Als Learning Analytics wird das Erheben, Aggregieren, Analysieren und Auswerten von Daten über Lernende und ihren Lernkontext bzw. die Interpretation jener Daten bezeichnet, die von Lernenden und Studierenden produziert oder für sie erhoben werden, um Lernfortschritte zu messen, zukünftige Leistungen vorauszuberechnen und potenzielle Problembereiche aufzudecken. Der Zugriff auf die Daten wird möglich, da Lernangebote und -prozesse auch heute schon in vielen Fällen mittels elektronischer Systeme unterstützt werden und dabei Daten über das Nutzungsverhalten erhoben werden können. Ziel ist es dabei, mit Hilfe der Auswertung der Daten die Studierenden besser in ihrem Lernprozess zu unterstützen und letztendlich den Lehr-Lernprozess und Lehr-Lernerfolg insgesamt zu verbessern. Durch die Auswertung dieser Daten kann auch die Wirksamkeit von Maßnahmen und Methoden oft schon im Voraus eingeschätzt werden, indem man den Lernprozess besser analysieren sowie das Lernen und den Lernkontext optimieren kann. Ziel ist eine personalisierte Unterstützung des einzelnen Lernenden, indem die Ergebnisse der Auswertung zurückgespiegelt werden und der Lernende somit mehr über sein eigenes Lernverhalten erfährt. Was eine solche Datenerhebung leisten kann, hängt erheblich von den eingesetzten Werkzeugen und Analysemethoden ab, die stetig weiterentwickelt werden.
Learning Analytics bezeichnet oft auf künstlicher Intelligenz beruhigende Prozesse, bei denen digital erhobene Informationen über das Lernverhalten genutzt werden. Wie viel Zeit haben die Lernenden mit welchem Lernmaterial verbracht? Warum hat eine Studierende oder ein Studierender ein bestimmtes Thema nicht verstanden, eine oder ein anderer hingegen schon? Künstliche Intelligenz kann bei der Auswertung solcher Daten dazu beitragen, individuelles Lernverhalten, aber auch die Nützlichkeit bestimmter Lernmaterialien und -werkzeuge besser zu verstehen. Eine diesbezüglich adaptive Technologie lässt sich beim Prüfen, zur Inhaltsdarbietung und Sichtbarmachung des Lernens einsetzen, und kann dabei helfen zu entscheiden, welche Inhalte miteinander arrangiert werden können.
Aus der Perspektive der künstlichen Intelligenz gibt es unterschiedlichste Möglichkeiten, Lernszenarien adaptiv zu gestalten, wobei adaptiv angepasst an die Lernenden, angepasst an die Lehrenden und angepasst an die Bildungsinstitution bedeutet. Was soll der bzw. die Lernende wissen, welche Inhalte sind relevant, wie ist der individuelle Wissensstand? Zwar gab es bereits früher etwa im Rahmen des programmierten Unterrichts schon Ansätze dafür, doch heute ist eine Technologie verfügbar, die es unter anderem ermöglicht, sich selbst zu testen und den Lernstand zu diagnostizieren, wodurch etwa Leistungsüberprüfungen kürzer, effizienter und informativer werden können. Bisher stehen allerdings immer noch summative Prüfungen in Schulen und Hochschulen im Mittelpunkt, nach der alle Lernenden am Ende eines Semesters, eines Schuljahres oder einer Lernphase eine Prüfungsarbeit schreiben müssen. Ginge man hingegen zu formativen Assessments über, die individuell und abhängig vom jeweiligen Wissensstand durchgeführt werden, sind Prüfungstermine für die ganze Klasse oder einen ganzen Kurs gar nicht mehr notwendig.
Literatur
https://aktuelles.uni-frankfurt.de/forschung/adaptive-lernszenarien-ki-und-digitale-technologien-im-interdisziplinaeren-projekt-ali/ (21-10-20)
https://www.e-teaching.org/didaktik/qualitaet/learning_analytics (18-03-20)