NMC Horizon Report > 2017 Higher Education Edition (German)
>Schlüsseltrends, die den Einsatz von Technologien im Hochschulbereich befördern
>>Mittelfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont drei bis fünf Jahre

Zunehmender Fokus auf der Messung von Lernprozessen

Mittelfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont drei bis fünf Jahre

Zusammenfassung

Einführung

Schlüsseltrends, die den Einsatz von Technologien im Hochschulbereich befördern

Langfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont fünf oder mehr Jahre

 > Beförderung von Innovationskulturen
 > Deeper-Learning-Methoden

Mittelfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont drei bis fünf Jahre

 > Zunehmender Fokus auf der Messung von Lernprozessen
 > Neugestaltung von Lernräumen

Kurzfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont ein bis zwei Jahre

 > Blended-Learning-Designs
 > Kollaboratives Lernen

Besondere Herausforderungen, die den Einsatz von Technologien im Hochschulbereich behindern

Bezwingbare Herausforderungen: begreifbar und lösbar

 > Zusammenführung von formellem und informellem Lernen
 > Verbesserung der Digital- und Medienkompetenz

Schwierige Herausforderungen: begreifbar, aber schwer lösbar

 > Die Leistungskluft
 > Förderung der digitalen Gleichberechtigung

Komplexe Herausforderungen: schwer definierbar und umso schwerer lösbar

 > Neue Rolle(n) der Lehrenden
 > Der richtige Umgang mit Wissensverschleiß

Wichtige lehr-/lerntechnologische Entwicklungen für den Hochschulbereich

Zeithorizont: ein Jahr oder weniger

 > Adaptive Lerntechnologien
 > Mobiles Lernen

Zeithorizont: zwei bis drei Jahre

 > Internet der Dinge (IoT)
 > Next-Generation-LMS

Zeithorizont: vier bis fünf Jahre

 > Künstliche Intelligenz
 > Natürliche Benutzerschnittstellen

Methodologie

Expert/innenbeirat der Hochschulausgabe 2017

Dieser Trend kennzeichnet das Interesse an Assessment und der breiten Vielfalt an Methoden und Werkzeugen, die Lehrende für die Evaluation, Messung und Dokumentation von Hochschulreife, Lernfortschritten, Kompetenzentwicklung und anderen lernbezogenen Bedarfen von Studierenden einsetzen.[i] Gesellschaftliche und ökonomische Faktoren geben vor, welche Fähigkeiten in der heutigen Arbeitswelt verlangt werden. Daher müssen Colleges und Universitäten überdenken, wie Kompetenzerwerb und Soft Skills, z.B. Kreativität und Teamarbeit, in einem Studienfach definiert, gemessen und belegt werden können. Die Verbreitung von Datamining-Software und die Entwicklungen in der Online-Lehre, im mobilen Lernen und in Lernmanagementsystemen verbinden sich zu Lernumgebungen, die Learning Analytics und Visualisierungssoftware einsetzen, um Lerndaten multidimensional und übertragbar darzustellen. In Online- und hybriden Lehrveranstaltungen können Daten darüber Aufschluss geben, wie die Aktivitäten der Lernenden zu ihrem Fortschritt und zu spezifischen Lernerfolgen beitragen.

Überblick

Im 21. Jahrhundert werden Lernprozesse insbesondere dann als vollständig erfolgreich angesehen, wenn neben der akademischen Bildung auch interpersonelle und intrapersonelle Kompetenzen erlangt werden. Assessment-Strategien der nächsten Generation haben das Potenzial, kognitive Fähigkeiten, sozial-emotionale Entwicklungen und Deeper Learning zu messen, um diese Lernergebnisse zu evaluieren. Studierende und Lehrende erhalten dadurch gezieltes Feedback, um kontinuierliche Fortschritte zu fördern.[ii] Die Basis für diese Art von Assessment bildet Learning Analytics (LA) – die Erfassung, Analyse und Interpretation von Daten über Lernende und ihre Kontexte, mit dem Ziel, den Lernprozess und das Lernumfeld nachzuvollziehen und zu optimieren.[iii] LA gewinnt an Hochschulen zunehmend an Bedeutung für die Evaluation und grundlegende Verbesserung der studentischen Lernprozesse. Datamining-Software sammelt umfangreiche Datensätze, anhand derer Lernende ebenso wie Lehrende den Lernprozess nachverfolgen und personalisiertes Feedback geben können, um Fortschritte sicherzustellen. Mit der Reifung der LA-Technologie und der Möglichkeit, Daten über diverse Quellen und Lehrveranstaltungen hinweg zu aggregieren, hat sich der Schwerpunkt von der Datenanhäufung auf die Gewinnung nuancierter Einblicke in den Lernprozess der Studierenden verlagert.[iv]

