Content uploaded by Martin Ebner
Author content
All content in this area was uploaded by Martin Ebner on Mar 19, 2018
Content may be subject to copyright.
Learning Analytics an Schulen - Hintergrund und
Beispiele
AutorInnen:Markus Ebner /Martin Ebner
Der Einsatz von digitalen Technologien im Alltag der Jugend ist selbstverständlich geworden und hat das Potenzial,
die Art und Weise wie wir Lehren und Lernen konziperen und verstehen, tiefgreifend zu verändern. Markus und
Martin Ebner handeln erneut von der Medienkompetenz ...
Abstract
Der Einsatz von digitalen Technologien im Alltag der Jugend ist selbstverständlich geworden. Die Schülerinnen und
Schüler haben die Möglichkeit mit Hilfe von Geräten wie Computern, Tablets und Smartphones Zugang zu
Informationen, Kursmaterialien und Übungen zu erhalten. Die dadurch gewonnenen Daten haben das Potential die
Art und Weise wie wir Lehren und Lernen tiefgreifend zu verändern. In diesem Beitrag sollen die Möglichkeiten und
die Entwicklung von Learning Analytics im Bildungswesen näher betrachtet und die Rolle der Lehrenden und
Lernenden beleuchtet werden. Es wird ein Ausschnitt von am Markt befindlichen Werkzeugen geboten und anhand
von ausgewählten Beispielen und Fallstudien der Mehrwert des Einsatzes aufgezeigt und diskutiert. Abschließend
werden Datenschutzfragen und Potenziale für die Zukunft besprochen.
I. Einleitung
Die junge Generation von Schüler/innen ist es gewohnt von verschiedenen Technologien umgeben zu sein.
Internetzugang immer und überall ist zum Standard für die breite Masse geworden (Nagler et al., 2017). Die Welt
befindet sich in einem Wandlungsprozess und man muss sich die Frage stellen, ob die Art und Weise des Lehrens
als auch Lernens noch effektiv genug für die Herausforderungen der Zukunft ist. Ein Wandel wurde bereits durch
den Einsatz von Web 2.0 Technologien ausgelöst (O'Reilly, 2006). Durch die darauf folgende immer stärker
voranschreitende Digitalisierung unseres Lebens, eröffnen sich immer neue Möglichkeiten moderne Technologien
auch in verschiedenen Lehr- und Lernszenarien einzusetzen. Durch den vermehrten Gebrauch von mobilen
Anwendungen als auch Web-Anwendungen kann eine noch nie dagewesene Menge an Benutzer/innen-
spezifischen Daten bei den Interaktionen gesammelt werden. Um aus diesen Daten "überschaubare Typen, Profile,
Cluster und darauf bezogen typische inhaltsbezogene Abfolgen" zu erkennen, um daraus "pädagogische
Handlungen" abzuleiten, hat sich der Forschungsbereich von Educational Data Mining (EDM) etabliert (Ebner &
Schön, 2013a). Um den Daten Herr zu werden, werden Methoden und Ansätze aus der Pädagogik, Informatik und
Statistik genutzt (vgl. Romero & Ventura, 2013). Beschäftigt sich EDM primär mit der automatischen Vorhersage
und Empfehlung für Lernende, konzentriert sich Learning Analytics (LA) darauf die Lehrenden "im Zentrum des
pädagogischen Handelns" zu belassen (Ebner & Schön, 2013a). Dazu werden den Lehrenden verschiedene
Werkzeuge und Handlungsleitfäden zur Verfügung gestellt welche Lernprozesse, -aktivitäten und -erfolg sichtbar
machen sollen (Grandl et. al., 2017). Die gesammelten Daten werden zumeist visuell aufbereitet zur Verfügung
gestellt und sollen beim Treffen von Entscheidungen unterstützen. Um die gewonnen Einsichten in die
Lernprozesse in konkrete Vorgehensweisen umzusetzen sind nach Ebner et al. (2015) sieben Aspekte zu
beachten: Das Lernen verbessern, Datenschutz und Vertraulichkeit, Lernen als Prozess, Visuelles Feedback - Den
Lernprozess sichtbar machen, Pädagogische Interventionen - Entscheidungen im Lernprozess treffen, Zentrale
Sammlung von Daten und Einsichten in die Struktur des Wissens. (vgl. Grandl et. al., 2017)
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 1 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Das Ziel von LA ist also eine bessere Einschätzung zu ermöglichen und unterstützend im Lernprozess mitzuwirken.
Da immer mehr und verschiedene Technologien im heutigen schulischen Unterricht integriert werden, gibt es
vielfältige Möglichkeiten das zukünftige Lernen besser zu gestalten (Campbell et al., 2007).
Dieses (fast zu) schnelle Voranschreiten des digitalen Wandels lässt neue Problemfelder entstehen, welche einen
interdisziplinären Ansatz in Betrachtung und Herangehensweise benötigen. Sie kann nicht durch, wie erwähnt, ein
Fachgebiet (wie z. B. der Pädagogik, Informatik, Psychologie, usw.) alleine gelöst werden. Es wird notwendig
darüber nachzudenken, wie durch die vorhandene Technologie ein Mehrwert geschaffen werden kann. Betrachtet
man den angloamerikanischen Raum findet man die EDTech-Community (Wittke, 2017) und die dort bereits
geschaffenen Berufsfelder des Educational Technologist oder Instructional Designer (Schön et al, 2014). Daraus
abgeleitet etabliert sich das Feld der Bildungsinformatik im deutschsprachigen Raum als pedant zum
angloamerikanischen Raum. Diese setzt sich für informatische Lösungen zu Bildungszwecken ein, berücksichtigt
dabei die Gesichtspunkte der Mediendidaktik als auch die Grundsätze der Lerntheorie. Angelehnt an einzelne
Fachdisziplinen werden die primären Forschungsmethoden nach Schön & Ebner (2013) beschrieben: (1)
hypothesen- und theorienprüfende Vorgehensweisen, (2) hypothesen- und theoriengenerierende Verfahren, (3)
anwendungsorientierte und gestaltende Verfahren, die neuartige Systeme und Konzepte entwickeln und prüfen
(vgl. Ebner et al., 2018).
Dieser Artikel soll einen Überblick über die Themen Learning Analytics, Ziele und Interessensgruppen schaffen.
Nach einem Überblick über ausgewählten am Markt befindlichen Werkzeugen wird anhand von zwei Beispielen der
Mehrwert diskutiert und das spielerische Lernpotenzial dargelegt. Abschließend werden wichtige Fragen zum
Datenschutz, Ethik und Urheberrecht aufgeworfen.
