Content uploaded by Martin Ebner
Author content
All content in this area was uploaded by Martin Ebner on Jul 21, 2021
Content may be subject to copyright.
www.bwpat.de
Silvia LIPP1, Gernot DREISIEBNER1, PHILIPP LEITNER2,
Martin EBNER2, Michael KOPP1, & Michaela STOCK1
(Universität Graz1 & Technische Universität Graz2)
Learning Analytics – Didaktischer Benefit zur Verbesserung
von Lehr-Lernprozessen?
Implikationen aus dem Einsatz von Learning Analytics im
Hochschulkontext
bwp@-Format: Forschungsbeiträge
Online unter:
https://www.bwpat.de/ausgabe40/lipp_etal_bwpat40.pdf
in
bwp@ Ausgabe Nr. 40 | Juli 2021
Didaktisierung des Digitalen: Zur Entwicklung berufs- und
wirtschaftspädagogischer Studiengänge.
Hrsg. v. H.-Hugo Kremer, Nicole Naeve-Stoß, Lars Windelband & Juliane Fuge
www.bwpat.de | ISSN 1618-8543 | bwp@ 2001–2021
Herausgeber von bwp@ : Karin Büchter, Franz Gramlinger, H.-Hugo Kremer, Nicole Naeve-Stoß, Karl Wilbers & Lars Windelband .
Berufs- und Wirtschaftspädagogik - online
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 1
SILVIA LIPP1, GERNOT DREISIEBNER1, PHILIPP LEITNER2,
MARTIN EBNER2, MICHAEL KOPP1 & MICHAELA STOCK1
(Universität Graz1 & Technische Universität Graz2)
Learning Analytics – Didaktischer Benefit zur Verbesserung von
Lehr-Lernprozessen? Implikationen aus dem Einsatz von
Learning Analytics im Hochschulkontext
Abstract
Die Zunahme an digitalen Lernsettings führt zu einer Fülle an verfügbaren Daten zu Lehr- Lernpro-
zessen. Gleichzeitig stellt die Interpretation dieser Daten die Akteurinnen und Akteure vor neue Heraus-
forderungen. Learning Analytics umfassen die Aggregation und Interpretation von Lernendendaten mit
dem Ziel, Lehr-Lernprozesse zu verbessern. Im Zentrum dieses Beitrages stehen die Implikationen, wel-
che der Einsatz von Learning Analytics im Hochschulkontext mit sich bringt, exemplifiziert anhand der
Implementierung in einem konkreten Forschungsprojekt. In einem ersten Schritt erfolgt eine literatur-
basierte Aufarbeitung des didaktischen Potenzials aus dem Blickwinkel der Lernenden, Lehrenden
sowie des Inhalts und des Learning Designs. Anhand einer qualitativen und quantitativen Begleit-
forschung eines aktuellen Projektes werden anschließend didaktische Implikationen für den Einsatz von
Learning Analytics im Hochschulkontext abgeleitet. Deutlich wird, dass das in der Literatur verortete
didaktische Potenzial auch in dieser Implementation zutage tritt, jedoch Learning Analytics gleichzeitig
auch erhöhte Anforderungen an Lehrende und Lernende stellt.
Learning Analytics – Didactical Benefit for the Improvement of Teaching
and Learning Processes? Implications from the Application of Learning
Analytics in a Higher Education Context
Digital data is an inherent by-product of the utilization of digital educational settings with a still widely
unclaimed potential. The interpretation of this data imposes new challenges for teachers and learners.
Learning Analytics incorporates the aggregation and interpretation of data to improve teaching and
learning processes. This paper focuses on the implications of implementation of Learning Analytics in
a higher education setting, exemplified by the implementation in a specific research project. Within a
first step, the didactical potential of Learning Analytics is drawn from literature with regard of the
perspectives of learners, teachers, and content. Based on qualitative and quantitative accompanying
study of the implementation of LA, didactical implications are derived for a higher education context.
The didactical potential claimed within the literature can also be identified within the underlying
implementation of Learning Analytics. However, it also becomes apparent, that Learning Analytics
imposes rising challenges for teachers and learners.
Schlüsselwörter: Learning Analytics, Hochschule, Lernmanagementsysteme, didaktisches
Potenzial, individuelle Förderung
bwp@-Format: BERICHTE & REFLEXIONEN
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 2
1 Einleitung
Das Voranschreiten der digitalen Transformation stößt gesamtgesellschaftliche Entwicklungen
an, welche sich auch auf das Bildungssystem erstrecken (vgl. Gloerfeld 2020, 4). Bestehende
Berufsfelder und Kompetenzanforderungen verändern sich und erfordern eine proaktive Adap-
tion des Berufsbildungssystems (vgl. Rohs/Seufert 2020, 358). Veränderte Arbeitsabläufe und
Geschäftsprozesse in kaufmännischen Berufsfeldern bedingen die Vorbereitung auf Tätigkeits-
bereiche einer Verschmelzung von Mensch-und-Maschine. Dies setzt neben wirtschaftlichem
auch ein hohes Maß an technologischem Verständnis voraus. Daraus entsteht die Forderung,
die berufliche Bildung verstärkt auf „den Umgang mit Prozessen, Daten und Technologien“
(Hmyzo/Muzzu 2020, 100) auszurichten. Die Auswirkungen der Digitalisierung auf das Bil-
dungssystem zeigen sich u. a. in der Entwicklung digitaler Lehr-Lernformen, deren Akzeptanz
wiederum Veränderungen auf Ebene etablierter Lehr-Lernkulturen sowie -prozessen bedingt
und eine Bereitschaft zur Selbstorganisation inmitten digitaler Bildungsmedien erfordert (vgl.
Arnold et al. 2018, 21). Die Möglichkeiten der Digitalisierung in Bildungsbereichen beginnen
sich dabei erst auszuformen, denn die Zunahme digitaler Lehr-Lernangebote geht mit einer
Zunahme in diesen Kontexten generierter Daten einher. Für die Nutzung dieser Daten, zur
Erforschung der Wirkung digitaler Lehr-Lernformen und deren Auswirkungen auf Lehr-Lern-
prozesse, ist der Rückgriff auf digitale Technologien (u. a. Educational Data Mining, Academic
Analytics oder Learning Analytics) naheliegend. Damit erhält Big Data, als Synonym für große
unstrukturierte Datenmengen (vgl. Ternès/Hagemes 2018, 149), Einzug in den Bildungskontext
und provoziert den Drang, Nutzen aus der Datenflut zu ziehen, sei es auf der Makroebene (Bil-
dungssystem), der Mesoebene (Bildungsmanagement bzw. -institutionen) oder der Mikroebene
(Ebene von Lehr-Lernprozessen). Big Data im Hochschulbereich sind beispielsweise Studie-
rendendaten, wie Kursbelegungen, Prüfungsergebnisse oder Daten aus der Nutzung von Bibli-
otheks- und IT-Diensten und Lernmanagementsystemen (vgl. Lester et al. 2017). Während Big
Data-Technologien in wirtschaftlichen Kontexten, beispielsweise zu Marktforschungszwecken,
bereits ein breites Anwendungsspektrum bedienen, stecken diese im Bildungssystem noch in
einer vergleichsweise frühen Anwendungsphase (vgl. Ifenthaler/Schumacher 2016, 176;
Johnson et al. 2013, 5), und fokussieren meist die Auslotung des technisch Möglichen (vgl.
Groißböck/Buchner 2016). Der Verknüpfung des technisch Möglichen mit dem pädagogisch
Sinnvollen widmet sich das interdisziplinäre Forschungsprojekt Learning Analytics: Auswir-
kungen von Datenanalysen auf den Lernerfolg (unter Beteiligung der Universität Graz und der
Technischen Universität Graz). In diesem Beitrag wird ein Teilbereich des Forschungsprojektes
vorgestellt, in welchem Learning Analytics – eine Bildungstechnologie mit originär pädagogi-
scher Ausrichtung – praktische Anwendung im Studium der Wirtschaftspädagogik findet. Die
Zielsetzung in diesem Beitrag richtet sich auf die Auslotung des didaktischen Potenzials von
Learning Analytics zur individuellen Förderung von Lernprozessen im gegenständlichen
Anwendungsszenario.
1.1 Problemstellung
Die fortschreitende Digitalisierung eröffnet die Möglichkeit, immer mehr Daten aus der Nut-
zung digitaler Lehr-Lernarrangements zu sammeln, speichern und zu verarbeiten (vgl.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 3
Gloerfeld 2020, 18). Eine rein datengetriebene und technisch orientierte Sichtweise auf Verän-
derungsprozesse aus dem Titel der Digitalisierung greift aus berufs- und wirtschaftspädagogi-
schem Blickwinkel zu kurz. Die diesbezügliche Diskussion richtet sich u. a. auf die Notwen-
digkeit der dementsprechenden Anpassung von Lehr-Lerninhalten und Modifikation der
Lehrer/innen/bildung. Darüber hinaus werden Fragestellungen zur Forcierung lebenslangen
Lernens im Kontext der digitalen Transformation mit den damit verbundenen Voraussetzungen
adressiert (vgl. Ostendorf 2019, 1; Dubs 2009, 49). In diesem Zusammenhang werden verän-
derte Kompetenzanforderungen im Beschäftigungs- und Bildungsbereich debattiert. Hieraus
ergibt sich die Forderung nach einer digital integrierten didaktischen Betrachtung des Einsatzes
digitaler Technologien im beruflichen Lernen. Der Fokus liegt dabei auf der digital gestützten
Entwicklung und Förderung beruflicher Handlungsfähigkeit (vgl. Euler/Wilbers 2020, 427,
437; Gerholz/Dorman 2017, 2). In Hinblick auf diesbezüglich notwendige Kompetenzerforder-
nisse rücken damit die Entwicklung beruflicher Medienkompetenz bzw. die Ergründung
medienpädagogischer Erfordernisse für die Lehrer/innen/bildung in den Vordergrund (vgl.
Rohs/Seufert 2020, 358; Mandausch/Meinhard 2018, 30). Abgesehen von Medienkompetenz
bedingt der Umgang mit der digitalen Transformation eine zunehmende Ausrichtung auf die
Förderung von Digital Literacy und Data Literacy auf Ebene der Lernenden und Lehrenden
(vgl. Grillenberger/Romeike 2019, 6; Janschitz et al. 2019). Kurzum: durch die Digitalisierung
ausgelöste Veränderungsprozesse bedingen die Entwicklung digitaler Handlungskompetenz,
welche begrifflich alle damit verbundenen Kompetenzrelationen einschließt. Zur Ausformung
digitaler Handlungskompetenz führt allerdings kein Weg an der Nutzung digitaler Technolo-
gien vorbei. Ein weiterer Schritt – neben der Anwendung von Technologien – besteht in der
gleichzeitigen Nutzung einhergehender Nebenprodukte: Daten. Daten, die aus der Nutzung
digitaler Technologien im Lehr-Lernkontext entstehen, und welche damit wiederum Aufschluss
über Lehr-Lernprozesse geben können und in weiterer Folge die (digitale) Kompetenzentwick-
lung (zeitnah) vorantreiben können. Eine berufs- und wirtschaftspädagogische Auseinanderset-
zung mit dem Datenpotenzial für deren Handlungsfelder in Forschung und Praxis scheint aus
diesem Gesichtspunkt unerlässlich.
Dieser Beitrag bewegt sich in dem Spannungsfeld, die Potenziale der Digitalisierung im
Bereich der Datennutzung aufzuzeigen, ohne die berufs- und wirtschaftspädagogischen Anfor-
derungen der Weiterentwicklung beruflicher Lehr-Lernprozesse zu negieren. Dazu werden
digitale Technologien als Lerninstrument für die Optimierung beruflicher Lehr-Lernprozesse
betrachtet, die in die drei Bereiche (1) Präsentationsmedien, (2) Kommunikationsmedien und
(3) Selbstlernmedien klassifiziert werden können. Im Fokus des gegenständlichen Beitrages
steht insbesondere die Kategorie der Selbstlernmedien, zu welchen auch Learning Analytics
zugerechnet werden (vgl. Euler/Wilbers 2020, 427f., 432f.; Euler/Seufert/Wilbers 2006, 437).
Lernende hinterlassen in digitalen Lernumgebungen eine Vielzahl an Datenspuren. Learning
Analytics verfolgen die Zielsetzung, diese Datenspuren verwertbar zu machen, indem diese in
konstruktiv nutzbare Informationen zur Verbesserung von Lehr-Lernprozessen transformiert
werden sollen (vgl. Ebner/Ebner 2018, 5-6; Ifenthaler/Widanapathirana 2014, 222). Dadurch
können Lernprozesse individuell unterstützt werden, was sich in weiterer Folge positiv auf die
Employability der Lernenden auswirken kann (vgl. Seiler et al. 2018, 598).
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 4
1.2 Einführung in das Projekt und Fokus der Darstellung
Die Implementierung von Learning Analytics im Bildungsbereich ist bis dato eher technisch
orientiert (vgl. Groißböck/Buchner 2016) und selbst hier noch sehr im Forschungsbereich ver-
haftet (vgl. Leitner/Khalil/Ebner 2017). Die pädagogische bzw. didaktische Betrachtungsebene
wird zwar als relevant erachtet (vgl. Ebner et al. 2015, 2; Wise 2014, 209), hat jedoch noch
unzureichend Eingang in Forschungsarbeiten gefunden (vgl. Seufert et al. 2019, 599; Koh/Choi
2016, 10). Im gegenständlichen Beitrag wird Learning Analytics für die didaktische Gestal-
tungsebene greifbar gemacht, indem Erkenntnisse aus einem laufenden Forschungsprojekt skiz-
ziert werden. Die Betrachtung der didaktischen Dimension ist dabei nur ein Teil des vom
Zukunftsfonds Steiermark geförderten Projektes Learning Analytics – Auswirkungen von
Datenanalysen auf den Lernerfolg.
