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

Learning Analytics - Pädagogik 1

Learning Analytics - Pädagogik

Einleitung

Learning Analytics bezeichnet die systematische Sammlung, Analyse, Interpretation und Kommunikation von Daten über Lernende und Lernprozesse mit dem Ziel, theoretisch begründete und praktisch nutzbare Einsichten für die Verbesserung von Lernen, Lehre und Bildung zu gewinnen. Im Zentrum steht nicht die Technik allein, sondern die pädagogische Frage: Welche Informationen helfen dabei, Lernprozesse besser zu verstehen und verantwortungsvoll zu unterstützen?

Im Studienfach Pädagogik verbindet Learning Analytics Erkenntnisse aus Erziehungswissenschaft, Didaktik, Psychologie, Statistik, Informatik, Mediendidaktik, Bildungsforschung und Datenschutz. Analysiert werden beispielsweise Aktivitäten in Lernmanagementsystemen, Bearbeitungszeiten, Abgaben, Testergebnisse, Forenbeiträge, Rückmeldungen, Lernpfade oder Selbsteinschätzungen. Solche Daten sind jedoch keine unmittelbare Abbildung des Lernens. Sie sind Spuren, die erst im Zusammenhang mit Lernzielen, Lehr-Lern-Arrangements, Lebenslagen und theoretischen Annahmen pädagogisch interpretiert werden müssen.

Dieser aiMOOC führt Dich von den Grundbegriffen über Analyseformen und pädagogische Einsatzfelder bis zu Fragen der Ethik, DSGVO, Validität, Fairness und Partizipation. Du lernst, Dashboards und Prognosen kritisch zu lesen, eigene Analysefragen zu entwickeln und Learning-Analytics-Projekte so zu gestalten, dass sie dem Lernen dienen, statt Lernende auf Kennzahlen zu reduzieren.

Studienfach	Pädagogik / Erziehungswissenschaft
Niveau	Studium, pädagogische Aus- und Weiterbildung
Zielgruppen	Studierende, Lehrende, pädagogische Fachkräfte, Bildungsforschende und Verantwortliche für digitale Lernangebote
Empfohlene Bearbeitungszeit	8 bis 12 Stunden zuzüglich Projektarbeit
Leitfrage	Wie können Bildungsdaten pädagogisch sinnvoll, wissenschaftlich belastbar und ethisch verantwortlich genutzt werden?

Lernziele

Nach der Bearbeitung dieses aiMOOCs kannst Du Learning Analytics fachlich definieren und gegenüber verwandten Feldern abgrenzen. Du kannst Datenquellen, Analyseverfahren und Darstellungsformen beurteilen, pädagogische Interventionen aus Daten ableiten und ihre Wirkung evaluieren. Außerdem kannst Du Risiken wie Überwachung, Fehlklassifikation, Diskriminierung, Selbstverstärkung und Zweckentfremdung erkennen.

Begriffsverständnis: Du erklärst zentrale Konzepte wie Lerndaten, Dashboard, Prognosemodell, Profiling, Feedback und Datenkompetenz.
Pädagogische Analyse: Du verknüpfst Daten mit Lernzielen, Lernaktivitäten, Lehrhandlungen und theoretischen Annahmen.
Methodenkompetenz: Du unterscheidest deskriptive, diagnostische, prädiktive und präskriptive Analysen.
Urteilskompetenz: Du prüfst Aussagekraft, Validität, Fairness, Transparenz und Datenschutz.
Gestaltungskompetenz: Du entwickelst ein verantwortbares Learning-Analytics-Konzept für ein pädagogisches Handlungsfeld.
Reflexionskompetenz: Du beziehst die Perspektiven der Lernenden ein und begründest Grenzen automatisierter Entscheidungen.

Grundlagen von Learning Analytics

Definition und Gegenstandsbereich

Eine verbreitete ältere Definition beschreibt Learning Analytics als Messung, Sammlung, Analyse und Berichterstattung von Daten über Lernende und ihre Kontexte, um Lernen und Lernumgebungen zu verstehen und zu optimieren. Die Society for Learning Analytics Research hat die Definition 2025 weiterentwickelt: Learning Analytics umfasst die Sammlung, Analyse, Interpretation und Kommunikation von Daten über Lernende und ihr Lernen, die theoretisch relevante und handlungsorientierte Einsichten zur Verbesserung von Lernen und Lehren liefern.

Die Ergänzungen sind pädagogisch bedeutsam. Interpretation macht deutlich, dass Daten nicht für sich selbst sprechen. Kommunikation verweist darauf, dass Ergebnisse verständlich und adressatengerecht vermittelt werden müssen. Theoretische Relevanz verlangt eine Verbindung zu Lern- und Bildungstheorien. Handlungsorientierung bedeutet, dass Analysen nicht bei der Beschreibung stehen bleiben, sondern begründete Unterstützung ermöglichen sollen.

Learning Analytics kann auf unterschiedlichen Ebenen stattfinden. Auf der Mikroebene geht es um einzelne Lernende oder kleine Gruppen, etwa um personalisiertes Feedback. Auf der Mesoebene werden Kurse, Studiengänge oder Bildungseinrichtungen untersucht. Auf der Makroebene können Bildungssysteme, Programme oder politische Maßnahmen betrachtet werden. Je größer die Ebene, desto stärker verschieben sich Fragestellungen von individueller Lernunterstützung zu Steuerung, Qualitätssicherung und Ressourcenplanung.

Abgrenzung zu verwandten Feldern

Educational Data Mining konzentriert sich stärker auf die Entwicklung und Anwendung datenanalytischer und algorithmischer Verfahren zur Untersuchung von Bildungsdaten. Learning Analytics betont stärker die Nutzung der Ergebnisse für Lernen und Lehren sowie die Einbindung pädagogischer Akteurinnen und Akteure.

Academic Analytics richtet sich häufig auf institutionelle Kennzahlen, Studienerfolg, Auslastung, Ressourcen und strategische Entscheidungen. Business Intelligence verfolgt organisationale und wirtschaftliche Steuerungsziele. Künstliche Intelligenz in der Bildung umfasst darüber hinaus adaptive Systeme, automatische Bewertung, Tutorensysteme und generative KI. Die Bereiche überschneiden sich, sind aber nicht identisch.

