Adaptiv lehren mit Learning Analytics

Im Folgenden erhalten Sie einen praxisorientierten Überblick, wie Sie mit Moodle adaptive Lehrformate gestalten können. Ziel ist es, Ihnen als Lehrende*r konkrete Anregungen und Tipps an die Hand zu geben, um die Lernprozesse Ihrer Studierenden gezielt zu unterstützen und individuell zu fördern. Dabei werden sowohl die Potenziale als auch die Herausforderungen adaptiver Lehre beleuchtet.

Adaptive Lehre ist ein Ansatz der Lehrpraxis mit starkem Bezug zur Individualisierung, Differenzierung und zum personalisierten Lernen. Das Angebot an Lernressourcen im Moodle-Kurs wird durch Sie als Lehrende*r dynamisch. Wissensinhalte werden je nach individueller Bedürfnislage, Vorkenntnissen und dem Lernverhalten der Lernenden angepasst. Die Charakteristika adaptiver Kurse im Detail (Ifenthaler et al., 2020):

• Individualität: Lernende erhalten Inhalte und Aufgaben, die auf ihr Vorwissen, ihre Kompetenzen und ihre Lernfortschritte zugeschnitten sind.
• Differenzierung: Verschiedene Wege und Materialien stehen zur Verfügung, sodass Lernende je nach Bedarf auswählen oder zugewiesen bekommen, was für sie am hilfreichsten ist.
• Personalisierung: Lernende können – je nach Kursdesign – selbst Entscheidungen über ihren Lernweg treffen, z.B. indem sie Schwerpunkte setzen und freier explorieren oder Reihenfolgen wählen.

Neben der Steuerungsfunktion durch Sie als Lehrende*r ist auf Seiten der Lernenden die Verantwortungsübernahme für den Lernprozess ebenso ein wichtiges Element adaptiver Lehre. Insbesondere zu Beginn des Lernprozesses überwiegen instruktionale Vorgaben. Im fortgeschrittenen Lernprozess sind die Lernenden in ihrem Kompetenzerwerb fortgeschrittener, sodass sie auf dieser Entwicklungsstufe verstärkt autonome Entscheidungen zur Nutzung des adaptiven Lernangebots übernehmen können. Dies kann beispielsweise dadurch geschehen, dass Steuerungsmaßnahmen in den Hintergrund rücken und mehr Spielräume für exploratives oder problemorientiertes Lernen gegeben werden (Dumont, 2019).

Kurz: Ziel adaptiver Lehrformate ist es den Lernenden ein möglichst passgenaues Lernerlebnis zu bietet und dadurch Lernmotivation sowie -erfolg zu steigern.

Das folgende Video zeigt Ihnen ein Beispiel des Grundprinzips adaptiver Lehre (SIMPLESHOW).

Lernressourcen sollten im Verlauf des Kurses regelmäßig anhand der Nutzung und Leistungen der Studierenden überprüft und angepasst werden. Achten Sie dabei auf eine ausgewogene Kombination aus vorgegebenen sowie freischaltbaren Materialien. Bei adaptiven Kursen besteht die Gefahr einer Überfrachtung mit Inhalten, was die Motivation der Studierenden beeinträchtigen kann. Die nachfolgenden Kapitel enthalten weiterführende Praxistipps für einen kompakten Start und den Aufbau adaptiver Kurse.

In der Praxis übernehmen Sie als Lehrende*r zunächst die Steuerung, indem Sie adaptive Strukturen und Angebote im Kurs anlegen bzw. anpassen. Adaptive Lehre kann dabei sowohl durch technische Lösungen (z.B. automatisierte Freischaltung von Aktivitäten in Moodle durch Voraussetzungen) als auch durch didaktische Maßnahmen (z.B. gezieltes Feedback, individuelle Beratung) umgesetzt werden. Ein zentrales Merkmal adaptiver Lehre ist die kontinuierliche Rückkopplung: Durch Tests, Umfragen oder andere Formen der Lernstandserhebung erhalten Sie als Lehrende*r Informationen, die Sie nutzen können, um das weitere Lernangebot gezielt anzupassen. Lernenden durch Feedback und Empfehlungen in ihrer Selbststeuerung unterstützt (z.B. Verlinkung von Lernressourcen).

Praxistipp: Reflektieren Sie bestehenden Kursformate und starten Sie mit kleinen Veränderungen. Minimale Anpassungen tragen bereits dazu bei, adaptive Mechanismen zu integrieren. Gibt es bei Ihnen ein Thema, das Studierende besonders schwierig finden? Hier kann es sich lohnen Lernressourcen in unterschiedlichen Formaten zu entwickeln. Studierende können sich dann das passende Format (Video, Textdatei, Aufgaben, usw.) aussuchen.

Moodle bietet viele Möglichkeiten adaptive Kurse mit Bordmitteln zu gestalten. Die wichtigste Funktion ist das Konfigurieren von Voraussetzungen in Aktivitäten. Eine Voraussetzung kann beispielsweise eine bestimmte Punktzahl in einem Test oder der Abschluss einer Aktivität sein. Stelle Sie eine Voraussetzung für eine Aktivität ein, muss diese erfüllt werden, bevor der entsprechende Inhalt freigeschaltet wird. Über kurze Zwischentests können Sie den Wissensstand erheben und je nach Ergebnis und Voraussetzung werden für Studierende entsprechende Kursressourcen (adaptive Inhalte) sichtbar. So starten Sie den Aufbau von kurzen Lernpfaden. Im Rahmen von Test-Feedbacks können Sie auch Verlinkungen zu Kursmaterialen festlegen und direkt auf besonders hilfreiche Stellen und neue, freigeschaltete Kursmaterialien aufmerksam machen.  

