Die Erhebung, Messung und Analyse von Daten, die von Lernenden und Lernumgebungen erzeugt werden (z. B. Interaktionsprotokolle, Assessment‑Ergebnisse, Engagementmuster), um Lernprozesse zu überwachen, Ergebnisse vorherzusagen und Entscheidungen zur Verbesserung von Lernen und Unterstützung zu informieren.

Prinzip

Learning Analytics wandelt digitale und dokumentierte Bildungsspuren in Kennzahlen und Modelle um, die, wenn sie valide und kontextgerecht interpretiert werden, gefährdete Lernende identifizieren, Engagementmuster sichtbar machen und gezielte Interventionen oder Programmverbesserungen vorschlagen können.

Demonstration

Illustratives Szenario — Situation: Eine Online-Plattform protokolliert Zeitstempel, Quiz‑Ergebnisse und Forenaktivität. Erkennung: Analysten bemerken abnehmendes wöchentliches Engagement einer Kohorte. Aktion: Lehrende nutzen das Analytics‑Dashboard, kontaktieren als gefährdet markierte Studierende und bieten gezielte Unterstützungen an; Kursmaterialien werden zur Reduktion erkannter Engpässe angepasst. Konsequenz: Einige Lernende nehmen früher wieder teil, als sie es ohne Intervention getan hätten, und Abschlussdaten fließen in die Kursüberarbeitung ein.

Fehlanwendung

Korrelation mit Kausalität verwechseln — z. B. aus wenigen Forenbeiträgen folgern, dass dies die niedrige Abschlussquote verursache, ohne alternative Erklärungen (Zeitknappheit, Plattformbedienung) zu prüfen; der Fehler ist die Überinterpretation beobachtender Zusammenhänge ohne Validierung der Mechanismen oder Berücksichtigung von Datenverzerrungen.

Konsequenz

Richtig eingesetzt kann Learning Analytics die frühzeitige Identifikation unterstützungsbedürftiger Lernender verbessern, die Instruktionsgestaltung informieren und aggregierte Evidenz für Programmentscheidungen liefern; falsch eingesetzt kann es Ressourcen fehlleiten, vorhandene Verzerrungen verfestigen, Privatsphäre verletzen oder irreführende Schlüsse erzeugen, wenn Datenqualität, Repräsentativität oder Validität nicht beachtet werden.

Umkehrung

Wenn digitale Spuren zu spärlich, nicht repräsentativ oder ethisch eingeschränkt sind (kleine Kohorten, Datenschutzauflagen, Offline‑Lernen), sind Analysen unzuverlässig oder nicht anwendbar; rechtliche und ethische Beschränkungen können die Datensammlung und Nutzung begrenzen, obwohl Analysepotenzial besteht.

Abgrenzung

Deutlich innerhalb: Analyse von LMS‑Logs und Bewertungsdaten zur Vorhersage des Abbruchrisikos eines Kurses. Grenzfall: Kodierung von Lehreranmerkungen zu einer Datensammlung — möglich, aber abhängig von konsistenter Kodierung und Validität. Deutlich außerhalb: Spekulation über Lernzustände ohne empirische Spuren oder Messungen (bloße Mutmaßung).

Semantische Spannung

Privatsphäre ↔ Erkenntnisgewinn — der Nutzen, verwertbare Einsichten aus Lerndaten zu ziehen, steht in Spannung zu Datenschutz, Einwilligung, interpretativer Validität und Fairness; mehr Einsicht kann weniger Privatsphäre bedeuten und umgekehrt.

Synthese

Learning Analytics ist mehr als Datensammlung: Es ist ein inferentielles Verfahren, das valide Messungen, Aufmerksamkeit für Repräsentativität und Verzerrungen, kontextuelle Interpretation und Governance erfordert, um Nutzen und ethische Anforderungen in Balance zu halten.