Dieses Quiz als Battle spielen: Deutsch, Klasse 5-6, G-Niveau

Learning Analytics - Pädagogik

Einleitung

Studienfach: Pädagogik

Learning Analytics bezeichnet die theoriegeleitete Sammlung, Analyse, Interpretation und Kommunikation von Daten über Lernende und ihr Lernen, um handlungsrelevante Einsichten zur Verbesserung von Lernen und Lehren zu gewinnen. Die Society for Learning Analytics Research hat diese pädagogisch ausgerichtete Definition im Jahr 2025 präzisiert: Entscheidend sind nicht möglichst viele Daten, sondern theoretisch begründete und praktisch nutzbare Erkenntnisse.^[1]

Für das Studienfach Pädagogik ist Learning Analytics deshalb kein rein technisches Verfahren. Im Mittelpunkt stehen Fragen wie: Was gilt in einer bestimmten Lernumgebung als Lernen? Welche Daten können diesen Prozess angemessen abbilden? Wer darf sie zu welchem Zweck nutzen? Wie werden aus Ergebnissen verantwortbare pädagogische Entscheidungen? Eine hohe Klickzahl kann etwa auf intensive Beschäftigung, Orientierungsschwierigkeiten oder bloßes Offenlassen einer Seite hinweisen. Erst durch Lerntheorie, Kontextwissen, Gespräche mit Lernenden und geeignete Gütekriterien erhält die Zahl eine pädagogische Bedeutung.

Learning Analytics verbindet Erziehungswissenschaft, Empirische Bildungsforschung, Pädagogische Psychologie, Mediendidaktik, Bildungsinformatik, Statistik, Data Science, Informatik, Ethik und Datenschutz. Das Feld ist seit der ersten internationalen Konferenz zu Learning Analytics and Knowledge im Jahr 2011 deutlich gewachsen.^[1] Sein Nutzen entsteht jedoch nur dann, wenn Datenanalysen in einen pädagogischen Handlungskreislauf eingebettet sind und ihre Wirkungen kritisch überprüft werden.

Dieser aiMOOC richtet sich insbesondere an Studierende der Pädagogik, Erziehungswissenschaft, Lehramtsstudiengänge, Medienpädagogik und Bildungswissenschaft. Du lernst, Learning-Analytics-Projekte fachlich zu beurteilen, einfache Analysen zu planen, Dashboards kritisch zu lesen, pädagogische Interventionen zu entwerfen und ethische sowie rechtliche Risiken zu reflektieren.

Lernziele

Nach der Bearbeitung des Kurses kannst Du

Learning Analytics aus pädagogischer Perspektive definieren und von benachbarten Feldern abgrenzen.
Datenquellen, Analyseformen und typische Verfahren in digitalen Lernumgebungen erläutern.
Lernbezogene Konstrukte wie Selbstreguliertes Lernen, Motivation oder Kollaboration theoriegeleitet operationalisieren.
zwischen Beschreibung, Diagnose, Prognose und pädagogischer Empfehlung unterscheiden.
Dashboards als Werkzeuge für Rückmeldung, Reflexion und Entscheidung kritisch beurteilen.
Validität, Reliabilität, Datenqualität, Verzerrungen und Scheinkorrelationen erkennen.
einen Learning-Analytics-Kreislauf von der Fragestellung bis zur Evaluation einer Intervention planen.
Anforderungen aus Datenschutz-Grundverordnung, Datenethik, Fairness, Transparenz und menschlicher Aufsicht berücksichtigen.
die Perspektiven von Lernenden, Lehrenden, Beratung, Leitung, IT und Datenschutz in einem partizipativen Designprozess zusammenführen.
Chancen und Grenzen dateninformierter Pädagogik begründet abwägen.

Grundlagen von Learning Analytics

Begriff und pädagogischer Kern

Learning Analytics umfasst vier eng verbundene Tätigkeiten:

Sammlung: Lernbezogene Daten werden aus zuvor begründeten Quellen erfasst.
Analyse: Daten werden aufbereitet und mit geeigneten qualitativen oder quantitativen Verfahren untersucht.
Interpretation: Ergebnisse werden im Licht von Lernzielen, Theorien, Kontext und möglichen Alternativerklärungen gedeutet.
Kommunikation und Handlung: Erkenntnisse werden verständlich zurückgemeldet und können zu Unterstützung, Reflexion oder Veränderung der Lernumgebung führen.

Die Reihenfolge ist kein linearer Automatismus. Eine Analyse kann zeigen, dass die ursprüngliche Fragestellung zu unscharf war oder dass ein Indikator das angenommene Konstrukt nicht angemessen erfasst. Dann muss der Prozess zurückspringen. Learning Analytics ist daher als reflexiver Gestaltungs- und Forschungskreislauf zu verstehen.

Die pädagogische Leitfrage lautet nicht: Was lässt sich technisch messen? Sie lautet: Welche Informationen helfen Lernenden und Lehrenden, einen begründeten nächsten Schritt zu wählen? Diese Orientierung schützt vor einer datengetriebenen Verkürzung von Bildung. Bildung umfasst neben beobachtbaren Leistungen auch Urteilsfähigkeit, Selbstbestimmung, soziale Verantwortung, Kreativität und biografische Entwicklung. Solche Ziele lassen sich häufig nur unvollständig durch digitale Spuren erfassen.

Abgrenzung zu verwandten Feldern

Feld	Schwerpunkt	Typische Adressatinnen und Adressaten	Pädagogische Leitfrage
Learning Analytics	Daten über Lernende und Lernprozesse werden interpretiert und für Lernen und Lehren nutzbar gemacht.	Lernende, Lehrende, Beratung, Studiengangsentwicklung	Wie kann Lernen verstanden und unterstützt werden?
Educational Data Mining	Entwicklung und Anwendung datenanalytischer Verfahren auf Bildungsdaten	Forschung, Data Science, Systementwicklung	Welche Muster und Modelle lassen sich aus Bildungsdaten gewinnen?
Academic Analytics	Institutionelle Kennzahlen, Ressourcen, Studienverläufe und strategische Steuerung	Hochschulleitung, Verwaltung, Qualitätsmanagement	Wie können Organisation und Angebote dateninformiert gesteuert werden?
Teaching Analytics	Analyse von Lehrplanung, Lehrhandlungen, Materialien und Lehr-Lern-Arrangements	Lehrende, Hochschuldidaktik, Fortbildung	Wie kann Lehre reflektiert und verbessert werden?
Assessment Analytics	Analyse von Prüfungs- und Testdaten	Lehrende, Prüfungswesen, Diagnostik	Was zeigen Aufgaben und Ergebnisse über Kompetenzen und Messqualität?

Die Felder überschneiden sich. Learning Analytics betont im Vergleich zu Educational Data Mining stärker die Deutung durch beteiligte Menschen, den Lernkontext und die Übersetzung von Ergebnissen in pädagogische Handlungen. Die Unterscheidung ist dennoch keine starre Grenzziehung.

Ebenen der Analyse

Learning Analytics kann auf mehreren Ebenen stattfinden:

Mikroebene: einzelne Lernende oder Kleingruppen, zum Beispiel Rückmeldungen zu Lernstrategien.
Mesoebene: Kurse, Klassen, Module oder Studiengänge, zum Beispiel die Überarbeitung einer Aufgabenfolge.
Makroebene: Bildungseinrichtungen oder Bildungssysteme, zum Beispiel die Analyse von Übergängen und Unterstützungsangeboten.

Ein identischer Datenpunkt kann je nach Ebene eine andere Bedeutung erhalten. Eine niedrige Aktivität einer einzelnen Person kann ein Beratungsanlass sein. Eine niedrige Aktivität fast aller Teilnehmenden kann dagegen auf unklare Aufgaben, technische Barrieren oder eine ungünstige Kursstruktur hindeuten. Pädagogisch verantwortliches Handeln verlangt deshalb, individuelle Erklärungen nicht vorschnell aus aggregierten Mustern abzuleiten.

