ChapterPDF Available

Learning Analytics in der Schule - Anforderungen an Lehrerinnen und Lehrer

Authors:

Abstract

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.
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
Martin Ebner, Philipp Leitner und Markus Ebner
Learning Analytics in der Schule Anforderungen an Lehrerinnen
und Lehrer
Zusammenfassung: 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.
Schlüsselwörter: Learning Analytics, Big Data, Educational Data Mining, Einmaleins, Spracher-
werb
1 Einleitung
Daten werden heute als das Gold der Informationsgesellschaft gehandelt und sind in ver-
schiedensten Kontexten in aller Munde (Shacklock, 2016). Big Data war und ist ein Schlagwort,
das gerne und oft verwendet wird, wenn es etwa darum geht, auf was sich ein Unternehmen in
Zukunft konzentrieren solle. Prinzipiell begründet die Analyse von Daten kein neues For-
schungsfeld, allerdings fallen diese nicht mehr analog sondern zunehmend oder ausschließlich
digital an. Durch die fortschreitende Digitalisierung des Alltags oder der Arbeitswelt kommt es
quasi automatisch zu einer Unsumme von unterschiedlichen Daten, egal ob diese von einem
Computer, Laptop, Smartphone, einer digitalen Uhr o. ä. erzeugt werden. Durch die gleichzei-
tige Verwendung entsprechender webbasierter Software weiß man nun auch, von wem diese
Daten stammen. Diese sind also personalisiert und daraus lassen sich Profile und Kategorien
erstellen, die wiederum Eingang in Analysemodelle haben um daraus z. B. personalisierte In-
formationen zu erstellen oder sogar Prognosen aufzustellen. Kurzum: dort wo Daten anfallen,
können diese in vielfältigster Weise verwendet werden, um daraus neue Services zu generieren.
Im Anschluss an die skizzierten Entwicklungen kann die Frage aufgeworfen werden, in-
wieweit die zunehmende Analyse von Daten auch für den Lehr- und Lernbereich folgen- oder
hilfreich ist bzw. sein kann. Erstmals adressiert wurde die Fragestellung auf der ersten Learn-
ing-Analytics-Konferenz 2011
1
in Alberta. Learning Analytics wurde in diesem Rahmen als
„the measurement, collection, analysis and reporting of data about learners and their contexts,
for purposes of understanding and optimizing learning and the environments in which it occurs“
(Siemens, 2011) definiert. Siemens und Long (2011) stellen fest, dass explizite Daten eines
Lernenden als ein Nebenprodukt aufgrund der Nutzung von Internet, Computer, Smartphones
oder auch Lernmanagementsystemen entstehen. Diese Daten könnten genutzt werden, um ge-
nerelle Aussagen über den Lehr- und Lernbereich zu machen. Duval (2011) erweitert die Per-
1
https://tekri.athabascau.ca/analytics/ (letzter Abruf November 2019)
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
spektive auf die sich bietenden Potentiale, indem er von Spuren sprach, die Lernende im Inter-
net hinterlassen und die erfasst werden könnten. Greller und Drachsler widmen sich 2012 erst-
mal einem Learning-Analytics-Framework und verweisen auf die Rolle der Lehrenden, in deren
Verantwortungsbereich falle, rechtzeitig Interventionen vorzunehmen. Learning Analytics ist
dabei als Tool zu sehen, das hilft Muster zu erkennen, aus dem dann Lehrende Maßnahmen für
Lernenden ableiten können. Dies zunächst noch ohne auf einen spezifischen Bildungssektor
einzugehen.
Im Anschluss gibt es einige weitere Forschungsarbeiten, die versuchen, sich nun Learning
Analytics systematisch auf einer Metaebene zu widmen (Schön & Ebner, 2013). Ferguson
(2014) zeigt beispielsweise zum ersten Mal auf, wie sich die Felder High Level Analytics,
Academic Analytics, Educational Data Mining und Learning Analytics unterscheiden. Wäh-
rende High Level Analytics und Academic Analytics sich auf der Metaebene der Bildungsin-
stitution bewegen, indem sie es z. B. erlauben, institutionsübergreifende spezielle Kennzahlen
zu ermitteln, ist bei Educational Data Mining der gesamte Lehr- und Lernprozess automatisiert
und Lehrende sind kaum mehr beteiligt. Das Framework von Cooper (2012) versucht dann,
Learning-Analytics-Maßnahmen hinsichtlich einer Zeitachse (Vergangenheit, Gegenwart und
Zukunft) zu unterscheiden bzw. deskriptiv Informationen dargestellt werden oder Daten dazu
verwendet tatsächlich neue Erkenntnisse zu generieren.
Eine sehr zeitnahe aber sehr treffende Definition wurde im Whitepaper „Learning Analy-
tics: Einsatz an österreichischen Hochschulen“ veröffentlicht. Dort steht zu lesen: „Learning
Analytics umfasst die Analyse, Darstellung und Interpretation von Daten aus Lehr- und Lern-
settings mit dem Zweck, dass Lernende ihr Lernen unmittelbar verändern können.“ (Leitner et
al., 2019, S. 8). In dieser Definition werden die Lernenden in das Zentrum der Betrachtung
gestellt, denn sie sollen selbst von ihren Daten unmittelbar profitieren können. Während also
Academic Analytics oder auch High Level Analytics stark das Interesse von Institutionsleitun-
gen einnimmt soll sich Learning Analytics tatsächlich primär dem Lernprozess widmen. Es
geht also z. B. nicht darum, dass untersucht wird wie sich eine Schulklasse oder ein Jahrgang
zu anderen verhält, sondern darum, dass Lehrer*innen sehen können wie der Lernfortschritt ist.
3 Forschungsstand
Das Forschungsfeld Learning Analytics entstand parallel zur Debatte um Big Data und hat
seinen Ursprung in der erstmaligen Konferenz zu Learning Analytcis in 2011. Danach sieht
man einen Zuwachs an Publikationen zum Themenfeld auf unterschiedlichsten Ebenen und mit
unterschiedlichsten Perspektiven. Eine Unterscheidung war zunächst nur im Bereich der An-
wendungen möglich, wie die beiden Publikationen „Learning Analytics an Hochschulen“ (Leit-
ner & Ebner, 2017) und „Learning Analytics an Schulen“ (Taraghi et al., 2017) zeigten.
