Learning Analytics

15 Herausforderungen für die Hochschullehre 2019 – Educause

Jedes Jahr werden Angehörige US-amerikanischer Hochschulen im Rahmen der EDUCAUSE Learning Initiative danach gefragt, wo sie die zentralen Herausforderungen für Lehre und Lernen auf Hochschulebene sehen. Vor einigen Tagen ist nun die Ausgabe 2019 der „Key Issues in Teaching & Learning“ als Infografik publiziert worden:

Auf den ersten Plätzen finden sich folgende Themen:

Faculty Development & Engagement (insbesondere mit Blick auf aktivierende Lernumgebungen)
Online & Blended Learning (insbesondere mit Blick auf Zielgruppen auf dem Campus sowie entfernt vom Campus)
Lerndesign (insbesondere mit Blick auf die Nutzung von Daten, um zu verbesserten Designs zu kommen)
Digital Literacy (insbesondere im Hinblick auf die Fähigkeiten von Studierenden, digitale Informationen zu finden, zu bewerten und zu selbst erstellen.

Zu jedem der 15 Ergebnispunkte finden sich auf der Webseite weiterführende Links und Seiten.

EDUCAUSE: 2019 Key Issues in Teaching and Learning

Aktuelle Publikationen zu digitalen Kompetenzen für PE & Big data

In den letzten Tagen sind zwei Buchbeiträge von uns erschienen:
Seufert, Sabine; Meier, Christoph (2018): Big data in education: supporting learners in their role as reflective practitioners. In: Michael J. Spector, Kumar Vivekanandan, Alfred Essa, Yueh-Min Huang, Rob Koper, Richard A.W. Tortorella et al. (Hg.): Frontiers of cyberlearning. Emerging technologies for teaching and learning. Singapore: Springer, S. 103–123.

In der Diskussion um Big Data und Learning Analytics stehen zumeist Ansatzpunkte zur Verbesserung von Bildungsangeboten im Vordergrund – bespielsweise, wenn es um die Analyse von Studienabbrüchen an Hochschulen geht und Versuche, diese durch stützende Massnahmen zu vermeiden. In diesem Beitrag versuchen wir die Diskussion um eine pädagogische Perspektive zu erweitern. Dabei stellen wir „old work / old learning“ und „new work / new learning“ gegenüber und ziehen das Konzept des reflexiven Praktikers heran. Und wir betrachten dazu vier use cases, die in einer Matrix verortet sind:

„Social learning analytics“ zur Unterstützung von Reflexion z.B. soziale Netzwerkanalysen von Diskussionen	„Social learning analytics“ zur Unterstützung von Prädiktion z.B. gamifizierte Lerndesigns und soziale Vergleiche
„Individual learning analytics“ zur Unterstützung von Reflexion z.B. formative Assessment-Systeme	„Individual learning analytics“ zur Unterstützung von Prädiktion z.B. adaptive Lernumgebungen

Seufert, Sabine; Meier, Christoph (2018): Digitale Kompetenzen für Learning Professionals. In: Karlheinz Schwuchow und Joachim Gutmann (Hg.): HR-Trends 2019. Strategie, Digitalisierung, Diversität, Demografie. Freiburg / München / Stuttgart: Haufe Gruppe, S. 253–265.

Im Zuge der fortschreitenden Digitalisierung der Arbeitswelt sind Bildungsverantwortliche gefordert, ihre eigenen Kompetenzen weiterzuentwickeln. Dies betrifft Kompetenzen zur Umsetzung eines erweiterten Leistungsportfolios (z.B. Formen technisch unterstützten Lernens), Kompetenzen zur Optimierung des L&D-Leistungsprozesses (z.B. Prozessautomatisierungen) und schliesslich auch Kompetenzen zur Veränderung von betrieblichen Lernkulturen (z.B. Stärken der Eigenverantwortung in Lernprozessen). Der Beitrag beleuchtet die zentralen Kompetenzerfordernisse und liefert Hinweise, wie diese Kompetenzen entwickelt werden können.

Das Zukunftspotenzial von Lernplattformen: Lernprozesse verstehen

David Kelly, Executive Director der eLearning Guild, hat zum „Data und Analytics Online Summit“ auch einen Beitrag beigesteuert: LMS, LRS, LXP, and More: Exploring the Learning Platforms Landscape.
Dabei hat er nicht nur einen Überblick über die sich verändernde Landschaft von Lernplattformen gegeben (vgl. dazu unten mehr). Er hat sich auch sehr klar zur künftigen Rolle und Bedeutung von Lernplattformen geäussert.
Kelly sieht die Bedeutung von Lernplattformen vor allem darin, dass sie Daten erzeugen (die digitalen Datenspuren von uns, den Nutzern, die wir mit digitalen Materialien interagieren), die Konsolidierung und Analyse dieser Daten unterstützen und damit letztlich ermöglichen, Lernprozesse besser zu verstehen und besser zu gestalten. Hierzu drei pointierte Aussagen von ihm:

Data is not an output. It is an input. The output is understanding.
It is not about the data itself, it is about the understanding that the data provides – because it is the understanding that is actionable.
Data and analytics – it is not a question of „is this going to affect our L&D business?“ – it is a question of when it is happening.

Bildungsverantwortliche / Learning Professionals müssen ein besseres Verständnis dieses Felds entwickeln, damit sie die Diskussion über Daten und Analytics mitgestalten und rechtzeitig handeln können.

Bildquelle: David Kelly / eLearning Guild

Im zweiten Teil seines Beitrags hat Kelly dann einen Überflug über verschiedene Typen von Lernplattformen geliefert. Wichtig war ihm dabei, dass das LMS (Lern Management System) nicht tot ist oder verschwinden wird – wie so oft behauptet. Aber die Rolle des LMS wird sich ändern. War es früher, metaphorisch gesprochen, die Sonne des Lern-Ökosystems, so wird es künftig eher einer von vielen Planeten sein. Und für das Management von regulatorisch vorgeschriebenen Trainings bzw. Massnahmen zur Kompetenzentwicklung wird ein LMS weiterhin zentral sein.

***

Dies ist übrigens ein Punkt, den Josh Bersin schon vor einigen Jahren herausgestellt hat – hier noch einmal seine Visualisierung dazu:

Bildquelle: https://www.slideshare.net/jbersin/learning-in-the-flow-of-work/47-Copyright_2017_Deloitte_Development_LLC

***

Aber, so David Kelly weiter, ein Lern-Ökosystem umfasst eben mehr als solche Standard-Trainings. Es umfasst auch umfangreiche online Kurse (z.B. MOOCs), Bibliotheken mit digitalen Inhalten für das Selbststudium, kuratierte Lerninhalte, Microlearning sowie Leistungsunterstützung am Arbeitsplatz.

Bildquellen: David Kelly / eLearning Guild; Zusammenstellung: scil

Für die Zukunft erwartet Kelly die Ausdifferenzierung von zwei weiteren Typen von Lernplattformen: „Competency Management Platforms“ und „Personalized Learning Platforms“. In Bezug auf letztere blieb er im Webinar noch sehr allgemein. Wir hatten danach noch per Mail Kontakt und da hat er sich wie folgt geäussert:

Some vendors state that they deliver personalized learning today because of all the customization options available in an individual’s profile. In my opinion, choice and even recommendation isn’t really reaching the promise of personalized learning. That requires a much more data-centric understanding of context – who the learner is, what their competency is, what they are currently doing, and more – in order to deliver just the right support. That’s a much more complex solution than what many promote as personalized learning today.

Im Hinblick auf „Competency Management Platforms“ hat er seine Vision so formuliert:

Competency Measurement Platform basically means a platform that can track your actual performance and measure against ideal performance. Virtual Reality is one technology that can do this. For a simplified example, let’s say I build a VR simulation on how to perform a surgery. Every movement I make, every button a press, every action I take is already a data point – that’s what the computer reads to display your actions on the screen. So the data of what you are doing is already being generated and potentially stored. You could also have a similar data set that represents “perfect execution”. At an overly simplified level, the difference between your data set and the perfect data set represents your level of competency. While the unique elements in my example already exist, no one has packaged them into a competency measurement system yet.

David Kelly (2018): LMS, LRS, LXP, and More: Exploring the Learning Platforms Landscape. Vortrag, eLearning Guild Online Summit Data & Analytics, 24. August 2018.

Im Rahmen unseres CAS Programms „Digitale Bildung“ führen wir übrigens im November ein Interaktiv-Webinar zum Thema „Learning Analytics“ durch – mehr dazu hier.

eLearning Guild Online Summit zu "Data & Analytics"

Letzte Woche fand wieder ein Online Summit der eLearning Guild statt, dieses Mal zum Thema „Data und Analytics“.

Hier die Experten und ihre Themen, die am Summit beteiligt waren:

101: How Metrics Drive a Learning and Performance Ecosystem, Steve Foreman, InfoMedia Designs
201: An Instructional Designer’s Guide to Implementing xAPI, Megan Torrance, TorranceLearning
301: Learning Evaluation at a Crossroads: The Next Generation of Tools, Laurent Balaguè, forMetris
401: Now What? Using Data Visualizations to Make Sense of Data, Pamela Hogle, The eLearning Guild
501: Putting Data to Work, Ellen Wagner, George Mason University
601: LMS, LRS, LXP, and More: Exploring the Learning Platforms Landscape, David Kelly, The eLearning Guild
701: Measuring Learners’ Confidence in Their Abilities, Alexander Walker, MedStar Health Simulation Training and Education Lab

Die Aufzeichnungen zu diesem Online Summit sind über diese Seite zugänglich – allerdings erfordert der Aufruf eine Mitgliedschaft bei der eLearning Guild.

