LEARNTEC 3/3 Yes we can (analyze it)! – Learning Analytics sind kein Selbstzweck

Unter „Learning Analytics“ versteht man die digitale Erhebung und Auswertung verschiedener Daten von Lernenden, um Lernfortschritte zu beobachten, potenzielle Herausforderungen aufzudecken und zukünftige Leistungen vorherzusagen. Die Datenanalyse darf dabei nicht zum Selbstzweck werden. Ziel muss es vielmehr immer sein, das Verhalten von Lernern datenbasiert zu reflektieren, vorherzusagen und letztlich mit gezielten Interventionen die Lernergebnisse zu verbessern. Learning Analytics kann dies auf zweifachem Weg leisten: Durch die Beobachtung und Analyse individuellen Lernverhaltens, ebenso wie durch die Beobachtung und Analyse kollektiver Trends im Umgang mit Lernangeboten und Lernmaterialien.

Im Rahmen eines gut besuchten Panels auf der Learntec 2014 stellten Hendrik Drachsler (Assistenzprofessor am Centre for Learning Sciences and Technologies (CELSTEC), Heerlen), Stefan Dietze (Senior Researcher am L3S, Hannover), Margarita Elkina (Professorin für Verwaltungsinformatik an der HWR Berlin) sowie Albrecht Fortenbacher (Professor für angewandte Informatik an der HTW Berlin) verschiedene Zugänge zu diesem Thema vor.

Aus Sicht der Lehrenden und Lernenden bieten Learning Analytics vor allem einen Mehrwert bei der Reflektion und Vorhersage von Lernprozessen. Dabei sind es insbesondere das sofortige Feedback zum Verlauf von Lernprozessen sowie zeitnahe Informationen über die Nutzung bestimmter Lernangebote, die dazu beitragen, Lehren und Lernen langfristig zu verbessern. Darüber hinaus können Learning Analytics auch zu einer objektiveren Bewertung von Lernergebnissen beitragen.

Der Einsatz von Learning Analytics ergibt allerdings nur dann Sinn, wenn die Nutzer der Systeme diese auch zu deuten wissen: „Critical reflectiveness“, also die Kompetenz, Analyseergebnisse richtig zu interpretieren, gehört neben einer grundlegenden E-Literacy zu den zentralen Voraussetzungen, um Learning Analytics erfolgreich einsetzen zu können.

Damit das Potential von Learning Analytics in Zukunft ausgeschöpft werden kann, braucht es aber nicht nur kompetente Nutzer, sondern auch funktionierende Algorithmen. Diesem Ziel – „Get algorithms right“ – widmet sich der Learning analytics community exchange (LACE). Auch das Projekt LinkedUp will den Einsatz von Learning Analytics fördern, indem es die Nutzung öffentlich verfügbarer Daten im Netz vorantreibt. Neben einem jährlichen LinkedUp Challenge, in dessen Zentrum die Entwicklung von Analysetools steht, stellt LinkedUp dazu auch einen Überblick im Netz frei zugänglicher Bildungsdaten und entsprechende Instrumente für  deren Auswertung bereit.

Eine Variante, Learning Analytics schon heute konkret anzuwenden, ist das Tool LeMo (Kurz für „Lernprozess Monitoring“). Diese Applikation analysiert Trends in der Nutzung von Lernangeboten, um diese dadurch besser an die Bedürfnisse und Ziele der Nutzer anpassen zu können. Kurz und knapp lässt sich die Funktionsweise von LeMo als „frequent pattern mining“ beschreiben. Beobachtet werden dabei die Zeit und Dauer der Nutzung eines Angebots, die Häufigkeit des Zugriffs darauf und typische Lernpfade über verschiedene Elemente hinweg. Durch den Einsatz von LeMo gewinnen Lehrende neue Erkenntnisse über das Lernverhalten ihrer Zielgruppen und können so entweder ihr Angebot besser an deren Bedürfnisse anpassen oder aber ihre Lerner fokussierter bei der Nutzung des Angebots unterstützen.

LeMo stellt einen ersten funktional durchaus überzeugenden Einblick in die vielfältigen Potentiale von Learning Analytics dar, der graphisch bereits zu überzeugen weiß. Weitere Möglichkeiten, Lehren und Lernen durch Learning Analytics effizienter zu gestalten, werden in Zukunft sicher im Rahmen der kommenden LinkedUp Challenges und weiterer Projekte ausgelotet werden. Wir dürfen also gespannt sein.

Weiterführende Links zum Thema:

http://www.laceproject.eu

http://www.lemo-projekt.de

http://linkedup-project.eu

http://www.slideshare.com/Drachsler



Kommentar verfassen