Das Wachstum von Publikationen schreitet aber stetig voran. So erstellte Mohammad
Khalil (2017) im Rahmen seiner Dissertation eine grobe Analyse und konnte zeigen, welche
Themenfelder im Bereich des Technology Enhanced Learning bereits mit Learning Analytics
beschäftigen (siehe Abbildung 1).
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
Abbildung 1. Übersicht in welchen Themenfeld Learning Analytics zur Anwendung kommt
(erstellt von Mohammad Khalil)
Ähnlich verhält es sich bei den Forschungsmethoden (Schön & Ebner, 2013). Oftmals fin-
det man das klassische Vorgehen des Prototyping aus den informatischen Forschungsfeldern,
da es primär zuerst um die Erstellung entsprechender Applikationen geht. Werden diese dann
in Feldstudien angewandt erfolgt dies oftmals mittels Design-Based-Research- oder Action-
Based-Research-Ansätzen. Auch die nachfolgend angeführten Beispiele wurden zuerst erstellt
und mittels Proof-of-Concept und Usabilitystudien getestet, ehe sie mit begleitenden Feldstu-
dien in Schulen eingesetzt wurden.
4 Learning Analyticsviele Herausforderungen für die Bildungssektoren
Learning-Analytics-Applikationen, also Learning-Analytics-Maßnahmen die bereits software-
mäßig umgesetzt wurden, klingen zunächst vielversprechend und bieten vermeintlich unbe-
grenzte Möglichkeiten. Allerdings wird man sehr schnell mit vielen Herausforderungen kon-
frontiert, die sich im Wesentlichen den folgenden sieben Gruppen zuordnen lassen (Leitner &
Ebner, 2017; Leitner et al., 2019):
1. Zweck und Nutzen: Zu Beginn jeder Applikation steht im Vordergrund, welchen Zweck
und Nutzen sie hat und für welche Zielgruppe und Stakeholder sie zu konzipieren ist.
2. Darstellung und Maßnahmen: Ein Herzstück jeder Learning-Analytics-Applikation sind
die Darstellung und die dahinterliegenden Modelle. Sehr herausfordernd ist es, gute, über-
schaubare und leicht verständliche Visualisierungen zu geben, die den Interpretationsspiel-
raum des Abgebildeten möglichst gering halten.
3. Daten und Datenmodelle: Nachdem jede Learning-Analytics-Anwendung auf Daten ba-
siert, stellt sich sofort die Frage ob diese überhaupt vorliegen und wenn ja, in welcher Form
und auf welchen Systemen. Oftmals müssen diese erst umfassend aufbereitet werden. Auch
ist die Vollständigkeit der Datensätze wesentlich.
4. IT-Infrastruktur: Damit die Daten verarbeitet werden, ist eine entsprechende IT-Infrastruk-
tur notwendig. Gerade im Schulbereich, wird dies kaum selbst tragbar sein, sondern man
greift auf externe Dienstleister zurück.
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
5. Entwicklung und Betrieb: Eine weitere Herausforderung stellt dann der eigentliche Betrieb
bzw. die generelle oder auch fortschreitende Entwicklung dar.
6. Privatsphäre und Datenschutz: Ein sehr wichtiger Punkt ist auch der Umgang mit den Da-
ten unter Beachtung der Privatsphäre und des Datenschutzes. Wichtig ist in diesem Zusam-
menhang ein transparentes Vorgehen. Welche Daten werden benötigt und wozu? Wie er-
folgt die Löschung der Daten und wer hat Zugriffsrechte? Da in der Regel die Analysemo-
delle umso aussagekräftiger werden, je mehr persönliche Daten gesammelt und ausgewer-
tet werden können, ist im Umkehrschluss der richtige Umgang mit diesen Daten eine zwin-
gende Voraussetzung, damit persönliche Daten nicht missbräuchlich verwendet werden.
7. Ethik: Abschließend soll beachtet werden, dass, wenn eine Datenanalyse technisch mög-
lich und rechtlich unbedenklich ist, diese nicht automatisch auch aus ethischen Gesichts-
punkten vertretbar ist. So werden vielleicht Situationen ersichtlich, die sowohl positive als
auch negative Entwicklungen von Personen nachzeichnen. Ob diese Entwicklung dann
wann und wie visualisiert werden, ist in jedem Falle zu bedenken.
5 Learning Analytics im Schulbereich
Die Situationen an den einzelnen Bildungsinstitutionen sind durchaus unterschiedlich. So un-
terscheiden sich Hochschulen mit einer großen Anzahl an Studierenden, Lehrenden und Lehr-
veranstaltungen (Leitner & Ebner, 2017) stark von allgemeinbildenden Schulen (Taraghi, Eb-
ner, Ebner & Schön, 2017) oder auch von Institutionen im Bereich der beruflichen Aus- und
Weiterbildung (Ebner, 2019). Hochschulen verfügen darüber hinaus in der Regel über umfas-
sende Informationssysteme, die den Lehr- und Lernbetrieb managen und begleiten sowie über
eine eigene IT-Infrastruktur, die einen Ansatzpunkt für Learning-Analytics-Applikationen bie-
ten kann. In anderen Bildungssektoren sind die Bedingungen in der Regel gänzlich anders, mit
oftmals geringen Datenlagen in kleinen dezentralisierten, lokalen Systemen. Daher sind im
Schulbereich vorwiegend externe Lehr- und Lernanwendungen (z.B. Lernapps, Lese- und Re-
chensoftware) zentraler Anbieter anzutreffen, deren Datenmengen ausreichend erscheinen, um
entsprechende Auswertungen vorzunehmen.