FNMA Magazin 01/2018: Learning Analytics

Das Forum Neue Medien Austria (fnma) stellt im aktuellen Magazin das Thema „Learning Analytics“ (LA) in den Mittelpunkt. Insgesamt neun kurze Beiträge dazu sind in dem Heft versammelt.
Die Beiträge befassen sich u.a. mit

LA als Instrument zur evidenzbasierten Qualitätsentwicklung
(Einrichtung eines Arbeitskreises an der Universität Duisburg-Essen dazu)
LA in Führungs-Trainings für Schulleitungen
(laufendes BMBF-Förderprojekt an der TU Kaiserslautern)
LA für Prüfungsleistungen und Studienerfolg (LAPS)
(Identifikation von besonders positiven bzw. risikobehafteten Studienverläufen an der Hochschule für Medien, Stuttgart, als Auslöser für Angebote zu Beratungsgesprächen)
Umsetzung von LA in der Lernplattform Moodle
(laufendes BMBF-Förderprojekt an der BTU Cottbus-Senftenberg)
LA im Mathematikunterricht der Volksschule
(und daraus resultierende Impulse für Unterrichtsentwicklung sowie Lehrerfortbildung)
LA zur Förderung des Rechtschreiblernens in der Volksschule
(Kurzbericht zum 2017 abgeschlossenen Erasmus+ Projekt IDeRBlog)
Veränderungen der Studieneingangsphase durch LA
(Kurzbericht zum Erasmus+ Projekt STELA – Successful Transition in Education through Learning Analytics)
LA im E-Campus Wirtschaftsinformatik
(Fachspezifische Umsetzung von Learning Analytics an den Universitäten Giessen und Mainz)

LA, so der Eindruck beim Durchsehen der Beiträge, ist ein aktuelles Forschungs- und Entwicklungsthema vor allem an Hochschulen. Es gibt zahlreiche Förderprojekte dazu, aber bisher wenige Berichte zur Umsetzung im Regelbetrieb.

Learning Analytics: fünf Fragen, die Bildungsverantwortliche in Unternehmen beantworten sollten (visier.com)

Visier.com ist ein Anbieter von Lösungen für Business bzw. ‚Workforce Intelligence‘. Im Rahmen eines Webinars haben Vertreter von visier.com die aus ihrer Sicht fünf zentralen Fragen aufgezeigt, auf die Bildungsverantwortliche in Unternehmen und Organisationen mit Hilfe von Analytics-Werkzeugen Antworten liefern können (bzw. sollten):

Welche Auswirkungen hat Weiterbildung auf die Fluktuation von Mitarbeitenden?
Unerwünschte Fluktuation unter den Mitarbeitenden verursacht hohe Kosten. Die Reduktion unerwünschter Fluktuation ist ein wichtiger (und gut monetarisierbarer) Indikator für den Wertbeitrag von Bildungsarbeit.

Darstellung des Zusammenhangs von Lernaktivitäten und Mitarbeitendenfluktuation (Bildquelle: visier.com)

Welche regulatorischen Qualifizierungserfordernisse sind erfüllt bzw. müssen bis wann erfüllt werden?
In vielen Branchen müssen Mitarbeitende zertifiziert sein bzw. regulatorisch definierte Trainings (wiederkehrend) absolviert haben, um bestimmte Aufgaben bearbeiten zu dürfen (z.B. in der Produktion von Pharmazeutika oder bei der Beratung von Bankkunden). Eine genaue und vorausschauende Darstellung von diesbezüglichen Qualifizierungs- bzw. Zertifizierungserfordernissen ist ein wichtiger Leistungsbeitrag von L&D.
Sind voll qualifizierte (neue) Mitarbeitende für die Fachbereiche verfügbar?
Insbesondere wenn wiederkehrend (viele) neue Mitarbeitende eingestellt werden, ist es wichtig, deren Qualifikationsprofil im Blick zu behalten. Welche Elemente des Einführungsprogramms haben sie bereits absolviert? Auf wie viele Produkte sind sie bereits geschult? Wann werden z.B. dem Vertrieb wie viele voll qualifizierte Mitarbeitende zur Verfügung stehen? Bereichsleitungen benötigen diese Angaben um mit Blick auf ihre jeweiligen Ziele (z.B. Vertriebsziele) entsprechend steuern zu können.
Welche Auswirkungen hat Weiterbildung auf die interne Besetzung von frei werdenden Positionen?
Welche Mitarbeitendengruppen nutzen Weiterbildungsangebote? Wie intensiv? Und wie viele frei werdende Positionen in welchen Geschäftsbereichen können mit qualifizierten internen Mitarbeitenden besetzt werden? Aussagen zu internen Besetzungsquoten können auch ein wichtiges Argument bei der Anwerbung von neuen Mitarbeitenden sein. Insbesondere den „Millennials“ wird nachgesagt, dass sie bei der Auswahl von Arbeitgebern sehr auf Entwicklungsmöglichkeiten achten.
Was sind die Treiber für Produktivität?
Welche Korrelationen zeigen sich zwischen z.B. Potenzialeinschätzungen bei der Einstellung, Leistungsbeurteilungen oder Vergütungsklassen und der Produktivität von Mitarbeitenden? Dies sind wichtige Informationen für benachbarte HR-Bereiche (z.B. Rekrutierung) und Geschäftsbereiche.

Quelle:
Datafication of learning & development: analytical insights to drive success, CLO Webinar, 2018-01-30

Videobibliothek mit Aufzeichnungen der Konferenz "Campus Innovation" (Campus Innovation)

Die zehnte gemeinsame Veranstaltung von Campus Innovation & Konferenztag Digitalisierung von Lehren und Lernen im November 2017 stand unter dem Motto: „Digitalisierung als Megatrend – was bedeuten Künstliche Intelligenz, Big Data und Virtual Reality für Hochschulen?“. Die Videobibliothek ist in vier Bereiche gegliedert:

Keynotes
eLearning
eCampus
Digitalisierung von Lehren und Lernen

Die Themen der Konferenzbeiträge bzw. Aufzeichnungen sind zum Teil auch für Learning Professionals im Feld Corporate Learning relevant. Hier ausgewählte Beispiele:

Inverted Classroom unter der Lupe: Chancen und Hindernisse
Prof. Dr. Karsten Morisse
Learning Analytics – Adaptivität und Personalisierung im eLearning
Prof. Dr. Niels Pinkwart
Online Self-Assessments: Was sind das – und wenn ja, wie viele? Typen, Einsatzkontexte und Good Practices
Dr. Annika Maschwitz, Stefanie Kretschmer, Stefanie Brunner

Quelle: Portal Lecture2Go: uhh.de/l2g-ci2017

Frühwarnsystem für kritische Studienverläufe (e-teaching.org)

Studienabbrüche sind ein Makel in der Leistungsbilanz von Hochschulen. Diese verwenden deshalb mehr und mehr Mühe darauf, Probleme im Studienverlauf rechtzeitig zu identifizieren, um Gegensteuer geben zu können. Dies ist ein Treiber für die (Weiter-)Entwicklung des Themas „Learning Analytics“.
Die Hochschule der Medien (HdM) in Stuttgart hat ein „Frühwarnsystem“ mit Namen LAPS entwickelt, das seit diesem Wintersemester 2017/18 im Einsatz ist:

Studierende, die innerhalb der ersten vier Semester weniger als 80 ECTS erbracht und sich bereits im fünften oder höheren Semester befinden, haben eine Abbruchwahrscheinlichkeit von 73 Prozent. Trifft diese Merkmalskombination auf einen Student oder ein Studentin zu, so ist von einer sehr ähnlichen Wahrscheinlichkeit für den jeweiligen Studienerfolg auszugehen. Das Interessante ist, dass bereits die Ergebnisse der Prüfungen des ersten Semesters genutzt werden können und so sehr viel früher als bisher ein Beratungs- und Unterstützungsprozess eingeleitet werden kann. Wer sich auf das Verfahren einlässt, erhöht die Chancen auf den Studienerfolg.

Quelle: https://www.e-teaching.org/praxis/erfahrungsberichte/soziales-fruehwarnsystem-software-erkennt-kritischen-studienverlauf

Was macht Lernen mit digitalen Medien erfolgreich? (e-teaching.org)

e-teaching.org bietet seit einigen Jahren sogenannte „Themenspecials“ an – strukturierte Sammlungen von aktuellen und früheren Beiträgen zu einem bestimmten Thema. Hier eine Übersicht zu allen Themenspecials.
Vom 19.10. 2017 bis zum 31.03.2018 läuft das Themenspecial „Was macht Lernen mit digitalen Medien erfolgreich?“
Aktuelle Beiträge – neben einer Reihe von bereits zuvor publizierten Artikeln – befassen sich mit folgenden Themen:

Fallsimulationen und automatisches adaptives Feedback mittels KI
Studienerfolg mittels Learning Analytics
Digitale Spiele in Hochschulen

Quelle

https://www.e-teaching.org/praxis/themenspecials/digital-learning-map-2020

Learning Analytics – ein Fallbeispiel aus dem Bereich Logistik

Letzte Woche habe ich wieder einmal das Modul „Qualitätsentwicklung für Learning Professionals“ im Rahmen unseres Ausbildungsprogramms „Corporate Learning / Bildungsmanagement“ durchgeführt. Im Mittelpunkt standen wie bisher Grundfragen der Qualitätsentwicklung und ein dreischrittiges Vorgehensmodell:

Neu bei dieser Durchführung war der Fokus auf Big Data und Learning Analytics am zweiten Modultag. Die Leitfrage hierzu war, welches Potenzial Learning Analytics für die Qualitätsentwicklung in der Bildungsarbeit bietet. Dabei sind wir von folgender Arbeitsdefinition ausgegangen:

Learning Analytics beinhaltet das Erfassen und Analysieren von Daten zu Lernaktivitäten mit dem Ziel, Lernprozesse besser zu verstehen, Gestaltungsprobleme zu identifizieren, (un-)erwünschte Geschehnisse zu antizipieren und Massnahmen zur Verbesserung abzuleiten.

