Archives for September 2019

Richtlinien für Einsatz von KI in der Personalarbeit

Der Ethikbeirat HR-TECH ist ein interdisziplinär besetztes Gremium mit knapp 20 Expertinnen aus Wissenschaft, Gesellschaft und Unternehmen. Vertreten sind WissenschaftlerInnen und ExpertInnen aus den Bereichen Verhaltensökonomie, Personalmanagement, Psychologie, Wirtschaftsethik und Recht, HR-Executives etablierter Unternehmen und erfahrene HR-Experteinnen, GründerInnen, CEOs und InteressenvertreterInnen erfolgreicher HR-Startups sowie VertreterInnen der Zivilgesellschaft (insbesondere von Gewerkschaften).

Ziel des Beirats ist es, PersonalmanagerInnen, die Berührungspunkte mit digitalen Innovationen in der Personalarbeit haben, Orientierung für einen verantwortungsvollen Einsatz zu geben.

Der Ethikbeirat hat sich im Dezember 2018 konstituiert und sechs Technologiefelder definiert, die die Personalarbeit in den kommenden Jahren nachhaltig verändern werden:
• Big Data
• Analytics
• Künstliche Intelligenz
• Blockchain
• Sharing Economy
• Digitale Präsenz

Ende Juni 2019 hat der Beirat ein erstes Dokument mit Richtlinien für den verantwortungsvollen Umgang mit Künstlicher Intelligenz in der Personalarbeit vorgelegt:

In dem Dokument wird u.a. auf den Employee-Lifecycle Bezug genommen:

Der Employee Lifce Cycle ist ein HR-Modell zur Beschreibung der verschiedenen Phasen, die Arbeitnehmer*innen in einer Organisation durchlaufen und zur Identifikation der Rolle, die HR zur Optimierung dieses Prozesses einnimmt. (…) [Die folgende Abbildung] dient dazu, uns eine Vorstellung davon zu geben, was durch digitale Technologien, allen voran durch Künstliche Intelligenz, möglich ist und in Zukunft vermehrt Einzug in die Personalarbeit finden wird.
Ethikbeirat HR TECH

Anschliessend werden 10 Leitlinien für den verantwortungsvollen Einsatz von KI formuliert:

1) Transparenter Zielsetzungsprozess
Vor der Einführung einer KI-Lösung muss die Zielsetzung für die Nutzung geklärt werden. In diesem Prozess sollen alle relevanten Interessensgruppen identifiziert und eingebunden werden.

2) Fundierte Lösungen
Wer KI-Lösungen anbietet oder nutzt, muss darauf achten, dass diese empirisch evaluiert sind und über eine theoretische Grundlage verfügen.

3) Menschen entscheiden
Wer KI-Lösungen einsetzt, muss sicherstellen, dass die Handlungsträgerschaft der Menschen bei wichtigen Personalentscheidungen nicht eingeschränkt wird.

4) Notwendiger Sachverstand
Wer KI-Lösungen in seiner Organisation nutzt, muss diese in ihrer Logik verstehen und erklären können.

5) Haftung und Verantwortung
Organisationen, die KI-Lösungen nutzen, sind für die Ergebnisse ihrer Nutzung verantwortlich.

6) Zweckbindung und Datenminimierung
Wer personenbezogene Daten für KI-Lösungen nutzt, muss im Vorfeld definieren, für welche Zwecke diese verwendet werden und sicherstellen, dass diese Daten nur zweckdienlich erhoben, gespeichert und genutzt werden

7) Informationspflicht
Vor bzw. beim Einsatz einer KI-Lösung müssen die davon betroffenen Menschen über ihren Einsatz, ihren Zweck, ihre Logik und die erhobenen und verwendeten Datenarten informiert werden.

8) Achten der Subjektqualität
Für die Nutzung in KI-Lösungen dürfen keine Daten erhoben und verwendet werden, welche der willentlichen Steuerung der Betroffenen grundsätzlich entzogen sind.

9) Datenqualität und Diskriminierung
Wer KI-Lösungen entwickelt oder nutzt, muss sicherstellen, dass die zugrundeliegenden Daten über eine hohe Qualität verfügen und systembedingte Diskriminierungen ausgeschlossen werden.

10) Stetige Überprüfung
Wer KI-Lösungen nach den vorliegenden Richtlinien einführt, soll transparent sicherstellen, dass die Richtlinien auch bei der betrieblichen Umsetzung und der Weiterentwicklung beachtet werden.