Praxistipp: Verknüpfen Sie durch Voraussetzungen in Moodle Aktivitäten miteinander. Beim Nichtbestehen eines Zwischentests kann ein adaptiver Inhalt freigeschaltet werden, welcher das Thema nochmal in anderer Form z.B. als Video darstellt. Sind entsprechende Voraussetzungen nicht erfüllt, können Sie Kurse auch verborgen lassen, damit Studierende den Fokus im Kurs nicht verlieren.

Ein Überblick über Moodle-Funktionen und Aktivitäten, um adaptive Kurse aufzubauen:

• Voraussetzungen: Ermöglicht es Inhalte nur dann anzuzeigen, sobald spezifische Bedingungen erfüllt sind (z.B. Punktzahl im Test, Abschluss einer Aktivität)
• Abschlussverfolgung: Definiert konkrete Bedingungen unter denen eine Aktivität als abgeschlossen gilt (z.B. Dokument heruntergeladen, Aufgabe eingereicht).
• Testfeedback: Ermöglicht differenzierte und handlungsleitende Rückmeldungen inkl. Verlinkungen.
• Lektion: Interaktive Lerneinheit, mit der bereits im kleinen Rahmen Verzweigungen inkl. Tests eingestellt werden können.
• Forum: Ermöglicht Reflexionen und geben Raum für Diskussionen je nach Abschluss bestimmter Kursinhalte.
• Buch: Strukturierte Wissensdarstellung in Kapiteln, deren Inhalte mit Bedingungen kombinierbar sind.
• Reports: Erlauben Einblicke in Zugriffszahlen (z.B. Wie oft wurde auf bestimmte Aktivitäten zugegriffen) bei Aktivitäten.

Praxistipp: Schauen Sie sich die Moodle-Reports zu den Aktivitäten und Lernressourcen in Ihrem Kurs an. Die Daten ermöglichen Ihnen beispielsweise Einblicke in Zugriffszahlen und Reichweite der Ressourcen und helfen Ihnen so, weitere Anpassungen im Kurs zu planen.

Vielfältige, dynamische und nicht lineare Lernpfade können im Kontext adaptiver Kursgestaltung ein langfristiges Ziel des Lernangebots darstellen. Sie müssen allerdings stark darauf achten, Kurse nicht mit Lerninhalten zu überfrachten. Im Idealfall erweitern Sie als Lehrende*r Ihr Kursangebot stetig und können dadurch auf ein größtmögliches Angebot aus Aktivitäten zur Kursgestaltung zurückgreifen, das dann gezielt eingesetzt werden kann. Hier muss hervorgehoben werden, das adaptive Kursformate oder entsprechende Anpassungen einen erhöhten Betreuungsaufwand ihrerseits darstellen. Es ist notwendig, dass Sie sich immer wieder mit Studierenden austauschen und nach Verbesserungsvorschlägen im Kurs fragen und entsprechende Anpassungen vornehmen. Auch im Rahmen von Selbstlernkursen gibt es Möglichkeiten die Kursperformance zu bewerten (Moodle Reports). Was Sie tun können, um erweiterte adaptive Kurse zu gestalten:

• Geben Sie Studierenden die Möglichkeit verschiedene Themenstränge frei nach Interesse zu explorieren. Die deterministische Lernweggestaltung kann so auch in eine weniger lineare Richtung gehen.
• Nutzen Sie weitere Voraussetzungen im Rahmen ausgewählter Aktivitäten.
• Erweitern Sie Lernpfade Stück für Stück um gute, alternative Wissensressourcen anzubieten.
• Feedback sollten Sie immer handlungsleitend mit Verlinkungen auf Lernressourcen angeben, damit Studierende genau wissen, was sie im nächsten Schritt tun müssen.
• Sehen Sie sich weiterhin ihre Moodle Reports in bestehenden Kursen an, um die Performance vorliegender Kursressourcen zu bewerten (z.B. wie oft wurde eine PDF heruntergeladen? Wie lange ist die Verweildauer bei bestimmten Ressourcen?).

Praxistipp: Lernpfade können zu einer starken Automatisierung im Kurs führen. Finden Sie eine gute Balance zwischen der Steuerung von Studierenden im Kurs und der Möglichkeit Pfade selbst zu wählen. Vermeiden Sie eine Überfrachtung im Kurs mit Inhalten.

Adaptivität lebt von Dynamik. Es kann erforderlich sein, dass Sie die Kursstrukturen je nach Kohorte in nachfolgenden Semestern wieder anpassen. Im Projekt MIau.nrw wurden Kursvorlagen für Sie entwickelt, die Sie zur Anpassung und Neugestaltung von Kursen nutzen können. Die Vorlagen sollen ihnen die Arbeit mit adaptiven Kursformaten erleichtern. Ihnen stehen drei unterschiedliche Komplexitätsniveaus zur Verfügung.

Praxistipp: Die MIau-Kursvorlagen helfen Ihnen beim Aufbau adaptiver Kurse. Die Kursvorlage Stufe 1 enthält einen einfachen adaptiven Mechanismus bestehend aus einer Aktivität, einem Test und einer adaptiven Aktivität. Die Vorlage Stufe 1 können Sie sowohl als minimale Lerneinheit nutzen, als auch in bestehende Kursformate importieren.

Ebenen 

Bei der Umsetzung adaptiver Lehrformate wird zwischen einer Mikro- und Makroebene des Lehrangebots unterschieden (Hardy et al., 2019). Auf der Makroebene zielt das Konzept auf langfristige und geplante Anpassungen des Unterrichts ab, z.B. die Wahl von bestimmten Unterrichtsmethoden für eine spezifische Studierendenkohorte. Auf der Mikroebene handelt es sich um situative und dynamische Anpassungen des Lernangebots aufgrund eines gezeigten Lernverhaltens, zurückgemeldeter Bedarfe der Lernenden an die Lehrperson oder äußerer Einflüsse. Sie können bspw. von einer geplanten Kleingruppenarbeit in ein Unterrichtsgespräch wechseln, falls die Anzahl der Lernenden überraschend klein ist. Die Unterscheidung der Mikro- und Makroebene macht die Breite des Spektrums deutlich, auf dem adaptive Lehre angesiedelt sein kann.

