15 Learning Analytics und Educational Data Mining

Von Azim Roussanaly, Anne Boyer, Jiajun Pan, LORIA/Université de Lorraine

Was ist Learning Analytics?

Immer mehr Organisationen nutzen Datenanalysen, um Probleme zu lösen und Entscheidungen im Zusammenhang mit ihren Aktivitäten zu verbessern. Auch die Welt der Bildung bildet hier keine Ausnahme, denn mit der allgemeinen Verbreitung von virtuellen Lernumgebungen (VLE) und Lernmanagementsystemen (LMS) stehen nun umfangreiche Lerndaten zur Verfügung, die durch die Interaktion der Lernenden mit diesen Tools erzeugt werden.

Wir sprechen in diesem Zusammenhang von Learning Analytics (LA): LA ist ein disziplinäres Gebiet, das definiert ist als „die Messung, Sammlung, Analyse und Berichterstattung von Daten über Lernende und ihre Kontexte zum Zwecke des Verständnisses und der Optimierung des Lernens und der Umgebungen, in denen es stattfindet”. [Long-2011]

Im Allgemeinen werden vier Arten von Analysen je nach der zu lösenden Frage unterschieden:

• Deskriptive Analyse: Was ist in der Vergangenheit passiert?
• Diagnostische Analytik: Warum ist etwas in der Vergangenheit passiert?
• Voraussagende Analytik: Was wird höchstwahrscheinlich in der Zukunft passieren?
• Prädiktive Analytik: Welche Maßnahmen sollen ergriffen werden, um diese Ergebnisse zu beeinflussen?

Was ist das?

Die auf LA basierenden Lehrmittel sind sehr vielfältig und reichen von Dashbords zur Datenvisualisierung bis hin zu Empfehlungssystemen. Die Forschung in diesem Bereich ist derzeit sehr aktiv, und wir beschränken uns darauf, die in der Literatur häufig auftretenden Probleme zusammenzufassen. Jedes dieser Probleme führt zu Tool-Familien, die sich in erster Linie an Lernende oder Lehrende richten, die die meisten Endnutzenden von LA-basierten Anwendungen sind.

Vorhersage und Verbesserung des Lernerfolgs von Lernenden

Eine typische Anwendung von LA ist die Vorhersage von Misserfolgen.

Lernindikatoren werden automatisch aus den digitalen Spuren errechnet und können von den Lernenden direkt abgerufen werden, damit sie ihre eigenen Lernstrategien anpassen können.

Eines der ersten Experimente wurde an der Purdue University (USA) mit einer mobilen Anwendung durchgeführt, die als ampelbasiertes Dashboard konzipiert ist (Arnold-2012).

Alle Studierende können ihre eigenen Fortschrittsindikatoren überwachen.

Ein Screenshot des Dashboards ist in Abb. 1 zu sehen.

Die Indikatoren können – wie in einem Frühwarnsystem (EWS) – auch an Lehrkräfte gerichtet werden.

Dies ist die Wahl, die das französische Nationale Zentrum für Fernunterricht (CNED) in einer laufenden Studie (BenSoussia-2022) getroffen hat.

Das Ziel eines EWS besteht darin, die Tutorinnen und Tutoren, die für die Betreuung der Studierenden verantwortlich sind, so schnell wie möglich zu benachrichtigen, damit sie rechtzeitig geeignete Abhilfemaßnahmen ergreifen können.

Analyse des Lernprozesses der Schülerinnen und Schüler

LA-Techniken können helfen, das Lernverhalten eines oder einer Lernenden oder einer Gruppe von Lernenden (d. h. einer Klasse) zu modellieren. Das Modell kann zur Darstellung von Lernprozessen in LA-Anwendungen verwendet werden und liefert zusätzliche Informationen, die es Lehrkräften ermöglichen, Defizite zu erkennen, die zur Verbesserung von Unterrichtsmaterialien und -methoden beitragen. Außerdem ist die Analyse des Lernprozesses eine Möglichkeit, das Engagement der Lernenden zu beobachten. Im Rahmen des e-FRAN METAL-Projekts wurden die Indikatoren beispielsweise in einem Dashboard zusammengefasst, das gemeinsam mit einem Team von Sekundarschullehrkräften entwickelt wurde (siehe Abb. 2 (Brun-2019)).

Personalisierte Lernpfade

Die Personalisierung von Lernpfaden kann in Empfehlungs- oder adaptiven Lernsystemen erfolgen. Empfehlungssysteme zielen darauf ab,  Lernenden die besten Ressourcen oder geeignete Verhaltensweisen vorzuschlagen, die dazu beitragen können, die Lernziele effektiv zu erreichen.

Einige Systeme konzentrieren sich darauf, die Lehrkraft einzubeziehen, indem sie ihr Empfehlungen zur Validierung vorlegen. Adaptive Lernsysteme ermöglichen es Lernenden, ihre Fähigkeiten und ihr Wissen auf eine persönlichere und selbstbestimmte Weise zu entwickeln, indem sie den Lernpfad ständig an ihre Erfahrungen anpassen.

Funktioniert es?

In den Veröffentlichungen konzentriert sich das Feedback hauptsächlich auf die Studierenden (in der Hochschulbildung). Die Beobachtungen zeigen im Allgemeinen eine verbesserte Leistung der Lernenden (z. B. + 10 % der Noten A und B an der Purdue University). Für Lehrkräfte ist die Wirkung von LA komplexer zu beurteilen. Studien, die auf dem Technologie-Akzeptanz-Modell (TAM) basieren, legen nahe, dass die Lehrkräfte den Einsatz von LA-Tools positiv bewerten. Es ist interessant, in einer dieser Studien die abschließende Analyse der Stärken, Schwächen, Chancen und Risiken (SWOT) zu sehen, die wir hier wiedergeben (Mavroudi-21) (siehe Abb. 3).

Einige der Punkte, die in den Abschnitten Risiken und Schwächen aufgeführt sind, bilden die Grundlage für die Überlegungen der Society for Learning Analytics Research (SoLAR), einen Ethics-by-Design-Ansatz für LA-Anwendungen zu empfehlen (Drashler-16). Die Empfehlungen sind in einer Checkliste mit 8 Stichworten zusammengefasst: Bestimmen, Erklären, Legitimieren, Einbeziehen, Einverständnis, Anonymisieren, Technisch, Extern (DELICATE).

Referenzen

P.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27–March 1, 2011
K. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series. (2012).
A. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context. ICALT (2022)
A. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METALproject. IJILT (2019)
A. Mavroudi, Teachers’ Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65 (2021)