Eine erste technische Umsetzung findet sich in der Literatur mit dem „Cognitive Tutor“
zur Algebra (Koedinger & Corbett, 2006), in dem versucht wird, durch multimediale, interaktiv
aufbereitete Lernmaterialien das Lernen zu unterstützen. Noch mehr dem Forschungsfeld Edu-
cational Data Mining zuzuordnen ist das Beispiel Alice“, ein Framework zum Erlernen von
Programmierfähigkeiten. Hier werden anhand von Low-Level-Logdaten Lernstrategien von
Anfängerinnen und Anfängern abgeleitet (Werner, McDowell & Denner, 2013). Des Weiteren
gibt es auch Anwendungen wie Busuu (https://www.busuu.com/de), die auch für den Schulun-
terricht eingesetzt werden können und umfassende Analysen zur Optimierung ihres Angebotes
zu erstellen. Busuu ermöglicht so z.B. das Erlernen von unterschiedlichen Sprachen durch ent-
sprechende Trainingsprogramme und die Unterstützung von Native-Speaker/innen die Ler-
nende begleiten. Die umfassenden Analysen helfen dabei einen Überblick über den eigenen
Lernstand zu bekommen.
Im Folgenden werden nun zwei Anwendungen beschrieben, die im Vergleich zu den oben
genannten Anwendungen einen Schritt weiter gehen und Datenanalyse tatsächlich einsetzen,
um Lernfortschritte zu beobachten und Rückmeldung in Echtzeit zu geben.
6 Learning Analytics Zwei Beispiele
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
6.1 Einmal-Eins-Trainer
Im Rahmen eines österreichischen Projektes entstand 2011 der Einmal-Eins-Trainer (Schön,
Ebner & Kothmeier, 2012) und dabei der Idee folgend, das Erlernen der grundlegenden Re-
chenoperationen zu unterstützen. Dabei steht die Idee des Übens und Vertiefens im Vorder-
grund, d. h. die Autoren gehen davon aus, dass das Kind bereits die grundsätzlichen Rechenar-
ten beherrscht und mit einem virtuellen Trainer diese nun vertiefen kann. Das Alter der Ziel-
gruppe liegt dabei bei etwa 8-10 Jahre oder auch darüber hinaus. Die Webanwendung des Ein-
mal-Eins-Trainers beruht auf zwei wesentlichen Komponenten:
1. Intelligenter Algorithmus für die Auswahl der nächsten Rechenoperation: Auf Basis
einiger weniger Einstiegsrechnungen legt die Applikation ein ungefähres Kompetenz-
level fest. Das Level spiegelt die derzeitige interne Einschätzung der Rechenkompetenz
wider. Der Algorithmus wählt die nächste zu lösende Rechnung mit einer hohen Wahr-
scheinlichkeit im Umfeld dieser Kompetenzstufe oder wiederholt etwas bereits Abge-
fragtes zur Festigung.
2. Datenanalyse: Die entstehenden Daten (falsche/richtig gelöste Rechnungen) werden in
geeigneter Weise visualisiert. So sieht die/der Lernende zu jedem Zeitpunkt den eigenen
Stand bzw. auch die (wenn zugewiesen) Lehrperson.
[Abbildung 2 hier]
Abbildung 2. Übersichtsgrafik für eine Lernende bzw. einen Lernenden
Abbildung 2 zeigt die Übersichtsgrafik für eine Lernende bzw. einen Lernenden. Die Grafik
lässt beispielhaft erkennen, dass diese Person bereits 33-mal eingeloggt war und gibt Auskunft
über den derzeitigen Bearbeitungsstand der Aufgaben. Ein leerer Stern zeigt an, dass dieses
Beispiel aus dem jeweilig zugeordneten Themen- und Anforderungsbereich noch nie vorgege-
ben wurde und ein halbvoller, dass zumindest ein Beispiel einmal richtig beantwortet wurde.
Der gänzlich grüne Stern bedeutet, dass die zugehörige Aufgabe „gut gekonnt“ beantwortet
wurde, was genau dann der Fall ist, wenn diese zumindest zweimal hintereinander richtig gelöst
wurde. Der rote Stern gibt an, dass die Aufgabe nicht richtig beantwortet wurde.
Aus dieser Einzelansicht werden anschließend weitere Ansichten generiert, sodass eine
Lehrperson die Übersicht über alle Schülerinnen und Schüler erhält. In weiteren Forschungsar-
beiten wurde darüber nachgedacht, ab wann eine Intervention von Lehrenden stattfinden sollte
bzw. wie lange Fehler selbst als normal bzw. wenig kritisch gesehen werden können. Die um-
fassende Analyse zeigt, dass in etwa bei 3-4 Fehlern die unmittelbar hintereinander gemacht
werden, eine Intervention in Form einer Hilfestellung des Lehrenden erfolgen sollte (Taraghi,
Ebner, Saranti & Schön, 2014), da sich Lernende dann restlos in Fehlern verstricken.
6.2 IDeRBlog (Individuell differenziert Rechtschreiben mit Blogs)
Im Rahmen des Erasmus+ Projekts „IDeRBlog“ (Individuell differenziert Rechtschreiben mit
Blogs) wurde mit Partnerinnen und Partnern aus Deutschland, Belgien und Österreich eine
Plattform entwickelt, die sich mit dem Erwerb der deutschen Rechtschreibung beschäftigt (Eb-
ner, Edtstadler & Ebner, 2017). Aufgrund des Erfolgs des Projektes wurde ein Folgeprojekt mit
Namen „IDeRBlog ii“ gestartet, das den Fokus stärker auf die Individualisierung des Lernpro-
zesses legt. So sollen z. B. basierend auf den Analysen spezielle Übungen vorgeschlagen wer-
den oder Lernapps empfohlen werden, die weitere Daten sammeln.
Die deutsche Rechtschreibung zu erlernen und zu beherrschen, insbesondere für Kinder in
Grund- und Mittelschulen zählt zu den Schlüsselqualifikationen unserer Gesellschaft, um am
täglichen Leben teilnehmen zu können (Gros & Steinhauer, 2018). Die IDeRBlog Plattform
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
versucht, die Forschung im Bereich Learning Analytics mit den Erkenntnissen im Bereich
Technology Enhanced Learning zu kombinieren, um so den Erwerb der deutschen Rechtschrei-
bung zu unterstützen (Edtstadler, Ebner & Ebner, 2015; Ebner et al., 2015b). So werden einer-
seits Analysen gezielt eingebaut in eine webbasierte Übungsumgebung.