Kurz: Adaptive Lehre umfasst ein breites Lehrspektrum und kann ganz dynamisch und individuell reagieren (Mikroebene), als auch im größeren Rahmen geplant und strukturiert werden (Makroebene).

Offene Fragen

Das Thema adaptives Kursdesign wird seit Jahrzenten weiterentwickelt. Aufgrund der Komplexität des Themas und der vielfältigen Möglichkeiten gibt es nach wie vor einen starken Forschungsbedarf. Metaanalysen zeigen sowohl positive Effekte bzgl. Lernerfolg und Studierendenmotivation als auch neutrale sowie negative Effekte wie Überlastung im Kurs (Kerres et al., 2023). Der freien Lernweggestaltung steht die deterministische Kursgestaltung gegenüber. Im klassischen Kursaufbau folgen Aktivitäten sequenziell aufeinander. Die freie Lernweggestaltung ermöglicht das Explorieren von Themen, die Studierende am meisten interessieren oder wo der größte Lernbedarf besteht. Wie stark muss eine Kursstruktur Lernpfade vorgeben? Unter welchen Bedingungen ist adaptive Kurgestaltung kontraproduktiv? Im Kontext adaptiver Lehre besteht nach wie vor ein großer Forschungsbedarf. Fest steht: Das Konzept fordert von Ihnen als Lehrperson eine stetige Auseinandersetzung mit den Lehrressourcen im Kurs und mit den individuellen Bedürfnissen der Studierenden.

Praxistipp: Adaptive Lehre erfordert eine kontinuierliche Beschäftigung mit der Wirksamkeit Ihrer Lernmaterialien. Moodle Reports geben Ihnen erste Einblicke, wie Kursmaterialien genutzt werden: Sie können erkennen, welche Materialien besonders intensiv genutzt werden und welche weniger. Halten Sie regelmäßig Rücksprache mit den Studierenden, was ihnen besonders hilft und was nicht.

Moodle-Funktionen

Plugins bieten weitere vielfältige Möglichkeiten adaptive Mechanismen zu unterstützen. Mit H5P können Sie Entscheidungsbäume entwickeln, die wie Lernpfade funktionieren. Der Aufbau der Pfade wird visualisiert und kann so die Verknüpfungen der Lernressourcen erleichtern. Starten Sie nach wie vor nicht mit der Entwicklung komplexer Lernwege, wenn Ihnen das Thema neu ist. Bereits kleine individuelle Anpassungen im Kurs können sich positiv auf die Lernmotivation auswirken. Achten Sie darauf, Kurse mit Funktionen nicht zu überfrachten.

Kurz: Plugins wie H5P (z.B. Entscheidungsbäume) und Moodles Learning Analytics Funktionen bieten weitere Möglichkeiten Kurse adaptiv zu gestalten.

Learning Analytics

Learning Analytics bietet Ihnen eine starke datenzentrierte Auseinandersetzung mit dem Thema. Zunehmend kommen dabei auch KI-basierte Ansätze zum Einsatz, die beispielsweise automatisch Muster (je nach definiertem Modell) erkennen und zur Vorhersage von Lernerfolgen eingesetzt werden können. Die Integration solcher Technologien kann eine Unterstützung zur adaptiven Kursgestaltung bieten und neue Perspektiven auf dateninformiertes Lehren und Lernen ermöglichen. Dabei bleibt der verantwortungsvolle Umgang mit Daten essenziell, insbesondere im Hinblick auf Datenschutz, Fairness und Transparenz. Mehr dazu im zweiten Teil dieser Rubrik.

Dahlmann, J. (2021). Guidelines for Effective Adaptive Learning: A Meta Meta-Analysis (Bd. 73). University of Massachusetts.

Dumont, H. (2019). Neuer Schlauch für alten Wein? Eine konzeptuelle Betrachtung von individueller Förderung im Unterricht. Zeitschrift für Erziehungswissenschaft, 22(2), 249-277.

Hardy, I., Decristan, J., & Klieme, E. (2019). Adaptive teaching in research on learning and instruction. Journal for educational research online, 11(2), 169-191.

Ifenthaler, D., Yau, J. Y.-K., & Mah, D.-K. (2020). Utilising learning analytics for study success: Reflections on current empirical findings. Springer. https://doi.org/10.1007/978-3-030-65061-5

Kerres, M., Buntins, K., Buchner, J., Drachsler, H., & Zawacki-Richter, O. (2023). Lernpfade in adaptiven und künstlich-intelligenten Lernprogrammen: Eine kritische Analyse aus mediendidaktischer Sicht. In C. de Witt, Gloerfeld, C., & Wrede, S. E. (Hrsg.), Künstliche Intelligenz in der Bildung. Wiesbaden: Springer VS.

Im Folgenden wird der Begriff der Learning Analytics definiert und hinsichtlich der Ziele von Lerndatenanalysen und Voraussetzungen für diese in seiner Relevanz für die Hochschullehre kontextualisiert. Es folgen Umsetzungsbeispiele, u.a. mit einem Moodle-Plugin.

Antworten Sie spontan mit Ja oder Nein: Haben Sie selbst schon einmal Learning Analytics betrieben?

Vermutlich würden einige von Ihnen Nein sagen. Andere – vielleicht weniger – Ja.

Aber:

Haben Sie schon einmal im Semester systematisch den Lernstand Ihrer Studierenden erhoben, bspw. durch ein Quiz, um Ihre weitere Lehre zu planen?

Haben Sie schon einmal den Lernstand der Studierenden individuell oder für den ganzen Kurs ausgewertet und überlegt, wie Sie die folgenden Semesterwochen daraufhin anpassen können?

