Seite - 145 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 145 für eine Nachjustierung der Methodik und Didaktik der Lehrveranstaltung treffen. Aus dem skizzierten Bild ergeben sich allerdings Fragen zum Lernen: Welche Erkennt- nisse sind durch Learning Analytics im Hinblick auf das Lernverhalten zu erwarten? Ist Learning Analytics die Voraussetzung für adaptives Lernen? Wie können das Lern- verhalten oder der individuelle Lernprozess optimiert werden, z.  B. durch Verfolgen des Clickstreams bei MOOCs? Liegen Lernschwächen oder besondere Begabungen vor? Die Daten aus den Lehrveranstaltungen könnten um weitere Studierendendaten ergänzt werden, um sie unter dem Aspekt „Studienerfolg“ zu analysieren. Kellen (Kellen et al. 2013) untersuchten die Daten von Studierenden im Zeitverlauf von mehreren Semestern. Sie nutzten Hintergrunddaten (z.  B. die Abiturnote) der Studie- renden und Daten aus den Lehrveranstaltungen. Sie fügten diese Teilmengen anschließend zu einem Gesamtscore zusammen und konnten erkennen, welche Stu- dierenden positiv auffallen, und sie von denen unterscheiden, die im Mittel hinter ihren Kommilitonen zurückblieben. Zum Einsatz von Learning Analytics als Werkzeug zur Qualitätssicherung und Qualitätsentwicklung ergeben sich folgende Fragen: Kann durch Learning Analytics der Unterricht verbessert werden? Können durch Learning Analytics Risikostudierende identifiziert werden? Ist Learning Analytics also ein geeignetes Instrument zur Vermeidung von Studienabbrüchen? Eignen sich die Daten für Prognosen bzw. kann man aus ihnen künftigen Lernerfolg ableiten? Auf einer Ebene oberhalb von Lehrveranstaltungen und Studiengängen können Datenanalysen über ganze Bildungsinstitutionen hinweg Aussagen zu deren Effekti- vität und deren Beitrag zum Studierendenerfolg machen. Allgemein bekannt sind hier die PISA-Studien (Programme for International Student Assessment). Zusammenfassend kann festgehalten werden, dass unterschiedliche Gruppen von Beteiligten (z.  B. Studierende, Dozierende, Hochschulleitungen oder auch Regie- rungsinstitutionen) unterschiedliche Interesse an Daten haben können, die etwas über den Studierendenerfolg auf Mikroebene einer Lehrveranstaltung, auf Meso- ebene der Studiengänge oder Makroebene der Hochschulen aussagen (siehe Abbil- dung 7.2). Mögliche Ziele von Learning Analytics sind nachfolgend in Anlehnung an Leitner und Ebner (2017) aufgelistet: • Identifizierung und Unterstützung von Risikostudierenden • Verbesserung von Retention und Leistung • Visualisierung der Lernleistung anhand einer Vergleichsgruppe • (Echtzeit-)Feedback zu Lernperformance und -aktivität