Blog-Beitrag

Learning Analytics in der Hochschullehre

Lavinia IonicaHalle, Juni 2017 - Lavina Ionica reflektiert anhand neuer Studienergebnisse die Potenziale und Unzulänglichkeiten von Learning Analytics und die Anwendbarkeit der Forschungsergebnisse auf die deutsche Hochschullandschaft. Der Artikel erschien in kürzerer Fassung erstmals im Blog des Zentrums für multimediales Lehren und Lernen der Universität Halle.

Wenn Studierende via Online-Portale mit ihrer Universität interagieren (z.B. bei der Modul- und Prüfungsanmeldung, beim Verlängern der Bibliotheksbücher, bei der Verwendung der Lernmaterialien im Lernmanagementsystem) hinterlassen sie digitale Fußspuren. Learning Analytics befasst sich speziell mit den Prozessen zur Verwendung der Daten mit dem Ziel, das Lehren und Lernen zu verbessern (vgl. Sclater, Peasgood & Mullan, 2016). 

Learning Analytics umfasst die Messung, Sammlung, Analyse und Dokumentation von Daten bezüglich des Fortschritts von Lernenden sowie der Kontexte, in denen Lernen stattfindet. Die Idee von Learning Analytics ist somit, große Datenmengen zu analysieren um durch Feedback an Studierende und Lehrende die Qualität der Lehr- und Lernprozesse zu erhöhen. 

In den letzten Jahren wurde in diesem Bereich viel geforscht. Aktuell hat die britische Organisation JISC einen Bericht mit dem Titel "Learning Analytics in higher education" veröffentlicht. Er fasst die elf Fallstudien an Universitäten in den USA, England und Australien. Die Autoren nennen folgende Bereiche, in denen Learning Analytics einen wesentlichen Beitrag leisten könnte: 

  1. Als Werkzeug zur Qualitätssicherung und Qualitätsentwicklung: Learning Analytics könnte als ein diagnostisches Instrument auf individueller oder institutioneller Ebene proaktiv verwendet werden, um den eigenen Unterricht zu verbessern. 
  2. Als Instrument zur Verringerung des Studienabbruchs: Institutionen könnten Risikostudierende früher Erkennen um bereits in der Studieneingangsphase (mit z.B. Beratung) intervenieren zu können. 
  3. Als Instrument zur Einschätzung andersartiger Lernergebnisse: Erhobene Daten können Aufschlüsse zum Lernverhalten heterogener Lerngruppen geben um auf deren Bedürfnisse didaktisch handeln zu können. 
  4. Als Voraussetzung für die Entwicklung und Einführung von Adaptivem Lernen: Hier handelt es sich um personalisiertes Lernen, wodurch Studierende Lernmaterialien auf der Basis ihrer vorherigen Interaktionen im Lernprozess erhalten. 

Lesen Sie weiter beim Hochschulforum Digitalisierung.