Haben Sie schon einmal eine Lehrveranstaltung für mehrere Semester angeboten, die Modulabschlussnoten über die Semester hinweg miteinander verglichen und Schlussfolgerungen für die kommenden Semester daraus gezogen?

Haben Sie schon einmal Ihre Kolleg*innen, die entsprechend des Studienverlaufsplans in den vorherigen Semestern lehren, gefragt, wie die aktuelle Kohorte der Studierenden die Module abgeschlossen haben und mit welchen Voraussetzungen Sie rechnen können?

Haben Sie schon einmal ein Voting Tool eingesetzt, um Studierenden eine Rückmeldung auf ihren Lernstand zu geben und diesen auch selbst zu erhalten?

Sicherlich wissen Sie, dass ich mit den Nachfragen darauf anspielen möchte, dass Sie eventuell doch schon einmal Learning Analytics betrieben haben, auch wenn Sie es spontan verneinen würden. Was fällt also überhaupt alles unter den Begriff Learning Analytics? Darum geht es im nächsten Kapitel. 

Learning Analytics: ein häufig unklarer Begriff

In wissenschaftlichen Publikationen wird Learning Analytics anhand des folgenden Zitats definiert:

“Learning analytics is the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimising learning and the environments in which it occurs.” (Long et al., 2011)

Entsprechend dieser Definition muss für Learning Analytics also ein Datenverarbeitungsprozess in vier Schritten das Messen, Sammeln, Analysieren und Berichten durchgeführt werden. Die gemessenen Daten können dabei das Lernverhalten der Studierende selbst, oder den Kontext des Lernens betreffen. Die Auswertung soll dazu dienen, das Lernverhalten und den Lernprozess zu verstehen und diesen, zusammen mit der Lernumgebung, zu optimieren. Die Verbesserung der Lernqualität muss nicht ausschließlich durch Lehrende erfolgen. Auch Studierenden können die Analyseergebnisse zu ihrem Lernverhalten direkt zur Verfügung gestellt werden, sodass sie ihr Lernverhalten anpassen können.

Lang und Kolleg*innen (2022) stellen in der zweiten Ausgabe des Handbook for Learning Analytics die thematische Vielfalt heraus, die mit dem Begriff Learning Analytics beschrieben wird. Diese thematische Vielfalt ergibt sich daraus, dass der Begriff Learning Analytics im Diskurs einerseits im engeren Sinne für ganz bestimmte Auswertungen von Lerndaten verwendet wird; indem innerhalb von einzelnen Lernangeboten, bspw. Lehrveranstaltungen oder Selbstlernkursen, Lerndaten ausgewertet und für die Steuerung des weiteren Lernprozesses genutzt werden. Andererseits wird Learning Analytics im weiteren Sinne auch als Überbegriff für verschiedene Formen der Lerndatenauswertung verwendet, wie bspw. Educational Data Mining, Curriculum Analytics, Assessment Analytics oder Classroom Analytics. Beide Formen der Begriffsverwendung, das enge und das weite Verständnis, sind nicht falsch und begründen sich in der historischen Entwicklung und immer stärkeren Ausdifferenzierung des Feldes.[1] Für eine unmissverständliche Auseinandersetzung mit dem Thema ist es allerdings entsprechend wichtig, das angelegte Verständnis zum Begriff in Texten und Workshops transparent zu machen. Buckingham Shums (2012) bietet mit seiner Unterscheidung in die Mikro-, Meso- und Makroebenen eine entsprechende Einordnung an. Lerndatenanalysen innerhalb von Lehrveranstaltungen beschreibt die Mikroebene seines Modells, institutionenweite Analysen die Mesoebene und Analysen über mehrere Institutionen hinausbeschreibt die Makroebene.

Da der hier vorliegende Text einen Überblick über das Thema bieten soll, werde ich Learning Analytics im Folgenden als Überbegriff verwenden, meine also das weite Begriffsverständnis und bringe insbesondere praktische Beispiele für die Mikroebene.

[1] Eine vergleichbare Entwicklung ist für den Begriff der Künstlichen Intelligenz zu beobachten.

Mit dem Einsatz von Learning Analytics soll das Lernen von Studierenden unterstützt werden. Dies kann einerseits über das direkte Lernfeedback durch Learning Analytics an die Studierenden erreicht werden. Andererseits kann Learning Analytics die Lehrevaluation unterstützen und damit den Lernerfolg der Studierenden unterstützen, indem die Lehrperson die Qualität des Lernangebots erhöht. Diese Ziele können durch Learning Analytics in den unterschiedlichen Einsatzebenen (Mikro-, Meso- und Makroebene) erreicht werden.

Learning Analytics für Lernfeedback

Sie als Lehrperson können Learning Analytics für das Lernfeedback, im Sinne einer individuellen Rückmeldung des Lernstands oder zusätzliche Lernempfehlungen einsetzen. Ihre Studierenden erhalten beispielsweise durch deskriptive Auswertungen zu ihrem Lernverhalten und ihre Lernleistungen eine Rückmeldung zu ihrem aktuellen Lernstand. Dies kann beispielsweise über Grafiken erfolgen (vgl. vier Grafiken oben links in Abbildung 1) Didaktisch wünschenswert ist dabei nicht nur die situative Darstellung des aktuellen Lernstandes, sondern auch die direkte Darbietung passgenauer Handlungsempfehlungen, sogenannte „Actionable Insights“ (Susnjak et al., 2022).

Ein Beispiel: Ein Student könnte die für ein Seminar zu lesenden Texte in den ersten beiden Wochen des Semesters nicht heruntergeladen haben. Dies könnte ein Indiz dafür sein, dass der Student die Texte zur Vorbereitung nicht gelesen hat und so der Diskussion im Seminar ggf. nicht gut folgen konnte. Ein Learning-Analytics-System könnte den Studenten hierauf hinweisen und empfehlen, die Texte für die kommende Seminarsitzung zu lesen. Falls der Student das Verhalten im weiteren Verlauf nicht verändert, könnte das Learning-Analytics-System zudem auf Angebote für Workshops zu Lerntechniken hinweisen.
Zu berücksichtigen ist, dass die digitalen Lern- und Verhaltensdaten nur als Indizien für mögliche Probleme im Lernprozess zu verstehen sind und von den Studierenden im Kontext ihrer persönlichen Gesamtsituation reflektiert werden müssen.