Dazu gab es, nach einer kurzen Einführung zum Thema, zwei Gastbeiträge:

Martin Ebner (TU-Graz) zeigte in seinem per VC-durchgeführten Gastbeitrag mit Blick auf die Umsetzung an Schulen / Hochschulen zentrale Punkte aus seinem Vortrag „Was lernen wir von Learning Analytics?“ auf.
Mit JD Dillon (Axonify) hatte ich im Vorfeld ein Interview durchgeführt, in dem ich ihn zu einem Projekt befragte, das er für einen grossen Logistik-Dienstleister (ca. 80’000 Mitarbeitende an ca. 100 Logistik-Zentren in den USA) durchgeführt hat.

Das Interview bzw. die Präsentation (insgesamt knapp 35 Minuten) behandelt folgende Punkte:

00.00 Einführung / Vorstellung JD Dillon
01.45 Einführung zum Projekt
04.05 Bezug zum Thema „Learning Analytics“
05.23 Die Ziele des Projekts
07.20 Vorgehen / Schritte bei der Umsetzung des Projekts
12.05 Datenerhebung und Schwellenwerte
14.50 Daten und Fokus auf „critical behaviours“
16.28 Zielgerichtetes Verfügbar-Machen von Lerneinheiten
19.39 Zentrale Ergebnisse des Projekts
21.35 Reaktion auf automatisch versendete Auffrischungstrainings bzw. Management-Reports
24.17 Zentrale Ergebnisse des Projekts (Fortsetzung)
28.30 Zentrale Lernerfahrungen für Axonify aus dem Projekt
31.20 Wie Axonify das Thema Learning Analytics weiter verfolgen wird
33.59 Abschluss / Verabschiedung

Für mich besonders eindrücklich war bei diesem Fallbeispiel, in welchem Umfang eine gute Analytik und ein zielgenaues Ausrichten von Entwicklungs- / Qualifizierungsaktivitäten zu Wirkungen und zu Effizienzgewinnen führen. Die beiden folgenden Folien aus dem Beitrag von JD Dillon zeigen dies eindrücklich:

Übrigens, Big Data und People Analytics / HR-Analytics waren auch Thema der letzten Woche im Corporate Learning Moocathon 2015. Fallgeber war hier die Aareal Bank und im Mittelpunkt stand die Frage, wie Big Data und KI die Themen und Aufgabengebiete von Learning und Development verändern. Stichworte waren u.a. Individualisierung und Personalisierung von Lernen, Vorhersagen zu (künftig zu erwartenden) Skill-Gaps oder Empfehlungen zu Lernaktivitäten à la Amazon („Kollegen mit Ihrem Profil haben die folgenden Lernmodule bearbeitet…“).

Learning Analytics Summer School 2017, HTW Berlin

Learning Analytics bezeichnet die Sammlung und Auswertung von Informationen (Datenspuren) zu digital gestützten Lehr-/Lernprozessen, um diese genauer zu verstehen und besser gestalten zu können.
Alfred Fortenbacher und sein Team an der Hochschule für Technik und Wirtschaft (HTW) Berlin hatten für diese Woche zur ersten Learning Analytics Summer School eingeladen.
Gestern standen Doktoranden-Workshops auf dem Programm, heute Keynotes, Workshops und eine Panel-Diskussion, zu der auch ich eingeladen war.
In seinem Vortrag zum Thema „European perspectives on learning analytics“ heute Vormittag zeigte Hendrik Drachsler (Open Universiteit Nederland) den Entwicklungsstand in verschiedenen europäischen Ländern auf. Er verwies u.a. auf eine in Deutschland fehlende, national koordinierte Forschungs- und Entwicklungsagenda zu diesem Thema – etwas, was in anderen europäischen Ländern durchaus zu finden ist.
Besonders interessant war für mich dann die Session mit Dirk Ifenthaler (Universtität Mannheim / Curtin University, Australien) zum Thema „Change management for learning analytics„. Ifenthaler berichtete u.a. über seine Erfahrungen aus der 2013 begonnenen Einführung von Learning Analytics bei der Australian Open University. In diesem Zuge stellte er ein umfangreiches Rahmenmodell sowie auch ein Argumentarium zu LA vor.

Gleichzeitig stellte er heraus, dass die Umsetzung von Learning Analytics spezifisch qualifiziertes Personal und technische Infrastrukturen erfordert. Und diesbezüglich zeigen die von ihm erhobenen Daten, dass es bei Hochschulen sowohl am entsprechend qualifizierten Personal (z.B. Learning Analytics Specialists, Information Management Architects, Data Scientists) als auch an den erforderlichen Infrastrukturen (z.B. Data Warehouse, Automated Data Reporting, Interactive Dashboards) mangelt. Die meisten Hochschulen befinden sich daher erst ganz am Anfang des von ihm skizzierten Entwicklungswegs.

Aus der Sicht von Ifenthaler erfordert der Weg zur Umsetzung von Learning Analytics in Hochschulen (und anderen Bildungsinstitutionen) ein umfangreiches Veränderungsmanagement mit folgenden Arbeitsfeldern:

organisatorische Voraussetzungen schaffen, u.a. im Hinblick auf
- Regelungen / Leitlinien (z.B. zur Verwendung von Daten)
- Prozesse (z.B. zur Datengewinnung und -verarbeitung)
technische Voraussetzungen schaffen, u.a. im Hinblick auf
- Systemintegration
- Data Warehouse-Lösungen
personelle Voraussetzungen schaffen, u.a. im Hinblick auf
- Datenmanagement
- Datenanalyse
- didaktisches Design

Nach der Mittagspause standen Poster-Präsentationen von Nachwuchs-Forschern in diesem Forschungsfeld auf dem Programm. Interessant fand ich das vom deutschen Bundesministerium für Bildung und Forschung geförderte Verbundprojekt „Smart Learning im Handwerk“, bei dem es neben der Entwicklung von neuen mediendidaktischen Gestaltungen von Weiterbildung auch um die Umsetzung von Learning Analytics geht. Mehr zu diesem Projekt hier.
Beim Programmpunkt „Learning Analytics aus Unternehmenssicht“ machte Volker Zimmermann (neocosmo) deutlich, dass er das Potenzial von Learning Analytics eher im Bereich der persönlichen (intelligenten) Lernassistenten sieht, weniger im Bereich der Umsetzung von Learning Analytics auf Unternehmensebene. Hier sind die Hürden u.a. im Hinblick auf Sicherheitsbedenken und Vertriebsvereinbarungen einfach zu hoch.
Im Rahmen der abschliessenden Panel-Diskussion, die von Christoph Igel (Deutsches Forschungszentrum für Künstliche Intelligenz, DFKI, Berlin) moderiert wurde, war mein zentraler Punkt, dass bei den meisten der mir bekannten OE / PE-Bereichen zum Thema Learning Analytics noch viel Unklarheit besteht. Es ist unklar, was genau Learning Analytics ist, wie das Thema umgesetzt werden kann und welchen Nutzen Learning Analytics stiften könnte. Das hat aus meiner Sicht auch damit zu tun, dass die Forschung zu diesem Thema mehrheitlich im Bereich der Hochschulen (und Schulen) passiert, aber kaum im betrieblichen Bereich. Entsprechend wenige Beispiele für gute Praxis finden sich bisher im deutschsprachigen Raum. Hier lohnt sich der Blick über den Atlantik in die USA, wie die CLO Online-Konferenz zum Thema im letzten Herbst zeigte.

Generische Strategien für Learning Analytics: eine 2×2 Matrix

Learning analytics (LA) bezieht sich auf “the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimizing learning and the environments in which it occurs” (SoLAR 2011).
Eine weit verbreitete Unterscheidung von LA Ansätzen basiert auf der Unterteilung 1) description, 2) diagnosis, 3) prediction and 4) prescription (Wagner 2016). Diese gängige Unterscheidung vernächlässigt allerdings die pädagogische Perspektive, das Nutzenpotenzial von LA für Reflektionsprozesse. Um (digitale) Lernprozesse zu unterstützen, schlagen wir in unserer Forschungsgruppe daher eine 2×2 Matrix vor (Table 1).
Eine Dimension unterscheidet nach dem übergreifenden Ziel von LA zwischen:
– Reflexion: a) self-evaluation auf der Basis eigener Datensätze oder Datensätze, die bei anderen generiert worden sind (z.B eine Lehrperson, die ihren Lehr-Lernstil aufgrund der Datensets reflektiert, welche die Studierenden generiert haben)
– Prediction: bezieht sich auf die Antizipation von Lernaktivitäten (z.B. nach Lernerprofilen) und entsprechende Interventionen, um erfolgreiche und weniger erfolgreiche Studierende adaptive Lernstrategien anzubieten.
Die andere Dimension unterscheidet zwischen dem Kontext und der Zielgruppe von LA:
– Social Learning Analytics
– Individual Achievement

Fig. 1: Generic LA Approaches

Tab. 1: A Taxonomy for Learning Analytics activities

Seufert, Meier, Söllner & Rietsche (2017)
special issue of “Big Data in Higher Education: Research Methods and Analytics Supporting the Learning Journey“ in the journal of Technology, Knowledge and Learning (TKNL).