II. Learning Analytics
Im NMC Horizon Report 2017 K-12 Edition werden verschiedene "Key Trends" der nächsten Jahre gelistet und
näher beschrieben. Einer der Trends welcher mittelfristig prognostiziert wird, ist das Messen von Lernleistungen
unter Zuhilfenahme von computerunterstützten Analysemethoden (Freeman et al., 2017). Darunter wird die
laufende Erfassung und qualitative Verarbeitung von lernenden-bezogenen Daten verstanden. Der schnelle
Vormarsch von (Big-)Data-Mining-Software und Online-Lernumgebungen macht es nötig Learning Analytics und
dazu passende Visualisierungsmöglichkeiten in den Lernalltag zu integrieren und den Lernenden als auch
Lehrenden in geeigneter Weise bereit zu stellen. (vgl. AASA, 2002; Freeman et al., 2017). Ebner & Schön (2013b)
beschreiben Big Data als "eine unüberschaubare Anhäufung von Daten durch die Nutzung verschiedener
webbasierter Dienste zu deren Analyse und Interpretation". Diese Daten mit unterschiedlicher Struktur werden von
den Benutzerinnen und Benutzern bei der Interaktion mit der Lernumgebung produziert (vgl. Khalil & Ebner, 2015).
II.1 Begriffsdefinition
Erstmalig wurde der Begriff Learning Analytics (LA) als mögliche "key opportunity" (ideale Gelegenheit) bei John
Mitchell und Stuart Costello (2000) erwähnt. Es vergehen aber noch ein paar Jahre bis auf der ersten Learning
Analytics & Knowledge Konferenzen (LAK) 2010 sich ein Konsens zum Begriff etabliert hat: "Learning Analytics is
the use of intelligent data, learner-produced data, and analysis models to discover information and social
connections, and to predict and advise on learning" (Siemens, 2010). Man versteht darunter also die die
Interpretation von Lerner-spezifischen Daten, um den individuellen Lernprozesse von Studierenden gezielt zu
unterstützen und zu verbessern. Dabei werden dem Lehrenden Werkzeuge oder Tools bereitgestellt um
Informationen sichtbar zu machen, die sonst eventuell nicht zugänglich wären. Dabei bleibt der/die Lehrende im
Zentrum des pädagogischen Handelns (Ebner & Schön, 2013a). Seit der Erwähnung auf der LAK erfährt dieser
Forschungsbereich stetigen Aufschwung (Buckingham Shum & Deakin Crick, 2012). Weitere
Forschungspublikationen verfeinerten die Definition hin zu mehr studentischen Aktivitäten (Duval, 2010) oder
schlugen deskriptive Modelle und Frameworks vor (vgl. Siemens, 2011; Elias, 2011; Greller & Drachsler, 2012;
Cooper, 2012; Chatti et al., 2012; Friesen, 2013).
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 2 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
II.2 Ziele von Learning Analytics
Grandl et al. (2017) beschreibt die 5 Ziele welche mit Hilfe von Learning Analytics, in Abhängigkeit der gewählten
Lernumgebung und den erfassten Datensätzen, zur Optimierung der Lehr- und Lernprozesse beitragen können:
1. Vorhersagen und Eingreifen: Unbekannte Werte sollen vorhersehbarer und prognostizierbarer werden.
Dadurch kann die die Lernaktivität besser bewertet und Maßnahmen sowie Handlungen abgeleitet werden.
Risikogruppen werden identifizierbar und Hilfestellungen können angeboten werden.
1. Empfehlungen: Auf Grundlage der durch Learning Analytics ausgewerteten Daten sollen Empfehlungen in
verschiedenen Bereichen ausgesprochen werden. Dies kann eine Hilfestellung bei der Wahl der nächsten
Übung sein oder welches Buch einem vielleicht interessieren würde.
1. Personalisierung des Lernprozesses: Aufgrund der Lernaktivität und der bereitgestellten Informationen soll
es den Benutzerinnen und Benutzern möglich sein die genutzte Lernumgebung individuell zu gestalten.
Dadurch wird eine adaptierte, individualisierte Umgebung geschaffen, welche sich positiv auf die Lernleistung
auswirkt.
1. Reflexion und Iteration: Reflektion über das in der Lernumgebung gewonnene Feedback. Dieses kann in die
zukünftige Nutzung einfließen und führt dadurch zu einer besseren und motivierteren Lernerfahrung.
1. Leistungsvergleich: Um Schwachstellen in der gewählten Lernumgebung aufzudecken wird analysiert welche
die geeigneten Methoden bzw. Verfahren zur Erreichung der Ergebnisse sind. Dadurch kann ein hoher Grad
an Zuverlässigkeit garantiert und das System weiter optimiert werden.
II.3 Interessensgruppen von Learning Analytics
Abgeleitet aus den Zielen von Learning Analytics ergeben sich nach Grandl et al (2017) verschiedene
Interessensgruppen die gleichermaßen von LA Maßnahmen in der Schule profitieren:
Lernende: Sie bilden die größte Interessensgruppe und zielen auf einer Erhöhung der Lernperformance und
der Optimierung des Lernprozesses ab. Personalisiertes Online-Lernen soll ermöglicht und Feedback
dargeboten werden.
Lehrende: Diese Gruppe ist an einer Optimierung der gewählten Lernmethoden interessiert. Durch die
gewonnen Daten und Rückmeldungen der Aktivitäten der Lernenden eröffnen sich dank Learning Analytics
neue Wege um auf die Bedürfnisse der Lernenden individuell einzugehen.
Forscher/innen: Sie nutzen die gewonnen Daten um Kursvergleiche und Evaluierungen durchzuführen. Neue
didaktische Modelle können entwickelt und bestehende optimiert werden. Im Interesse steht auch die
Gewinnung von Rückschlüssen auf das Lernverhalten und Lernprozesse.
Bildungsinstitutionen: Ziele die durch diese Institutionen festgelegt wurden, können so ggf. effizienter
erreicht werden. Niedrigere Ausfallraten, besseres abschneiden der Schüler/innen, Steigerung der
Lernperformance, Verbesserung von Curricula sollen hier als ein paar Beispiele genannt werden.
II.4 Gamification
Wer kann sich nicht zurück erinnern als im Jahr 2016 mit dem Launch von Pokémon Go Nintendo und Niantic
einen unglaublichen Hype verursachten. Das stetige Wachstum in der Spieleindustrie mit geschätzten 90 Milliarden
Euro Umsatz pro Jahr (McDonald, 2017) zeigen: Die Menschen lieben es Spiele zu spielen. Das gilt auch für den
Bildungsbereich: Game-based-Learning-Ansätze und Gamification spielen eine zunehmend immer wichtigere
Rolle. Dabei wird Gamification als "die Übertragung von spieltypischen Elementen und Vorgängen in spielfremde
Zusammenhänge mit dem Ziel der Verhaltensänderung und Motivationssteigerung bei Anwenderinnen und
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 3 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Anwendern" bezeichnet (Bendel, 2018). "Zu den spieltypischen Elementen gehören Beschreibungen (Ziele,
Beteiligte, Regeln, Möglichkeiten), Punkte, Preise und Vergleiche. Zu den spieltypischen Vorgängen zählt die
Bewältigung von Aufgaben durch individuelle oder kollaborative Leistungen." (Bendel, 2018). Dieser Ansatz weckte
erst 2010 bei den Forscherinnen und Forschern das Interesse (Deterding et al., 2011; Hamari et al, 2014). Zu
dieser Zeit besaß fast jedes Kind im Alter von 15 Jahren in Mitteleuropa ein Smartphone oder Tablet (Hannak et al.,
2012). Heute besitzt nahezu jedes Kind in Österreich im Alter von 10 Jahren ein eigenes Gerät (Grimus & Ebner,
2014). Diese immer leistungsfähiger gewordenen Geräte können daher sehr gut für Lernzwecke genutzt werden.
