Learning Analytics und seine Möglichkeiten

Durch die Digitalisierung hat sich auch unser Lernen verändert. Wir lernen nicht mehr nur in Präsenzveranstaltungen oder aus Büchern, sondern suchen auch ganz gezielt nach digitalen Angeboten, die ein hohes Maß an Flexibilität bieten. Mit dem Computer, Tablet oder dem Smartphone kann jederzeit und überall auf Lerninhalte und Informationen zugegriffen und so gelernt werden.

Wie bei jeder digitalen Anwendung hinterlässt ein Nutzer auch beim Lernen Spuren, die nachverfolgt und ausgewertet werden können.
So kann das sogenannte „Learning Analytics“ dabei helfen, das eigene Lernverhalten, den aktuellen Wissensstand und mögliche Potenziale zu erkennen und in der Folge neue Lerneinheiten dementsprechend anzupassen. Kritiker sehen in Learning Analytics eine große Gefahr, da die erhobenen Daten auch missbräuchlich genutzt werden könnten, um den Nutzer zu bewerten.

Welche Daten können mit Learning Analytics erhoben werden?

Mit Learning Analytics können aus dem Pool der generierten Daten Informationen zu unterschiedlichen Zwecken herausgefiltert werden:

• Für den Nutzer selbst können Daten zur Verfügung gestellt werden, mit denen er die Möglichkeit hat, seinen persönlichen Wissenstand zu erkennen und seine Lerngewohnheiten besser kennen zu lernen.
• Nicht personalisierte Informationen über genügend viele Nutzer geben Aufschluss darüber, wo Nutzer offensichtlich generelle Wissenslücken haben und weitere Unterstützung benötigen.
• Autoren können anhand der ermittelten Daten erkennen, ob und an genau welcher Stelle eines Lernmoduls einzelne Nutzer oder ganze Nutzergruppen Unterstützung benötigen.
• Entwickler haben durch die gesammelten Informationen die Möglichkeit, das aktuelle Kursangebot bezüglich der Nutzerführung (User Interface, Interactive Design) den Anforderungen der Nutzer anzupassen und zu verbessern.
• Nicht zuletzt bietet Learning Analytics die Möglichkeit, Erfolgskennzahlen zu ermitteln und sie zur internen oder externen Qualitätssicherung zu nutzen.

Was sind die Vorteile von Learning Analytics?

Die Idee, Daten zu sammeln ist nicht neu. Auch in den herkömmlichen Learning Management Systemen werden Daten erfasst und ausgewertet. Neu bei Learning Analytics ist, dass die erhobene Vielzahl an Daten durch intelligente Algorithmen ausgewertet und so im Vergleich zu herkömmlichen LMS-Analysen differenziertere und auch neue Erkenntnisse gewonnen werden können.

Anhand einer individuellen Lerngeschichte können nun auch Prognosen über künftige Aktionen oder auch Ergebnisse eines Lernenden gemacht werden. Des Weiteren können dem Lernenden Lernhinweise aus seinen sozialen Bezügen gegeben werden: Beispielsweise kann die Anwendung ihm Hinweise geben, welche Lerneinheiten in seinem Netzwerk besonders stark genutzt wurden.

Obwohl die Anwendungen für eine große Anzahl von Nutzern gedacht ist, kann für den Nutzer durch Learning Analytics ein ganz individuelles Lernumfeld geschaffen werden, in dem er optimal und auf seine Bedürfnisse abgestimmt lernen kann.

TinCan und Learning Analytics

Google Analytics ist noch relativ jung und findet gerade erst vorsichtigen Anklang in der deutschen Bildungswirtschaft. Und dennoch gibt es schon weitere Analyse-Modelle, die in Abgrenzung zu Learning Analytics weiterentwickelt werden. Als Beispiel hierfür sei TinCan genannt. Dieses Modell orientiert sich an den Nutzerbewegungen und sammelt die Daten plattformunabhängig. Somit wird ein vollständiges Bild erstellt, ganz gleich welche Endgeräte ein Anwender nutzt.

Informationen, die zur Auswertung gesammelt werden, konzentrieren sich ausschließlich auf die Aktivität des Lernenden: Was hat er wann, wo und wie gemacht? Das Bild, das sich aus der Datensammlung erstellen lässt, ist vollständiger als bei Learning Analytics: Die Einbeziehung unterschiedlicher Plattformen sowie unterschiedlicher Anwendungen liefern ein umfassendes Bild über den Lernend en, seine Gewohnheiten, seinen Wissensstand und seine Motivation.

Die so entstandenen Daten wiederum können zu weiteren Individualisierungen innerhalb der Lernanwendung sowie zur weiteren Verbesserung der Inhalte und Angebote genutzt werden.

Letztlich führen alle diese Analyse-Modelle dazu, Lernen, Weiterbildung und Informationen zu individualisieren und somit für den Anwender selbst sehr viel effizienter zu gestalten.

Die Anforderungen der Anwender an Qualität und Passgenauigkeit und somit die Effizienz des zur Verfügung gestellten Materials lässt sich nur in Verbindung mit dazu verbundenen Daten realisieren.