Imperfection in Learning Analytics

Abstract

Die Benutzung der Informations- und Kommunikationstechnologien in der Bildung bewirkt, dass in diesem Bereich auch viele Daten elektronisch vorliegen. Das relativ junge Feld Learning Analytics beschäftigt sich mit der Auswertung dieser Daten mit dem Ziel, Lernen und Lernumgebungen zu verstehen und zu optimieren. Dazu bedient sich Learning Analytics unter anderem der Techniken aus dem maschinellen Lernen. Es folgen ein paar Beispiele: • Algorithmen werden benutzt, um vorherzusagen, ob Studierende in einem Studium oder in einem Kurs „at risk“ sind. • Algorithmen werden benutzt, um zu berechnen, ob Studierende manche Konzepte noch nicht gut beherrschen und daher mehr Übungen präsentiert bekommen müssen. • Algorithmen werden benutzt, um typische Lernverhalten zu entdecken. • Algorithmen werden benutzt, um Lernempfehlungen auszusprechen. • „Dashboards“ werden erstellt, um Lehrenden wie Lernenden einen Überblick über die Lernfortschritte anzubieten. Der Trend ist, diese Anwendungen mit einem „User-Centered Design“-Vorgehen zu entwickeln. Doch weder die Ergebnisse der Algorithmen noch die Daten sind perfekt. Ein Lernender wird zum Beispiel mit einer Wahrscheinlichkeit von 73.3 % als „at risk of failing a course“ eingestuft, nicht mit 100 %. Kitto, Buckingham Shaw und Gibson stellen in meinen Augen eine sehr berechtigte Frage: “It is usually assumed to be important that classifiers be accurate, as otherwise a student will be subjected to inappropriate interventions. However, such a position leaves us in a dilemma; are we to wait until perfect accuracy is achieved?”, siehe “Embracing Imperfection in Learning Analytics”, Proceedings LAK 18. In dieser Keynote werde ich Arbeiten aus meiner Forschung vorstellen, welche mit diesem Dilemma zu tun haben.