Assessment erhebt Leistungen oder Kompetenzen anhand definierter Aufgaben und Kriterien. Learning Analytics kann Assessmentdaten einbeziehen, analysiert aber oft zusätzlich Prozessdaten. Evaluation untersucht Qualität, Wirkung und Bedingungen von Programmen oder Lehrangeboten. Learning Analytics kann Evaluationen unterstützen, ersetzt aber kein begründetes Evaluationsdesign.

Pädagogische Leitidee

Die pädagogische Qualität von Learning Analytics hängt nicht von der Menge der Daten ab, sondern von der Qualität der Fragen und Handlungen. Eine hohe Zahl von Klicks kann aktive Auseinandersetzung anzeigen, aber auch Orientierungslosigkeit. Eine geringe Aktivität im Lernmanagementsystem kann auf Rückzug hindeuten, aber ebenso darauf, dass außerhalb der Plattform intensiv gelernt wird. Deshalb gilt:

Daten sind Indikatoren: Sie verweisen auf mögliche Lernaktivitäten, sind aber nicht mit Lernen selbst gleichzusetzen.
Kontext ist notwendig: Kursdesign, Vorkenntnisse, Barrieren, Prüfungsbedingungen und Lebenslagen beeinflussen die Bedeutung der Daten.
Theorie leitet Interpretation: Lern- und Motivationstheorien helfen zu erklären, warum bestimmte Muster entstehen könnten.
Dialog ergänzt Analyse: Gespräche mit Lernenden können quantitative Muster bestätigen, differenzieren oder widerlegen.
Handlungen müssen geprüft werden: Eine Intervention ist nur dann sinnvoll, wenn sie lernförderlich, verhältnismäßig und evaluierbar ist.

Daten und Analyseprozess

Typische Datenquellen

Learning Analytics kann strukturierte und unstrukturierte Daten verbinden. Strukturierte Daten liegen in festgelegten Feldern vor, etwa Zeitstempel, Punktwerte oder Abgabestatus. Unstrukturierte Daten umfassen beispielsweise Freitexte, Diskussionen, Audio oder Video und erfordern besondere Auswertungsverfahren.

Datenquelle	Beispiele	Mögliche pädagogische Frage	Zentrale Grenze
Lernmanagementsystem	Logins, Seitenaufrufe, Downloads, Aktivitätsfolgen	Wo treten Abbrüche oder wiederkehrende Schwierigkeiten auf?	Aktivität ist nicht automatisch Verstehen.
Assessment	Quizwerte, Aufgabenlösungen, Fehlermuster, Kompetenzraster	Welche Konzepte sind noch nicht tragfähig verstanden?	Ergebnisse hängen von Aufgabenqualität und Prüfungssituation ab.
Kommunikation	Forenbeiträge, Chats, Peer-Feedback, Fragen	Wie entwickelt sich fachliche Beteiligung?	Schweigen kann viele Ursachen haben.
Selbstbericht	Lernziele, Motivation, Belastung, Selbstwirksamkeit	Wie erleben Lernende ihren Lernprozess?	Antworten können sozial erwünscht oder situationsabhängig sein.
Soziale Netzwerkanalyse	Interaktionen, Antwortbeziehungen, Kooperationsmuster	Wer ist eingebunden und wer bleibt am Rand?	Beziehungen werden vereinfacht und benötigen Kontext.
Sensorik	Blickbewegungen, Raumdaten, physiologische Messungen	Welche Situationen beanspruchen Aufmerksamkeit?	Hohe Eingriffsintensität und erhebliche Datenschutzrisiken.
Verwaltungsdaten	Studienverlauf, Anwesenheit, Belegung, Beratungsnutzung	Wo entstehen strukturelle Hürden?	Institutionelle Daten können soziale Ungleichheiten reproduzieren.

Nicht alles, was technisch messbar ist, sollte erhoben werden. Die Auswahl muss sich aus einer legitimen pädagogischen Fragestellung ergeben. Das Prinzip der Datenminimierung fordert, nur solche personenbezogenen Daten zu verarbeiten, die für den festgelegten Zweck angemessen, relevant und notwendig sind.

Der Learning-Analytics-Zyklus

Ein verantwortbarer Analyseprozess verläuft nicht linear, sondern als überprüfbarer Zyklus:

Pädagogische Fragestellung: Formuliere zuerst, welches Lernproblem verstanden oder welche Unterstützung verbessert werden soll.
Theoretisches Modell: Lege offen, welche Annahmen über Lernen, Motivation, Interaktion oder Kompetenzentwicklung verwendet werden.
Datenauswahl: Bestimme passende Daten, Zeiträume, Einheiten und Vergleichsmaßstäbe.
Datenqualität: Prüfe Vollständigkeit, Messfehler, fehlende Werte, Verzerrungen und Repräsentativität.
Analyse: Wähle ein zur Frage passendes Verfahren und dokumentiere Entscheidungen.
Interpretation: Vergleiche Ergebnisse mit alternativen Erklärungen und qualitativen Informationen.
Kommunikation: Stelle Ergebnisse verständlich, transparent und adressatengerecht dar.
Intervention: Entwickle eine unterstützende, verhältnismäßige und nicht stigmatisierende Maßnahme.
Evaluation: Prüfe Wirkung, Nebenwirkungen und Verteilungseffekte.
Revision: Passe Daten, Modelle, Darstellungen und Maßnahmen auf Grundlage der Evaluation an.

Die zentrale pädagogische Schleife lautet: Daten → Interpretation → Gespräch → Handlung → Evaluation → Verbesserung. Ein Dashboard ohne anschließende Reflexion oder Unterstützung bleibt eine Anzeige. Eine Prognose ohne faire Handlungsmöglichkeit kann sogar Schaden verursachen.

Formen der Analyse

Analyseform	Leitfrage	Beispiel	Pädagogische Vorsicht
Deskriptive Analyse	Was ist geschehen?	Verlauf von Abgaben oder Aktivität über ein Semester	Beschreibungen erklären noch keine Ursachen.
Diagnostische Analyse	Welche Faktoren könnten ein Muster erklären?	Zusammenhang zwischen Aufgabenformat, Fehlertypen und Feedback	Korrelationen sind nicht automatisch kausal.
Prädiktive Analyse	Was könnte künftig geschehen?	Schätzung eines erhöhten Unterstützungsbedarfs	Prognosen sind unsicher und dürfen nicht als Schicksal behandelt werden.
Präskriptive Analyse	Welche Handlung wird empfohlen?	Vorschlag einer Übung oder Beratung	Empfehlungen brauchen pädagogische Begründung und menschliche Kontrolle.