Prensky (2003) mutmaßte, dass Kinder bis zu 10.000 Stunden mit Computerspielen verbringen bevor sie 21 Jahre
alt werden. Darüber hinaus ergab eine Umfrage unter 2000 Kindern, dass sie täglich eine Stunde Videospiele
spielen (Rideout et al, 2010). Die neueste JIM-Studie sagt, dass "Drei von fu?nf Jugendlichen regelmäßig digitale
Spiele" spielen (Feierabend et al., 2017) Nach einem etwas holprigen Start stellt es heute kein Problem mehr dar
Spiele mit erzieherischem Wert, welche gleichzeitig auch Spaß machen, zu entwickeln (van Eck, 2006).
Gamification spielt insbesondere bei Learning-Analytics-Applikationen eine große Rolle, weil dadurch eine
unmittelbare Rückmeldung für Lernende eingebaut werden kann, welche sich positiv auf die Motivation auswirken
kann.
III. Learning Analytics an Schulen
Lern-Management-Systeme (LMS) werden mittlerweile fast überall in der einen oder anderen Weise genutzt, nicht
nur im tertiären Bildungssektor sondern zunehmend auch an Schulen. Hauptsächlich dazu um Material, Quizze und
einfache Tests anzubieten. Es stellt für die Kursleiter/innen eine bequeme Möglichkeit dar, Material in der Klasse zu
verteilen, Ankündigungen zu machen oder Fragen zu beantworten. Im Bereich Learning Analytics befinden sich
hier noch weniger Tools in Verwendung. Diese geringe Verbreitung ist wohl drauf zurück zu führen, dass die
Entwicklungen meist lokal oder regional durchgeführt und eingesetzt werden. Auf nationaler oder internationaler
Ebene gibt es noch weniger Initiativen dafür (Gunawardena, 2017), vieles fällt noch in den Bereich der Forschung.
In diesem Kapitel wollen wir verschiedene internationale digitale Werkzeuge und Lernumgebungen vorstellen,
welche an Schulen mit und ohne LA genutzt werden können (vgl. Taraghi et al, 2017; Poth, 2018), um einen
groben Überblick über die am Markt befindlichen Angeboten zu bieten.
ASSISTments[1]: Ein web-basiertes System in dem Lehrer/innen Aufgaben für Schüler/innen mit
Mehrfachantworten vorbereiten können. Dabei wird während der Bearbeitung der Aufgaben direktes Feedback
über die Korrektheit der Antworten zurück geliefert. Zusätzlich können Hinweise hinterlassen werden damit eine
selbstständige Überarbeitung bzw. Verbesserung der Antworten möglich ist. Die Lehrkräfte erhalten über die
Leistungen der Schüler/innen einen Bericht der in weiterer Folge für die Anpassung der Lehrpläne und zur Vergabe
von individuellen Übungen genutzt werden kann umso die Kompetenzen des Kindes gezielt zu fördern. (vgl.
Taraghi et al, 2017)
Bettermarks[2]: Diese Anwendung für den PC, Tablet und Smartphone zielt auf das Erlernen von Mathematik für
Schüler/innen der 4. bis 10. Klasse ab. Nach jeder durchgeführten Aufgabe gibt es individuelle Rückmeldungen
damit die Schüler/innen selbstständig aus den gemachten Fehlern lernen können. Dazu werden die Rechenschritte
analysiert und Schritt für Schritt erklärt. Abgerundet durch verschiedene interaktive Eingabewerkzeuge können
mathematische Konzepte angewendet und erlernt werden. Die Anwendung ist komplett in Deutsch verfügbar,
benötigt jedoch eine Klassen- bzw. Privatlizenz zur Nutzung.
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 4 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
DreamBox[3]: Das primär an Grundschüler/innen und Vorschüler/innen gerichtete System bietet Lernspiele im
Bereich Mathematik an. Dabei werden teilweise interaktive Geschichten genutzt um die Kinder spielerisch an das
Thema der Mathematik heran zu führen. Incentives (Anreize) werden durch das Erreichen der Ziele in Form von
Auszeichnungen gesetzt. Dabei wird auf eine altersgerechte Schwierigkeitsstufe geachtet indem die Kompetenzen
des Kindes anhand der durchgeführten Übungen analysiert und neue Übungen auf dieser Basis zusammengestellt
werden. Der Fortschritt des Lernens kann von den Elternteilen als auch den Lehrkräften eingesehen werden. Eine
eingeschränkte englische Version ist kostenlos verfügbar, für umfangreichere Funktionalität ist eine Gebühr zu
entrichten. (vgl. Taraghi et al, 2017)
ImagineLearning[4]: Dieses Programm zielt auf interaktive Hilfe im Bereich Mathematik und Sprache (nur in
englischer Sprache verfügbar) für Kinder der Grundstufe ab. Basierend auf ihrem Niveau werden Fähigkeiten
abgefragt und aufgebaut um die nächste Niveaustufe zu erreichen. Kindgerechte Figuren treten als Mentor/innen
auf und helfen den Schüler/innen auf ihrem Weg die Sprache und Mathematik zu erlernen und zu üben. Dieses
Konzept ist teilweise auch als Rätsel-Spiel umgesetzt, durch welchen die Schüler/innen ihren eigenen Pfad durch
die Geschichte beschreiten und Aufgaben lösen muss um weiter voran zu kommen. Lehrer/innen können in einem
eigenen Bereich das Niveau sowie die Leistungen der Kinder einsehen und geeignete Maßnahmen ableiten.
IXL.com[5]: Diese web-basierte Anwendung bietet für den Bereich Mathematik und Englisch Übungen im K-12
Bereich an. Motiviert werden Kinder dadurch, dass es versteckte Schätze und Errungenschaften zu entdecken gibt,
welche in Form von Abzeichen belohnt werden. Der Lernerfolg des Kindes kann von den Lehrkräften und Eltern
eingesehen werden um geeignete Maßnahmen zu ergreifen. Eine eingeschränkte englische Version ist kostenlos
verfügbar, für umfangreichere Funktionalität ist eine Gebühr zu entrichten. (vgl. Taraghi et al, 2017)
Kahn Academy[6]: Das Angebot umfasst nicht-kommerzielles Lehrmaterial in den Bereichen Mathematik,
Naturwissenschaften, Geschichte und Wirtschaft; größtenteils in den Sprachen Englisch und Deutsch. Es werden
Online-Videos zum Selbststudium angeboten und mit weiterführendem Material ergänzt. Die angebotenen
Übungen dienen der Selbstkontrolle des Lernerfolgs und werden aus einem Pool an Aufgaben ausgewählt.