Seit Jänner 2020 widmet sich ein interdisziplinäres Team unter Beteiligung der Universität Graz
(Zentrum für digitales Lehren und Lernen sowie Institut für Wirtschaftspädagogik) und der
Technischen Universität Graz (Lehr- und Lerntechnologien) der bis dato im deutschsprachigen
Raum noch wenig ausgeprägten (vgl. Büching et al. 2019) praktischen Erfahrungen mit
Learning Analytics. Um dieses Defizit auszugleichen, werden Learning-Analytics-Anwendun-
gen in zwei heterogenen Lehrveranstaltungen implementiert und entlang von drei Analyse-
dimensionen (technisch, pädagogisch-didaktisch, rechtlich-ethisch) erforscht, um über die
Heterogenität Gemeinsamkeiten in diesen Dimensionen ausfindig zu machen. Das Projekt
adressiert dabei das Erkenntnisinteresse, welche Formen von Learning Analytics mit dem Lern-
managementsystem Moodle (technisch) durchführbar sind, welche didaktischen Implikationen
daraus abgeleitet werden können und wie sich diese auf den Lernerfolg auswirken sowie
welchen Einfluss rechtliche und ethische Rahmenbedingungen auf die Datenerfassung und -
analyse haben.
Eine der beiden im Rahmen des Projektes beforschten Lehrveranstaltungen stellt eine fachdi-
daktische Lehrveranstaltung im Masterstudium der Wirtschaftspädagogik an der Universität in
Graz dar, die im Sinne des Konstruktivismus Interaktions- und Kollaborationsprozesse in den
Vordergrund stellt. Ursprünglich als Blended-Learning-Szenario geplant, wurde die Lehrver-
anstaltung aufgrund der COVID-19 Pandemie in einem Distance-Learning-Modus durchge-
führt. Die zweite beforschte Lehrveranstaltung stellt ein von der Technischen Universität Graz
konzipierter Massive Open Online Course (MOOC) für Lehramtsstudierende dar, wo Lernin-
halte für eine große Anzahl an Kursteilnehmer/innen vor allem in Form von Videos und Self-
Assessments zur Verfügung gestellt werden.
Innerhalb der zweieinhalbjährigen Projektlaufzeit werden beide Lehrveranstaltungen in drei
aufeinanderfolgenden Semestern (t1, t2, t3) als exemplarische Use-Cases für die Analyse des
Potentials von Learning Analytics herangezogen. Der Fokus des ersten Semesters liegt auf einer
Deskription der Daten, welche im Lernmanagementsystem aus technischer Perspektive über-
haupt generiert werden können. Im zweiten Semester erhalten die Lernenden auf Basis der von
ihnen im Lernmanagementsystem erzeugten Daten unmittelbare Rückmeldungen über ihr Lern-
verhalten. Im abschließenden dritten Semester werden Studierende mit Informationen aus den
Datenanalysen der ersten beiden Semester versorgt, mit dem Ziel, sie mit förderlichem und
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 5
hinderlichem Lernverhalten im Lernmanagementsystem vertraut zu machen, noch bevor sie
selbst mit den Lerninhalten arbeiten.
Im Rahmen dieses Beitrags erfolgt der Fokus auf die Implementierung von Learning Analytics
in den ersten zwei Erhebungsperioden des Projektes (t1, t2) in einer fachdidaktischen Lehrver-
anstaltung des Masterstudiums Wirtschaftspädagogik an der Universität Graz. Der Schwer-
punkt liegt auf der Darstellung des didaktischen Potenzials zur individuellen Förderung von
Lernprozessen durch Einsatz von Learning Analytics im konkreten Anwendungsszenario.
1.3 Disposition
Um das Forschungsfeld Learning Analytics und dessen Einsatzmöglichkeiten sowie didakti-
sches Potenzial zu erfassen, erfolgt in Kapitel 2 eine einleitende Skizzierung des Forschungs-
feldes. Neben der Definition und Abgrenzung werden die vielfältigen Ziele und Formen von
Learning Analytics erläutert, um einen Einblick auf das umfassende Anwendungsspektrum von
Learning Analytics zu geben. Das Kapitel schließt mit einer kurzen Darstellung des Learning-
Analytics-Prozesses, um die Vorgehensweise der Anwendung von Learning Analytics zu
illustrieren. Anschließend wird in Kapitel 3 Learning Analytics aus didaktischem Blickwinkel
betrachtet. Dazu dient als Referenzrahmen ein didaktisches Learning-Analytics-Dreieck,
anhand dessen Betrachtungsebenen das theoretisch mögliche didaktische Potenzial von
Learning Analytics abgeleitet wird. Dieses im Kapitel 3 kategorisierte didaktische Potenzial
bildet zugleich den Ausgangspunkt zum Abgleich des didaktischen Potenzials im konkreten
Anwendungsszenario. Hierfür erfolgt in Kapitel 4 zunächst die Kurzdarstellung der Implemen-
tierung von Learning Analytics, gefolgt von der Beschreibung des methodischen Vorgehens im
vorgestellten Projekt. Das entwickelte kombiniert quantitativ und qualitative Forschungsdesign
dient zur Auslotung des didaktischen Potenzials von Learning Analytics, um individuelle Lern-
prozesse zu fördern. Im Anschluss werden das im dritten Kapitel skizzierte theoretisch mögli-
che didaktische Potenzial sowie das sich im konkreten Anwendungsszenario gezeigte Potenzial
kontrastiert und es erfolgt eine Darlegung der vorläufigen Ergebnisse aus dem Projekt mit
Ableitung didaktischer Implikationen. Der Beitrag endet mit einer abschließenden Darstellung
und einem Ausblick.
2 Learning Analytics – Einführung, Zielsetzung und Prozess
Zur Annäherung an das Forschungs- und Anwendungsgebiet der Learning Analytics erfolgt
zunächst die Definition und damit Abgrenzung von Learning Analytics zu verwandten Dis-
ziplinen des Educational Data Mining und Academic Analytics. Die originär pädagogische
Ausrichtung von Learning Analytics wird durch deren Ziele und Ausprägungsformen unter-
strichen. Der abschließend dargestellte Learning-Analytics-Prozesses illustriert die Vorgehens-
weise bei Anwendung von Learning Analytics. Diese allgemein gehaltenen Ausführungen die-
nen einerseits zur Einführung in das Themenfeld Learning Analytics und andererseits, um den
Bedeutungszuwachs von Learning Analytics für den Bildungskontext erfassen zu können.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 6
2.1 Definition und Abgrenzung des Forschungsfeldes
Learning Analytics stellen ein interdisziplinäres Forschungsfeld an der Schnittstelle zu Lehr-
Lernforschung, (Bildungs-)Informatik und Statistik dar (vgl. Ifenthaler/Schumacher 2016,
176). Im Zentrum der für das Forschungsfeld basisbildenden Definition nach Siemens (2013)
steht die Optimierung von Lehr-Lernprozessen: „Learning analytics is 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
2013, 1382) Mit Learning Analytics werden demnach maschinell auswertbare Daten von
Lernenden und deren Lernverhalten in technologiegestützten Lernumgebungen gesammelt, in
Echtzeit analysiert und visualisiert. Die hierdurch generierten Einsichten in Lehr-Lernprozesse
sollen genutzt werden, um diese wiederum zu verbessern (vgl. Höfler/Kopp 2018, 560;
Ifenthaler/Schumacher 2016, 176f.). Learning Analytics intendieren damit die Unterstützung
und Optimierung des Lehrens und Lernens (vgl. Leitner et al. 2019, 4), und adressieren infolge-
dessen potenziell sowohl Lehrende als auch Lernende:
• Lernende erfahren Unterstützung durch beispielsweise Lernmaterialien, die ihrem indi-
viduellen Leistungsstand entsprechen. In Kombination mit einem möglichen Aufzeigen
erfolgreicher Lernpfade oder dem Vergleich mit Lernaktivitäten von Peers können
Learning Analytics weiters Reflexionsimpulse setzen und selbstgesteuertes Lernen
unterstützen (vgl. Ifenthaler/Schumacher 2016, 177; Chatti et al. 2012b, 22).
• Lehrenden wird mit Learning Analytics eine Echtzeitbetrachtung ihrer Lehre ermög-
licht. Das Aufzeigen tatsächlich genutzter Lern- und Betreuungsaktivitäten schafft
Reflexionsanlässe und kann die bedarfsgerechte Adaption des Lehrhandelns begünsti-
gen (vgl. Ifenthaler/Schumacher 2016, 176; Johnson/Adams/Cummins 2012, 26).
Demnach sollen Daten digitaler Lehr-Lernprozesse, durch die Überführung in pädagogisch ver-
wertbare Informationen, wiederum zur Verbesserung von Lehr-Lernprozessen eingesetzt
werden (vgl. Ebner/Ebner 2018, 5f.; Grandl et al. 2017, 1). Learning Analytics liefern dahinge-
hend Instrumente zur Anreicherung des pädagogischen Handelns. Die Herausforderung liegt
dabei jedoch darin, die zur Verfügung gestellten Daten überhaupt in einen pädagogisch sinn-
vollen Kontext übersetzen zu können (vgl. Lockyer/Heathcote/Dawson 2013, 1455). Hier ist
nach wie vor die Expertise von Lehrenden gefragt (vgl. Ebner/Neuhold/Schön 2013, 5).
In Bezug auf die Nutzung von Daten des Bildungskontextes werden vor allem die Konzepte
des Educational Data Mining, Academic Analytics und Learning Analytics diskutiert, deren
gemeinsames Ziel eine datengestützte Verbesserung von Lehr-Lernprozessen ist. Während
Educational Data Mining automatisationsgestützt Informationen aus sämtlich verfügbaren
Daten des Bildungskontextes aufbereitetet (vgl. Bienkowski/Feng/Means 2014, 8; Siemens/
Baker 2012), befasst sich Academic Analytics mit der datengestützten Optimierung von Bil-
dungseinrichtungen aus einem politischen, wirtschaftlichen und organisationalen Blickwinkel
(vgl. Romero/Ventura 2020, 2; Chatti et al. 2012a, 319; Ferguson 2012, 310; Long/Siemens
2011, 34). Learning Analytics hingegen haben sich der Ebene digitaler Lehr-Lernprozesse
verschrieben, indem Daten von Lernenden zugunsten von Lernenden eingesetzt werden sollen
(vgl. Mandausch/Meinhard 2018, 24ff.; Leitner et al. 2019, 8).
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 7
2.2 Ziele und Formen von Learning Analytics
Die Implementierung von Learning Analytics verspricht eine Verbesserung der Lehr-Lernqua-
lität durch Entwicklung eines vertieften Verständnisses für Lehr-Lernprozesse. Die mit
Learning-Analytics-Anwendungen verfolgten Ziele sind u. a. (vgl. Grandl et al. 2017, 5f.;
Verbert et al. 2012, 138; Chatti et al. 2012a, 9f.):
• Prognose erwarteter Lernerfolge wie Lernfortschritte oder Lernergebnisse
• Personalisierung von Lernumgebungen
• Abgabe von Feedback und Empfehlungen relevanter nächster Lernschritte und Lernma-
terialien
• Darlegung erfolgreicher Strategien und Methoden zur Erreichung von Lernergebnissen
• Förderung der Reflexionsfähigkeit und Bewusstsein über Lehr-Lernprozesse
• Unterstützung des sozialen Lernens
• Identifizierung des Lernstandes, eines nachteiligen Lernverhaltens und Lernschwierig-
keiten
• Erfassung der Gefühlsage der Lernenden zur Anpassung von Lernstrategien
Diese Zielsetzungen zeigen das Potenzial des Einsatzes von Learning Analytics für die Weiter-
entwicklung von Lehr-Lernprozessen. Ist die Diagnose von Lernprozessen bis dato von der
subjektiven Wahrnehmung der Lehrpersonen abhängig, können Learning Analytics die Mög-
lichkeiten einer diagnostischen Betrachtung erweitern. Die Visualisierung von Lernendenakti-
vitäten kann beispielsweise der Identifizierung von Lernschwierigkeiten dienen (vgl. Schön/
Ebner/Kothmeier 2012). Darüber hinaus wird es Lehrenden ermöglicht, umgehend auf Bedürf-
nisse der Lernenden eingehen und Lehrmethoden sowie Lernmaterialien zeitnah anpassen zu
können. Auch Lernende können unmittelbar einen Nutzen aus Learning Analytics ziehen,
indem diese durch Visualisierung ihres Lernstandes und Lernfortschrittes ein Bewusstsein für
ihr Lernverhalten entwickeln und so ihre Fähigkeit zu selbstgesteuertem Lernen verbessern
können (vgl. Grandl et al. 2017, 6; Buckingham Shum/Ferguson 2012, 4). Die Nutzung von
Learning Analytics eröffnen auch Forschenden Möglichkeiten zur Fortentwicklung von Lehr-
Lerntechnologien, gegebenenfalls zur Erforschung von Best-Practice-Kursen oder auch zur
Weiterentwicklung didaktischer Modelle. Nicht zuletzt zeigen auch Bildungsinstitutionen Inte-
resse an Learning Analytics. Eine Datenanalyse kann beispielsweise Vorhersagewerte über das
Risiko eines Studienabbruchs liefern, woraufhin adaptierte Maßnahmen die Drop-Out-Raten
vermindern und die Studienabschlussquote erhöhen können (vgl. Grandl et al. 2017, 6;
Siemens/Gasevic 2012, 1).
