Learning Analytics - eine Einführung

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.

Full text

!"#$#%&'()"*+,#)%)%(#%-(./%)"0(12(345678(9)&"%#%$(:%&';<#+*(=()#%)(.#%>?,"@%$2(A#'B@%$(@%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),
26‐39. 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).
(