Abbildung 1: Learning Analytics Dashboard für Studierende (Sedrakyan et al., 2022, S. 16)

Learning Analytics zur Lehrevaluation

Learning Analytics kann auch für Sie als Lehrperson ein Baustein der Lehrevaluation darstellen. Da in Learning Analytics insbesondere Lernaktivitäten der Studierenden in digitalen Lernumgebungen ausgewertet werden können, können Sie die Qualität Ihrer Lehre nur indirekt oder bezogen auf das bereitgestellte Online-Lernmaterial evaluieren. Ein Beispiel hierfür könnten wöchentliche Quizze in Moodle sein, die die Studierenden lösen sollen. Fallen die Ergebnisse in einer Woche besonders schlecht oder auch auffallend gut aus, kann dies für Sie ein Anlass zur genaueren Analyse sein. Die Gründe für diese Veränderung können vielfältig sein, sodass das Quiz einfach besonders schwer oder leicht war und auch Variablen außerhalb Ihrer eigenen Lehrveranstaltung, wie eine Abgabe in einem anderen Kurs, können die Abweichung begründen. Möglich kann auch sein, dass Sie als Lehrperson die Studierenden beim Erreichen des Lernziels nicht wie intendiert unterstützen konnten und Sie zusätzliche, passgenaue Lernangebote bereitstellen sollten. Learning Analytics kann für Ihre eigene Lehrevaluation somit ein quantitatives Indiz für Ihre situative Lehrqualität liefern. Auf Grundlage dieses Indizes können Sie bei Bedarf zusätzliche qualitative Analysen und Reflexionen vornehmen, um der Ursache auf Ausschläge in die positive wie auch negative Richtung auf den Grund zu gehen.

Learning Analytics und Künstliche Intelligenz

In einer Zeit, in der große Sprachmodelle und Künstliche Intelligenz niedrigschwellig verfügbar sind, lässt sich die Frage stellen, ob Learning Analytics überhaupt noch notwendig ist und somit eine Zukunft hat. Das Argument könnte sein, dass Sprachmodelle oder lerndatenanalysierende KI-Systeme den Lernstand feststellen und direkt individuelle Lernaufgaben anbieten könnten. Allerdings funktionieren KI-Systeme häufig auf Basis statistischer Wahrscheinlichkeiten und liefern Ausgaben, die auf Mustern in großen Datenmengen basieren. Dabei reproduzieren diese Muster häufig den Bias in den Daten und in Bezug auf das Lernen kann die Individualität der Lernenden nicht gut berücksichtigt werden. Insbesondere Studierende, die von der Norm abweichen, können von KI-Systemen nur schlecht passgenau adressiert werden. Learning Analytics hingegen ermöglicht eine gezielte, kontextuelle Analyse, die spezifische Korrelationen und Muster innerhalb von Bildungsprozessen berechnet. Während KI-gestützte Technologien unterstützend wirken können, bleiben korrelativ oder sogar kausal berechnete Learning Analytics auch in Zeiten von KI ein wichtiges Werkzeug, um valide Einblicke in Lernprozesse zu gewinnen. Der Kombination beider technologischer Ansätze wird aktuell das größte Bildungspotenzial zugeschrieben, indem durch Learning Analytics die systematische Analyse erfolgt und durch generative KI passgenaue Lernmaterialien entwickelt werden.

Insbesondere die technologischen Voraussetzungen für Learning Analytics sind hoch. Greller und Drachsler (2012) haben die vielfältigen Dimensionen, die den Einsatz von Learning Analytics beeinflussen und für den Einsatz geklärt werden müssen, zusammengefasst (Abbildung 2). Entsprechend des Modells ist auch von Ihnen als Lehrperson zu klären,

• mit welcher Zielsetzung Sie Learning Analytics einsetzen möchten,
• ob Sie als Lehrperson, Ihre Studierenden oder weitere Personen für dieses Ziel die Daten liefern („Data Subjects“),
• ob Sie als Lehrperson, Ihre Studierenden oder weitere Personen die Analyseergebnisse erhalten („Data Clients“),
• welche Daten Sie für die durchzuführenden Analysen benötigen,
• wie Sie die Daten auswerten möchten,
• und welche externen und internen Limitationen Sie berücksichtigen und ggf. überbrücken müssen?

Ausgangspunkt der durch Sie zu klärenden Fragen ist somit immer die Zielsetzung des Einsatzes. Die Antworten auf alle weiteren Fragen leiten sich von dieser Antwort ab. Beginnen Sie also mit der Fragestellung, mit welcher Zielsetzung Sie Learning Analytics in Ihrer Lehre einsetzen möchten. Welchen Mehrwert erhoffen Sie sich durch den Einsatz für sich oder Ihre Studierenden?

Abbildung 2: Dimensionen für Learning Analytics (Greller & Drachsler, 2012, S. 44)

Technologie und statistische Zusammenhänge

Sofern Sie Learning Analytics technologiegestützt umsetzen möchten, bedingt dies im Allgemeinen eine große Einstiegshürde. Als Lehrperson müssen Sie zu Beginn entscheiden, welchen Einsatz von Learning Analytics Sie sich wünschen bzw. Sie für Ihre Lehre oder zur Unterstützung des Lernens Ihrer Studierenden benötigen. Ihre Bedarfe müssen dann entweder durch Sie selbst oder eine unterstützende Stelle technisch umgesetzt werden. Bei existierenden Learning-Analytics-Softwarelösungen und den Learning-Analytics-Funktionalitäten in den Learning Management Systemen, wie Moodle oder ILIAS, werden zumeist vordefinierte und allgemeine Auswertungen angeboten. Diese können allerdings nur bedingt und eher „zufällig“ Ihren individuellen Bedarf an Analysen und Darstellungen adressieren.