Lehrkräfte können die erhobenen Daten prüfen und so Anpassungen des Lehrplans durchführen. Die individuellen
Kompetenzen des Kindes können auf Basis der erhobenen Daten erkannt und so besser gefördert werden. (vgl.
Taraghi et al, 2017)
Nearpod[7]: Nearpod ist ein spielerisches Tool für mobile Geräte mit dem Kursmaterialien präsentiert und die
verschiedenen Aktivitäten der Schüler/innen bewertet werden können. Lehrer/innen können interaktive Lektionen
erstellen und diese mit verschiedenen Inhalten bereichern um sie z. B. während der Unterrichtszeiten einzusetzen.
Verschiedene Frageformate können zur Überprüfung des Wissens genutzt werden, wie z. B. Kontrollfragen die
schriftlich abgegeben werden oder Multiple-Choice Fragen die während der Einheiten am Tablet beantwortet
werden müssen. Aufgaben wie das Zeichnen von Objekten können am Tablet durchgeführt werden. Besonders
interessant gestaltet sich die Möglichkeit über Smartphones- und Virtual-Reality-Zubehör, wie z. B. einem
Cardboard, interaktive Rundgänge durchzuführen um so weit entfernte Orte aufzusuchen. Eine englische Version
ist für Lehrer/innen kostenlos verfügbar. Verschiedene vorbereitete Module müssen jedoch zugekauft werden.
III.1 Zusammenfassung
Es zeigte sich, dass trotz intensiver Recherche die Angebote noch überschaubar bleiben, insbesondere wenn man
den deutschsprachigen Markt analysiert. Dies zeigt wohl einerseits, dass das Potential von den
Bildungsträger/innen noch nicht erkannt wurde und die Investitionen in den Markt noch ausstehen. Andererseits gilt
es natürlich generelle Hürden und Skepsis zu überwinden.
Gemein bleibt aber allen Angeboten, dass diese aus gesammelten Daten versuchen Übersichten zu erstellen, die
dann den individuellen Lernprozess unterstützen sollen. Also auch bei der geringen Anzahl zeigt sich bereits die
Richtung, welche man mit Learning Analytics einschlagen kann.
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 5 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Dies wollen wir anhand von Fallbeispielen noch weiter vertiefen.
IV. Fallbeispiele basierend auf Forschungsarbeiten
Die Technische Universität Graz (im Detail das Institut for Interactive Systems and Data Science) beschäftigt sich
schon seit 2010 mit Learning-Analytics-Applikationen für Kinder im Primar- und Sekundarstufenbereich (Ebner &
Schön, 2013b). Das Angebot wurde im Laufe der Zeit erweitert und durch weitere Applikationen im Bereich der
Mathematik (Multiplikation, Division, Plus-Minus) und Sprachtraining ergänzt. In weiterer Folge wurden Lern- und
Spieleapplikationen für Smartphones entwickelt. In diesem Kapitel werden zwei dieser Applikationen näher
beschrieben und so ihr Mehrwert in der Nutzung der Klassen aufgezeigt. Zusätzlich wird gezeigt wie anhand von
Gamification dieses Werkzeug auch spielerisch genutzt werden kann. Alle erwähnten und weiteren Anwendungen
können kostenlos unter https://schule.learninglab.tugraz.at/ genutzt werden.
IV.1 Ein-mal-Eins Trainer
Seit 2010 wurden mehrere Mathematiktrainer entwickelt um den Unterricht durch Anwendung von modernen
Technologien zu unterstützen (Ebner & Schön, 2013b). Eine der ersten Entwicklungen stellt der ein-mal-eins
Trainer dar (Schön et al, 2012). Diese web-basierte Anwendung ermöglicht es Kindern selbstständig
Multiplikationsaufgaben zu lösen, wie in Abbildung 1 dargestellt.
Abb.: 1: Spiel in Aktion. Mit der richtigen Antwort verdient man sich Sterne und
über die Punkte können weitere Figuren freigeschalten werden.
Den Lehrerinnen und Lern wird zusätzlich die Möglichkeit einer zielgerichteten pädagogischen Intervention
geboten. Ein Algorithmus errechnet, basierend auf den vorhergehenden Antworten des Kindes, die nächsten
Beispiele und steigert die Schwierigkeit abhängig vom Kompetenzniveau des Kindes. So wird sichergestellt, dass
immer geeignete Übungen ausgewählt und angeboten werden. Auch wird sichergestellt, dass bereits gefestigtes
Wissen immer wieder abgefragt, wiederholt und dadurch gefestigt wird (Taraghi et al., 2016). Bei der Gestaltung
der Oberfläche wurde besonders auf das gewählte Zielpublikum der Kinder im Alter von 7 bis 10 Jahren geachtet
(Kraja et al, 2017).
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 6 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Abb.: 2: Beispielhafte Heatmap einer Klasse, 1x1 links oben bis 10x10 rechts unten.
Die beantworteten Aufgaben werden nach der Richtigkeit der Antworten von dunklem Grün
(sehr gut gekonnt) über helles Grün (gekonnt) bis hin zu dunklem Rot (nicht gekonnt) dargestellt.
Abbildung 2 zeigt den Überblick über den Lernstatus einer Klasse bzw. eines Kindes aus der Sicht einer Lehrerin
bzw. eines Lehrers. Dunkles Grün zeigt an, dass es bei diesen Rechnungen keine Probleme gibt, diese wurden
mehrfach richtig beantwortet. Ein helleres Grün bzw. helleres Rot deutet auf leichte bzw. mittel-schwere
Unregelmäßigkeiten beim Lösen der Aufgabe hin. Ein dunkles Rot zeigt den Bedarf einer pädagogischen
Intervention auf. In diesem Fall kann durch die Lehrkraft oder Eltern eingegriffen und frühzeitig Maßnahmen gesetzt
werden (vgl. Taraghi et al, 2017).