Ergänzend kommen Prozessanalyse, Sequenzanalyse, Text Mining, Natural Language Processing, Soziale Netzwerkanalyse, Clusteranalyse, Klassifikation und Visual Analytics zum Einsatz. Die Methodenwahl folgt der Frage, nicht umgekehrt.

Datenqualität und Messprobleme

Die Aussagekraft einer Analyse hängt von der Operationalisierung ab. Ein abstraktes Merkmal wie Engagement muss durch beobachtbare Indikatoren erschlossen werden. Wird Engagement nur als Zahl der Klicks operationalisiert, bleiben Nachdenken, Lesen außerhalb der Plattform, informelles Lernen oder emotionale Beteiligung unsichtbar.

Validität fragt, ob tatsächlich das erfasst wird, was erfasst werden soll. Reliabilität fragt nach der Zuverlässigkeit einer Messung. Objektivität betrifft die Unabhängigkeit der Ergebnisse von einzelnen auswertenden Personen. Für Learning Analytics kommen weitere Qualitätsfragen hinzu: Sind Daten vollständig? Entstehen systematische Lücken? Sind bestimmte Gruppen unterrepräsentiert? Verändert die Beobachtung das Verhalten? Ist der Vergleichsmaßstab pädagogisch sinnvoll?

Fehlende Daten sind nicht neutral. Wer keinen stabilen Internetzugang hat, eine Plattform aus Barrieregründen meidet oder Lernmaterial ausdruckt, kann fälschlich als inaktiv erscheinen. Datenbereinigung darf diese Unterschiede nicht verdecken.

Pädagogische Theorien und didaktische Nutzung

Anschluss an Lerntheorien

Learning Analytics benötigt theoretische Bezugspunkte. Unterschiedliche Lerntheorien lenken den Blick auf unterschiedliche Daten:

Theorieperspektive	Relevanter Fokus	Denkbare Daten	Pädagogische Interpretation
Behaviorismus	Beobachtbares Verhalten, Übung, Verstärkung	Antwortfolgen, Fehler, Wiederholungen	Häufigkeit und Rückmeldung können Lernroutinen sichtbar machen.
Kognitivismus	Informationsverarbeitung, Wissen, Strategien	Fehlermuster, Lösungswege, Bearbeitungszeiten	Daten können Hinweise auf Strategien oder Überlastung geben.
Konstruktivismus	Aktive Wissenskonstruktion, Vorwissen, Kontext	Artefakte, Reflexionen, Revisionen	Produkte und Veränderungen sind wichtiger als bloße Aktivitätszahlen.
Soziokulturelle Lerntheorie	Interaktion, Sprache, Teilhabe, Gemeinschaft	Diskurse, Kooperation, Netzwerkbeziehungen	Lernen wird als Teilnahme an sozialen Praktiken untersucht.
Selbstreguliertes Lernen	Ziele, Planung, Monitoring, Anpassung	Lernpläne, Zeitmuster, Selbstberichte, Reflexionen	Analytics kann Metakognition unterstützen, wenn Lernende Kontrolle behalten.
Motivation	Interesse, Selbstwirksamkeit, Autonomie	Befragungen, Wahlhandlungen, Persistenz	Verhaltensdaten allein reichen zur Erklärung motivationaler Zustände nicht aus.

Ein und dasselbe Datenmuster kann aus verschiedenen Theorien unterschiedlich interpretiert werden. Wiederholte Aufgabenbearbeitung kann aus behavioristischer Sicht Übung, aus kognitiver Sicht Strategieanpassung und aus motivationaler Sicht Persistenz anzeigen. Erst die Verbindung von Theorie, Kontext und zusätzlichen Informationen ermöglicht eine tragfähige Deutung.

Formatives Feedback

Ein zentrales pädagogisches Potenzial liegt im formativen Feedback. Lernende erhalten zeitnahe Informationen darüber, wo sie stehen, welches Ziel angestrebt wird und welche nächsten Schritte sinnvoll sind. Gutes Analytics-Feedback ist spezifisch, verständlich, handlungsorientiert und ermutigend. Es beschreibt keine vermeintlich festen Eigenschaften einer Person.

Ungünstig wäre: „Du bist ein Risikostudierender.“ Pädagogisch besser ist: „In den letzten zwei Wochen wurden zwei zentrale Übungsbereiche noch nicht bearbeitet. Prüfe, ob Zeit, Verständnis oder Zugang ein Hindernis darstellen. Folgende Unterstützung steht zur Verfügung.“ Die zweite Form trennt Beobachtung, Unsicherheit und Handlungsmöglichkeit.

Feedback kann an Lernende, Lehrende oder Institutionen adressiert sein. Lernende benötigen Selbstbeobachtung und Wahlmöglichkeiten. Lehrende benötigen Hinweise für die Anpassung von Aufgaben, Erklärungen oder Unterstützungsangeboten. Institutionen benötigen aggregierte Informationen über strukturelle Hürden, dürfen daraus aber keine unzulässige Individualüberwachung ableiten.

Learning-Analytics-Dashboards

Ein Dashboard verdichtet Daten in Kennzahlen, Diagrammen, Warnhinweisen oder Lernpfaden. Es kann Orientierung schaffen, aber auch falsche Gewissheit erzeugen. Die Gestaltung beeinflusst, was Nutzerinnen und Nutzer wahrnehmen und wie sie handeln.

Ein pädagogisch sinnvolles Dashboard sollte:

Zielklarheit: Den Zweck und die Zielgruppe sichtbar machen.
Erklärbarkeit: Herkunft, Berechnung und Grenzen der Kennzahlen erläutern.
Handlungsbezug: Konkrete, realistische nächste Schritte anbieten.
Vergleichssensibilität: Ranglisten und soziale Vergleiche nur mit guter Begründung einsetzen.
Barrierefreiheit: Informationen nicht allein über Farben vermitteln und zugänglich darstellen.
Unsicherheitskommunikation: Prognosefehler, Datenlücken und Wahrscheinlichkeiten sichtbar machen.
Kontrollmöglichkeit: Lernenden Einsicht, Korrektur, Rückmeldung und Widerspruch ermöglichen.

Ein rotes Warnsymbol wirkt dringlich, kann aber stigmatisieren. Eine Prozentzahl sieht präzise aus, obwohl sie auf lückenhaften Daten beruht. Eine Rangliste kann Wettbewerb verstärken und Kooperation schwächen. Gute Visualisierung ist deshalb eine pädagogische und ethische Gestaltungsaufgabe.