Pädagogische und lerntheoretische Fundierung

Warum Theorie vor Daten kommt

Daten sind keine neutralen Abbilder des Lernens. Sie entstehen durch Entscheidungen darüber, welche Aktivitäten eine Lernumgebung ermöglicht, welche Ereignisse protokolliert werden, wie Variablen gebildet und welche Gruppen verglichen werden. Die Theorie bestimmt, welche Beobachtungen als relevant gelten und wie sie interpretiert werden. Das Handbook of Learning Analytics betont deshalb die Bedeutung theoretischer Annahmen und der Frage, für wen eine Analyse gestaltet wird.^[2]

Eine pädagogisch fundierte Analyse beginnt mit einem Lernziel oder einem Problem, nicht mit einem vorhandenen Datensatz. Beispiele sind:

Studierende sollen ihren Arbeitsprozess realistischer planen.
Lehrende möchten erkennen, bei welchen Konzepten viele Fehlvorstellungen auftreten.
Eine Lerngruppe soll ihre Zusammenarbeit ausgewogener gestalten.
Ein Studiengang möchte prüfen, ob Unterstützungsangebote unterschiedliche Gruppen fair erreichen.

Erst danach wird entschieden, welche Daten, Methoden und Rückmeldungen geeignet sind.

Geeignete theoretische Bezugspunkte

Theorie oder Konzept	Mögliche Learning-Analytics-Frage	Geeignete Hinweise	Grenze der Messung
Selbstreguliertes Lernen	Planen Lernende, überwachen sie ihren Fortschritt und passen sie Strategien an?	Lernjournale, Zielsetzungen, Bearbeitungsfolgen, Reflexionen, Selbstauskünfte	Klickfolgen zeigen nicht sicher, welche metakognitiven Prozesse stattgefunden haben.
Formatives Assessment	Welche Rückmeldung unterstützt den nächsten Lernschritt?	Aufgabenlösungen, Fehlermuster, Kompetenzraster, Feedbacknutzung	Häufige Messung ist nicht automatisch hilfreiche Rückmeldung.
Konstruktivismus	Wie entwickeln Lernende Bedeutungen und verknüpfen Konzepte?	Erklärtexte, Concept Maps, Diskussionen, Überarbeitungen	Standardisierte Indikatoren können individuelle Bedeutungsbildung verkürzen.
Sozialkonstruktivismus	Wie entsteht Wissen in Interaktion und Kooperation?	Diskussionsbeiträge, Bezugnahmen, Rollen, Netzwerkstrukturen	Sichtbare Kommunikation bildet stille Beteiligung und Machtverhältnisse nur teilweise ab.
Kognitive Belastung	Wo überfordert die Lernumgebung durch Komplexität oder unnötige Anforderungen?	Fehler, Abbrüche, Zeitmuster, subjektive Einschätzungen	Lange Bearbeitungszeit kann auch vertiefte Auseinandersetzung bedeuten.
Motivation	Welche Bedingungen fördern Ausdauer, Interesse und Selbstwirksamkeit?	Befragungen, Wahlverhalten, freiwillige Vertiefungen, Persistenz	Aktivität ist kein eindeutiger Ersatzindikator für Motivation.
Mastery Learning	Welche Teilkompetenzen sind bereits sicher und wo ist gezielte Übung nötig?	wiederholte Aufgaben, Lernzielmodelle, Fehlertypen, Kompetenzverläufe	Ein Modell kann komplexe Kompetenzen in zu kleine Einheiten zerlegen.
Communities of Practice	Wie entwickeln sich Teilhabe, Rollen und gemeinsame Praxis?	Interaktionsnetzwerke, Artefakte, qualitative Beobachtungen	Quantität von Kontakten sagt wenig über Qualität oder Zugehörigkeit aus.

Theorie verhindert nicht jede Fehlinterpretation, sie macht Annahmen jedoch sichtbar und prüfbar. Ein gutes Learning-Analytics-System dokumentiert deshalb, welches Lernmodell, welche Konstrukte und welche erwartete Wirkung einer Kennzahl zugrunde liegen.

Operationalisierung pädagogischer Konstrukte

Operationalisierung bedeutet, ein theoretisches Konstrukt in beobachtbare Merkmale zu übersetzen. Dieser Schritt ist besonders fehleranfällig. Ein Beispiel:

Ebene	Beispiel
Konstrukt	Engagement im Studium
Teilaspekte	verhaltensbezogene, emotionale, kognitive und soziale Beteiligung
mögliche Indikatoren	Teilnahme an Aktivitäten, Qualität von Beiträgen, Selbstauskunft, Nutzung von Feedback
mögliche Störfaktoren	Barrierefreiheit, Erwerbsarbeit, Vorwissen, technische Probleme, alternative Lernwege
notwendige Prüfung	Stimmen mehrere Indikatoren überein? Erklären Gespräche oder Beobachtungen das Muster?

Die Gleichsetzung wenige Klicks = geringes Engagement wäre eine unzulässige Verkürzung. Eine Person kann Materialien herunterladen und offline arbeiten. Eine andere kann viele Seiten öffnen, ohne sie zu verstehen. Methodisch sinnvoll ist daher eine Triangulation aus mehreren Datenarten und Perspektiven.

Datenquellen und Datenarten

Typische Datenquellen

Learning-Analytics-Projekte können Daten aus folgenden Quellen nutzen:

Learning Management System: Seitenaufrufe, Aufgabenabgaben, Forenaktivität, Zeitstempel und Navigationsfolgen.
E-Assessment: Antworten, Fehlermuster, Lösungswege, Bearbeitungszeiten und Hinweise.
Lernportfolio: Artefakte, Überarbeitungen, Reflexionen und Kompetenznachweise.
Videoplattform: Aufrufe, Pausen, Sprünge und Wiederholungen.
Kollaborationswerkzeuge: Beiträge, Bezugnahmen, Rollen, Versionen und gemeinsame Produkte.
Befragung: Motivation, Belastung, Zugehörigkeit, Strategien und wahrgenommene Unterstützung.
Studierendenverwaltung: Belegung, Studienverlauf und Prüfungsdaten, sofern Zweck und Rechtsgrundlage geklärt sind.
Beobachtung und Interview: qualitative Kontextinformationen, die digitale Spuren erklären können.
Sensor- oder multimodale Daten: Blickbewegung, Sprache, Gestik oder physiologische Signale in Forschungsszenarien; hier gelten besonders hohe Anforderungen an Verhältnismäßigkeit und Einwilligung.

Die technische Verfügbarkeit rechtfertigt keine Erhebung. Vor jeder Datennutzung muss feststehen, welchem pädagogischen Zweck sie dient, ob weniger eingriffsintensive Daten ausreichen und wie lange sie benötigt werden.

Strukturierte und unstrukturierte Daten

Strukturierte Daten liegen in festen Feldern vor, etwa Punktzahlen, Zeitstempel oder Kurszugehörigkeiten. Sie sind vergleichsweise leicht statistisch auszuwerten. Unstrukturierte Daten sind beispielsweise Freitexte, Audioaufnahmen oder offene Reflexionen. Sie können reichhaltigere Informationen enthalten, benötigen aber aufwendige Interpretations- und Schutzmaßnahmen.

Zusätzlich ist zwischen Produktdaten und Prozessdaten zu unterscheiden. Produktdaten beschreiben ein Ergebnis, etwa eine Hausarbeit oder einen Testwert. Prozessdaten erfassen den Weg dorthin, etwa Überarbeitungen, Abfolgen und Feedbackschleifen. Pädagogisch interessant ist oft die Verbindung beider Formen: Ein gutes Ergebnis kann durch unterschiedliche Strategien entstanden sein, und ein schwaches Zwischenergebnis kann Teil eines erfolgreichen Lernprozesses sein.

Standards und Interoperabilität

Für die Verbindung verschiedener Lernsysteme werden Standards und Schnittstellen eingesetzt. Beispiele sind Experience API, Learning Record Store, Learning Tools Interoperability und Metadatenmodelle für Lernobjekte. Standards erleichtern Datenaustausch, lösen aber keine pädagogischen oder ethischen Probleme. Auch standardisierte Daten benötigen Zweckbindung, Qualitätsprüfung, Rollen- und Zugriffskonzepte.