Diese Zufälligkeit liegt darin begründet, dass es unzählige Kombinationen aus didaktischen Designs, Lerninhalte und Rahmenbedingungen gibt, sodass jede Lehrveranstaltung und jede Lernsituation von Studierenden einzigartig ist. Entsprechend gibt es auch für jede Lehrveranstaltung individuelle Bedarfe an Analysen. Das von Ihnen als Lehrperson entwickelte individuelle didaktische Design des Lernangebots erfordert daher zumeist auch individuelle Datenauswertungen in Learning Analytics.

Zu dieser Einzigartigkeit kommt die Herausforderung der technischen Umsetzung hinzu, dass akademisches Lernen im Allgemeinen nicht direkt beobachtbar ist, also ein latentes Konstrukt darstellt. Lernen kann durch vielfältige bewusste und unbewusste Einflüsse angeregt werden und die Effekte dieser Einflüsse auf den Lernprozess können sich individuell unterscheiden. Dadurch sind die kausalen Zusammenhänge von Interventionen auf das Lernergebnis auch in wissenschaftlichen Studien nur schwierig messbar. Forschungsergebnisse, insbesondere aus Einzelstudien, sind daher an den jeweiligen Kontext gebunden und die situativen Varianzen lassen sich nur durch sehr große Metastudien zumindest teilweise egalisieren. Die gleiche Herausforderung besteht beim Einsatz von Learning Analytics und muss bei der Interpretation der Analyseergebnisse berücksichtigt werden. Im Allgemeinen werden Sie durch Learning Analytics Korrelationen und keine Kausalitäten feststellen können.

Die Aussagekraft heutiger Metastudien über den Einfluss von Learning Analytics auf das Lernen ist aufgrund der fehlenden Standards im Bereich Learning Analytics, bspw. was ein Learning-Analytics-System leisten können muss oder welches Begriffsverständnis von Learning Analytics überhaupt angelegt wird, eingeschränkt (zuletzt Bergdahl et al., 2024). Das Problem der Wirkung von Learning Analytics wird umso komplexer, sobald durch Learning Analytics nicht nur Aussagen über eine Kohorte gemacht werden sollen, sondern über einzelne Studierende. Denn wenn Aussagen über einzelne Lernende gemacht werden sollen, sind die Wirkzusammenhänge des Lernprozesses immer auch durch die individuellen Voraussetzungen, die externen Lernbedingungen und das (metakognitive) Lernverhalten beeinflusst. Diese individuellen Zusammenhänge sind in quantitativen, statistischen Analysen nur mit unverhältnismäßig großem Aufwand verlässlich abbildbar.

Die technische Entwicklung von Learning-Analytics-Systemen ist entsprechend herausfordernd und fertige Softwarelösungen bieten aus den zuvor genannten Gründen häufig nur deskriptive Grafiken an. Sobald durch das System auch didaktische Interventionen automatisiert vorgenommen werden sollen, müssen Sie als Lehrperson diese Interventionen technisch in das System implementieren. Einige Systeme halten hierfür direkte Möglichkeiten vor, die von Ihnen als Lehrperson keine umfassenden informatischen Kompetenzen voraussetzen.

Individuelle Auswertungen bedingen allerdings nicht nur technische Vorarbeiten, sondern insbesondere eine didaktische Begründung (dazu Leschke & Salden, 2024) sowie die datenschutzrechtliche (dazu Lentzsch & Loser, 2024) und ethische Vertretbarkeit (dazu Simis & Weydner-Volkmann, 2024) der vorgesehenen Analysen. Auf die didaktischen Vorüberlegungen gehe ich im folgenden Kapitel ein.

Didaktische Vorüberlegungen

Falls Sie sich als Lehrperson damit auseinandersetzen, Learning Analytics in der eigenen Lehre einzusetzen, müssen Sie sich aus didaktischer Perspektive unter anderem die Frage stellen, wie Sie „Actionable Insights“ (Susnjak et al., 2022), also konkrete Handlungsempfehlungen, aus den Analysen ableiten und Ihren Studierenden darbieten können. In den meisten Learning-Analytics-Dashboards werden deskriptive Analysen über den bisherigen Lernverlauf der Studierenden angezeigt. Häufig ist dabei ein (visueller) Vergleich zu der eigenen individuellen Entwicklung, der eigenen Entwicklung zu der Entwicklung anderer Lernenden oder ein Vergleich mit den zu erreichenden Lernzielen eingefügt. Es wird also eine individuelle, soziale oder normative Bezugsnorm dargestellt.

Doch wie helfen diese Diagramme Ihren Lernenden für den Lernerfolg und wie können Sie als Lehrperson Ihre Lernenden dabei unterstützten, eine Missinterpretation der Darstellungen der Analyseergebnisse zu verhindern? Denn wie zuvor beschrieben, können Lernzusammenhänge, insbesondere außerhalb von kontrollierten Laborbedingungen, kaum kausal beschrieben werden. Zudem können Sie als Lehrperson nur verfügbare digitale bzw. digitalisierte Lerndaten in Ihrer Auswertung berücksichtigen und so laterale kognitive Verarbeitungsprozesse, bspw. bei Gesprächen der Lernenden mit Peers oder beim Nachdenken über Lerninhalte während außeruniversitärer Aktivitäten, wie beim Sport oder beim Einkaufen, nicht in Ihren Auswertungen berücksichtigen.

