ArticlePDF Available

Learning Analytics - eine Einführung

Authors:

Abstract

Learning Analytics ist ein sehr junges Forschungsgebiet aus dem Bereich der Bildungsinformatik und versucht durch das Sammeln und Gegenüberstellen von Daten Unterstützung im Lernprozess zu geben. Dieser Beitrag gibt eine Einführung und stellt die wesentlichen Aspekte, kritischen Punkte, Ziele und Methoden vor. Weiters soll dabei ein Bezug zur berufsbildenden Schulpraxis geschaffen werden.
!"#$#%&'()"*+,#)%)%(#%-(./%)"0(12(345678(9)&"%#%$(:%&';<#+*(=()#%)(.#%>?,"@%$2(A#'B@%$(@%B(A)"@>2(:@*$&/)(C)/"@&"(
45672(D2(EFGE72(HDDI(4J66G6KJK(
(
"Learning)Analytics”))-)eine)Einführung))
1&"<#%(./%)"(
Abstract
Learning Analytics ist ein sehr junges Forschungsgebiet aus dem Bereich der
Bildungsinformatik und versucht durch das Sammeln und Gegenüberstellen von Daten
Unterstützung im Lernprozess zu geben. Dieser Beitrag gibt eine Einführung und stellt die
wesentlichen Aspekte, kritischen Punkte, Ziele und Methoden vor. Weiters soll dabei ein
Bezug zur berufsbildenden Schulpraxis geschaffen werden.
Einführung
Der Fachbereich Bildungsinformatik beschäftigt sich ähnlich wie andere
anwendungsbezogene Forschungsfelder mit der Anwendung von informatischen Systemen
und Applikationen für Bildungszwecke (Ebner at al, 2018). Dabei standen in jüngster
Vergangenheit zumeist sogenannte Learning-Management-Systeme und deren
Einsatzmöglichkeiten, sowie im Anschluss mobile Apps im Vordergrund. Im Kern geht es
darum technologiegestütztes Lehren und Lernen zu ermöglichen bzw. weiter voran zu treiben.
Oftmals fällt heute das Schlagwort der „Digitalisierung in der Bildung“.
Sehr einfach vorstellbar geht mit der zunehmenden Digitalisierung auch die Zunahme an
Daten voran. Seit 2010 wird sehr gerne der Übergriff „Big Data“ verwendet um zu
beschreiben, dass mit Hilfe großer Datenmengen und entsprechender Analyseverfahren
versucht wird, neue Erkenntnisse zu gewinnen ganz egal ob es sich um Prozesse,
Prognosen, Strukturen, Muster oder ähnliches handelt. Es liegt nahe auch im Bereich der
Bildung darüber nachzudenken, wie eine Menge an Daten und deren Analyse helfen könnte,
die Lehre oder das Lernen selbst zu verbessern. So postulierte 2011 George Siemens
(Siemens, 2011) erstmals eine Definition von Learning Analytics indem er »Learning
Analytics als die Messung, die Sammlung, die Analyse und die Auswertung von Daten in
Bezug auf Lernen mit dem Ziel pädagogische Maßnahmen besser zu verstehen und zu
optimieren« bezeichnete. Diese Definition ist sehr breit und schwer eingrenzbar, deswegen
präzisierten wir (Ebner et al, 2013) diese zu »Learning Analytics ist die Interpretation von
lernerspezifischen Daten, um individuelle Lernprozesse gezielt zu verbessern«.
Sehr wesentlich scheint gleich vorweg die Abgrenzung zu Educational Data Mining, wo es
sehr stark um eine weitest gehende Automatisierung des Prozesses geht und die Lehrkraft
selbst nur eine nebensächliche Rolle spielt (Romero und Ventura, 2013). Learning Analytics
stellt hingegen die pädagogisch handelnde Person in das Zentrum und versteht sich mehr als
unterstützende Wissenschaft. Durch Analysen sollen Interventionen möglich werden, um die
hochgradige Individualität beim Lernprozess zu intensiveren und um Lernenden gezielt zu
helfen. So beschreiben auch Greller & Drachsler (2012) in ihrem Framework dass Learning-
Analytics-Maßnahmen in einem pädagogischen Setting dem oder der Lehrenden helfen soll
pädagogische Konsequenzen abzuleiten, die wiederum das pädagogische Setting beeinflussen.
So schreiben Sie dass in einer pädagogischen Umgebung Learning Analytics, also die
Dateninterpretation, hilft, pädagogische Konsequenzen abzuleiten. Diese beeinflussen
natürlich wiederum das Setting und bilden so einen ständigen Kreislauf.