Personalisierung und adaptive Unterstützung

Learning Analytics kann Inhalte, Aufgaben oder Rückmeldungen an beobachtete Lernbedarfe anpassen. Personalisierung ist jedoch nicht automatisch lernförderlich. Ein System, das nur leichte Aufgaben anbietet, weil frühere Leistungen schwach waren, kann Lernchancen begrenzen. Ein System, das anspruchsvolle Aufgaben ohne Unterstützung empfiehlt, kann überfordern.

Pädagogisch verantwortliche Adaptivität bietet mehrere Wege, erklärt Empfehlungen, ermöglicht Abweichungen und hält anspruchsvolle Lernziele offen. Sie verbindet Scaffolding, Zone der nächsten Entwicklung, Mastery Learning und Selbstregulation mit transparenter Datennutzung. Entscheidungen über Prüfungen, Zulassungen oder Sanktionen dürfen nicht unkritisch an undurchsichtige Modelle delegiert werden.

Einsatzfelder in Pädagogik und Bildung

Hochschule

In Hochschulen können Learning-Analytics-Verfahren zur Kursgestaltung, Studienberatung, Lernunterstützung und Evaluation beitragen. Beispiele sind Hinweise auf schwierige Lernmaterialien, Muster bei Aufgabenabbrüchen, Rückmeldungen zu Lernstrategien oder die frühzeitige Einladung zu freiwilliger Beratung.

Eine Prognose erhöht jedoch nur dann den pädagogischen Wert, wenn eine passende Unterstützung vorhanden ist. Ein Frühwarnsystem ohne personelle Ressourcen produziert Warnungen, aber keine Hilfe. Zudem muss geprüft werden, ob die Unterstützungsangebote alle Lernenden erreichen und ob einzelne Gruppen überproportional markiert werden.

Schule

In der Schule können digitale Übungsumgebungen Fehlermuster, Lernfortschritte oder Bearbeitungswege sichtbar machen. Lehrkräfte können daraus differenzierte Aufgaben oder Gespräche ableiten. Bei Minderjährigen bestehen besonders hohe Anforderungen an Schutz, Verständlichkeit, Verhältnismäßigkeit und Beteiligung.

Lernende dürfen nicht durch frühe Datenmuster dauerhaft festgelegt werden. Entwicklungsfähigkeit ist ein Grundprinzip pädagogischen Handelns. Schulische Analytics sollten deshalb eher Möglichkeiten zur Förderung als Kategorien zur Selektion erzeugen. Eltern, Lernende, Lehrkräfte, Datenschutzbeauftragte und Schulträger benötigen klare Rollen und Informationswege.

Berufliche Bildung und Weiterbildung

In der Berufspädagogik können Kompetenzfortschritte, Simulationen, Praxisaufgaben und Lernpfade analysiert werden. Die Verbindung von Arbeitsplatzdaten und Lernplattformdaten ist besonders sensibel, weil Machtverhältnisse zwischen Beschäftigten und Organisationen bestehen. Daten für Lernunterstützung dürfen nicht ohne klare Rechtsgrundlage und Transparenz in Leistungs- oder Verhaltenskontrolle umgedeutet werden.

In der Weiterbildung können Lernende von personalisierten Empfehlungen profitieren. Gleichzeitig muss beachtet werden, dass berufliche Vorerfahrungen, Sprachkenntnisse, Arbeitszeiten und familiäre Verpflichtungen digitale Aktivitätsmuster beeinflussen.

Inklusive Bildung

Learning Analytics kann Barrieren sichtbar machen, etwa wenn bestimmte Materialien von Nutzerinnen und Nutzern mit assistiven Technologien nicht erfolgreich bearbeitet werden können. Es kann aber auch neue Barrieren schaffen, wenn Modelle von einer vermeintlichen Normbiografie ausgehen.

Inklusive Gestaltung verlangt barrierefreie Oberflächen, diversitätssensible Datensätze, Beteiligung betroffener Gruppen und die Prüfung, ob Kennzahlen unterschiedliche Lernwege angemessen abbilden. Kategorien wie Behinderung, Gesundheit oder Unterstützungsbedarf sind besonders schutzwürdig und dürfen nicht zur Etikettierung oder Benachteiligung verwendet werden.

Ethik, Datenschutz und Fairness

Warum Ethik mehr als Einwilligung ist

Eine formale Einwilligung allein macht ein Learning-Analytics-Projekt nicht automatisch gerecht. In Bildungskontexten bestehen Abhängigkeiten und ungleiche Machtverhältnisse. Lernende können das Gefühl haben, zustimmen zu müssen, um Nachteile zu vermeiden. Verantwortliche müssen deshalb zusätzlich Zweck, Notwendigkeit, Verhältnismäßigkeit, Alternativen, Folgen und Teilhabe prüfen.

Ethische Leitfragen lauten: Wer profitiert? Wer trägt Risiken? Welche Daten bleiben unsichtbar? Welche Gruppen können falsch eingeordnet werden? Welche Handlungen folgen aus einer Prognose? Können Lernende die Darstellung verstehen, korrigieren oder ablehnen? Was geschieht, wenn das Modell irrt?

Datenschutzgrundsätze

Für personenbezogene Daten gelten insbesondere die Grundsätze der Rechtmäßigkeit, Fairness, Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität und Vertraulichkeit sowie Rechenschaftspflicht. Welche Rechtsgrundlage im Einzelfall gilt, hängt vom Kontext und den einschlägigen Regelungen ab und muss fachkundig geprüft werden.

Datenschutzgerechte Gestaltung beginnt vor der Datenerhebung. Privacy by Design bedeutet, Schutzmaßnahmen in Ziele, Prozesse, Systeme und Rollen einzubauen. Privacy by Default verlangt datenschutzfreundliche Voreinstellungen. Wo hohe Risiken für Rechte und Freiheiten bestehen können, ist zu prüfen, ob eine Datenschutz-Folgenabschätzung erforderlich ist.

Pseudonymisierung ersetzt Anonymisierung nicht. Pseudonymisierte Daten bleiben personenbezogen, wenn eine Zuordnung mit Zusatzinformationen möglich ist. Echte Anonymisierung muss eine Re-Identifizierung mit vernünftigerweise verfügbaren Mitteln praktisch ausschließen. Besonders bei kleinen Kursen können Kombinationen scheinbar harmloser Merkmale Personen wieder erkennbar machen.