Die Autoren betonen, dass es sich bei diesem Dokument und den formulierten Leitlinien um eine „Konsultationsfassung“ handelt. Die Leitlinien seien nun in der Praxis anzuwenden und sukzessive weiterzuentwickeln.

EthikbeiratHRTech (2019): Richtlinien für den verantwortungsvollen Einsatz von Künstlicher Intelligenz und weiteren digitalen Technologien in der Personalarbeit. www.ethikbeirat-hrtech.de.

Einsatz von KI an Hochschulen: Anwendungen, Chancen, Risiken & ethische Fragen

„KI trifft Bildung“ – das war das Thema unseres scil Trend- & Community Days letzten Freitag. Jetzt bin ich auf einen Beitrag in EDUCAUSEreview gestossen, der sich ebenfalls mit diesem Thema befasst – und zwar mit Blick auf Hochschulen: Artificial Intelligence in Higher Education: Applications, Promise and Perils, and Ethical Questions, von Elana Zeide, Wissenschaftlerin an der UCLA.

In ihrem Beitrag unterscheidet sie verschiedene Nutzungsszenarien für KI im Bereich der Hochschulbildung:

Management-Aufgaben („institutional“)
Beispiele hierfür sind u.a.
- Nutzung von Algorithmen, um Zugriffsdaten auf Webseiten von Hochschulen auszuwerten und Interessenten gezielt anzusprechen;
- Nutzung von Algorithmen, um Kursgrössen zu prognostizieren oder Curricula zu planen;
- Nutzung von Algorithmen bei der Ressourcenplanung (von finanzieller Förderung für Studierende bis zur Raumplanung).
Unterstützung von Studierenden („student support“)
Beispiele hierfür sind u.a.
- Nutzung von Algorithmen für die Studienplanung, beispielsweise Empfehlungen zu Vertiefungsrichtungen;
- Nutzung von Algorithmen für Frühwarnsysteme, wenn das Risiko im Raum steht, das Studierende Prüfungen nicht bestehen oder das Studium abbrechen.
Unterstützung von Lehr-/Lernprozessen
Beispiele hierfür sind u.a.
- intelligente tutorielle Systeme (hierzu eine Marktübersicht von Tyton Partners aus dem Jahr 2016).

Zeide geht auch auf Chancen und Risiken ein, die sich mit der Nutzung von KI im Hochschulkontext verbinden. Auf der Chancen-Seite sieht sie eine verbesserte Qualität von Datenanalysen und damit verbunden auch von Bildungsdienstleistungen. Auf der Risiko-Seite sieht sie unter anderem unerwünschte negative Effekte aufgrund von unzureichend oder mit nicht-repräsentativen Datensätzen trainierten Algorithmen (bias) oder auch Herausforderungen im Bereich des Datenschutzes.

Und schliesslich thematisierte sie eine Reihe von ethischen Fragen rund um den Einsatz von KI in Hochschulen. Die Stichworte hier sind „unsichtbare“ Infrastrukturen, Verschiebung von Entscheidungsgewalt, Engführung von Zielen und Argumentationen auf Messbares oder mögliche Interessenskonflikte.

Zeide, Elena (2019): Artificial Intelligence in Higher Education: Applications, Promise and Perils, and Ethical Questions. EDUCAUSEreview, 26.08.2019

KI trifft Bildung – 6. scil Trend- & Community Day 2019

Letzte Woche fand der sechste scil Trend- & Community Day statt. Der Tag stand unter dem Motto „KI trifft Bildung – Wie künstliche Intelligenz Lernen & Kompetenzentwicklung verändert“. Das Programm umfasste Vorträge, Projektberichte und einen Lösungs-Marktplatz mit verschiedenen Stationen zum Thema.

Sabine Seufert machte in ihrem Beitrag die grundlegenden Elemente eines Bildungsprozesses (Input – Design – Process – Output / Outcome) zum Ausgangpunkt. Sie zeigte auf, welche Gestaltungsaspekte bei diesen Elementen besonders relevant sind (z.B. Strategien für Phasen selbstregulierten Lernens, Motivationsdesign, Interaktion & Scaffolding). Und sie zeigte, wo KI ins Spiel kommen kann, um Blended Learning Designs weiterzuentwickeln und zu stärken:

Damit war das Thema Künstliche Intelligenz eingeführt und ein Ankerpunkt für Bildungsverantwortliche gesetzt.