Die 7 Aspekte von Learning Analytics
Um Learning Analytics zur Anwendung bringen zu können, sind 7 wesentliche Aspekte zu
beachten bzw. notwendig (Ebner et al, 2015):
1. Learning Awareness: Grundsätzlich geht es bei Learning Analytics darum das Lernen
bzw. den Lernprozess weiter zu verbessern. Einerseits können Schwächen und Stärken
gezielt analysiert werden und daraus abgeleitet werden, wie zukünftig das Lernziel
vielleicht schneller erreicht wird. Also es geht einzig und allein um Lernen, keinesfalls
um z. B. Beurteilungen aus den Daten abzuleiten
2. Privacy Awareness: Der Datenschutz hat bei allen Learning-Analytics-Maßnahmen
oberste Priorität, sodass eine missbräuchliche Verwendung von Daten ausgeschlossen
werden kann. In vielen Fällen reicht es aus die Daten entsprechend zu anonymisieren
und zu aggregieren (Khalil & Ebner, 2016). Es muss gelten, dass so wenig persönliche
Daten wie nur möglich gespeichert werden dürfen und niemals ohne Zustimmung
der/des Lernenden.
3. Time Awareness: Wichtig ist auch immer den zeitlichen Aspekt im Auge zu halten.
Datensammlung macht zumeist erst über eine entsprechende Zeit Sinn, auch können
Hilfestellungen und Prognosen erst abgegeben werden, wenn die Datenanalyse keinen
großen Schwankungen unterliegt.
4. Visuelles Feedback: Learning Analytics lebt letztendlich von der entsprechenden
Datenvisualisierung. Diese muss sorgfältig gewählt werden, sodass möglichst schnell
von der gewünschten Zielgruppe die Aussagen erfasst werden können ohne
Fehlinterpretationen zuzulassen.
5. Pädagogische Intervention: Wie bereits im Einführungskapitel erwähnt, geht es darum
durch pädagogische Interventionen das Lernverhalten nachhaltig zu beeinflussen.
Dazu ist einerseits natürlich entsprechende pädagogische Kenntnis notwendig und
anderseits auch auf die starke individuellen Ausprägungen und Situationen zu achten.
6. Big Data: Es geht letztendlich um Daten, daher soll auch immer mit einer gewissen
kritischen Haltung an diese herangegangen werden. Es ist immer zu hinterfragen wie
diese Daten entstanden sind und dass auch das faktische nicht immer einfach zu
interpretieren ist, wenn man die eigentliche Situation nicht kennt.
7. Einsichten und Struktur des Wissens: Zu guter Letzt hilft Learning Analytics neue
Einsichten zu gewinnen. Einsichten wie Lernen im spezifischen Fall entsteht, welche
Prozesse und Strukturen sich abbilden.
Unter Beachtung dieser Aspekte wurde von Khalil & Ebner (2015) ein Schaubild entwickelt
(Abb. 1). Auf der rechten Seite ist der Learning-Analytics-Kreislauf dargestellt. So agieren
unterschiedliche Stakeholder, wie Lehrende, Lernende oder eine Bildungsinstitution in einer
Lehr- oder Lernumgebung. Die Lernenden erzeugen durch ihre Aktivitäten Daten
unterschiedlichster Natur und dies führt zu einer Anhäufung dieser (Big Data). Mit Hilfe von
Analyseverfahren werden dann die Daten weitestgehend automatisiert ausgewertet und damit
Aktivität auf Seiten der Lehrenden oder Lernenden hervorgerufen. Je nach Ziel ob man
Voraussagen, Interventionen, Empfehlungen etc. ausspricht geht dann der Kreislauf wieder
von vorne los.
[Abb 1 hier einfügen]
Sehr wesentlich sind auch die Punkte im linken Teil der Abb. 1 – die zu beachtenden Punkte
im Bereich Learning Analytics:
Privacy: Persönliche Daten sollen nur dann gespeichert werden, wenn sie tatsächlich
notwendig sind und immer mit dem Einverständnis der Lernenden
Access: Sehr wichtig ist die Frage, WER zu welchen Daten Zugriff hat.
Transparency: Learning-Analytics-Maßnahmen sollten keine Black-Box sein, sondern
Lernende sollten wissen welche Daten wozu verwendet werden.
Policy: Für Learning-Analytics-Maßnahmen ist es notwendig, dass die erhebende
Stelle über eine entsprechende Policy und Strategie verfügt.
Security: Datensicherheit ist natürlich eine Grundvoraussetzung für die
Datensammlung.
Accuracy: Im Rahmen von Learning-Analytics-Maßnahmen sollte auch immer klar
sein, welche Genauigkeit im Bezug auf die Aussage mit entsprechenden
Analyserverfahren verbunden sind.
Restrictions: Es sollten immer die Rahmenbedingungen klar sein, also unter welchen
Bedingungen Daten gesammelt wurden.
Ownership: Es ist immer vorab zu klären, wem die Daten letztendlich gehören.
