Seite - 151 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 151 Herausforderungen und Risiken Den vielfältigen Chancen von Learning Analytics stehen Herausforderungen und Risi- ken gegenüber wie Datenqualität, Datenschutz und Privatsphäre sowie Akzeptanz der Nutzergruppen (Pardo et al. 2014; Slade und Prinsloo 2013). Zunächst gibt es grundsätzlich die Schwierigkeit, die anfallende Menge an unstrukturierten Daten und Metadaten zu organisieren. Educational Data Mining ist eine Möglichkeit, die Daten für weitere Analysen zugänglich zu machen. Learning Analytics hat wiederum die Aufgabe, die Daten zu analysieren und zu visualisieren. Die Datenqualität ist aber unterschiedlich und die Warnung vor wissenschaftlich nicht begründeten Schlussfol- gerungen über Lehr- und Lernprozesse wird laut. Zudem besteht die Gefahr, dass Wissen über Lehr- und Lernprozesse aufgrund von statistischen Wahrscheinlichkeiten gewonnen wird, Learning Analytics die Daten jedoch nicht interpretiert und somit wissenschaftlich unvollständig begründete Zusammenhänge hergestellt werden (Loser 2016). Learning Analytics fragt beispielsweise nicht nach den Gründen für schlechte Antworten, sondern zeigt statistisch auf, dass eine Lernschwäche bei bestimmten Antwortmustern vorhanden ist. Das sollte der Wissenschaft nicht genü- gen, so Loser (2016). Die Interpretation der Daten erfolgt durch menschliche Beurtei- lung. Diese kann sich mittels Learning Analytics auf eine Vielzahl von Daten stützen und daraus datenevidente Interventionen ableiten. Es handelt sich um eine sinnvolle Zusammenarbeit von Mensch und Maschine, um Lehr-/Lernprozesse und Lernumge- bungen zu optimieren. Aus der Perspektive der Studierenden wird häufig in populärwissenschaftlichen Debatten vor dem „gläsernen Studierenden“ gewarnt. Tatsächlich konnte man noch nicht abschließend und zufriedenstellend klären, wie die Studierenden-Daten ano- nym bleiben können. Zudem ist fraglich, ob Studierende einen derart umfassenden Überblick über ihre Daten haben, um eine bewusste Entscheidung über Teilnahme und Datenfreigabe für die Analyse treffen zu können. Damit einhergehend ist Freiwil- ligkeit ein Thema, da für manche Angebote ein Zwang zur Nutzung (z.  B. von E-Lear- ning-Plattformen) besteht. Eine weitere Gefahr für Lernende besteht in einer mögli- cherweise entstehenden „Filter-Blase“: Die Prognose von Verhaltenswahrscheinlich- keiten und personalisierte Empfehlungen begrenzen die Entwicklungsmöglichkeiten mit den Konsequenzen, dass die Kreativität unterdrückt werde sowie falsche Pfade und Scheitern, die auch Quelle des Lernens darstellen können, unwahrscheinlicher werden (Loser 2016). Denkbar sei in diesem Zusammenhang, dass wirtschaftliche und politische Interessen die Vorschläge beeinflussen, die das jeweilige System macht. Die Gefahren für die Lehrenden an Hochschulen können aus zwei Perspektiven betrachtet werden. Erstens aus der Sicht auf die Kompetenz der Lehrenden selbst und zweitens aus der Perspektive der Lehrenden auf die Studierenden und deren