Aber was ist KI genau und was müssen Bildungsverantwortliche dazu wissen? Im anschliessenden Beitrag habe ich versucht, einige grundlegende Antworten darauf zu geben. Dabei bin ich den folgenden Leitfragen gefolgt:

Was ist KI bzw. die „2. Welle der Digitalisierung“?
Was können Smart Machines?
Wie werden Smart Machines besser?
Was sind aktuelle Herausforderungen im Feld KI?
Was bedeutet das alles für L&D bzw. für Bildungsverantwortliche?

Beim letzten Punkt bin ich noch sehr allgemein geblieben und habe drei Punkte formuliert:

Bildungsverantwortliche müssen sich auf KI einlassen;
sie müssen in der Lage zu sein, anderen Orientierung zu diesem Thema und den Folgen für Kompetenzentwicklung zu geben; und
sie sollten allgemeine Leitlinien zum Einsatz von KI kennen und berücksichtigen (vgl. hierzu die Leitlinien des Ethikbeirats HR-TECH).

Mit dem nächsten Beitrag wurden wir dann konkreter. Henning Klaffke, Oberingenieur am Institut für Technische Bildung und Berufsbildung der TU Hamburg, hat in seinem Beitrag ein konkretes Szenario für den Einsatz von KI im Kontext der Berufsbildung erläutert: einen personalisierten Empfehlungsservice für Nutzer der Berufsbildungsplattform foraus.de des Bundesinstituts für Berufsbildung (BIBB) in Deutschland.

Die Plattform foraus.de richtet sich an AusbilderInnen, wird täglich von mehr 1’000 Nutzern aufgerufen und hält umfangreiche Inhalte bereit. So viele Inhalte, dass für die Nutzer in der Regel nicht klar ist, was alles verfügbar ist. Vor diesem Hintergrund wurde ein Konzept entwickelt, wie diese Inhalte gefiltert und individuell zugeschnitten präsentiert werden können. Ein zentrales Element dabei ist ein algorithmenbasiertes Empfehlungssystem:

Am Nachmittag stand zunächst die jüngste Assistentin des Instituts für Wirtschaftspädagogik im Mittelpunkt: Lexi (alias Pepper):

Johannes Stähli von RaumCode erläuterte die Funktionsweise des Roboters und Bonnie Jones von Zürich Versicherungen stellte zwei Trainings-Szenarien vor, in denen Pepper zum Einsatz kam.

Anschliessend gab es drei Runden „Speedgeeking“ mit insgesamt fünf Martkplatz-Stationen:

Peggy Palluch, Kantonsspital St.Gallen:
Fit4Change – Schulungskonzept für KSSG
(Abschlussprojekt im Rahmen des scil-Diplomprogramms „Corporate Learning / Bildungsmanagement“)
Bernd Wiest, time4you:
JIX-basierte Chatbots
Thomas Jenewein, SAP Education:
Ed the bot – Unterstützung in digitalen Learning Rooms
Sarah Schwab, TheExperienceAccelerator:
Coaching mit teilautomatisiertem Feedback
Daniel Niederberger, Taskbase:
Teilautomatisierte Korrektur von Mathe-Aufgaben

Die vier Stationen zu KI-basierten Werkzeugen machten deutlich, dass bereits verschiedene praktisch nutzbare Lösungen verfügbar sind.

KI-basierte Werkzeuge bzw. Smart Machines finden also ihren Weg in den Arbeitsalltag von Bildungsverantwortlichen. Aber nicht nur dort, sondern an vielen anderen Orten auch: im Bereich der IT-Services, in der Finanz- und Versicherungswirtschaft, in der Logistik, in Produktionsbetrieben etc. Vor diesem Hintergrund stellt sich die Frage, welche Konsequenzen daraus für die Personalentwicklung resultieren.

Diese Frage war auch der Ausgangspunkt für den scil Innovationskreis 2018 / 19 zum Thema „Augmentation und Personalentwicklung“. Die wichtigsten Ergebnisse zu diesem Innovationskreis habe ich im folgenden Beitrag vorgestellt:

In der Diskussion um die Substitution und Augmentation von menschlicher Arbeitskraft durch Smart Machines ist die relevante Ebene die von Aktivitäten, nicht von Jobrollen oder Berufsgruppen;
Eine am Konzept der Augmentation orientierte Personalentwicklung als Gesamtprozess umfasst drei Aufgabenstränge:
– Anforderungsanalyse & Kompetenzentwicklung
– Veränderungsmanagement
– Erfolgsbestimmung;
Es braucht spezifische Arbeitshilfen, um diesen Gesamtprozess umsetzen zu können.