Ziele von Learning-Analytics-Maßnahmen
Neben dem Hauptziel das Lernen zu optimieren kann dies natürlich in verschiedenster Weise
oder Ausprägungen erfolgen. Nach Grandl et al. (2017) findet man folgende Ziele von
Learning-Analytics-Maßnahmen:
1. Vorhersagen und Eingreifen: Unbekannte Werte sollen vorhersehbarer und
prognostizierbarer werden.
2. Empfehlungen: Auf Grundlage der durch Learning Analytics ausgewerteten Daten
sollen Empfehlungen in verschiedenen Bereichen ausgesprochen werden.
3. 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.
4. Reflexion und Iteration: Reflektion über das in der Lernumgebung gewonnene
Feedback.
5. Leistungsvergleich: Um Schwachstellen in der gewählten Lernumgebung aufzudecken
wird analysiert welche die geeigneten Methoden bzw. Verfahren zur Erreichung der
Ergebnisse sind.
Learning Analytics am Beispiel des Einmal-Eins Trainer
Um die graue Theorie etwas anschaulicher zu machen, soll an dieser Stelle ein Beispiel für
eine Learning-Analytics-Anwendung besprochen werden. Im Rahmen eines Projektes im Jahr
2011 wurde ein Einmaleins-Trainer entwickelt mit dem Ziel das Erlernen des Einmalseins zu
unterstützen (Schön et al, 2012). Dabei wurden zwei Rahmenbedingungen definiert:
1. Das Programm soll dem lernenden Kind nur solche Beispiele liefern, die im Rahmen
von dessen Lernbereich liegen – also weder zu schwer noch zu leicht. Es soll so
intelligent agieren, dass es mir der wachsenden Kompetenz einfach mitsteigt.
Einerseits soll damit weitestgehend Frustration vermieden werden, andererseits aber
gesichert werden, dass alle Beispiele konsequent geübt werden. Dabei liegt der
Software zugrunde, dass im Lernzprozess Fehler wichtig sind und werden
entsprechend berücksichtigt. „Gut gekonnt“ wurde so definiert, dass eine Rechnung
zweimal hintereinander richtig beantwortet wurde.
2. Jede Rechnung wird protokolliert um den Lernenden zu jeden Zeitpunkt den
Wissenstand visualisieren zu können. Damit soll es möglich sein den Lernstand
abzurufen und gezielt weiterzurechnen.
[Abbildung 2 bitte hier]
Im Hintergrund wurde jetzt aus Sicht von Learning Analytics überlegt, wie man nicht nur
dem/der Lernende Rückmeldung geben kann, sondern auch eine gute Zusammenschau für
Lehrpersonen erhält und es wurde entschieden dies mithilfe einer Matrix aller Rechnungen zu
erledigen. Abbildung 2 zeigt die Übersicht über alle Rechnungen die jemals am System
gemacht wurden zum Zeitpunkt Jänner 2019. Die Anzahl der durchgeführten
Multiplikationen am System beträgt knapp 1,26 Millionen Beispiele. Ist ein Feld grün, so
steht das dafür, dass diese Rechnung in 90% oder mehr Fällen richtig beantwortet wurde
(dunkelgrün >95%). Die Farbe rot steht für eine schlechtere Quote und daher sind auch die
dunkelroten Felder jene die am wenigsten richtig beantwortet wurden. Man kann erkennen,
dass dies vor allem für die Rechnung 6*8, 7*8 und 8*6 der Fall sind. Offensichtlich jene
Rechnungen wo die Menschheit die größten Probleme hat.
Um diese Matrix nun aber für Lehrende nutzbar zu machen, kann man eine solche Übersicht
je Klasse und sogar je Kind darstellen (Kraja et al, 2017). Dies ermöglicht, dann gezielt je
Kind individuell die Übungen zu erstellen oder Kinder gezielt bei ihren persönlichen
Schwachstellen zu unterstützen.
Durch das Beispiel ist einfach vorstellbar, dass man dies grundsätzlich für ähnliche Probleme
ebenso umsetzen kann für Additionstrainer (Ebner et al, 2014), mehrstellige
Multiplikationstrainer (Ebner & Prognegg, 2015) oder auch Divisionstrainer. Diese können
alle unter https://schule.learninglab.tugraz.at gerne frei ausprobiert werden.
Learning -Analytics-Methoden und mögliche Anwendungen in der Schulpraxis
Das Beispiel des Einmal-Eins-Trainer sollte zeigen, wie Learning Analytics in der Praxis zur
Anwendung kommen kann. Selbstverständlich ist dies nur ein Beispiel und es gibt einige
weitere hierfür. Im wesentlichen kann man sie in 9 Methoden unterteilen (Grand et al, 2017)
(Calvet & Perez, 2015). Diese werden nachfolgend kurz beschrieben und wie sie z. B. in der
alltäglichen (beruflichen) Schulpraxis zur Anwendung kommen könnten.