Gamification im mobilen Umfeld
Der 1x1 Trainer Plus ist ein für Android konzipiertes App in dem Kinder spielerisch das 1x1 lernen können. Dabei
gibt es verschiedene Spielmöglichkeiten: Entweder alleine gegen den Computer oder als Duell gegen andere
Spieler/innen. Die Modi können sowohl ohne als auch mit Registrierung auf der LearningApps-Plattform der TU
Graz gespielt werden. Loggt man sich jedoch ein werden die Daten mit dem Server synchronisiert und man kann
sein Trainingsprofil nutzen. Abbildung 3 zeigt ein Spiel gegen den Computer an. Dabei werden vier Lösungen zur
Rechnung präsentiert. In der Mitte sieht man die verbleibende Zeit. Links befinden sich drei Joker die genutzt
werden können: 50:50 Chance, bei der nur noch 2 mögliche Lösungen übrigbleiben, eine Zurückstellung der Zeit
auf 20 Sekunden und der Super-Joker welcher das Ergebnis gleich anzeigt. Neben dieser motivierenden
Oberfläche, werden alle Daten über eine Webschnittstelle wiederum im Profil gespeichert und können wie im
Kapitel "Einmal-Eins-Trainer" abgerufen und eingesehen werden. Kurzum kann man zeigen, dass eine zentrale
Datenbasis genutzt werden kann, die aus unterschiedlichen Applikationen Lerner/innen-Daten sammelt. Eine
Stärke von heutigen Webtechnologien und wesentlich für Learning Analytics.
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 7 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Abb.: 3: Duell gegen den Computer.
IV.2. IDeRBlog
Das Schreiben ist neben dem Lesen und Rechnen eine der grundlegenden Fähigkeiten welche in der Schule zu
Beginn erlernt werden müssen. Unverzichtbar für Beruf und die Teilnahme am gesellschaftlichen Leben ist es
wichtig frühzeitig Defizite zu erkennen um geeignete Maßnahmen zu ergreifen (Ebner et al, 2015). Mit diesem Ziel
wurde das Projekt IDeRBlog[8], welches für "Individuell differenziertes Rechtschreiben mit Blogs" steht, ins Leben
gerufen. Dabei wird Kindern im Alter von 8 bis 12 die Möglichkeit geboten selbstständig Texte am PC zu verfassen,
welche im ersten Schritt teil-automatisiert analysiert werden um geeignetes Feedback zur selbstständigen Korrektur
zu liefern. (Edtstadler et al. 2015). Abbildung 4 zeigt Variationen von Rückmeldungen zu gemachten Fehlern.
Abb.: 4: Beispielsatz mit 4 Feedbacks zur Selbstkorrektur (Ebner et al, 2017).
Wurden ausreichend viele Texte verfasst kann eine Auswertung der gemachten Fehler durchgeführt werden. Zu
diesem Zweck werden diese in Fehlerkategorien zusammengefasst und visuell aufbereitet den Schüler/innen als
auch den Lehrer/innen und Eltern zur Verfügung gestellt (siehe Abbildung 5). Diese Auswertung ermöglicht es
gezielte Maßnahmen zur Förderung des Kindes zu setzten. Dazu werden auf der Plattform selbst ein Pool an
verschiedenen Übungen und Arbeitsblättern online kostenlos angeboten (Ebner et al, 2017). Über einen längeren
Zeitraum hinweg kann so der Fortschritt des Kindes beobachtet werden. Die Analyse der Daten ermöglicht es so
ein besseres Zugang für das Verständnis für den Prozesses des "Schreiben Lernens", aus dem neue didaktische
Zugänge abgeleitet werden können (Ebner, Ebner & Edtstadler, 2016).
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 8 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Abb.: 5: Beispielansicht der qualitativen Analyse von
Rechtschreibfehlern für Lehrkräfte (Ebner et al, 2017).
Gamification im mobilen Umfeld
Wiederum können nun weitere Applikationen geschaffen werden, die eine individuelle Zugangsweise schaffen. In
diesem Fall ist z. B. die Schokoladenfabrik eine Tablet-App für iOS und Android, welches auf dem Konzept von
IDeRBlog basiert und Grundschulkindern helfen soll, spielerisch ihre Deutschkenntnisse zu verbessern. Dabei
können die Kinder zwischen verschiedenen Levels wählen und Zutaten für ihre eigene Schokolade sammeln.
Abb.: 6: Die verschiedenen Spielvarianten der Applikation (Schwaiger et al, 2018).
Die App bietet vier verschiedene Kategorien von Herausforderungen, wie in Abbildung 6 dargestellt. In der ersten
Kategorie "Richtig / Falsch" muss das Kind aus einem Pool an richtig und falsch geschriebenen Wörtern jenes
markieren welches falsch geschrieben wurde. Wurde die falsche Schreibweise gewählt wird dem Kind das Korrekte
Wort präsentiert. In der zweiten Kategorie "Groß / Klein" werden die Schülerinnen und Schüler mit mehreren
Sätzen konfrontiert, die es zu vervollständigen gilt. Jeder Satz enthält ein Wort, bei dem die Kinder entscheiden
müssen, ob Groß- oder Kleinschreibung zutrifft. In der dritten Kategorie "Einsetzen" müssen fehlende Zeichen im
Satz vervollständigt werden. Dabei wird auf gängige Sprachfehler wie z.B. "d" und "t" eingegangen. Die letzte
Kategorie falls alle vorhergehenden Zusammen und mischt diese durch, siehe Abbildung 7 (Schwaiger et al, 2018).
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 9 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Abb.: 7: Ein Kind trainiert im Modus "Richtig / Falsch" (Schwaiger et al, 2018).
Durch die Anbindung an die IDeRBlog-Plattform kann auf einen dem Alter des Kindes gerechten Pool an Wörter
sowie unterschiedliche Variationen an Fehlerwörtern zurückgegriffen werden. Mittels Learning Analytics können
die Datensätze überprüft und so geeignete, individualisierte Übungen für das Spiel zusammengestellt werden.
Werden ausreichend viele Übungen gemacht kann die Genauigkeit und Leistungsfähigkeit der Anwendung erhöht
werden und man erhält dadurch tiefere Einblicke in die Rechtschreibfehler der jeweiligen Altersgruppen (Schwaiger
et al, 2018). Kurzum können aus einer gemeinsamen Datenbasis unterschiedliche Übungsarten für
unterschiedliche Endgeräte mit unterschiedlicher Oberfläche entwickelt werden. Die Trennung der Datensammlung
und der Analyse von der Applikation scheint ein wesentlicher Schritt um das Potential von Learning Analytics
auszuschöpfen.
V. Herausforderungen
Als Learning Analytics auf der LAK im Jahre 2011 definiert wurde, sah man es als bahnbrechende Möglichkeit für
die Lehre und das Lernen an (Johnson et al., 2011). Jedoch wurde diese Entwicklung in den letzten Jahren durch
aufkommende Bedenken im Bereich des Datenschutzes (Privacy) getrübt (Drachsler & Greller, 2016). Es war die
Bedenken als auch die Herausforderungen, klare ethische und datenschutzrechtliche Richtlinien für Learning
Analytics zu entwickeln und anzuwenden (Ferguson, 2012; Greller & Drachsler, 2012). Dies ist natürlich im Bereich
der Schulen von hoher Relevanz, sammeln wir dort natürlich Daten von minderjährigen Kindern.