Die webbasierte Plattform motiviert Schülerinnen und Schüler im Alter von 8 bis 12 Jah-
ren, ihre Rechtschreibkenntnisse durch das Schreiben von Texten und der Möglichkeit, diese
zu veröffentlichen, zu verbessern. Während des Schreibprozesses liefert das System dem Kind
spezifisches Feedback, um dieses zu ermutigen, über die Rechtschreibung nachzudenken und
Fehler selbstständig zu korrigieren (siehe Abbildung 3) (Ebner et al., 2015a; Ebner, Taraghi,
Saranti & Schön, 2015). Ermöglicht wird die eigenständige Fehlerkorrektur durch die Einbin-
dung eines intelligenten Wörterbuchs, das eine qualitative Fehleranalyse zur Verfügung stellt.
Dabei schreibt das Kind einen Text der beliebig oft überarbeitet werden kann und dessen Er-
stellung durch ein intelligentes Wörterbuch unterstützt wird (Beispiel siehe Abbildung 4). Auf
Basis der Rechtschreibfehler werden Übungen mit Hilfe von Learning Analytics angeboten, die
entweder aus einem internen oder externen Übungspool entnommen werden. Nach der ab-
schließenden Kontrolle durch die Lehrkraft kann der Text auf der Plattform in einem Blog ver-
öffentlicht und von anderen Kindern gelesen werden, was die Motivation, Texte zu schreiben,
fördern soll (Aspalter, Edtstadtler & Martich, 2017).
[Abbildung hier]
Abbildung 3. Der Schreibprozess auf IDeRBlog (Aspalter et al., 2017, S. 11)
Im Gegensatz zu einem herkömmlichen Autokorrektursystem, das nur angibt, ob ein Wort mit
einer gewissen Wahrscheinlichkeit falsch geschrieben wurde, und eine Alternative aus einer
Liste von möglichen Wörtern vorschlägt, verhilft dieses System zu tieferen Einblicken in den
Erwerb der deutschen Sprache (siehe Abbildung 4). Die nachfolgend beschriebenen Analysen
können dann zur Früherkennung von Lernproblemen genutzt werden und ermöglichen es den
Lehrkräften, frühzeitig einzugreifen (Siemens & Long, 2011; Greller & Drachsler, 2012; Ebner
et al., 2017)
Abbildung 4. Beispiel für einen Korrekturvorschlag (Ebner et al., 2017, S.)
Lehrkräfte können eine qualitative Analyse sowohl auf Ebene des einzelnen Kindes als auch
auf Ebene der ganzen Klasse erhalten, die auf den aufgetretenen orthographischen Fehlern ba-
siert. Sowohl den Schülerinnen und Schülern als auch der Lehrperson werden, basierend auf
den von den Kindern gemachten Fehlern in den jeweiligen Kategorien (siehe dazu Abbildung
5) ausgewählte Online- und Offline-Übungen von der Applikation vorgeschlagen. Die auf der
Webseite (http://www.iderblog.eu) zur Verfügung gestellten Materialien stehen unter der Cre-
ative Commons Lizenz „CC-BY“ zur Verfügung und können unter Angabe des Projektnamens
verändert, vervielfältigt und weitergegeben werden. Derzeit stehen über 500 Übungen bereit,
die sowohl als Online- als auch als Print-Version abgerufen werden können (Gros & Steinhauer,
2018).
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
[Abbildung hier]
Abbildung 5. Auswertungsübersicht für Kinder (Gros & Steinhauer, 2018, S. 31)
Der in der Plattform integrierte Blog, in dem Mitschülerinnen und Mitschüler Beiträge anderer
Kinder kommentieren können, liefert im Rahmen des Projektes auch einen wichtigen Beitrag
im Ausbau der Medienkompetenz. Der richtige Umgang mit Zugangsdaten wird geübt und im
Rahmen des Bloggens die Verwendung von Medien geübt. Kinder können auch anhand der
Veröffentlichung ihrer Texte dafür sensibilisiert werden, ob ein Text öffentlich zugänglich sein
sollte oder auch nicht. Die Kommentarfunktion im Blog erlaubt zusätzlich die Möglichkeit sich
mit solchen Möglichkeiten des Austausches auseinanderzusetzen und bietet die Möglichkeit
eine altersgemäßen Netiquette (z. B. wie kommuniziere ich richtig im Internet?) zu üben.
Das Angebot der Plattform wird durch zahlreich bereitgestelltes Material – neben den an-
gesprochenen Online- und Offline Übungssammlungen – mit Hintergrundwissen zum Projekt,
als auch Foliensätzen für z. B. Elternabende, Rechtschreiblernkurse für Kinder u. ä. ergänzt
(für weitere Informationen, vgl. http://www.iderblog.eu).
7 Anforderungen an Lehrerinnen und Lehrer
Die beiden Einzelbeispiele verdeutlichen die Möglichkeiten von Learning Analytics. Sie ma-
chen zudem deutlich, dass damit spezifische Anforderungen für die Lehrerinnen und Lehrer
einhergehen. Als Hintergrund für die Beschreibung relevanter Aufgabenbereiche kann das von
Greller und Drachsler (2012) entwickelte Learning Analytics Framework (siehe Abbildung 6)
genutzt werden. Hier erscheint der eigentliche Learning-Analytics-Teil als eine Art Blackbox,
die die Daten entsprechend den hinterlegen Datenmodellen und den entsprechenden Algorith-
men verarbeitet, analysiert und aufbereitet. Dies führt zu einem Ergebnis für die Lernenden und
die Lehrperson und zu anschließend notwendigen pädagogischen Handlungs- bzw. Interven-
tionsoptionen, die im Anschluss auch das Lehr- und Lernsetting verändern können, indem z. B.
entsprechende Hilfestellungen oder spezielle Übungen gegeben werden. Die weitere Durchfüh-
rung wird wieder analysiert, aufbereitet und dargestellt. Dieser Zyklus ist die Basis des gene-
rellen Verständnisses zu Learning-Analytics-Applikationen. Sie sind dezidiert eine Hilfestel-
lung für die entsprechende Lehrperson und helfen dabei, den Lernstand der Schüler/innen ein-
zuschätzen und gezielter zu adressieren.