Analyseformen und Methoden

Vier grundlegende Analyseformen

Analyseform	Leitfrage	Beispiel	Pädagogische Vorsicht
Deskriptiv	Was ist geschehen?	Ein Dashboard zeigt die Verteilung von Aufgabenbearbeitungen.	Beschreibung erklärt noch keine Ursache.
Diagnostisch	Welche Faktoren könnten ein Muster erklären?	Fehlertypen werden mit Aufgabenmerkmalen und Interviews verbunden.	Diagnose verlangt Alternativerklärungen und Kontext.
Prädiktiv	Was könnte künftig eintreten?	Ein Modell schätzt ein erhöhtes Risiko für einen Kursabbruch.	Prognosen sind Wahrscheinlichkeiten und dürfen Menschen nicht festlegen.
Präskriptiv	Welche Handlung könnte hilfreich sein?	Das System schlägt eine Lernberatung oder ein Übungsangebot vor.	Empfehlung muss pädagogisch geprüft, erklärbar und anfechtbar sein.

Prädiktion wird häufig überschätzt. Ein Modell kann unter bestimmten Bedingungen statistisch treffsicher sein und dennoch pädagogisch ungeeignet bleiben. Entscheidend ist, welche Fehler entstehen. Ein falsch positives Warnsignal kann stigmatisieren; ein falsch negatives Signal kann Unterstützungsbedarf übersehen. Deshalb müssen Sensitivität, Spezifität, Fairness, Nutzen und mögliche Schäden gemeinsam betrachtet werden.

Häufige Methoden

Deskriptive Statistik: Häufigkeiten, Mittelwerte, Streuungen und Verteilungen.
Datenvisualisierung: verständliche Darstellung von Mustern, Unsicherheit und Vergleichswerten.
Korrelation und Regression: Untersuchung statistischer Zusammenhänge.
Klassifikation: Zuordnung zu vorgegebenen Kategorien, etwa Unterstützungsbedarf.
Clusteranalyse: explorative Bildung ähnlicher Gruppen ohne vorgegebene Klassen.
Sequenzanalyse und Process Mining: Untersuchung zeitlicher Abfolgen von Lernhandlungen.
Soziale Netzwerkanalyse: Analyse von Beziehungen, Austausch und Positionen in Gruppen.
Text Mining und Diskursanalyse: Untersuchung von Begriffen, Argumentationen und Bezugnahmen.
Qualitative Inhaltsanalyse: theoriegeleitete Interpretation von Aussagen, Artefakten oder Interviews.
Experiment und Quasi-Experiment: Prüfung, ob eine Intervention unter kontrollierten Bedingungen Wirkungen erzeugt.

Methodenwahl und pädagogische Frage müssen zusammenpassen. Eine Clusteranalyse kann interessante Aktivitätsmuster entdecken, sagt aber nicht automatisch, ob ein Muster lernwirksam, erwünscht oder fair ist. Für Wirkungsbehauptungen reichen reine Zusammenhänge meist nicht aus.

Korrelation, Prognose und Kausalität

Eine Korrelation zeigt, dass zwei Merkmale gemeinsam variieren. Sie beweist nicht, dass eines das andere verursacht. Wenn häufige Plattformnutzung mit guten Noten zusammenhängt, sind mehrere Erklärungen möglich: Die Nutzung kann helfen, leistungsstärkere Studierende nutzen die Plattform vielleicht anders, oder beide Merkmale hängen mit Vorwissen und verfügbarer Lernzeit zusammen.

Eine Prognose kann ohne kausales Verständnis funktionieren, aber eine pädagogische Intervention benötigt möglichst plausible Wirkannahmen. Wer Lernende aufgrund eines Risikowerts häufiger kontaktiert, verändert den Prozess. Daher sollte untersucht werden, ob die Kontaktaufnahme tatsächlich unterstützt, ob sie als kontrollierend erlebt wird und ob alle Gruppen gleichermaßen profitieren.

Der Learning-Analytics-Kreislauf

Vom Bildungsproblem zur überprüften Intervention

Ein verantwortlicher Learning-Analytics-Prozess kann in zehn Schritten gestaltet werden:

Pädagogische Frage klären: Formuliere ein konkretes Lern- oder Lehrproblem.
Beteiligte einbeziehen: Kläre Bedürfnisse, Rechte, Erwartungen und mögliche Belastungen.
Theorie und Wirkmodell festlegen: Beschreibe, warum bestimmte Daten und Handlungen relevant sein könnten.
Zweck und Governance bestimmen: Lege Rechtsgrundlage, Rollen, Zugriffe, Speicherfristen und Schutzmaßnahmen fest.
Konstrukte operationalisieren: Wähle Indikatoren, die das Ziel möglichst angemessen abbilden.
Daten erheben und prüfen: Untersuche Vollständigkeit, Fehler, Repräsentativität und Vergleichbarkeit.
Analysieren und Unsicherheit ausweisen: Nutze passende Methoden und dokumentiere Modellgrenzen.
Ergebnisse gemeinsam interpretieren: Verbinde Daten mit Kontextwissen und Sichtweisen der Lernenden.
Pädagogisch handeln: Gestalte freiwillige, respektvolle und überprüfbare Unterstützungsangebote.
Wirkung evaluieren und revidieren: Prüfe Nutzen, Nebenwirkungen, Fairness und Lernwirksamkeit.

Eine Analyse ohne anschließende sinnvolle Handlung bleibt folgenlos. Eine Handlung ohne Evaluation kann unerwünschte Wirkungen stabilisieren. Der Kreislauf verlangt daher kontinuierliche Qualitätsentwicklung statt einmaliger Datenauswertung.

Beispiel: Unterstützungsangebot in einem Einführungsseminar

Eine Hochschule beobachtet, dass viele Studierende in einem pädagogischen Einführungsseminar die erste wissenschaftliche Schreibaufgabe verspätet oder unvollständig abgeben. Ein verantwortliches Projekt könnte so aussehen:

Frage: Welche früh erkennbaren Schwierigkeiten lassen sich durch ein freiwilliges Schreibangebot bearbeiten?
Theorie: Schreibkompetenz entwickelt sich durch Planung, Übung, Rückmeldung und Überarbeitung.
Daten: freiwillige Selbsteinschätzung, Bearbeitung eines kurzen Diagnoseauftrags, Abgabezeitpunkt und Nutzung von Feedback.
Interpretation: Lehrende betrachten nicht nur Fristen, sondern auch Aufgabenverständnis, Sprachhintergrund und verfügbare Zeit.
Intervention: Alle Studierenden erhalten Zugang zu Schreibwerkstatt, Musterbeispielen und Peer-Feedback; bei erkennbaren Schwierigkeiten wird zusätzlich ein vertrauliches Gespräch angeboten.
Evaluation: Untersucht werden Qualität der Überarbeitung, wahrgenommene Unterstützung, Teilnahmegerechtigkeit und mögliche Stigmatisierung.

Ein problematisches Vorgehen wäre, aus wenigen Logdaten automatisch eine feste Kategorie Risikostudentin oder Risikostudent zu bilden und diese Einstufung ohne Erklärung an Dritte weiterzugeben.

Dashboards und Feedback

Funktion von Learning-Analytics-Dashboards

Ein Learning Analytics Dashboard stellt ausgewählte Daten visuell dar. Es kann Lernenden helfen, Ziele, Fortschritt und Strategien zu reflektieren. Lehrende können Muster in Aufgabenlösungen oder Beteiligung erkennen. Ein Dashboard ist aber keine pädagogische Entscheidung und kein vollständiges Bild einer Person.