V.1 Datenschutz und Ethik
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 10 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Die wissenschaftliche Community hat sich bereits mit verschiedene Ansätzen und Möglichkeiten im Thema
Datenschutz und Ethik im Zusammenhang mit Learning Analytics eingebracht (Ferguson et al. 2016): Dabei wurde
ein Verhaltenskodex, der als eine Checkliste genutzt werden kann, entwickelt (Sclater, 2016). Rodríguez-Triana et
al. (2016) ergänzten den die Empfehlungen von Sclater's (2016) Kodex in Hinblick auf Einwilligung, Transparenz,
Zugang, Verantwortung, Datenschutz, Gültigkeit, sowie Vermeidung negativer Auswirkungen. Ein Framework für
die Privatsphäre und den Datenschutz wurde von Steiner et al. (2016) vorgeschlagen. Ein Beitrag welcher sich
verstärkt mit den europäischen Verhalten in Behandlung des Datenschutzes, insbesondere im Hinblick auf die
transparente Kommunikation der Nutzung der Daten beschäftigt wurde von Cormack (2016) publiziert. Die bisher
entwickelten Verhaltenskodexen und Frameworks wurden durch Berg et al. (2016) mit Instrumenten und Ansätze,
die es uns ermöglichen sie in die Praxis umzusetzen, ergänzt. Khalil & Ebner (2016) beschäftigten sich
weiterführend mit der De-Identifikation und Anonymisierung von Daten zum Zwecke der Analyse mit Learning
Analytics. Die durchgeführte Untersuchung von (Hoel & Chen 2016) zeigte auf, dass die Diskussion zum Thema
Datenaustausch und Big Data im Bildungsbereich sich noch in einer frühen Phase befindet. Pinsloo & Slade (2016)
beschäftigen sich mit den Rechten und Problemen für Studierende als auch Einrichtungen die sie betreuen und
argumentieren, dass die vorrangige Verantwortung für Anbieter von LA-Systemen darin besteht, die Autonomie des
Einzelnen zu fördern und jedem Individuum ausreichende Informationen zur Verfügung zu stellen, die benötigt
werden, um fundierte Entscheidungen selbst treffen zu können. (vgl. Ferguson et al. 2016).
Drachsler & Greller (2016) entwickelten eine Checkliste (die DELICATE-Checkliste), die dabei hilft die möglichen
Probleme und Hindernissen im Vorfeld zu erfassen und zu untersuchen, welche die Einführung von Learning
Analytics im Bildungsbereich behindern könnten. DELICATE steht hierbei für die 8 Punkte welche bedacht werden
müssen wenn man sich zum Ziel gesetzt hat Learning-Analytics-Techniken in der eigenen Einrichtung einsetzen zu
wollen (vgl. Drachsler & Greller, 2016).
V.2 Urheberrecht
Wollen Lehrende urheberrechtlich geschütztes Material verwenden sorgen die im jeweiligen Land geltenden
Urheberrechte für teils große Einschränkungen. Publikationen, Texte für die Lehre, Unterlagen aus der Vorlesung,
bereitgestellte Skripten, etc. können nicht uneingeschränkt den Schüler/innen zur Verfügung gestellt werden. Auch
kann durch das Ausscheiden eines Lehrenden das Recht auf Nutzung der Materialien erlöschen und daher nicht
bedenkenlos weiterverwendet werden. Ein vielsprechender Lösungsweg wird beschritten wenn man sich auf die
Verwendung von Open Educational Resources (OER) stützt. Diese offen lizensierten und zugänglichen
Bildungsressourcen ermöglichen es diese Probleme teilweise zu umgehen. Das Forum Neue Medien in der Lehre
Austria (fnm-austria) hat dazu ein Empfehlungspapier verfasst. Darin werden die Vorteile einer nachhaltigen
Verankerung von OER in der modernen Bildungslandschaft von morgen dargelegt (Ebner et al, 2016).
VI. Zusammenfassung
Dieser Beitrag führte in die Begrifflichkeiten und Hintergrundwissen von Learning Analytics in Primar- und
Sekundarstufen ein. Ziele und Interessensgruppen von Learning Analytics wurden besprochen um die
Notwendigkeit und Potenziale für die Nutzung an Schulen aufzuzeigen. Des Weiteren wurde der Hintergrund von
Gamification abgedeckt um die Tür zu einem motivierenden Lernerlebnis für die Schüler/innen aufzustoßen. Die
Übersicht von digitalen Werkzeugen zeigt auf, dass noch sehr viel Potenzial für den deutschsprachigen Raum zur
Entwicklung und Nutzung von LMS und LA zur Verfügung steht. Anhand der Fallbeispiele zum ein-mal-eins-Trainer
und IDeRBlog Sprachtrainer wurden zwei Möglichkeiten des Einsatzes im Unterricht gezeigt und die verfolgten
Gamification-Ansätze dargelegt. Abschließend wurde die Herausforderungen in den Bereichen Datenschutz, Ethik
und Urheberrecht angeschnitten, mit denen sich Lehrer/innen konfrontiert sehen wenn Sie digitale Anwendungen
und Medien im Unterricht einsetzen. Dieser Beitrag soll als Denkanstoß dienen damit notwendige Punkte schon im
Vorfeld prüfbar werden. Dazu wurde auf die DELICATE-Checkliste verwiesen. Es kann festgehalten werden, dass
LA-Applikationen tatsächlich große Potentiale in sich bergen um zukünftig einen individualisierten Unterricht zu
zulassen, jedoch erscheint es wichtig darauf hinzuweisen, dass es dazu ein geschultes Lehrpersonal braucht. Es
gilt sicherzustellen, dass pädagogische Interventionen auf Basis korrekter Interpretation erfolgen unter Wahrung
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 11 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
ethischer Grundsätze und Berücksichtigung des Datenschutzes sowie des Urheberrechts.
Literatur
American Association of School Administrators (AASA) (2002). Using data to improve schools: What's working,
online unter: www.aasa.org/cas/UsingDataToImproveSchools.pdf (letzter Zugriff: 15.03.2018).
Bendel, O. (2018). Stichwort: Gamification, in: Gabler Wirtschaftslexikon, Springer Gabler Verlag (Herausgeber),
online unter: http://wirtschaftslexikon.gabler.de/Archiv/688938796/gamification-v6.html (letzter Zugriff: 15.03.2018).
Berg, A. M., Mol, S. T., Kismihók, G., & Sclater, N. (2016). The Role of a Reference Synthetic Data Generator
within the Field of Learning Analytics. Journal of Learning Analytics, 3(1), 107-128.
Buckingham Shum, S. & Deakin Crick, R. (2012). Learning dispositions and transferable competencies: Pedagogy,
modelling and learning analytics. Proceedings of the 2nd International Conference on Learning Analytics and
Knowledge (LAK ?12), 92-101. Doi: 10.1145/2330601.2330629
Campbell, J. P., DeBlois, P. B., & Oblinger, D. G. (2007). Academic analytics: A new tool for a new era.
EDUCAUSE review, 42(4), 40.