[Abbildung hier]
Abbildung 6. Learning Analytics Framework nach Greller & Drachsler (2012, S. 53)
Im Rahmen der Projekte wurden zahlreiche Workshops mit Lehrer*innen gehalten und der Ein-
satz an Schulen begleitet. Dabei stellen sich natürlich Anforderungen an die Einbindung solcher
Applikationen in den Unterricht. Jedoch stellt sich auch heraus, dass auch durchaus neue Her-
ausforderungen an die Lehrpersonen gestellt wurden. Insbesondere basierend am Framework
von Greller und Drachsler (2012) (siehe Abbildung 6) sowie eben den Erfahrungen aus den
angeführten Beispielen ergeben sich spezifische Anforderungen an Lehrerinnen und Lehrer die
im Zuge der Learning-Analytics-Maßnahmen zu beachten sind. Diese können in drei Bereiche
gegliedert werden:
1. Statistische Kompetenz: Learning-Analytics-Anwendungen basieren auf Daten und deren
Analysen, welche zumeist entsprechend visualisiert werden. Insbesondere im Bereich
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
prognostischer Aktivitäten ist es unerlässlich, richtige Einschätzungen zu tätigen. So be-
deutet, dass eine 80%ige-Wahrscheinlich zwar oft, aber nicht immer eintritt und die Aus-
sage daher auch immer kritisch zu sehen ist. Oft ist es auch schwierig, Visualisierungen
richtig zu interpretieren, wenn das dahinterliegende Modell und dessen Parameter gänzlich
unbekannt sind. Vielfach gibt es auch verschiedene Möglichkeiten der Interpretation die
im schlimmsten Falle gegensätzlich Entscheidungen zulassen. Daher ist es zwingend not-
wendig, eine Grundkompetenz aufzubauen, die statistische Aussagen kritisch hinterfragt
und entsprechende Aussagen interpretieren bzw. einschätzen kann. Auch wird empfohlen,
dass bei sehr komplexen Darstellungen immer eine entsprechende Schulung von sowohl
Lehrenden als auch Lernenden durchzuführen ist, um Missverständnisse zu vermeiden, die
sehr schnell zur Demotivation oder Nicht-Beachtung solcher Analysen führen können (De
Laet et al., 2018).
2. Digitale Kompetenz: Nachdem Learning-Analytics-Anwendungen per se digital und in den
meisten Fällen auch webbasiert sind, ist generell digitale Kompetenz hilfreich. Erst wenn
man grundsätzlich versteht, wie Daten gesammelt, aufbereitet und analysiert werden kön-
nen, erscheint es nachvollziehbar, wie welche Ergebnisse zustande kommen. Auch scheint
klar, dass genereller Umgang mit digitalen Technologien eine Grundvoraussetzung ist, zu-
mal die Auswertungen in entsprechend geschützten Bereichen zu finden sein werden. Zu
guter Letzt ist auch die notwendige Hardwareanschaffung zu bedenken und deren geregel-
ter Umgang.
3. Datenschutz: Ein sehr wichtiger Punkt im Umgang mit Learning-Analytics-Applikationen
ist die Wahrung der Privatsphäre und des Datenschutzes. Hierzu sind Basiskenntnisse un-
erlässlich, denn selbst wenn die Software alle Punkte richtig berücksichtigt, so kann diese
keine Verletzungen verhindern die durch missbräuchliche Nutzung durch Nutzerinnen und
Nutzer entstehen. Dies beginnt z. B. schon bei der Übermittlung von Datensätzen, die die
Anonymität der Lernenden aufhebt oder ein unsachgemäßer Umgang mit Ergebnissen, in-
dem z. B. Screenshots, Ausdrucke auf lokalen oder verteilten Netzwerken (Cloud) gespei-
chert werden. In allen Fällen scheint der Hinweis sehr wesentlich, dass die handelnden
Personen über entsprechendes Wissen und Verhalten verfügen müssen, wenn sie Learning-
Analytics-Anwendungen verwenden.
8 Diskussion & Zusammenfassung
Learning Analytics ist ein Themenfeld, das erst seit 2011 als eigenes Forschungsfeld geführt
wird und nun auch langsam in der alltäglichen Schulpraxis Eingang findet. Zumeist behindern
oftmals Datenschutzbestimmungen eine weite Verbreitung. Es geht wie beschrieben immer da-
rum, dass Daten von Lernenden verwendet werden sollen, um daraus durch entsprechende Ana-
lysen und Visualisierungen das Lernen an sich zu verbessern. Dies hat im Umkehrschluss
durchaus große Auswirkungen so kann damit auch die Lehrqualität gehoben werden, das
Verständnis von Lehr- und Lernprozessen verbessert werden oder auch die Bildungsinstitution
sich selbst anders ausrichten.
Es wurde darauf hingewiesen, dass die Lehrperson selbst eine sehr wesentliche und tra-
gende Rolle im gesamten Prozess spielt. Die Learning-Analytics-Anwendung ist eine Hilfestel-
lung und kann dort stark wirken, wo es darum geht, eine Masse an Daten zu sammeln und
aufzubereiten, was der Lehrperson in diesem Umfang keineswegs möglich wäre. Daran an-
schließend erfordert dies neue Kompetenzen, die so vielleicht heute noch nicht vorhanden sind.
Vor allem in dem Bereichen Statistik, Digitalität und Datenschutz ist grundsätzliches Wissen
notwendig, um die Anwendungen entsprechend nutzen zu können.