Forschung zu lernenden- und lehrendenbezogenen Systemen zeigt, dass erfolgreiche Nutzung nicht allein vom technischen Design abhängt. Menschen müssen Informationen verstehen, lokal deuten und in angemessene Handlungen übersetzen. Learning Analytics ist daher Teil eines soziotechnischen Systems.^[3]

Gestaltungsprinzipien

Ein lernförderliches Dashboard sollte

ein klar benanntes pädagogisches Ziel verfolgen.
nur relevante und verständliche Kennzahlen zeigen.
Vergleichswerte vorsichtig verwenden und sozialen Druck vermeiden.
Unsicherheit, Datenlücken und Aktualität sichtbar machen.
Erklärungen zu Datenquellen und Berechnungen anbieten.
konkrete, aber nicht bevormundende nächste Schritte ermöglichen.
Reflexion und Dialog statt bloßer Kontrolle fördern.
barrierearm, sprachlich zugänglich und responsiv gestaltet sein.
Lernenden Einblick, Korrektur- und Einflussmöglichkeiten geben.
auf Wirksamkeit und Nebenwirkungen evaluiert werden.

Aktuelle Studien unterstreichen, dass Datenkompetenz, pädagogisches Wissen und unterstützende Kontextbedingungen für die sinnvolle Nutzung von Lehrenden-Dashboards wichtig sind.^[4]

Feedback als pädagogische Intervention

Dashboarddaten werden erst dann lernwirksam, wenn sie in eine sinnvolle Rückmeldung eingebettet sind. Hilfreiches Feedback beantwortet möglichst drei Fragen:

Wohin gehe ich? Lernziele und Qualitätskriterien sind verständlich.
Wo stehe ich? Die Rückmeldung beschreibt den aktuellen Stand mit nachvollziehbaren Belegen.
Was ist der nächste Schritt? Es werden bearbeitbare Strategien und Unterstützungsmöglichkeiten angeboten.

Eine Interventionsstudie in der Sekundarstufe fand Hinweise darauf, dass ein Lehrenden-Dashboard mit integriertem Feedbacksystem Lehrkräfte bei prozessbezogenen Rückmeldungen unterstützen und mit höheren Wissenszuwächsen verbunden sein kann. Die Autorinnen und Autoren betonen zugleich, dass die Evidenz zu Wirkungen von Dashboards insgesamt noch ausgebaut werden muss.^[5]

Vergleich, Gamification und Selbstbild

Ranglisten, Ampelfarben und Aktivitätswerte können motivieren, aber auch beschämen, Konkurrenz verstärken oder komplexe Lernprozesse auf eine Zahl reduzieren. Besonders kritisch ist ein Vergleich mit dem Kursdurchschnitt, wenn Lernziele, Ausgangslagen und Lernwege unterschiedlich sind.

Eine pädagogisch bessere Alternative kann der Vergleich mit eigenen Zielen und früheren Leistungen sein. Kriterienorientierte Rückmeldung fragt, welche Kompetenz bereits erreicht ist und welcher nächste Schritt sinnvoll wäre. Lernende sollten zudem mitentscheiden können, welche Indikatoren sie für ihre Reflexion sehen möchten.

Datenqualität und wissenschaftliche Güte

Validität, Reliabilität und Objektivität

Validität fragt, ob ein Indikator tatsächlich das beabsichtigte Konstrukt erfasst. Reliabilität bezeichnet die Zuverlässigkeit einer Messung. Objektivität meint, inwieweit Ergebnisse unabhängig von einzelnen durchführenden oder auswertenden Personen zustande kommen. Für Learning Analytics reichen diese klassischen Gütekriterien allein nicht aus, sie bleiben aber grundlegend.

Beispiele für Validitätsprobleme:

Bearbeitungszeit wird als Anstrengung interpretiert, obwohl technische Unterbrechungen enthalten sind.
Zahl der Forenbeiträge wird als Kollaboration gedeutet, obwohl die Beiträge ohne Bezug aufeinander bleiben.
Kurszugriffe werden als Anwesenheit verstanden, obwohl Materialien offline genutzt werden.
ein Prognosemodell wird in einem neuen Studiengang eingesetzt, ohne seine Gültigkeit dort zu prüfen.

Datenqualität

Daten können unvollständig, fehlerhaft, veraltet oder systematisch verzerrt sein. Ursachen sind technische Ausfälle, unterschiedliche Endgeräte, uneinheitliche Nutzung, freiwillige Nichtteilnahme oder institutionelle Veränderungen. Fehlende Daten sind nicht immer zufällig. Personen mit eingeschränktem Internetzugang können beispielsweise weniger digitale Spuren erzeugen, obwohl sie intensiv lernen.

Vor einer Analyse sind deshalb mindestens folgende Fragen zu klären:

Welche Ereignisse werden tatsächlich protokolliert?
Welche Aktivitäten bleiben unsichtbar?
Welche Gruppen sind über- oder unterrepräsentiert?
Wurden Variablen oder Plattformfunktionen verändert?
Sind Zeitstempel, Kurszuordnungen und IDs korrekt?
Welche Daten wurden imputiert, ausgeschlossen oder zusammengefasst?
Können Betroffene Fehler erkennen und korrigieren?

Proxy-Problem und Goodharts Gesetz

Ein Proxy ist ein beobachtbarer Ersatzindikator für ein schwer messbares Merkmal. Learning Analytics arbeitet häufig mit Proxys, etwa Klicks für Engagement oder Abgabepünktlichkeit für Selbstregulation. Proxys können nützlich sein, dürfen aber nicht mit dem Konstrukt verwechselt werden.

Goodharts Gesetz beschreibt vereinfacht ein Risiko: Wird eine Kennzahl zum Ziel, verliert sie häufig ihre Aussagekraft. Wenn Studierende wissen, dass viele Klicks positiv bewertet werden, können sie Klicks erhöhen, ohne dass Lernen verbessert wird. Pädagogische Systeme sollten daher keine leicht manipulierbaren Aktivitätszahlen belohnen und qualitative Bildungsziele nicht durch einzelne Kennwerte ersetzen.

Unsicherheit und Fehlerarten

Ein Prognosemodell produziert keine Gewissheiten. Neben der allgemeinen Modellunsicherheit sind zwei Fehlerarten bedeutsam:

Falsch positiv: Eine Person wird als gefährdet markiert, obwohl kein entsprechender Unterstützungsbedarf besteht.
Falsch negativ: Ein tatsächlicher Unterstützungsbedarf wird nicht erkannt.

Welche Balance vertretbar ist, hängt von der Folgehandlung ab. Ein niedrigschwelliges freiwilliges Angebot ist weniger riskant als eine automatische Einschränkung oder Meldung. Je stärker ein Eingriff, desto höher müssen Evidenz, Transparenz, menschliche Prüfung und Rechtsschutz sein.

Ethik, Datenschutz und Macht

Datenschutz als pädagogische Qualitätsbedingung

Learning Analytics verarbeitet häufig personenbezogene oder personenbeziehbare Bildungsdaten. In der Europäischen Union gelten unter anderem die Grundsätze der Datenschutz-Grundverordnung: Rechtmäßigkeit, Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität, Vertraulichkeit und Rechenschaftspflicht. Die DSGVO fordert, dass Daten für festgelegte legitime Zwecke erhoben und auf das notwendige Maß begrenzt werden.^[6]

Datenschutz ist nicht bloß eine juristische Hürde. Vertrauen, Freiwilligkeit und das Gefühl, nicht permanent überwacht zu werden, beeinflussen Lernverhalten und Beteiligung. Ein System kann technisch leistungsfähig und zugleich pädagogisch schädlich sein, wenn es Unsicherheit, Anpassungsdruck oder Selbstzensur erzeugt.

