Das Schul­netz­werk im ZfL hat eine kos­ten­freie Fort­bil­dung zum eTea­ching Expert kon­zi­piert, die einen Online-Kurs und einen Blog mit eTea­ching ‑Impu­len beinhaltet.

    Weiterlesen

  • Zum ZfL

Was sagen Daten über das Lernen aus?

Startseite » Big Data Literacy » Was sagen Daten über das Lernen aus?

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

https://​digi​leh​re​.zflko​eln​.de/​w​p​-​c​o​n​t​e​n​t​/​u​p​l​o​a​d​s​/​a​u​d​i​o​s​t​o​r​y​_​l​e​a​r​n​i​n​g​_​a​n​a​l​y​t​i​c​s​3​_​c​u​t​4​_​n​o​r​m​a​l​i​s​i​e​r​t​_​b​e​a​r​b​e​i​t​e​t​.​wav

Wei­te­re Links zur Audiostory:

  • Über­sicht zum Fil­men im Sport­un­ter­richt von der Uni Münster
  • OER-Such­ma­schi­ne Wir­Ler­nenOn­line: Unter­richts­fach Sport
  • Pres­se­mel­dung der Deut­schen Sport­hoch­schu­le: KI und Bewegungsanalyse

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 free​board​.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:

  • Lear­ning Ana­lystics — e‑teaching.org
  • Exper­ti­se Lear­ning Ana­ly­tics — Künst­li­che Intel­li­genz in den Bil­dungs­wis­sen­schaf­ten (Prof. Dr. Kers­tin Mayr­ber­ger) — Digi­ta­les Deutschland

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:

  • Daten und Lernmanagementsysteme
  • Indi­vi­dua­li­sier­tes Ler­nen mit digi­ta­len Medien
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: 

  • KI@Bildung: Leh­ren und Ler­nen in der Schu­le mit Werk­zeu­gen Künst­li­cher Intelligenz

Ein­satz­be­rei­che von KI in Schu­le I AG Digi­tale­Leh­re des ZfL der Uni­ver­si­tät zu Köln (https://​zfl​.uni​-koeln​.de/) I CC BY SA 4.0 (https://​crea​ti​vecom​mons​.org/​l​i​c​e​n​s​e​s​/​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 AG Digi­tale­Leh­re des ZfL der Uni­ver­si­tät zu Köln (https://​zfl​.uni​-koeln​.de/) I CC BY SA 4.0 (https://​crea​ti​vecom​mons​.org/​l​i​c​e​n​s​e​s​/​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
Data​skop​.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
  • Wei­te­re Infor­ma­tio­nen fin­den Sie in die­sem Video

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:

  • Über­sicht über Lear­ning-Ana­ly­tics-Anwen­dun­gen für den Hochschuleinsatz

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​.netz​werk​-digi​ta​le​-bil​dung​.de/​l​e​a​r​n​i​n​g​-​a​n​a​l​y​t​i​c​s​-​d​i​e​-​d​i​g​i​t​a​l​e​-​z​u​k​u​n​f​t​-​d​e​s​-​l​e​r​n​e​ns/

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://​hoch​schul​for​um​di​gi​ta​li​sie​rung​.de/​d​e​/​b​l​o​g​/​l​e​a​r​n​i​n​g​-​a​n​a​l​y​t​i​c​s​-​h​o​c​h​s​c​h​u​l​l​e​hre

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/​i​n​d​e​x​.​p​h​p​?​e​I​D​=​d​u​m​p​F​i​l​e​&​t​=​f​&​f​=​9​1​7​9​1​&​t​o​k​e​n​=​7​0​2​e​c​8​d​5​f​9​7​7​0​2​0​6​a​4​a​a​8​a​1​0​7​9​7​5​0​e​c​9​0​2​1​b​9​0​b​f​&​s​d​o​w​n​l​oad

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​.bun​des​tag​.de/​r​e​s​o​u​r​c​e​/​b​l​o​b​/​8​4​5​9​2​6​/​d​5​a​0​5​5​4​d​d​0​4​0​9​7​c​1​2​8​8​7​7​6​f​1​0​f​c​8​5​e​0​0​/​T​h​e​m​e​n​k​u​r​z​p​r​o​f​i​l​-​0​4​2​-​d​a​t​a​.​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://​hoch​schul​for​um​di​gi​ta​li​sie​rung​.de/​e​n​/​n​o​d​e​/​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/​1​0​.​2​5​6​5​7​/​0​2​:​1​8​903

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://​aktu​el​les​.uni​-frank​furt​.de/​s​t​u​d​i​u​m​/​v​e​r​h​a​l​t​e​n​s​k​o​d​e​x​-​f​u​e​r​-​t​r​u​s​t​e​d​-​l​e​a​r​n​i​n​g​-​a​n​a​l​y​t​i​c​s​-​v​e​r​a​n​t​w​o​r​t​u​n​g​s​v​o​l​l​e​r​-​u​m​g​a​n​g​-​m​i​t​-​l​e​r​n​d​a​t​e​n​-​v​o​n​-​s​t​u​d​i​e​r​e​n​d​en/

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

Übersicht:

  • Big Data Literacy
    • Über diesen Kurs
    • Fachlicher Hintergrund
      • Leben in der Datengesellschaft
      • Wechselwirkungen zwischen Mensch, Digitaltechnologie und sozialer Welt
      • Was ist “Big Data”?
      • Datenrationalität, Glaube und Diskriminierung
      • Big Data und der „Überwachungskapitalismus“
      • Was bedeutet “Big Data Literacy”?
    • Stories für die Schule
      • Warum ich etwas zu verbergen habe?
      • Wie kann ich selbst mit Daten forschen?
      • Was sagen Daten über das Lernen aus?
      • Was kann ich tun?
    • Literaturliste und weiterführende Hinweise

Fragen oder Probleme?
zfl-digitalelehre@uni-koeln.de


Impressum
Datenschutzvereinbarung

Login

Login with your site account

Lost your password?