Chatti, M.A., Dyckhoff, A.L., Schroeder, U., & Thüs, H. (2012). A reference model for learning analytics, in:
International Journal of Technology Enhanced Learning. Special Issue on State-of-the-Art in TEL, 1-22.
Cooper, A. (2012). A Framework of Characteristics for Analytics. In: CETIS Analytics Series Vol.1, No 7.
Cormack, A. N. (2016). A data protection framework for learning analytics. Journal of Learning Analytics, 3(1), 91-
106.
Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: defining
gamification. In Proceedings of the 15th international academic MindTrek conference: Envisioning future
media environments (pp. 9-15). ACM.
Drachsler, H., & Greller, W. (2016, April). Privacy and analytics: it's a DELICATE issue a checklist for trusted
learning analytics. In Proceedings of the sixth international conference on learning analytics & knowledge
(pp. 89-98). ACM.
Duval, E. (2010). Attention Please! Learning Analytics for Visualization and Recommendation. To appear, in:
Proceedings of LAK11: 1st International Conference on Learning Analytics and Knowledge 2011.
Ebner, M. & Schön, M. (2013a). Das Gesammelte interpretieren - Educational Data Mining und Learning Analytics,
in: L3T - Lehrbuch für Lernen und Lehren mit Technologien. Berlin: epubli GmbH, 413-419.
Ebner, M., & Schön, M. (2013b). Why learning analytics in primary education matters. Bulletin of the Technical
Committee on Learning Technology, 15(2), 14-17.
Ebner, M., Ebner, M., & Edtstadler, K. (2016). Learning Analytics and Spelling Acquisition in German-a first
prototype. In International Conference on Learning and Collaboration Technologies (pp. 405-416). Springer,
Cham.
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 12 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Ebner, M., Edtstadler, K., & Ebner, M. (2017). Tutoring writing spelling skills within a web-based platform for
children. Universal access in the information society. DOI: 10.1007/s10209-017-0564-6
Ebner, M., Freisleben-Teutscher, C., Gröblinger, O., Kopp, M., Rieck, K., Schön, S., Seitz, P., Seissl, M., Ofner, S.
& Zwiauer, C. (2016). Empfehlungen für die Integration von Open Educational Resources an Hochschulen in
Österreich, in Forum Neue Medien in der Lehre Austria.
Ebner, M., Leitner, P., Ebner, M., Taraghi, B., & Grandl, M. (2018). Die Rolle der Bildungsinformatik für die
Hochschule der Zukunft, in U. Dittler, & C. Kreidl (Eds.), Hochschule der Zukunft: Beiträge zur
zukunftsorientierten Gestaltung von Hochschulen (pp. 117-127). Wiesbaden: Springer Fachmedien
Wiesbaden. DOI: 10.1007/978-3-658-20403-7_7
Ebner, M., Taraghi, B., Ebner, M., Aspalter, C., Biermeier, S., Edtstadler, K., Gabriel, S., Goor, G., Gros M.,
Huppertz, A., Martich, S., Steinhauer, N., Ullmann, M. & Ziegler, K. (2015). Design für eine Plattform zum
Schreibenlernen im Grundschulalter, in DeLFI WOrkshops (pp. 118-122).
Ebner, M., Taraghi, B., Saranti, A. & Schön, S. (2015). Seven features of smart learning analytics - lessons learned
from four years of research with learning analytics, in: eLearning Papers. Online verfügbar:
http://openlib.tugraz.at/56a88cfaccea9 (letzter Zugriff: 15.03.2018).
Edtstadler, K., Ebner, M. & Ebner, M. (2015): Improved German Spelling Acquisition through Learning Analytics, in:
eLearning Papers 45, S. 4-15
Elias, T. (2011). Learning Analytics: Definitions, Processes and Potential.
Feierabend, S., Plankenhorn, T. & Rathgeb. T. (2017) JIM 2017 - Jugend, Information, (Multi-) Media: Basisstudie
zum Medienumgang 12-bis 19-Ja?hriger in Deutschland. Medienpa?dagogischer Forschungsverbund Su?dwest.
Stuttgart, Germany. https://www.mpfs.de/fileadmin/files/Studien/JIM/2017/JIM_2017.pdf (letzter Zugriff: 15.03.2018).
Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges. International Journal of
Technology Enhanced Learning (IJTEL), 4 (5/6), 304-317.
Ferguson, R., Hoel, T., Scheffel, M., & Drachsler, H. (2016). Guest editorial: Ethics and privacy in learning
analytics. Journal of learning analytics, 3(1), 5-15.
Freeman, A., Adams Becker, S., Cummins, M., Davis, A., & Hall Giesinger, C. (2017). NMC/CoSN Horizon Report:
2017 K-12 Edition. Austin, Texas: The New Media Consortium.
Friesen, N. (2013). Learning Analytics: Readiness and Rewards. In: Canadian Journal of Learning and Technology
(CJLT), Vol 39, No 4.
Grandl, M., Taraghi, B., Ebner, M., Leitner, P., & Ebner, M. (2017). Learning Analytics. In Handbuch E-Learning:
Expertenwissen aus Wissenschaft und Praxis - Strategien, Instrumente, Fallstudien (Vol. 72. Erg-Lfg., pp. 1-
16). Wolters Kluwer Deutschland.
Greller, W., & Drachsler, H. (2012) Translating Learning into Numbers: A Generic Framework for Learning
Analytics, In: Educational Technology & Society 15 (3), 42-57.
Grimus, M., & Ebner, M. (2014, June). Learning with Mobile Devices Perceptions of Students and Teachers at
Lower Secondary Schools in Austria. In EdMedia: World Conference on Educational Media and Technology
(pp. 1665-1674). Association for the Advancement of Computing in Education (AACE).
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 13 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
Gunawardena, Ananda. (2017). BRIEF SURVEY OF ANALYTICS IN K12 AND HIGHER EDUCATION.
International Journal on Innovations in Online Education. 1. 24. DOI: 10.1615/IntJInnovOnlineEdu.v1.i1.80.
Hamari, J., Koivisto, J., & Sarsa, H. (2014, January). Does gamification work?--a literature review of empirical
studies on gamification. In System Sciences (HICSS), 2014 47th Hawaii International Conference on (pp. 3025-
3034). IEEE.
Hannak, C., Pilz, M., & Ebner, M. (2012, June). Fun-A Prerequisite for Learning Games. In EdMedia: World
Conference on Educational Media and Technology (pp. 1292-1299). Association for the Advancement of
Computing in Education (AACE).
Hoel, T., & Chen, W. (2016). Privacy-driven design of learning analytics applications-exploring the design space of
solutions for data sharing and interoperability. Journal of Learning Analytics, 3(1), 139-158.
Johnson, L., Smith, R., Willis, H., Levine, A., & Haywood, K. (2011). The 2011 Horizon Report. Austin, Texas: The
New Media Consortium.
Khalil, M., & Ebner, M. (2015). Learning analytics: principles and constraints, in Proceedings of world conference
on educational multimedia, hypermedia and telecommunications (pp. 1326-1336).
