Seite - 152 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

152 B Anwendung Bewertung. Betrachtet man die Kompetenz der Lehrenden, lässt sich derzeit festhal- ten, dass diese hinsichtlich der Möglichkeiten und Tools, die Learning Analytics bie- tet, besser qualifiziert sein sollten. Anders formuliert: Um Learning Analytics und KI zielführend und gewinnbringend für Hochschullehrende einzusetzen, müssen Quali- fikationsformate erarbeitet und angeboten werden. Was die Beziehungen von Leh- renden zu Studierenden betrifft, bestehen die Gefahren der Kontrolle, der Stereoty- pisierung sowie der Leistungsbewertung durch nicht-menschliche Akteure. Für die deutschen Hochschulen lässt sich bei einer Etablierung von Learning Analytics eine Herausforderung formulieren: Es handelt sich um die „adäquate Interpretation der Daten, da Learning Analytics zwar mit dem Engagement und der Beteiligung von Studierenden korreliert, aber noch keine Aussage darüber trifft, was Lehrende verän- dern sollten“ (Ionica 2016). Damit wird angesprochen, dass sehr viele Daten ange- häuft, weniger analysiert und noch weniger in die Praxis als konkrete Umsetzung rückgekoppelt werden. Was passiert mit den Daten, zu welchem Zweck werden sie gesammelt und unter welchen Gesichtspunkten werden sie analysiert? Das sind einige der Fragen, denen sich die Hochschulen stellen müssen. Vor dem Hintergrund, dass der Markt von Learning-Analytics-Tools stark fragmentiert ist und derzeit drin- gend Normen notwendig sind (Leitner et al. 2017, 380ff.), werden Standards und Datenaustauschformate immer wichtiger, die einen sicheren Transfer sensibler Daten gewährleisten. Konkret: Die Hochschulen müssen das Datenmanagement klären und einer Überwachungskultur entgegentreten. Der Umgang mit Bildungsdaten ist bislang weitestgehend nicht reguliert, IT-Sicher- heitsstandards fehlen. Datenschutzbeauftragte warnen vor den Gefahren von Big Data. Wirtschaftliche, pädagogische und ethische Bedenken über Konsequenzen werden laut, und es wird formuliert, dass gegenwärtig kaum abzuschätzen sei, wel- che Risiken mit Learning Analytics und KI im Hochschulbereich einhergehen (Jülicher 2015, S. 3). Es bleibt festzuhalten, dass die Interpretation von Daten mit Learning Analytics im Hochschulbereich vor Herausforderungen steht, „die noch viel Forschung, Beratung und eine Qualifizierung für Studierende und Hochschullehrende voraussetzt. Vor allem muss das Vertrauen aller Beteiligten in die Transparenz und Sicherheit der Daten und der Prozesse hergestellt werden, auch wenn die dafür notwendigen Tech- nologien insbesondere für die Datensicherheit längst vorhanden sind“ (Ionica 2016). Zukunftsperspektiven zum Einsatz von Learning Analytics mit KI-Bezug Nach der Darstellung von Learning Analytics im Hochschulkontext hinsichtlich Nut- zen, Tools und Techniken, Praxisbeispielen sowie Herausforderungen, sollen anknüp- fend an aktuelle Projekte und Entwicklungen, nachfolgend drei Zukunftsperspekti-