Statistische Analyse: Diese Methode ist die klassischste an sich, hier werden Daten
durch statistische Methoden untersucht um daraus Rückschlüsse zu ziehen. So könnte
man z. B. das schulinterne Learning Management System dafür nutzen, um zeigen
welche Aktivitäten durchschnittlich in einem Kurs gemacht wurde, wie oft Unterlagen
angesehen wurden etc.
Soziale Netzwerkanalyse: Bei der sozialen Netzwerkanalyse ist der Fokus vor allem
auf den Beziehungen zwischen einzelnen Entitäten insbesondere bei kollaborativen
Arbeiten. Es geht hier um das Netzwerk und um Beziehungen. So könnte man z. B.
das Kommunikationsverhalten zwischen SchülerInnen untersuchen mit der Idee deren
Zusammenarbeit zu verstehen und diese zu unterstützen.
Visualisierungen: Mit Hilfe von Visualisierungen soll versucht werden schnell und
einfach Effekte zu erfassen. So können unterschiedliche Diagrammdarstellungen
zeigen wenn es bei Lernergebnisse Ausreißer gibt oder Fragen bei interaktiven Videos
schlechter abschneiden.
Gruppierungen: Bei dieser Methode kümmert man sich primär um Cluster – Lernende
werden aufgrund von Muster gruppiert und je Gruppe gibt es dann weitere
Vorschläge. Damit könnte man im Schulunterricht heterogene Gruppen besser
berücksichtigen.
Abweichungen erkennen: Bei dieser Methode sieht man sich im speziellen
Abweichungen von Muster an. So kann z. B. gesehen werden, wenn der
Lernfortschritt nicht den üblichen Merkmalen entspricht und so vorzeitig auf mögliche
Interventionen hinweisen.
Vorhersage: Dies ist die Möglichkeit auf Basis von Modellen (zumeist abgeleitet aus
bestehenden Datenmengen) vorauszusagen, welche Lernobjekte besser geeignet sind
oder welche Beispiele besser passen. Zumeist erfolgt hier auch eine Gruppierung
vorab.
Abläufe analysieren: Hier greift man zurück auf die Protokollierung von Ereignissen
einer SchülerIn. Auf Basis unterschiedlichster Aktivitäten kann Rückschluss auf den
Fortschritt erfolgen.
Texte analysieren: Textanalyse aus unterschiedlichsten Quellen (Foren, Chats,
Protokolle, ...) kann unterstützen, Fehler zu vermeiden, bessere Formulierungen zu
wählen.
Wissen überprüfen: Anhand von erarbeiteten kognitiven Modellen können
SchülerInnenprofile erstellt werden, die dann durch entsprechende Daten (Aktivitäten,
Wissensüberprüfungen, ...) ergänzt werden. So kann ein wachsender
Kompetenzgewinn überprüft werden.
Zusamme nfassung
Dieser Artikel sollte einen ersten Einblick in das Themenfeld Learning Analytics geben. Es
wurden sieben Aspekte genannt die es gilt zu beachten bzw. auch die kritischen Punkte.
Daraus sind die Ziele von solchen Maßnahmen abgeleitet worden und mit welchen Methoden
versucht werden kann, Hilfestellungen im Lernprozess zu geben.
Aus heutiger Sicht gibt es wenig Einschränkung in Bezug auf die Möglichkeiten. Auf Basis
von Daten werden zukünftig wohl immer mehr Muster erstellt werden, Aktivitäten
abgeglichen und Lernfortschritte sichtbar. Dies ist grundsätzlich sehr begrüßenswert, solange
man die Privatsphäre und den Datenschutz sehr ernst nimmt.
Abschließend soll auch eindringlich davor gewarnt werden Learning Analytis unreflektiert zu
verwenden. Letztendlich sind es Daten, statistische Analysen, Muster die zwar oft
überraschend gute Annäherung an die Wirklichkeit zeigen, aber genau so gut genug
Spielraum für Fehler beherbergen. Learning Analytics soll eine Unterstützung für die
Lehrperson und letztendlich die SchülerInnen ein. Lernen selbst bleibt aber ein sozialer
Prozess und funktioniert manchmal nicht ganz so linear wie man sich das theoretisch vorstellt.
Daher sollten die technischen Möglichkeiten immer nur als Hilfsmittel gesehen werden, nicht
mehr aber auch nicht weniger.
Lite ratur
Calvet L., PÉREZ, Á. A. (2015): Educational Data Mining and Learning Analytics. In:
International Journal of Educational Technology in Higher Education, 12(3), S. 98–112.
Ebner, M.; Neuhold, B.; Schön, S. (2013) Learning Analytics - wie Datenanalyse helfen kann,
das Lernen gezielt zu verbessern. In K. Wilbers & A. Hohenstein (Hrsg.), Handbuch E-
Learning. Expertenwissen aus Wissenschaft und Praxis – Strategien, Instrumente, Fallstudien.