Transparenz und Erklärbarkeit

Transparenz verlangt mehr als eine lange Datenschutzerklärung. Lernende sollten in klarer Sprache erfahren:

Zweck: Warum werden Daten verarbeitet?
Datenarten: Welche Daten werden genutzt und welche nicht?
Methode: Wie entstehen Kennzahlen, Profile oder Empfehlungen?
Empfänger: Wer kann Ergebnisse sehen?
Folgen: Welche Entscheidungen oder Unterstützungen können daraus entstehen?
Rechte: Wie sind Auskunft, Berichtigung, Widerspruch und Beschwerde möglich?
Aufbewahrung: Wie lange werden Daten gespeichert?
Grenzen: Welche Unsicherheiten und Fehlermöglichkeiten bestehen?

Erklärbarkeit ist adressatenabhängig. Ein Datenwissenschaftler benötigt andere Details als eine Schülerin. Beide benötigen jedoch genug Information, um Bedeutung, Grenzen und mögliche Folgen einschätzen zu können.

Bias, Fairness und Diskriminierung

Bias kann in jeder Phase entstehen: in historischen Daten, bei der Auswahl von Variablen, durch fehlende Werte, in Labels, im Modell, bei Schwellenwerten, in der Visualisierung oder in der anschließenden Handlung. Wenn vergangene Benachteiligungen in Daten enthalten sind, kann ein Modell sie fortschreiben.

Fairness ist kein einzelner Messwert. Unterschiedliche Fairnesskriterien können miteinander in Konflikt stehen. Pädagogisch relevant ist daher eine Kombination aus quantitativer Prüfung, qualitativer Analyse und Beteiligung. Zu untersuchen ist nicht nur, ob Prognosen für Gruppen ähnlich genau sind, sondern auch, ob Fehler unterschiedliche Folgen haben.

Ein falsch positiver Alarm kann eine Person unnötig als gefährdet markieren. Ein falsch negativer Befund kann dazu führen, dass benötigte Unterstützung ausbleibt. Die Gewichtung dieser Fehler ist eine normative Entscheidung und darf nicht allein technisch getroffen werden.

Student Agency und Partizipation

Student Agency bedeutet, dass Lernende als handlungsfähige Subjekte an der Gestaltung und Nutzung ihrer Daten beteiligt sind. Sie sollten nicht nur Datenliefernde sein, sondern Fragen mitbestimmen, Ergebnisse interpretieren und Rückmeldungen geben können.

Mögliche Beteiligungsformen sind Workshops zur Dashboardgestaltung, studentische Beiräte, verständliche Datenportale, Korrekturmöglichkeiten, Opt-out-Optionen, gemeinsame Festlegung von Warnschwellen und die Evaluation aus Lernendenperspektive. Partizipation verbessert nicht automatisch jede Entscheidung, erhöht aber die Chance, relevante Bedürfnisse, Risiken und Fehlinterpretationen früh zu erkennen.

Von der Analyse zur pädagogischen Intervention

Interventionslogik

Eine gute Intervention folgt einer nachvollziehbaren Wirkungskette:

Element	Leitfrage	Beispiel
Ausgangsproblem	Welches konkrete pädagogische Problem liegt vor?	Viele Studierende brechen eine zentrale Übung ab.
Indikator	Welche Daten verweisen darauf?	Abbruchrate und wiederkehrender Fehlertyp.
Erklärungshypothese	Welche Ursachen sind denkbar?	Unklare Aufgabenstellung, fehlendes Vorwissen oder technische Barriere.
Intervention	Welche Unterstützung adressiert die Hypothese?	Überarbeitete Erklärung, Beispiel und freiwillige Sprechstunde.
Wirkungsindikator	Woran zeigt sich eine Verbesserung?	Mehr erfolgreiche Bearbeitungen und bessere Verständniseinschätzung.
Nebenwirkungsprüfung	Welche unerwünschten Folgen sind möglich?	Zusätzliche Belastung oder Benachteiligung bestimmter Gruppen.

Die Hypothese muss vor der Intervention möglichst klar formuliert werden. Sonst besteht die Gefahr, nachträglich jedes Ergebnis als Erfolg zu deuten. Pädagogische Maßnahmen sollten niedrigschwellig, unterstützend und reversibel sein, bevor weitreichende Entscheidungen getroffen werden.

Beispiel: Ein Frühwarnsystem kritisch planen

Eine Hochschule möchte Studierende identifizieren, die möglicherweise Unterstützung benötigen. Als Daten stehen Abgaben, Teilnahme an freiwilligen Übungen und Ergebnisse kurzer Selbsttests zur Verfügung.

Ein unzureichendes Vorgehen wäre, einen Risikowert zu berechnen und automatisch an Prüfungsämter weiterzugeben. Dadurch könnten Lernende stigmatisiert werden, obwohl die Daten lückenhaft sind. Zudem wäre der Zweck von Unterstützung zu Kontrolle verschoben.

Ein verantwortbares Vorgehen umfasst eine klare Unterstützungsabsicht, minimale Datennutzung, transparente Information, Beteiligung von Studierenden, Prüfung der Modellgüte für verschiedene Gruppen und eine menschliche Sichtung. Die Nachricht könnte als freiwilliges Angebot formuliert sein. Die Wirkung wäre nicht nur an Bestehensquoten, sondern auch an wahrgenommener Unterstützung, Zugänglichkeit und möglichen Belastungen zu evaluieren.

Human-in-the-Loop

Human-in-the-Loop bedeutet, dass Menschen Ergebnisse prüfen, Kontext ergänzen und Entscheidungen verantworten. Das Konzept ist nur dann sinnvoll, wenn die beteiligten Personen ausreichend Zeit, Kompetenzen und reale Entscheidungsmöglichkeiten haben. Eine Lehrkraft, die hunderte Warnmeldungen bestätigt, ohne Daten und Modell zu verstehen, ist keine wirksame menschliche Kontrolle.

Menschliche Prüfung kann ebenfalls voreingenommen sein. Deshalb braucht es klare Kriterien, Dokumentation, Schulung und Beschwerdewege. Ziel ist nicht, Technik durch menschliche Intuition zu ersetzen, sondern unterschiedliche Fehlerquellen gegenseitig zu kontrollieren.

Forschung und Evaluation

Forschungsdesigns

Learning-Analytics-Forschung kann explorativ, beschreibend, erklärend oder evaluativ sein. Häufig werden quantitative und qualitative Methoden kombiniert. Mixed Methods sind besonders wertvoll, weil Prozessdaten Muster zeigen, während Interviews, Beobachtungen oder Lerntagebücher Bedeutungen und Kontexte erschließen.