Es ist also sicherzustellen, dass diese Kompetenzen aufgebaut durch entsprechende Maß-
nahmen werden können, damit Fehlinterpretationen, Missverständnisse, Bedienungsfehler oder
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
Daten-Leaks verhindert werden können. Eine unsachgemäße Verwendung könnte durchaus
weitereichende Folgen haben, wenn man an bereits bekannte Fälle von Daten-Leaks denkt.
Abschließend erlauben wir uns noch die Anmerkung, dass wir aufgrund langjähriger Er-
fahrung nach wie vor sehr enthusiastisch gegenüber den Möglichkeiten rund um Learning Ana-
lytics sind. Wir konnten viele Einblicke in den Lehr- und Lernprozess gewinnen, die so nicht
möglich gewesen wären und haben Phänomene beobachtet, die weder erwartet noch gezielt
beobachtet wurden. Auf der anderen Seite hat uns die Erfahrung auch gezeigt, dass man sehr
sensibel mit den Daten umgehen muss, da sich auch Gefahren verbergen, die vielleicht negative
Auswirkungen haben könnten. Auch ist der ethische Gesichtspunkt ein wesentlicher nicht
alles was analysiert werden kann, sollte analysiert werden oder nicht alle Auswertungen sollten
vielleicht der Lehrperson gezeigt werden, weil zu befürchten ist, dass dieses Wissen demoti-
vierend im Lehr- und Lernsetting wirken könnte. Kurzum, es ist sehr ratsam, dass Verantwort-
liche im Themenbereich auch ethische Rahmenbedingungen im Blick haben und sich immer
wieder rückversichern, welche Implikationen eine entsprechende Visualisierung haben kann.
Das Themenfeld ist also breit und es wird gerade das Tor aufgestoßen, um im Detail zu
wissen, was uns morgen erwartet und welche Möglichkeiten hinzukommen, wenn man all die
datensammelnden smarten Devices denkt. Daher ist es umso zwingender notwendig, sich die-
sem Diskurs zu stellen, entsprechende Applikationen umzusetzen. Diese müssen dann großflä-
chiger zum Einsatz kommen um mit vielen Daten evidenzbasierte Erkenntnisse zu generieren.
Ebenso zeigt sich, dass noch viel Forschung auf diesem Gebiet notwendig ist, die dann
gezielt in die alltägliche Praxis zu bringen ist. Vor allem ist der Diskurs sehr breit zu führen,
damit es nicht zu einer datenlastigen Situation führt, denn die Daten und deren Interpretation
müssen das pädagogische Handeln unterstützen und nicht umgekehrt. Diese hat alles unter ethi-
schen und rechtlichen Gesichtspunkten stattzufinden, da es letztendlich darum, dass das Lernen
aktiv unterstützt wird und Lernende keine Nachteile erfahren.
Literatur
Aspalter, C., Edtstadler, K. & Martich, S. (2017). Recht-/schreibdidaktische Überlegungen für den Einsatz der
Internetplattform IDeRBlog. R&E-SOURCE. Abgerufen am 29.2.2020 von https://journal.ph-
noe.ac.at/index.php/resource/article/view/368, Bd, 115.
Cooper, A. (2012). A Framework of Characteristics for Analytics. Analytics Series, 1(7), 117.
De Laet, T., Broos, T., van Staalduinen, J.-P., Ebner, M., Leitner, P. (2018)Transferring learning dashboards to
new contexts: experiences from three case studies. In: Conference Proceeding Open Educational Global
Conference 2018. p. 14. Delft, Netherlands
Duval, E. (2011). Attention Please! Learning Analytics for Visualization and Recommendation. To appear in:
Proceedings of LAK11: 1st International Conference on Learning Analytics and Knowledge 2011. Pro-
ceedings of the 1st International Conference on Learning Analytics and Knowledge, LAK 2011, Banff,
AB, Canada
Edtstadler, K., Ebner, M., & Ebner, M. (2015). Improved German Spelling Acquisition through Learning Ana-
lytics. eLearning papers, 45, 1728.
Ebner, M., Taraghi, B., Ebner, M., Aspalter, C., Biermeier, S., Edtstadler, K., ... Ziegler, K. (2015a). Design für
eine Plattform zum Schreibenlernen im Grundschulalter. In S. Rathmayer & H. Pongratz (Eds.), Proceed-
ings of DeLFI Workshops 2015 co-located with 13th e-Learning Conference of the German Computer
Society (DeLFI 2015) (1443 ed., pp. 118122). München, Deutschland: CEUR Workshop Proceedings.
Ebner, M., Taraghi, B., Saranti, A., & Schön, S. (2015b). Seven features of smart learning analytics lessons
learned from four years of research with learning analytics. eLearning papers, 40, 5155.
Ebner, M., Edtstadler, K., & Ebner, M. (2017). Learning Analytics and Spelling Acquisition in German Proof
of Concept. In P. Zaphiris & A. Ioannou (Eds.), Learning and Collaboration Technologies. Technology in
Education: 4th International Conference, LCT 2017, Held as Part of HCI International 2017, Vancouver,
BC, Canada, July 9-14, 2017, Proceedings, Part II (pp. 257268). Cham: Springer International Publi-
shing AG. https://doi.org/10.1007/978-3-319-58515-4_20
Ebner, M. (2019) Learning Analytics eine Einführung. Bildung und Beruf, 2/2019, 4649.
Ferguson, R. (2014). Learning analytics FAQs [Präsentation]. Abgerufen am 29.2.2020 von https://de.slide-
share.net/R3beccaF/learning-analytics-fa-qs
Greller, W., & Drachsler, H. (2012). 'Translating Learning into Numbers: A Generic Framework for Learning
Analytics.', Educational Technology & Society, 15(3), 4257.
Vorabzug Original veröffentlicht in: Ebner, M., Leitner, P., Ebner, M. (2020) Learning Analytics in der Schule Anforderun-
gen an Lehrerinnen und Lehrer. In: Bildung und Digitalisierung- Auf der Suche nach Kompetenzen und Performanzen.