Köln: Deutscher Wirtschaftsdienst (Wolters Kluwer Deutschland), 48. Erg.-Lfg. Jänner 2013.
pp 1-20.
Ebner, M., Schön, M., Neuhold, B. (2014). Learning Analytics in basic math education – first
results from the field, eLearning Papers, 36, pp. 24-27
Ebner, M., Taraghi, B., Saranti, A. (2015) Seven features of smart learning analytics – lessons
learned from four years of research with learning analytics, in: eLearning Papers, January,
2015, URL: http://openlib.tugraz.at/56a88cfaccea9 (2019-01-11)
Ebner, M. & Pronegg, M. (2015). Use of Learning Analytics Applications in Mathematics
with Elementary Learners. International Journal of Academic Research in Education, 1(2),
2639. DOI: 10.17985/ijare.37247
Ebner, M., Leitner, P., Ebner, M., Taraghi, B., Grandl, M. (2018) Die Rolle der
Bildungsinformatik für die Hochschule der Zukunft. In: Hochschule der Zukunft. Dittler, U.
& Kreidl, C. (Hrsg). S. 117-128, ISBN 978-3-658- 20402-0
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.', Educational Technology & Society 15 (3) , 42-57
Khalil, M. & Ebner, M. (2015) Learning Analytics: Principles & Constraints, in: Proceedings
of World Conference on Educational Multimedia, Hypermedia and Telecommunication, S.
1326-1336.
Khalil, M. & Ebner, M. (2016) De-Identification in Learning Analytics. Journal of Learning
Analytics. 3(1). pp. 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).
Romero, C., Ventura, S. (2013) Data Mining in Education, in: WIREs Data Mining Knowl
Disv, S. 12-27, DOI: 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 (LAK '12), Simon Buckingham Shum, Dragan Gasevic, and Rebecca Ferguson
(Eds.). ACM, New York, NY, USA, 73-81.
Siemens, G.: LAK 11, 2011, abrufbar unter: https://tekri.athabascau.ca/analytics/about (letzter
Abruf Jänner 2019).
(
... However, despite the similar thematic focus, the articles differ in how data are obtained here: For example, while Mertala (2020) refers to a "hidden curriculum" and thus an all-encompassing data collection in the classroom, other authors describe, for example, real-time capture of actions in learning resources (e.g., Thompson and Cook, 2017;Brun et al., 2019) or data collection through physiological arousal (measured with a wristworn sensor) as a predictor for an intervention to measure engagement (e.g., Hershkovitz, 2015). Regardless of the type of data production, however, learning analytics is primarily seen as a helpful tool for teachers and learners in the learning process (Hershkovitz, 2015;Roll and Winne, 2015;Mandinach and Miskell, 2017;Ebner, 2019): by collecting and comparing data and creating patterns based on the data obtained, activities can be compared and learning progress can be made visible to all (of course, as many authors emphasize, taking data protection and privacy into account). In this context, adaptivity also emerges as a topic in the discussion about improving teaching and learning (Petersen et al., 2017). ...
... Ebner, 2019). Teachers use data or the results of their processing, as a basis for interventions to intensify the high level of individuality in the learning process and to provide targeted help to learners (e.g., Sun et al., 2016;Ebner, 2019); for example, learner profiles are determined from various data and student characteristics and, on the basis of these, instruction and teaching methodology are adapted. Personalized recommendations are made, and the efficiency and effectiveness of the learning process are increased through the associated quantifiability of the learning process (Williamson, 2017). ...
... Here, on the one hand, we find publications that highlight the opportunities and potentials of using learning analytics and educational data mining in the sense of data positivism (e.g., Zupanc et al., 2009;Mendiburo et al., 2013;Boulden, 2015;Hershkovitz, 2015;Roll and Winne, 2015;Doko and Bexheti, 2018;Brun et al., 2019). On the other hand, critical articles can also be found that increasingly point to the dangers of increasing datafication and emphasize the need for reflection on the use of digital tools or learning analytics and educational data mining applications (Selwyn et al., 2015;Thompson and Cook, 2017;Resende, 2018;Ebner, 2019;Macgilchrist, 2019;Selwyn, 2019;Mertala, 2020;Selwyn et al., 2021). It is noticeable here that the articles of the positive position mostly negotiate a specific tool or the development of algorithms in terms of content and in this context also highlight (especially) their opportunities, whereas the critical articles mostly take a more general view of learning analytics and the use of data, which may be a possible explanation for the respective foci or perspectives. ...
Article
Full-text available
This review aims to provide a concise overview of the role of (digital) data and new data practices in schools. By focusing on the impact of data on pedagogical practices, it aims to shed light on how the everyday tasks of teachers and other pedagogical staff in schools are changing, particularly as a result of the generation and use of digital data. For this purpose, existing studies and previous theoretical debates on this topic are examined for their perspectives on data and data practices in schools. The pedagogical data practices of (improving) teaching and learning, assessment and counseling, (data-driven) decision-making, and cooperation and collaboration by “doing data” will be elaborated and discussed. Likewise, data practices that are missing from the studies are identified. We conclude with an overview of blind spots and further research needs.
