Seite - 143 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 143 al. 2016). Adaptive Lerntechnologien können sich durch große Datenmengen und intelligente Algorithmen immer besser dynamisch und in Echtzeit auf Personen ein- stellen sowie passende Lernaktivitäten und -inhalte antizipieren (Johnson et al. 2016). Beispielsweise verwendet die Sprachlern-App „Duolingo“ virtuelle Chatpartner (Chatbots), die automatisiert und adaptiv auf die Lernfortschritte der Lernenden reagieren können. Auch erste Textbewertungs-Programme für schriftliche Arbeiten, insbesondere in Rahmen von MOOCs, werden entwickelt und erprobt, die auf KI- Grundlage den Bewertungsstil der Prüfenden lernen und Texte dementsprechend beurteilen können. Eine vollständige Automatisierung von intelligenten Systemen und Learning Analytics ist jedoch stark umstritten, da bisher menschliche Urteilskraft bei der Leistungsbewertung unabdingbar ist. So zeigt Learning Analytics aggregierte Daten und deren Visualisierung – die Interpretation der Daten sowie die datenevi- denten Interventionen sollten anhand lerntheoretischer und pädagogischer Kompe- tenz durch Lehrende erfolgen. Aktuell erforschen und nutzen vorrangig englischsprachige Länder wie USA, Austra- lien und das Vereinigte Königreich Learning Analytics. In Deutschland wird es bisher kaum thematisiert und angewendet. Dabei können internationale Studien bereits einen positiven Zusammenhang zwischen dem Einsatz von Learning Analytics und Studienerfolgen aufzeigen (Sclater und Mullan 2017). Nutzen und Spektrum von Learning Analytics Learning Analytics bietet den an Lernprozessen beteiligten Gruppen wie Politik, Institu- tionen, Instruktionsdesign, Lernende und Lehrende vielfältigen Nutzen (Ifenthaler und Widanapathirana 2014). Beispielweise ermöglicht es auf politischer Ebene institutions- übergreifende Vergleiche und kann als Informationsquelle für Qualitätssicherungspro- zesse dienen. Lernende erhalten Einblick in ihre Lerngewohnheiten, können diese reflektieren und optimieren und somit ihre Erfolgschancen erhöhen. Lehrende können ihre Lehrpraktiken analysieren und ihre Lehrqualität verbessern sowie Risikostudierende identifizieren und entsprechend eingreifen (Ifenthaler und Schumacher 2016). Allgemein geht mit Learning Analytics die Verheißung einher, dass die Analyse der aggregierten Daten und das daraus generierte Feedback an Lehrende wie Lernende die Qualität der Lehr- und Lernprozesse deutlich verbessern kann. Lehrende fragen sich häufig: Welche Wirkung hat meine Lehrveranstaltung erzielt? Konnte ich alle Bedürfnisse der Studierenden einbeziehen? Zumeist wurden und werden diese Fra- gen durch die Klausurnoten von Studierenden oder durch Lehrevaluationen am Ende des Semesters beantwortet. Einhergehend mit der technischen Entwicklung hin zu Online- und Blendend Lear- ning-Formaten an den Universitäten sind Studierende hochschulintern mehr und