Das Leistungsvermögen von Learning Analytics respektive die Interpretation der Daten hängt
dabei von den eingesetzten Tools und Analysemethoden sowie der jeweiligen Zielsetzung ab.
Learning Analytics vereinen verschiedene Methoden aus dem qualitativen und dem quantitati-
ven Bereich. Verwendung finden beispielsweise statistische Analysen wie Klassifikations- oder
Clusteranalysen, soziale Netzwerkanalysen, Visualisierungen, Vorhersagemodelle oder Text-
analysen (vgl. Ray/Saeed 2018, 138f.; Grandl et al. 2017, 7f.; Chatti et al. 2012a, 327f.).
Seufert/Guggemos/Sonderegger (2020) unterscheiden folgende drei Formen von Learning
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 8
Analytics: (1) deskriptive Analytics, (2) prädikative Analytics und (3) präskriptive Analytics.
Deskriptive Analytics fokussieren die Effektivität des Lernens durch Analysieren des Nutzungs-
verhaltens von Lerninhalten, Entschlüsseln von Lernmustern oder Visualisieren von Inter-
aktionen. Prädikative Analytics richten sich auf das Planen von Interventionen, indem z. B.
Abweichungen von vorgeschlagenen Lernpfaden oder ein etwaiges Studienabbruchsrisiko
frühzeitig identifiziert werden. Die dritte Form von Learning Analytics, präskriptive Analytics,
richten sich auf das Setzen von Handlungen in Echtzeit, beispielsweise dem Empfehlen
bewährter Lernpfade, dem Ermitteln optimaler Lernstrategien oder dem Adaptieren technolo-
giegestützter Lernumgebungen (vgl. Seufert/Guggemos/Sonderegger 2020, 91).
2.3 Learning-Analytics-Prozess
Lernende generieren während der Nutzung eines Lernmanagementsystems eine Vielzahl von
Daten, die in Inhalts- und Metadaten klassifiziert werden können. Während sich Inhaltsdaten
auf von Lernenden produzierte oder hochgeladene Elemente beziehen (z. B. Foreneinträge),
stellen Metadaten, denen auch Logfiles zugerechnet werden, die beschreibende Komponente
dieser digital durchgeführten Aktivitäten dar (vgl. Krause 2020, 69; Trübner/Mühlichen 2019,
144). Dies sind beispielsweise Zugriffsinformationen auf Lernaktivitäten oder Identifikations-
daten wie User-IDs (vgl. Krause 2020, 69; 847Schmitz/Yanenko 2019). Khalil und Ebner
(2015) untergliedern derartige Daten von Lernenden in Kommunikationsdaten (u. a. E-Mails,
Foreneinträge), Interaktionsdaten mit fester Struktur (u. a. Anzahl von Logins, Up- und Down-
loads, Social Network Aktivitäten, Logfiles), persönliche Daten (u. a. demografische Daten)
und spezifische Lernendendaten je nach Bildungsinstitution (u. a. Prüfungsergebnisse, Infor-
mationen zum Bildungsweg) (vgl. Grandl et al. 2017, 7; Khalil/Ebner 2015, 1329). Diese
gesammelten Datentypen werden anschließend softwaregestützt ausgewertet (vgl. Ifenthaler/
Schumacher 2016, 177).
Abbildung 1: Learning-Analytics-Prozess (vgl. Chatti et al. 2012a, 322f.)
Der Learning-Analytics-Prozess (Abbildung 1) kann dabei als iterativer Zyklus in den drei
Hauptschritten (1) Datensammlung und -aufbereitung, (2) Datenanalyse und -auswertung, (3)
Datennachbereitung bzw. -interpretation beschrieben werden:
(1) In der Phase der Datensammlung und -aufbereitung werden Daten (u. a Inhaltsdaten,
Metadaten, wie auch übergeordnete soziodemografische Daten oder Prüfungsergebnisse)
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 9
verschiedenster Datenquellen zusammengetragen und je nach verwendeter Analysemethode
aufbereitet (vgl. Krause 2020, 69; Grandl et al. 2017, 12; Chatti et al. 2012a, 322), d. h.
beispielsweise bereinigt, transformiert oder verdichtet (vgl. Romero/Ventura 2007, 135).
(2) In der zweiten Phase der Datenanalyse und -auswertung werden, je nach Zielsetzung von
Learning Analytics, geeignete Analysemethoden auf die Daten angewendet und deren Aus-
wertungen meist auf Dashboards visualisiert (vgl. Leitner/Ebner 2017; Buckingham
Shum/Ferguson 2012, 4). Die Herausforderung liegt dabei u. a. in einer sinnvollen Interpre-
tation der in diesen Dashboards dargestellten Daten, da diese Interpretation die Grundlage
weiterer Handlungsschritte, wie z. B. ein Überwachen, Vorhersagen, Intervenieren, Empfeh-
len, Personalisieren, Anpassen oder Reflektieren, darstellt (vgl. Chatti et al. 2012a, 323).
(3) Die abschließende Nachbereitungsphase dient vor allem der kontinuierlichen Verbesse-
rung von Learning Analytics. Neben der Einbindung zusätzlicher Datenquellen, können Ver-
feinerungen des Datensatzes und/oder Änderungen der Analysevariablen bzw. -methoden
vorgenommen werden (vgl. Chatti et al. 2012a, 323).
3 Learning Analytics – Betrachtung aus didaktischer Perspektive
Die Fähigkeit zu selbstreguliertem Lernen wird als wesentliche Voraussetzung für lebenslanges
Lernen angesehen und gilt als Zielausrichtung von Bildungsprozessen und didaktischen Bemü-
hungen (vgl. Baumert et al. 2001, 28; Zimmerman 1989, 4). Selbstreguliertes Lernen lässt sich
dabei als „zielorientierter Prozess des aktiven und konstruktiven Wissenserwerbs beschreiben,
der auf dem reflektierten und gesteuerten Zusammenspiel kognitiver und motivational-emotio-
naler Ressourcen einer Person beruht“ (Baumert et al. 2001, 28). Dabei befinden sich nicht alle
Lernenden auf dem gleichen Lernniveau bzw. Entwicklungsstand (vgl. Groißböck/Buchner
2016). Das Wissen über Lernende respektive die Fähigkeit zur Identifizierung bzw. Diagnose
von Lernleistungen (Lernfortschritte, Erfolge, Schwierigkeiten) ist jedoch zentral um Lernende
bedarfsgerecht unterstützen zu können. Demnach ist die Diagnosekompetenz eine wesentliche
Voraussetzung für die individuelle Betreuung von Lernenden (vgl. Dubs 2009, 68f.).
Ohne Einsatz digitaler Tools liegt die Diagnosekompetenz bei den Lehrenden selbst, d. h. sie
beobachten das unterrichtliche Geschehen sowie ihre Lernenden und ziehen daraus Schlüsse
(vgl. Vogt 2011, 8). Lernende, die sich dabei aktiv um Unterstützung bemühen, schneiden in
Bezug auf ihre Noten tendenziell besser ab (vgl. Ryan/Shin 2011, 247f.). Zurückhaltende Ler-
nende sind demnach vergleichsweise benachteiligt. Neben der Beobachtung sind Kontrollen
von Aufgabenstellungen oder Leistungsüberprüfungen eine weitere Diagnosequelle (vgl. Vogt
2011, 8). Es liegt jedoch auf der Hand, dass durch diese traditionellen Praktiken personalisiertes
Lernen nicht ausreichend unterstützt werden kann. Mehr Informationen über Lernende liefern
eine bessere Ausgangsbasis zur Gestaltung individualisierten Unterrichts (vgl. Groißböck/
Buchner 2016; Greller/Drachsler 2012, 53). An dieser Forderung nach individueller Lernunter-
stützung und personalisierter Lernumgebung setzt die Entwicklung von Technologien, wie
Learning Analytics an (vgl. Johnson et al. 2013, 19).
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 10
Zur Auslotung des didaktischen Potenzials wird in diesem Beitrag als Referenzrahmen auf das
didaktische Dreieck zurückgegriffen, welches das Zusammenwirken grundlegender Elemente
des Unterrichts (Lehrende, Lernende und Inhalt) darstellt. Mit Einbeziehung des Einsatzes von
Learning Analytics beinhaltet das didaktische Dreieck auch das Learning Design. Der Begriff
Learning Design weist hier auf die lernendenzentrierte Orientierung bei der didaktischen Aus-
gestaltung von technologiegestützten Lernumgebungen hin. Das didaktische Design fokussiert
auf „what students do“ (Rienties et al. 2017, 134). Ausgangspunkt eines Learning Designs ist
die Perspektive der Lernenden, im Gegensatz zum Instructional Design, bei welchem didakti-
sche Entscheidungen primär auf Seite der Lehrenden beruhen (vgl. Seufert/Euler 2005, 5f.).
Learning Design kann dabei als die bestmögliche Passung von Inhalten, Lehre und lernrelevan-
ten Bedürfnissen Lernender betrachtet werden. Das didaktische Learning-Analytics-Dreieck
(Abbildung 2) symbolisiert darüber hinaus Learning Analytics als eine Tiefendimension, einem
Offenlegen einer bisher verborgenen Perspektive auf die wechselseitig beeinflussenden Ele-
mente von Lehr-Lernprozessen und Lernangebot und ermöglicht damit u. a. die Optimierung
des Learning Designs als verbindende Dimension.
Abbildung 2: Didaktisches Learning-Analytics-Dreieck
in Anlehnung an Jank/Meyer (2014, 55)
Das aus der Literatur abgeleitete didaktische Potential von Learning Analytics wird nachfol-
gend anhand der drei Betrachtungsebenen Lernende, Lehrende sowie Inhalt und der integrati-
ven Betrachtung des Learning Designs dargestellt, wobei keine Unterscheidung zwischen
Datenquellen und Datentypen getroffen wird. Wie gezeigt wird, liefern Learning Analytics
Ansatzpunkte (in Echtzeit) zur Optimierung und Personalisierung aller drei Betrachtungs-
ebenen.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 11
3.1 Lernende
Für Lernende ergeben sich folgende Potenziale aus der Anwendung von Learning Analytics:
• Transparenz von Lernstand und Lernfortschritt: Das Offenlegen von Daten aus Lern-
prozessen bietet Lernenden die Möglichkeit, ihr eigenes Lernverhalten zu hinterfragen.
Sie haben Gelegenheit, sich Lerngewohnheiten bewusst zu machen, Lernergebnisse zu
reflektieren oder auch ihren Lernstand oder Lernwege mit anderen zu vergleichen. Lern-
stands- und Lernfortschrittsvisualisierungen ermöglichen den Abgleich gesetzter Lern-
ziele mit erreichten Lernfortschritten. Dies trägt weiters zur Unterstützung des selbst-
gesteuerten Lernens bei (vgl. Mandausch/Meinhard 2018, 29 und 31; Hattie 2018;
Ifenthaler/Schumacher 2016, 178ff.; Ifenthaler 2012, 48).
• Echtzeit-Feedback: Feedback stellt unumstritten einen der stärksten Einflussfaktoren
erfolgreicher Lernprozesse dar (vgl. Hattie 2018, 131). Hattie unterscheidet vier Ebenen
von Feedback, informationsbezogenes und prozessbezogenes Feedback sowie Feed-
back auf Ebene der Selbstregulation und auf Ebene des Selbst (zu den Ebenen von
Feedback vgl. z. B. Hattie 2018, 135ff.). Learning Analytics können dabei Feedback auf
drei der vier Ebenen in Echtzeit unterstützen: (1) auf informationsbezogener, (2) pro-
zessbezogener und (3) selbstregulationsbezogener Ebene. Automatisierte Feedback-
mechanismen übernehmen dabei die Rolle einer Echtzeit-Unterstützung. Unmittelbar
im Anschluss an e-Assessments können Lernende u. a inhaltliches Sofort-Feedback
und/oder weiterführende automatisierte Lernhilfen erhalten (vgl. Mandausch/Meinhard
2018, 28; Ifenthaler/Schumacher 2016, 177ff.). Azcona et al. (2019) zeigen beispiels-
weise auf, dass ein datenbasierendes personalisiertes Feedback das Potenzial hat,
Leistungsunterschiede zwischen Lernenden zu minimieren und sich dieses darüber
hinaus auch leistungsfördernd auswirken kann (vgl. Azcona/Hsiao/Smeaton 2019).
• Datengestützte Empfehlungen nächster Lernschritte, lernbedarfsgerechter Lernmateria-
lien oder bereits bewährter Lernpfade und -strategien bieten Lernenden zudem die Mög-
lichkeit, ihre Lernwege zu optimieren und damit auch ihre Lernerfolge zu erhöhen (vgl.
Groißböck/Buchner 2016; Chatti et al. 2012b, 22).