... Die Situationen an den einzelnen Bildungsinstitutionen sind durchaus unterschiedlich. So unterscheiden sich Hochschulen mit einer großen Anzahl an Studierenden, Lehrenden und Lehrveranstaltungen (Leitner & Ebner, 2017) stark von allgemeinbildenden Schulen (Taraghi, Ebner, Ebner & Schön, 2017) oder auch von Institutionen im Bereich der beruflichen Aus-und Weiterbildung (Ebner, 2019). Hochschulen verfügen darüber hinaus in der Regel über umfassende Informationssysteme, die den Lehr-und Lernbetrieb managen und begleiten sowie über eine eigene IT-Infrastruktur, die einen Ansatzpunkt für Learning-Analytics-Applikationen bieten kann. ...
Chapter
Full-text available
Dieser Beitrag ermöglicht eine kurze Einführung in das Themenfeld Learning Analytics mit einem besonderen Blick auf den Schulunterricht. Heute erscheint es noch weit entfernt, bis derartige Anwendungen im deutschsprachigen Raum flächendeckend Fuß fassen können. Durch die voranschreitende Technologie werden jedoch solche Anwendungen und die Auseinandersetzung mit der Frage, inwieweit künstliche Intelligenz Aspekte der eigentlichen Lehre ergänzen und erset-zen kann, zunehmend zum Diskussionsgegenstand. Die vorliegende Publikation zielt darauf ab, Learning Analytics selbst und die damit verbundenen Herausforderungen zu definieren. Anschlie-ßend werden einige allgemeine Beispiele genannt, ehe auf zwei webbasierte Informationssysteme im Detail eingegangen wird-dem Einmaleins-Trainer und dem Programm zum Aufbau von Schreibkompetenz IDeRblog. Auf Basis der dort gewonnen Erkenntnisse und Erfahrungen werden drei wesentliche Anforderungen für Lehrerinnen und Lehrer abgleitet: statistische und digitale Kom-petenz sowie grundsätzliches Wissen im Bereich Datenschutz. Der Beitrag schließt mit der Frage, inwieweit diese zukünftig in die Lehrerbildung integriert werden können und müssen.
Thesis
Full-text available
Die schulische Bildung befindet sich in einem rasanten Wandel, denn Inklusion und Digitalisierung als gesamtgesellschaftlich anerkannte neue Rahmenbedingungen erfordern von den Lehrkräften Basis-kompetenzen in der Realisierung der inklusiven, digitalen Welt in der Schule (Meier, Kremser, Finger, & Huwer, 2020). Für den Chemieunterricht besteht die Herausforderung, die Strategie der Kultusministerkonferenz KMK (2016) zur „Bildung in der digitalen Welt“, deren cha-rakteristisches Merkmal die Verbindung der Inklusion – die Teilhabe Aller an Zugängen zur Bil-dung – und der Digitalisierung, integrativ zu verwirklichen. Dennoch lassen sich für den internati-onalen wie auch für den deutschsprachigen Raum kaum geeignete Modelle als Instrumente zur Planung von inklusivem Unterricht unter Einbindung digitaler Medien finden. Die Paradigmen-wechsel für den Unterricht von exklusiv zu inklusiv und analog zu digital werden meist isoliert be-trachtet und selten in ihrer Gesamtheit bedacht, aber nur in der synthetischen Betrachtung die-ser Aspekte kann der Inklusionsprozess optimiert werden (Muuß-Merholz, 2020). Naturwissen-schaftliche Erkenntnisgewinnung durch Problemlösen bietet aber eine Möglichkeit, verschiedene Anforderungen eines inklusiven Chemieunterrichts zu berücksichtigen, wobei das Promotions-projekt ausdrücklich auf dem weiter zu fassenden Begriff der Inklusion beruht. Die vorliegende Arbeit widmet sich demzufolge der Entwicklung und Validierung eines Modells für den inklusiven Chemieunterricht (MiC) und darauf aufbauend dem Transfer des Modells in eine praxisnahe, in-klusive Lernumgebung unter Verwendung eines interaktiven Lernbuches. Anhand des erfolgrei-chen Transfers des MiC-Ansatzes in eine inklusive, analog-digitale Lernumgebung konnte gezeigt werden, dass die drei Schritte des MiC-Ansatzes handhabbar und praktisch umsetzbar sind. Zu-gleich konnte die Eignung und das Potenzial des Multitouch-Learning-Books für den inklusiven Chemieunterricht nachgewiesen werden.