Um Studierende mit dieser Reflexion nicht allein zu lassen und Missinterpretationen vorzugreifen, wird in der Literatur für Lehrende empfohlen „Actionable Insights“ zu entwickeln. Dafür entwickeln Sie als Lehrperson in Abhängig des deskriptiven Ergebnisses konkrete Handlungsempfehlungen für Ihre Studierenden, bspw. was für sie nächste Lernhandlungen aufgrund ihres Lernstandes sein können. Dies erfordert von Ihnen zusätzlich zur deskriptiven Analyse des Systems eine Prognose über den weiteren Lernverlauf Ihrer Studierenden. Je nachdem, welche Möglichkeiten das Learning-Analytics-System anbieten, können Sie diese Rückmeldungen Ihren Studierenden dann direkt über das System darbieten oder die Rückmeldungen ohne technische Unterstützung in Ihre kommende Sitzung Ihrer Lehrveranstaltung integrieren. 

Es braucht also eine umfassende didaktische Reflexion im Sinne der potenziellen Wirkkette von Analyseergebnis, über Prognose des weiteren Lernverlaufs zur didaktischen Intervention, um Learning Analytics lernunterstützend in die eigene Lehre zu integrieren. Im folgenden Abschnitt finden Sie daher Handlungsempfehlungen, wie Sie in die Umsetzung kommen und dadurch (erste) praktische Erfahrungen sammeln können.

Der Einsatz von Learning Analytics sollte von Ihnen als Lehrperson, wie die Einführungen jeglicher Lerntechnologien, niemals zum Selbstzweck erfolgen, sondern darauf abzielen, das Lernen Ihrer Studierenden sowie Ihre Lehre zu verbessern. Dies wird beispielsweise im Learning-Analytics-Kreislauf von Clow (2012) deutlich, in dem er in der vierten Phase eine praktische Intervention für die Lehre vorsieht (vgl. Abb. 3). Grundlage für den didaktisch sinnvollen Einsatz ist eine sorgfältige Vorbereitung, die auf Überlegungen der Lehrplanung basiert. Bevor also die Frage zum Einsatz von Learning Analytics gestellt werden kann, sind die klassischen Fragen der Lehrplanung zu stellen und zu beantworten.

Abbildung 3: Learning-Analytics-Kreislauf (aus Leschke & Salden, 2024, S. 193)

Erst nachdem Sie die grundsätzliche Lehrplanung abgeschlossen haben, stellen Sie sich die Frage, welche Informationen Ihre Studierenden über ihren Lernprozess benötigen, um bestmöglich die Lernziele zu erreichen. Auch erst dann müssen Sie sich die Frage stellen, welche Daten und Analysen Ihnen als Lehrperson helfen können, Ihre Lehrveranstaltungen zu optimieren. Planen Sie also erst Ihre ideale Lehre und überlegen Sie erst dann, wie Learning Analytics diese Lehre unterstützen kann.

Fragestellungen für den Nutzen von Learning Analytics können beispielsweise sein, welche zusätzlichen Informationen Ihren Studierenden zur Erreichung der Lernziele helfen. Relativ niedrigschwellig ist dafür beispielweise das Aufzeigen der erreichten Punkte auf erstelle Lernprodukte (bspw. wöchentliche Abgaben oder Quizze) in einem Liniendiagramm denkbar oder die visuelle Darstellung der erreichten Lernziele, die mit jeder erfolgreich abgeschlossenen Lernaufgabe intendiert sind. Zu Beginn können Sie hierfür nur wenige Datenquellen nutzen, um die Komplexität gering und die Zusammenhänge für Sie und Ihre Studierende intuitiv verständlich zu halten. Gleichzeitig sollten Sie darauf achten, dass Sie die Studierenden über den Einsatz von Learning Analytics transparent informieren, um Vertrauen zu schaffen und datenschutzrechtliche Vorgaben zu erfüllen. Überlegen Sie zudem auch, wie Sie ihre Studierenden auf Grundlage der Grafiken mit konkreten Handlungsempfehlungen behilflich sein können, um sie aktiv im weiteren Lernprozess zu unterstützen.

An der Ruhr-Universität Bochum (RUB) stehen Ihnen und Ihren Studierenden derzeit vor allem die Bordmittel von Moodle zur Verfügung, um Learning Analytics in der Lehre technisch unterstützt umzusetzen.

• Adaptives Lernangebot: Sie als Lehrperson können beim Anlegen eines neuen Kursinhaltes in Moodle durch die Funktion „Voraussetzungen“ einstellen, dass dieser Inhalt erst mit Erfüllung einer Voraussetzung angezeigt wird. Diese Voraussetzung kann beispielsweise das Erreichen oder eben auch Nicht-Erreichen einer bestimmten Punktzahl von einem Quiz oder anderen Aktivität in Ihrem Kurs sein (vgl. Abb. 4). Erstellen Sie hierfür beispielsweise ein Quiz zu einem bestimmten Thema in Ihrem Kurs. Legen Sie dann zusätzliches Lernmaterial an, das die Studierenden noch einmal vertieft mit dem Thema auseinandersetzen lässt, etwa einen zusätzlichen Text oder ein Lernvideo. Sollten die Studierenden beim Quiz nur eine sehr niedrige Punktzahl erzielen, können Sie dieses Zusatzmaterial freischalten und den Studierenden empfehlen, dieses zusätzlich durchzuarbeiten. Weitere Beispiele für Möglichkeiten zur adaptiven Lehre in Moodle finden Sieim vorherigen Teil dieser Rubrik und im „Leitfaden zur adaptiven Lehre an der Hochschule“.

Abbildungen 4 und 5: Voraussetzungen für Aktivitäten in Moodle aktivieren

• Aufgabenergebnisse: Moodle bietet neben den Möglichkeiten verschiedene Lernaktivitäten miteinander zu verknüpfen auch Statistiken über das Abschneiden der Lernenden in den kursintegrierten Aufgaben für Sie als Lehrperson (vgl. Abb. 5). Diese Übersicht finden Sie in den Einstellungen zu der jeweiligen Aufgabe selbst, oder übergeordnet für alle Aufgaben innerhalb eines Moodle-Kurses unter dem Reiter „Berichte“. Durch diese Übersicht können Sie einfach auswerten, ob und falls ja, wie sich die Qualität der Aufgabenergebnisse Ihrer Studierenden über das Semester verändert und ob Ihre Studierenden beispielsweise besondere Probleme mit einer Aufgabe oder Thema hatten oder in einer Aufgabe besonders gut abgeschnitten haben.