Darüber hinaus ergeben sich Potenziale in Hinblick auf Reflexionsimpulse, Peer Learning und
selbstreguliertes Lernen: Reflexionsimpulse werden in Bezug auf Lehr-Lernverhalten, Lehr-
Lernprozesse oder -aktivitäten gesetzt und zeigen damit Weiterentwicklungsmöglichkeiten auf
bzw. dienen als Anstoß zur kontinuierlichen Verbesserung (vgl. Tulodziecki 2020, 376; Man-
dausch/Meinhard 2018, 25; Grandl et al. 2017, 5f.; Schaffer et al. 2017; Ifenthaler/Schumacher
2016, 178). Die automatisierte Empfehlung von Lernteams kann Peer Learning anregen.
Lernende können sich dabei gegenseitig als Lernpartner/innen (ähnlicher Lernfortschritt) oder
Lernexpert/inn/en (größerer Lernfortschritt) unterstützen (vgl. Ifenthaler/ Schumacher 2016,
179). Selbstreguliertes Lernen kann durch Aufzeigen eines Lernverlaufs sowie zielgerichteten
Empfehlungen, was sich an der Art und Weise des Lernprozesses verändern sollte, gefördert
werden (vgl. Winne 2017, 246). Darauf können automatisierte Interventionsimpulse, bei-
spielsweise zur Unterstützung der Selbstkontrolle, folgen (vgl. Lodge et al. 2019, 49ff.).
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 12
3.2 Lehrende
Aus Lehrendenperspektive liegt das Potenzial von Learning Analytics u. a. in der Unterstützung
zur Lernerfolgsprognose und Reflexion des eigenen Lehrhandelns begründet:
• Prognose von Lernerfolgen: Die Aggregation von Daten ermöglicht es, Lernerfolge zu
prognostizieren, bewährte Lernpfade offenzulegen und frühzeitig abbruchgefährdete
Lernende zu identifizieren und zu unterstützen (vgl. Tulodziecki 2020, 376; Man-
dausch/Meinhard 2018, 25; Grandl et al. 2017, 5f.; Schaffer et al. 2017; Ifenthaler/
Schumacher 2016, 178).
• Reflexion und Evaluation: Reflexionsimpulse betreffen sowohl Lernende als auch
Lernende (vgl. Dyckhoff 2014, 16; Greller/Drachsler 2012, 47). Ein didaktisches
Potenzial liegt in einer zusätzlich gewinnenden Perspektive auf Lehr-Lernprozesse.
Dies erlaubt Lehrenden ihre eigene Lehre zu reflektieren und gegebenenfalls anzupas-
sen (vgl. Mandausch/Meinhard 2018, 31; Ifenthaler/Schumacher 2016, 179).
• Adaptive Lehre: Learning Analytics ermöglichen eine zielgerichtete und an den Lern-
fortschritt angepasste Unterstützung von Lehr-Lernprozessen (vgl. Mandausch/
Meinhard 2018, 31; Ifenthaler/Schumacher 2016, 179). Lehrende erhalten Ansatz-
punkte zur Anpassung ihres Kursdesigns an die Bedürfnisse der Lernenden und können
darüber hinaus gleichzeitig in Echtzeit auf auftretende Lernschwierigkeiten eingehen
bzw. darauf Rücksicht nehmen (vgl. Ifenthaler/Schumacher 2016, 179).
• Modellierung von Lernanlässen: Learning Analytics können zur Modellierung und
Anpassung von Lernaktivitäten eingesetzt werden, beispielweise zur präventiven Vor-
beugung von Lernschwierigkeiten (vgl. Greller/Drachsler 2012, 47). Durch Visuali-
sieren des tatsächlichen Lernstandes können Lehrende Lernanlässe und Lernmaterialien
adaptieren sowie zusätzliche Materialien zur Verfügung stellen (vgl. Ifenthaler/Schu-
macher 2016, 177; Johnson et al. 2013, 19; Greller/Drachsler 2012, 52).
Mit Hilfe von Learning Analytics kann eine bisher ungenutzte und nicht zu erfassende Perspek-
tive auf Lehren und Lernen gelegt werden. Damit kann Wissen über Lernende, deren Lern-
probleme und Bedürfnisse generiert werden, noch bevor eine Leistungsbeurteilung stattgefun-
den hat. So kann via Learning Analytics die Diagnosekompetenz der Lehrenden erweitert
werden. Hierdurch können schnellere, gezieltere, sowie auf den Lernbedarf abgestimmte didak-
tische Interventionen gesetzt werden, als es bisher möglich war (vgl. Grandl et al. 2017; Groiß-
böck/Buchner 2016; Greller/Drachsler 2012, 52). Darüber hinaus ermöglicht der Einsatz sozia-
ler Netzwerkanalysen, als eine Analysemethode von Learning Analytics, eine Integration von
Beziehungen unter Lernenden in die Datenanalyse. Dies ermöglicht beispielsweise das Identi-
fizieren isolierter Lernender oder das Erforschen der Auswirkungen von Gruppenstrukturen auf
ein mehr oder weniger effektives Lernverhalten (vgl. Buckingham Shum 2012, 6).
3.3 Inhalt und Learning Design
Die Inhaltskomponente des didaktischen Dreiecks wird insbesondere durch adaptive Lernum-
gebungen und Möglichkeiten zur Optimierung des Learning Designs tangiert:
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 13
• Adaptive Lernumgebungen: Unter Rückgriff auf datengestütztes Wissen über Lehr-
Lernprozesse können Lehrende u. a. ihre Lehre sowie das Lernmanagementsystem
weiter optimieren, den Bedürfnissen der Lernenden anpassen, das verwendete Lern-
material angleichen oder zusätzliche Lernaktivitäten zur Verfügung stellen (vgl.
Ifenthaler/Schumacher 2016, 177, 180; Johnson et al. 2013, 19).
• Evaluation und Optimierung des Learning Designs: Ein Vergleich didaktisch geplanter
Lern-Lernarrangements mit dem tatsächlichen Nutzungsverhalten dieser Lernanlässe
ermöglicht das Hinterfragen didaktischer Interventionen. Ausgehend davon kann eine
datengestützte Weiterentwicklung didaktischer Konzepte, Lehr-Lernarrangements und
des Learning Designs erfolgen (vgl. Riedel/Adelberg/Schulze-Achatz 2019, 43; Seiler
et al. 2018, 595f.; Rienties et al. 2017).
Die dargestellten Ansatzpunkte von Learning Analytics zur didaktischen Anreicherung von
Lehr-Lernprozessen erheben nicht den Anspruch der Vollständigkeit und bieten die Ausgangs-
basis für weiterführende Interventionen. Die Entfaltung des Potenzials bedingt allerdings zum
einen darauf basierende Implikationen seitens Lehrender sowie zum anderen die Nutzung des
offengelegten Informationsspektrums seitens der Lernenden. Darin liegt u. a. ein Zugewinn für
Lernende: diese erhalten mehr Möglichkeiten ihre Lernprozesse eigenmächtig zu steuern. Sind
sich Lernende daraus wiederum um etwaige Unterstützungserfordernisse bewusst, kann dies
eine Passung von Inhalten, Lehre und Lernendenbedürfnissen (Learning Design) begünstigen.
Der Ausschöpfungsgrad des gezeigten theoretisch vorhandenen didaktischen Potenzials von
Learning Analytics wird allerdings je nach fokussierter Zielsetzung des Einsatzes von Learning
Analytics und dem konkreten Anwendungsszenario variieren. Ein Nutzen von Learning
Analytics für den Hochschulkontext kann sich neben der individuellen Ebene der Lernenden
und Lehrenden sowie Kursebene auch auf den institutionellen oder politischen Bereich erstre-
cken und vielfältiger Natur sein (siehe dazu beispielsweise Ifenthaler/Schumacher 2016). So
wie Einsatzszenarien von Learning Analytics einen dynamischen Betrachtungszugang benöti-
gen, so erfordert auch dessen Output die Einnahme einer holistischen bzw. systemischen Per-
spektive. Sollen Lernprozesse durch den Einsatz von beispielsweise Echtzeit-Feedback geför-
dert werden, bedingt dies zum einen die Möglichkeit auf den aktuellen Lernstand zugreifen zu
können. Dies setzt wiederum eine formative Leistungsbeurteilung voraus und stellt gleichzeitig
dennoch nur einen Ausschnitt innerhalb der digitalen Lernumgebung dar. Weitere Einfluss-
faktoren können innerhalb und außerhalb des digitalen und nicht digitalen Lernkontextes lie-
gen. Eine isolierte Wirkungszuschreibung von Learning Analytics ist hier denkbar schwierig.
4 Anwendungsszenario: Learning Analytics im Masterstudium
Wirtschaftspädagogik
Im folgenden Kapitel erfolgt die Darstellung des praktischen Einsatzes von Learning Analytics
in der forschungsgeleiteten Lehre in einer fachdidaktischen Lehrveranstaltung (Proseminar) im
Masterstudium der Wirtschaftspädagogik an der Universität Graz. Neben der Skizzierung der
Implementierung von Learning Analytics liegt der Fokus in der Erläuterung des Forschungs-
designs zur Annäherung an das didaktische Potenzial von Learning Analytics. Die didaktische
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 14
Ausrichtung ist von einer kognitivistischen und gemäßigt-konstruktivistischen Perspektive
geprägt und intendiert die Initiierung einer digital angereicherten Lernumgebung, in welcher
teils selbstgesteuertes Lernen stattfinden kann.
4.1 Implementierung von Learning Analytics
Eine eigens eingerichtete Instanz des Lernmanagementsystems Moodle bildet dabei die Grund-
lage für die Implementierung von Learning Analytics im Masterstudium Wirtschaftspädagogik.
Die zugrunde liegende fachdidaktische Lehrveranstaltung ist so gestaltet, dass Lernende
selbständig und aktiv zum Lernen angeregt werden. Dazu werden den Lernenden abwechs-
lungsreiche und medial vielfältige Lernaktivitäten zur Verfügung gestellt, wie beispielsweise
ein lehrveranstaltungsbegleitendes interaktives Moodle-Book mit H5P-Lernvideos, Links,
elektronisch verfügbaren Skripten und implementierten Lernanlässen wie unterschiedliche
Quiz samt Lösungen, Lektionen, Foren oder Glossare. Die Lernaktivitäten werden in ver-
pflichtende und freiwillige Lernanlässe gesplittet, wobei die freiwilligen Lernanlässe im Sinne
eines Gamification-Ansatzes als Level-Up-Struktur abgebildet werden. Lernende können somit
auf ein zusätzliches Lernangebot zurückgreifen und Erfahrungspunkte sammeln, welche sich
auf die Erhöhung ihrer individuellen Lernlevel auswirken. Die Aktivitäten werden dabei an
Voraussetzungen geknüpft (Abschluss bestimmter Kursaktivitäten) und sukzessive automati-
siert freigeschaltet. Sämtlich gestaltete Lernanlässe basieren in erster Linie auf kognitivistisch
und gemäßigt konstruktivistisch Überlegungen. Zur Übertragung in das Lernmanagement-
system fließen weiters mediendidaktische Überlegungen mit ein. Diesbezüglich wird der
Anspruch verfolgt, das technisch Mögliche zwar umzusetzen – insbesondere zur Sicherstellung
eines ausreichenden Datenkorpus für die Anwendung von Learning Analytics – pädagogisch-
didaktische Bestrebungen liefern jedoch den Ausgangspunkt.
Der Fokus der Datengenerierung aus dem Lernmanagementsystem Moodle liegt auf der Ana-
lyse und Darstellung von Metadaten, beispielsweise der Zugriffe auf oder Anzahl der (noch
nicht) genutzten Lernaktivitäten (z. B. Anzahl der Klicks auf Lernquizze je User-ID) sowie der
im Lernmanagementsystem verbrachten Zeit (z. B. Datum und Zeit der Zugriffe auf Lernquizze
je User-ID). Diese Metadaten werden mit dem formativen Bewertungssystem (erreichte Punkte
je Lernaktivität) verknüpft und mittels eines in Moodle integrierten Dashboards in Echtzeit
visualisiert (zu Dashboards vgl. Leitner/Ebner 2017; Buckingham Shum/ Ferguson 2012, 4).
Lehrende und Lernende verfügen über jeweils getrennte Dashboards, die gegenseitig nicht
einsehbar sind.
In Abbildung 3 wird das Dashboard für Lernende veranschaulicht. Auf Grundlage der vorhan-
denen Datenbasis (Aktivitäten des Lernmanagementsystems) werden die verfügbaren Daten
zur Unterstützung (selbstgesteuerter) Lernprozesse visualisiert. Das Dashboard dient zum einen
als Monitoring-Instrument: im Score-Tachometer wird der bisher erreichte Punktestand aus
gelösten Aufgabenstellungen des/der Studierenden (blau) im Vergleich zu den Peers Durch-
schnitt-Score (grau) sowie bester Score (schwarz) dargestellt. Zum anderen stellt die Timeline
ein Planungselement dar: es werden die dazugehörigen Ereignisse (z. B. synchrone Kursein-
heiten) sowie Lernaktivitäten (z. B. Quizze, Lektionen, Peer-Review) eines ganzen Semesters
aufgezeigt. Beide Visualisierungskomponenten sollen insbesondere auch eine motivationale
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 15
Funktion erfüllen sowie die Selbsteinschätzung Lernender in Bezug auf ihr eigenes Lernen för-
dern. Learning Analytics liefern Lernenden über das Dashboard Informationen zu eigenen
Lernprozessen. Es liegt allerdings an den Lernenden selbst, diese nach eigenem Ermessen und
Bedürfnissen auch zu nutzen.
