Vom guten zum optimalen Lernerfolg: Vier Beispiele aus den Hochschulen
Im letzten Beitrag haben wir besprochen, welche Rolle Künstliche Intelligenz und Machine Learning im Learning Analytics spielen. Heute soll es um die Ziele und den Weg zur Learning Analytics-Strategie gehen: Wie können Hochschulen vorgehen, um mit Learning Analytics die Lernerfahrung ihrer Studierenden zu verbessern und damit den Lernerfolg zu steigern?
Von Business Analytics zu Learning Analytics
Learning Analytics hat viele Ähnlichkeiten mit Business Analytics – wenn auch die Zielsetzung zum Teil anders ist. Der Verlust eines Kunden ist für einen Mobilfunkanbieter ein Problem, egal wie lange die Kundenbeziehung schon besteht – für Studierende und damit für Hochschulen hingegen sind Studienfachwechsel in den ersten Semestern weit weniger dramatisch als eine Zwangsexmatrikulation wegen nichtbestandener Prüfungen kurz vor Studienabschluss. Trotzdem ist die Zielsetzung die gleiche: Wie können Ressourcen optimal eingesetzt und Prozesse so strukturiert werden, dass die Ziele erreicht werden? Zur Beantwortung dieser Frage können sich Hochschulen am Analytic Value Escalator orientieren, mit dem Gartner bereits 2012 die verschiedenen Phasen der Wertschöpfung durch Datenanalyse strukturiert hat. So können Hochschulen vor der Umsetzung zunächst in vier Schritten eine umfassende Strategie erarbeiten.
Von der Vergangenheit …
Die ersten beiden Schritte des Analyseprozesses beschäftigen sich mit der Vergangenheit und dem Status quo:
Schritt 1: Was ist passiert? (Beschreibung/Descriptive Analytics) Zunächst müssen Hochschulen Daten sammeln und zusammenführen. Wie viele Studierende haben einen bestimmten Kurs belegt? Wie häufig und in welchem Umfang haben sie mit den Lernmaterialien interagiert? Wie viele Rückfragen gab es im Diskussionsforum untereinander, wie viele an Tutoren oder Kursleiter? Wie viele Studierende sind zur Prüfung angetreten, und welche Ergebnisse haben sie erzielt?
Schritt 2: Warum ist es passiert? (Diagnose/Diagnostic Analytics) Im Anschluss an die Datensammlung geht es an die Untersuchung der Daten. Hier helfen besonders umfangreiche Stichproben, denn es gibt viele mögliche Erklärungsfaktoren. Haben beispielsweise Lehramtsstudierende in den ersten Semestern besonders schlecht in der Mathematik-Klausur abgeschnitten? War dies in den Vorjahren ebenfalls so? Wenn nein, haben sich die Lehrperson oder die -inhalte geändert? Wenn ja, sieht es in Physik und Chemie ähnlich aus? Wenn ja, wie groß ist die Arbeitsbelastung der Lehramtsstudierenden unter der Woche im Vergleich zu anderen Bachelor-Studierenden? In diesem Schritt kommen Methoden des Machine Learning zum Einsatz, denn Clustering und Netzwerkanalyse decken bisher unbekannte Muster auf. Sind die Einflussfaktoren einmal bekannt, können Hochschulen auch klassische statistische Verfahren wie Regressionen nutzen.
… in die Zukunft
Schritt 3 und 4 fassen die Zukunft und den Gestaltungsspielraum von Hochschulen ins Auge:
Schritt 3: Was wird passieren? (Vorhersage/Predictive Analytics) Sind die Zusammenhänge zwischen den Einflussfaktoren und dem Lernerfolg erfasst, kann es an die Vorhersage gehen. Wie durchfallgefährdet ist ein bestimmter Studierender, wie hoch ist die zu erwartende Durchfallquote für den gesamten Kurs? Diese Antwort können Hochschulen für ein bestimmtes Machine Learning-Verfahren leicht aus den Ergebnissen des zweiten Schritts ableiten. Doch Vorsicht: bei unterschiedlichen Verfahren können für den gleichen Studierenden ganz unterschiedliche Ergebnisse herauskommen. Daher sollten Hochschulen zunächst überprüfen, wie treffsicher ihre Vorhersagen aus den verschiedenen Verfahren sind.