Learning Analytics oder wenn Big Data das Lernverhalten steuert (Martin Ebner, TU Graz)

Ein interessanter Foliensatz von Martin Ebner, TU Graz:

Was ist „learning analytics“?
Was sind die Potenziale & Grenzen?
Wozu kann LA eingesetzt werden?
Wie kann LA umgesetzt werden?

[slideshare id=69173716&doc=learninganalytciscampsinnovation-161117082026]

Quelle

http://www.slideshare.net/mebner/learning-analytics-oder-wenn-big-data-das-lernverhalten-steuert?ref

scil zu Besuch bei der MOOC Factory an der EPFL ("MOOC Camp")

Vor kurzem veranstaltete das Center for Digital Education (CEDE) an der EPFL (École polytechnique fédérale de Lausanne) zum ersten Mal ein 3tägiges „MOOC Camp“ und öffnete damit die Türen für Interessierte. Ich war vor Ort, durfte teilnehmen und habe spannende Einblicke gewonnen und interessante Erfahrungen mit der Gruppe und dem sehr engagierten MOOC Team gemacht. MOOCs sind ja ursprünglich ein Modell des Hochschulkontextes. Daher bin ich mit der Perspektive „MOOCs for Higher Education – quo vadis?“ hineingegangen, habe aber auch interessante Impulse mitgenommen, die zum Teil in anderen Bildungskontexten wie der betrieblichen Weiterbildung mitgedacht werden könnten.
Ein kleines Team an der EPFL hat bereits kurz nach Aufkommen des MOOC-Trends Ende 2012 damit gestartet, MOOCs zu designen, zu produzieren und durchzuführen. Bald darauf wurde das Center for Digital Education und die MOOC Factory gegründet und seitdem werden weiterhin vielzählige MOOCs produziert und sind im Einsatz. Diese Produktionsservices bilden allerdings nur ein Tätigkeitsfeld des Centers ab. Ein zweiter Teil konzentriert sich auf Data Analytics und Forschung.
Heute befinden sich dort 3 beeindruckend professionell ausgestattete MOOC-Produktionsstudios und einige Mitarbeitende (aus einem eLearning Team und Forschende) tragen zur erfolgreichen MOOC-Gestaltung, Produktion und Durchführung bei. 2mal jährlich können Lehrende an der EPFL ihre Vorschläge für neue MOOCs einreichen, aus denen mehrere ausgewählt und umgesetzt werden. Manche solcher MOOCs sind auf gemeinschaftliches Lernen ausgerichtet und folgen einem Wochenrhythmus, andere ermöglichen einen individuellen Rhythmus. Dabei wurden bereits verschiedene MOOC-Formate gestaltet.
Eine dieser Varianten ist bspw. die Verbindung eines MOOCs mit „on Campus“ im Rahmen eines Flipped Classroom Formates. In solchen Projektes hat sich bspw. gezeigt, dass mehr Studierende zusätzlich zu einer Vorlesung an einem MOOC teilnehmen, wenn sie dafür Bonuspunkte erhalten. Ein Vorteil, der hier gesehen wird ist, dass Studierende während des Semesters mehr Kontaktpunkte mit dem Lehrenden haben, was den Lernprozess unterstützt.
Auf die Frage “What is a Good MOOC?” wurde herausgestellt, dass die Qualität besonders durch reichhaltige Lernaktivitäten erreicht werden kann, die es ermöglicht, Informationen in Wissen zu transferieren. Als zweiter Punkt wurde die Bearbeitung von unterschiedlichen Aufgaben betont, die zwischen dem Anschauen von kurzen Videos einzuplanen sind. Dies erfordert auch ein Umdenken der Lehrenden bzw. Professoren, die bei MOOCs einen hohen Druck auf ihr Image verspüren. Mit der Erfahrung des MOOC-Teams haben wir festgehalten:
Das generelle Lehrverhalten verändert sich massgeblich mit den Erfahrungen, die beim Lehren in einem MOOC gemacht werden.
Denn es funktioniert nicht, lediglich Vorlesungs-Folien in ein Online-Format zu transferieren – vielmehr geht es um die gesamthafte Gestaltung einer neuen Lernerfahrung. Die Lehrenden, die mit dem CEDE-Team einen MOOC entwickeln wollen, erhalten daher zu Beginn des Produktionsprozesses viel Unterstützung und pädagogische Beratung.
Mit Blick auf den Hype Cycle von Technologien (nach Gartner) kann konstatiert werden, dass MOOCs bereits nach der Phase „Desillusion“ angesiedelt können. Diese Einordnung in eine Hype-Kurve wird von CEDE allerdings kaum Bedeutung beigemessen – vielmehr ist hier die Überzeugung vertreten, dass MOOCs tatsächlich Wirkung erzeugen und somit effektives Lernen ermöglichen können.

(Quelle: Gartner, 2016)

Das MOOC Factory Team besteht derzeit aus verschiedenen Rollen:

Video Editor & Studio Host: achten bspw. auf die Wirkung der Lehrenden vor der Kamera und editieren die Videos
Course Designer: unterstützen z.B. bei der Definition der Zielsetzung oder Gestaltung der Assignments
Data Analytics: Ziel ist es, neue Erkenntnisse wieder ins Design zurück zu führen

MOOCs for Credits?
Eine zentrale Frage, die wir diskutiert haben war, ob und wie Credits (ECTS) für MOOC-Teilnahmen vergeben und auch für (andere) Studienleistungen angerechnet werden können. Bisher werden keine Credits für reine MOOC-Teilnahmen vergeben, da weiterhin nicht nachvollziehbar ist, ob alles gelernt wurde.
Grundsätzlich stehen bereits vielzählige und verschiedenste MOOCs auf verschiedenen Plattformen zur Verfügung. Diese könnten ins eigene Angebot integriert werden, sofern die Themen selbst nicht abgedeckt werden können. Allerdings stellt sich hierbei die Herausforderung, die externen Inhalte einem Review zu unterziehen und die Qualität zu beurteilen. Dies stellt sich oftmals als schwierig heraus, da für ein Kuratieren wiederum eine gewisse inhaltliche Expertise bedeutend wird.
An dieser Stelle hat das MOOC Factory Team von einem – wie ich finde – äusserst spannendem Pilot-Projekt berichtet, das derzeit stattfindet. Hier wird ein MOOC-Netzwerk mit ausgewählten Universitäten aufgebaut, innerhalb dessen ihre MOOCs von ihren Studierenden besucht und die Credits als Studienleistung anerkannt werden. Dies ist für zugelassene Studierende dieser Universitäten möglich und funktioniert ähnlich wie ein Austauschprogramm, wie gleich weiter deutlich werden wird. Damit wird zunächst eine geschlossene Studierenden-Gruppe bestimmt. Allerdings steht die MOOC-Teilnahme allen Interessierten, auch ausserhalb dieser Gruppe offen (ohne den Vorteil der Credits-Anrechnung). Damit werden die MOOCs weiterhin der Forderung nach „Open“ gerecht.
Da eine „erfolgreiche“ Teilnahme mit einem positiven Lernergebnis bei MOOCs kaum nachweisbar ist, wird der Lernerfolg in der Abschlussprüfung gemessen (ähnlich zu einer üblichen Klausur am Ende eines Semesters). Dazu wird es als Voraussetzung gesehen, dass diese Prüfungen synchron, d.h. an allen beteiligten Universitäten zeitgleich und persönlich stattfinden. Verantwortlich für die Durchführung der Prüfung ist jeweils die „Sending University“, an der die Studierenden eingeschrieben sind. Inhaltlich ist die „Host University“ zuständig, die einen MOOC anbietet, die Prüfungen erstellt und diese an die Home Universities sendet. Letzteren kommt die Aufgabe der Betreuung der Studierenden zu.
Das Ziel dieses Projektes ist es, über MOOCs ähnliche Lernerfahrungen zu unterstützen, wie es „on Campus“ möglich ist. Derzeit liegen noch Herausforderungen bzgl. der Skalierbarkeit vor, das ja ein eigentliches Ziel von MOOCs darstellt. Begründet sind diese im Vertrauen in die Qualität von MOOCs, der Prüfungsaufsicht und „not one size fits all“…

Types and Targets
MOOCs entfalten ihre Power gerade erst durch die Einbeziehung der „Masse“ („massive“). Dies wurde stark betont und an einem eindrücklichen Beispiel aufgezeigt: Eine Präsenz-Vorlesung wurde durch einen MOOC ergänzt. Die an der EPFL eingeschriebenen Studierenden sollten im Rahmen des MOOCs Aufgaben bearbeiten. Der MOOC stand zudem allen Interessierten weltweit zur Teilnahme offen. Diese externen Teilnehmenden unterstützten die eingeschriebenen Studierenden massgeblich in der Aufgabenbearbeitung durch ihre Rückmeldungen und Diskussionsbeiträge. Dieses Beispiel zeigt m.E. einen interessanten Ansatz, kleinere, geschlossene Gruppen mit der Forderung nach „open“ und „massive“ zu verbinden.
Wir haben festgehalten: „The massive part (of MOOCs) makes it powerful: network, crowd, etc.”
Weiterhin wurde von “MASSIVE open online COMMITMENT” als neues Mindset gesprochen – Commitment zeigt sich dann bspw. in aktiven Übungen oder Foren.
Für die Lehrenden in MOOCs zeigt sich überdies eine deutliche Nachfrage-Orientierung: Schon einige Professoren dachten, sie haben einen tollen Kurs und dann schliesst sich keiner an… Damit wird – entgegen des häufig anzutreffenden Ansatzes von Hochschulen – eine Ausrichtung des Angebotes am Markt erforderlich. Die Anzahl der Registrierungen für einen MOOC steigt bei Themen, die Grundbedürfnisse aufnehmen (statt Selbsterfüllung) – und steigt noch mehr bei einzigartigen Angeboten auf dem Markt.