Abbildung 3: Lernenden-Dashboard, entwickelt von der Technischen Universität Graz
Das Dashboard für Lehrende bezieht sich auf die Kursebene, d. h. es visualisiert die aggregier-
ten Daten aller Lernenden und enthält, analog zu den Elementen des Lernenden-Dashboards,
Anzeigen über die verfügbaren Lernaktivitäten und deren Absolvierungsgrad. Darüber hinaus
umfasst das Lehrenden-Dashboard eine aggregierte Häufigkeitsanzeige der Zugriffe auf unter-
schiedliche Lernanlässe sowie die verbrachte Zeit der Lernenden auf der Lernplattform. Um
eine Unterstützungswirkung von Lehr-Lernprozessen herbeizuführen, liegt die Herausfor-
derung nun darin, diese visualisierten Ergebnisse in einen pädagogisch sinnvollen Kontext zu
setzen (vgl. Lockyer/Heathcote/Dawson 2013, 1455).
4.2 Forschungsdesign
Um die in Logfiles protokollierten Lernaktivitäten des Lernmanagementsystems in einen päda-
gogisch stimmigen Kontext zu setzen und um aus dem Einsatz von Learning Analytics didak-
tische Implikationen ableiten zu können, wurde auf einen Mixed-Methods-Ansatz in einem
sequenziell kombinierten quantitativ-qualitativ-vertiefenden Design (vgl. Kuckartz 2014, 30;
77-78) zurückgegriffen. Dazu wurden im Laufe der ersten Erhebungsperiode (t1; Sommer-
semester 2020) zwischen den geblockten Lehrveranstaltungseinheiten mehrmals hintereinander
quantitative und qualitative Erhebungen durchgeführt. Zur Beantwortung der leitenden Frage-
stellung nach dem didaktischen Potenzial von Learning Analytics wird in der Begleitforschung
unter den Studierenden insbesondere deren subjektiv wahrgenommener Nutzen aus der Imple-
mentierung von Learning Analytics für die Verbesserung ihrer Lernprozesse erhoben. In
Abbildung 4 wird das Erhebungsdesign zu t1 dargestellt.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 16
Abbildung 4: Erhebungsdesign zu Erhebungsperiode t1
Auf die Ergebnisse einer beginnenden quantitativen Logfileanalyse (deskriptivstatistische
Betrachtung) erfolgten direkt im Lernmanagementsystem eingebettete Fragebogenerhebungen
mit quantitativen und qualitativen Items, um die Erkenntnisse der Logfileanalyse einerseits
abzugleichen und andererseits zu vertiefen. Die Ergebnisse der Fragebögen wiederum flossen
in die Gestaltung der Interviewleitleitfaden für die Gruppeninterviews ein. Die Abfolge von
quantitativer, quantitativ-qualitativer und qualitativ vertiefender Erhebung wiederholt sich im
Verlauf der Erhebungsperiode t1 mehrmals.
Im Wintersemester 2020/21 (Erhebungsperiode t2) wurde das Lehrveranstaltungsdesign auf-
grund der zu t1 erlangten Einsichten angepasst. Das grundsätzliche Forschungsdesign (siehe
Abbildung 5) wurde in der Erhebungsperiode t2 beibehalten, indem beginnend bei einer quan-
titativen Auswertung das quantitativ-qualitativ-vertiefende Design anschließt und dieser Zyklus
mehrmals wiederholt wird. Die zwei Lehrenden sind gleichsam als Forschende in das überge-
ordnete Projekt Learning Analytics involviert, um Rückschlüsse auf einen didaktischen Mehr-
wert ziehen zu können sowie Voraussetzungen, Grenzen und ein erforderliches Mindestmaß an
technischer Versiertheit auszuloten. Die Perspektive der Lehrenden fließt als Erfahrungsbericht
in das Datenmaterial ein.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 17
Abbildung 5: Erhebungsdesign zu Erhebungsperiode t2
Damit kann zur Beantwortung der Fragestellung auf einen umfassenden Datenkorpus aus der
nachfolgend dargestellten vierstufigen Analyse zurückgegriffen werden.
(1) Die erhobenen und pseudonymisierten Logfiles wurden mit deskriptivstatistischen
Methoden strukturiert, erkundet und beschrieben (vgl. Döring/Bortz 2016a, 621;
Döring/Bortz 2016b, 352). Auf dieser Datengrundlage folgte ein sich wiederholendes
kombiniert quantitativ und qualitatives Vertiefungsdesign.
(2) Der quantitative schriftliche Befragungsteil hatte die Funktion, die Daten der Logfile-
betrachtung mit der Wahrnehmung der Lernenden abzugleichen. Dazu wurden Items,
die den Merkmalen der Logfiles entsprachen, eingesetzt und mit den Merkmalsaus-
prägungen als Antwortalternativen versehen.
(3) Die teilstrukturierte qualitative schriftliche Befragung erfolgte unter Einsatz halbstan-
dardisierter Teilfragebögen. Die Fragen bezogen sich auf die Dimensionen des allge-
meinen Learning Designs, der Level-Up-Struktur (freiwillige Lernanlässe), der ver-
pflichtenden Lernanlässen und der Lernvideos. Ab der Erhebungsperiode t2 wurde zur
teilweisen Visualisierung der mit Learning Analytics ausgewerteten Daten zusätzlich
ein Dashboard im Lernmanagementsystem integriert, worauf dann weitere Items in den
Befragungen gerichtet waren.
(4) Die Interviewleitfäden zu den ergänzend durchgeführten qualitativen halbstrukturierten
Gruppeninterviews (vgl. Döring/Bortz 2016b, 365ff.) wurden aus den Ergebnissen der
schriftlichen quantitativen und qualitativen Befragung abgeleitet.
Das Datenmaterial besteht demzufolge aus Logfiles, den Daten des sequenziell quantitativ-qua-
litativ-vertiefenden Designs (Fragbögen, Gruppeninterviews) und den Erfahrungsberichten der
Lehrenden. In der Erhebungsperiode t1 waren 35 Teilnehmer/innen in den Kurs eingeschrieben
(zwei Lehrveranstaltungsgruppen), welche bis Ende des Semesters in Summe 55.172 an berei-
nigten Datenzeilen über das Lernmanagementsystem Moodle generierten. Zusätzlich wurden
fünf Fragebögen mit offenen und geschlossenen Fragen direkt in Moodle implementiert, welche
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 18
von durchschnittlich 22 Lernenden ausgefüllt wurden. In Summe wurden 112 ausgefüllte Fra-
gebögen ausgewertet. Ergänzend wurden über die Erhebungsperiode verteilt zwölf qualitative
Gruppeninterviews von je ca. 20 Minuten mit einer Gruppengröße von durchschnittlich drei
Lernenden geführt. In der zweiten Erhebungsperiode wurde der Kurs mit einer Lehrveranstal-
tungsgruppe mit insgesamt 21 Studierenden geführt, welche 32.747 bereinigte Datenzeilen pro-
duziert haben. Weiters wurden sechs Fragebogenerhebungen mit qualitativen und quantitativen
Elementen von durchschnittlich 17 Lernenden ausgefüllt (105 Fragebögen) und drei qualitative
Gruppeninterviews mit je drei Studierenden für je ca. 20 Minuten geführt.
Zur Datenauswertung des quantitativen Datenmaterials (Logfiles und quantitative Fragebogen-
elemente) wurden Visualisierungstechniken der Deskriptivstatistik eingesetzt. Dabei können
lediglich ein Nutzungsverhalten sowie Korrelationen aufgezeigt werden. Eine dahinterliegende
Kausalität kann damit nicht begründet werden. Aus diesem Grund wurde diese Datenbasis mit
einem quantitativen und qualitativen Vertiefungsdesign ergänzt, um das Nutzungsverhalten
annähernd in ein Lernverhalten innerhalb eines digitalen Lehr-Lernsettings überführen zu
können. Die Gruppeninterviews in den jeweiligen Erhebungsperioden wurden vollinhaltlich
transkribiert und zusammen mit den Fragebögen und den Erfahrungsberichten der Lehrenden
einer qualitativen Inhaltsanalyse nach Mayring unterzogen (vgl. Mayring 2015). Dazu erfolgt
eine kombiniert deduktiv-induktive Kategorienbildung. Ausgehend von der forschungs-
geleitenden Perspektive, das didaktische Potenzial von Learning Analytics auszuloten, bildet
das aus der Literatur abgeleitete theoretische Potenzial (vgl. Ausführungen in Kapitel 3) den
Referenzrahmen. Die Ebenen des Learning-Analytics-Dreiecks, (1) Lernende, (2) Lehrende
sowie (3) Inhalt und die vereinende Dimension Learning Design, bilden den ersten Schritt der
Klassifikation des didaktischen Potenzials. Zur Spezifikation des Konstruktes des didaktischen
Potenzials erfolgt dabei in direkter Verbindung zur Literaturbetrachtung eine deduktive Kate-
gorienbildung (Tabelle 1).
Tabelle 1: Kategorien der inhaltsanalytischen Auswertung
Lernende
Lehrende
Inhalt &
Learning Design
• Transparenz von Lernstand
und Lernfortschritt
• Echtzeit-Feedback
• Empfehlungen
• Reflexionsimpulse
• Peer Learning
• Selbstregulierung
• Prognose von Lernerfolgen
• Reflexion und Evaluation
• Adaptive Lehre
• Modellierung von Lernan-
lässen
• Diagnoseinstrument
• Adaptive Lernumgebungen
• Evaluation und Optimie-
rung
des Learning Designs
Das Kategoriensystem besteht dabei zum einen aus der in Tabelle 1 dargestellten Ebenen bzw.
Kategorien sowie zum anderen aus den Kategoriendefinitionen und Ausprägungsstufen. Die
Definition der Kategorien erfolgt anhand eines viergeteilten Schemas (vgl. Kuckartz 2018, 40).
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 19
Neben der (1) inhaltlichen Beschreibung wird zwischen (2) der Anwendung jeder Kategorie,
(3) der Beispiele für die Anwendung sowie (4) der Abgrenzung zu anderen Kategorien diffe-
renziert. Diese Kategorienbeschreibung wurde im ersten Schritt deduktiv aus der Literatur
gewonnen und anschließend induktiv am Datenmaterial ergänzt, präzisiert bzw. modifiziert.
Für die angelegten theoretischen Kategorien werden drei Ausprägungsgrade (ordinales Skalen-
niveau) definiert, anhand derer eine Zuordnung erfolgt: (1) ausgeprägt, (2) wenig ausgeprägt,
(3) nicht ausgeprägt. Diese Ausprägungsgrade dienen als Realisationsgrad im konkreten
Anwendungsszenario. Da sich die grundlegenden Elemente des Unterrichts, Lehr-Lernpro-
zesse, Lernangebot sowie Learning Design, wechselseitig beeinflussen, sind infolgedessen die
Kategorien des didaktischen Potenzials jedoch nicht trennscharf voneinander abgrenzbar.
Die qualitative Begleitforschung zeigt eine Diskrepanz zwischen dem aus Logdaten sichtbar
gemachten Nutzungsverhalten in einem Lernmanagementsystem und einem tatsächlichem
Lernverhalten auf, was wiederum die Relevanz menschlicher Urteilskraft im Bildungskontext
unterstreicht (vgl. dazu auch die Ausführungen von Büching et al. 2019). Während dieses
sequenzielle Mixed-Methods-Design zur Interpretation der Nutzungsdaten aus dem Lern-
managementsystem beigetragen hat, waren die Ergebnisse daraus wiederum Ausgangspunkt
für die Ableitung didaktischer Implikationen und Interventionen.
4.3 Vorläufige Ergebnisse und didaktische Implikationen des Einsatzes von Learning
Analytics
Obgleich aus der reinen Betrachtung der Metadaten des Lernmanagementsystems nur eine
Beschreibung eines Nutzungsverhaltens innerhalb des betrachteten digitalen Lehr-Lernsettings
erfolgen kann und dies nicht als Lernverhalten missinterpretiert werden sollte, wird die Auf-
merksamkeit auf bestimmte Aspekte gelenkt, welche unter Umständen ohne eine ‚Daten-
perspektive‘ keine Beachtung erhalten würden. So kann zwar nicht davon ausgegangen werden,
dass beispielsweise die verbrachte Zeit in einem Lernmanagementsystem mit Lernzeit gleich-
zusetzen ist oder, dass hohe Zugriffszahlen effektive Lernanlässe kennzeichnen (vgl. Ifenthaler/
Schumacher 2016, 181). Allerdings kann eine Abweichung vom intendierten und angenommen
Nutzungsverhalten Anhaltspunkte für weitere Untersuchungen oder didaktische Interventionen
liefern. Folglich können beispielsweise als selbsterklärend geltende Lernanlässe durch eine
tatsächliche hohe/niedrige Nutzung hinterfragt werden. Infolgedessen können gegebenenfalls
Lernschwierigkeiten aufgedeckt werden. Darüber hinaus können Klickzahlen ebenso auch
Hinweise auf eine erforderliche Umgestaltung oder Erleichterung der Navigation innerhalb
eines Learning Designs geben.