Mögliche Designs sind Längsschnittstudien, quasi-experimentelle Vergleiche, randomisierte Studien, Fallstudien, Design-Based Research und partizipative Forschung. Die Wahl hängt von Forschungsfrage, Ethik, Feldbedingungen und verfügbaren Daten ab. Ein statistischer Zusammenhang zwischen Plattformaktivität und Prüfungsergebnis beweist keine Ursache. Leistungsstarke Lernende könnten beispielsweise sowohl aktiver sein als auch bessere Ergebnisse erzielen.

Modellgüte und pädagogischer Nutzen

Bei Klassifikationsmodellen sind Sensitivität, Spezifität, Präzision, Recall und Fehlerrate wichtig. Eine hohe Gesamtgenauigkeit kann irreführend sein, wenn die relevante Gruppe selten ist. Auch ein technisch gutes Modell kann pädagogisch nutzlos sein, wenn Ergebnisse zu spät vorliegen, keine Unterstützung verfügbar ist oder die Darstellung nicht verstanden wird.

Deshalb müssen mindestens vier Ebenen unterschieden werden:

Technische Güte: Wie zuverlässig verarbeitet das System Daten?
Statistische Güte: Wie gut beschreibt oder prognostiziert das Modell?
Pädagogische Güte: Unterstützt die Nutzung tatsächlich Lernen und Lehren?
Ethische Güte: Werden Rechte, Fairness, Autonomie und Verhältnismäßigkeit gewahrt?

Wirkung und Nebenwirkungen evaluieren

Eine Evaluation sollte nicht nur fragen, ob ein Zielwert steigt. Sie sollte auch untersuchen, für wen eine Intervention wirkt, unter welchen Bedingungen und mit welchen Nebenfolgen. Relevante Kriterien sind Lernfortschritt, Selbstregulation, Motivation, Vertrauen, Arbeitsbelastung, Zugänglichkeit, Fairness und Datenschutzwahrnehmung.

Mögliche unbeabsichtigte Effekte sind strategisches Verhalten zur Verbesserung von Kennzahlen, Abhängigkeit von Empfehlungen, Rückzug aus beobachteten Räumen, erhöhte Angst oder eine Verengung auf messbare Lernziele. Diese Effekte gehören in die Evaluation und dürfen nicht als bloße Störung ausgeblendet werden.

Institutionelle Einführung und Governance

Rollen und Verantwortlichkeiten

Ein Learning-Analytics-Projekt benötigt klare Verantwortlichkeiten. Pädagogische Fachkräfte definieren Lernziele und Interventionen. Datenexpertinnen und Datenexperten prüfen Verfahren und Modellgüte. IT-Verantwortliche sichern Systeme und Zugänge. Datenschutzbeauftragte beraten zur Rechtmäßigkeit und Risikominimierung. Leitungen stellen Ressourcen bereit. Lernende bringen ihre Erfahrungen, Bedürfnisse und Rechte ein.

Data Governance regelt Datenqualität, Zugriffe, Verantwortlichkeiten, Dokumentation, Aufbewahrung, Löschung und Zweckänderungen. Ein interdisziplinäres Gremium kann Projekte prüfen, sollte aber transparent arbeiten und Betroffenenperspektiven einbeziehen.

Mindestanforderungen an ein Projekt

Vor dem Start sollten mindestens folgende Fragen beantwortet sein:

Pädagogischer Zweck: Welches konkrete Problem wird bearbeitet?
Rechtsgrundlage: Auf welcher Grundlage werden personenbezogene Daten verarbeitet?
Datenminimierung: Welche Daten sind wirklich notwendig?
Theoriebezug: Welche Annahmen über Lernen begründen Indikatoren und Intervention?
Qualitätssicherung: Wie werden Daten- und Modellfehler erkannt?
Fairnessprüfung: Welche Gruppen könnten benachteiligt werden?
Transparenz: Wie werden Betroffene verständlich informiert?
Partizipation: Wie können Lernende mitgestalten und Rückmeldung geben?
Intervention: Welche konkrete Hilfe folgt aus einem Befund?
Evaluation: Wie werden Wirkung und Nebenwirkungen geprüft?
Beendigung: Wann werden Daten gelöscht und ein ungeeignetes System abgeschaltet?

Kompetenzentwicklung

Learning Analytics erfordert Data Literacy, pädagogisches Urteil und ethische Sensibilität. Lehrende müssen keine vollständigen Datenwissenschaftlerinnen oder Datenwissenschaftler werden. Sie sollten jedoch Kennzahlen hinterfragen, Unsicherheiten verstehen, Visualisierungen kritisch lesen und angemessene Gespräche führen können.

Lernende benötigen ebenfalls Datenkompetenz. Sie sollten wissen, welche Spuren entstehen, wie Kennzahlen berechnet werden und wie sie ihre Rechte wahrnehmen. Eine demokratische Datenkultur entsteht, wenn Analytics nicht verborgen im Hintergrund arbeitet, sondern zum Gegenstand gemeinsamer Reflexion wird.

Chancen und Risiken im Überblick

Pädagogische Chance	Zugehöriges Risiko	Verantwortliche Gestaltung
Frühzeitige Unterstützung	Stigmatisierung durch Risikolabel	Beobachtung als vorläufigen Hinweis behandeln und dialogisch klären
Personalisiertes Feedback	Verengung von Lernwegen	Wahlmöglichkeiten und anspruchsvolle Ziele offenhalten
Sichtbarkeit von Lernprozessen	Überwachung und Anpassungsdruck	Datensparsamkeit, Transparenz und freiwillige Räume schaffen
Verbesserung von Lehrangeboten	Fehlinterpretation von Aktivitätsdaten	Theorie, Kontext und qualitative Daten einbeziehen
Erkennen struktureller Barrieren	Reproduktion historischer Benachteiligung	Gruppenbezogene Fairness und institutionelle Ursachen prüfen
Effizientere Beratung	Automatisierte Selektion	Unterstützungszweck sichern und menschliche Verantwortung erhalten

Die zentrale Schlussfolgerung lautet: Learning Analytics ist weder grundsätzlich gut noch grundsätzlich schlecht. Seine pädagogische Qualität entsteht aus Fragestellung, Datenwahl, Theoriebezug, Beteiligung, Gestaltung, Intervention und Evaluation.