Marketing
Mit der Nachfrageorientierung wird auch deutlich, dass es wichtig ist, die Zielgruppe genau zu identifizieren und diese versuchen bestmöglich zu erreichen. Die Zielgruppe wird also nicht mit Feststellungen spezifiziert wie „Personen, die an MOOCs interessiert sind“, denn dann hätten sie unzählige Auswahlmöglichkeiten („abstraction is the enemy of marketing“!). Die Frage ist vielmehr: Warum nehmen sie an genau diesem MOOC teil?
Diese Erkenntnisse können wiederum für die Vermarktung mit Social Media Kanälen genutzt werden, wobei diese Informationen in deren Algorithmen aufgegriffen werden.

Course Design
Zum Thema Course Design haben wir einem Workshop-Format an eigenen Kursen gearbeitet. Startpunkt war die die Frage „WHO are your learners?“ Die Herausforderung wird darin gesehen, dass dies für MOOCs nur antizipiert werden kann. Dennoch ist es zentral, klar herauszustellen, was Lernende aus dem Kurs mitnehmen können („what is in for them?“) – darüber können sie zur Teilnahme motiviert werden.
Das MOOC Factory Team hat einen „Blueprint“, also einen Kursdesign-Plan als Tool entwickelt, der die Grundlage für die Gestaltung gibt. Mit dessen Hilfe und ausgehend von effektiven Lernzielen und der Lernzieltaxonomie nach Bloom wird das Kursdesign gemeinsam mit den Lehrenden gestaltet. Dabei werden didaktisch-methodische Überlegungen einbezogen. Die Begleitung der Lehrenden ist dabei eine wichtige Aufgabe. Dabei geht es bspw. um die Definition der Lernziele, die Erstellung eines Skriptes und der Slides, um die Gestaltung des Lernprozesses mit verschiedenen Übungsformaten, aber auch um die Umsetzung einer für viele ganz neue Art zu lehren: Eine klassische Vorlesung kann eben nicht einfach in einen Online-Kurs umgestaltet werden, vielmehr sind damit ganz neue Gestaltungs-, Entwicklungs-, und Produktionsprozesse und -formen verbunden.

MOOC Production Studio
Mit unseren entwickelten Materialien haben wir dann selbst die Erfahrung machen dürfen, in einem der Produktionsstudios ein kurzes MOOC-Video zu produzieren. Das fand ich schon aus einer technischen Perspektive sehr beeindruckend: Die Folien sind für den Lehrenden auf einem Bildschirm auf dem Tisch einzusehen. Dort können sie in der eigenen Geschwindigkeit beliebig vor- oder zurückgeblättert werden. Dies unterstützt die Aufnahme pro Folie oder für mehrere Folien an einem Stück durchzuführen, auch in mehreren Versuchen – eben so lange, bis das Ergebnis zufriedenstellend ist. Später werden die einzelnen produzierten Sequenzen zusammen geschnitten und editiert. Zudem sind die Folien links neben dem Lehrenden für sie/ihn in einem weiteren Bildschirm zu sehen.

Der Prompter erlaubt es, das Skript zu den Folien abzulesen, so muss es vorab nicht einstudiert werden. Gleichzeitig stellte sich dies als keine leichte Übung heraus. Zum einen ist die individuell passende Fliessgeschwindigkeit des Textes genau abzustimmen (das war meine grösste Herausforderung). Zum anderen ergibt sich damit ein Spannungsfeld zwischen vorgefertigt und flexiblem, spontanen Redefluss. Dies ist dann auszubalancieren, damit das Video nicht künstlich erscheint, sondern authentisch.

Das Ergebnis: This is me in action…

Daraufhin haben wir uns in der Kleingruppe die produzierten Kurzvideos angeschaut und durch das gegenseitige Feedback wieder einige Tipps und Tricks zum Auftreten vor der Kamera mitnehmen können.

MOOCs und Big Data
Big Data ist in Verbindung mit MOOCs unbestritten ein grosses (Diskussions-) Thema. Immerhin können umfassende Daten über die Lernenden oder ihr Teilnahmeverhalten generiert werden. Die Messung erfolgt hier auf einem niedrigen Level, doch die Daten werden erst sinnvoll nutzbar durch Interpretationen auf einem höheren Level. Potenzial wird bspw. darin gesehen zu identifizieren, welches Verhalten bei Teilnehmenden zum Lernerfolg führt, Muster zu erkennen und dies im Rahmen der Lernbegleitung zu nutzen: Ein Beispiel hierfür ist, den Lernenden zu zeigen, welche Videos sie bereits angeschaut haben, dies zu vergleichen mit Videos, die erfolgreiche Lernende angeschaut haben. Auf dieser Basis könnte ihnen aufgezeigt werden, wie sie ihren Lernerfolg erreichen können.
Das MOOC Factory Team forscht hier an verschiedenen Fragestellungen, bspw. über „Eye Tracking“ (worauf wird geschaut? welches Muster führt zu Lernerfolg?) oder auch zur Anpassung von Problemlösungsstrategien der Lernenden (bspw. wie lange dauert dies?).

Fazit
Der MOOC als akademisches Modell wird an der EPFL in spannender Form umgesetzt, verschiedene Varianten und Gestaltungsszenarien ausprobiert und dies durch Forschung begleitet und evaluiert. Neue Projekte und Netzwerke werden hierzu aufgespannt. Es wird deutlich, dass hier sehr vieles vorangeht. Eine Skalierbarkeit von MOOCs für Credits und damit eine Anrechenbarkeit externer Kurse ist dabei weiterhin noch nicht erreichbar, da derzeit viele Restriktionen für die Prüfungsabnahme vorliegen (z.B. zeitgleiche Durchführung an den Universitäten, persönliche Identifikation der Lernenden). Hier liegt Hoffnung in einem möglichen „Online Proctoring“.
Das Videoformat, dessen mögliche Reichweite an Lernenden und vor allem die Power der Masse/Crowd könnte in adaptierter Form möglicherweise für verschiedene Bildungskontexte spannende Gestaltungsansätze aufweisen: Z.B. die oben beschriebene Verbindung einer (etwas kleineren) geschlossenen Lernendengruppe, die neben einen MOOC in Verbindung mit einer Präsenzveranstaltung besucht und dann in der MOOC-Phase aber nach aussen geöffnet wird und allen weiteren Interessierten offen steht.
Im Anschluss an das Videoformat möchte ich noch kurz auf neue Videoformen hinweisen: So werden seit kurzem durch die MOOC Factory 360 Grad Videos ausprobiert und produziert. Noch stehen diese zwar nicht in direkter Verbindung mit MOOCs, weisen aber ein für sich spezielles Potenzial auf: In solche Videos können durch die Nutzung von Tools kleine Aufgaben integriert werden, sie können mit einer Story verbunden werden. Bspw. über 3D-Brillen kann die Bewegung und Aufgabenbearbeitung gesteuert werden. Dies ist sicher weiter zu beobachten und didaktische Einsatzpotenziale zu eruieren.
Im betrieblichen Kontext sind bereits verschiedene Formate aus dem ursprünglichen MOOC-Format entstanden (z.B. SPOCs, small private online course). Hier wird immer wieder diskutiert, inwiefern diese die Forderungen an MOOCs noch aufnehmen („massiv“, „open“). Dagegen bringen sie eher andere Potenziale mit und adaptieren das Format auf ein für Unternehmen passendes. Auch hier werden die Entwicklungen weiter zu beobachten bleiben – ist bspw. zu bestimmten Themen und Zielen doch auch eine Öffnung nach aussen denkbar oder wird das weiterhin kaum vereinbar mit der Strategie sein?
Mit Blick auf die Fülle an bereits verfügbaren MOOC-Angeboten auf den verschiedenen Plattformen (EdX, Coursera, etc.) sehen manche Unternehmen bereits die Aufgabe bei sich, Rollen für die Kuratierung zu schaffen. D.h. vorliegende Kurse auf ihre Qualität und Relevanz hin zu bewerten, für Mitarbeitende ein Angebote vorzuselektieren und ihnen als Lernmöglichkeit aufzuzeigen. Möglicherweise kann dies in einem ersten Schritt für persönliche Bildungsziele genutzt werden, es bleibt abzuwarten, inwiefern dies für die Kompetenzentwicklung eingesetzt und anerkannt werden wird, die auf die Erreichung von Unternehmenszielen ausgerichtet ist.
Nochmals herzlichen Dank an das EPFL MOOC Camp Team für diese Einblicke und Diskussionen!