Den Referenzrahmen zur Herausarbeitung der didaktischen Implikationen aus dem Einsatz von
Learning Analytics im gegenständlichen Anwendungsszenario bilden die inhaltsanalytischen
Auswertungen anhand des entwickelten Kategoriensystems (vgl. Tabelle 1 in Kapitel 4.2). Die
Kategorien stellen die Betrachtungsaspekte des didaktischen Potenzials dar. Die Auswertungen
des Datenmaterials haben der jeweiligen Kategorie eine Ausprägung zugewiesen, die nachfol-
gend als Realisationsgrad bezeichnet wird. Dieser soll anzeigen, inwieweit die angeführten
Potenziale bereits realisiert wurden oder wo noch Entwicklungsspielraum im Rahmen des
Szenarios besteht.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 20
Tabelle 2: Realisationsgrad des didaktischen Potenzials im Anwendungsszenario
Betrachtungsaspekt
(Didaktische Potenziale, gemäß der Darstellung in Kapitel 2)
Realisationsgrad im
Anwendungsszenario
(max: )
Lernende
Transparenz von Lernstand und Lernfortschritt
Echtzeit-Feedback
Empfehlungen
Reflexionsimpulse
Peer Learning
Selbstregulierung
Lehrende
Prognose von Lernerfolgen
Reflexion und Evaluation
Adaptive Lehre
Modellierung von Lernanlässen
Diagnoseinstrument
Inhalt &
Learning
Design
Adaptive Lernumgebungen
Evaluation und Optimierung
des Learning Designs
Der in Tabelle 2 angegebene Realisationsgrad bezieht sich lediglich auf das konkrete Anwen-
dungsszenario im Masterstudium Wirtschaftspädagogik und erhebt keinen Anspruch auf All-
gemeingültigkeit. In Bezug auf die Transparenz des Lernstandes und -fortschrittes wurde
dieser durch den Einsatz des Dashboards gewährleistet. Entwicklungsbedarf besteht noch in
einer feingliedrigeren Darstellung des Lernstandes, beispielsweise untergliedert nach Beurtei-
lungsaspekten. Das Echtzeit-Feedback richtet sich im konkreten Fall vor allem auf die inhaltli-
che Sofort-Rückmeldung von Lernanlässen und auf das Dashboard, welches eine wichtige
Feedback-Funktion in Bezug auf Lernstand, Lernfortschritt und dem Aufzeigen weiterer Lern-
schritte darstellt. Potenzial liegt hier noch in der Erweiterung der Feedbackebenen um die Pro-
zessebene und die Ebene der Selbstregulation (vgl. Hattie 2018, 135f.). Empfehlungen an die
Lernenden richten sich in diesem Anwendungsfall nur auf das Setzen nächster Lernaktivitäten,
jedoch ohne inhaltliche Differenzierung. Der Einbezug von Inhaltsdaten, als Ergänzung zu den
verwendeten Metadaten, könnte konkretere Empfehlungen, z. B. in Hinblick auf bedarfsge-
rechte Lernmaterialien, möglich machen.
Ein Mehrwert durch den Einsatz von Learning Analytics, vor allem in Verbindung mit dem
Dashboard, zeigt sich im Initiieren von Reflexionsimpulsen für Lernende (u. a. in Bezug auf
Lernverhalten und Wissenslücken) sowie Lehrende (beispielweise hinsichtlich des Lehrverhal-
tens oder der Nutzung von angebotenen Lernaktivitäten) und als Instrument zur Erweiterung
der Diagnosekompetenz der Lehrenden (durch z. B. den Abgleich von tatsächlichem und inten-
diertem Leistungsniveau der Lernenden oder das Offenlegen von Verständnisschwierigkeiten
in Echtzeit). Darüber hinaus können Learning Analytics zur Evaluation und Optimierung des
Learning Designs sowie zur Unterstützung von selbstreguliertem Lernen dienen. Selbstregu-
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 21
liertes Lernen kann beispielsweise durch die Visualisierung des Lernstandes und Lernfortschrit-
tes, im Vergleich zu Peers, unterstützt werden. Lernende werden dadurch angeregt, über ihr
Lernverhalten und künftig notwendige Lernschritte nachzudenken. Das Setzen eigener Lern-
ziele kann dies zusätzlich begünstigen. Neben positiven Auswirkungen auf die Regulation des
Verarbeitungsmodus und des Lernprozesses, kann das Aufzeigen von Lernfortschritten oder
das Setzen von Zielen weiters Einfluss auf die Regulation des Selbst, als Komponente selbstre-
gulierten Lernens, ausüben (zu den Komponenten selbstregulierten Lernens vgl. z. B. Götz/Nett
2017, 154f.). Das Erreichen eigener Lernziele oder gesteckter Lernerfolge kann demzufolge
eine positive emotionale und motivationale Einstellung der Lernenden herbeiführen. Gleichzei-
tig erhalten Lernende unmittelbar die Möglichkeit, selbstbestimmt weitere Lernaktivitäten zu
setzen, um sich zu verbessern. Darüber hinaus liefert eine Lernstands- und Lernfortschritts-
begleitung Impulse zur Entwicklung einer in Hinblick auf Selbstregulierung lernrelevanten
Haltung. Lernende lernen zum einen ihren Lernprozess kontrollieren, und damit steuern, zu
können und zum anderen üben sie sich zugleich in der Selbsteinschätzung ihrer Lernprozesse.
In Bezug auf Möglichkeiten in Richtung adaptives Lehren, Modellierung von Lernanlässen
oder auch der Adaption von Lernumgebungen und damit zur Optimierung von Learning Design
stiftet der Einsatz von Learning Analytics einen Nutzen im Offenlegen diverser Verbesserungs-
potenziale. Hierdurch wird ermöglicht, auf aufgeworfene Fragen der Lernanlässe in Echtzeit zu
reagieren und die Lehre just-in-time an die Bedürfnisse der Lernenden anpassen zu können.
Gleichzeitig können Lernmaterialien gezielter überarbeitet, wie auch das Learning Design
bedarfsgerecht adaptiert werden. Ein Anregen von Peer Learning wie auch die Prognose von
Lernerfolgen durch Learning Analytics war in diesem konkreten Anwendungsszenario noch
nicht intendiert und wurde daher auch nicht realisiert.
Der Einsatz von Learning Analytics erfolgt im konkreten Anwendungsfall ohne die Aufstellung
bestimmter Hypothesen und soll auf explorativer Ebene das didaktische Potenzial in einem
konkreten Anwendungsszenario ausloten. Zu beachten ist, dass in diesem Anwendungsszenario
nur ein geringes Spektrum an möglichen Learning-Analytics-Anwendungen eingesetzt wird
und daher ein realisiertes Potenzial auch nur in diesem Kontext einzustufen ist. Auch vollziehen
Lernende außerhalb eines Lernmanagementsystems formelle, nicht formelle und informelle
Lernleistungen und werden dabei u. a. vom Lernumfeld beeinflusst, weshalb die ausschließli-
che Fokussierung auf Daten aus Lernmanagementsystemen Verzerrungen unterliegen kann
(vgl. Slade/Prinsloo 2013; Johnson/Adams/Cummins 2012, 27). Um das volle Potenzial von
Learning Analytics ausschöpfen zu können, wäre mitunter ein größtmöglicher Einbezug des
Lernkontextes, abseits der digitalen Lernumgebung, von Lernenden notwendig. Dazu gehören
beispielsweise individuelle Merkmale der Lernenden, wie deren Vorwissen, Interessen, Lern-
strategien, Wissen über die Nutzung und Präferenzen digitaler sowie sozialer Medien und auch
physische Einflussfaktoren, wie gesundheitliche, emotionale oder motivationale Aspekte (vgl.
Ifenthaler/Widanapathirana 2014, 223). Dennoch liegt es auf der Hand, dass sich auch dann
nicht der gesamte Lernkontext von Lernenden in digitalen Daten abbilden lässt. Dies setzt eine
vorsichtige Nutzung der Daten voraus bzw. schränkt deren Interpretationsbreite und -tiefe ein,
was die Übersetzung dieser Daten in pädagogisch sinnvolle Interventionen erschwert (vgl.
Mandausch/Meinhard 2018, 29f.). Das alleinige Nutzen eines Lernmanagementsystems kann
nicht automatisch mit Lernen gleichgesetzt werden. Die Anzahl der Klicks oder die verbrachte
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 22
Zeit im Lernmanagementsystem sind kein geeigneter Indikator für Lernleistungen (vgl.
Ifenthaler/Schumacher 2016, 181). Nach wie vor offen bei der Interpretation der Daten bleibt
weiters – sofern überhaupt Rückschlüsse aus den Daten gezogen werden können – welche
Rückschlüsse wertvoll zur Weitergabe an Lernende sind und welchen Einfluss diese auf das
Lernverhalten haben (vgl. Atif et al. 2013). Darüber hinaus liefern Learning Analytics zwar
Ansatzpunkte zur Gestaltung eines didaktischen Designs eines digitalen Lehr-Lernsettings.
Dieses didaktische Design ist jedoch gleichzeitig eine der zentralen Determinanten für den
Erfolg von Learning Analytics (vgl. Gašević/Dawson/Siemens 2015).
Fazit: Die wesentlichen Erkenntnisse durch den Einsatz von Learning Analytics liegen in einem
Beitrag zur Unterstützung einer lernendenzentrierten Ausrichtung der Lehre, im Schaffen indi-
vidualisierter Lernerlebnisse, im Personalisieren von Lernumgebungen und dem Ermöglichen
von selbstgesteuertem Lernen in technologiegestützten Lehr-Lernsettings. Abschließend lässt
sich festhalten, dass ein zusätzlicher Ansatzpunkt von Learning Analytics im Offenlegen von
Fehlern liegt. Dahingehend können Learning Analytics der Entwicklung von Fehlerkompetenz
zuträglich sein und zur Weiterentwicklung einer konstruktiv nutzenstiftenden Fehlerkultur im
Bildungskontext beitragen.
5 Abschließende Darstellung und Ausblick
Der Einsatz von Learning Analytics im Bildungskontext bringt neue Möglichkeiten zur Erfor-
schung von Lehren und Lernen hervor. Gleichzeitig zeigen sich jedoch auch Schwierigkeiten
bei der Messung und Interpretation des Konstrukts ‚Lernen‘ aus Datenspuren. Reagieren Leh-
rende und/oder Lernende auf Visualisierungen aus der Anwendung von Learning Analytics,
verändern sie dadurch gleichzeitig das System; es wird dynamisch, reflexiv (vgl.
Knight/Buckingham Shum 2017, 18). Diese Schwierigkeit verdeutlicht jedoch zugleich auch
die diesbezügliche Eignung von Learning Analytics. Learning Analytics sind demzufolge in
der Lage, den dynamischen Prozesscharakter von Lernen aufzugreifen, um daraus wiederum
bewusst Lernprozesse zu initiieren und infolgedessen die Reflexions- und Handlungsfähigkeit
der Lernenden zu unterstützen. Learning Analytics können dabei als Bindeglied zwischen wis-
senschaftlichen Erkenntnissen der allgemeinen und beruflichen Lehr-Lernforschung sowie
einer evidenzbasierten pädagogischen Praxis dienen. Ausgehend von einer kognitivistischen
und gemäßigt-konstruktivistischen Perspektive wird Lernen als aktiver Prozess des Wissens-
erwerbs verstanden, der mehr oder minder stark durch Instruktionen angestoßen wird (vgl.
Slepcevic-Zach/Tafner 2019, 192ff.). In Ergänzung zur Lehrperson stellen Learning Analytics
hier ein zusätzliches Instrument zur Initiierung von Lernprozessen dar – und folglich auch zur
Ergänzung handlungsorientierter Unterrichtsformen. Damit kann einer v. a. in der beruflichen
Bildung geforderten Handlungskompetenz (vgl. Slepcevic-Zach/Tafner 2019, 206) entgegen-
gekommen und zugleich der Lerntransfer unterstützt werden. Der Mehrwert der Anwendung
von Learning Analytics für ein Lernen im Berufskontext kann in der Offenlegung und Nach-
vollziehbarkeit formeller, nicht formeller als auch informeller Lernprozesse liegen, um in Folge
diese individuellen Lernaktivitäten wiederum besser mit organisatorischen Lernzielen in Ein-
klang zu bringen (vgl. beispielsweise die Ausführungen zu Professional Learning Analytics von
Littlejohn 2017).
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 23
Neben einem intendierten Nutzen für die Anspruchsgruppen des Bildungssektors muss beim
Einsatz von Learning Analytics jedoch auch ein kritischer Blick auf wichtige Aspekte wie
Datenschutz, Datenverantwortung und Datenethik erfolgen (vgl. Alexander et al. 2019, 16;
Grandl et al. 2017, 9ff.). Außerdem ist ein bewusster und vor allem verantwortungsvoller
Umgang in Hinblick auf mögliche positive und auch negative Auswirkungen von Dateninter-
pretationen entscheidend (vgl. Mandausch/Meinhard 2018, 28; Groißböck/Buchner 2016). In
diesem Kontext steht die noch unzureichende Ausrichtung des Forschungsfokus von Learning
Analytics auf die pädagogisch-didaktische Perspektive (vgl. Dyckhoff et al. 2012). Die Inter-
pretation der Ergebnisse stellt jedoch nicht die alleinige Crux dar, sondern das Ableiten eines
daraus entstehenden Handlungsbedarfes, um eine Verbesserung von Lehr-Lernprozessen her-
beizuführen (vgl. Mandausch/Meinhard 2018, 29). In diesem Zusammenhang zeigt sich wiede-
rum die Notwendigkeit, die noch unzureichende Digital Literacy und Data Literacy von Leh-
renden und Lernenden voranzutreiben (vgl. Witt de 2020, VII).