Schritt 4: Wie sollen wir handeln? (Empfehlung/Prescriptive Analytics) Dieser letzte Schritt ist die Königsdisziplin, denn sie leitet aus den vorhergehenden Analysen Handlungsempfehlungen ab. Durch Optimierungsmethoden oder Simulationen können Hochschulen ermitteln, wie sich eine Änderung des aktuellen Vorgehens auf den Lernerfolg auswirkt. Nutzen Studierende eine geringere Arbeitsbelastung beispielsweise, um vermehrt zu arbeiten? Dann wird eine Senkung der Arbeitsbelastung den Lernerfolg kaum steigern, sondern nur die Unterschiede zwischen Studierenden mit unterschiedlichen finanziellen Möglichkeiten vertiefen. Vielleicht hilft stattdessen eine Umstrukturierung des Curriculums: weniger Präsenzveranstaltungen und dafür mehr verpflichtende interaktive Elemente, die Studierende jederzeit und von überall her nutzen können – auch am Wochenende. Anstatt zu spekulieren, kann die Hochschule durch Learning Analytics präzise die Konsequenzen bestimmter Änderungen einschätzen. Und das auch auf ganz individueller Ebene.
Vom guten zum optimalen Lernerfolg: Vier Beispiele aus den Hochschulen
Learning Analytics gehört von jeher zum Geschäft der Hochschulen – denn der Erfolg der Studierenden ist auch der Erfolg der Hochschulen. Doch umfangreiche Datensätze und moderne Analyseverfahren erlauben schnelles und genaues Eingreifen, um den Erfolg ihrer Studierenden jederzeit sicherzustellen. Beispiele gefällig? Ich habe gleich vier! Erstens: Studierende mit besonderen Herausforderungen können frühzeitig identifiziert werden und die entsprechende Unterstützung erhalten – schon vor der Prüfung. Das senkt Durchfallraten und verhindert die Exmatrikulation – besonders für fortgeschrittene Studierende sicherlich der Worst Case. Zweitens: In laufenden Veranstaltungen wird Studierenden abhängig vom Abschneiden im letzten Micro Learning-Element ein personalisierter Lernpfad angeboten, der Motivation und Lernerfolg steigert. Drittens: Sowohl beim einzelnen Lehrveranstaltung und im Programmdesign unterstützt Learning Analytics Lehrende und Programm-Manager bei der Qualitätssicherung und -verbesserung. Dadurch lassen sich knappe Ressourcen besser einteilen: man sieht nicht nur, was sich lohnt, sondern auch was man sich sparen kann. Und viertens: Learning Analytics ermöglicht auch neue und innovative Tests und Benotungsverfahren. Die maschinelle Erstellung und Auswertung von Multiple Choice-Prüfungen ist bereits weit verbreitet. Doch auch textbasierte Prüfungsleistungen wie Seminar- und Abschlussarbeiten sollen zukünftig mithilfe von KI-Algorithmen bewertet werden. Das bringt neue Herausforderungen mit sich – und mit denen wollen wir uns im unserem dritten und letzten Blogpost zu Learning Analytics befassen.
Welche Ziele verfolgen Sie mit Learning Analytics? Vermissen Sie einen wichtigen Punkt? Treten Sie mit uns in Kontakt, denn wir von Canvas suchen den Dialog. Sie können mich auch gerne direkt kontaktieren, meine Kontakdaten finden Sie auf LinkedIn.
Es lebe das Lernen!
Ihr Manuel Nitzsche
Regional Director Instrucutre in DACH
Über Instructure Inc.
Die Canvas Lernplattform wird entwickelt und supported von Instructure (NYSE: INST), einem Software-as-a-Service (SaaS) Unternehmen. Instructure unterstützt Menschen, sich weiterzuentwickeln – vom ersten Schultag bis zum letzten Arbeitstag. Canvas LMS ist Teil einer integrierten Technologie-Plattform, zu der auch Canvas Studio, Canvas Catalog und Canvas Practice gehören. Je nach Anforderungen können Bildungseinrichtungen diese Lösungen einzeln oder im Zusammenspiel nutzen. Instructure hat schon Millionen Lehrende und Lernende von mehr als 4.000 Bildungseinrichtungen und Unternehmen auf der ganzen Welt verbunden. Erfahren Sie mehr über Canvas: https://www.instructure.com/canvas/de/hochschule/plattform/produkte und folgen Sie unserem Blog: https://www.instructure.com/canvas/de/community/blog
Firmenkontakt
Instructure Global LTD
Manuel Nitzsche
2nd Floor, Kingly Street 25
W1B 5QB London
+49 6151 3961793
mnitzsche@instructure.com
https://www.instructure.com/canvas/de/community/blog
Pressekontakt
Adremcom
Immo Gehde
Hagebuttenweg 12
61231 Bad Nauheim
0221 9928 171
immo.gehde@adremcom.de
http://www.adremcom.de