Data Analytics Summit 2016 der eLearning Guild

‚Learning Data Analytics‘ ist ein noch vergleichsweise junges Arbeitsgebiet. Es geht dabei um das Entdecken, Interpretieren und Darstellen von bedeutsamen Mustern in grossen Datenmengen, die bei der Nutzung von digitalen Lern- und Arbeitsmaterialien entstehen. Im Kontext des (betrieblichen) Bildungsmanagements sind zentrale Ziele vor allem ein verbessertes Verständnis von Lehr-/Lernaktivitäten und die Optimierung von Lernumgebungen.
Abbildung 1: Daten – Analyse – Geschäftsoptimierung (Quelle: Wagner 2016)

Ein neues Veranstaltungsformat der eLearning Guild

Am 21. und 22. September fand der Data & Analytics Summit der eLearning Guild statt. Eine über zwei aufeinanderfolgende Halbtage laufende Online-Konferenz mit jeweils vier einstündigen Vorträgen pro Tag, an denen man nur per Webkonferenz teilnehmen konnte. Es handelt sich dabei um ein neues Angebotsformat der eLearning Guild und ich auch deshalb neugierig auf diese Konferenz.
Um es vorwegzunehmen: Ich fand diese Online-Veranstaltung insgesamt sehr gut, auch wenn – wie bei den meisten Tagungen und Konferenzen – für mich nicht alle Vorträge gleichermassen interessant oder überzeugend waren. Für eine insgesamt eintägige Konferenz wäre ich nie an die Westküste der USA geflogen. Soweit ich sehen konnte war die Beteiligung recht gut. Bei den Vorträgen des ersten Tags waren ca. 250 Teilnehmende dabei, am zweiten Tag, ca. 160. Natürlich gab es keine Kaffeepausen, in denen man mit anderen ins Gespräch kommen konnte. Der Austausch zwischen den Teilnehmenden spielte sich in den Chatfenstern der VC-Software ab – zum Teil in einer Intensität, dass ich mich fragte, ob diese Teilnehmenden überhaupt noch dem Vortrag folgen können. Im Folgenden einige Notizen zu den für mich wichtigsten Punkten der Veranstaltung. Detaillierter werden wir uns die Inhalte der Vorträge in unserem kommenden Innovationskreis zum Thema „Digitale Transformation: Konsequenzen für die Personalentwicklung“ anschauen.

Worum geht es bei Learning Data Analytics?

Die Auftakt-Session mit dem Titel „Why you should care about data analytics“ bestritt Ellen Wagner (Chief Research Officer, PAR Framework; VP Research, Hobsons). Sie zeigte zunächst zentrale Treiber für die Entwicklung von (Learning) Data Analytics auf: die zunehmende Verbreitung von distribuierten, web-basierten Plattformen; die Verfügbarkeit von ‚data warehouses‘; und die Verfügbarkeit von neuen Auswertungstechniken. Da viele andere Fachbereiche in Unternehmen auf die Analyse von grossen Datenmengen setzen, können sich die Bildungsverantwortlichen diesem Trend auf Dauer nicht entziehen. Denn solche Datenanalysen unterstützen die Bestimmung des Ist-Zustands (z.B. Intensität der Nutzung von Lernangeboten), die Leistungserbringung (z.B. zielgruppengerechte Anpassung des Umfangs von Lernressourcen), das Automatisieren von Abläufen (z.B. Feedbacks zu Tests auf der Basis von Vergleichsdaten) und die Entwicklung von neuen Lösungen (z.B. kurze „Refresher“-Angebote).
Wagner zeigte dann anschliessend vier Zielebenen für Learning Data Analytics auf:

Beschreibung, z.B.
Welche Teilnehmenden brechen die Bearbeitung von bzw. Teilnahme an Lernangeboten ab?
Welche Lernressourcen werden (nicht) genutzt?
Diagnose, z.B.
Warum brechen Teilnehmende die Bearbeitung / Teilnahme ab?
Warum werden Lernressourcen (nicht) genutzt?
Prädiktion / Vorhersage, z.B.
Welche Teilnehmenden sind im Hinblick auf einen vorzeitigen Abbruch der Lernaktivitäten besonders gefährdet?
Welche Ressourcen werden voraussichtlich (nicht) genutzt werden?
Präskription / Handlungsanleitung, z.B.
Massnahmen zur Vermeidung von vorzeitigen Abbrüchen bei Lernaktivitäten;
Massnahmen zur Gewährleistung der Nutzung von Lernangeboten / Lernressourcen.

Nun ist (Learning) Data Analytics als Arbeitsfeld nicht unumstritten. Die Einwände dagegen reichen von zu hohen Kosten über Gefahren der missbräuchlichen Verwendung von Daten bis hin zu Zweifeln an der Genauigkeit bzw. Qualität von Ausgangsdaten. Wagner plädierte hier für eine systematische Einbindung wichtiger Anspruchsgruppen und eine systematische Arbeitsmethodik, um diesen Einwänden zu begegnen.

Ein Beispiel zur Umsetzung

Der zweite Vortrag des ersten Tages mit dem Titel „Data Points: Using behavioral analytics to improve learning“ kam von J.D. Dillon, Principal Learning Strategist bei Axonify, einem Anbieter von ((…)). Ausgangspunkt für seinen Beitrag war eine Initiative zur Arbeitssicherheit und Unfallvermeidung (vor allem im Hinblick Verletzungen durch unsachgemässes Heben) bei einem Logistik-Dienstleister mit ca. 70‘000 Mitarbeitenden.
Dillon zeigte auf, wie über einen Prozess mit insgesamt 11 Schritten eine signifikante Ergebnisverbesserung erreicht werden konnte:

Definition des (Geschäfts-)Ziels
Identifikation von entscheidenden Situationen
Herausschälen von unbedingt erforderlichen Verhaltensweisen
Definition von Schwellenwerten
Klärung von möglichen Datenquellen
Sammlung von Daten
Evaluation der Daten
Herausarbeiten des für unfallfreies Arbeiten erforderlichen Wissens bzw. der dafür erforderlichen Kompetenzen.
Erstellen von Lerninhalten bzw. Arbeitshilfen
Steuerung der Zuweisung von Lern- / Unterstützungseinheiten
Ausweisen der Ergebnisse

Dillon stellte dann den Trainingsaufwand bei einem traditionellen und bei einem an Schwellenwerten orientierten Vorgehen vergleichend gegenüber. Im ersten Fall wären alle 70‘000 im Logistik-Bereich beschäftigten Mitarbeitenden geschult worden. Selbst bei einer mit fünf Minuten Dauer sehr kurzen Lerneinheit würde sich die dafür investierte Arbeitszeit auf über 23‘000 Mitarbeitenden-Stunden addieren. In diesem Projekt dagegen erfolgte die Zuweisung des Refresher-Training auf der Grundlage von definierten Schwellenwert, so dass schliesslich nur 658 Mitarbeitenden-Stunden für dieses Thema aufgewendet wurden. Dies entspricht einer Reduktion um mehr als 97%.

Entwicklungsperspektiven

Ein weiterer interessanter Beitrag kam von Tim Martin, CEO der Firma Rustici Software, die ab 2011 federführend am Projekt TinCan API gearbeitet hat, aus der die xAPI-Spezifikation hervorgegangen ist [Querverweis Blogbeitrag zu xAPI]. In seinem Beitrag mit dem Titel „Dreamers and pragmatists: what needs to happen to make xAPI fly“ skizzierte er seine Erwartungen im Hinblick auf Verbreitung der Nutzung von xAPI. Ein Hindernis für die breite Nutzung von xAPI sieht Martin darin, dass Mehrdeutigkeiten im strukturierten Vokabular für xAPI-Aktivitätsbeschreibungen entstanden sind – beispielsweise drei verschiedene Beschreibungen für das Betrachten von Videos. Martin erwartet, dass diese Probleme bis Mitte 2017 behoben werden und dass dann Investitionen in die Arbeit mit xAPI auf einer sicheren Grundlage stehen und dass dann eine breite Nutzung erfolgen wird.
Auch George Siemens, eine der zentralen Gründungsfiguren für das Arbeitsfeld Learning Data Analytics war bei der online Konferenz vertreten. In seinem Beitrag „Fostering adaptive learners, not adaptive curriculum“ riss er sehr viele verschiedene Themenaspekte an und es war nicht ganz leicht, seinem Vortag zu folgen. Im Hinblick auf adaptives Lernen verwies er auf die Begrenztheit der gegenwärtig verfügbaren Plattformen (z.B. Knewton.com). Diese beschränkten sich darauf, bei der Analyse von Lernaktivitäten und bei den Vorschlägen für Lernpfade nur die Interaktion von Lernenden mit Lerninhalten und deren kognitive Verarbeitung zu berücksichtigen.
Im Unterschied dazu sei es erforderlich, weitere Typen von Daten bei den Analysen von Lernaktivitäten hinzuzuziehen: Daten aus Präsenzsituationen und von Evaluationen ebenso wie Daten von sozialen Medien und körpernahen Detektoren, die Hinweise auf Lernstrategien, Vernetzung und affektives Involvement liefern. Siemens forscht aktuell zu Möglichkeiten der adaptiven Gestaltung von Lernumgebungen auf der Grundlage von Daten und Analysen zu individuellen physiologischen und psychologischen Vorgängen. So können beispielsweise Wearables oder Webcams eingesetzt werden, um Veränderungen in der Leitfähigkeit der Haut, der Hauttemperatur, der Herzfrequenz, der Körperhaltung etc. zu dokumentieren. Diese Daten können dann Hinweise auf Langeweile, Überraschung, Stress oder ähnliches liefern und mit zeitgleich dokumentierten Lernaktivitäten verknüpft werden. So wie ich Siemens verstanden habe besteht seine Vision darin, auf dieser Grundlage den einzelnen Lernenden in ganz anderer Weise als heute mit individuell zugeschnittenen Lernangeboten bedienen zu können.

http://www.elearningguild.com/summits/content/4496/data–analytics-summit-2016-home/

(Informelle) Lernaktivitäten sichtbar machen: die Rolle von xAPI

In seiner letzten Kolumne für das Learning Solutions Magzine hat Marc Rosenberg über den Durchbruch von xAPI geschrieben. Warum genau Rosenberg den Durchbruch von xAPI jetzt konstatiert, wurde für mich aus seinem Beitrag nicht verständlich. Aber für mich war der Beitrag dennoch ein Auslöser, mich zum Thema xAPI zu orientieren – zumal sich in der letzten Zeit schon andere Dokumente zum Thema auf meinem Desktop angesammelt hatten.
Rosenberg zeigt in seinem Beitrag auf, dass der gegenwärtig etablierten Standards für den Austausch von Informationen zu Lernaktivitäten aktuellen Konzeptionen von Lern- und Leistungs-Ökosystemen (learning and performance ecosystems) nicht mehr gerecht werden. Sie unterstützten lediglich den Austausch bzw. die Auswertung von Informationen zu formalen Lernaktivitäten (z.B. im Rahmen der Bearbeitung von WBT), nicht aber darüber hinausgehende, informelle Lernaktivitäten, Leistungsunterstützung am Arbeitsplatz, Netzwerkaktivitäten, etc. Darüber hinaus setzen sie Interaktion zwischen einem PC-Webbrowser und einem LMS voraus – was nicht mehr in unsere von mobilen Endgeräten geprägte Welt passt.

