Seite - 149 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 149 etwa: Lassen wir die richtigen Studierenden in einem bestimmten Studiengang zu? Was braucht ein Studieninteressierter, um das Studium der Wirtschaftswissenschaft in unserer Institution erfolgreich zu absolvieren? Welche Teilgruppen profitieren besonders von welcher Art von Unterstützung? Das Zusammenführen einzelner Variablen kann für die Beantwortung solcher Fragen neue Möglichkeiten bieten. Kritiker geben vor dem Hintergrund aktueller Daten- schutzdebatten zu bedenken, dass die Freigabe von persönlichen Daten für den eige- nen Lernprozess (z.  B. Feedback vom Dozierenden) oder für einen höheren Zweck (z.  B. um nachfolgenden Studierenden effektive Lernsettings zu bieten) kontrovers diskutiert wird. Praxisbeispiele im Hochschulkontext Während im angloamerikanischen Raum bereits eine Vielzahl von entsprechenden Programmen an den Universitäten implementiert ist – und deren Wirksamkeit erforscht wurde – steckt die Anwendung von Learning Analytics im deutschsprachi- gen Hochschulbereich noch in den Kinderschuhen (Sclater, Peasgood, Mullan 2016). Allerdings gibt es hierzulande zunehmend Bestrebungen, innovative Szenarien auf Grundlage von Learning Analytics zu identifizieren und deren Potenziale für die deut- sche Hochschullandschaft nutzbar zu machen (Ifenthaler, Mah und Yau 2017). Der konkrete Einsatz von Learning Analytics für spezifische Zielsetzungen lässt sich exem- plarisch an drei Projekten aufzeigen: Early Alert an der University of New England, Australien Die University of New England, New South Wales in Australien, hat mehr als 18.000 Studierende, von denen viele das Studium in Teilzeit absolvieren und als Nicht-traditio- nelle Studierende gelten. Vor dem Einsatz von Early Alert lag die Studienabbruchs- quote bei etwa 18 Prozent, was die Hochschule nicht länger hinnehmen wollte (Scla- ter, Peasgood, Mullan 2016, S. 33). Aus diesem Grund richtete sie Early Alert als mehr- schichtiges Learning-Analytics-System mit dem Ziel ein, das Befinden der Studierenden und deren individuelle Lehr-Lern-Bedürfnisse zu ermitteln. Neben einem Abfrageportal (e-Motion), in dem Studierende online ihre aktuelle Befindlichkeit über Emoticons mel- den können, haben sie im Early-Alert-System zusätzlich die Möglichkeit, textbasierte Rückmeldungen über The Vibe zu geben und zugleich auch die ihrer Kommilitonen einzusehen. Alle Studierendendaten werden in der Automated Wellness Engine (AWE) zusammengeführt, in der diese zusätzlich um Daten zu „class attendance, previous study history, prior results, assignment submissions, and access patterns for the stu- dent online portal and other university websites“ (Sclater, Peasgoog, Mullan 2016, S. 33) ergänzt werden. Klassifiziert nun das System die Entwicklung eines Studierenden als problematisch, wird dieser zunächst per E-Mail angesprochen und angefragt, ob