Einige ausgewählte Arbeitshilfen habe ich dann kurz vorgestellt. Und am Ende folgenden Punkt herausgestellt:
Angesichts der zunehmenden Verbreitung von Smart Machines im Arbeitsfeld sind Augmentationsstrategien nicht nur ein wichtiger Orientierungsrahmen für das Bildungsmanagement und die Personalentwicklung. Auch Führungskräfte und Beschäftigte sollten diese Strategien und die damit verbundenen Optionen sowie Anforderungen immer im Blick haben. Das Bewusstsein, dass angesichts neuer Technologien im Arbeitsfeld verschiedene Entwicklungswege möglich sind, deblockiert bzw. entlastet das Gespräch über die damit verbundenen Veränderungserfordernisse.

Der letzte inhaltliche Beitrag des Tages kam von Donald Clark (wildfirelearning; learningpool / ht2labs; planBlearning; University of Derby). Er hat zum einen betont, dass KI über den gesamten Lernprozess (attract – support – create content – personalization – assessment) hinweg unterstützend eingesetzt werden kann. Beispiele sind etwa automatisch erstellte Zusammenfassungen von Lerninhalten, automatisch erstellte Testfragen, automatisiertes Kuratieren von Lerninhalten oder der Einsatz von Chatbots. Und er berichtete zu einem Projekt zur KI-unterstützten Lerninhalte-Entwicklung, dass er mit TUI UK / Ireland durchgeführt hat.

Der nächste scil Trend- & Community Day findet am 09. September 2020 statt. Mehr Informationen dazu folgen später hier.

Impressionen zum Trend- & Community Day

Digital Age Learning (EFMD SIG Report)

Der Bericht einer EFMD Special Interest Group „Digital Age Learning“ (2017) formuliert sechs Besonderheiten von „digital age learning“, ein angepasstes Prozessmodell und eine neue Rolle: den „Learning Experience Designer“.

In einer von Nigel Paine moderierten Arbeitsgruppe hatten sich 16 Unternehmen zusammengeschlossen (u.a. Novartis, Pirelli, Santander, Siemens, Swiss Re, UBS) und die Optionen und Herausforderungen der digitalen Transformation für Learning & Development exploriert. Als Sponsoren waren Capgemini Consulting und IESE Business School beteiligt.

Im Mittelpunkt des Berichts stehen neun Erprobungen bzw. Projekte, die bei den Partner-Unternehmen umgesetzt wurden. Darüber hinaus wird eine neue Rollen für Bildungsverantwortliche skizziert, die aus Sicht der Arbeitsgruppe im Zentrum von „Digital Age Learning“ steht: „Learning Experience Designer“ (Gestalter von Lernerfahrungen).

Ausgangspunkt des Berichts ist das folgende Modell dazu, was Digitalisierung für Unternehmen und Organisationen bedeutet (vgl. Soule et al. 2016):

Von diesem Verständnis von Digitalisierung ausgehend werden sechs Charakteristika von Lernen im digitalen Zeitalter eingeführt, die in den folgenden Abbildungen visualisiert sind:

Bildquelle: EFMD SIG Digital Age Learning; Übersetzung der Erläuterungen durch scil

Die an der Arbeitsgruppe beteiligten Partner brachten eigene Erprobungen bzw. Projekte ein, die in den sechs Dimensionen von ‚Digital Age Learning‘ verortet bzw. auf diesen Dimensionen bewertet wurden:

Bildquelle: EFMD SIG Digital Age Learning

Diese neun Erprobungen bzw. Projekte werden in dem Arbeitsbericht in standardisierter Weise beschrieben:

Business Need
What was piloted / created?
User Experience
Social Learning
Analytics

Die Arbeitsgruppe formuliert in diesem Bericht auch ein Modell für Lern- bzw. Entwicklungsprozesse. Wenn dieses mit üblichen Darstellungen des L&D-Prozesses kontrastierend gegenüber gestellt wird, werden die spezifischen Betonungen dieses Modells besonders deutlich:

Das „Learning Model“ der EFMD-Arbeitsgruppe links;
eine typische Dastellung des L&D-Leistungsprozesses rechts
Bildquellen: EFMD SIG Digital Age Learning; scil

Der wichtigste Unterschied zu etablierten Darstellungen des L&D-Leistungsprozesses betrifft aus meiner Sicht die Schritte 2 und 3: „Explicate Learning Moments“ sowie „Enable the Learning Journey“.