Khalil, M., & Ebner, M. (2016). De-identification in learning analytics. Journal of Learning Analytics, 3(1), 129-138.
Kraja, E., Taraghi, B. & Ebner, M. (2017). The Multiplication Table as an innovative Learning Analytics Application,
in J. Johnston (Ed.), Proceedings of EdMedia: World Conference on Educational Media and Technology 2017
(pp. 810-820). Association for the Advancement of Computing in Education (AACE).
McDonald, E. (2018). The Global Games Market 2017 | Per Region & Segment | Newzoo. Newzoo. Retrieved
20 April 2017, online unter: https://newzoo.com/insights/articles/the-global-games-market-will-reach-108-9-billion-in-
2017-with-mobile-taking-42/ (letzter Zugriff: 15.03.2018).
Mitchell, J. & Costello, S. (2000). A Report On International Market Research For Australian VET Online Products
And Services, Sydney 2000, online unter: www.jma.com.au/upload/pages/marketing-planning/research_2000.rtf
(letzter Zugriff: 15.03.2018).
Nagler, W., Ebner, M., & Schön, M. (2017, June). Mobile, Social, Smart, and Media Driven The Way Academic Net-
Generation Has Changed Within Ten Years, in EdMedia: World Conference on Educational Media and
Technology (pp. 968-977). Association for the Advancement of Computing in Education (AACE).
O'Reilly, T. Web 2.0 (2006) Stuck on a name or hooked on value. Dr Dobbs Journal, 31(7), 10.
Poth, R. (2018). 12 Digital Tools to Try in 2018 | Getting Smart. Getting Smart. Zuletzt besucht am 3 Februar
2018, online unter: http://www.gettingsmart.com/2018/01/12-digital-tools-to-try-in-2018/ (letzter Zugriff: 15.03.2018).
Prensky, M. (2003). Digital game-based learning. Computers in Entertainment (CIE), 1(1), 21-21.
Prinsloo, P., & Slade, S. (2016). Student vulnerability, agency and learning analytics: an exploration. Journal of
Learning Analytics, 3(1), 159-182.
Rideout, V. J., Foehr, U. G., & Roberts, D. F. (2010). Generation M [superscript 2]: Media in the Lives of 8-to 18-
Year-Olds. Henry J. Kaiser Family Foundation.
Rodríguez-Triana, M. J., Martínez-Monés, A., & Villagrá-Sobrino, S. (2016). Learning analytics in small-scale
teacher-led innovations: ethical and data privacy issues. Journal of Learning Analytics, 3(1), 43-65.
Romero, C. & Ventura, S. (2013). Data Mining in Education, in: WIREs Data Mining Knowl Disv, 12-27, doi:
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 14 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
10.1002/widm.1075
Schön, M., Ebner, M., & Kothmeier, G. (2012). It's just about learning the multiplication table, in Proceedings of
the 2nd international conference on learning analytics and knowledge (pp. 73-81). ACM.
Schön, S., Ebner, M., & Kumar, S. (2014). The Maker Movement. Implications of new digital gadgets, fabrication
tools and spaces for creative learning and teaching. eLearning Papers, 39, 14-25.
Schwaiger, A., Ebner, M. & Ebner, M. (2018). German Language Training App for Primary School Children.
EdMedia 2018, in Review.
Sclater, N. (2016). Developing a Code of Practice for learning analytics. Journal of Learning Analytics, 3(1), 16-
42.
Siemens, G. (2010). What Are Learning Analytics? Elearnspace, August 25, 2010, online unter:
http://www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/ (zuletzt abgerufen am 10. Jänner 2018).
Siemens, G. (2011). Learning Analytics: A foundation for informed change in higher education. Educause
conference presentation.
Steiner, C. M., Kickmeier-Rust, M. D., & Albert, D. (2016). LEA in private: a privacy and data protection framework
for a learning analytics toolbox. Journal of Learning Analytics, 3(1), 66-90.
Taraghi, B., Ebner, M., Ebner, M., & Schön, M. (2017). Learning Analytics an Schulen, in J. Erpenbeck, & W.
Sauter (Eds.), Handbuch Kompetenzentwicklung im Netz: Bausteine einer neuen Lernwelt (pp. 285-302).
Scha?ffer-Poeschel Verlag.
Taraghi, B., Saranti, A., Legenstein, R. & Ebner, M. (2016) Bayesian modelling of student misconceptions in the
one-digit multiplication with probabilistic programming. Proceedings of the Sixth International Conference on
Learning Analytics & Knowledge, Edingburg, United Kingdom, 25/04/16 - 29/04/16, pp. 449-453.
van Eck, R. (2006). Digital game-based learning: It's not just the digital natives who are restless. EDUCAUSE
review, 41(2), 16.
Wittke, A. (2017). Warum gibt es in Deutschland kaum EdTech? Blogbeitrag, online unter:
http://www.onlinebynature.com/2017/08/warum-gibt-es-in-deutschland-kaum-edtech/ (letzter Zugriff: 15.03.2018).
[1] ASSISTments: https://www.assistments.org/ (letzter Zugriff: 15.03.2018).
[2] Bettermarks: https://de.bettermarks.com/ (letzter Zugriff: 15.03.2018).
[3] DreamBox: http://www.dreambox.com/ (letzter Zugriff: 15.03.2018).
[4] ImagineLearning: https://www.imaginelearning.com/ (letzter Zugriff: 15.03.2018).
[5] IXL.com: https://eu.ixl.com/ (letzter Zugriff: 15.03.2018).
[6] Khan Academy: https://de.khanacademy.org/about (letzter Zugriff: 15.03.2018).
[7] Nearpod: https://nearpod.com (letzter Zugriff: 15.03.2018).
[8] IDeRBlog: http://iderblog.eu/ (letzter Zugriff: 15.03.2018).
Tags
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 15 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz
learning analytics, game-based-learning, gamification, technology-enhanced-learning, bildungsinformatik, digitale
medien
Impressum und Offenlegung gemäß §25 des Mediengesetzes
Medieninhaber: Republik Österreich, Bundesministerium für Bildung, Wissenschaft und Forschung
Zuständigkeit: Laut Bundesministeriengesetz 1986 in der jeweils geltenden Fassung
Hersteller: Bundesministerium für Bildung, Wissenschaft und Forschung
Verlagsort: Wien
Herstellungsort: Wien
Kontakt: Bundesministerium für Bildung, Wissenschaft und Forschung, Abteilung IT/3, Minoritenplatz 5, 1014 Wien
http://bmbwf.gv.at
medienimpulse-online, bmb, Markus Ebner Learning Analytics an Schulen – Hintergrund und Beispiele
1/2018 - Educational Data Mining und Learning Anal 16.03.2018 http://www.medienimpulse.at/articles/view/1190
Seite 16 / 16, Nutzungsrecht nach Creative Commons 3.0 Österreich Lizenz