Anhaltend hohe Studienabbruchquoten, insbesondere im MINT-Bereich, unterstreichen die dringende Notwendigkeit, das Studium neu zu gestalten. Dabei ist das unterschiedliche Kompetenzniveau der Studienanfänger*innen ein zentraler Ausgangspunkt. Hochschulen stehen vor der zusätzlichen Herausforderung, Studierende dabei zu unterstützen, ihre schulischen Kompetenzen aufzufrischen, um Bildungsgerechtigkeit zu gewährleisten. Hierbei kann Learning Analytics (LA) unterstützen.

Im Rahmen des Projekts beVinuS.nrw der drei Hochschulen BU Wuppertal (konsortialführend), TU Dortmund und RWTH Aachen werden Online-Self-Assessments sowie auf die Ergebnisse dieser abgestimmte (Online-)Kursangebote eingesetzt, um das notwendige schulische Vorwissen bedarfsorientiert und individualisiert zu diagnostizieren, aufzuarbeiten bzw. aufzufrischen und so Studienerfolge zu fördern. Die unter Anwendung von LA durchgeführte lern- und motivationswissenschaftliche Evaluation der Nutzung des Angebots erlaubt Einblicke in das Lernverhalten der Studierenden sowie die Akzeptanz von beVinuS.nrw in den beteiligten Pilotstudiengängen. Das Ergebnis der Evaluation wird anschließend in das Projekt zurückgekoppelt, um das studienergänzende Angebot enger auf die Bedarfe der Studienanfänger*innen abzustimmen.

Im Impulsvortrag soll ein Praxisbeispiel für die Nutzung von LA vorgestellt werden, das aufzeigt, wie Klickverhalten generiert, aufbereitet und analysiert werden kann, um Schlussfolgerungen über die Qualität und den Motivationsgehalt des Lernangebots zu ziehen und dessen Aussagekraft zu bewerten. Es wird thematisiert, auf welche Weise die Ergebnisse von LA dazu genutzt werden können, die Güte von Lernangeboten zu erhöhen, indem neben fachlichen auch strukturelle Aspekte im Lern-Management-System untersucht werden. Zudem soll erörtert werden, welche Daten für das Evaluationssetting relevant sind und wie im Projekt beVinuS.nrw datenschutzrechtlich mit ihrer Verarbeitung umgegangen wird.

Die Konzentration der Lernenden spielt in der Bildungsforschung eine zentrale Rolle für den Erfolg des Lernprozesses. Im Zuge der Corona-Pandemie wurden zahlreiche Lehrvideos von echten Lehrkräften erstellt, die heute noch begleitend zur Präsenzlehre als Lernunterstützung eingesetzt werden. Mit dem Aufkommen generativer KI-Modelle wurde die Verwendung von Video-Avataren als Lehrmittel möglich. Diese sehen realistisch aus und erinnern in Bezug auf Mimik und Gestik stark an eine echte Person.

Das Hauptziel dieses Projekts besteht darin, die Aufmerksamkeit von Studierenden zu messen und zu vergleichen, wenn sie Lehrvideos mit einer realen Lehrperson im Vergleich zu KI-Avataren betrachten. In dem Paper werden die Ergebnisse einer mit 60-80 Studierenden im SoSe24 durchgeführten Studie vorgestellt. In ihrem Verlauf werden Studierende zufällig zwei Gruppen zugeordnet: Gruppe A sieht Lehrvideos, in denen eine reale Lehrperson den Inhalt präsentiert, Gruppe B sieht Lehrvideos, in denen ein KI-generierter Avatar, welcher aus einer begrenzten Menge von Variationen (Geschlecht, Aussehen) frei wählbar ist, den gleichen Inhalt präsentiert. Dabei wird die Hirnaktivität der Studierenden mittels EEG erfasst. Diese zeigt, wie stark die Studierenden auf den Inhalt achten und durch ihn aktiviert werden. Nach der Videorezeption wird ein Test durchgeführt, um das Verständnis des Lehrinhalts zu überprüfen und die Testergebnisse mit den gemessenen Hirnaktivitäten zu korrelieren. Mit dieser Studie werden folgende Hypothesen überprüft:

1. Die Studierenden in Gruppe A werden eine stärkere Aufmerksamkeit aufbringen, da die menschliche Präsenz einen positiven Einfluss hat.

2. Die Studierenden in Gruppe B werden ähnliche Aufmerksamkeitsmuster zeigen wie die Probanden der Gruppe A.

3. Die Möglichkeit der Auswahl des Avatars beeinflusst die Identifikation der Studierenden mit dem Lehrmaterial.

Künstliche Intelligenz (KI) und Trusted Learning Analytics (TLA) unterstützen hochschuldidaktische Prozesse, um sowohl den Erwerb von Fachwissen als auch die Entwicklung studentischer Selbstregulation zu fördern. So stellt das im Rahmen des BMBF-geförderten Projekts IMPACT entwickelte personalisierte Feedbackzentrum Studierenden seit dem Wintersemester 2023/24 formatives, hochinformatives Feedback (HIF) mithilfe von KI und Trusted Learning Analytics bereit. Der KI- und Learning Analytics Service ist ein optionales Angebot und soll Studierende durch Visualisierungen und schriftliches Feedback zu ihren Kursaktivitäten im Lernprozess unterstützen. Gleichzeitig werden Fertigkeiten für den Umgang mit Feedback vermittelt (Feedback Literacy), um die Studierenden zu befähigen, einen größeren Nutzen aus dem angebotenen Self-Monitoring für den individuellen Lernfortschritt zu erzielen.

Relevant für den nachhaltigen Implementierungsprozess ist zudem die Entwicklung einer hochschulinternen Engagementstrategie, welche die Voraussetzungen zur Integration von ethisch reflektierten KI- und LA-Anwendungen in die gesamte Hochschule maßgeblich vorbereitet. Der Beitrag gibt Einblicke, wie Lösungen sowohl zum Datenschutz, zur wertesensiblen didaktischen Entwicklung von hochinformativem Feedback als auch zur prospektiven technologischen Anwendungsentwicklung mit Open-Source Software umgesetzt wurden. Denn Anwendungen zu Learning Analytics und KI in der Hochschullehre haben ganz spezielle Anforderungen, um negative Effekte im Lernprozess gar nicht erst entstehen zu lassen. Insbesondere bei Anwendungen, die ein Self-Monitoring integrieren, müssen Chilling-Effekte vermieden werden. Studierende müssen zudem in ihrer Autonomie und ihren Fähigkeiten gestärkt werden, indem Feedback-Literacy und Informationen zur Transparenz in das System integriert werden.

Der Beitrag zeigt, wie automatisiertes formatives Feedback nach einem Value Sensitive Design gestaltet werden kann, um Studierende bei der Nutzung von TLA- und KI-basierten Werkzeugen für ihre individuellen Lernziele zu unterstützen. Dabei werden kritische und risikobasierte Anforderungen bereits in der Anwendungsentwicklung berücksichtigt.