Zentrale ethische Prinzipien

Pädagogischer Zweck: Jede Verarbeitung benötigt ein klares, legitimes und lernbezogenes Ziel.
Verhältnismäßigkeit: Der erwartete Nutzen muss Eingriffe und Risiken rechtfertigen.
Datenminimierung: Es werden nur Daten genutzt, die für den Zweck erforderlich sind.
Transparenz: Lernende verstehen, welche Daten erhoben werden, wie Analysen funktionieren und welche Folgen möglich sind.
Partizipation: Betroffene werden an Zielsetzung, Gestaltung und Evaluation beteiligt.
Fairness: Wirkungen auf unterschiedliche Gruppen werden geprüft; Benachteiligungen werden nicht als individuelle Defizite naturalisiert.
Menschliche Aufsicht: Bedeutsame pädagogische Entscheidungen werden nicht unkritisch automatisiert.
Erklärbarkeit: Ergebnisse und Empfehlungen müssen in angemessener Form nachvollziehbar sein.
Anfechtbarkeit: Betroffene können Daten berichtigen, Interpretationen widersprechen und Entscheidungen überprüfen lassen.
Fürsorge und Schadensvermeidung: Stigmatisierung, Überwachung, Ausschluss und unnötiger Druck werden vermieden.
Sicherheit: Zugriff, Übertragung, Speicherung und Löschung werden technisch und organisatorisch geschützt.
Evaluation: Nutzen und Nebenwirkungen werden fortlaufend überprüft.

Der Jisc-Verhaltenskodex hebt besonders institutionelle Verantwortung, klare Richtlinien und Transparenz über Zwecke, Daten, Prozesse und Nutzung hervor.^[7]

Einwilligung und Freiwilligkeit

Eine Einwilligung ist nur dann ethisch überzeugend, wenn sie informiert, verständlich, spezifisch und ohne unangemessenen Nachteil verweigert werden kann. In abhängigen Bildungssituationen ist echte Freiwilligkeit schwierig. Deshalb darf ein Projekt nicht automatisch davon ausgehen, dass eine angeklickte Zustimmung alle Macht- und Informationsasymmetrien löst.

Unabhängig von der jeweiligen Rechtsgrundlage sollten Lernende eine verständliche Information erhalten:

welche Daten verwendet werden.
zu welchem konkreten Zweck dies geschieht.
wer Zugriff hat.
wie lange Daten gespeichert werden.
ob ein Modell Prognosen oder Empfehlungen erzeugt.
welche Folgen möglich sind.
wie Auskunft, Korrektur, Widerspruch oder Beschwerde funktionieren.
welche Alternative bei Nichtteilnahme besteht.

Fairness und Diskriminierung

Modelle lernen aus historischen Daten. Wenn diese Daten bestehende Ungleichheiten enthalten, können Analysen sie reproduzieren. Ein Modell kann beispielsweise geringere Plattformaktivität als Risiko werten, obwohl sie mit Erwerbsarbeit, Betreuungspflichten, Behinderung, Sprache oder schlechter technischer Ausstattung zusammenhängt. Fairness bedeutet nicht nur gleiche Modellgüte, sondern auch die Frage, ob Ziel, Datenbasis und Intervention gerecht gestaltet sind.

Eine faire Prüfung umfasst:

Vergleich der Fehlerraten zwischen relevanten Gruppen.
Untersuchung von Datenlücken und unterschiedlichen Nutzungsmöglichkeiten.
qualitative Rücksprache mit Betroffenen.
Prüfung, ob ein Merkmal indirekt sensible Eigenschaften abbildet.
Analyse, wer von einer Intervention profitiert und wer zusätzliche Belastung trägt.
Möglichkeit, das System bei unvertretbaren Wirkungen auszusetzen.

Macht, Überwachung und pädagogische Beziehung

Learning Analytics verändert, wer über wen Wissen erzeugt. Lehrende oder Institutionen können Lernende detailliert beobachten, während Lernende häufig wenig Einblick in Modelle und Entscheidungswege haben. Diese Asymmetrie kann pädagogische Beziehungen belasten.

Kritische Fragen lauten:

Unterstützt das System Selbstbestimmung oder vor allem Kontrolle?
Werden Lernende als handelnde Subjekte oder als Risikoprofile behandelt?
Können alternative Lernwege sichtbar und anerkannt werden?
Werden strukturelle Probleme individualisiert?
Dürfen Lehrende professionell begründet von einer Empfehlung abweichen?
Können Lernende die Bedeutung ihrer Daten mitbestimmen?

Partizipatives und menschenzentriertes Design

Stakeholder und Rollen

An einem Learning-Analytics-Projekt sind häufig beteiligt:

Lernende als betroffene Personen, Datengebende und Mitgestaltende.
Lehrende als pädagogisch Verantwortliche und Interpretierende.
Beratung und Unterstützungseinrichtungen.
Studiengangs- oder Schulleitung.
IT, Informationssicherheit und Systemadministration.
Datenschutzbeauftragte und gegebenenfalls Personalvertretungen.
Forschende, Datenanalystinnen und Datenanalysten.
Entwicklerinnen, Entwickler und externe Anbieter.
Qualitätsmanagement und Prüfungsgremien.

Jede Gruppe verfügt über anderes Wissen. Lernende kennen Nutzungserfahrungen und mögliche Belastungen. Lehrende verstehen den didaktischen Kontext. IT kennt technische Grenzen. Datenschutz und Ethik prüfen Rechte und Risiken. Ein Projekt scheitert leicht, wenn eine Perspektive dominiert.

Co-Design-Prozess

Ein Co-Design kann in mehreren Schritten erfolgen:

Nutzungssituationen und Probleme gemeinsam beschreiben.
Ziele, Nichtziele und rote Linien festlegen.
mögliche Daten und Indikatoren auf Karten sichtbar machen.
Prototypen mit fiktiven Daten entwickeln.
Verständlichkeit, Barrierefreiheit und emotionale Wirkung testen.
Fehlinterpretationen und Missbrauchsszenarien simulieren.
Rollen, Zugriffe und Interventionswege vereinbaren.
Pilotieren, evaluieren und gegebenenfalls stoppen oder neu gestalten.

Menschenzentriertes Design bedeutet nicht nur eine angenehmere Oberfläche. Es verteilt Deutungsmacht, macht Annahmen verhandelbar und stärkt die Handlungsfähigkeit der Lernenden.

Pädagogische Interventionen

Von der Information zur Handlung

Eine Learning-Analytics-Intervention ist eine geplante pädagogische Handlung, die durch Daten informiert wird. Mögliche Formen sind:

Reflexionsimpulse für Lernende.
individuelles oder gruppenbezogenes Feedback.
freiwillige Lernberatung.
zusätzliche Übungs- oder Vertiefungsangebote.
Anpassung von Aufgaben, Materialien oder Zeitplanung.
Bildung unterstützender Lerngruppen.
Überarbeitung unklarer Lernziele oder Prüfungsanforderungen.
strukturelle Verbesserung eines Kurses.

Eine Intervention sollte möglichst unterstützend, dialogisch, reversibel und evaluierbar sein. Warnmeldungen ohne konkrete Hilfe können Angst erzeugen. Automatische Standardtexte wirken schnell unpersönlich. Der Kontakt sollte deshalb den Menschen nicht auf einen Datenwert reduzieren und Raum für eine andere Erklärung lassen.

Interventionslogik

Element	Leitfrage	Beispiel
Ausgangslage	Welches pädagogische Problem besteht?	Viele Lernende brechen eine komplexe Übung früh ab.
Mechanismus	Warum sollte eine Maßnahme wirken?	Ein kurzer Hinweis kann Fehlverständnisse klären und Selbstwirksamkeit stärken.
Intervention	Was wird konkret angeboten?	Wahlweise Beispiel, Tippkarte oder Rückfrage an eine Tutorin.
Ergebnis	Woran zeigt sich kurzfristige Veränderung?	mehr begründete Lösungsversuche und gezielte Rückfragen.
Wirkung	Welches Lernziel soll längerfristig erreicht werden?	besseres konzeptuelles Verständnis und eigenständige Strategieauswahl.
Nebenwirkung	Was könnte unbeabsichtigt geschehen?	Lernende warten auf Hinweise und reduzieren eigene Exploration.

Eine gute Evaluation prüft die gesamte Wirkungskette. Hohe Öffnungsraten einer Nachricht belegen noch keinen Lerngewinn.

