22.06.2016 1

Learning Analytics: Lerndaten sinnvoll nutzen

Dr. Peter Salden (TU Hamburg)

222.06.2016 TUHH

Agenda

2

1. Learning Analytics – was ist das?

2. Didaktische Möglichkeiten

3. Didaktische Bewertung

4. Datenschutz

5. Umsetzungsstand

322.06.2016 TUHH 3

DataMiningMit dem Thema Learning Analytics...

a)  kenne ich mich schon gut aus

b)  hatte ich bisher eher wenig zu tun

422.06.2016 TUHH 4

DataMiningLearning Analytics empfinde ich erstmal...

a)  als Chance für die Verbesserung der Lehre

b)  als datenschutzrechtlich problematisch

22.06.2016 5

Learning Analytics – was ist das?

622.06.2016 TUHH

Learning Analytics: Kontext

6

DataMining

Data Mining

Educatio-nal Data Mining

Learning Analytics

Big Data

722.06.2016 TUHH

Definition

7

DataMining

Der Begriff „Learning Analytics“ bezeichnet die Analyse großer Datenmengen, die durch die

Nutzung von Informations- und Kommunikationstechnologien bei

Lernprozessen anfallen.

822.06.2016 TUHH

Ein Szenario

8

DataMining

•  Eine Universität hat ein Campus Management-System.

•  Das Learning Management-System ist integriert.

•  Das Angebot umfasst auch Social Media- sowie Selftracking-Dienste.

•  Lehrende und die Verwaltung haben Zugang zu lernbezogenen Daten der Studierenden.

922.06.2016 TUHH

Akteursebenen

9

Datennutzung durch

Studierende

1022.06.2016 TUHH

Akteursebenen

10

• Behörde• InstitutionenverbundMakro

• Institution• FakultätMeso

• Vorlesungsgruppe• Einzelne StudierendeMikro

nach Buckingham Shum: IITE Policy Brief

22.06.2016 11

Didaktische Möglichkeiten

1222.06.2016 TUHH

Didaktische Möglichkeiten

12

DataMining

Lernstandsbeschreibungen

1322.06.2016 TUHH

Didaktische Möglichkeiten

13

DataMining

Bestehensprognosen

1422.06.2016 TUHH

Didaktische Möglichkeiten

14

DataMining

Netzwerkanalyse

1522.06.2016 TUHH

Didaktische Möglichkeiten

15

DataMining

Adaptive Lernumgebungen (für heterogene Gruppen)

1622.06.2016 TUHH

Didaktische Möglichkeiten

16

DataMining

Feedback zur Lehre

1722.06.2016 TUHH

Didaktische Möglichkeiten

17

DataMining

Erweiterte Evaluation

22.06.2016 18

Didaktische Bewertung

1922.06.2016 TUHH

Lerntheorie

19

DataMining

•  Behaviorismus: Das Gehirn ist zwar eine Black-Box, aber es folgt Reiz-Reaktions-Logiken, die wir für das Lernen nutzen können.

•  Kognitivismus: Wir können Vorgänge im Gehirn erklären und uns für die Gestaltung von Lernprozessen zunutze machen.

•  Konstruktivismus: Jeder lernt individuell und konstruiert aus Informationen eine eigene Wirklichkeit. Die Ergebnisse der Konstruktionsprozesse sind nur begrenzt beeinflussbar.

2022.06.2016 TUHH 20

DataMiningIch habe das Gefühl, Learning Analytics befördern eine Didaktik gemäß dem...

a)  Behaviorismus (Reiz-Reaktion)

b)  Kognitivismus (Lernprozesse verstehen)

c)  Konstruktivismus (individuelles Lernen fördern)

2122.06.2016 TUHH

Lerntheorie

21

DataMining

Diskutieren Sie:

Welche Art von Didaktik befördern Learning Analytics?

2222.06.2016 TUHH

Lerntheorie

22

Lehr-Lernsituation

Learning Analytics

Didaktische Konsequenz

nach Greller/Drachsler

2322.06.2016 TUHH

Vor- und Nachteile

23

Pro Contra

Quantität statt Qualität

Erfassung von Kompetenz?

Verallgemeine-rung

Selbst-steuerung

Schnelle Intervention

Erkenntnis-gewinn

22.06.2016 24

Datenschutz

2522.06.2016 TUHH

Datenschutz: Restriktionen

25

DataMining•  Grundsätzlich ist die Verarbeitung personenbezogener Daten verboten (vgl. GG).

•  Grundsatz der Datenminimierung (z.B. EU Datenschutzgrundverordnung)

•  Daten dürfen ausschließlich für einen definierten Zweck erhoben werden.

2622.06.2016 TUHH

Datenschutz: Spielräume

26

DataMining•  Auch für Anwendungsfälle von Learning Analytics können Verfahren definiert werden.

•  Betroffene können in die Nutzung ihrer Daten einwilligen.

•  Die Verarbeitung anonymisierter Daten ist tendenziell unproblematisch.

2722.06.2016 TUHH 27

DataMining

Diskutieren Sie das Datenschutz-Problem – und gerne auch die Fragen:

•  Benötigen wir für die Nutzung von Learning Analytics überhaupt personalisierte Daten?

•  Können große, heterogene Mengen an Lerndaten anonymisiert werden?

•  Wie schätzen Sie die Wahrscheinlichkeit ein, dass Studierende von sich aus in die Datennutzung einwilligen?

2822.06.2016 TUHH 28

DataMiningInsgesamt betrachtet sehe ich...

a)  vor allem didaktische Chancen

b)  vor allem offene Datenschutzfragen

22.06.2016 29

Umsetzungsstand

3022.06.2016 TUHH

„Learning Analytics“ bei Google Trends

30

DataMining

Relative Häufigkeit des Suchbegriffs „learning analytics“ (bis Oktober 2015) nach Google „Trends“ (http://www.google.de/trends/)

3122.06.2016 TUHH

„Learning Analytics“ bei Google Trends

31

DataMining

Relative Häufigkeit des Suchbegriffs „learning analytics“ (bis Oktober 2015) nach Google „Trends“ (http://www.google.de/trends/)

3222.06.2016 TUHH

Beispiele von der TUHH

32

Online-Prüfungsmodule

Backchannel

Vorlesungs-aufzeichnungen

Fotos: A. Tscheulin (1, 3); TUHH/M. Hernandez (2)

3322.06.2016 TUHH

Was tun?

33

Bewusstsein für Daten schaffen

Didaktische Ziele identifizieren

Umgang mit Daten regulieren

Transparenz schaffen

3422.06.2016 TUHH 34

Vielen Dank für Ihre Aufmerksamkeit!

Für Rückfragen: Dr. Peter Saldenpeter.salden@tuhh.de

s. auch Salden/Rick/Tscheulin: „Learning Analytics aus hochschuldidaktischer Perspektive“, in: Grundfragen Multimedialen Lehrens und Lernens, Hg. N. Apostolopoulos u.a. 2014.