Der in diesem Beitrag präsentierte Forschungszugang stellt eine erste explorative Annäherung
an das didaktische Potenzial von Learning Analytics dar, welche bislang lediglich für das in
Kapitel 4 skizzierte Anwendungsszenario Gültigkeit aufweist. Weitere mögliche Zugänge zur
Erforschung von Nutzungspotenzialen aus dem Einsatz von Learning Analytics könnten die
empirische Wirkungsforschung mit dem Aptitude-Treatment-Interaction-Ansatz (ATI) oder
alternativ der Design-Based-Research-Ansatz (DBR) sein. Während der Fokus bei ATI auf der
Untersuchung der Wirksamkeit eines bereits entwickelten Lehr-Lernsettings liegt, und davon
ausgegangen wird, dass Verbesserungen von Lernprozessen durch eine optimale Passung von
Lehrmethoden und Voraussetzungen der Lernenden erreicht werden können (vgl. Euler/
Wilbers 2020, 435ff.), wird mit DBR explorativ untersucht, wie ein bestimmtes Ziel in einem
bestimmten Kontext durch iterative Interventionen erreicht werden kann (vgl. Aprea 2007,
153ff.). Als Ergebnis können Gestaltungsprinzipien oder didaktische Lehr-Lernkonzepte für
einen pädagogisch sinnstiftenden Einsatz von Learning Analytics resultieren, um damit von Big
Data zu aussagekräftigen Daten zu kommen. Hauptanliegen zukünftiger Forschungsarbeiten im
Bereich von Learning Analytics können damit die Untersuchung des praktischen Anwendungs-
bereiches im pädagogisch-didaktischen Kontext sein, wobei eine Verschränkung von techni-
scher, pädagogischer und rechtlich-ethischer Perspektive anzustreben ist.
Ein Mehrwert dieser Learning-Analytics-Betrachtung impliziert die Überlegung, dass zwar der
Pädagogik das Primat gegenüber der Technik (vgl. Handke 2020, 12; Zierer 2020, 9), z. B. im
Rahmen didaktischer Erstüberlegungen, einzuräumen ist, dass jedoch erst durch den Einsatz
von Technik eine Offenlegung verborgener lehr-lernrelevanter Aspekte ermöglicht wird.
Gleichzeitig soll diese technische Betrachtung nicht entkoppelt von Fragstellungen von Recht
und Ethik vorgenommen werden. Die Anwendung von Learning Analytics im Masterstudium
der Wirtschaftspädagogik soll einen Impuls geben für die – der vorliegenden Ausgabe titelge-
bende – Didaktisierung des Digitalen. Die im Rahmen dieses Beitrages beschriebene Imple-
mentierung soll Möglichkeiten für den sinnstiftenden Einsatz digitaler Technologien zur Unter-
stützung von Lehr-Lernprozessen in der Lehrer/innen/bildung aufzeigen, um damit auch die
Lehrer/innen/bildung für die digitale Transformation anschlussfähig zu machen.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 24
Danksagung
Die vorliegende Publikation entstand im Rahmen des Projektes Learning Analytics: Auswir-
kungen von Datenanalysen auf den Lernerfolg unter Zusammenarbeit des Zentrums für Digita-
les Lehren und Lernen, des Instituts für Wirtschaftspädagogik (beide Karl-Franzens-Universität
Graz) sowie der Organisationseinheit für Lehr- und Lerntechnologien (Technische Universität
Graz). Die Autor/inn/en bedanken sich für die Förderung des Projektes im Rahmen der Aus-
schreibung ‚Auswirkungen der Digitalisierung auf die berufliche Kompetenzentwicklung‘ des
Zukunftsfonds Steiermark (www.zukunftsfonds.steiermark.at/).
Literatur
Alexander, B./Ashford-Rowe, K./Barajas-Murphy, N./Dobbin, G./Knott, J./McCormack, M./
Pomerantz, J./Seilhamer, R./Weber, N. (2019): Educause Horizon Report. 2019 Higher
Education Edition. Louisville.
Aprea, C. (2007): Aufgabenorientiertes Coaching in Designprozessen. Fallstudien zur Planung
wirtschaftsberuflicher Lernumgebungen. München.
Arnold, P./Kilian, L./Thillosen, A. M./Zimmer, G. M. (2018): Handbuch E-Learning. Lehren
und Lernen mit digitalen Medien. Bielefeld.
Atif, A./Richards, D./Bilgin, A./Marrone, M. (2013): Learning Analytics in Higher Education:
A Summary of Tools and Approaches. In: Gosper, M./Hedberg, J./Carter, H. (Hrsg.): Electric
Dreams. Proceedings of the 2013 ASCILITE Conference in Sydney, 68-72.
Azcona, D./Hsiao, I-H./Smeaton, A. F. (2019): Detecting students-at-risk in computer
programming classes with learning analytics from students’ digital footprints. In: User
Modeling and User-Adapted Interaction, 29, H. 4, 759-788.
Baumert, J./Klieme, E./Neubrand, M./Prenzel, M./Schiefele, U./Schneider, W./Stanat, P./Till-
mann, K.-J./Weiß, M. (2001): PISA 2000. Wiesbaden.
Bienkowski, M./Feng, M./Means, B. (2014): Enhancing Teaching and Learning Through
Educational Data Mining and Learning Analytics: An Issue Brief.
Büching, C./Mah, D.-K./Otto, S./Paulicke, P./Hartman, E. A. (2019): Learning Analytics an
Hochschulen. In: Wittpahl, V. (Hrsg.): Künstliche Intelligenz. Berlin, 142-160.
Buckingham Shum, S. (2012): Learning Analytics. Policy Brief, November 2012, UNESCO
Institute for Information Technologies in Education. Online:
https://iite.unesco.org/pics/publications/en/files/3214711.pdf (16.3.2021).
Buckingham Shum, S./Ferguson, R. (2012): Social learning analytics. In: Educational Techno-
logy and Society, 15, H. 3, 3-26.
Chatti, M. A./Dyckhoff, A. L./Schroeder, U./Thüs, H. (2012a): A reference model for learning
analytics. In: International Journal of Technology Enhanced Learning, 4, H. 5-6, 318-331.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 25
Chatti, M. A./Dyckhoff, A. L./Schroeder, U./Thüs, H. (2012b): Forschungsfeld Learning
Analytics. Learning Analytics Research Challenges. In: i-com, 11, H. 1, 22-25.
Döring, N./Bortz, J. (2016a): Datenanalyse. In: Döring, N./Bortz, J. (Hrsg.): Forschungs-
methoden und Evaluation in den Sozial- und Humanwissenschaften. Berlin, 597-784.
Döring, N./Bortz, J. (2016b): Datenerhebung. In: Döring, N./Bortz, J. (Hrsg.): Forschungs-
methoden und Evaluation in den Sozial- und Humanwissenschaften. Berlin, 321-577.
Dubs, R. (2009): Lehrerverhalten. Ein Beitrag zur Interaktion von Lehrenden und Lernenden
im Unterricht. Stuttgart.
Dyckhoff, A. L. (2014): Action Research and Learning Analytics in Higher Education.
Dissertation, RWTH Aachen.
Dyckhoff, A. L./Zielke, D./Bültmann, M./Chatti, M. A./Schroeder, U. (2012): Design and
implementation of a learning analytics toolkit for teachers. In: Educational Technology and
Society, 15, H. 3, 58-76.
Ebner, M./Ebner, M. (2018): Learning Analytics an Schulen – Hintergrund und Beispiele. In:
Medienimpulse, 56, H. 1, 1-28.
Ebner, M./Neuhold, B./Schön, M. (2013): Learning Analytics – wie Datenanalyse helfen kann,
das Lernen gezielt zu verbessern. In: Wilbers, K./Hohenstein, A. (Hrsg.): Handbuch E-Lear-
ning-Expertenwissen aus Wissenschaft und Praxis - Strategien, Instrumente, Fallstudien. Köln,
1-20.
Ebner, M./Taraghi, B./Saranti, A./Schön, S. (2015): From the field. Seven features of smart
learning analytics – lessons learned from four years of research with learning analytics. In:
eLearning Papers, H. 40, 1-5.
Euler, D./Seufert, S./Wilbers, K. (2006): eLearning in der Berufsbildung. In: Arnold, R./Lips-
meier, A. (Hrsg.): Handbuch der Berufsbildung. Wiesbaden, 432-450.
Euler, D./Wilbers, K. (2020): Berufsbildung in digitalen Lernumgebungen. In: Arnold, R./
Lipsmeier, A./Rohs, M. (Hrsg.): Handbuch Berufsbildung. Wiesbaden, 427-438.
Ferguson, R. (2012): Learning Analytics: Drivers, Developments and Challenges. In: Inter-
national Journal of Technology Enhanced Learning, 4, H. 5/6, 304-317.
Gašević, D./Dawson, S./Siemens, G. (2015): Let’s not forget: Learning analytics are about
learning. In: TechTrends, 59, H. 1, 64-71.
Gerholz, K.-H./Dorman, M. (2017): Ausbildung 4.0: Didaktische Gestaltung der betrieblich-
beruflichen Ausbildung in Zeiten der digitalen Transformation. In: bwp@ Berufs- und
Wirtschaftspädagogik – online, H. 32, 1-22. Online:
http://www.bwpat.de/ausgabe32/gerholz_dormann_bwpat32.pdf (16.3.2021).
Gloerfeld, C. (2020): Auswirkungen von Digitalisierung auf Lehr- und Lernprozesse.
Wiesbaden.
Götz, T./Nett, U. E. (2017): Selbstreguliertes Lernen. In: Goetz, T. (Hrsg.): Emotion, Motiva-
tion und selbstreguliertes Lernen. Paderborn, 144-184.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 26
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, H. 72, 1-16.
Greller, W./Drachsler, H. (2012): Translating Learning into Numbers: A Generic Framework
for Learning Analytics. In: Journal of Educational Technology & Society, 15, H. 3, 42-57.
Grillenberger, A./Romeike, R. (2019): Vorstudie Hochschulübergreifende Konzepte zum
Erwerb von 21st century skills am Beispiel von Data Literacy. Berlin.
Groißböck, P./Buchner, J. (2016): Learning Analytics: Die Verwendung von Daten in der
Schule. Vortrag im Rahmen der Privacy Week. Wien.
Handke, J. (2020): Handbuch Hochschullehre Digital. Leitfaden für eine moderne und medien-
gerechte Lehre. Baden-Baden.
Hattie, J. (2018): Lernen sichtbar machen für Lehrpersonen. Baltmannsweiler.
Hmyzo, E./Muzzu, A. (2020): Technologie im Rechnungswesen – Wenn die Maschine besser
und schneller bucht. In: Berding, F./Jahncke, H./Slopinski, A. (Hrsg.): Moderner Rechnungs-
wesenunterricht 2020. Wiesbaden, 99-113.
Höfler, E./Kopp, M. (2018): MOOCs und Mobile Learning. In: Witt de, Claudia/Gloerfeld,
Christina (Hrsg.): Handbuch Mobile Learning. Wiesbaden, 543-564.
Ifenthaler, D. (2012): Determining the effectiveness of prompts for self-regulated learning in
problem-solving scenarios. In: International Forum of Educational Technology & Society, 15,
38-52.
Ifenthaler, D./Schumacher, C. (2016): Learning Analytics im Hochschulkontext. In: WiSt –
Wirtschaftswissenschaftliches Studium, 45, H. 4, 176-181.
Ifenthaler, D./Widanapathirana, C. (2014): Development and Validation of a Learning
Analytics Framework: Two Case Studies Using Support Vector Machines. In: Technology,
Knowledge and Learning, 19, H. 1-2, 221-240.
Jank, W./Meyer, H. (2014): Didaktische Modelle. Berlin.
Janschitz, G./Monitzer, S./Slepcevic-Zach, P./Dreisiebner, G./Stock, M./Kopp, M. (2019):
Analyse und Förderung des Erwerbs digitaler Kompetenzen von Studierenden (DiKoS). In:
bwp@ Spezial AT-2: Beiträge zum 13. Österreichischen Wirtschafspädagogik-Kongress, 1-23.
Online: http://www.bwpat.de/wipaed-at2/janschitz_etal_wipaed-at_2019.pdf (16.3.2021).
Johnson, L./Adams, S./Cummins, M. (2012): NMC Horizon Report: 2012 Higher Education
Edition. Austin.
Johnson, L./Adams Becker, S./Cummins, M./Freeman, A./Ifenthaler, D./Vardaxis, N.(2013):
Technology Outlook, Australian Tertiary Education 2013-2018. An NMC Horizon project
regional analysis. Austin.
Khalil, M./Ebner, M. (2015): Learning Analytics: Principles and Constraints. In: Proceedings
of World Conference on Educational Multimedia, Hypermedia and Telecommunication.