Implementierung in Bildungseinrichtungen

Voraussetzungen

Für eine verantwortliche Einführung braucht eine Bildungseinrichtung mehr als Software:

ein pädagogisches Zielbild.
klare Verantwortlichkeiten und Entscheidungswege.
Datenschutz- und Sicherheitskonzept.
dokumentierte Datenflüsse und Löschfristen.
Qualifizierung in Data Literacy und Feedback.
Ressourcen für Beratung und Intervention.
Beteiligung der Lernenden.
technische Interoperabilität und Barrierefreiheit.
Pilotierung mit begrenztem Umfang.
unabhängige Evaluation und Ausstiegsmöglichkeit.

Fehlen Unterstützungsressourcen, kann ein Frühwarnsystem Probleme lediglich markieren, ohne Hilfe zu ermöglichen. Das wäre pädagogisch unzureichend und kann Erwartungen enttäuschen.

Governance-Fragen

Eine Data Governance für Learning Analytics sollte festlegen:

Wer ist für den pädagogischen Zweck verantwortlich?
Wer darf Rohdaten, Kennzahlen und individuelle Profile sehen?
Welche Daten werden aus welchen Systemen zusammengeführt?
Wie werden Datenqualität und Modelländerungen dokumentiert?
Wann werden Daten aggregiert, pseudonymisiert oder gelöscht?
Wie werden externe Anbieter kontrolliert?
Wie werden Vorfälle und Beschwerden bearbeitet?
Wer darf ein Modell freigeben, aussetzen oder beenden?
Wie werden Lernende und Lehrende regelmäßig informiert?
Welche Kriterien entscheiden über Fortführung oder Abbruch?

Pilotierung und Skalierung

Ein Pilot sollte klein, zeitlich begrenzt und lernorientiert sein. Er benötigt vorab definierte Erfolgskriterien, Abbruchkriterien und eine Vergleichsbasis. Erst wenn Nutzen, Akzeptanz, Fairness und Sicherheit plausibel belegt sind, ist eine Ausweitung vertretbar.

Skalierung verändert den Kontext. Ein Dashboard, das in einem kleinen Seminar funktioniert, kann in einem Massenkurs andere Wirkungen entfalten. Modelle müssen daher bei neuen Zielgruppen, Curricula, Plattformen und Zeiträumen erneut geprüft werden.

Evaluation und Forschung

Was zählt als Erfolg?

Erfolg darf nicht auf technische Nutzung reduziert werden. Sinnvolle Kriterien umfassen:

Lernzuwachs und Qualität von Lernprodukten.
verbesserte Lernstrategien und Selbstregulation.
Qualität und Rechtzeitigkeit von Feedback.
wahrgenommene Autonomie, Unterstützung und Fairness.
Teilhabe unterschiedlicher Gruppen.
Reduktion vermeidbarer Barrieren.
Arbeitsbelastung von Lernenden und Lehrenden.
Datenschutz, Sicherheit und Vertrauen.
unbeabsichtigte Wirkungen wie Stress, Stigmatisierung oder strategische Anpassung.
Nachhaltigkeit und Kosten der Intervention.

Geeignete Forschungsdesigns

Nutzungsanalyse: Wie wird ein Werkzeug tatsächlich verwendet?
Usability-Studie: Verstehen Menschen Anzeigen, Begriffe und Handlungsmöglichkeiten?
Qualitative Studie: Wie erleben Lernende und Lehrende die Analyse?
Quasi-Experiment: Unterscheiden sich Lernergebnisse zwischen vergleichbaren Gruppen?
Randomisiertes Experiment: Wirkt eine konkrete Intervention unter kontrollierten Bedingungen?
Design-Based Research: Wie entwickelt sich eine Lösung in wiederholten Zyklen im realen Kontext?
Mixed Methods: Wie lassen sich Zahlen, Beobachtungen, Interviews und Artefakte verbinden?
Fairness-Audit: Wie verteilen sich Fehler, Nutzen und Belastungen auf Gruppen?
Datenschutz-Folgenabschätzung: Welche Risiken entstehen und wie werden sie reduziert?

Kein Design beantwortet alle Fragen. Quantitative Effekte können zeigen, ob sich etwas verändert, qualitative Daten helfen zu verstehen, wie und warum dies geschieht.

Reproduzierbarkeit und Dokumentation

Wissenschaftlich nachvollziehbare Learning Analytics benötigt eine Dokumentation von

Fragestellung und Theorie.
Datenquellen und Erhebungszeitraum.
Ein- und Ausschlusskriterien.
Datenbereinigung und fehlenden Werten.
Indikatoren und Berechnungsregeln.
Modellwahl und Hyperparametern.
Gütekriterien und Unsicherheit.
Fairnessprüfungen.
Intervention und Umsetzungstreue.
Änderungen während des Projekts.
Grenzen der Übertragbarkeit.

Kompetenzen für Studierende der Pädagogik

Data Literacy als pädagogische Kompetenz

Data Literacy bedeutet mehr als Diagramme lesen zu können. Für Pädagoginnen und Pädagogen umfasst sie

Daten im Entstehungskontext verstehen.
geeignete Fragen formulieren.
Indikatoren und Operationalisierungen prüfen.
statistische Unsicherheit erkennen.
Korrelation und Kausalität unterscheiden.
Visualisierungen kritisch lesen.
ethische und rechtliche Folgen beurteilen.
Ergebnisse verständlich kommunizieren.
mit Daten handeln, ohne professionelles Urteil abzugeben.
Betroffene an Deutung und Entscheidung beteiligen.

Professionelles Urteil

Learning Analytics soll pädagogisches Urteil ergänzen, nicht ersetzen. Professionelles Urteil verbindet Fachwissen, Diagnostik, Beziehungserfahrung, institutionelle Bedingungen und die Perspektive der Lernenden. Daten können blinde Flecken sichtbar machen, aber auch neue blinde Flecken erzeugen.

Ein reflektierter Umgang folgt dem Grundsatz: Keine bedeutsame Entscheidung nur aufgrund eines einzelnen Indikators oder eines undurchsichtigen Modells. Bei Unsicherheit ist ein Gespräch oft die wichtigste nächste Handlung.

Chancen und Grenzen

Chancen

schnellere Sichtbarkeit von Mustern in komplexen Lernumgebungen.
gezieltere formative Rückmeldung.
Unterstützung von Selbstreflexion und Lernplanung.
frühzeitige, freiwillige Unterstützungsangebote.
Qualitätsentwicklung von Aufgaben und Kursen.
Erforschung zeitlicher Lernprozesse.
Verbindung von Forschung, Lehre und Beratung.
bessere Sichtbarkeit von Barrieren und ungleichen Teilhabechancen.

Grenzen und Risiken

Reduktion komplexer Bildung auf messbare Aktivität.
Verwechslung von Daten mit objektiver Wahrheit.
Überwachung und Veränderung spontanen Lernverhaltens.
Stigmatisierung durch Risikokategorien.
diskriminierende Fehler und ungleiche Datenqualität.
falsche Kausalannahmen.
Informationsüberlastung bei Lehrenden.
Abhängigkeit von Plattformen und Anbietern.
Zweckausweitung nach der Datenerhebung.
Automatisierung ohne ausreichende Unterstützung oder Beschwerdemöglichkeit.

Die zentrale pädagogische Aufgabe besteht nicht darin, sich pauschal für oder gegen Learning Analytics zu entscheiden. Sie besteht darin, konkrete Zwecke, Daten, Modelle, Machtverhältnisse, Handlungen und Wirkungen nachvollziehbar zu beurteilen.

Zukunftsperspektiven

Künstliche Intelligenz und erklärbare Modelle

Künstliche Intelligenz kann Muster in umfangreichen Bildungsdaten erkennen, Texte analysieren oder personalisierte Empfehlungen erzeugen. Mit wachsender Modellkomplexität steigen Anforderungen an Datenqualität, Erklärbarkeit, Sicherheit und menschliche Aufsicht. Ein besonders präzises Modell ist nicht automatisch das pädagogisch beste. Oft ist ein einfacheres Modell vorzuziehen, wenn es verständlicher, robuster und leichter anfechtbar ist.

