Der Mensch im Mittelpunkt

Learning Analytics: Lerner in den Vordergrund rücken

Stuttgart, Oktober 2020 – Viele Unternehmen erhoffen sich von Big Data und Künstlicher Intelligenz, die Lernerfolge ihrer Mitarbeiter zu optimieren. Zurecht, denn letztlich können mit ihrer Hilfe maßgeschneiderte Lernvorschläge auf sehr hohem Niveau erstellt werden. Damit sich die erwünschten Erfolge allerdings auch wirklich einstellen ist es zentral, von Beginn an die richtigen Fragen zu klären und die passende Datenbasis zu schaffen: Wohin soll es gehen? Was soll am Ende herauskommen? Dann können Learning Analytics den Lerner wirklich in den Vordergrund rücken.

Die Menschen im Mittelpunkt des Lernens

Der stetig zunehmende Einsatz multimedialer Lehr- und Lernsysteme und die Entwicklung neuer, systemunabhängiger Schnittstellen wie xAPI steigern die Möglichkeiten lernbezogene Daten zu erfassen und zu verarbeiten. Ziel von Learning Analytics ist es, mit Hilfe dieser Daten Verstehensprozesse zu fördern und das Lernen und die jeweilige Lernumgebung zu optimieren.
Dabei steht die Unterstützung der Lehrenden und Lernenden im Vordergrund. Sie sind Basis und Ausgangspunkt des Kreislaufsystems Learning Analytics. Dies ist der zentrale Unterschied zum Educational Data Mining, das automatisierte Anpassungen durch das jeweilige System, ohne menschliche Einwirkung, in den Vordergrund stellt.

 

Die Menschen im Mittelpunkt des Analyseprozesses

Angestoßen wird der Analysekreislauf, indem Lernende multimediale Lehr- und Lernsysteme nutzen. Dabei erzeugen sie eine große Menge an Daten, die als Datensets, beispielsweise in einem Learning Record Store (LRS), gespeichert werden (Big Data). Die Analyse dieser Daten erfolgt stets unter Eingriff von Menschen, die entscheiden, welche Fragestellung verfolgt wird und wie hoch der erforderliche Automatisierungsgrad ist, um zu den gewünschten Ergebnissen zu kommen. Der Automatisierungsgrad steigt dabei mit zunehmender Komplexität der Datenverarbeitung, vollautomatisiert wären allerdings insbesondere die ersten Stufen der Analyse nicht denkbar, um ausreichend präzise Ergebnisse zu bringen.
Gut geplant ermöglichen Learning Analytics bspw. Vorhersagen, Empfehlungen, Personalisierungen der Lernprozesse sowie Reflexionen, Iterationen und Benchmarking, die den Lehr- und Lernprozess wesentlich verbessern und sich letztlich enorm lohnen. Bei all diesen Möglichkeiten müssen selbstverständlich sicherheits- und datenschutzrelevante Fragestellungen bearbeitet werden. Mit der nötigen Expertise ist aber auch dies keine Hürde.