Die multimodale Analyse von Daten und sozialen Netzwerken hat einen ganzheitlichen Schwerpunkt, bei dem die sozialen, kognitiven und affektiven Komponenten des Lernens im Vordergrund stehen. Multimodale Learning Analytics, eine relativ neue Methode, fokussiert auf die Sammlung von Daten über die biologischen und mentalen Prozesse des Lernens in realen Umgebungen.Stimmlage und Tonfall, Mimik sowie die Aufmerksamkeit oder Unaufmerksamkeit des Blicks sind Beispiele für diese Art von Daten, die über Sensoren, Videokameras und andere Tracking-Technologien eingefangen werden können. Wearables, die biometrische Daten erkennen, können auch als Datenspeicher dienen, was aber Vorbehalte hinsichtlich Ethik und Datenschutz auf den Plan ruft.[vi] Gleichzeitig erleben auch Lernmanagementsysteme (LMS) einen Paradigmenwechsel: vom Kursmanagement zum Studienmanagement. Sie unterstützen adaptive Lerntechnologien durch spezialisierte Datenanalysen und Visualisierungstools für ein optimiertes Instruktionsdesign und Einblicke in studentische Lernfortschritte.[vii]

Die differenzierteren Analyse-Möglichkeiten helfen auch bei der Erhöhung der Verbleibs- und Studienabschlussquote. Beispiel: Das „Student Dashboard“ der Nottingham Trent University (NTU) hat ein rechtzeitiges Eingreifen von Tutoren ermöglicht, durch das die studentischen Leistungen und das Lernverhalten positiv beeinflusst werden konnten. Zur Auswertung der Lernaktivitäten sammelt das Dashboard Daten aus Online-Lernumgebungen, Campuskartensystemen, Bibliotheken und Hausarbeiten. Studierende nutzen das Dashboard, um ihre Fortschritte mit denen ihrer Kommilitonen zu vergleichen und ihr Lernverhalten entsprechend zu modifizieren, während Tutoren direkt in den Dialog treten können, um sicherzustellen, dass die Studierenden kontinuierlich arbeiten. Aus Sicht des NTU-Präsidiums hat sich die Universitätskultur dadurch in eine datengetriebene Unternehmenskultur gewandelt.[viii] An der University of Wollongong benutzen die Lehrenden SNAPP, eine Browser-Extension für LMS, um die studentische Nutzung von Online-Diskussionsforen zu analysieren. SNAPP visualisiert in Echtzeit die Beziehungen der Teilnehmenden wie in einem sozialen Netzwerk. Dadurch können die Lehrenden Interaktionsmuster langfristig vergleichen und kontrastieren und Diskussionen in die richtige Richtung leiten.