Multimodale Learning Analytics

Multimodal Learning Analytics verbindet mehrere Datenquellen, etwa Sprache, Bewegung, Blickrichtung, digitale Handlungen und Lernprodukte. Dies kann Lernprozesse in Labor- oder Unterrichtssituationen differenziert untersuchen. Gleichzeitig sind solche Daten besonders sensibel. Es drohen Fehlinterpretationen körperlicher Signale, invasive Überwachung und unklare Zweckausweitungen. Der Einsatz verlangt daher strenge Erforderlichkeitsprüfung, Schutzmaßnahmen und partizipative Gestaltung.

Open Learner Models und Datenhoheit

Bei einem Open Learner Model können Lernende einsehen, wie ein System ihren Lernstand oder ihre Strategien modelliert. Sie sollen Interpretationen verstehen, korrigieren oder ergänzen können. Dieser Ansatz kann Transparenz und Metakognition fördern, sofern das Modell verständlich ist und echte Einflussmöglichkeiten bietet.

Zukünftige Ansätze befassen sich außerdem mit dezentraler Datenhaltung, datenschutzfreundlicher Berechnung, Differential Privacy, Federated Learning und sicheren Forschungsdatenräumen. Technische Schutzverfahren ersetzen jedoch nicht die pädagogische und ethische Begründung der Datennutzung.

Fallanalyse: Ein kritischer Dashboard-Entwurf

Ausgangssituation

Eine Universität plant ein Dashboard für Erstsemester. Es zeigt Anwesenheit, Plattformzugriffe, Abgaben, Notenprognose und einen farbigen Risikowert. Lehrende sehen alle Werte, Studierende nur den eigenen Risikowert. Bei Rot wird automatisch eine Nachricht an die Studienberatung gesendet.

Pädagogische Analyse

Das Vorhaben enthält mehrere Probleme:

Der pädagogische Zweck ist zu breit und vermischt Unterstützung, Prognose und Kontrolle.
Plattformzugriffe sind ein unsicherer Proxy für Lernen.
Die Berechnung des Risikowerts bleibt intransparent.
Studierende sehen nicht, welche Daten und Annahmen zum Wert führen.
Die automatische Weitergabe kann Vertrauen und Vertraulichkeit verletzen.
Es ist unklar, ob die Beratung genügend Ressourcen besitzt.
Fehlklassifikationen und Unterschiede zwischen Gruppen werden nicht ausgewiesen.
Die rote Markierung kann stigmatisieren und das akademische Selbstbild beeinflussen.
Eine Korrektur oder ein Widerspruch ist nicht vorgesehen.

Verbesserter Entwurf

Ein pädagogisch besserer Entwurf könnte

einen klaren Zweck auf Lernplanung und freiwillige Unterstützung begrenzen.
gemeinsam mit Studierenden entwickelt werden.
mehrere Indikatoren und Selbsteinschätzungen kombinieren.
Datenquellen, Unsicherheit und mögliche Erklärungen anzeigen.
individuelle Ziele statt Ranglisten in den Mittelpunkt stellen.
freiwillige Angebote bereitstellen, die allen offenstehen.
eine Kontaktaufnahme nur mit angemessener Rechtsgrundlage und transparenter Regelung vorsehen.
Korrektur, Kommentar und Widerspruch ermöglichen.
Wirkungen und Fehlerraten gruppenbezogen prüfen.
bei negativen Folgen ausgesetzt werden können.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist der pädagogische Kern von Learning Analytics? (Theoriegeleitete Dateninterpretation zur Verbesserung von Lernen und Lehren) (!Möglichst vollständige Überwachung aller Lernaktivitäten) (!Ausschließliche Automatisierung von Prüfungsentscheidungen) (!Ersetzung pädagogischer Gespräche durch Prognosemodelle)

Warum ist eine hohe Klickzahl kein eindeutiger Beleg für intensives Lernen? (Weil dieselbe Klickzahl durch sehr unterschiedliche Lernhandlungen entstehen kann) (!Weil Klickdaten grundsätzlich nie gespeichert werden) (!Weil Lernplattformen keine Zeitstempel erzeugen) (!Weil nur Abschlussnoten für Learning Analytics erlaubt sind)

Welche Analyseform beantwortet vor allem die Frage Was ist geschehen? (Deskriptive Analyse) (!Prädiktive Analyse) (!Präskriptive Analyse) (!Kausale Intervention)

Was bedeutet Operationalisierung? (Übersetzung eines theoretischen Konstrukts in beobachtbare Merkmale) (!Automatische Löschung aller erhobenen Daten) (!Umwandlung qualitativer Daten in Prüfungsnoten) (!Veröffentlichung eines Dashboards für die Öffentlichkeit)

Welche Aussage beschreibt Korrelation korrekt? (Sie zeigt einen statistischen Zusammenhang aber beweist keine Ursache) (!Sie beweist immer eine Ursache und eine eindeutige Wirkung) (!Sie ist nur bei qualitativen Interviews möglich) (!Sie verhindert grundsätzlich jede Fehlinterpretation)

Welches Prinzip verlangt die Beschränkung auf erforderliche Daten? (Datenminimierung) (!Ranglistenbildung) (!Vollautomatisierung) (!Datenmaximierung)

Was kennzeichnet ein lernförderliches Dashboard? (Es verbindet verständliche Informationen mit reflektierbaren nächsten Schritten) (!Es zeigt möglichst viele Kennzahlen ohne Erklärung) (!Es ordnet alle Lernenden dauerhaft in feste Typen ein) (!Es verbirgt Datenquellen und Modellgrenzen)

Was ist ein falsch positives Warnsignal? (Eine Person wird als gefährdet markiert obwohl kein entsprechender Bedarf besteht) (!Ein tatsächlicher Bedarf wird vom Modell nicht erkannt) (!Eine Person korrigiert einen fehlerhaften Datensatz) (!Ein Dashboard zeigt keine Vergleichswerte)

Warum ist Co Design für Learning Analytics bedeutsam? (Weil Betroffene ihre Perspektiven Rechte und Nutzungserfahrungen einbringen) (!Weil dadurch jede statistische Prüfung überflüssig wird) (!Weil nur Entwickler über pädagogische Ziele entscheiden sollen) (!Weil Datenschutz dann nicht mehr berücksichtigt werden muss)

Welche Aussage entspricht professionellem pädagogischem Urteil? (Daten ergänzen Kontextwissen Gespräche und fachliche Verantwortung) (!Ein einzelner Indikator entscheidet automatisch über Förderung) (!Prognosen sind unveränderliche Eigenschaften einer Person) (!Technische Genauigkeit ersetzt jede ethische Prüfung)

Memory

Deskriptive Analyse	beschreibt vergangene Beobachtungen
Prädiktive Analyse	schätzt zukünftige Wahrscheinlichkeiten
Operationalisierung	verbindet Theorie mit beobachtbaren Indikatoren
Datenminimierung	begrenzt Verarbeitung auf erforderliche Daten
Dashboard	visualisiert ausgewählte Lerninformationen
Triangulation	verbindet mehrere Datenquellen und Perspektiven
Intervention	setzt eine begründete pädagogische Handlung um
Validität	prüft die Angemessenheit einer Messung

Drag and Drop

Ordne die richtigen Begriffe zu.	Learning Analytics
Pädagogische Fragestellung	bestimmt das zu bearbeitende Lernproblem
Lerntheorie	begründet relevante Konstrukte und Wirkannahmen
Datenquelle	liefert beobachtbare digitale oder qualitative Spuren
Operationalisierung	übersetzt ein Konstrukt in prüfbare Indikatoren
Analyse	untersucht Muster Zusammenhänge oder Verläufe
Interpretation	verbindet Ergebnisse mit Kontext und Alternativerklärungen
Intervention	gestaltet einen unterstützenden nächsten Schritt
Evaluation	prüft Wirkung Fairness und Nebenfolgen

Kreuzworträtsel

Dashboard	Wie heißt eine visuelle Übersicht ausgewählter Lerninformationen?
Validitaet	Welches Gütekriterium fragt ob tatsächlich das beabsichtigte Konstrukt gemessen wird?
Transparenz	Welches Prinzip verlangt nachvollziehbare Datenwege und Erklärungen?
Intervention	Wie heißt eine geplante pädagogische Handlung auf Grundlage einer Analyse?
Metakognition	Wie heißt das Nachdenken über das eigene Denken und Lernen?
Anonymisierung	Wie heißt die Entfernung des Personenbezugs sodass keine Reidentifikation mehr möglich ist?