Trültzsch-Wijnen, C., Brandhofer, G. (Hrsg.). S. 255-272. Nomos. ISBN 978-3-8487-6538-6
Gros, M. & Steinhauer N. (2018). Schreiben Rechtschreiben lernen mit Learning Analytics Individuell Diffe-
renziert Rechtschreiben mit Blogs (IDeRBlog, www.iderblog.eu). fnma-Magazin, 01/2018, 3032.
Koedinger, K. R., & Corbett, A. T. (2006). Cognitive Tutors: Technology bringinglearning science to the class-
room. Handbook of the Learning Sciences. The Cambridge handbook of the learning sciences. pp. 135-
168 Cambridge ; New York : Cambridge University Press, 2006.
Schön, M., Ebner, M., & Kothmeier, G. (2012). It's Just About Learning the Multiplication Table, In Proceed-
ings of the 2nd International Conference on Learning Analytics and Knowledge (LAK '12), Simon Buck-
ingham Shum, Dragan Gasevic, and Rebecca Ferguson (Eds.). ACM, New York, NY, USA, 73-81.
DOI=10.1145/2330601.2330624
Leitner, P. & Ebner, M. (2017). Learning Analytics in Hochschulen. In J. Erpenbeck & W. Sauter (Hrsg.), Hand-
buch Kompetenzentwicklung im Netz (S. 371384). Stuttgart: Schäffer-Poeschel Verlag.
Leitner, P. et al. (2019). Learning Analytics: Einsatz an österreichischen Hochschulen. Graz: Forum Neue Me-
dien in der Lehre Austria. Abgerufen am 29.2.2020 von https://www.fnma.at/content/down-
load/1896/8814
Schön, M. & Ebner, M. (2013). Das Gesammelte interpretieren. Educational Data Mining und Learning Analyt-
ics. In M. Ebner & S. Schön (Hrsg.), Lehrbuch für Lernen und Lehren mit Technologien (L3T). Abgeru-
fen am 29.2.2020 von http://l3t.eu/homepage/das-buch/ebook-2013/kapitel/o/id/104/name/medientheo-
rien
Shacklock, X. (2016). From Bricks to Clicks: the potential of data and analytics in Higher Education. In: The
Higher Education Commission’s (HEC) report.
Siemens, G. (2011) Call for Papers of the 1st International Conference on Learning Analytics & Knowledge
(LAK 2011). Abgerufen am 29.2.2020 von https://tekri.athabascau.ca/analytics/
Siemens, G., & Long, P. (2011) Penetrating the Fog: Analytics in Learning and Education. EDUCAUSE Review,
46(5), 3140.
Taraghi, B., Ebner, M., Saranti, A., & Schön, M. (2014). On Using Markov Chain to Evidence the Learning
Structures and Difficulty Levels of One Digit Multiplication, In: Proceedings of the Fourth International
Conference on Learning Analytics And Knowledge, ACM, New York, pp. 6872
Taraghi, B., Ebner, M., Ebner, M., & Schön, M. (2017). Learning Analytics an Schulen. In J. Erpenbeck & W.
Sauter (Hrsg.), Handbuch Kompetenzentwicklung im Netz (S. 285302). Stuttgart: Schäffer-Poeschel Ver-
lag..
Werner, L., McDowell, C., & Denner, J. (2013). A First Step in Learning Analytics: Pre-processing Low-Level
Alice Logging Data of Middle School Students. JEDM | Journal of Educational Data Mining, 5(2), 11
37. Retrieved from https://jedm.educationaldatamining.org/index.php/JEDM/article/view/36
Article
Full-text available
Bewertungspraktiken gehören zu Kernelementen des Lernens und Lehrens. Durch die zunehmende Digitalisierung des Bildungssektors entstehen neue Instrumente zur Beobachtung, Bewertung und Klassifizierung der Leistung von Lernenden und Lehrenden. Sie erlauben Auswertungen schulischer Praktiken in einer bisher nicht möglichen Komplexität und einem viel grösseren Ausmass, da sie sehr detailreich sein können, einen umfassenderen Geltungsbereich abdecken und flexibel kombiniert werden können. Dies geschieht zunehmend in Echtzeit. Der Beitrag diskutiert, wie die Zunahme von digitalen Daten und, damit verschränkt, von digitalen Bewertungspraktiken Schule nachhaltig verändert. Daten und Algorithmen werden jedoch nicht als rein technische Entitäten verstanden, sondern als Akteurinnen und Akteure innerhalb soziomaterieller Figurationen. Anhand der Analyse von Illustrationsbeispielen zeigen wir verschiedene, ambivalente Konsequenzen digitaler Bewertungspraktiken im Bildungsbereich auf. Im Ergebnis ermöglichen sie neue Formen der Partizipation und erfordern dafür eine ausdifferenzierte Datenkompetenz. Sie führen zu einer Ausdehnung von Kommunikation zwischen Akteurinnen und Akteuren und verdecken dabei zugleich menschliche Handlungsfähigkeit. Sie lassen neue Formen der Überwachung und Kontrolle zu, aber auch grössere Transparenz und Rechenschaftslegung.
Technical Report
Full-text available
Learning Analytics ist sowohl international als auch national ein immer mehr an Bedeutung gewinnendes Themenfeld, welches dabei helfen kann, Lehr- und Lernprozesse besser zu verstehen und gezielt zu optimieren. Dieses Whitepaper soll eine erste Orientierung zu diesem Thema geben und dabei speziell die österreichische Hochschullandschaft adressieren. Ausgehend von der Definition: “Learning Analytics umfasst die Analyse, Darstellung und Interpretation von Daten aus Lehr- und Lernsettings mit dem Zweck, dass Lernende ihr Lernen unmittelbar verändern können” werden Herausforderungen benannt und der Status Quo in Österreich präsentiert. Daraus werden sechs Argumente für Learning Analytics abgeleitet und vier konkrete Handlungsempfehlungen ausgesprochen.
Article
Full-text available
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.