Implikationen für Strategie, Innovation oder Praxis

Auch wenn Big-Data-Technologien sich als vielversprechend für die Erhöhung der studentischen Verbleibsquote erwiesen haben, bestehen große ethische Vorbehalte. An der Mount St. Mary’s University wurde auf Basis prädiktiver Analytics schwächeren Studierenden nahegelegt ihr Studium abzubrechen, um die Verbleibsquote im späteren Studienverlauf zu erhöhen. Dies macht deutlich, wie Analytics ohne das Wissen und die Zustimmung der Studierenden missbraucht werden kann.[ix] Es bestätigt zudem den Bedarf nach Richtlinien auf nationaler, lokaler und institutioneller Ebene, die ethische Maßstäbe hinsichtlich Sammlung, Sicherheit, Eigentum, Verfügbarkeit, Verbreitung und Verwendung von studienbezogenen Daten aufstellen. Großbritannien ist Vorreiter mit Initiativen wie der DELICATE-Checkliste[x] und dem „Code of Practice“ von Jisc.[xi] Die Richtlinien für den ethischen Umgang mit Studierendendaten der Open University sind lernendenzentriert und setzen Offenheit und Transparenz als Leitprinzipien für die Nutzung von Learning Analytics ein.[xii] An der University of California, Los Angeles, hat der Datenschutzbeauftragte gemeinsam mit der „Data Governance Task Force” ein Regelwerk entwickelt, das die ethische und angemessene Erfassung und Nutzung von Daten über Lehrende, Mitarbeitende und Studierende festlegt.[xiii]

Hochschulen erforschen kontinuierlich pädagogische Innovationen, die den studentischen Lernprozess verbessern, insbesondere durch Datenanalyse. An der Universität Hongkong werden über Learning Analytics direkte Belege für Lernerfolge gesammelt, Handlungsempfehlungen an Lehrende erteilt und die Studiengangsentwicklung optimiert, indem die Zusammenhänge zwischen Lerndesign, Online-Lernverhalten und den Noten der Studierenden hergestellt werden.[xiv] Die University Innovation Alliance hat kürzlich eine große hochschulübergreifende Untersuchung von 10.000 Studierenden initiiert, um die Effektivität von Studienberatungsprogrammen basierend auf Datenanalysen zu messen.[xv] Am anderen Ende des Spektrums hat die Initiative „Multi-State Collaborative to Advance Learning Outcomes Assessment“ gezeigt, dass standardisierte Bewertungsraster verlässlich auf einen größeren Maßstab ausgedehnt werden konnten, um fächer- und institutionenübergreifend belastbare Einblicke in studentische Lernprozesse zu erhalten.[xvi]

Die transformativen Auswirkungen von Learning Analytics zeigen sich am sichtbarsten in der Entwicklung des adaptiven Lernens, das im Verlauf dieses Berichts näher beschrieben wird. Zwei Professoren an der University of New South Wales haben auf der Plattform Smart Sparrow den ersten Massive Open Online Course (MOOC) in Ingenieurwissenschaften entwickelt, der adaptives Lernen einsetzt, um personalisierte Hilfestellungen zu leisten. Der Kurs bietet qualitativ hochwertige Lernangebote für Studierende mit unterschiedlichsten Voraussetzungen und soll die Lernerfolge in einem Studienabschluss verbessern, der sich üblicherweise durch hohe Abbruchquoten auszeichnet.[xvii] Learning Analytics verbessert auch das Instruktionsdesign. Ein Assistenzprofessor am Marist College hat anhand von Lernendendaten herausgefunden, welche Inhalte die Studierenden am schwierigsten finden und den Stoff auf unterschiedliche Weise aufbereitet, bis sie ihn erlernt hatten.[xviii] Die University of Technology in Sydney benutzt REVIEW, ein kriterienbasiertes Online-Assessment-Tool, um den studentischen Lernprozess anhand einer Reihe von Merkmalen zu überwachen. Studierende können das visuelle Dashboard einsehen, um sich ein umfassendes Bild ihres Lernfortschritts nach Jahr, Thema, Aufgabe und Kategorie zu machen. [xix]

Literaturempfehlungen

Denjenigen, die mehr über den zunehmenden Fokus auf der Messung von Lernprozessen erfahren möchten, empfehlen wir die folgenden Quellen:

The Colleges Are Watching

go.nmc.org/arewatching

(Mikhail Zinshteyn, The Atlantic, 1. November 2016.) Angesichts der noch nie da gewesenen Verfügbarkeit von studierendenbezogenen Daten und hochentwickelten prädiktiven Analysetechnologien stehen Bildungsinstitutionen vor der Herausforderung, den Schutz der studentischen Daten zu gewährleisten und dabei gleichzeitig akademische Erfolge bestmöglich zu fördern.