Abbildung 6: Berichte über Aufgabenergebnisse in einem Moodle-Kurs

• Interaktion mit dem Kursmaterial: Zusätzlich steht Ihnen als Lehrenden der RUB durch ein spezielles Plugin eine erweiterte aggregierte Statistik über Zugriffs- und Nutzungszahlen der in Kursen integrierten Lernangebote zur Verfügung (siehe Abb. 6). Diese Grafik finden Sie über den Reiter „Zugriffsstatistiken“ innerhalb eines Moodle-Kurses.

Abbildung 7: Moodle-Plugin (Dondorf, 2022, S. 107)

Auch wenn dies keine hochentwickelten technischen Lösungen sind, bieten sie Ihnen dennoch wertvolle Einblicke, um Ihre Lehre datenbasiert zu entwickeln. Mit diesen Tools können Sie als Lehrperson gezielt erste Schritte in der Anwendung von Learning Analytics unternehmen, auch ohne umfangreiche Ressourcen investieren und selbst technische Expertise entwickeln zu müssen.

Der gezielte Umgang mit den beschriebenen Statistiken ermöglicht es Ihnen Lernhindernisse frühzeitig zu erkennen und Ihre Studierenden bedarfsgerecht zu unterstützen. Gleichzeitig können Fortschrittsberichte dazu beitragen, dass Sie gezielte Unterstützung für Studierende anbieten, deren Lerndaten Lerndefizite vermuten lassen.

Der Einstieg in Learning Analytics muss nicht kompliziert sein oder vollständig von Ihnen in allen Kursbereichen umgesetzt werden. Vielmehr empfiehlt es sich, dass Sie klein anfangen und erste Erfahrungen mit den Möglichkeiten sammeln und den Mehrwert für Ihre eigene Lehre zu reflektieren. Beispielsweise können Sie als Lehrperson zunächst einfache Analysen mit den bestehenden Möglichkeiten in Moodle durchführen, um die Bedürfnisse Ihrer Studierenden besser zu verstehen. Falls Sie bereits Abgaben oder Quizze in Ihrem Moodle-Kurs haben, müssen Sie hierfür nicht einmal Ihr didaktisches Design oder die bereitgestellten Lernaufgaben anpassen. Auf Grundlage dieser Erfahrungen können Sie Ihre Lehre um die Erkenntnisse aus der Integration von Learning Analytics erweitern. Diese pragmatische Herangehensweise ermöglicht es Ihnen, schrittweise fundierte Erfahrung und Expertise aufzubauen.

Bergdahl, N., Bond, M., Sjöberg, J., Dougherty, M., & Oxley, E. (2024). Unpacking student engagement in higher education learning analytics: A systematic review. International Journal of Educational Technology in Higher Education, 21(1), 63. https://doi.org/10.1186/s41239-024-00493-y

Buckingham Shum, S. (2012). Learning Analytics. UNESCO Institute for Information Technologies in Education, Policy Brief (November 2012). http://iite.unesco.org/pics/publications/en/files/3214711.pdf

Clow, D. (2012). The learning analytics cycle: Closing the loop effectively. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, 134–138. https://doi.org/10.1145/2330601.2330636

Dondorf, T. (2022). Learning analytics for moodle: Facilitating the adoption of data privacy friendly learning analytics in higher education. https://doi.org/10.18154/RWTH-2022-04002

Greller, W., & Drachsler, H. (2012). Translating Learning into Numbers: A Generic Framework for Learning Analytics. Journal of Educational Technology & Society, 15(3), 42–57.

Lang, C., Wise, A. F., Merceron, A., Gaševi?, D., & Siemens, G. (2022). What is Learning Analytics? In C. Lang, G. Siemens, A. F. Wise, D. Gaševi?, & A. Merceron (Hrsg.), The Handbook of Learning Analytics (2. Aufl., S. 8–18). SoLAR. https://www.solaresearch.org/publications/hla-22/hla22-chapter1/

Lentzsch, C., & Loser, K.-U. (2024). Hochschulen im Spannungsfeld zwischen Datenschutz und Learning Analytics – eine Analyse der Konflikte und aktuelle Lösungsansätze. In P. Salden & J. Leschke (Hrsg.), Learning Analytics und Künstliche Intelligenz in Studium und Lehre (S. 149–167). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-42993-5_9

Leschke, J., & Salden, P. (2024). Didaktische Perspektiven auf Learning Analytics in der Hochschulbildung. In P. Salden & J. Leschke (Hrsg.), Learning Analytics und Künstliche Intelligenz in Studium und Lehre (S. 187–204). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-42993-5_11

Long, P., Siemens, G., Conole, G., & Gaševi?, D. (2011, Februar 27). Message from the LAK 2011 General & Program Chairs. Proceedings of the 1st International Conference on Learning Analytics and Knowledge. LAK 2011: 1st International Conference on Learning Analytics and Knowledge, Banff Alberta Canada.

Simis, C., & Weydner-Volkmann, S. (2024). KI-gestützte Learning Analytics: Geschenk oder Falle für die Hochschulbildung? Ein ethischer Exkurs. In P. Salden & J. Leschke (Hrsg.), Learning Analytics und Künstliche Intelligenz in Studium und Lehre (S. 127–148). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-42993-5_8

Susnjak, T., Ramaswami, G. S., & Mathrani, A. (2022). Learning analytics dashboard: A tool for providing actionable insights to learners. International Journal of Educational Technology in Higher Education, 19(1), 12. https://doi.org/10.1186/s41239-021-00313-7