Im Rahmen des Projekts KI:edu.nrw wird sondiert, wie der Einsatz von Learning Analytics-Ansätzen ausgestaltet werden muss, um diese zu einem erfolgreichen Einsatz zu führen. Die gesammelten Erfahrungen sollen insbesondere Hochschulen in Nordrhein-Westfalen dabei helfen zu entscheiden, ob und wie sie Learning Analytics einsetzen wollen und wie der Einsatz fair und erfolgreich für alle Nutzer:innen gelingen kann. Einige der damit verbundenen datenschutzrechtlichen Rechtsfragen – insbesondere solche, die sich bei der Planung und Nutzung von Learning Analytics stellen – werden im Beitrag adressiert. Konkret bezieht sich der Beitrag auf den Einsatz von Learning Analytics an Hochschulen im Geltungsbereich des Hochschulgesetzes NRW.

Dabei werden auch entsprechende Empfehlungen abgeleitet. Diese Empfehlungen umfassen die Ausgestaltung der Systeme, Spezifika rechtlicher Dokumente, Rechtsakte der Hochschulen und Hinweise an den Landesgesetzgeber.

Im Rahmen der Nutzung von Learning Analytics (LA) im tertiären Bildungssektor werden unter anderem Machine-Learning-Verfahren zur Leistungsprognose von Studierenden erprobt. Dabei geraten Einstellungen und Wahrnehmungen der betroffenen Studierenden gegenüber LA und insbesondere deren Auswirkungen auf Technikakzeptanz und erwartete Schäden in den Blick. Im Rahmen einer repräsentativen Befragungsstudie wurden Ende 2022 n=751 Studierende an deutschen Hochschulen und eine allgemeine Bevölkerungsstichprobe (n=1008) zu Ihrer Wahrnehmung von und Einstellungen gegenüber Verfahren Künstlicher Intelligenz (KI), LA und der Leistungsprognose befragt. Die Ergebnisse zeigen, dass Studierende den Einsatz von KI in vielen Gesellschaftsbereichen eher befürworten als der Rest der Bevölkerung. Sie bewerten den Einsatz von KI in Schulen und Universitäten jedoch ebenso ambivalent und sehen bei der Einführung der Leistungsvorhersage insgesamt höhere Risiken. Obwohl die wahrgenommene Reputation von Hochschulen, die die Leistungsvorhersage einführen, eher gering eingeschätzt wird, suggerieren die Ergebnisse jedoch keine ausgeprägte Protestbereitschaft oder Vermeidungshaltung der Studierenden. Es zeigt sich eine weitgehend einheitliche Erwartungshaltung an die konkrete Umsetzung der KI-gestützten Leistungsprognose an Hochschulen. Die Befunde zu den studentischen Präferenzen bezüglich LA werden im Impulsreferat detailliert dargestellt und Implikationen für die Leitungs- und Verwaltungsebene von Hochschulen sowie die Entwickler:innen von LA abgeleitet.

Learning Analytics (LA) is defined as “the measurement, collection, analysis, and reporting of data about learners and their contexts, for the purposes of understanding and optimizing learning and the environments in which it occurs.” (Siemens 2013). Relatively early in the formation of this still young research field, authors started to highlight that LA raises a range of ethical issues and sparked a debate on how to tackle these issues (Slade & Prinsloo 2013, 2017; Pardo & Siemens 2014). In more or less eclectic fashion some taxonomies and frameworks were formulated in order to address these issues and strengthen stakeholder acceptance (e.g. Sclater 2015; Drachsler & Greller 2016).

In my paper, I build on existing overviews of LA Ethics (e.g. Cerratto Pargman & McGrath 2021) to identify the main ethical issues currently discussed as part of the LA literature. I will show that those assessments often do not properly distinguish issues in LA research from issues of LA applications. I will complement this by reviewing the critique formulated especially in the German philosophy of education debate that see LA as a reformulation of the cybernetics debates of the 1970s (Reinisch 2020; Verständig *et al.* 2022; Waldmann und Wunder 2021). In a second step, approaches from Applied Ethics and Ethics of Technology are introduced to sketch out avenues in which Practical Philosophy can contribute to the mitigation of ethical issues in Learning Analytics applications in higher education.

## Literature
- Cerratto Pargman, Teresa, and Cormac McGrath. 2021. “Mapping the Ethics of Learning Analytics in Higher Education: A Systematic Literature Review of Empirical Research.” Journal of Learning Analytics, February, 1–17. https://doi.org/10.18608/jla.2021.1.
- Drachsler, Hendrik, and Wolfgang Greller. 2016. “Privacy and Analytics: It’s a DELICATE Issue. A Checklist for Trusted Learning Analytics.” In Proceedings of the Sixth International Conference on Learning Analytics & Knowledge - LAK ’16, 89–98. Edinburgh, United Kingdom: ACM Press. https://doi.org/10.1145/2883851.2883893.
- Pardo, Abelardo, and George Siemens. 2014. “Ethical and Privacy Principles for Learning Analytics: Ethical and Privacy Principles.” British Journal of Educational Technology 45 (3): 438–50. https://doi.org/10.1111/bjet.12152.
- Prinsloo, Paul, and Sharon Slade. 2017. “Ethics and Learning Analytics: Charting the (Un)Charted.” In Handbook of Learning Analytics, edited by Charles Lang, George Siemens, Alyssa Wise, and Dragan Gasevic, First, 49–57. Society for Learning Analytics Research (SoLAR). https://doi.org/10.18608/hla17.004.
- Reinisch, Markus. 2020. “Big Data und Algorithmen: Instrumente einer neuen kybernetischen Steuerung an Schulen?” In „Neue Steuerung“ – Renaissance der Kybernetik?, edited by Detlef Fickermann, Veronika Manitius, and Martin Karcher, 134–50. Waxmann Verlag GmbH. https://doi.org/10.31244/9783830991618.09.
- Sclater, Niall. 2015. “A Taxonomy of Ethical, Legal and Logistical Issues of Learning Analytics v1.0.” March 3, 2015. https://sclater.com/blog/a-taxonomy-of-ethical-legal-and-logistical-issues-of-learning-analytics-v1-0/.
- Siemens, George. 2013. “Learning Analytics: The Emergence of a Discipline.” American Behavioral Scientist 57 (10): 1380–1400. https://doi.org/10.1177/0002764213498851.
- Slade, Sharon, and Paul Prinsloo. 2013. “Learning Analytics: Ethical Issues and Dilemmas.” American Behavioral Scientist 57 (10): 1510–29. https://doi.org/10.1177/0002764213479366.
- Verständig, Dan, Christina Kast, Janne Stricker, and Andreas Nürnberger. 2022. “Algorithmen und Autonomie. Interdisziplinäre Perspektiven auf das Verhältnis von Selbstbestimmung und Datenpraktiken.” In Algorithmen und Autonomie, edited by Dan Verständig, Christina Kast, Janne Stricker, and Andreas Nürnberger, 7–24. Opladen, Berlin, Toronto: Verlag Barbara Budrich. https://doi.org/10.3224/84742520.
- Waldmann, Maximilian, and Maik Wunder. 2021. “Es empfiehlt sich ‚von selbst‘: Bildungssoziologische Überlegungen zur Transformation von Autonomieverhältnissen durch Recommender-Systeme in der Hochschullehre.” In Algorithmisierung und Autonomie im Diskurs: Perspektiven und Reflexionen auf die Logiken automatisierter Maschinen, edited by Christian Leineweber and Claudia de Witt, 68–101. Medien im Diskurs. Hagen: deposit_hagen. https://doi.org/10.18445/20210420-111019-0.