Big Data für Bildung

Wie wäre es, wenn Lehrende sofort auf Knopfdruck erfahren könnten, zu welchen Themen ihre Lernenden noch Unterstützung brauchen, bei welchen Aufgaben sie Schwierigkeiten haben oder was sie schon super beherrschen? Statt in gleichmäßigem Rhythmus Themen abzuarbeiten, könnten sie sich auf das konzentrieren, was wirklich noch Vertiefung benötigt. Die Lehrenden könnten auch direkt erfahren, wenn ihre Aufgabenstellungen weiterführende Erklärungen benötigen oder schlichtweg nicht umsetzbar sind.

Dank der Möglichkeiten von Big Data (Speicherung, Bearbeitung und Analyse von immensen Datenmengen) und der zunehmenden Verwendung von digitalen Medien in Lernprozessen stehen uns in der Bildung inzwischen mehr Daten denn je zur Verfügung. Jedes Video, das in Online-Kursen gesehen wird, liefert uns Informationen darüber, ob Teilnehmende es bis zu Ende gesehen oder möglicherweise mehrmals zurückgespult haben. Jede Multiple-Choice-Aufgabe gibt sofortige Rückmeldung darüber, wie viele Menschen sie beim wievielten Versuch richtig lösen konnten. Wir können erkennen, ob Menschen mehr Zeit mit Texten oder mit Videos verbringen, sich in Lerngemeinschaften einbringen oder lieber alleine arbeiten, schnell oder langsam lernen.

Der Traum vom perfekten Lernsystem?

In vielen Schulen, Universitäten und Kursen ist das alles schon Realität. Wie sieht das konkret aus? Schüler sitzen zum Beispiel im Unterricht in kleinen Gruppen vor ihren Geräten (PCs, Tablets, Handys) und bearbeiten Aufgaben. Die Lehrenden erhalten auf ihrem Bildschirm kontinuierliche Informationen darüber, welche Aufgaben bereits erledigt wurden und wie die Klasse hierbei abschneidet. Sie sehen also sofort, wenn eine Klasse Themen beherrscht oder mit ihnen noch kämpft, und können die Schwerpunkte ihres Unterrichts daran anpassen.

Ein anderes Setting sind Online-Kurse, die teilweise Zehntausende von Teilnehmer haben. Hier erhalten die Lehrenden über die Datenanalyse Informationen darüber, wenn bei gewissen Aufgaben eine hohe Anzahl von Teilnehmern Schwierigkeiten hat, und können direkt nachsteuern, beispielsweise mit einer besseren Erklärung. Durch Informationen über statistische Normabweichungen werden die Kurse nach und nach so optimiert, dass sie für die größte Anzahl an Personen funktionieren.

In großen Organisationen können Lerndaten auch für die Auswahl der Weiterbildungsangebote eingesetzt werden, da direkte Auswertungen über gewünschte und empfohlene Themen sowie Anmeldungen und Zufriedenheit aus der Vergangenheit zusammenlaufen. Diese Systeme richten sich oftmals an die Mehrheit einer Gruppe von Lernenden und so kann eine Lehre entwickelt werden, die so vielen Menschen wie möglich entspricht. Gleichzeitig kann das Sammeln von Daten aber auch dazu beitragen, individuelle Lernstile zu berücksichtigen; daher fließen auch die Lerndaten über Lernvorlieben zunehmend in die Auswertungen ein. Wenn Lernstile klar identifiziert sind (lieber in Gruppen oder alleine, lieber praktisch oder theoretisch, lieber lesend oder durch Videos, lieber mit oder ohne Lehrende etc.) können auch hierzu Lerndaten gesammelt werden, und zwar für die Gruppe ebenso wie für die einzelne Person.

Durch lernende Programme erhalten die Lernenden Aufgaben, die immer mehr auf sie zugeschnitten werden. Diese technischen Möglichkeiten lassen so die alte Sehnsucht nach einer „Lernmaschine“ wieder aufleben. Vielleicht gibt es das datengefütterte Programm, das für jeden den richtigen Inhalt im richtigen Aufgabentyp ausspuckt?

Auch der menschliche Faktor zählt

Dieser fast mechanistische Blick auf das Lernen ist ein klarer Zugewinn für das passgenaue Zuschneiden von Lernstoff. Alle rein fachlichen Aspekte von Lernkontexten können an dieser Stelle stark profitieren. Lernkontexte haben es jedoch nur selten zum Ziel, ausschließlich fachliche Inhalte zu vermitteln, und wie andere Trends zeigen, werden soziale Fähigkeiten immer wichtiger für ein erfolgreiches und lebenswertes Leben. Digitale Angebote, die auf Lerndaten basieren, sind daher vor allem dann hilfreich, wenn sie mit analogen Interaktionen kombiniert werden, in denen soziale Kompetenzen und die persönliche Entwicklung im Zentrum stehen.

Selbstverständlich stellen sich hier auch Fragen zum Thema Datenschutz, insbesondere wenn nicht mehr nur der Lernrhythmus der Masse, sondern auch des Einzelnen gespeichert und analysiert wird. Der Umgang mit dem „transparenten Lerner“ ist an vielen Stellen noch unklar und besonders umstritten, wenn es um die Daten von Kindern geht. So könnte die Analyse von lebenslangen Lerndaten beispielsweise als scheinbar objektive Vorhersage für Studien- oder beruflichen Erfolg genutzt werden.

Fazit: Die Datenmengen über Lerninhalte und Lernverhalten, die uns zur Verfügung stehen, ermöglichen völlig neue Herangehensweisen an das Thema Lernen. Kontinuierliche Verbesserung des Materials und des Unterrichts sowie die Anpassung an den Bedarf sowohl der Gruppe als auch des Einzelnen werden dadurch einfacher. Mit Achtsamkeit in Bezug auf Datenschutz und der Einsicht in die Notwendigkeit von zwischenmenschlicher Kommunikation als Teil des Lernprozesses bieten sich hier große Chancen.

Cases: