Der Einsatz von Learning Analytics in der Praxis steht oft vor zwei Herausforderungen: Akzeptanz durch Nutzer und datenschutzkonforme Erfassung von Analyse-Daten. Beide Herausforderungen können durch den Einsatz von Pseudonymisierung sowie Zustimmungs-Management für Datensammlung, -Verarbeitung und -Abruf gelöst werden.
Hierfür benötigt es ein System, welches die Erfassung und Verwendung der Daten unter Berücksichtigung von ethischen, didaktischen und datenschutzrechtlichen Aspekten steuert. Wir demonstrieren die Rights Engine (RE), welche diese drei Anforderungen zur Erfassung von Daten erfüllt. Die RE nimmt Daten verschiedener Quellsysteme entgegen und pseudonymisiert (Pseudonymization) diese je nach Einstellungen des Nutzers.
Es werden nur die Daten gespeichert, für die eine Zustimmung (Consent-Management) des Nutzers vorliegt.
Diese Einstellungen können jederzeit von dem Nutzer über ein Webfrontend angepasst werden.
Anbieter von Quellsystemen laden dafür eine Konfigurationsdatei hoch, inklusive der Konfiguration in Opt-In, Opt-Out, bzw. einer Kombination der Verfahren. Die RE klärt die Nutzer über die Notwendigkeit der möglichen Datenerfassung auf und berichtet über die bisher erfassten Daten.
Weiterhin stellt die RE ein Permission-Management für Analytics Engines bereit. Über eine Schnittstelle ermöglicht die RE mit bestimmten Schlüsseln Daten zu laden. Zusätzlich wird hinterlegt, welche Nutzer oder Nutzergruppen welche Analyseergebnisse abrufen dürfen.

Mangelnde schulische Basisqualifikationen der Studierenden im Bereich Mathematik sowie Text- und Sprachverständnis Deutsch haben sich in der Studieneingangsphase zu einem maßgeblichen Passungsproblem entwickelt (Heublein 2017, Kürten 2000, Pitton/Scholten-Akoun 2016). Zur eigenständigen Aufarbeitung der individuellen Defizite wurden daher in den letzten Jahren digitale Systeme für Self-Assessments oder Selbstlernangebote entwickelt.

Hoher Zeitaufwand bei der Selbsttestung und eine fehlende Verknüpfung Lerninhalte-Testergebnis führten in der Vergangenheit jedoch zu berichteten Akzeptanzproblemen aufseiten der Studierenden. Bei Lehrenden hingegen fehlen Möglichkeiten, das Angebot auf die Anforderungen der eigenen Lehre hin auszurichten. Das Projekt „Adaptives Lernen in der Studieneingangsphase (ALiSe)“ versucht diese Hemmnisse zu beheben, indem durch Computer-Adaptives Testen (CAT) kurze Testdauern mit hoher diagnostischer Information sichergestellt und den Studierenden auf deren Testergebnisse hin passgenau ausgerichtete Lernangebote präsentiert werden. Lehrende können zudem Testverfahren und Lernangebote durch die Umsetzung in Moodle als Open Source und die Bereitstellung der Inhalte als OER anpassen.

Wir stellen die Umsetzung des ALiSe-Projektes als Live-Demonstration für Mathematik und Deutsch vor.

Getrieben durch die Digitalisierung, erzeugen Studierende immer mehr Daten in den unterschiedlichen Systemen ihrer Hochschulen, darunter Moduleinschreibungen, Prüfungs­anmeldungen und Leistungsartefakte in Campus-, Lernmanagement- oder Prüfungssystemen (Ifenthaler, 2020). Solche Daten werden im Kontext von Learning Analytics u.a. mit Methoden des Maschinellen Lernens und Data Mining analysiert (Chatti et al., 2012). Im Fokus steht dabei meist die Betrachtung von Lern- und Prüfungsprozessen (Zawacki-Richter et al., 2020). Weniger Beachtung findet die Analyse übergreifender Studienverlaufsdaten, für die Daten aus verschiedenen Hochschulsystemen zusammengeführt werden (Baumann et al., 2015, 2020). Individuelle Studienberatungen, Studienverlaufsempfehlungen oder die Gestaltung von Studiengängen erfolgen nur eingeschränkt evidenzbasiert, da belastbare Daten zum Studienverlauf und der Kohortenverfolgung fehlen. In diesem Beitrag wird BuddyAnalytics, ein interaktives Dashboard zur Kohortenverfolgung und evidenzbasierten Curriculumsentwicklung für Studiengangsdesigner vorgestellt. Studiengangs­designer können mittels BuddyAnalytics in der Planung und Koordination, sowie dem Qualitätsmanagement und der Weiterentwicklung von Studiengängen unterstützt werden. Basierend auf Studienverlaufsdaten können Erkenntnisse über das Studierendenverhalten abgeleitet und zur begründeten Entscheidungsfindung herangezogen werden. Das Dashboard wird derzeit im Rahmen des Projekts AIStudyBuddy entwickelt und ein erster Prototyp soll vorgestellt werden. Der Austausch mit dem Fachpublikum unterstützt die Weiterentwicklung und zielgruppengerechte Ausgestaltung.

In einem Großteil mathematischer Lehrveranstaltungen werden durch den Einsatz wöchentlicher Aufgaben kontinuierlich Angebote zur Auseinandersetzung mit den entsprechenden Inhalten gemacht. Insbesondere bei digitalen Aufgaben entstehen Daten, die durch Learning Analytics (LA) mit dem Ziel, Lernen besser zu verstehen, ausgewertet werden können. Diese Daten umfassen beispielsweise die Bearbeitungszeit, die Anzahl der unternommenen Versuche oder die Art der fehlerhaften Antworten.

Im Rahmen des Projekts KI:edu.nrw wurden Auswertungsalgorithmen (Analytics Engines) und Ergebnisdarstellungen entwickelt. Die Analytics Engines verarbeiten die Lerndaten der Studierenden und generieren Analysen, die in einer Datenbank abgelegt werden. Diese werden dann durch eigens entwickelte Widgets in zwei übergeordneten Dashboards - einem für Lernende und einem für Lehrende - grafisch dargestellt. So wird zum Beispiel automatisch ermittelt, bei welchen Aufgaben auch ansonsten gute Studierende nur wenig Punkte erreicht haben, was ein Zeichen für eine notwendige Verbesserung der Aufgabe sein kann.

Ein besonderer Fokus des Projekts liegt auf der Bereitstellung direkt umsetzbarer Erkenntnisse („actionable insights“) und dem Aufzeigen von Möglichkeiten zur Verbesserung des Lernens und Lehrens in Form konkreter Empfehlungen.

Bei der Demonstration wird ein beispielhafter Einblick in die Dashboards gegeben. Außerdem werden erste Erfahrungen aus dem Einsatz in mathematischen Lehrveranstaltungen vorgestellt.

Research on Human-Centered Learning Analytics (HCLA) has provided demonstrations of a successful co-design process for LA tools with different stakeholders. However, there is a need for `quick and dirty' methods to allow the low-cost design of LA indicators. Recently, Indicator Specification Cards (ISC) have been proposed to help different learning analytics stakeholders co-design indicators in a systematic manner. In this paper, we aim at improving the user experience, flexibility, and reliability of the ISC-based indicator design process. To this end, we present the development details of an intuitive and theoretically-sound ISC user interface that allows the low-cost design of LA indicators. Further, we propose two approaches to support the flexible design of indicators, namely a task-driven approach and a data-driven approach.

Dashboards sind ein wesentlicher Bestandteil der praktischen Umsetzung von Learning Analytics [Jivet et al.,
2018] und damit der Auswertung von Daten Lernender. Deutsche Universitäten weisen hier einen Digitalisierungs-Rückstand hinsichtlich der Datenverwaltung und Datenauswertung auf [Kerres, 2020]. Zusätzlich werden zur Erstellung von Analysen und Dashboards viele unterschiedliche interdisziplinäre Kompetenzen benötigt, da hier psychologische auf technische Anforderungen treffen [Sedrakyan et al., 2020]. Die Umsetzungsdauer kann deshalb stark von deren Verfügbarkeit abhängen. Im Rahmen dieser Demonstration zeigen wir den Prozess der erstmaligen Erstellung eines Dashboards für Studienberater*innen der angewandten Informatik an der Ruhr-Universität Bochum.
In Anlehnung an Abbildung 1 beschreiben wir die zeitliche Abfolge von der Erforschung neuer Methoden bis zur Implementierung des Dashboards im Austausch mit Studienberater*innen. Dabei gehen wir insbesondere auf die entsprechenden Kompetenzen ein, die während der Teilschritte von Bedeutung waren.
Das resultierende Dashboard vereint aktuelle Learning Analytics Forschung mit den Anforderungen der Studienberatung. Das Dashboard-Design adaptiert die modulare Kachelvisualisierung von Gutiérrez et al. [2020] und enthält unter anderem konkrete Visualisierungen von Kursschwierigkeiten und Studierenden-Niveau [Baucks et al., 2023], sowie Studierenden-Simulationen [Baucks & Wiskott, 2022].