Experiment Findings
Full-text available
Forderungen nach unterschiedlichen Lernszenarien werden lauter und eindringlicher! Dabei werden verschiedene Lernkonstellationen immer wieder auf ihre Tauglichkeit hin überprüft. Performante und entwicklungsförderliche Lernwelten sind eine bedeutende Grundlage für den wirtschaftlichen Erfolg und die Innovationskraft/-dynamik von Organisationen sowie für Volkswirtschaften im Allgemeinen. In Folge der Auswirkungen der it-technologischen Entwicklungen der letzten und kommenden Jahre ist es für die Menschen sowohl im beruflichen aber auch im privaten Umfeld unumgänglich, dass diese ihre Handlungskompetenz aktuell erhalten und weiterentwickeln. Beleg für diese Entwicklung sind u.a. das fortschreitende Auflösen von Berufsbildern (Ehrenberg-Silies, S. et al., 2017) und das beständige Präzisieren, Aktualisieren und Erweitern von Wissen (Helmrich/Leppelmeier, 2020). Insoweit überrascht es auch nicht, dass u.a. Hart (2020) einen quantitativ und qualitativ exponentiell ansteigenden Verlauf der Performanz bei den Tools ´Personal Learning´, ´Workplace Learning´ sowie ´Education´ dokumentieren kann. Angesichts dieser Entwicklungen stellen etwa Papert/Cavallo (2020) vom Massachusetts Institute of Technology (MIT) fest: "Very deep changes in the learning environment are already possible and desirable; they will become more urgently necessary with the spread of digital technology". In einer zunehmend digitalen Arbeitswelt verändert sich die Art und Weise, wie Menschen zusammenarbeiten und welchen Tätigkeiten sie nachgehen oder zukünftig nachgehen werden. Absehbar ist u.a., dass sich die Arbeitnehmenden vermehrt in wechselnde Aufgabengebiete und Themenfelder einarbeiten werden. Work-Life-Learning-Integration, das beständige Aktualisieren, Erweitern sowie das Erschließen neuer Kompetenzfelder wird zu einer wesentlichen Schlüsselqualifikation, gerade für die Zeit nach der Corona-Pandemie (Abicht, 2021). Die primäre Verantwortung für die beständige Kompetenzanpassung wandert dabei mehr und mehr hin zu den Lernenden. Das sog. Selbstgesteuerte Lernen unterstützt durch Lernbegleiter und digitale Assistenzsysteme sowie digitale Lernformate ist das Zukunftsbild. Die Gründe für das Selbstgesteuerte Lernen lassen sich aus vielfältigen Studien wie folgt zusammenfassen.
Chapter
Die im Wirtschaftsunterricht vermittelten Inhalte sowie die zum Einsatz kommenden fachwissenschaftlichen Analyseinstrumente und Modelle müssen dem aktuellen Stand der wissenschaftlichen Erkenntnisse entsprechen, wie Arne Stemmann in diesem Band herausarbeitet. Voraussetzung hierfür ist die ausreichende fachlichfachdidaktische Qualifikation der unterrichtenden Lehrkräfte. Eine Status-Quo-Analyse lässt diesbezüglich große Defizite erkennen, u. a. durch den überdurchschnittlich hohen Anteil fachfremd erteilten Unterrichts.
Article
Full-text available
Dieser Beitrag beschreibt die Ziele, Methoden und Interessengruppen von Learning Analytics. Darüberhinaus werden die unterschiedlichen Struktu- ren der Daten von Big Data und Learning Analytics betrachtet. Dargestellt werden ferner die Planung des Einsatzes von Learning Analytics und die Phasen der technischen Implementierung.
Conference Paper
Full-text available
The main topic of this paper is the development of a web-based application that helps children to learn the one-digit multiplication table. The developed application supports individual learning process of the pupils and also provides the teachers with the possibility to intervene according to the analysis of users’ answers. The application uses modern technologies in order to offer high performance and availability to the users. The system also provides an interface for mobile clients, which present the questions and the processed data in different forms. The answers of the pupils, as well as other gathered data from the application show interesting results related to the participation and learning improvement.
Article
Full-text available
Learning analytics has reserved its position as an important field in the educational sector. However, the large-scale collection, processing, and analyzing of data has steered the wheel beyond the borders to face an abundance of ethical breaches and constraints. Revealing learners’ personal information and attitudes, as well as their activities, are major aspects that lead to identifying individuals personally. Yet, de-identification can keep the process of learning analytics in progress while reducing the risk of inadvertent disclosure of learners’ identities. In this paper, the authors discuss de-identification methods in the context of the learning environment and propose a first prototype conceptual approach that describes the combination of anonymization strategies and learning analytics techniques.