Das Konzept des Lern- & Leistungs-Ökosystems; Bildquelle: Steve Foreman & Marc Rosenberg

Was ist xAPI?

xAPI wurde von der eLearning Community entwickelt, um Limitationen des bestehenden Standards SCORM (Shareable Object Reference Model) zu beheben. SCORM wurde von der US-Agentur ADL (Advanced Distributed Learning) in 2001 publiziert und in den Jahren 2004 sowie 2009 überarbeitet. Nach der letzten Aktualisierung 2009 wurde klar, dass man neue Wege beschreiten muss. Im Jahr 2011 wurde von der ADL ein Projekt lanciert, um einen Nachfolgestandard für SCORM zu entwickeln – das sogenannte Projekt „Tin Can API“. Im Frühjahr 2012 wurde die erste Version der xAPI Spezifikation veröffentlicht (aktuelle Version 1.02). xAPI ist kein Ersatz für SCORM als Standard für die Kommunikation zwischen E-Learning-Inhalten (WBT) und einem LMS. Hierfür ist seit 2013 ein weiterer Standard in Entwicklung, cmi5 (vgl. dazu diesen Artikel von Art Werkenthin aus 2015).
xAPI ist eine Spezifikation für eine Web API (Application Programming Interface). Sie liefert ein neues semantisches Modell für die Beschreibung von Lernaktivitäten und ermöglicht neue Wege bei der Nachverfolgung und Auswertung von Daten, die durch Lernaktivitäten mit digitalen Ressourcen bzw. Werkzeugen erzeugt werden.

Lieferanten für Aktivitätsbeschreibungen; Bildquelle: Steve Foreman

xAPI beinhaltet drei zentrale Komponenten:

eine Struktur für die Beschreibung von Lernaktivitäten (activity statements) bestehend aus Akteur, Verb, und Objekt (z.B. „Thomas – hat aufgerufen – das Video [Video-URL]“). Eine von ADL gepflegte Zusammenstellung von Verben (ADL’s Controlled Vocabulary) findet sich hier.
Methoden für den Transfer und die Speicherung von solchen Aktivitäts-Beschreibungen.
Sicherheitsstandards für den Austausch von Informationen zwischen den Erzeugern solcher activity statements (activity providers) und Datenbanken zu deren Speicherung (Learning Record Store, LRS).

Die drei zentralen Komponenten von xAPI; Bildquelle: Berking et al. 2014, S. 7

Die Aktivitätsbeschreibungen (activity statements) weisen folgende Struktur auf:

Beispiele für xAPI Aktivitätsbeschreibungen auf der Grundlage des ADL-Vokabulars sind beispielsweise diese:

[Thomas] – [accessed] – [file / object … (z.B. ein Textdokument)]
[Susan] – [added] – [file … (z.B. eine Ausarbeitung zu einem Auftrag)]
[Tina] – [annotated] – [object … (z.B. eine Wiki-Seite)]
[Michael] – [answered] – [question … (z.B. eine Frage in einem Diskussionsforum)]

Welche Lernaktivitäten können mit xAPI erfasst werden?

Traditionelles E-Learning
xAPI wurde zwar nicht in erster Linie dafür entwickelt, kann aber auch Aktivitätsbeschreibungen von bestehenden SCORM-basierenden WBT verarbeiten. Allerdings müssen dazu die bereits bestehenden Lerninhalte / WBT mit einem „xAPI wrapper“ versehen werden.
Lernen mit mobilen Endgeräten
Während der SCORM-Standard nicht mit Apps für Mobilgeräte genutzt werden kann, können mit xAPI auch Lernaktivitäten, die mit mobilen Endgeräten durchgeführt werden (im Browser oder in einer App) nachverfolgt und ausgewertet werden.
Lernaktivitäten, die ohne Verbindung zum Internet durchgeführt werden
xAPI ermöglicht das Erstellen und Auswerten von Aktivitätsbeschreibungen zu Lernaktivitäten, die ohne Verbindung zum Internet stattfinden. Allerdings muss sicher gestellt sein, dass die Beschreibungen zunächst auf dem Gerät zwischengespeichert und dann an den LRS übermittelt werden.
Lernaktivitäten ausserhalb eines LMS
Darüber hinaus können mit xAPI auch Lernaktivitäten erfasst werden, die nicht über ein LMS laufen. So kann beispielsweise auch die Nutzung von Hilfe-Funktionen im Rahmen der Neu-Einführung eines ERP-Systems über xAPI ausgewertet werden.
Nutzung von Performance Support Ressourcen
xAPI erlaubt das Dokumentieren und Auswerten der Nutzung von Performance Support Werkzeugen am Arbeitsplatz, beispielsweise von spezifischen Apps oder Hilfe-Seiten und Checklisten im Intranet.

3 zentrale Werkzeug-Kategorien

Um xAPI-basierte Aktivitätsbeschreibungen erzeugen, erfassen und auswerten zu können braucht es drei Typen von Werkzeugen:
1) Activity Providers (Lieferanten für Aktivitätsbeschreibungen)
Dies sind Systeme, Applikationen oder Werkzeuge, die Aktivitätsbeschreibungen erzeugen können weil eine spezielle xAPI Komponente in diese integriert wurde. Dazu können beispielsweise LMS gehören (nicht alle, sondern entsprechend angepasste), Autorenwerkzeuge für E-Learning, mobile Apps aber auch Systeme wie WordPress, Yammer, Microsoft SharePoint, Salesforce.com und andere IT-Plattformen für Unternehmen. Eine Übersicht zu Anbietern und Produkten, die Tin Can API bzw. xAPI unterstützen, findet sich hier. Über die Seite capterra.com kann man gezielt nach LMS suchen, die Tin Can API unterstützen.
2) Learning Record Stores
Dies sind Systeme bzw. Datenbanken, in denen die Aktivitätsbeschreibungen gespeichert werden. LRS können eigenständige Systeme sein oder aber in ein LMS integriert sein. Eine aus dem Tin Can API-Projekt resultierende Übersichtsseite zu verschiedenen Typen von LRS und einzelnen Produkten findet sich hier.
3) Analysewerkzeuge
Diese Werkzeuge unterstützen die Analyse der in einem LRS gespeicherten Aktivitätsbeschreibungen und die Visualisierung von Ergebnissen. Neben proprietären Werkzeugen und Lösungen (beispielsweise Cognos von IBM oder Business Objects von SAP) gibt es hierzu auch open source Lösungen.

Ein Szenario aus dem Vertrieb

In einem umfangreichen Beitrag für learningsolutionsmag.com entwickeln Johnson et al. (2015, vgl. die Liste unten) ein (fiktives) Szenario für die Nutzung von xAPI zur Beobachtung und Analyse von Vertriebsaktivitäten und für die Evaluation von unterstützenden Massnahmen.
Nach dem Rollout von neuen Produkten dauert es zunächst 3-6 Monate, bis die Vertriebsmitarbeitenden auch zu den neuen Produkten die Anzahl von Kontakten und Abschlüssen erreichen, die sie mit den älteren Produktlinien erreichen. Der Umsatz mit neuen Produkten liegt in dieser Zeit signifikant unter den angestrebten Zielwerten. Fokusgruppengespräche mit Vertretern der Vertriebsmannschaft machen folgende Herausforderungen sichtbar:

ergänzende Informationen zu den neuen bzw. aktualisierten Produkten (z.B. Vergleiche mit Produkten der Mitbewerber, Marktforschungsergebnisse, etc.) sind nicht leicht zu finden;
die Vertriebsmitarbeitenden tun sich schwer damit, potenzielle Kunden für die neuen Produkte zu identifizieren und anzusprechen und erreichen damit gar nicht die nächsten Stufen im Vertriebsprozess (z.B. das Erstellen von / Verhandeln zu Angeboten);
die verfügbaren Schulungsangebote sind zu lang und werden zum Teil erst nach dem Release der neuen Produkte besucht.