Fallstudie zur Anwendung

Ein universitäres Seminar nutzt ein Lernmanagementsystem. Nach vier Wochen zeigt ein Dashboard, dass etwa ein Drittel der Studierenden die vorbereitenden Texte selten öffnet. Die Lehrperson vermutet mangelnde Motivation.

Diese Schlussfolgerung wäre vorschnell. Mögliche Alternativen sind ausgedruckte Texte, geteilte Dateien, technische Zugangsprobleme, unklare Erwartungen, hohe Arbeitsbelastung oder barrierebedingte Schwierigkeiten. Ein pädagogisch angemessener nächster Schritt wäre eine anonyme Kurzbefragung und ein Gespräch über Lernwege. Erst danach könnten Materialien, Zeitplanung oder Aufgaben angepasst werden.

Die Fallstudie zeigt drei Grundregeln: Ein Indikator ist keine Diagnose. Eine Korrelation ist keine Ursache. Eine Intervention sollte die plausibelste erklärbare Hürde adressieren und anschließend evaluiert werden.

Quellen und Vertiefung

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was kennzeichnet Learning Analytics aus pädagogischer Sicht am treffendsten? (Die theoriegeleitete Nutzung von Lerndaten zur Verbesserung von Lernen und Lehren) (!Die möglichst vollständige Überwachung aller Aktivitäten) (!Die automatische Vergabe von Abschlussnoten) (!Die reine Verwaltung institutioneller Finanzen)

Warum sind Klickzahlen kein direkter Beweis für Lernen? (Weil sie Aktivität anzeigen können, aber Verstehen und Kontext nicht vollständig erfassen) (!Weil Klickzahlen grundsätzlich erfunden sind) (!Weil nur Prüfungsnoten als Daten gelten) (!Weil digitale Lernumgebungen keine Zeitstempel speichern)

Welche Frage beantwortet eine deskriptive Analyse? (Was ist geschehen?) (!Warum wird jede Person künftig scheitern?) (!Welche Maßnahme ist rechtlich zwingend?) (!Welche Lernenden besitzen feste Eigenschaften?)

Was ist das Ziel einer prädiktiven Analyse? (Eine begründete Schätzung zukünftiger Entwicklungen unter Unsicherheit) (!Eine unanfechtbare Entscheidung über Personen) (!Eine vollständige Erklärung aller Ursachen) (!Eine automatische Löschung sämtlicher Daten)

Was gehört zu einem pädagogisch sinnvollen Dashboard? (Eine verständliche Erklärung von Kennzahlen, Grenzen und Handlungsmöglichkeiten) (!Eine Rangliste ohne Begründung) (!Ein Warnsymbol ohne Erläuterung) (!Eine geheime Berechnung ohne Einsichtsrecht)

Was bedeutet Validität bei einer Messung? (Dass tatsächlich das erfasst wird, was erfasst werden soll) (!Dass möglichst viele Daten gesammelt werden) (!Dass jedes Ergebnis positiv ausfällt) (!Dass nur automatisierte Verfahren verwendet werden)

Was verlangt der Grundsatz der Datenminimierung? (Nur für den festgelegten Zweck notwendige und relevante Daten zu verarbeiten) (!Alle verfügbaren Daten vorsorglich dauerhaft zu speichern) (!Personenbezogene Daten öffentlich zugänglich zu machen) (!Jede Analyse mit Sensordaten zu ergänzen)

Was stärkt Student Agency im Learning-Analytics-Projekt? (Die Beteiligung Lernender an Zielen, Interpretation und Gestaltung) (!Die heimliche Erstellung unveränderbarer Profile) (!Die Abschaffung von Rückfragen und Beschwerden) (!Die vollständige Delegation an Algorithmen)

Wie sollte eine pädagogische Warnmeldung formuliert sein? (Als vorläufiger Hinweis mit transparenter Begründung und Unterstützungsangebot) (!Als endgültiges Urteil über die Person) (!Als öffentliche Kennzeichnung in einer Rangliste) (!Als Sanktion ohne Gesprächsmöglichkeit)

Woran zeigt sich der Erfolg einer Learning-Analytics-Intervention am besten? (An evaluierter Lernunterstützung unter Berücksichtigung von Wirkung und Nebenwirkungen) (!An der größtmöglichen Zahl gespeicherter Datensätze) (!An der häufigsten Verwendung roter Warnsymbole) (!An der vollständigen Ersetzung pädagogischer Entscheidungen)

Memory

Deskriptive Analyse	Beschreibt vergangene oder aktuelle Muster
Diagnostische Analyse	Untersucht mögliche Erklärungen für Muster
Prädiktive Analyse	Schätzt zukünftige Entwicklungen
Präskriptive Analyse	Empfiehlt mögliche Handlungen
Validität	Passung zwischen Messung und gemeintem Merkmal
Datenminimierung	Beschränkung auf notwendige Daten
Dashboard	Verdichtete visuelle Darstellung von Kennzahlen
Student Agency	Mitbestimmung und Handlungsmacht der Lernenden

Drag and Drop

Ordne die richtigen Begriffe zu.	Bedeutung im Learning-Analytics-Prozess
Fragestellung	Bestimmt das pädagogische Erkenntnisinteresse
Operationalisierung	Übersetzt ein theoretisches Merkmal in beobachtbare Indikatoren
Analyse	Untersucht Daten mit einem passenden Verfahren
Interpretation	Verbindet Ergebnisse mit Theorie und Kontext
Intervention	Setzt eine begründete Unterstützungsmaßnahme um
Evaluation	Prüft Wirkung und mögliche Nebenwirkungen

...

Kreuzworträtsel

Dashboard	Wie heißt eine verdichtete visuelle Darstellung von Lernkennzahlen?
Datenminimierung	Welcher Datenschutzgrundsatz beschränkt die Verarbeitung auf notwendige Daten?
Feedback	Wie heißt eine lernbezogene Rückmeldung zu Stand und nächsten Schritten?
Validität	Wie heißt die Güte, die angibt, ob wirklich das beabsichtigte Merkmal gemessen wird?
Profiling	Wie heißt die automatisierte Bewertung persönlicher Aspekte anhand personenbezogener Daten?
Transparenz	Welcher Grundsatz verlangt verständliche Informationen über Zwecke und Verfahren?