„Explicate Learning Moments“
Im Unterschied zu einem „traditionellen“, angebotsorientierten Modell liegt hier der Fokus auf verschiedensten Lerngelegenheiten, die sich im Arbeitsalltag ergeben. Diese „Learning Moments“ gilt es – in Zusammenarbeit mit den Beschäftigen / Lernenden – zu identifizieren und die wichtigsten Momente herauszuarbeiten.

Und dann kommmt der zweite Schritt: die verschiedenen „Learning Moments“ zu einer Gesamterfahrung zu verknüpfen:
„Enabling a Learning Journey“
Eine solche Lernreise beinhaltet nicht nur eine sinnvolle Verknüpfung und Abfolge von Learning Moments, sondern auch deren Reflexion und das Herausarbeiten von Mustern, Handlungsmaximen, etc. Ein nicht zu vernachlässigender Aspekt dabei ist, dass diese Lernreise attraktiv gestaltet ist und – soweit möglich – auch Spass macht.

Die Umsetzung dieser Aufgaben bündeln die Autoren der Arbeitsgruppe in einer neuen Rolle: Learning Experience Designer.

The Learning Experience Designer is charged with creating the systems and processes that allow employees to stitch together various learning moments, and create a holistic experience. This task requires a relentless focus on the learner experience; i.e. the way a learner is capturing learning moments, reflecting on them and extracting generalizable patterns. Improving the ease, accessibility and pleasure of these activities, which underpin the ability of the learner to create an integrated learning journey, becomes a primary concern. This mindset is typical of a user experience designer,
EFMD SIG Digital Age Learning, 2017

Die Autoren des Berichts verstehen die Rolle des Learning Experience Designers als Weiterentwicklung der etablierten Rolle Instructional Designer. Learning Experience Designer sollen in allen vier oben angeführten Prozess-Phasen Aufgaben übernehmen:

Bedarfsklärung / Zieldefinition
Im digitalen Zeitalter spielen hier zum einen Datenanalysen eine wichtige Rolle und zum anderen eine Design-Thinking-Haltung, mit der ein gutes Verständnis der Anforderungen der Nutzer verfolgt wird.
Lerngelegenheiten identifizieren
Hier steht die enge Zusammenarbeit mit den Beschäftigten / Nutzern / Lernenden im Vordergrund und es braucht eine Haltung, die Co-Creation möglich macht.
Lernreise ermöglichen
Hier geht es darum, Neues auszuprobieren, zu tüfteln, Prototypen zu entwickeln und diese zu überprüfen.
Bewerten und personalisieren
Sobald die Lösung steht, treten weitere Aufgaben in den Vordergrund: die Umsetzung optimieren. In einer schnelllebigen Welt müssen Learning Experience Designer gleichzeitig darauf achten, ob und wie sich die Anforderungen der Zielgruppe verändern bzw. neue Möglichkeiten ergeben. Dann müssen sie bereit sein, ihre bisherigen Lösungen über Bord zu werfen und nach neuen Lösungen zu suchen.

Die verschiedenen Facetten der Rolle „Learning Experience Designer“ sind in der folgenden Abbildung dargestellt:

Facetten der Rolle „Learning Experience Designer“ im Gesamtprozess
Bildquelle: EFMD SIG Digital Age

Ich finde den Arbeitsbericht, auf den ich über das aktuelle Buch von Nigel Paine (Workplace Learning, 2019) gestossen bin, sehr interessant. Allerdings ist die in diesem Bericht skizzierte Rolle „Learning Experience Designer“ breit angelegt und aus meiner Sicht sehr herausfordernd.

Verweise:

Soule, Deborah L.; Puram, Akshita; Westerman, George F.; Bonnet, Didier (2016): Becoming a Digital Organization: The Journey to Digital Dexterity. In: SSRN Journal (January). DOI: 10.2139/ssrn.2697688.

Special Interest Group Digital Age Learning (2017): Digital Age Learning. EFMD Special Interest Group Report. EFMD. Brussels. Online verfügbar unter https://efmdglobal.org/knowledge/studies-and-reports/.