Learning Analytics in Higher Education (PDF)

go.nmc.org/ecarla

(Pam Arroway, et al., Learning Analytics in Higher Education, März 2016.) Dieser Bericht des EDUCAUSE Center for Analysis and Research (ECAR) bietet einen umfangreichen Überblick über Learning Analytics im Hochschulbereich sowie Betrachtungen ihrer zukünftigen Rolle und Einsatzmöglichkeiten für den akademischen Erfolg.

Learning Analytics: Visions of the Future (PDF)

go.nmc.org/lace8

(Rebecca Ferguson, et al., 6th International Learning Analytics and Knowledge Conference, 25.-29. April 2016.) Die Autor/innen stellen acht Visionen für die Zukunft von Learning Analytics vor, die im Projekt LACE (Learning Analytics Community Exchange) für die Studie “LACE Visions of the Future Policy Delphi“ entwickelt wurden.

Measuring Mastery: Best Practices for Assessment in Competency-Based Education (PDF)

go.nmc.org/measmast

(Katie Larsen McClarty und Matthew N. Gaertner, Center on Higher Education Reform, American Enterprise Institute, April 2015.) Die potenziellen Vorteile einer kompetenzbasierten Hochschulausbildung sind zahlreich, aber praktische Erfahrungen lassen sich nicht auf dieselbe Weise messen wie traditionell erworbene Kenntnisse. Dieser Bericht empfiehlt einen Bezugsrahmen, mit dem sich der Erwerb von praktischen Fähigkeiten nachweisen lässt.

Personalization at Scale: Using Analytics for Institutional Improvement

go.nmc.org/atscale

(Elizabeth Mulherrin und Laura Fingerson, The EvoLLLution, 2. Februar 2016.) Die Capella University und das University of Maryland University College setzen Big Data strategisch und effektiv ein, um von der Bestandsaufnahme hin zu einer vorausschauenden Analyse zu kommen.

Traversing the Trough of Disillusionment: Where Do Analytics Go from Here?

go.nmc.org/traversing

(Mike Sharkey und Timothy Harfield, Next Generation Learning Challenges, 19. Dezember 2016.) Die Autoren geben für Institutionen, die die Einführung von Learning Analytics erwägen oder gerade damit befasst sind, praktische Empfehlungen zur erfolgreichen, großangelegten Umsetzung.

[i] http://edglossary.org/assessment/

[ii] http://nextgenlearning.org/next-gen-assessment

[iii] https://tekri.athabascau.ca/analytics/

[iv] http://er.educause.edu/articles/2016/8/big-data-analysis-in-higher-education-promises-and-pitfalls

[v] http://epress.lib.uts.edu.au/journals/index.php/JLA/article/view/5081/5595

[vi] https://www.weforum.org/agenda/2015/10/wearable-tech-true-health/

[vii] http://acrobatiq.com/from-course-to-curriculum-an-interview-with-ray-henderson-on-the-coming-lms-paradigm-shift/

[viii] https://analytics.jiscinvolve.org/wp/files/2016/04/CASE-STUDY-I-Nottingham-Trent-University.pdf (PDF)

[ix] https://www.datanami.com/2016/11/01/data-analytics-higher-education/

[x] http://www.laceproject.eu/ethics-privacy/

[xi] https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics

[xii] https://analytics.jiscinvolve.org/wp/files/2016/04/CASE-STUDY-H-Open-University-UK.pdf (PDF)

[xiii] https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf (PDF)

[xiv] http://www.unescobkk.org/education/ict/online-resources/databases/ict-in-education-database/item/article/scaling-out-teaching-scaling-up-learning-some-thoughts-on-innovation-in-higher-education/

[xv] http://postsecondary.gatesfoundation.org/areas-of-focus/incentives/policy-advocacy/making-difference/bridget-burns/

[xvi] https://www.aacu.org/press/press-releases/multi-state-collaboration-produces-valuable-new-evidence-about-writing-critical

[xvii] https://www.engineering.unsw.edu.au/news/worlds-first-adaptive-engineering-course-opens-up-engineering-fundamentals-to-all

[xviii] https://sf-asset-manager.s3.amazonaws.com/96945/2/19.pdf (PDF)

[xix] http://learning-analytics.info/journals/index.php/JLA/article/view/4888/5628