Chapter
Full-text available
Daten, Daten, Daten ... entstehen in der heutigen Welt durch das zuneh- mende Angebot an webbasierten Applikationen. Je mehr sich das Inter- net öffnet, je mehr Benutzer sich auf einer Plattform anmelden, desto mehr füllen sich die dahinterliegenden Datenbanken. Unter den Schlag- wörtern »Big Data« und »Data Mining« versteht man die Analyse dieser Daten, deren Interpretation und einer oft automatisierten benutzer- abhängigen Reaktion. Die Tragweite von solchem auf das Lehren und Lernen angewandten Vorgehen ist heute kaum abschätzbar. In diesem Beitrag geben wir mit Beispielen eine Einführung in das Forschungsgebiet Learning Analytics (LA). Die Darstellung soll auch helfen, LA vom konven- tionellen Bereich Educational Data Mining (EDM) abzugrenzen. Als Bei- spiele für LA werden Anwendungen zum Erlernen der Arithmetik und zur Analyse von Aktivitäten im Personal-Learning-(PLE)-Bereich der Technischen Universität Graz vorgestellt und es wird dargelegt, wie Lehr- personen von den Ergebnissen profitieren können. Charakteristisch für diese Anwendungen ist, dass dabei Unmengen von Daten erhoben, gespeichert und analysiert werden, wie das ohne Technikeinsatz nicht möglich wäre. So erkennen wir Chancen für eine wesentliche Qualitäts- verbesserung des Lehrens und Lernens durch individuelle, zeitnahe, prä- zise, aber kompakte Feedbacks für alle an Unterrichtsprozessen Beteilig- ten. Im Hinblick auf die Forschung zum Lehren und Lernenbetreten wir gerade einen Raum mit nur zu erahnenden Erkenntnismöglichkeiten.
Article
Full-text available
This paper describes a study about the use of learning analytical applications in everyday school life. The research study took place in an Austrian secondary school during the mathematics courses. The subjects of the courses were the four basic arithmetical operations in the set of the natural numbers. All together two mathematics classes with 46 children at the age of 10 to 11 participated in this study. The aim was to test the usefulness of mathematics trainers, developed by the University of Technology in Graz, under real conditions. Therefore, one of the classes was determined as the experimental group, which studied with the mathematics trainers. The other class was set as the control group. This class operated with traditional exercise sheets. A pre-test and post-test control-group study indicated that the use of mathematics trainers does not decrease learning outcomes, but it points out other benefits during the whole learning arrangement. These advantages include error analysis, time saving in comparing the homework and enjoying the work with the trainers.
Article
Full-text available
Learning Analytics (LA) is an emerging field; the analysis of a large amount of data helps us to gain deeper insights into the learning process. This contribution points out that pure analysis of data is not enough. Building on our own experiences from the field, seven features of smart learning analytics are described. From our point of view these features are aspects that should be considered while deploying LA.
Article
Full-text available
Learning Analytics is an emerging field, because the analyses of a big amount of data can lead to deeper insights into how learning occurs. In this publication we introduce a new addition / subtraction trainer which assists teachers in their daily basic math education. A first field study points out that beside of typical mistakes also systematic ones can be detected.
Conference Paper
Full-text available
One of the first and basic mathematical knowledge of school children is the multiplication table. At the age of 8 to 10 each child has to learn by training step by step, or more scientifically, by using a behavioristic learning concept. Due to this fact it can be mentioned that we know very well about the pedagogical approach, but on the other side there is rather less knowledge about the increase of step-by-step knowledge of the school children. In this publication we present some data documenting the fluctuation in the process of acquiring the multiplication tables. We report the development of an algorithm which is able to adapt the given tasks out of a given pool to unknown pupils. For this purpose a web-based application for learning the multiplication table was developed and then tested by children. Afterwards so-called learning curves of each child were drawn and analyzed by the research team as well as teachers carrying out interesting outcomes. Learning itself is maybe not as predictable as we know from pedagogical experiences, it is a very individualized process of the learners themselves. It can be summarized that the algorithm itself as well as the learning curves are very useful for studying the learning success. Therefore it can be concluded that learning analytics will become an important step for teachers and learners of tomorrow.
Article
Full-text available
With the increase in available educational data, it is expected that Learning Analytics will become a powerful means to inform and support learners, teachers and their institutions in better understanding and predicting personal learning needs and performance. However, the processes and requirements behind the beneficial application of Learning and Knowledge Analytics as well as the consequences for learning and teaching are still far from being understood. In this paper, we explore the key dimensions of Learning Analytics (LA), the critical problem zones, and some potential dangers to the beneficial exploitation of educational data. We propose and discuss a generic design framework that can act as a useful guide for setting up Learning Analytics services in support of educational practice and learner guidance, in quality assurance, curriculum development, and in improving teacher effectiveness and efficiency. Furthermore, the presented article intends to inform about soft barriers and limitations of Learning Analytics. We identify the required skills and competences that make meaningful use of Learning Analytics data possible to overcome gaps in interpretation literacy among educational stakeholders. We also discuss privacy and ethical issues and suggest ways in which these issues can be addressed through policy guidelines and best practice examples.