LearningApps

Lückentext

Learning Analytics nutzt Daten, um Lernen und Lehren besser zu

. Daten sind keine unmittelbare Abbildung des Lernens, sondern müssen im pädagogischen

interpretiert werden. Eine deskriptive Analyse beschreibt, was bereits

ist. Eine prädiktive Analyse schätzt mögliche zukünftige

. Die Güte einer Messung des beabsichtigten Merkmals heißt

. Ein Dashboard sollte Kennzahlen, Grenzen und nächste

verständlich darstellen. Der Datenschutzgrundsatz der

begrenzt die Verarbeitung auf notwendige Informationen. Lernende sollen durch

an Zielen und Gestaltung beteiligt werden. Eine Prognose darf nicht als endgültiges

über eine Person behandelt werden. Nach einer Intervention müssen Wirkung und mögliche

evaluiert werden.

Offene Aufgaben

Leicht

Begriffslandkarte: Erstelle eine Concept-Map mit den Begriffen Learning Analytics, Lerndaten, Dashboard, Feedback, Intervention, Evaluation und Datenschutz. Markiere Beziehungen mit kurzen Verben.
Datenspuren-Tagebuch: Beobachte einen Tag lang, welche digitalen Datenspuren in Lernumgebungen entstehen könnten. Notiere zu jeder Spur einen möglichen Nutzen und ein mögliches Risiko, ohne personenbezogene Daten anderer zu sammeln.
Dashboard-Kritik: Suche ein frei zugängliches Beispiel eines Bildungsdashboards und beschreibe, welche Botschaft durch Auswahl, Reihenfolge und Darstellung der Kennzahlen entsteht.
Perspektivwechsel: Schreibe zwei kurze Stellungnahmen zur selben Warnmeldung, eine aus Sicht einer lernenden Person und eine aus Sicht einer Lehrperson.

Standard

Operationalisierung: Entwickle für das Merkmal Lernengagement mindestens drei unterschiedliche Indikatoren. Begründe, was jeder Indikator sichtbar macht und was unsichtbar bleibt.
Interventionsplan: Entwirf für ein fiktives Seminar eine unterstützende Maßnahme, die auf häufigen Aufgabenabbrüchen reagiert. Formuliere Problem, Hypothese, Intervention, Wirkungsindikator und Nebenwirkungsprüfung.
Ethik-Workshop: Plane eine 45-minütige Sitzung, in der Studierende über Datennutzung, Transparenz, Fairness und Widerspruchsmöglichkeiten eines Analytics-Projekts beraten.
Mixed-Methods-Studie: Kombiniere Logdaten mit Interviews oder Lerntagebüchern, um eine pädagogische Forschungsfrage zu beantworten. Begründe Stichprobe, Erhebungszeitpunkt und Auswertung.

Schwer

Fairness-Audit: Entwickle einen Prüfplan für ein Frühwarnmodell. Berücksichtige Datenqualität, Gruppenunterschiede, falsch positive und falsch negative Ergebnisse sowie unterschiedliche Folgen von Fehlern.
Governance-Konzept: Entwirf Rollen, Entscheidungswege, Zugriffsrechte, Löschfristen und Beschwerdewege für ein Learning-Analytics-Projekt an einer Hochschule.
Evaluationsdesign: Plane eine Evaluation, die nicht nur Studienerfolg, sondern auch Motivation, Vertrauen, Selbstregulation, Arbeitsbelastung und Verteilungseffekte untersucht.
Partizipatives Design: Entwickle einen vollständigen Ablauf, in dem Lernende ein Dashboard mitgestalten, Prototypen testen, Kennzahlen hinterfragen und über die endgültige Einführung mitentscheiden.

Lernkontrolle

Kausalität und Korrelation: In einem Kurs korreliert häufiges Einloggen mit guten Prüfungsergebnissen. Entwickle mindestens drei plausible Erklärungen und begründe, welche zusätzlichen Daten oder Designs nötig wären, um Ursachen besser zu prüfen.
Fehlalarm: Ein Modell markiert eine engagierte Studentin fälschlich als gefährdet. Analysiere mögliche pädagogische, emotionale und datenschutzbezogene Folgen und entwickle Schutzmaßnahmen.
Messkritik: Eine Hochschule definiert Engagement ausschließlich über Klickzahlen. Beurteile diese Operationalisierung aus mindestens zwei Lerntheorien und schlage ein besseres Messkonzept vor.
Zweckänderung: Daten wurden zur freiwilligen Lernberatung erhoben und sollen später zur Auswahl für Stipendien genutzt werden. Prüfe den Fall anhand von Zweckbindung, Transparenz, Machtverhältnissen und Fairness.
Interventionsvergleich: Vergleiche eine automatische Warn-E-Mail mit einem freiwilligen persönlichen Beratungsangebot. Entwickle Kriterien, nach denen entschieden werden kann, welche Form in welchem Kontext angemessen ist.
Dashboard-Entscheidung: Ein Dashboard zeigt einen roten Risikowert von 72 Prozent. Erkläre, welche Informationen fehlen, bevor eine Lehrperson handeln sollte, und formuliere einen verantwortbaren Gesprächseinstieg.
Transfer: Übertrage den Learning-Analytics-Zyklus auf ein außerschulisches Bildungsangebot. Zeige, welche Teile gleich bleiben und welche wegen Zielgruppe, Freiwilligkeit oder Datenschutz angepasst werden müssen.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergibst, sondern einen vollständigen pädagogischen Argumentationsweg sichtbar machst.

Definition und Abgrenzung: Fachlich korrekte Erklärung von Learning Analytics und angrenzenden Feldern.
Theoriebezug: Begründete Verbindung zwischen Daten, Lernannahmen und pädagogischem Ziel.
Methodenwahl: Passende Auswahl und Erklärung von Datenquellen, Analyseformen und Qualitätskriterien.
Kritische Interpretation: Berücksichtigung alternativer Erklärungen, Datenlücken und Grenzen.
Interventionskompetenz: Entwicklung einer konkreten, unterstützenden und überprüfbaren Maßnahme.
Ethik und Datenschutz: Nachvollziehbare Prüfung von Transparenz, Datenminimierung, Fairness, Beteiligung und Rechten.
Evaluation: Plan zur Untersuchung von Wirkung, Nebenwirkungen und Verteilungseffekten.
Wissenschaftliche Kommunikation: Verständliche Darstellung, saubere Quellenarbeit und klare Trennung von Befund, Interpretation und Empfehlung.

Als Lernnachweis eignet sich ein Portfolio mit Analysefrage, Datenschema, theoretischem Modell, Dashboard-Prototyp, Ethikprüfung, Interventionsplan und Evaluationsdesign.

OERs zum Thema

Verknüpfte Lernbereiche

Learning Analytics - Pädagogik

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.