LearningApps

Lückentext

Learning Analytics verbindet Datenanalyse mit einer

Fragestellung. Ein theoretisches Konstrukt wird durch

in beobachtbare Merkmale übersetzt. Ein einzelner Klickwert ist häufig nur ein

für einen komplexen Lernprozess. Die Beschreibung vergangener Beobachtungen heißt

Analyse. Eine Vorhersage bezeichnet keine Gewissheit sondern eine

. Ein statistischer Zusammenhang beweist noch keine

. Ein lernförderliches Dashboard soll verständliche Informationen und mögliche

verbinden. Die Angemessenheit einer Messung wird mit dem Begriff

geprüft. Die Beschränkung auf erforderliche Daten folgt dem Prinzip der

. Unterschiedliche Datenarten und Perspektiven können durch

verbunden werden. Eine dateninformierte pädagogische Handlung heißt

. Ihre Wirkung und mögliche Nebenfolgen werden durch

untersucht.

Offene Aufgaben

Leicht

Begriffslandkarte: Gestalte eine Concept Map, die Learning Analytics mit Pädagogik, Bildungsinformatik, formativer Rückmeldung, Data Literacy und Datenschutz verbindet. Erläutere jede Verbindung in einem Satz.
Dashboardkritik: Suche ein öffentlich zugängliches Beispiel für ein Bildungsdashboard oder entwirf eine Skizze. Markiere drei hilfreiche und drei potenziell irreführende Elemente.
Proxy-Tagebuch: Sammle an einem Lerntag fünf digitale Spuren, die entstehen könnten. Notiere jeweils mindestens zwei unterschiedliche Bedeutungen, die derselbe Datenpunkt haben kann.
Datenschutzinformation: Schreibe eine verständliche Kurzinformation für Studierende, in der Zweck, Datenarten, Zugriffsrechte, Speicherdauer und Widerspruchsmöglichkeit eines fiktiven Projekts erklärt werden.

Standard

Operationalisierungswerkstatt: Wähle ein Konstrukt wie Motivation, Selbstregulation oder Kollaboration. Entwickle ein Wirkmodell, mindestens drei Indikatoren, mögliche Störfaktoren und eine Strategie zur Triangulation.
Co-Design-Interview: Führe ein leitfadengestütztes Interview mit einer lernenden oder lehrenden Person über Wünsche und Sorgen gegenüber Learning Analytics. Werte zentrale Themen aus und leite Designanforderungen ab.
Interventionsplan: Entwirf für ein konkretes Lernproblem eine vollständige Wirkungskette aus Ausgangslage, Mechanismus, Datenhinweis, Handlung, Ergebnis, Wirkung und möglicher Nebenwirkung.
Fairnessprüfung: Entwickle für ein Frühwarnmodell einen Prüfplan. Berücksichtige Datenqualität, Fehlerraten, Gruppenunterschiede, qualitative Rückmeldungen und Abbruchkriterien.

Schwer

Forschungsdesign: Plane eine Mixed-Methods-Studie zur Wirkung eines Learning-Analytics-Dashboards. Begründe Stichprobe, Vergleichsbedingung, Erhebungen, Auswertung, Gütekriterien und ethische Schutzmaßnahmen.
Datenfolgenabschätzung: Erstelle für ein multimodales Learning-Analytics-Szenario eine strukturierte Risikoanalyse. Bewerte Erforderlichkeit, Eingriffsintensität, Reidentifikation, Machtasymmetrie, Sicherheit und Alternativen.
Prototyping: Entwickle mit fiktiven Daten einen papierbasierten oder digitalen Dashboard-Prototyp. Teste ihn mit mindestens drei Personen auf Verständnis, emotionale Wirkung, Barrierefreiheit und Handlungsmöglichkeiten.
Institutionelles Konzept: Verfasse ein Governance-Konzept für eine Hochschule oder Schule. Regle Zweck, Rollen, Zugriffe, Modellfreigabe, Transparenz, Beschwerden, Löschung, Evaluation, Skalierung und Beendigung.

Lernkontrolle

Fallvergleich: Zwei Studierende zeigen dieselbe niedrige Plattformaktivität. Eine Person arbeitet überwiegend offline, die andere versteht die Aufgaben nicht. Erkläre, welche zusätzlichen Informationen nötig sind und warum eine identische Intervention unangemessen sein kann.
Kausalitätsprüfung: Eine Hochschule berichtet, dass intensive Dashboardnutzung mit besseren Noten korreliert. Entwickle mindestens drei Alternativerklärungen und skizziere ein Forschungsdesign, das eine Wirkung des Dashboards besser prüfen könnte.
Ethikabwägung: Beurteile ein System, das aus Anwesenheit, Noten und Forumstexten automatisch ein Abbruchrisiko berechnet. Wäge Unterstützungsnutzen gegen Datenschutz, Stigmatisierung, Fairness und menschliche Aufsicht ab.
Designtransfer: Übertrage den Learning-Analytics-Kreislauf auf eine nicht digitale Lernsituation, etwa Projektarbeit in einer Schule. Zeige, welche Daten entstehen, was unsichtbar bleibt und wie ein dialogischer Rückmeldeprozess aussehen kann.
Interventionskritik: Ein Kurs sendet allen als gefährdet markierten Lernenden dieselbe Warnmail. Analysiere die vermutete Wirklogik, mögliche Nebenwirkungen und entwickle eine unterstützendere Alternative.
Messkritik: Ein Dashboard setzt Engagement mit Bearbeitungszeit gleich. Prüfe die Konstruktvalidität, nenne Störfaktoren und entwirf eine mehrdimensionale Operationalisierung.
Governance-Entscheidung: Eine Einrichtung möchte einen erfolgreichen Pilotversuch auf alle Studiengänge ausweiten. Formuliere Kriterien, die vor der Skalierung geprüft werden müssen, und begründe mögliche Stoppsignale.

Lernnachweis

Für einen Lernnachweis zu Learning Analytics - Pädagogik ist wichtig, dass Du nicht nur Begriffe wiedergibst, sondern einen vollständigen pädagogischen Argumentations- und Gestaltungsprozess nachweist.

Du formulierst eine klare pädagogische Fragestellung und grenzt den Zweck ein.
Du wählst eine passende Lerntheorie oder ein begründetes Wirkmodell.
Du operationalisierst mindestens ein Konstrukt und reflektierst die Grenzen der Indikatoren.
Du beschreibst Datenquellen, Datenqualität, fehlende Daten und mögliche Verzerrungen.
Du wählst eine geeignete Analyseform und unterscheidest Beschreibung, Prognose und Kausalität.
Du entwickelst eine konkrete, unterstützende und überprüfbare Intervention.
Du gestaltest eine verständliche Kommunikation für Lernende und Lehrende.
Du berücksichtigst Datenschutz, Fairness, Transparenz, Partizipation und menschliche Aufsicht.
Du planst eine Evaluation von Lernwirkung, Nebenfolgen, Akzeptanz und Verteilungseffekten.
Du dokumentierst Annahmen, Unsicherheiten und Grenzen der Übertragbarkeit.
Du verteidigst Deine Entscheidungen in einer schriftlichen Ausarbeitung, Präsentation oder mündlichen Prüfung.
Du reflektierst, an welchen Stellen professionelles pädagogisches Urteil unverzichtbar bleibt.

OERs zum Thema

Offene Fachquellen und Vertiefung

Verknüpfte Lernbereiche

Learning Analytics - Pädagogik

Quellen

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.