Learning Analytics und Educational Data Mining
Was sind Learning Analytics?
Immer mehr Organisationen nutzen die Datenanalyse, um Probleme zu lösen und die Entscheidungsfindung in Bezug auf ihre Aktivitäten zu verbessern. Das Bildungswesen bildet hierbei keine Ausnahme, da mit der zunehmenden Verbreitung von virtuellen Lernumgebungen (VLE) und Lernmanagementsystemen (LMS) große Mengen an Lerndaten verfügbar werden, die durch die Interaktion der Lernenden mit diesen Werkzeugen generiert werden.In diesem Fall sprechen wir von Learning Analytics (LA): LA ist ein disziplinäres Gebiet, das definiert wird 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 werden ergriffen, 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 Endnutzer von LA-basierten Anwendungen sind.Vorhersage und Verbesserung des Lernerfolgs von Lernenden
Die Vorhersage von Misserfolgen ist eine der typischen Anwendungen von LA.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 sich auch an die Lehrkräfte richten, wie in einem Frühwarnsystem (EWS).
Dies ist die Wahl des französischen Nationalen Zentrums für Fernunterricht (CNED) in einer laufenden Studie (BenSoussia-2022).
Ziel eines EWS ist es, die für die Betreuung der Studierenden verantwortlichen Tutorinnen und Tutoren so früh wie möglich zu alarmieren, damit diese so schnell wie möglich geeignete Gegenmaßnahmen ergreifen können.
Analyse des Lernprozesses der Schülerinnen und Schüler
LA-Techniken können helfen, das Lernverhalten eines oder einer Lernenden oder einer Gruppe von Lernenden (z.B. einer Klasse) zu modellieren. Das Modell kann verwendet werden, um Lernprozesse in LA-Anwendungen abzubilden und liefert zusätzliche Informationen, die es Lehrkräften ermöglichen, Defizite zu erkennen und somit zur Verbesserung von Unterrichtsmaterialien und -methoden beizutragen. 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 auf die Einbeziehung der Lehrkraft, indem sie ihr Vorschläge zur Validierung unterbreiten. Adaptive Lernsysteme ermöglichen es den Lernenden, ihre Fähigkeiten und ihr Wissen auf eine persönlichere und selbstbestimmtere Weise zu entwickeln, indem sie ihren Lernweg ständig an ihre Erfahrungen anpassen.
Funktioniert es?
In den Veröffentlichungen konzentriert sich das Feedback hauptsächlich auf die Lernenden (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, 2011K. 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)