Chesapeake, 1326-1336.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 27
Knight, S./Buckingham Shum, S. (2017): Theory and Learning Analytics. In: Lang,
C./Siemens, G./Wise, A./Gasevic, D. (Hrsg.): Handbook of Learning Analytics, 17-22.
Koh, W./Choi, J. (2016): A pedagogic method helps to create an actionable policy from big
data through a PDCA cycle. In: International Journal of Technology, Policy and Management,
16, H. 1, 4-17.
Krause, M. (2020): Soziale Lernplattformen für Hochschulen. Kooperation, Privatheit und
Forschungspotenziale am Beispiel von Campus.UP. In: heiEDUCATION Journal, H. 5, 57-80.
Kuckartz, U. (2014): Mixed Methods. Methodologie, Forschungsdesigns und Analysever-
fahren. Wiesbaden.
Kuckartz, U. (2018): Qualitative Inhaltsanalyse. Methoden, Praxis, Computerunterstützung.
Weinheim.
Leitner, P./Khalil, M./Ebner, M. (2017): Learning Analytics in Higher Education—A Literature
Review. In: Peña-Ayala, A. (Hrsg.): Learning Analytics: Fundaments, Applications, and
Trends. Cham, 1-23.
Leitner, P./Ebner, M. (2017): Development of a dashboard for learning analytics in higher
education. In: Zaphiris, P./Ioannou, A. (Hrsg.): Learning and Collaboration Technologies.
Technology in Education. 4th International Conference, LCT 2017. Cham, 293-301.
Leitner, P./Ebner, M./Ammenwerth, E./Andergassen, M./Csanyi, G./Gröblinger, O./Kopp,
M./Reichl, F./Schmid, M./Steinbacher, H.-P./Handle-Pfeiffer, D./Zitek, A./Zöserl, E./Zwiauer,
C. (2019): Learning Analytics: Einsatz an österreichischen Hochschulen. Online:
https://www.fnma.at/content/download/1896/8814 (16.3.2021).
Lester, J./Klein, C./Rangwala, H./Johri, A. (2017): Learning Analytics in Higher Education. In:
ASHE Higher Education Report, 43, H. 5, 9-135.
Littlejohn, A. (2017): Learning and Work: Professional Learning Analytics. In: Lang, C./
Siemens, G./Wise, A./Gasevic, D. (Hrsg.): Handbook of Learning Analytics, 269-277.
Lockyer, L./Heathcote, E./Dawson, S. (2013): Informing Pedagogical Action. In: American
Behavioral Scientist, 57, H. 10, 1439-1459.
Lodge, J. M./Panadero, E./Broadbent, J./Barba de, P. G. (2019): Supporting self-regulated
learning with learning anlytics. In: Lodge, J. M./Horvath, J. C./Corrin, L. (Hrsg.): Learning
analytics in the classroom. Translating learning analytics research for teachers. New York, 45-
55.
Long, Phil/Siemens, George (2011): Penetrating the Fog. Analytics in Learning and Education.
In: EDUCAUSE Review, 46, H. 5, 31-40.
Mandausch, M./Meinhard, David B. (2018): Learning Analytics - ein hochschuldidaktischer
Diskurs zu Datenanalysen in der Lehre. In: Schmohr, M./Müller, K./Philipp, J. (Hrsg.):
Gelingende Lehre: erkennen, entwickeln, etablieren: Beiträge der Jahrestagung der Deutschen
Gesellschaft für Hochschuldidaktik (dghd) 2016. Bielefeld, 19-33.
Mayring, P. (2015): Qualitative Inhaltsanalyse. Grundlagen und Techniken. Weinheim.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 28
Ostendorf, A. (2019): Die Skill Ecosystem Perspektive als Denkrahmen zur Weiterentwicklung
von Berufsbildungsstrukturen – Die Skill Ecosystem Perspektive als Denkrahmen zur
Weiterentwicklung von Berufsbildungsstrukturen - eine Diskussion im Hinblick auf die digitale
Transformation. In: bwp@ Spezial AT-2: Beiträge zum 13. Österreichischen Wirtschafspäda-
gogik-Kongress, 1-14. Online:
http://www.bwpat.de/wipaed-at2/ostendorf_wipaed-at_2019.pdf (16.3.2021).
Ray, S./Saeed, M. (2018): Applications of Educational Data Mining and Learning Analytics
Tools in Handling Big Data in Higher Education. In: Alani, M. M./Tawfik, H./Saeed, M./Anya,
O. (Hrsg.): Applications of Big Data Analytics. Trends, Issues, and Challenges. Cham, 135-
160.
Riedel, J./Adelberg, B./Schulze-Achatz, S. (2019): Wie Learning Analytics didaktisches Han-
deln von Lehrenden unterstützen kann – Zukunftsvisionen im Projekt »tech4comp«. In: Schulz,
S. (Hrsg.): Proceedings of DELFI Workshops. Bonn, 41-46.
Rienties, B./Nguyen, Q./Holmes, W./Reedy, K. (2017): A review of ten years of
implementation and research in aligning learning design with learning analytics at the Open
University UK. In: Interaction Design and Architecture(s), 33, 134-154.
Rohs, M./Seufert, S. (2020): Berufliche Medienkompetenz. In: Arnold, R./Lipsmeier, A./Rohs,
M. (Hrsg.): Handbuch Berufsbildung. Wiesbaden, 339-363.
Romero, C./Ventura, S. (2007): Educational Data Mining: A Survey from 1995 to 2005. In:
Expert Systems with Applications, 33, H. 1, 135-146.
Romero, C./Ventura, S. (2020): Educational data mining and learning analytics: An updated
survey. In: WIREs Data Mining Knowledge Discovery, 10, H. 3, 1-21.
Ryan, A. M./Shin, H. (2011): Help-seeking tendencies during early adolescence: An exami-
nation of motivational correlates and consequences for achievement. In: Learning and Instruc-
tion, 21, H. 2, 247-256.
Schaffer, H. E./Young, K. R./Ligon, E. W./Chapman, D. D. (2017): Automating Individualized
Formative Feedback in Large Classes Based on a Directed Concept Graph. In: Frontiers in
Psychology, 8, 1-11.
Schmitz, A./Yanenko, O. (2019): Web Server Logs und Logfiles. In: Baur, Nina/Blasius, Jörg
(Hrsg.): Handbuch Methoden der empirischen Sozialforschung. Wiesbaden, 847-854.
Schön, M./Ebner, M./Kothmeier, G. (2012): It’s just about learning the multiplication table.
In: Dawson, S. (Hrsg.): Proceedings of the 2nd International Conference on Learning Analytics
and Knowledge, LAK ‘12. New York, 73-81.
Seiler, L./Kuhnel, M./Honal, A./Ifenthaler, D. (2018): Mobile Learning Analytics: Potenziale
für Lernen und Lehren am Beispiel Hochschule. In: Witt de, C./Gloerfeld, C. (Hrsg.): Hand-
buch Mobile Learning. Wiesbaden, 585-608.
Seufert, S./Euler, D. (2005): Learning Design. Gestaltung eLearning-gestützter Lernumgebun-
gen in Hochschule und Unternehmen. St. Gallen.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 29
Seufert, S./Guggemos, J./Sonderegger, S. (2020): Digitale Transformation der Hochschullehre:
Augmentationsstrategien für den Einsatz von Data Analytics und Künstlicher Intelligenz. In:
Zeitschrift für Hochschulentwicklung, 15, H. 1, 81-101.
Seufert, S./Meier, C./Soellner, M./Rietsche, R (2019): A Pedagogical Perspective on Big Data
and Learning Analytics: A Conceptual Model for Digital Learning Support. In: Technology,
Knowledge and Learning, 24, H. 4, 599-619.
Siemens, G. (2013): Learning Analytics: The Emergence of a Discipline. In: American Behav-
ioral Scientist, 57, H. 10, 1380-1400.
Siemens, G./Baker, R. S. J. d. (2012): Learning analytics and educational data mining.
In: Dawson, S. (Hrsg.): Proceedings of the 2nd International Conference on Learning Analytics
and Knowledge, LAK ‘12. New York, 252-254.
Siemens, G./Gasevic, D. (2012): Guest Editorial - Learning and Knowledge Analytics. In:
Educational Technology and Society, 15, H. 3, 1-2.
Slade, S./Prinsloo, P.(2013): Learning Analytics: Ethical Issues and Dilemmas. In: American
Behavioral Scientist, 57, H. 10, 1510-1529.
Slepcevic-Zach, P./Tafner, G. (2019): Lernen verstehen: Lerntheoretische Grundlagen.
In: Stock, M./Slepcevic-Zach, P./Tafner, G./Riebenbauer, E. (Hrsg.): Wirtschaftspädagogik.
Ein Lehrbuch. Graz, 187-225.
Ternès, A./Hagemes, H.-P.(2018): Die Digitalisierung frisst ihre User. Der digitale Wahnsinn
und wie Sie ihn beherrschen. Wiesbaden.
Trübner, M./Mühlichen, A. (2019): Big Data. In: Baur, N./Blasius, J. (Hrsg.): Handbuch
Methoden der empirischen Sozialforschung. Wiesbaden, 143-158.
Tulodziecki, G. (2020): Künstliche Intelligenz und Didaktik. In: Pädagogische Rundschau, 74,
H. 4, 363-378.
Verbert, K./Manouselis, N./Drachsler, H./Duval, E. (2012): Dataset-driven research to support
learning and knowledge analytics. In: Journal of Educational Technology & Society, 3, H. 15,
133-148.
Vogt, K. (2011): Pädagogische Diagnostik–Potentiale entdecken und fördern. In: bwp@
Spezial 5 - Hochschultage Berufliche Bildung 2011, Fachtagung 11, 1-9. Online:
http://www.bwpat.de/ht2011/ft11/vogt_ft11-ht2011.pdf (16.3.2021).
Winne, P. H. (2017): Learning Analytics for Self-Regulated Learning. In: Lang, C./Siemens,
G./Wise, A./Gasevic, D. (Hrsg.): Handbook of Learning Analytics, 241-249.
Wise, A. F. (2014): Designing Pedagogical Interventions to support Student Use of Learning
Analytics. In: Pistilli, M./Willis, J./Koch, D./Arnold, K./Teasley, S./Pardo, A. (Hrsg.):
Proceedings of the 4th International Conference on Learning Analytics And Knowledge, LAK
‘14. New York, 203-211.
Witt de, C. (2020): Geleitwort. In: Gloerfeld, Christina (Hrsg.): Auswirkungen von Digitalisie-
rung auf Lehr- und Lernprozesse. Wiesbaden, V-VII.
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 30
Zierer, K. (2020): Lernen 4.0 - Pädagogik vor Technik. Möglichkeiten und Grenzen einer
Digitalisierung im Bildungsbereich. Baltmannsweiler.
Zimmerman, B. J. (1989): Models of self-regulated learning and academic achievement. In:
Zimmerman, B. J./Schunk, D. H. (Hrsg.): Self-regulated learning and academic achievement.
Theory, Research, and Practice. New York, 1-25.
Zitieren dieses Beitrages
Lipp, S./Dreisiebner, G./Leitner, P./Ebner, M./Kopp, M./Stock, M. (2021): Learning Analytics
– Didaktischer Benefit zur Verbesserung von Lehr-Lernprozessen? Implikationen aus dem Ein-
satz von Learning Analytics im Hochschulkontext. In: bwp@ Berufs- und Wirtschaftspädago-
gik – online, Ausgabe 40, 1-31. Online:
https://www.bwpat.de/ausgabe40/lipp_etal_bwpat40.pdf (09.07.2021).
Die Autor*innen
SILVIA LIPP, BSc MSc
Karl-Franzens-Universität Graz, Institut für Wirtschaftspädagogik
Universitätsstraße 15/G1, 8010 Graz
silvia.lipp@uni-graz.at
https://wirtschaftspaedagogik.uni-graz.at
Dr. GERNOT DREISIEBNER, BSc MSc MSc
Karl-Franzens-Universität Graz, Institut für Wirtschaftspädagogik
Universitätsstraße 15/G1, 8010 Graz, Österreich
gernot.dreisiebner@uni-graz.at
https://wirtschaftspaedagogik.uni-graz.at
Dipl.-Ing. PHILIPP LEITNER, BSc
Technische Universität Graz, Lehr- und Lerntechnologien
Münzgrabenstraße 36/I, 8010 Graz, Österreich
philipp.leitner@tugraz.at
https://philipp-leitner.at/
LIPP et al. (2021) www.bwpat.de bwp@ Nr. 40 ISSN 1618-8543 31
Priv.-Doz. Dipl.-Ing. Dr.techn. MARTIN EBNER
Technische Universität Graz, Lehr- und Lerntechnologien
Münzgrabenstraße 36/I, 8010 Graz, Österreich
martin.ebner@tugraz.at
https://elearning.tugraz.at/
Mag. Dr. MICHAEL KOPP
Karl-Franzens-Universität Graz/Zentrum für digitales Lehren und
Lernen
Liebiggasse 9/II, 8010 Graz, Österreich
michael.kopp@uni-graz.at
https://digitales.uni-graz.at/
Univ.-Prof. Mag. Dr. MICHAELA STOCK
Karl-Franzens-Universität Graz, Institut für Wirtschaftspädagogik
Universitätsstraße 15/G1, 8010 Graz, Österreich
michaela.stock@uni-graz.at
https://wirtschaftspaedagogik.uni-graz.at