Darüber hinaus zeigt sich, dass manche der regionalen Vertriebsmanager in dieser Situation wirksame Lösungen für ihre jeweiligen Teams entwickelt haben. Etwa ein spezielles Zeitfenster im Rahmen von wöchentlichen Teambesprechungen für das Besprechen von Informationen zu und Erfahrungen mit dem Verkauf von neuen Produkten.
Das interne Weiterbildungsteam schlägt daraufhin folgende Lösungselemente, Fragestellungen und zu beobachtende Aktivitäten vor, die dann über xAPI Aktivitätsbeschreibungen verfolgt werden können:

Lösungskomponente	Fragestellung (Beispiele)	Beobachtungen (Beispiele)	Elemente der Aktivitäts-beschreibung
Durchsuchbare Ablage mit Produktinformationen	Welche Informationen werden von den Vertriebs-mitarbeitenden gesucht? Führen die Suchaktivitäten zu einem Ergebnis? …	Suche nach – Produktkategorie – Typ von DokumentSuche mit Öffnen von TreffernSuche ohne Öffnen von Treffern	„searched“ „accessed“ (a resource)
Online-Zugang zu Produktexperten (z.B. via Webmeetings)	Welche Produktmanager werden kontaktiert? Welche Produktmanager werden von den Vertriebsmitarbeitenden positiv bewertet?	Anzahl der Kontaktaufnahmen	„launched“ (a phone app)“commented on“ / „rated“ (an expert)
Wöchentliche Besprechung zu Produkten im Vertriebsteam (z.B. per Webmeeting)	Welche Vertriebsmanager führen Besprechungen durch? Nehmen Vertriebsmitarbeitende an diesen Besprechungen teil?	Durchführen von Webmeetings Anzahl Teilnehmende	„held“ (a meeting)“attended“ (a meeting)

Die Auswertung der auf diese Weise erzeugten Aktivitätsbeschreibungen kann dann Hinweise darauf liefern, wie gut die verschiedenen Lösungselemente tatsächlich genutzt werden und wie sie von den Mitarbeitenden bewertet werden.

Herausforderungen

Mit der Möglichkeit, eine viel grössere Bandbreite verschiedener Lernaktivitäten zu beobachten und auszuwerten, wächst auch die Bedeutung eines zielorientierten und fokussierten Vorgehens. Ansonsten werden Datenberge produziert, die dann schnell zu Datenmüllhalden werden. Folgende Fragestellungen müssen beantwortet werden:

Was soll mit welcher Zielsetzung beobachtet werden?
Von welchen Personen sollen Nutzungsdaten erfasst werden?
Welche Aktionen dieser Nutzer bezogen auf welche Ressourcen / Materialien sollen ausgewertet werden?
Wer soll diese Auswertungen durchführen? Wer hat Zugriff auf die Ergebnisse?

Hier ist es hilfreich, einen Erhebungsplan zu erstellen. Hierzu ein Beispiel aus dem Arbeitsbericht von Berking et al.:

xapi Beispiel Tabelle Datenerhebung Berking et al 2014 S 21 — Beispiel für einen Plan zur Datenerhebung; Quelle: Berking et al 2014, S. 21

Darüber hinaus ist es wichtig, die von einer solchen Initiative beteiligten bzw. betroffenen Anspruchsgruppen mit ins Boot zu holen. Nicht jeder wird sich bei dem Gedanken wohl fühlen, dass viele (informelle) Lernaktivitäten ausgewertet werden. Und in Deutschland werden da insbesondere Betriebsräte mitsprechen wollen. Genau wie bei der Umsetzung von Bildungscontrolling-Initiativen braucht es hier klare (Betriebs-)Vereinbarungen dazu, welche Ziele diesbezüglich verfolgt werden sollen, wie personenbezogene Daten geschützt werden, wer Zugang zu den Daten hat und wie diese ausgewertet und die Ergebnisse kommuniziert werden.

Nachtrag 22.09.2016
Ich habe heute im Rahmen des Data Analytics Summit (eine Online-Konferenz der eLearning Guild) einen Vortrag von Tim Martin, CEO von Rustici Software, gehört. Rustici Software hatte in 2011 den Auftrag erhalten, diese Spezifikation zu entwickeln – wir hatten also DEN Experten zu xAPI vor uns – zumindest virtuell…
Tim Martin sieht xAPI noch nicht jetzt beim Durchbruch, sondern erst in ca. 1-2 Jahren. Ein wichtiger Grund dafür ist der, dass es noch Inkonsistenzen bei der Erstellung / Formulierung von „activity statements“ gibt. So gibt es z.B. aktuell noch drei verschiedene Weisen auszudrücken, dass eine Person ein Video betrachtet. Diese Inkonsistenzen müssten in den nächsten ca. 12 Monaten bereinigt werden, damit Investitionen in xAPI und darauf basierende Analytics-Aktivitäten wirklich lohnen.
(Link zur Session)

Ressourcen
Berking, P., Foreman, S., Haag, J., & Wiggins, C. (2014). The experience API – Liberating learning design. Hot Topics – eLearning Guild Research. eLearning Guild.com.
Johnson, A., Foreman, s., Wiggins, C. & Berking, P. (2015). xAPI and Analytics: Measuring your way to success Learning Solutions Magazine (article 1722).
Rosenberg, Marc (2016): The xAPI breakthrough. Learning Solutions Magazine (article 1942).
Werkenthin, Art (2015): Experience API, cmi5, and Future SCORM. Learning Solutions Magazine (article 1697).

OPCO 2012 und Learning Analytics

Im Rahmen des OpenCourse 2012: „Trends im E-Teaching – der Horizon Report unter der Lupe“ begann gestern der Block zum Thema „Learning Analytics“ und heute fand dazu eine erste Sitzung im virtuellen Klassenzimmer statt. Mehr als 100 Teilnehmende waren dabei und – das schon mal vorab gesagt – ich fand die Sitzung wirklich gut (Kompliment an Jochen Robes als Moderator und Martin Ebner als Referent)!

Worum geht es bei Learning Analytics und worum ging es in dieser Sitzung?
Learning Analytics geht unter anderem auf Educational Data Mining (EDM) zurück und ist – vereinfacht gesagt – die Analyse von Daten, die sich aus Lernaktivitäten ergeben: Welche Lernressourcen werden aufgerufen, welche nicht? Welche Aufträge werden mit welchem Erfolg bearbeitet? Was wird in Foren gelesen und kommentiert? Wer reagiert auf wen? Wann lässt Lernaktivität nach bzw. bricht ab? Analysieren kann man solche Daten auf der Ebene von einzelnen Lernenden, Kursen, Studienprogrammen, Hochschulen, Regionen, Nationalstaaten oder globalen Organisationen und Programmen. Zielsetzungen können sein das Herstellen von Transparenz zu Lernaktivitäten, die Identifikation von potenziellen Kurs- / Studienabbrechern oder auch die Identifikation von Ansatzpunkten zur Verbesserung von Lernprozessen und Lernerfolg. Informativ aus meiner Sicht dazu das Programm der diesjährigen Konferenz „Learning Analytics and Knowledge (LAK 2012)“ und ein Dokument der Forschungsgruppe SOLAR.
Im Rahmen der OPCO-Sitzung heute hat Martin Ebner anhand eines Projekts, bei dem es um die Unterstützung von mathematisches Lernen auf der Stufe Grundschule / Primarschule / Volksschule geht, einige Gedanken zu Learning Analytics formuliert. Das war für mich, der ich das Thema bisher eher aus dem Hochschulkontext kenne, interessant zu hören – und auch, dass dieses Projekt ursprünglich gar nicht als Analytics-Projekt angelegt war.
Wie die Schulkinder mit dem im Rahmen des Projekts entwickelten digitalen 1×1-Trainer arbeiten, ist in einem kurzen Video zu sehen. Über einen Beobachtungszeitraum von 1.5 Monaten haben die 230 beteiligten Kinder in mehr als 750 Sitzungen über 28’000 Aufgaben gelöst. Bei der Arbeit mit diesen Datenmengen rückte dann das Thema Learning Analytics in den Vordergrund. Wie kann man sich einen Überblick darüber verschaffen, wie die Kinder selbständig mit dem 1×1-Trainer arbeiten, ob und wie gut sie vorankommen? Hierzu wurden verschiedene Auswertungsalgorythmen und Visualisierungen entwickelt. Dabei zeigte sich unter anderem, dass es im Hinblick auf den Lernfortschritt schon einen Unterschied macht, ob man darauf schaut, ob Kinder zufällig ausgewählte Aufgaben nur einmal oder zweimal in Folge richtig gelöst haben. Und es zeigen sich auch Verlaufskurven bezüglich korrekter Aufgabenlösung, die ein genaueres Hinschauen und gegebenenfalls auch Intervenieren durch die Lehrperson nahelegen.

Parallel zum Bericht von Martin Ebner wurde der Chat intensiv genutzt – aber dem konnte ich nicht wirklich folgen. In der anschliessenden Diskussion wurde unter anderem die Frage gestellt, welchen Arbeitsaufwand solche Analysen für Lehrpersonen mit sich bringen. Martin Ebner machte deutlich, dass dies bisher noch zu aufwändig und für Lehrpersonen nebenher kaum zu bewältigen ist. Hier muss sich also noch einiges tun. Auch die Frage, inwiefern sich diese Herangehensweise auf höhere Ausbildungsstufen und weniger standardisierbare Lernschritte übertragen lässt, wurde angerissen. Und schliesslich waren auch Fragen des Datenschutzes ein Thema. Martin Ebener selbst hatte in seinem Vortrag darauf verwiesen, dass bei der Fülle an Daten(spuren), die wir im Social Web hinterlassen, Anonymität nicht mehr gewährleistet werden kann und Personenprofiling prinzipiell möglich ist.
Die Vision, Lernprozesse durch die Analyse von grossen Mengen an Nutzerdaten besser verstehen und unterstützen zu können, ist formuliert und erste Werkzeuge sind verfügbar. Aber es ist wohl noch ein weiter Weg, bis dies im Alltag von Bildungsinstitutionen seinen Platz gefunden haben wird.

Learning Analytics

Quelle

Quelle

Ein neues Veranstaltungsformat der eLearning Guild

Worum geht es bei Learning Data Analytics?

Ein Beispiel zur Umsetzung

Entwicklungsperspektiven

Was ist xAPI?

Welche Lernaktivitäten können mit xAPI erfasst werden?

3 zentrale Werkzeug-Kategorien

Ein Szenario aus dem Vertrieb

Herausforderungen

Vielen Dank