Conference Paper
Full-text available
This papers focuses on the use of learning dashboards in higher education to foster self-regulated learning and open education. Students in higher education have to evolve to independent and lifelong learners. Actionable feedback during learning that evokes critical self-reflection, helps to set learning goals, and strengthens self-regulation will be supportive in the process. Therefore, this paper presents three case studies of learning analytics in higher education and the experiences in transferring them from one higher education institute than the other. The learning dashboard from the three case studies is based on two common underlying principles. First, they focus on the inherent scalability and transferability of the dashboard: both considering the underlying data and the technology involved. Second, the dashboard use as underlying theoretical principles Actionable Feedback and the Social Comparison Theory. The learning dashboards from the case studies are not considered as the contribution of this paper, as they have been presented elsewhere. This paper however describes the three learning dashboards using the general framework of Greller and Drachsler (2012) to enhance understanding and comparability. For each of the case study, the actual experiences of transferability obtained within a European collaboration project (STELA, 2017) are reported. This transferability and scalability is the first-step of creating truly effective Open Educational Resources from the Learning Analtyics Feedback dashboards. The paper discusses how this collaboration impacted and transformed the institutes involved and beyond. The use of open education technology versus proprietary solutions is described, discussed, and translated in recommendations. As such the research work provides insight on how learning analytics resources could be transformed into open educational resources, freely usable in other higher education institutes.
Chapter
Full-text available
Unter dem Schlagwort “Big Data” hat sich in den letzten Jahren ein neues Forschungsfeld etabliert. Es handelt sich dabei um Datenmengen, die wegen ihrer Größe, hohen Komplexität, schnellen Vergänglichkeit oder schwachen Strukturierung mit klassischen Methoden der Datenverarbeitung nicht ausgewertet werden können. Das Ziel von Learning Analytics besteht darin solche Datenmengen im Kontext von Lehren und Lernen zu sammeln, zu analysieren und zu interpretieren um neue Erkenntnisse zu gewinnen. Ein wesentlicher Punkt dabei ist die Rückführung des gewonnen Wissens an die Lehrenden und Lernenden, um das Lehr- und Lernverhalten individueller und optimierter zu gestalten und die Entwicklung von Kompetenzen in dem Bereich zu fördern. In diesem Kapitel werden die Möglichkeiten von Learning Analytics genauer erläutert, um dann den Schwerpunkt Learning Analytics in Hochschulen näher zu beleuchten. Eine Auswahl von Tools, Frameworks und Systeme gibt Aufschluss über den momentanen Stand der Technik. Im letzten Kapitel werden zukünftige Trends und Innovationen von Learning Analytics an Hochschulen aufgezeigt und wie daraus Kompetenzen gewonnen werden können.
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.
Conference Paper
Full-text available
Understanding the behavior of learners within learning applications and analyzing the factors that may influence the learning process play a key role in designing and optimizing learning applications. In this work we focus on a specific application named “1x1 trainer” that has been designed for primary school children to learn one digit multiplications. We investigate the database of learners’ answers to the asked questions (N > 440000) by applying the Markov chains. We want to understand whether the learners’ answers to the already asked questions can affect the way they will answer the subsequent asked questions and if so, to what extent. Through our analysis we first identify the most difficult and easiest multiplications for the target learners by observing the probabilities of the different answer types. Next we try to identify influential structures in the history of learners’ answers considering the Markov chain of different orders. The results are used to identify pupils who have difficulties with multiplications very soon (after couple of steps) and to optimize the way questions are asked for each pupil individually.
Article
Full-text available
Nell’era di Internet, delle tecnologie mobili e dell’istruzione aperta, la necessità di interventi per migliorare l’efficienza e la qualità dell’istruzione superiore è diventata pressante. I big data e il Learning Analytics possono contribuire a condurre questi interventi, e a ridisegnare il futuro dell’istruzione superiore. Basare le decisioni su dati e sulle evidenze empiriche sembra incredibilmente ovvio. Tuttavia, l’istruzione superiore, un campo che raccoglie una quantità enorme di dati sui propri “clienti”, è stata tradizionalmente inefficiente nell’utilizzo dei dati, spesso operando con notevole ritardo nell’analizzarli, pur essendo questi immediatamente disponibili. In questo articolo, viene evidenziato il valore delle tecniche di analisi dei dati per l’istruzione superiore, e presentato un modello di sviluppo per i dati legati all’apprendimento. Ovviamente, l’apprendimento è un fenomeno complesso, e la sua descrizione attraverso strumenti di analisi non è semplice; pertanto, l’articolo presenta anche le principali problematiche etiche e pedagogiche connesse all’utilizzo delle tecniche di analisi dei dati in ambito educativo. Cionondimeno, il Learning Analytics può penetrare la nebbia di incertezza che avvolge il futuro dell’istruzione superiore, e rendere più evidente come allocare le risorse, come sviluppare vantaggi competitivi e, soprattutto, come migliorare la qualità e il valore dell’esperienza di apprendimento.
Article
Full-text available
at least to Socrates and the Socratic method. Although one-to-one tutoring by expert human tutors has been shown to be much more effective than typical one- to-many classroom instruction (Bloom, 1984), it has not been economical to provide every child with an individual tutor. Lectures and books became pervasive in education to spread knowledge at lower cost. However, increasing capabilities of computer hardware and software have been creating new opportunities to bring one-to-one tutoring to more students. Furthermore, computer technology provides an opportunity to systematically incorporate advances in learning science into the classroom, to test associated principles of learning, and best adapt them to the needs of students and teachers. Early attempts to use computers for instruction included Computer-Aided Instruction (Eberts, 1997) and then, later Intelligent Computer-Aided Instruction or Intelligent Tutoring Systems (Sleeman & Brown, 1982; Wenger, 1987; Corbett, Koedinger, & Anderson, 1997). Computer-based instruction has been shown to be effective in increasing student learning beyond normal classroom instruction (e.g., Kulik & Kulik, 1991), however, not to the level of human tutors (Bloom, 1984). Early attempts at Intelligent Tutoring Systems included mimicking Socratic dialog in teaching electronics trouble-shooting, adding intelligent questioning to an existing Computer-Aided Instruction system for
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.