Learning Analytics: Erfolg vorhersagen, ohne Lernende in Schubladen zu stecken

Jede Interaktion mit einer Lernplattform hinterlässt eine Spur: aufgewendete Zeit, bearbeitete Aufgaben, wiederkehrende Fehler. Learning Analytics verwandelt diese Spuren in handlungsrelevante Information – einen Lernenden mit Schwierigkeiten vor dem Scheitern erkennen, einen Kurs anpassen, eine Begleitung personalisieren. Das Versprechen ist groß; die ethischen Fallstricke sind es ebenso.

Vorhersagen, um zu handeln: die Frühwarnsysteme

Frühwarnsysteme kombinieren Plattformdaten und Vorhersagemodelle, um gefährdete Lernende zu erkennen. Jüngere Arbeiten zeigen vollständige Zyklen aus „vorhersagen – eingreifen – bewerten“, die algorithmische Vorhersage und menschliche Unterstützungsnetzwerke verbinden ^[1], sowie Modelle für das Abbruchrisiko auf Basis der Online-Aktivität ^[2]. Offene Datensätze wie OULAD (über 32 000 Studierende) standardisieren die Forschung und die frühe Erkennung ^[3].

Die Falle der statischen Variablen

Ein großes Risiko lauert bei diesen Modellen: sich auf statische Merkmale statt auf das tatsächliche Lernen zu stützen. Eine Studie zeigt, dass demografische Variablen die Risikovorhersagen dominieren können (bis zu rund zwei Drittel des Gewichts), was eine frühe Erkennung ermöglicht, aber droht, Ungleichheiten fortzuschreiben, wenn die Demografie als Stellvertreter für systemische Barrieren dient ^[4]. Vorherzusagen, dass ein Lernender mit einem bestimmten Profil scheitern wird, ist keine Diagnose: Es ist ein Spiegel der Verzerrungen der Vergangenheit.

Ethik, Transparenz und Einwilligung

Die Learning-Analytics-Gemeinschaft nimmt diese Fragen ernst. Rahmenwerke für „Responsible AI“ schlagen operative Prinzipien vor – Transparenz, Fairness, Verantwortlichkeit –, um ungleiche Unterstützung je nach Gruppe zu vermeiden ^[5]. Studierendenzentrierte Arbeiten zeigen, dass diese Transparenz als etwas sehen, das aktiv gepflegt werden muss, und plädieren für eine kontinuierliche und messbare statt binäre Einwilligung ^[6]. Die LAK-Konferenz, das Schaufenster des Feldes, rückt inzwischen den verantwortungsvollen Umgang mit Daten in den Vordergrund ^[7].

• Jede Vorhersage mit einer wohlwollenden menschlichen Intervention verbinden.
• Die Modelle prüfen, damit die Demografie nicht zum Schicksal wird.
• Die Kriterien erklärbar und die Einwilligung widerrufbar machen.
• Die tatsächliche Wirkung auf den Erfolg bewerten, nicht nur die Genauigkeit des Modells.

Ein Modell, das das Scheitern vorhersagt, ohne zu helfen, es zu vermeiden, analysiert das Lernen nicht: Es verurteilt es.

Learnya-Synthese

Learning Analytics berührt naturgemäß sensible personenbezogene Daten; seine Legitimität beruht auf einer strengen Governance – ein im europäischen und schweizerischen Kontext verstärktes Gebot. Gut geregelt, hilft es, früh zu handeln und die Aufmerksamkeit besser zu verteilen; schlecht geregelt, überwacht es und engt ein.

Vorhersage, Korrelation, Kausalität: nicht verwechseln

Ein Vorhersagemodell erkennt Regelmäßigkeiten, keine Ursachen. Zu wissen, dass ein Bündel von Signalen ein Abbruchrisiko ankündigt, erklärt weder warum noch was zu tun ist. Korrelation und Kausalität zu verwechseln, kann zu nutzlosen oder gar kontraproduktiven Interventionen führen – etwa einen Lernenden auf Basis seines Profils statt seiner tatsächlichen Schwierigkeiten ins Visier zu nehmen. Der Wert eines Frühwarnsystems liegt in der Angemessenheit der Handlung, die es auslöst, nicht in seiner statistischen Genauigkeit allein ^[1].

Die am besten dokumentierte Gefahr ist die sich selbst erfüllende Prophezeiung. Wenn statische Variablen die Vorhersage dominieren ^[4], droht das System, bestimmte Lernende dauerhaft zu etikettieren und Aufmerksamkeit wie Ressourcen so zu lenken, dass sich die Prognose bestätigt. Ein Dashboard, das ein „Risiko“ ohne Kontext anzeigt, kann so den Blick der Lehrkraft und das Selbstwertgefühl des Lernenden belasten. Transparenz darüber, was das Modell misst – und was nicht –, ist entscheidend.

Deshalb verschiebt die Gemeinschaft den Anspruch von der Leistung hin zur Verantwortung: Fairness, Rechenschaftspflicht, kontinuierliche und widerrufbare Einwilligung ^[5][6]. Da Lerndaten von Natur aus persönlich und sensibel sind, erfordert ihre Nutzung eine strenge Governance und einen Zweck, der klar im Dienst des Lernenden steht. Gut regiert, hilft Learning Analytics, früh und treffsicher zu handeln; schlecht regiert, wird es zu einem Überwachungsinstrument, das urteilt, statt zu helfen.

Von der Analyse zur richtigen Handlung

Der Wert von Learning Analytics bemisst sich nicht an der Raffinesse seiner Modelle, sondern an der Qualität der menschlichen Entscheidungen, die es erhellt. Ein Dashboard ergibt nur dann Sinn, wenn es eine wohlwollende und angemessene Handlung auslöst: ein Gespräch, eine Unterstützung, eine Anpassung. Ohne diese Rückkopplung bleibt das Datum eine sterile Beobachtung, bestenfalls nutzlos, schlimmstenfalls stigmatisierend.

Die verantwortungsvolle Entwicklung des Feldes wird über mehr Transparenz für die Lernenden, eine wirklich widerrufbare Einwilligung und systematische Verzerrungsprüfungen führen. Das Lerndatum gehört zuerst dem Lernenden; es zu analysieren ist ein Dienst, den man ihm erweist, keine Überwachung, die man ihm auferlegt. Nur wenn dieses Prinzip im Zentrum bleibt und die Daten-Governance beherrscht wird, wird die Lernanalyse ihre Versprechen einlösen, ohne das Vertrauen zu verraten.